Publisher

UNBINUNBIN

Journal Jurnal SAINTEKOM (Sains dan Teknologi Komputasi)Jurnal SAINTEKOM (Sains dan Teknologi Komputasi) Abstract

Kekerasan fisik di lingkungan masyarakat merupakan permasalahan serius yang memerlukan upaya pengawasan serta penanganan yang cepat dan akurat. Selama ini, pengawasan konvensional melalui observasi manual dinilai kurang efektif karena keterbatasan manusia dalam memantau seluruh area secara berkelanjutan. Penelitian ini bertujuan mengembangkan sistem deteksi kekerasan fisik berbasis Convolutional Neural Network (CNN) yang dikombinasikan dengan Long Short-Term Memory (LSTM) untuk mengenali adanya tindakan kekerasan fisik di masyarakat. Model menggunakan arsitektur ResNet101 sebagai ekstraktor fitur spasial, sedangkan LSTM digunakan untuk menangkap pola temporal dari jendela berukuran 16 frame. Hasil pengujian menunjukkan bahwa model yang dikembangkan memperoleh akurasi 87%, presisi 89.4%, recall 84%, dan F1-score 86.6%, berdasarkan hasil perhitungan confusion matrix dengan TP=42, TN=45, FP=5, dan FN=8. Sistem prototipe dilengkapi dengan modul dokumentasi otomatis berupa penyimpanan frame beserta timestamp, yang berfungsi sebagai bukti pendukung. Penelitian ini berkontribusi pada pengembangan teknologi computer vision dalam bidang keamanan dengan memberikan pendekatan berbasis analisis spasial-temporal yang efektif. Diharapkan sistem ini dapat membantu masyarakat maupun instansi terkait dalam meningkatkan pengawasan serta mendukung proses verifikasi tindak kekerasan di berbagai lingkungan.

Conclusion

Penelitian ini berhasil mengembangkan sistem deteksi kekerasan fisik berbasis CNN-LSTM yang efektif.Model yang dikembangkan menunjukkan performa yang baik dengan akurasi 87%, presisi 89.Sistem ini dilengkapi dengan fitur dokumentasi otomatis yang dapat menjadi bukti pendukung dalam proses verifikasi insiden kekerasan.

Future Research

Penelitian lanjutan dapat difokuskan pada peningkatan akurasi deteksi dengan memanfaatkan dataset yang lebih besar dan beragam, termasuk variasi kondisi pencahayaan dan sudut pandang kamera. Selain itu, eksplorasi penggunaan teknik transfer learning dari model yang telah dilatih sebelumnya pada dataset video yang relevan dapat mempercepat proses pelatihan dan meningkatkan performa model. Pengembangan sistem deteksi yang mampu membedakan jenis-jenis kekerasan fisik secara lebih spesifik, seperti kekerasan verbal atau kekerasan psikologis, juga merupakan arah penelitian yang menjanjikan. Integrasi sistem ini dengan platform peringatan dini dan sistem respons cepat dapat membantu mengurangi dampak negatif dari tindakan kekerasan di masyarakat, serta meningkatkan keamanan dan ketertiban umum. Dengan mempertimbangkan aspek etika dan privasi, penelitian lebih lanjut dapat mengeksplorasi penggunaan sistem ini dalam konteks pengawasan publik yang bertanggung jawab dan transparan.

References

1. Violence Detection Using Spatiotemporal Features with 3D Convolutional Neural Network. violence detection... doi.org/10.3390/s19112472Violence Detection Using Spatiotemporal Features with 3D Convolutional Neural Network violence detection doi 10 3390 s19112472
2. 0. pdf obj endobj eaa endstream 3r 35w w3t04 30pisp t0p r0t hx gvvk x5 3z po x6 bg 2el1n 9c x1 doi.org/10.22214/ijraset.2023.521820 pdf obj endobj eaa endstream 3r 35w w3t04 30pisp t0p r0t hx gvvk x5 3z po x6 bg 2el1n 9c x1 doi 10 22214 ijraset 2023 52182
3. Low-Cost CNN for Automatic Violence Recognition on Embedded System | IEEE Journals & Magazine | IEEE... doi.org/10.1109/ACCESS.2022.3155123Low Cost CNN for Automatic Violence Recognition on Embedded System IEEE Journals Magazine IEEE doi 10 1109 ACCESS 2022 3155123
4. Comparison of Convolutional Neural Network and Artificial Neural Network for Rice Detection | Sinkron... jurnal.polgan.ac.id/index.php/sinkron/article/view/11944Comparison of Convolutional Neural Network and Artificial Neural Network for Rice Detection Sinkron jurnal polgan ac index php sinkron article view 11944

Metadata

File size	802.55 KB
Pages	12
DMCA	Report