Perpustakaan Digital ITB

Kejahatan jalanan bersenjata di ruang publik menuntut deteksi dini yang mampu memberi aparat keamanan waktu respons yang cukup. SENTRI (Smart Emergency Notification and Threat Response Intelligence) adalah sistem deteksi kekerasan berbasis tepi yang dikembangkan secara berkelompok. Tugas akhir ini mencakup subsistem deteksi senjata (Model YOLO26 Weapon Detection) di dalam SENTRI. Persoalan utama yang dihadapi adalah domain gap: himpunan data senjata publik didominasi foto produk yang terisolasi, diambil pada pencahayaan terkendali tanpa subjek manusia, sehingga tidak cocok untuk melatih detektor yang harus bekerja pada rekaman CCTV bersudut atas dengan oklusi, keburaman gerak, dan degradasi cahaya rendah. Untuk menjembatani celah tersebut, disusun himpunan data khusus berkondisi CCTV berisi 24.744 gambar teranotasi pada tujuh kelas senjata, yang dibangun dari rekaman CCTV tersimulasi dengan subjek yang benar-benar memegang senjata. Sebuah pipeline augmentasi spesifik domain berisi sepuluh transformasi stokastik (mencakup simulasi objek kecil, koreksi cahaya rendah dan gamma, keburaman gerak dan Gaussian, penyuntikan artefak JPEG, serta coarse dropout) dikembangkan dengan Python dan OpenCV untuk memperluas himpunan latih dari 19.763 menjadi 59.289 gambar (perluasan 3×). Model YOLO26m yang dilatih ulang pada himpunan data ini mencapai mean average precision (mAP@0,5) sebesar 91,9%, presisi 91,9%, dan recall 87,6% pada himpunan validasi, melampaui ambang spesifikasi sistem sebesar 70% pada seluruh metrik. Analisis per-kelas dari matriks kebingungan menunjukkan recall tertinggi pada senjata tajam khas budaya (celurit 0,97; senapan 0,94) dan lebih rendah pada kelas yang ambigu secara visual (pedang 0,73; linggis 0,77), dengan kebingungan latar sebagai sumber utama false positive. Model terlatih diekspor ke ONNX sebagai format antara lalu dikonversi ke Hailo HEF untuk penggelaran pada unit pemroses neural Hailo-8H di node tepi, serta terintegrasi dengan agregator ansambel sistem melalui MQTT.