Publisher

POLBANPOLBAN

Journal Sigma-MuSigma-Mu Abstract

Perkembangan smart city menuntut sistem monitoring kerumunan yang mampu bekerja secara real-time, namun sistem berbasis cloud masih menghadapi kendala latensi dan kebutuhan bandwidth tinggi. Penelitian ini bertujuan mengembangkan sistem deteksi kerumunan berbasis edge computing untuk meningkatkan efisiensi dan responsivitas sistem. Metode yang digunakan adalah pendekatan kuantitatif dengan eksperimen untuk mengukur kinerja sistem berdasarkan parameter latency, frame rate (FPS), serta akurasi menggunakan precision, recall, dan mean Average Precision (mAP). Hasil penelitian menunjukkan bahwa sistem memiliki latency sebesar 40–60 ms per frame dan mampu mencapai 24 FPS, sehingga memenuhi kriteria real-time. Tingkat akurasi yang diperoleh sebesar 91,6% pada data real-time dan 95,8% pada data video. Meskipun demikian, sistem masih memiliki keterbatasan pada kondisi lingkungan yang kompleks seperti occlusion dan variasi pencahayaan. Secara keseluruhan, sistem yang dikembangkan efektif untuk mendukung monitoring cerdas pada lingkungan smart city.

Conclusion

Penelitian ini berhasil mengembangkan sistem deteksi kerumunan berbasis edge computing yang mampu bekerja secara real-time dengan kinerja yang efisien dan akurat.Hasil pengujian menunjukkan bahwa sistem memiliki latency rendah pada rentang 40–60 ms per frame dan mampu mencapai kecepatan pemrosesan sebesar 24 FPS, sehingga memenuhi kebutuhan monitoring real-time.Selain itu, tingkat akurasi yang diperoleh sebesar 91,6% pada data real-time dan 95,8% pada data video menunjukkan bahwa model yang digunakan cukup efektif dalam mendeteksi objek manusia.Implementasi pemrosesan pada perangkat edge terbukti mampu mengurangi ketergantungan terhadap cloud dan meningkatkan efisiensi sistem.Namun demikian, penelitian ini masih memiliki keterbatasan, terutama pada penurunan performa akurasi dalam kondisi lingkungan yang dinamis seperti pencahayaan yang tidak stabil, occlusion antar objek, serta keterbatasan kapasitas komputasi perangkat edge dalam menangani skenario kerumunan yang sangat padat.Oleh karena itu, pengembangan lebih lanjut diperlukan, khususnya pada optimalisasi model dan peningkatan robustnes sistem agar dapat bekerja lebih adaptif pada kondisi nyata yang lebih kompleks dalam implementasi smart city.

Future Research

Untuk penelitian lanjutan, dapat dilakukan pengembangan model deteksi kerumunan yang lebih robust dan mampu mengatasi tantangan lingkungan yang kompleks seperti occlusion dan variasi pencahayaan. Selain itu, perlu dilakukan optimasi model agar dapat berjalan dengan efisien pada perangkat edge dengan sumber daya terbatas. Penelitian juga dapat fokus pada integrasi sistem deteksi kerumunan dengan sistem pengambilan keputusan otomatis dalam ekosistem smart city, sehingga dapat meningkatkan efektivitas monitoring cerdas dan mendukung pengambilan keputusan yang lebih akurat dan cepat.

References

1. [1802.10062] CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes.... arxiv.org/abs/1802.100621802 10062 CSRNet Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes arxiv abs 1802 10062
2. Analysis of the use of object detection systems in edge computing | Journal of Computer Sciences Institute.... doi.org/10.35784/jcsi.7815Analysis of the use of object detection systems in edge computing Journal of Computer Sciences Institute doi 10 35784 jcsi 7815
3. Edge-Cloud Collaborative Video Analytics System for Crowd Gathering Detection in Metro Stations. edge... doi.org/10.26599/TST.2025.9010082Edge Cloud Collaborative Video Analytics System for Crowd Gathering Detection in Metro Stations edge doi 10 26599 TST 2025 9010082

Metadata

File size	794.32 KB
Pages	13
DMCA	Report