Perpustakaan Digital ITB

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.