Deteksi Barang Hilang Berbasis Deteksi Visual dengan Metode You Only Look Once
DOI:
https://doi.org/10.29407/rznp5s94Keywords:
Deteksi tas ransel, deteksi objek, YOLOAbstract
Kehilangan barang berharga seperti tas laptop dan tas ransel di tempat umum menjadi salah satu permasalahan yang sering dihadapi masyarakat modern. Penelitian ini mengusulkan sistem deteksi tas ransel hilang secara real-time berbasis teknologi pengenalan objek menggunakan YOLO (You Only Look Once). Sistem ini dirancang untuk mendeteksi keberadaan tas ransel dalam jangkauan kamera dan memberikan peringatan apabila tas ransel tidak terdeteksi selama periode tertentu. Model YOLO yang digunakan dilatih dengan dataset COCO, yang mencakup kategori "backpack" sebagai representasi tas ransel. Implementasi sistem dilakukan dengan mengintegrasikan library OpenCV untuk pengolahan video dan deteksi objek. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi tas ransel dengan akurasi tinggi dalam waktu nyata, sehingga dapat digunakan sebagai solusi inovatif untuk meningkatkan keamanan di tempat umum seperti perkantoran, sekolah, atau transportasi umum. Dengan pendekatan yang efisien ini, sistem ini berpotensi untuk diadaptasi lebih lanjut dalam berbagai aplikasi keamanan lainnya. Selain itu, sistem ini memiliki fleksibilitas untuk diterapkan dalam berbagai lingkungan, baik indoor maupun outdoor, dengan performa yang tetap optimal dalam kondisi pencahayaan yang berbeda. Penggunaan teknologi YOLO memungkinkan proses deteksi berlangsung dengan kecepatan tinggi, sehingga sistem dapat merespons kehilangan tas ransel secara instan tanpa jeda signifikan. Peringatan yang dihasilkan dapat dikonfigurasi untuk dikirim melalui berbagai saluran, seperti notifikasi pada perangkat mobile atau alarm lokal, guna meningkatkan kewaspadaan pengguna maupun petugas keamanan. Dengan fitur ini, sistem tidak hanya mendeteksi kehilangan tas ransel, tetapi juga membantu mencegah potensi pencurian melalui pengawasan proaktif. Hasil penelitian ini diharapkan dapat menjadi landasan bagi pengembangan lebih lanjut dalam bidang teknologi keamanan berbasis visi komputer.
Downloads
References
Erhan, Dumitru, Christian Szegedy, Alexander Toshev, and Dragomir Anguelov. 2014. “Sobject Detection Using Deep Neural Networkscalable.” Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (March): 2155–62. doi:10.1109/CVPR.2014.276.
Loekman, Ferbian, and Lina. 2023. “Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network.” Teknika 12(1): 47–56. doi:10.34148/teknika.v12i1.596.
MUHAMMAD RAFLY ASSIDIQI. 2023. “Rancang Bangun Sistem Pendeteksi Dan Penghitung Jumlah Pengunjung Di Museum Lampung Menggunakan Webcam Berbasis Algoritma Yolov5 (You Only Look Once Versi Lima).” 5.
Muneer, Iqra, Mubbashar Saddique, and Zulfiqar Habib. 2023. “Applied Sciences CNN-BiLSMT and Development of Benchmark Dataset.” Applied Sciences (Switzerland) 13(8341): 1–15.
Pham, Duy Trung, and Filip Lukowski. 2024. “BobDontRob : Hybrid Neural Network for Shoplifting Detection.” TRITA-EECS(2023:0000).
Ramadan, Mohamed K., Aliaa A.A. Youssif, and Wessam H. El-Behaidy. 2022. “Detection and Classification of Human-Carrying Baggage Using DenseNet-161 and Fit One Cycle.” Big Data and Cognitive Computing 6(4). doi:10.3390/bdcc6040108.
Rusli, Aurelia Vitania. 2022. “Sistem Deteksi Driver Drowsiness Menggunakan Algoritma Convolutional Neural Network (CNN).” : 1–46.
hirole, Sairaj. 2023. “Theft Detection Using Deep Learning.”.
Smita, Mrs, Anil Takalkar, Anmey Awale, and Jalindar Yewale. 2022. “System to Detect Theft Events Using Raspberry PI.” International Journal of Advanced Research in Science, Communication and Technology (IJARSCT 2(7): 868–74. doi:10.48175/IJARSCT-4447.
Zamri, Nurul Farhana Mohamad, Nooritawati Md Tahir, Megat Syahirul Megat Ali, Nur Dalila Khirul Ashar, and Ali Abd Almisreb. 2023. “Real Time Snatch Theft Detection Using Deep Learning Networks.” Journal of Advanced Research in Applied Sciences and Engineering Technology 31(1): 79–89. doi:10.37934/araset.31.1.7989.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Mohamad Rafi Adidama, Aji Slamet al faid, Muhammad Rizki Fadhil, Riza Samsinar
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
