Analisis Ketepatan Model CNN dalam Deteksi Asap Berbasis Citra

Abstrak

Deteksi asap merupakan tahap kritis dalam sistem peringatan dini kebakaran, karena keberadaan asap biasanya muncul lebih dahulu sebelum api terlihat. Penelitian ini bertujuan untuk menganalisis ketepatan model Convolutional Neural Network (CNN) dalam mengklasifikasikan citra asap dan non-asap menggunakan Smoke Detection Dataset. Proses penelitian meliputi praproses citra, pelatihan model CNN, serta evaluasi performa menggunakan metrik akurasi, precision, recall, F1-score, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa model CNN mencapai akurasi sebesar 0.994, precision 0.69, recall 0.78, dan F1-score 0.73, sementara nilai AUC sebesar 0.992 menegaskan kemampuan diskriminatif model yang sangat tinggi. Confusion matrix mengungkapkan bahwa model efektif dalam mengidentifikasi citra non-asap maupun asap, meski masih terdapat kesalahan pada citra dengan intensitas asap rendah dan kondisi visual menyerupai asap. Secara keseluruhan, CNN terbukti menjadi metode yang andal dan efisien untuk deteksi asap berbasis citra, serta berpotensi dikembangkan lebih lanjut untuk aplikasi sistem deteksi kebakaran berbasis visi komputer.