JOURNALSTKIPPGRISITUBONDOJOURNALSTKIPPGRISITUBONDO

EDUSAINTEK: Jurnal Pendidikan, Sains dan TeknologiEDUSAINTEK: Jurnal Pendidikan, Sains dan Teknologi

Pemantauan manual pada sistem CCTV untuk deteksi gerakan anomali, seperti perkelahian dan pencurian, sangat tidak efisien dan rentan terhadap kelalaian manusia (human error), sehingga mendesak perlunya sistem pengawasan otomatis. Celah penelitian utama adalah bahwa sebagian besar model deteksi objek (bersifat spasial) gagal memahami konteks temporal (pola gerakan dari waktu ke waktu) yang merupakan kunci untuk membedakan aktivitas normal dan anomali. Penelitian ini mengusulkan perancangan model hybrid deep learning YOLOv8-LSTM untuk mengatasi masalah tersebut. Dengan menggunakan metodologi penelitian R&D 4D (Define, Design, Develop), sebuah arsitektur dirancang di mana YOLOv8 (yolov8m) berfungsi sebagai ekstraktor fitur spasial (menghasilkan vektor 106-dimensi) dari setiap frame video. Sekuens dari fitur-fitur tersebut kemudian dianalisis menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) yang dilengkapi dengan mekanisme Attention Pooling untuk memodelkan dependensi temporal dan mengklasifikasikan gerakan. Hasil pengujian prototipe pada test set menunjukkan kinerja yang kuat, mencapai nilai AUC 0,8646 dan F1-Score 0,6530. Analisis kualitatif melalui visualisasi ruang laten 3D berhasil membuktikan efektivitas model: fitur spasial yang awalnya tumpang tindih (input YOLOv8) berhasil dipetakan menjadi klaster kelas normal dan anomali yang terpisah secara jelas (output LSTM). Penelitian ini memvalidasi bahwa arsitektur hybrid yang diusulkan efektif dalam menggabungkan pemahaman spasial dan temporal untuk deteksi gerakan anomali, khususnya tindak kriminal secara akurat.

Berdasarkan implementasi dan analisis yang telah dipaparkan, dapat ditarik kesimpulan bahwa penelitian ini telah berhasil merancang dan mengembangkan sebuah prototipe model deep learning hibrida (YOLOv8-LSTM) yang mampu mendeteksi gerakan anomali dari data video.Telah terbukti secara kuantitatif melalui metrik kinerja (AUC 0,8646, F1-Score 0,6530) dan secara kualitatif melalui visualisasi ruang laten ([Gambar 2.0]), bahwa model ini berhasil mengatasi masalah inti, yaitu ketidakmampuan fitur spasial murni dalam membedakan anomali.Keberhasilan Bi-LSTM dalam menciptakan ruang fitur yang terpisah membuktikan bahwa model telah efektif mempelajari pola temporal yang membedakan kedua kelas.

Penelitian selanjutnya dapat meneliti bagaimana performa model YOLOv8‑LSTM pada dataset publik yang lebih beragam, seperti UCFCrime, RWF‑2000, atau dataset keamanan publik lainnya, untuk menguji kemampuan generalisasi model ketika dihadapkan pada kondisi video yang berbeda-beda, termasuk variasi pencahayaan, sudut pandang, dan tipe anomali. Selanjutnya, dapat dieksplorasi apakah arsitektur temporal yang lebih ringan, seperti Gated Recurrent Unit (GRU), atau arsitektur berbasis Transformer dapat meningkatkan akurasi deteksi gerakan anomali sekaligus mengurangi beban komputasi dibandingkan dengan Bi‑LSTM yang digunakan saat ini, sehingga memungkinkan implementasi pada perangkat dengan sumber daya terbatas. Penelitian ketiga dapat fokus pada optimalisasi implementasi model pada perangkat edge, misalnya dengan mengonversi model ke format ONNX atau TensorRT, melakukan pruning dan quantization, serta mengevaluasi kecepatan inferensi, konsumsi energi, dan stabilitas pada platform seperti NVIDIA Jetson Nano atau Raspberry Pi, untuk menentukan sejauh mana sistem dapat beroperasi secara real‑time dalam lingkungan pengawasan nyata. Selain itu, studi dapat membandingkan hasil dengan pendekatan tradisional berbasis statistik untuk menilai kelebihan dan kekurangan model hybrid dalam konteks operasional.

  1. Integrasi Teknologi Digital dalam Pengawasan Internal Inspektorat Daerah Kabupaten Gianyar | JURNAL SYNTAX... doi.org/10.54543/syntaximperatif.v6i2.687Integrasi Teknologi Digital dalam Pengawasan Internal Inspektorat Daerah Kabupaten Gianyar JURNAL SYNTAX doi 10 54543 syntaximperatif v6i2 687
  2. A New Surveillance and Security Alert System Based on Real-Time Motion Detection - Journal of Smart Systems... doi.org/10.58769/joinssr.1262853A New Surveillance and Security Alert System Based on Real Time Motion Detection Journal of Smart Systems doi 10 58769 joinssr 1262853
Read online
File size399.33 KB
Pages9
DMCAReport

Related /

ads-block-test