Penelitian ini berfokus pada mengembangkan algoritma deteksi kebakaran menggunakan metode 3D CNN. Sistem pemadam kebakaran saat ini bergantung pada deteksi asap, tetapi kurang efektif untuk digunakan di luar ruangan. Oleh karena itu, penelitian ini bertujuan untuk mengatasi keterbatasan ini dengan memanfaatkan teknik pembelajaran mendalam. Dataset yang digunakan terdiri dari 124 video yang dibagi menjadi tiga kelas: video negatif tanpa kebakaran atau asap, video asap, dan video kebakaran. Arsitektur 3D CNN digunakan untuk mendeteksi kebakaran dalam video. Metode 3D CNN dirancang khusus untuk menganalisis fitur spasial-temporal dalam data video, sehingga cocok untuk deteksi kebakaran. Penelitian ini melakukan tiga percobaan dengan jumlah epoch yang berbeda: 15, 25, dan 50. Akurasi model yang dilatih dievaluasi untuk setiap percobaan. Hasilnya menunjukkan bahwa dengan meningkatkan nilai epoch, akurasi meningkat juga. Model pelatihan mencapai akurasi 92% setelah 15 epoch, akurasi 93% setelah 25 epoch, dan akurasi 100% setelah 50 epoch. Dengan menggunakan pendekatan 3D CNN, penelitian ini menunjukkan efektivitas pembelajaran mendalam dalam deteksi kebakaran. Temuan ini menyarankan bahwa peningkatan jumlah epoch dapat meningkatkan akurasi model, menunjukkan pentingnya periode pelatihan yang lebih lama. Sistem yang dikembangkan berpotensi secara signifikan meningkatkan kemampuan deteksi kebakaran, terutama di lingkungan luar ruangan di mana sistem deteksi asap tradisional mungkin kurang efektif.