Publisher

UGMUGM

Journal Journal of Internet and Software EngineeringJournal of Internet and Software Engineering Abstract

Deteksi aktivitas mencurigakan dalam pengawasan video sangat penting untuk keselamatan publik. Identifikasi dini perilaku pra-insiden, seperti melihat sekitar dengan gugup, dapat mencegah kejahatan sebelum terjadi. Namun, pengawasan tradisional bergantung pada pemantauan manusia terus-menerus, yang rentan terhadap kesalahan dan membutuhkan sumber daya yang intensif. Metode otomatis yang ada mengalami kesulitan dalam stabilitas waktu nyata dan menghasilkan prediksi yang berkedip. Penelitian ini memperkenalkan sistem deteksi dua tahap berbasis pose: YOLOv12n mendeteksi manusia dalam setiap frame, dan MediaPipe BlazePose mengekstrak fitur pose. Klasifikasi Support Vector (SVC) dan Jaringan Syaraf (NN) kemudian mengklasifikasikan segmen temporal 15 frame sebagai masih atau melihat sekitar. Pada dataset kustom, SVC mencapai akurasi 97,35% sedangkan NN mencapai 97,00%. Smoothing temporal menghilangkan berkedip prediksi, memungkinkan implementasi waktu nyata yang stabil. SVC menawarkan keseimbangan presisi-recall yang lebih baik; NN menawarkan adaptabilitas yang lebih besar terhadap variasi pose yang kompleks.

Conclusion

Penelitian ini telah berhasil mengembangkan sistem deteksi aktivitas mencurigakan berdasarkan pose manusia dengan pendekatan dua tahap yang efisien dan akurat.Dengan menggabungkan deteksi objek menggunakan YOLOv12n, ekstraksi pose melalui MediaPipe BlazePose, dan klasifikasi menggunakan Support Vector Classifier (SVC) dan Neural Network (NN), sistem ini mampu mencapai akurasi klasifikasi di atas 97% dalam membedakan antara pose masih dan melihat sekitar.Mekanisme smoothing temporal yang diterapkan juga berhasil meningkatkan stabilitas prediksi dalam skenario waktu nyata, sehingga sistem ini cocok untuk implementasi pada perangkat pengawasan otomatis yang terbatas sumber dayanya.Kontribusi utama studi ini terletak pada optimasi pipeline deteksi ringan sambil mempertahankan kinerja tinggi, serta formulasi representasi fitur spatiotemporal yang mampu menangkap perbedaan halus dalam pola gerakan.Temuan ini memperkaya tubuh penelitian di bidang Pengenalan Aktivitas Manusia (HAR), khususnya dalam konteks sistem pengawasan berbasis AI.Implikasi penelitian ini mencakup potensi implementasi dalam sistem keamanan publik, deteksi dini perilaku mencurigakan, dan integrasi dengan sistem peringatan otomatis.Untuk penelitian selanjutnya, disarankan untuk melakukan pengujian pada dataset yang lebih kompleks, menggunakan arsitektur model temporal adaptif seperti LSTM atau Transformer, serta pengujian dalam kondisi dunia nyata yang lebih beragam.

Future Research

Untuk penelitian lanjutan, perlu dipertimbangkan beberapa saran. Pertama, perlu dilakukan pengujian pada dataset yang lebih kompleks dan beragam untuk menilai ketahanan model terhadap variasi aktivitas manusia yang nyata. Kedua, pendekatan temporal yang digunakan saat ini masih statis, sehingga dapat dipertimbangkan penggunaan pendekatan lebih adaptif seperti Long Short-Term Memory (LSTM) atau Transformer untuk menangkap dinamika temporal jangka panjang dan pola gerakan yang lebih kompleks. Ketiga, analisis ketahanan sistem terhadap kondisi ekstrem seperti pencahayaan rendah, posisi kamera miring, atau kehadiran individu multipel dalam satu frame belum dilakukan. Penelitian lebih lanjut dapat memperluas cakupan eksperimen ke kondisi-kondisi ini untuk meningkatkan ketahanan sistem dalam skenario dunia nyata. Secara keseluruhan, pendekatan dua tahap yang menggabungkan YOLOv12n dan MediaPipe, didukung oleh model klasifikasi dan strategi stabilisasi temporal, menawarkan solusi yang menjanjikan dan andal untuk sistem pengawasan cerdas. Adaptasi ke lingkungan yang lebih kompleks dan integrasi dengan sistem pengambilan keputusan yang lebih luas akan menjadi arah penting untuk pengembangan selanjutnya.

References

1. Human Activity Recognition by Sequences of Skeleton Features. human activity recognition sequences skeleton... mdpi.com/1424-8220/22/11/3991Human Activity Recognition by Sequences of Skeleton Features human activity recognition sequences skeleton mdpi 1424 8220 22 11 3991
2. [2502.12524] YOLOv12: Attention-Centric Real-Time Object Detectors. yolov12 attention centric real time... arxiv.org/abs/2502.125242502 12524 YOLOv12 Attention Centric Real Time Object Detectors yolov12 attention centric real time arxiv abs 2502 12524
3.  . 0 mdpi.com/1424-8220/22/12/4488A 0 mdpi 1424 8220 22 12 4488
4. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... bmcsportsscimedrehabil.biomedcentral.com/articles/10.1186/s13102-025-01260-wClient Challenge client challenge javascript disabled browser please enable proceed required part site bmcsportsscimedrehabil biomedcentral articles 10 1186 s13102 025 01260 w

Metadata

File size	504.31 KB
Pages	8
DMCA	Report