Salah satu permasalahan pada lahan basah adalah kebakaran. Selain kerugian materi, kebakaran lahan juga menyebabkan terjadinya degradasi vegetasi yang berdampak terhadap keanekaragaman hayati dan efek secara tidak langsung seperti kabut asap. Deteksi kebakaran saat ini adalah dengan penggunaan Wireless Sensor Networks (WSN), tetapi untuk penggunaannya memiliki kekurangan yaitu kemungkinan terjadinya alarm palsu, keterbatasan ruang, dan konsumsi daya tinggi jika menggunakan banyak sensor dan tambahan kamera. Berdasarkan kekurangan dari WSN, beberapa penelitian mengusulkan untuk penggunaan Computer Vision. Hal ini dikarenakan penggunaan computer vision memiliki kelebihan dalam hal verifikasi secara langsung dan hanya memerlukan perangkat kamera. Salah satu teknik computer vision adalah deteksi objek, di mana api dan asap merupakan suatu objek yang ada pada suatu gambar. Perkembangan deteksi objek saat ini yang memiliki performa akurasi yang baik adalah YOLOv4. Oleh karena itu YOLOv4 akan digunakan untuk deteksi dan klasifikasi pada kebakaran lahan basah dengan input gambar dan video. Pelatihan model YOLOv4 menggunakan metode transfer learning menghasilkan performa mAP 92.39 pada arsitektur CSPDarknet53-PAN-SPP dan hasil eksperimen pada CSPResnet50-PAN-SPP (Full Mish Aktivasi) menghasilkan Mean Average Precision (mAP) 92.13. Pada pengujian terhadap gambar dan video, CSPResnet50-PAN-SPP memiliki hasil akurasi yang lebih tinggi yaitu sebesar 94% pada gambar dan 90% pada video. Adapun Kecepatan rata-rata YOLOv4 model CSPResnet50-PAN-SPP mencapai nilai rata-rata 275.63 milliseconds pada gambar dan 14.7 Frame per Second (FPS) pada video. Sehingga YOLOv4 model CSPResnet50-PAN-SPP lebih baik untuk dijadikan sebagai prototype deteksi dan klasifikasi kebakaran pada lahan basah.