Perpustakaan Digital ITB

Dalam beberapa tahun terakhir, meningkatnya kebutuhan akan sistem pengawasan yang cerdas dan efisien mendorong pengembangan teknologi deteksi kejadian anomali dalam video. Sistem pengawasan konvensional yang bergantung pada pemantauan manusia terbukti memiliki keterbatasan dalam hal akurasi dan konsistensi. Penelitian ini mengusulkan pendekatan anomaly detection berbasis deep learning untuk mendeteksi dan mengidentifikasi kejadian anomali dalam video serta membangun sistem sederhana untuk melakukan simulasi pendeteksian dan pengidentifiksian jenis anomali. Pengembangan sistem deteksi dan identifikasi jenis anomali dilakukan dengan mengimplementasikan dan mengintegrasikan modul deteksi anomali, modul identifikasi jenis anomali, dan aplikasi graphical user interface. Model dengan arsitektur Inflated 3D CovNet (I3D) digunakan untuk modul deteksi anomali. Selain itu, terdapat dua model pralatih identifikasi jenis anomali, antara lain YOLO 8 dan YOLO 11, yang dibandingkan pada pengujian untuk menentukan model yang digunakan pada modul identifikasi jenis anomali. Dataset yang digunakan pada penelitian ini adalah dataset UCF-Crime, dengan 10% dari dataset digunakan sebagai data uji. Berdasarkan analisis hasil pengujian terhadap data uji, model I3D terbukti mampu melakukan deteksi kejadian anomali dengan akurat dengan nilai ROC-AUC yang mencapai 0.73. Berdasarkan pengujian identifikasi jenis anomali terhadap 13 kelas anomali, model YOLO 11 dipilih sebagai model pralatih pada modul identifikasi jenis anomali karena mencapai nilai akurasi sebesar 74.75%. Kinerja model pada kedua modul masih dapat ditingkatkan lagi dengan pelatihan lebih lanjut dataset dengan kualitas yang lebih bagus serta menggunakan model dengan ukuran yang lebih besar.