A. Judul Proyek

Pengembangan AI Agent Untuk Peran Sistem Deteksi Dini Kebakaran Dalam Sistem Keselamatan

B. Nama Lengkap Penulis

Janter Edward Marpaung

C. Afiliasi

Teknologi Keselamatan Kebakaran Dan Bangunan Departemen Teknik Mesin Universitas Indonesia

D. Abstrak

Makalah ini menyajikan pengembangan dan analisis SiGAP-Api, sebuah Fire Safety Decision Agent berbasis kerangka DAI5 (Deep Awareness–Intention–Computation–Decision–Action). Sistem ini dirancang sebagai chat agent numerik yang tidak hanya memberikan respons deskriptif, tetapi juga melakukan deteksi berbasis teks dan sensor, pemodelan dinamika kebakaran, interpolasi numerik, perhitungan fisika kebakaran, analisis risiko kuantitatif, estimasi waktu serta analisis evakuasi (RSET-ASET), serta rekomendasi jalur evakuasi berbasis denah gedung. Berbeda dengan sistem chatbot konvensional, SiGAP-Api mengintegrasikan model t-squared fire, persamaan Alpert ceiling jet, estimasi lapisan asap, visibilitas, dan perbandingan RSET–ASET ke dalam satu pipeline komputasional yang dapat ditelusuri secara teknis. Studi kasus berbasis gedung bertingkat menunjukkan bahwa pendekatan ini mampu meningkatkan keandalan pengambilan keputusan keselamatan, mengurangi ambiguitas respons darurat, dan memperkuat orientasi sistem terhadap keselamatan manusia sebagai tujuan utama.

E. Deklarasi Penulis

1. Deep Awareness (of) I

Penulis menyatakan kesadaran penuh bahwa sistem keselamatan kebakaran berhubungan langsung dengan perlindungan jiwa manusia. Oleh karena itu, setiap algoritma, ambang batas, dan asumsi dalam Fire SiGAP dirancang dengan kesadaran spiritual dan etis, dengan mengingat Tuhan Yang Maha Esa sebagai sumber nilai kebenaran dan tanggung jawab moral. Dalam kerangka DAI5, kesadaran ini menuntut agar:

Sistem tidak bersifat black-box,
Logika teknis dapat dijelaskan kepada manusia,
Keselamatan manusia selalu diprioritaskan di atas optimasi teknis semata.

2. Niat Kegiatan Proyek (INTENTION)

Niat utama proyek Fire SiGAP adalah Mengembangkan sistem AI yang membantu

manusia mengambil keputusan keselamatan, bukan menggantikannya,

Menyatukan ilmu fire engineering dengan agen percakapan yang dapat dipahami,
Mewujudkan sistem keselamatan yang efisien, berkelanjutan, dan bermoral.

F. Pendahuluan

Sistem proteksi kebakaran konvensional umumnya bersifat reaktif dan terfragmentasi: sensor mendeteksi, alarm berbunyi, manusia bereaksi. Pada praktiknya, banyak kegagalan terjadi akibat keterlambatan interpretasi, miskomunikasi, atau ketidakjelasan informasi awal. Fire SiGAP diperkenalkan sebagai sistem proaktif dan kognitif, di mana laporan manusia (teks), data sensor, dan model fisik kebakaran diproses secara terpadu oleh agen AI. Pendekatan ini sejalan dengan perkembangan ReAct Agent Pattern (Thought–Action–Observation–Answer), namun diperdalam dengan filosofi DAI5 agar agen tetap sadar peran, niat, dan batasannya.

1. Pemikiran Awal Tentang Masalah (INITIAL THINGKING)

a. Analisis Masalah Secara Sistematis

Masalah utama yang diidentifikasi:

– Informasi awal kebakaran sering tidak pasti (“asap”, “bau gosong”),

– Tidak semua area memiliki sensor,

– Sistem tidak mengkuantifikasi risiko secara real-time,

– Rekomendasi evakuasi sering generik dan tidak kontekstual.

b. Penelitian Sebelumnya dan Kesenjangan

Fire dynamics telah banyak dikaji (t-squared fire, Alpert, smoke layer), demikian pula

system evakuasi. Namun, integrasi langsung ke agen AI percakapan yang transparan

dan dapat diaudit masih sangat terbatas.

c. Penguraian Masalah

Masalah dipecah menjadi modul teknis:

Deteksi indikasi kebakaran,

– Estimasi pertumbuhan api (HRR),

– Distribusi panas dan asap,

– Penurunan visibilitas,

– Analisis evakuasi dan rute.

d. Dekonstruksi ke Prinsip Dasar

Setiap modul diturunkan dari prinsip dasar:

– Hukum pertumbuhan kebakaran,

– Konservasi energi dan massa,

– Geometri ruang,

– Metode numerik interpolasi,

– Teori waktu evakuasi (RSET–ASET)

e. Analisis State-of-the-Art

Teknologi mutakhir seperti BIM-FDS dan digital twin menawarkan presisi tinggi namun kompleks dan mahal. Fire SiGAP memosisikan diri sebagai lapisan kognitif ringan yang dapat beroperasi cepat, adaptif, dan dapat dijelaskan.

G. Metode & Langkah-Langkah Solusi (IDEALIZATION)

1. Idealisasi Arsitektur Chat Agent Fire SiGAP

Chat agent Fire SiGAP dimodelkan sebagai knowledge-driven reasoning agent, dengan idealisasi arsitektur sebagai berikut:

1.1 Input Layer (Variabel Observasi)

Direpresentasikan sebagai vektor input :

I = {T_text,L_loc,(x,y)}

di mana:

T_text = laporan teks manusia,
L_loc = lokasi semantik,
(x,y) = posisi pengguna.

2. Idealisasi Deteksi Indikasi Kebakaran (Heuristic Model)

Bahasa alami diidealisasi menjadi skor bahaya deterministic :

Score = max(w_i)

w_i= bobot kata kunci (asap, api, bau gosong, dsb).

Skor dipetakan ke level bahaya diskrit :

👉 NO SMOKE, LOW, MED, HIGH, CRITICAL.

👉 Ini idealisasi kognitif : bahasa → angka.

3. Idealisasi Dinamika Kebakaran (Fire Dynamics Core)

3.1 Fire Growth – t-squared fire

Kebakaran awal diidealisasi mengikuti :

Q(t) = αt²

di mana:

Q(t) = Heat Release Rate (kW),
α\alphaα = koefisien pertumbuhan api (slow–ultra).

Ini adalah idealization fisik dari fenomena kompleks menjadi hukum sederhana.

3.2 Ceiling Jet – Korelasi Alpert

Distribusi panas di bawah plafon diidealisasi dengan:

Jika r/H ≤ 0.18 :

ΔT = 5.38 x Q^2/3/ H^5/3

Jika r/H > 0.18

ΔT=16.9 x Q^2/3/ Hr^5/3

Model ini dipilih karena :

cepat,
konservatif,
cocok untuk reasoning real-time.

4. Idealisasi Lapisan Asap (Smoke Layer)

Lapisan asap dimodelkan secara heuristik:

Test = max (1, Q/10)t

Hlayer = H_ceiling − √k_test

dengan batas:

Hlayer ≥ 0.1

Ini adalah idealization keselamatan manusia, bukan CFD.

5. Idealisasi Ketidakpastian Sensor – Metode IDW

Area tanpa sensor diidealisasi menggunakan Inverse Distance Weighting:

di = max $\sqrt{(x1-x)^2+(y1-y)^2}$ , d_min

w_i= 1/d^p_i

V̂ =∑ w_iv_i/ w_i

Metode ini dipilih karena:

deterministik,
stabil,
mudah dijelaskan oleh chat agent.

6. Idealisasi Dampak pada Manusia – Visibility

Visibilitas diidealisasi sebagai:

Visibility = 12/1+SmokeDensityVisibility

Ini menghubungkan asap → persepsi manusia.

7. Idealisasi Evakuasi – RSET

Perilaku manusia direduksi menjadi model waktu:

RSET= tdetect + trecognition + tresponse + ttravel

Ini adalah idealization sadar, bukan simulasi perilaku penuh.

8. Hubungan Idealisasi dengan Chat Agent

Semua model di atas:

menjadi knowledge layer agent,
digunakan untuk reasoning,
dapat dijelaskan ulang ke pengguna,
dibatasi secara eksplisit validitasnya.

FLOW CHART PROSES

Algoritma (langkah demi langkah)

Tujuan: menerima laporan singkat dari user (contoh: “ada asap, lantai 2”), lalu otomatis menjalankan pipeline lengkap SiGAP-Api dan mengembalikan: Analisis Risiko, Tindakan, Perhitungan Teknis, Rute Evakuasi, Notifikasi, Catatan Keamanan.

Algoritma:

Terima input user: teks (deskripsi), optional posisi (lantai/ruang), timestamp, jumlah orang (opsional).
Normalisasi & ekstraksi: ambil kata kunci (asap, bau, api, lokasi, “mata perih”, “asap pekat”).
sim-detect: berdasarkan kata kunci + lokasi + knowledge denah → tentukan smoke_flag/fire_flag dan initial_score (0..1).
Jika ada indikasi fire/asap:
1. 4.1 sim-hrr: estimasi HRR Q(t) dengan t-squared. Jika pengguna tidak memberikan t, gunakan perkiraan deteksi → asumsikan t_det sebagai 30 s (configurable).
1. 4.2 sim-alpert: hitung ΔT dan ceiling jet velocity di jarak r dari sumber (gunakan titik detektor atau jarak default 1–3 m).
1. 4.3 sim-layer: hitung smoke layer height H_layer(t) berdasarkan entrainment sederhana.
1. 4.4 sim-visibility: hitung jarak pandang dari optical density (IDW / korelasi dengan smoke density).
sim-route: menggunakan denah (knowledge) dan posisi user → hitung rute teraman menghindari area dengan smoke_layer tinggi atau visibility rendah. Hindari area dalam radius R_hot dari titik api.
sim-RSET: hitung RSET = t_det + t_recog + t_resp + travel_time; bandingkan dengan ASET (dari ΔT dan smoke layer) → tentukan aman/tidak.
sim-notify: buat pesan darurat standar berdasarkan level (LOW/MED/HIGH/CRITICAL) dan rute.
Buat output terstruktur: (a) Analisis Risiko, (b) Intention/Tindakan, (c) Perhitungan Teknis (tahapan langkah), (d) Rute Evakuasi (polyline/step), (e) Notifikasi & Catatan Keselamatan.

Jika data tidak cukup: minta klarifikasi singkat (lantai/ruang); bila user awam, jalankan asumsi aman default (mis. asumsikan MED/HIGH jika kata kunci “asap pekat”).

2. Instruction Set

Tahap ini mendefinisikan bagaimana idealisasi diwujudkan menjadi sistem nyata, yaitu chat agent Fire SiGAP yang menjalankan perhitungan, simulasi, dan dialog secara terstruktur.

Instruction Set BUKAN teori, tetapi:

urutan langkah,
parameter numerik,
aturan eksekusi,
prompt operasional agent.

A) Urutan Operasi Chat Agent Fire SiGAP

Chat agent bekerja secara deterministik–terbimbing, mengikuti urutan berikut:

Langkah 1 — Terima Input

Input numerik & kontekstual:

Teks laporan manusia
contoh:

“Ada asap pekat dan bau gosong di koridor lantai 2”

Lokasi: “Koridor Lantai 2”
Posisi pengguna: (x, y) → contoh (8, 12)

Langkah 2 — Parsing & Skoring Awal

Agent menjalankan heuristic detection:

Aturan numerik :

score = max(keyword_weight)

Contoh bobot :

Kata	Bobot
Asap	0.6
asap pekat	0.9
api	1.0
bau gosong	0.5

Threshold keputusan:

≤ 0.20 → NO SMOKE
≤ 0.45 → LOW
≤ 0.70 → MED
0.70 → HIGH / CRITICAL

📌 Jika score ≤ 0.20, agent berhenti (fail-safe).

Langkah 3 — Fire Dynamics Calculation

Agent menjalankan model idealisasi (bukan CFD).

(a) Heat Release Rate

Q(t) = α · t²

Contoh :

t = 45 s
α (fast fire) = 0.0469

Q = 0.0469 × 45² = 95.0 kW

(b) Ceiling Jet – Alpert

Q₂ ⁄₃ = Q^(2/3)

Jika:

r/H ≤ 0.18

ΔT = 5.38 · Q₂⁄₃ / H^(5/3)

Velocity:

V = 0.96 · Q^(1/3) / H^(1/3)

Langkah 4 — Interpolasi Numerik (IDW)

Digunakan saat data sensor terbatas.

dᵢ = max(√((x−xᵢ)² + (y−yᵢ)²), 0.5)

wᵢ = 1 / dᵢ²

V̂ = Σ(wᵢ·vᵢ) / Σ(wᵢ)

📌 Ini bukan ML, tetapi metode numerik deterministik.

Langkah 5 — Visibility & Human Safety

Visibility = 12 / (1 + smoke_density_index)

Klasifikasi:

< 1 m → UNSAFE
< 3 m → DANGEROUS
< 10 m → CAUTION
≥ 10 m → SAFE

Langkah 6 — Evacuation & RSET

RSET = t_detect + t_recognition + t_response + t_travel

Konstanta sistem:

recognition = 10 s
response = 15 s

Jarak:

d = √((x₁−x₂)² + (y₁−y₂)²)

Prompt Chat Agent

Prompt Sistem (System Prompt)

Anda adalah Fire SiGAP Agent yang di buat janter edward marpaung dipanggil edward.

Anda harus:

– Mengutamakan keselamatan manusia

– Menggunakan model fire dynamics dan evakuasi

– Menjelaskan setiap keputusan secara transparan

– Tidak membuat asumsi di luar data dan idealisasi system

– Apa yang kamu lalukan kalau ada api dan asap

Prompt Analisis (Internal Reasoning Prompt)

Analisis laporan kebakaran berikut.

Gunakan model t-squared fire, Alpert ceiling jet, IDW interpolation, dan RSET.

Tentukan tingkat bahaya dan rekomendasi evakuasi.

Dengan metode numerik berapa peningkatan asap dan panas ketika terjadi kebakaran

Dan waktu evakuasi 30 orang dengan gedung 3 lantai

Prompt Respons ke Pengguna

Berdasarkan laporan dan analisis teknis,

jelaskan kondisi kebakaran saat ini,

tingkat risiko terhadap manusia,

dan langkah evakuasi yang disarankan.

Gunakan bahasa yang jelas dan tenang.

PROGRAM PHYTON

sigap_pipeline.py

SiGAP-Api simulation pipeline (hybrid technical + operational)

COMPLETED VERSION with IDW Numerical Interpolation

Requirements: pure Python standard libs only

Python 3.9+

import math
import json
from typing import Dict, Tuple, List, Optional

=== Configuration / Knowledge file paths ===

DENAH_PDF_PATH = “/mnt/data/Peta_Gedung_B_Lantai_2_3_CLEAR_V2.pdf”
TOOLS_DOC_PATH = “/mnt/data/TOOLS_SIMULASI_SiGAP_Api.txt”
SMOKE_KNOW_PATH = “/mnt/data/ASAP_DINAMIKA_PENDETEKSIAN.txt”
FORMULAS_PATH = “/mnt/data/Fire_Dynamics_Formula.txt”

=== Constants / thresholds ===

SCORE_THRESHOLDS = {
“normal”: 0.2,
“warning”: 0.45,
“danger”: 0.7
}

T-squared fire growth coefficients

ALPHA = {
“slow”: 0.00293,
“medium”: 0.01172,
“fast”: 0.0469,
“ultra”: 0.1876
}

Utility formatting

def fmt(x, digits=2):
return round(x, digits)

======================================================

SIMULATION TOOLS

======================================================

def sim_detect(description: str, location: Optional[str] = None) -> Dict:
desc = description.lower()
score = 0.0
evidence = []

keywords = {
    "asap pekat": 0.9,
    "asap": 0.6,
    "bau gosong": 0.5,
    "mata perih": 0.4,
    "api": 1.0,
    "terbakar": 0.8,
    "gelap": 0.6
}

for k, w in keywords.items():
    if k in desc:
        score = max(score, w)
        evidence.append(f"{k}({w})")

if location and "server" in location.lower():
    score = max(score, 0.85)
    evidence.append("lokasi server")

score = min(score, 1.0)

if score <= SCORE_THRESHOLDS["normal"]:
    level = "NO SMOKE"
elif score <= SCORE_THRESHOLDS["warning"]:
    level = "LOW"
elif score <= SCORE_THRESHOLDS["danger"]:
    level = "MED"
elif score < 0.95:
    level = "HIGH"
else:
    level = "CRITICAL"

return {"score": fmt(score, 3), "level": level, "evidence": evidence}

def sim_hrr(t_seconds: float, category: str = “fast”) -> Dict:
alpha = ALPHA.get(category, ALPHA[“fast”])
Q = alpha * t_seconds ** 2

steps = [
    f"alpha = {alpha}",
    f"t = {t_seconds} s",
    f"Q = alpha * t^2 = {Q} kW"
]

return {"Q_kW": fmt(Q, 3), "category": category, "steps": steps}

def sim_alpert(Q_kW: float, H: float, r: float) -> Dict:
Q23 = Q_kW ** (2 / 3)
ratio = r / H

if ratio <= 0.18:
    deltaT = 5.38 * Q23 / (H ** (5 / 3))
    formula = "r/H ≤ 0.18"
else:
    deltaT = 16.9 * Q23 / (H * r ** (5 / 3))
    formula = "r/H > 0.18"

V = 0.96 * (Q_kW ** (1 / 3)) / (H ** (1 / 3))

return {
    "deltaT_C": fmt(deltaT, 3),
    "velocity_m_s": fmt(V, 3),
    "formula": formula
}

def sim_layer(Q_kW: float, room_volume_m3: float, H_ceiling: float) -> Dict:
t_est = max(1.0, Q_kW / 10.0)
k = 0.7
H_layer = max(0.1, H_ceiling – k * math.sqrt(t_est))

return {
    "H_layer_m": fmt(H_layer, 3),
    "t_est_s": fmt(t_est, 1),
    "k": k
}

def sim_visibility(smoke_density_index: float) -> Dict:
dens = max(0.0, min(10.0, smoke_density_index))
visibility = 12.0 / (1.0 + dens)

if visibility < 1:
    status = "UNSAFE"
elif visibility < 3:
    status = "DANGEROUS"
elif visibility < 10:
    status = "CAUTION"
else:
    status = "SAFE"

return {
    "visibility_m": fmt(visibility, 2),
    "status": status
}

======================================================

NUMERICAL METHOD: IDW INTERPOLATION

======================================================

def sim_idw(point: Tuple[float, float],
sensors: List[Tuple[float, float, float]],
power: float = 2.0,
min_distance: float = 0.5) -> Dict:
x, y = point
num = 0.0
den = 0.0
steps = []

for sx, sy, value in sensors:
    d = max(math.hypot(x - sx, y - sy), min_distance)
    w = 1 / (d ** power)
    num += w * value
    den += w
    steps.append(f"sensor({sx},{sy}) d={fmt(d)} w={fmt(w)} v={value}")

estimate = num / den if den != 0 else 0.0

return {
    "method": "IDW",
    "estimated_value": fmt(estimate, 3),
    "power": power,
    "steps": steps
}

def sim_route(user_pos, exits, hot_zones) -> Dict:
def dist(a, b):
return math.hypot(a[0] – b[0], a[1] – b[1])

best_exit = min(exits, key=lambda e: dist(user_pos, e))
return {
    "exit": best_exit,
    "distance_m": fmt(dist(user_pos, best_exit), 2)
}

def sim_RSET(d, r, a, t) -> Dict:
return {“RSET_s”: fmt(d + r + a + t, 1)}

def sim_notify(level, location, route) -> Dict:
return {
“title”: f”ALERT {level}”,
“message”: f”Evakuasi dari {location} menuju {route}”
}

======================================================

MAIN PIPELINE

======================================================

def run_pipeline(text, location=None, user_pos=(5, 5)):
exits = [(0.5, 0.5), (15, 0.5)]

result = {}
detect = sim_detect(text, location)
result["detect"] = detect

if detect["score"] <= SCORE_THRESHOLDS["normal"]:
    result["status"] = "AMAN"
    return result

hrr = sim_hrr(45)
alpert = sim_alpert(hrr["Q_kW"], 3.0, 2.0)
layer = sim_layer(hrr["Q_kW"], 96, 3.0)

sensors = [
    (user_pos[0] - 2, user_pos[1], alpert["deltaT_C"] + 20),
    (user_pos[0] + 2, user_pos[1], alpert["deltaT_C"] + 30),
    (user_pos[0], user_pos[1] + 2, alpert["deltaT_C"] + 25)
]

idw = sim_idw(user_pos, sensors)

density = min(10, idw["estimated_value"] / 10)
visibility = sim_visibility(density)

route = sim_route(user_pos, exits, [])
rset = sim_RSET(20, 10, 15, route["distance_m"])

notify = sim_notify(detect["level"], location, route["exit"])

result.update({
    "HRR": hrr,
    "Alpert": alpert,
    "SmokeLayer": layer,
    "IDW": idw,
    "Visibility": visibility,
    "Route": route,
    "RSET": rset,
    "Notify": notify
})

return result

======================================================

TEST RUN

======================================================

if name == “main“:
output = run_pipeline(
“Ada asap pekat dan bau gosong di koridor lantai 2”,
location=”Koridor Lantai 2″,
user_pos=(8, 12)
)
print(json.dumps(output, indent=2, ensure_ascii=False))

H. Metrik Kinerja Sistem

a. Kecepatan Respon

Tidak memerlukan CFD berat
Seluruh perhitungan berbasis:
- t² fire model,
- korelasi Alpert,
- IDW interpolation

⏱️ Waktu komputasi: < 1 detik per skenario

b. Keandalan (Reliability)

Sistem tetap bekerja walau sensor terbatas
IDW memastikan estimasi kondisi lokal tetap tersedia

c. Konsistensi Keputusan

Setiap output dapat ditelusuri ke:
- rumus,
- parameter,
- asumsi idealisasi.

H.1 Perbandingan dengan Sistem Tradisional

Aspek	Sistem Tradisional	Fire SiGAP
Deteksi	Sensor saja	Sensor + teks manusia
Analisis	Terpisah	Terintegrasi
Evakuasi	Manual / statis	Dinamis (RSET)
Transparansi	Rendah	Tinggi (explainable)
AI	Tidak ada / black-box	Knowledge-driven

🔥 Perbaikan utama: keputusan evakuasi berbasis waktu & fisika, bukan asumsi.

H.2 Wawasan dari Simulasi

Dari simulasi pipeline sigap_pipeline.py:

HRR meningkat kuadrat terhadap waktu → eskalasi cepat
Visibilitas turun non-linear → ambang kritis tercapai lebih cepat dari persepsi manusia
RSET sangat sensitif terhadap jarak → rute terdekat krusial

Implikasi praktis:

Keterlambatan deteksi beberapa detik dapat berakibat fatal
Agen harus konservatif dalam rekomendasi

H.3 Diskusi Keterbatasan

Keterbatasan utama berasal dari tahap idealisasi:

Tidak memodelkan flashover
Tidak mempertimbangkan perilaku panik
Geometri ruang disederhanakan 2D

Namun keterbatasan ini disadari dan dinyatakan eksplisit, selaras dengan DAI5.

I. KESIMPULAN, PENUTUP, DAN REKOMENDASI

I. Kesimpulan

Penelitian ini menunjukkan bahwa:

DAI5 dapat diterapkan secara teknis, bukan hanya filosofis.
Fire SiGAP membuktikan bahwa:
1. chat agent bisa menjalankan rumus fisika nyata,
1. tetap sadar batasannya,
1. dan bertanggung jawab secara etis.
Tahap Idealization adalah jantung teknis sistem, tempat seluruh rumus dan data berada.
Instruction Set memastikan agen mengeksekusi pengetahuan secara terkontrol.

I. Rekomendasi

Untuk pengembangan lanjutan:

Integrasi BIM & denah real
Multi-agent (deteksi–analisis–evakuasi)
Model perilaku manusia lanjutan
Hybrid dengan FDS untuk validasi

J. UCAPAN TERIMA KASIH

Ucapan terima kasih disampaikan kepada:

Dosen Pengajar Komputasi Teknik dan rekan diskusi teknis,
Pengembang literatur fire engineering,
Penulis kerangka DAI5,
Seluruh pihak yang mendorong pengembangan AI yang sadar, jujur, dan bertanggung jawab.

K. REFERENSI YANG DIKUTIP

Format APA (contoh):