Electronic Theses and Dissertation

Kebakaran merupakan salah satu ancaman yang dapat dihadapi oleh bangunan sepanjang jangka waktu rancangannya yang mana dapat membahayakan keselamatan jiwa, menyebabkan kerusakan properti dan kerugian finansial. Namun, pendeteksi kebakaran yang umumnya diterapkan saat ini adalah pendeteksi kebakaran berbasis sensor yang mana masih memiliki kekurangan dalam mendeteksi keberadaan api dan asap. Oleh karena itu, pendeteksi api berbasis visi komputer menjadi jawaban untuk mengatasi kekurangan yang dimiliki oleh pendeteksi api berbasis sensor. Algoritma-algoritma deep learning dapat diterapkan untuk merancang pendeteksi kebakaran berbasis visi komputer, seperti Convolutional Neural Network (CNN) dan Multilayer Perceptron (MLP) dengan konsep transfer learning. Pelatihan dan pengujian model dilakukan dengan menggunakan dataset dari situs Kaggle dengan judul Forest Fire, Smoke, Non Fire Image Dataset. Hasil evaluasi menggunakan metrik accuracy, loss, precision, recall dan f1-score menunjukkan bahwa model CNN menunjukkan performa yang lebih unggul dalam melakukan klasifikasi gambar api dan asap dengan akurat pada konfigurasi model epochs 40, learning rate 0.00001 dengan dimensi input 244x244. Hasil perhitungan metrik evaluasi yang dicapai oleh model CNN secara berurutan adalah 98.26\%, 0.0735, 0.9827, 0.9826 dan 0.9825.

Fire is one of the potential threats that buildings may face throughout their design lifespan, posing risks to human safety, causing property damage, and resulting in financial losses. However, the fire detectors commonly implemented today are sensor-based fire detectors, which still have shortcomings in detecting the presence of fire and smoke. Therefore, computer vision-based fire detectors are becoming a solution to overcome the deficiencies of sensor-based fire detectors. Deep learning algorithms can be applied to build computer vision-based fire detectors, such as Convolutional Neural Networks (CNN) and Multilayer Perceptrons (MLP) with the implementation of transfer learning concept. Training and testing of the models are conducted using a dataset from Kaggle titled Forest Fire, Smoke, Non-Fire Image Dataset. Evaluation results using metrics such as accuracy, loss, precision, recall, and F1-score show that the CNN model demonstrates better performance in accurately classifying fire and smoke images with configuration of 40 epochs, learning rate of 0.00001, and input dimensions of 244x244. Respectively, the evaluation results of the best performing CNN model are 98.26\%, 0.0735, 0.9827, 0.9826, and 0.9825.