Publisher

UBTUBT

Journal Jurnal Borneo Informatika dan Teknik KomputerJurnal Borneo Informatika dan Teknik Komputer Abstract

Penelitian ini dilatarbelakangi oleh meningkatnya potensi tindak kriminal yang melibatkan penggunaan senjata tajam serta keterbatasan sistem pengawasan manual dalam mendeteksi ancaman secara cepat dan akurat. Kondisi ini menunjukkan perlunya sistem otomatis berbasis deep learning yang mampu melakukan deteksi objek secara real-time. Penelitian ini bertujuan untuk mengembangkan sistem deteksi senjata tajam menggunakan algoritma YOLOv8n dengan fokus pada tiga jenis objek, yaitu pisau, sabit, dan parang. Dataset yang digunakan terdiri dari 1.200 citra (600 citra primer dan 600 citra sekunder) yang diproses melalui tahap anotasi dan augmentasi (saturasi, kecerahan, dan resize) sehingga menghasilkan 2.640 citra. Dataset kemudian dibagi menjadi 2.160 data latih, 240 data validasi, dan 240 data uji. Model dilatih selama 100 epoch menggunakan data latih. Hasil pelatihan menunjukkan nilai precision sebesar 0,865 dan recall sebesar 0,815. Evaluasi pada data uji menghasilkan precision 0,837, recall 0,819, dan F1-score 0,827, dengan performa terbaik pada kelas sabit dengan F1-score sebesar 0,924. Pengujian real-time pada jarak 1–4 meter menunjukkan sistem mampu mendeteksi objek secara responsif dengan rata-rata F1-score 0,790.

Conclusion

Penelitian ini berhasil merancang dan mengimplementasikan sistem deteksi senjata tajam berbasis YOLOv8n menggunakan 2.640 citra dan pelatihan selama 100 epoch, serta diintegrasikan dengan antarmuka GUI berbasis PyQt5 untuk pemantauan real-time.Berdasarkan hasil pengujian, model mampu mendeteksi objek senjata tajam dengan rata-rata precision sebesar 0,824, recall sebesar 0,760, dan F1-score sebesar 0,790 pada skenario real-time.Sistem yang dikembangkan tidak hanya mampu mendeteksi keberadaan senjata tajam, tetapi juga dilengkapi dengan mekanisme peringatan dini berupa notifikasi alarm yang aktif secara otomatis ketika objek teridentifikasi.Berdasarkan hasil penelitian, menunjukkan bahwa model YOLOv8n memiliki potensi yang baik untuk implementasi deteksi senjata tajam secara real-time.

Future Research

Berdasarkan latar belakang penelitian yang menyoroti keterbatasan sistem pengawasan konvensional dan pentingnya deteksi dini ancaman, serta hasil penelitian yang menunjukkan potensi YOLOv8n dalam mendeteksi senjata tajam secara real-time, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, perlu dilakukan penelitian lebih lanjut untuk menguji kemampuan model dalam berbagai kondisi pencahayaan dan cuaca ekstrem, seperti hujan atau kabut, guna memastikan keandalan sistem dalam berbagai situasi operasional. Kedua, pengembangan sistem dapat diperluas dengan mengintegrasikan teknologi pelacakan objek (object tracking) untuk memantau pergerakan senjata tajam dan mengidentifikasi potensi ancaman secara lebih akurat. Ketiga, penelitian dapat difokuskan pada pengembangan model yang mampu mendeteksi berbagai jenis senjata tajam lainnya, seperti pisau lipat atau bom molotov, untuk meningkatkan cakupan deteksi dan memberikan perlindungan yang lebih komprehensif. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan sistem deteksi senjata tajam yang lebih adaptif, akurat, dan mampu memberikan kontribusi signifikan dalam meningkatkan keamanan publik.

References

1. ANALISIS PENGGUNAAN MODEL YOLOV8 (YOU ONLY LOOK ONCE) TERHADAP DETEKSI CITRA SENJATA BERBAHAYA | JATI... ejournal.itn.ac.id/index.php/jati/article/view/8271ANALISIS PENGGUNAAN MODEL YOLOV8 YOU ONLY LOOK ONCE TERHADAP DETEKSI CITRA SENJATA BERBAHAYA JATI ejournal itn ac index php jati article view 8271
2. Prototipe Sederhana Sistem Deteksi Kriminal Berbasis Internet Of Things Menggunakan Teknologi YOLOv5... doi.org/10.34010/komputika.v13i1.12217Prototipe Sederhana Sistem Deteksi Kriminal Berbasis Internet Of Things Menggunakan Teknologi YOLOv5 doi 10 34010 komputika v13i1 12217
3. Perancangan Sistem Login pada Aplikasi Berbasis GUI Menggunakan Qtdesigner Python | Budi | Jurnal SIMADA... jurnal.darmajaya.ac.id/index.php/SIMADA/article/view/2961Perancangan Sistem Login pada Aplikasi Berbasis GUI Menggunakan Qtdesigner Python Budi Jurnal SIMADA jurnal darmajaya ac index php SIMADA article view 2961
4. Object Tracking Menggunakan Algoritma You Only Look Once (YOLO)v8 untuk Menghitung Kendaraan | Komputa... ojs.unikom.ac.id/index.php/komputa/article/view/10654Object Tracking Menggunakan Algoritma You Only Look Once YOLO v8 untuk Menghitung Kendaraan Komputa ojs unikom ac index php komputa article view 10654

Metadata

File size	949.11 KB
Pages	13
DMCA	Report