IKMIIKMI

Jurnal ICT: Information Communication & TechnologyJurnal ICT: Information Communication & Technology

Penelitian ini mengembangkan sistem deteksi api berbasis pengolahan citra menggunakan algoritma YOLOv8 untuk mendukung deteksi dini kebakaran secara real-time. Dataset yang digunakan terdiri dari 100 citra api dengan variasi kondisi visual, yang diproses melalui tahap pra-pemrosesan, konversi anotasi ke format YOLO, serta pelatihan model selama 30 epoch. Evaluasi kinerja menunjukkan bahwa model YOLOv8 mencapai mAP50 sebesar 0.646, precision 0.889, dan recall 0.455, dengan kecepatan inferensi 282.5 ms/frame. Sistem diintegrasikan dengan OpenCV untuk memproses input webcam dan menampilkan hasil deteksi secara langsung. Meskipun hasil menunjukkan potensi YOLOv8 dalam deteksi api real-time, penelitian ini memiliki keterbatasan pada jumlah dataset yang relatif kecil, sehingga generalisasi model masih perlu ditingkatkan. Penelitian selanjutnya disarankan menggunakan dataset yang lebih besar dan beragam serta melakukan perbandingan dengan deteksi model lainnya.

Penelitian ini menunjukkan bahwa model YOLOv8 mampu digunakan untuk mendeteksi api secara real-time berbasis pengolahan citra dengan performa yang cukup baik.Hasil evaluasi menunjukkan nilai mAP50 sebesar 0.455, yang mengindikasikan bahwa model memiliki tingkat akurasi deteksi yang tinggi meskipun sensitivitas deteksi masih perlu ditingkatkan.Implementasi sistem menggunakan OpenCV dan webcam juga membuktikan bahwa YOLOv8 dapat diterapkan secara responsif pada sistem pemantauan kebakaran berbasis kamera.Jumlah dataset yang digunakan relatif terbatas, yaitu hanya 100 citra api, sehingga kemampuan generalisasi model dan nilai recall yang dihasilkan.Selain itu, variasi kondisi lingkungan pada dataset masih belum sepenuhnya merepresentasikan seluruh skenario kebakaran di dunia nyata, seperti kondisi asap tebal, pencahayaan ekstrem, atau sudut pandang kamera yang beragam.

Untuk penelitian lanjutan, disarankan menggunakan dataset yang lebih besar dan beragam, melakukan perbandingan kinerja dengan model deteksi objek lainnya seperti EfficientDet, serta mengoptimalkan teknik data augmentation dan penyesuaian parameter model. Selain itu, integrasi sistem dengan perangkat keras tambahan atau sistem peringatan dini dapat dipertimbangkan untuk meningkatkan efektivitas penerapan pada lingkungan nyata. Dengan demikian, penelitian ini dapat dikembangkan lebih lanjut untuk meningkatkan akurasi dan sensitivitas deteksi api secara real-time.

  1. A lightweight YOLOv8 algorithm for real-time flame detection in fire | Research Square. lightweight yolov8... doi.org/10.21203/rs.3.rs-4823368/v1A lightweight YOLOv8 algorithm for real time flame detection in fire Research Square lightweight yolov8 doi 10 21203 rs 3 rs 4823368 v1
Read online
File size1.3 MB
Pages5
DMCAReport

Related /

ads-block-test