PENGEMBANGAN SISTEM DETEKSI DINI KEBAKARAN MENGGUNAKAN METODE TRANSFER LEARNING DENGAN MODEL RESNET50 BERBASIS WEBSITE

DEVELOPMENT OF AN EARLY FIRE DETECTION SYSTEM USING TRANSFER LEARNING METHOD WITH RESNET50 MODEL BASED ON WEBSITE

Kebakaran merupakan peristiwa bencana alam yang dapat menyebabkan kerugian signifikan baik dari segi manusia maupun harta benda. Faktor-faktor seperti konsleting listrik, pembakaran sampah, dan ledakan tabung gas semakin meningkat di Indonesia, menambah potensi kebakaran. Deteksi dini kebakaran menjadi kunci untuk mengurangi kerugian, namun sistem berbasis sensor skalar memiliki keterbatasan. Sistem deteksi tradisional berbasis sensor skalar memiliki keterbatasan, seperti area jangkauan terbatas, khususnya jika dipasang di langit-langit dalam ruangan, sementara sistem vision menggunakan kamera yang dapat menjangkau area yang lebih luas. Transfer Learning, dengan fokus pada Convolutional Neural Network (CNN), menjadi pendekatan dalam penelitian ini untuk meningkatkan akurasi deteksi. Meskipun banyak penelitian yang berhasil mengimplementasikan CNN, tantangan dalam konteks deteksi dini kebakaran masih ada. Penelitian ini bertujuan untuk menyempurnakan sistem deteksi dini kebakaran, mengatasi keterbatasan sistem tradisional berbasis sensor skalar, dan memberikan solusi lebih efektif dalam melindungi nyawa dan harta benda dari risiko kebakaran. ResNet50 digunakan sebagai model utama untuk mendeteksi fire, smoke, dan non-fire. Selain itu, evaluasi model pada data training menunjukkan performa ketepatan sistem deteksi dini kebakaran dengan nilai akurasi tertinggi sebesar 0.98 dan nilai loss terkecil sebesar 0.05. Model ini mampu mendeteksi gambar yang diunggah maupun yang diambil secara langsung menggunakan kamera. Sistem Deteksi Dini Kebakaran Berbasis Website, yang dirancang dengan antarmuka yang mudah digunakan, diharapkan dapat mendeteksi kebakaran lebih cepat dan akurat, terutama di area yang luas.

Kata Kunci : Sistem Deteksi Dini Kebakaran, ResNet50, Transfer Learning, Convolution Neural Network (CNN), Sistem Vision.

Fire is a natural disaster event that can cause significant losses in terms of both human lives and property. Factors such as electrical short circuits, waste burning, and gas cylinder explosions are increasing in Indonesia, adding to the potential for fires. Early fire detection is key to reducing losses, but systems based on scalar sensors have limitations. Traditional detection systems based on scalar sensors have limitations, such as limited coverage area, especially when installed on indoor ceilings, while vision systems using cameras can cover a wider area. Transfer Learning, focusing on Convolutional Neural Networks (CNN), is the approach used in this research to improve detection accuracy. Although many studies have successfully implemented CNN, challenges in the context of early fire detection still exist. This research aims to refine the early fire detection system, overcome the limitations of traditional scalar sensor-based systems, and provide more effective solutions in protecting lives and property from fire risks. ResNet50 is used as the main model to detect fire, smoke, and non-fire. Furthermore, the evaluation of the model on training data shows the highest detection accuracy of 0.98 and the lowest loss value of 0.05. This model is capable of detecting both uploaded images and those taken directly using a camera. The Web-Based Early Fire Detection System, designed with a user-friendly interface, is expected to detect fires faster and more accurately, especially in large areas.

Keywords : Early Fire Detection System, ResNet50, Transfer Learning, Convolutional Neural Network (CNN), Vision System.