Sistem Deteksi Api Menggunakan Pengolahan Citra Pada Webcam Dengan Metode Yolov3

Abstrak

Abstrak Api merupakan salah satu elemen yang ada di bumi dan sering digunakan oleh manusia dalam mendukung kegiatan sehari-harinya. Namun, dalam penggunaan api diperlukan perhatian untuk keamanannya agar tidak terjadi hal yang tidak diinginkan. Untuk mencegah hal tersebut dapat memanfaatkan perkembangan teknologi salah satunya memanfaatkan penggunaan sistem multimedia berupa citra yang dapat membantu manusia dalam mengontrol hal tertentu. Pada penelitian tugas akhir ini dibangun sistem deteksi api pada webcam menggunakan pengolahan citra. Adapun pada penelitian sebeumnya menggunakan metode color model dan motion model dengan persentasi akurasi rata-rata pendeteksian pada video api sejumlah 67.22% dan pada video non api bergerak sejumlah 68.20% dan pada non api tidak bergerak dengan warna api sejumlah 0%. Tujuan dari pembuatan alat ini adalah untuk mengurangi resiko dan mencegah bahaya dari ancaman kebakaran yang mungkin terjadi sehingga dapat ditangani lebih cepat. Pada peneilitian ini digunakan pengolahan citra dengan metode YOLOv3 yang akan dibandingkan dengan metode Haar Cascade Classifier untuk mendeteksi objek api dengan tingkat akurasi dan presisi pendeteksian lebih dari 80% dan dapat mengetahui letak koordinat titik (x, y) objek yang terdeteksi pada display. Kata Kunci: Api, Haar Cascade Classifier, OpenCV, Pengolahan Citra, Webcam, YOLOv3. Abstract Fire is one of the elements that exist on earth and is often used by humans to support their daily activities. However, in the use of fire, attention is needed for safety so that unwanted things do not happen. To prevent this, it can be done by utilizing technological developments, one of which is by using a multimedia system in the form of images that can help humans control certain things. In this final task research built a fire detection system on a webcam using image processing. The study used color model and motion model methods with an average accuracy percentage of detection on fire videos of 67.22% and in non-fire videos moving by 68.20% and in non-fire not moving with a fire color of 0%. The purpose of making this tool is to reduce the risk and prevent the danger from the threat of fire that may occur so that it can be handled more quickly. In this research, image processing using the YOLOv3 method is used which will be compared with the Haar Cascade Classifier method to detect fire objects with a detection accuracy and precision level of more than 80% and can