Pemantauan menggunakan kamera yang bekerja secara otomatis untuk
mendeteksi anomali atau kejadian penting di area yang dipantau merupakan
elemen penting dalam sistem keamanan dan pengawasan. Salah satu tantangan
signifikan dalam sistem ini adalah kemampuan untuk mendeteksi dan
mengklasifikasikan objek yang diam setelah bergerak, dikenal sebagai stationary
foreground object (SFO), yang sering kali merupakan indikasi objek yang
ditinggalkan. Deteksi SFO ini sangat penting dalam berbagai aplikasi, termasuk
keamanan, pengawasan, dan manajemen lalu lintas.
Permasalahan utama dalam deteksi SFO pada video beresolusi rendah adalah
penurunan kualitas video akibat kompresi untuk menghemat penyimpanan dan
mempercepat transmisi data. Rendahnya resolusi video mengakibatkan kesulitan
dalam identifikasi dan klasifikasi objek, terutama ketika menggunakan metode
konvensional yang memerlukan kualitas gambar tinggi untuk analisis yang akurat.
Oleh karena itu, diperlukan pendekatan yang inovatif dan efisien untuk
mendeteksi SFO pada kondisi video beresolusi rendah.
Penelitian ini bertujuan untuk mengembangkan metode deteksi SFO pada video
beresolusi rendah menggunakan teknologi deep learning. Pendekatan ini
menawarkan potensi besar dalam mengatasi keterbatasan metode konvensional
dengan memanfaatkan kemampuan jaringan saraf tiruan dalam mengenali polapola
kompleks pada data visual yang berkualitas rendah.
Hasil penelitian menunjukkan bahwa model deep learning yang diusulkan mampu
mendeteksi SFO dengan akurasi yang tinggi meskipun pada video beresolusi
rendah. Model ini berhasil mengidentifikasi SFO dan membedakannya dari
bayangan atau objek yang telah dihapus dengan tingkat kesalahan yang minimal.
Penelitian ini juga membandingkan kinerja model yang diusulkan dengan
beberapa metode konvensional dan model deep learning lainnya yang telah ada
dalam literatur. Hasil perbandingan menunjukkan bahwa metode yang diusulkan
memiliki keunggulan signifikan dalam hal akurasi dan efisiensi, terutama pada
kondisi video beresolusi rendah.
iii
Kebaruan dari penelitian ini terletak pada penerapan deep learning yang
dikolaborasikan dengan metode pelacakan untuk deteksi SFO pada video
beresolusi rendah, yang belum banyak dieksplorasi dalam penelitian sebelumnya.
Selain itu, penelitian ini mengusulkan arsitektur model yang disesuaikan dengan
karakteristik data beresolusi rendah, sehingga mampu memberikan hasil yang
lebih baik dibandingkan dengan model sebelumnnya.
Hasil penelitian ini memberikan kontribusi terhadap pengembangan teknologi
pengawasan dan keamanan. Dengan kemampuan mendeteksi SFO pada video
beresolusi rendah dengan menggunakan pelacakan, sistem pengawasan dapat
menjadi lebih efisien dan efektif, terutama dalam kondisi di mana sumber daya
penyimpanan dan bandwidth terbatas. Pada penelitian ini menunjukkan bahwa
penggunaan deep learning untuk deteksi SFO pada video beresolusi rendah
merupakan pendekatan yang menjanjikan dan dapat mengatasi berbagai
keterbatasan yang dihadapi oleh metode konvensional. Dengan terus
berkembangnya teknologi deep learning, diharapkan metode ini dapat diadopsi
secara luas dalam sistem pengawasan dan memberikan kontribusi nyata terhadap
peningkatan keamanan dan efisiensi operasional.