Perpustakaan Digital ITB

Identifikasi dan pemahaman perilaku manusia merupakan aspek penting dalam menjaga keselamatan dan keamanan. Aktivitas manusia yang mencurigakan seperti aktivitas berkeliaran mengacu pada tindakan atau perilaku yang menyimpang dari norma dan dapat menimbulkan kekhawatiran potensi ancaman atau perilaku yang melanggar hukum terhadap keamanan informasi. Pada ruang publik kemampuan untuk mengenali aktivitas manusia yang mencurigakan sangat penting untuk mencegah dan mengurangi risiko. Telah terdapat sejumlah penelitian yang mencoba untuk memecahkan permasalahan mengenai pendeteksian aktivitas mencurigakan. Namun salah satu tantangan utama adalah mengetahui pola untuk dapat mengidentifikasi aktivitas normal dan aktivitas mencurigakan. Aspek tersebut menyebabkan sulitnya model dalam membedakan antara satu aktivitas dengan aktivitas lainnya. Penelitian ini menggunakan Design Science Research Methodology untuk membantu dalam menyelesaikan masalah yang berkaitan erat dengan sistem informasi. Penelitian yang dilaksanakan membahas tentang perancangan model pengenalan aktivitas berkeliaran menggunakan Long-Term Recurrent Convolutional Network (LRCN) untuk Physical Security Risk Assessment. Model LRCN merupakan model yang mengintegrasikan convolutional layer dengan recurrent layer. Integrasi ini dapat menghasilkan model yang dapat mengambil fitur spasial dalam data beserta dengan mengenali fitur temporal dalam konteks pengenalan aktivitas agar dapat menghasilkan klasifikasi. Evaluasi awal model sebelum dilakukan hyperparameter tuning menghasilkan nilai accuracy sebesar 80%, precision 87%, recall 87%, F1 Score 87% dan loss 57%. Penelitian ini menunjukkan bahwa dengan melakukan hyperparameter tuning terhadap model yang telah dibangun dapat menghasilkan keluaran yang lebih optimal. Pengaturan terhadap nilai learning rate, batch size, dan weight decay dapat menghasilkan nilai evaluasi accuracy sebesar 90%, precision 100%, recall 89%, F1 Score 94%, dan loss 14%.