Perbandingan Metode Deep Learning dalam Deteksi Kekerasan Fisik Berbasis Video: Studi Literatur pada CNN, RNN/LSTM, 3D-CNN, dan YOLO

Elpina Sari Dewi Hasibuan; Billy Hendrik

doi:10.37985/jer.v6i4.2180

Authors

Elpina Sari Dewi Hasibuan Teknik Informatika, Universitas Putra Indonesia “YPTK” Padang Indonesia
Billy Hendrik Teknik Informatika, Universitas Putra Indonesia “YPTK” Padang Indonesia

DOI:

https://doi.org/10.37985/jer.v6i4.2180

Keywords:

Deep Learning, Deteksi Kekerasan Fisik, CNN, RNN/LSTM, 3D-CNN, YOLO, Pengawasan Video

Abstract

Deteksi tindak kekerasan merupakan salah satu tantangan utama dalam pengembangan sistem keamanan berbasis teknologi, khususnya pada pengawasan video. Penelitian ini bertujuan untuk melakukan kajian literatur mengenai keunggulan, kekurangan, dan aplikasi dari berbagai metode kecerdasan buatan, yaitu Convolutional Neural Network (CNN), Recurrent Neural Network (RNN)/Long Short-Term Memory (LSTM), 3D Convolutional Neural Network (3D-CNN), dan You Only Look Once (YOLO), dalam mendeteksi tindak kekerasan fisik. CNN dikenal efektif dalam mengenali pola visual statis, sementara RNN/LSTM unggul dalam analisis data sekuensial yang melibatkan aspek temporal. Di sisi lain, 3D-CNN menawarkan kemampuan untuk menangkap pola spasial dan temporal secara bersamaan dalam video, sedangkan YOLO menyediakan pendekatan real-time untuk deteksi objek, yang relevan untuk mendeteksi kekerasan dengan efisiensi tinggi. Studi ini membahas performa keempat metode berdasarkan parameter seperti akurasi, kecepatan, kompleksitas, dan kemampuan adaptasi terhadap data dunia nyata. Kajian ini diharapkan memberikan wawasan mendalam bagi pengembang sistem keamanan berbasis video dalam memilih metode yang paling sesuai untuk kebutuhan spesifik dalam mendeteksi tindak kekerasan fisik.

Downloads

Download data is not yet available.

References

Abdullah, M. S. N. bin, Karim, H. A., & AlDahoul, N. (2023). A Combination of Light Pre-trained Convolutional Neural Networks and Long Short-Term Memory for Real-Time Violence Detection in Videos. International Journal of Technology, 14(6), 1228–1236. https://doi.org/10.14716/ijtech.v14i6.6655

Bimantoro, F., Wijaya, I. G. P. S., & Aohana, M. R. (2024). Pendeteksian Kecurangan Ujian Melalui CCTV Menggunakan Algoritma YOLOv5. Seminar Nasional Teknologi & Sains, 3(1), 109–117. https://doi.org/10.29407/stains.v3i1.4360

Carita, S., & Hadiprakoso, R. B. (2023). Double Face Masks Detection Using Region-Based Convolutional Neural Network. 9(4), 904–911. https://doi.org/10.26555/jiteki.v9i4.23902

Dewi, N., & Ismawan, F. (2021). Implementasi Deep Learning Menggunakan Convolutional Neural Network untuk Sistem Pengenalan Wajah. 14(1), 34–43. https://doi.org/10.30998/faktorexacta.v14i1.8989

Fikri, A. D., Utaminingrum, P. F., & Edhi, E. G. (2023). Sistem Pendeteksi Kekerasan di Ruang Publik Menggunakan Metode 3D Convolutional Neural Network. 1(1), 1–6.

Informatics, A., Putri, S. A., Rifai, A., Nawawi, I., & Info, A. (2024). Aplikasi Cerdas Sistem Deteksi Tindak Kekerasan Fisik Untuk Pengawasan Perundungan Dengan Convolutional Neural Network. 7(2), 332–340.

Juliandy, C., Wong, N. P., Mikroskil, U., & Mikroskil, U. (2024). Modeling Face Detection Application Using Convolutional Neural Network and Face-API for Effective and Efficient Online Attendance Tracking. 9(1), 10–17. https://doi.org/10.15575/join.v9i1.1203

Lutfina, E., Setiawan, R. O. C., Nugroho, A., & Abdillah, M. Z. (2023). PERANCANGAN APLIKASI PEMBELAJARAN DENGAN KONSEP GAMIFIKASI Systematic Literature Review. METHOMIKA Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 7(1), 78–87. https://doi.org/10.46880/jmika.vol7no1.pp78-87

Nafiz, M. F., Kartini, D., Faisal, M. R., Indriani, F., & Hamonangan, T. (2023). Automated Detection of COVID-19 Cough Sound using Mel- Spectrogram Images and Convolutional Neural Network. 9(3), 535–548. https://doi.org/10.26555/jiteki.v9i3.26374

Nasional, S., Elektro, T., Informasi, S., & Informatika, T. (2024). Sistem Deteksi Kekerasan. 198–204.

Network, C. N. (2024). Convolutional Neural Network and LSTM for Seat Belt Detection in. 5(158), 4–6.

Priharsari, D. (2022). Systematic Literature Review Di Bidang Sistem Informasi Dan Systematic Literature Review in Information Systems and Computer Engineering : a Guideline. Jurnal Teknologi Informasi Dan Ilmu Komputer, 9(2), 263–268. https://doi.org/10.25126/jtiik.202293884

Putri, H. M., Fadlisyah, F., & Fuadi, W. (2022). Pendeteksian Bahasa Isyarat Indonesia Secara Real-Time Menggunakan Long Short-Term Memory (Lstm). Jurnal Teknologi Terapan and Sains 4.0, 3(1), 663. https://doi.org/10.29103/tts.v3i1.6853

Putri, S. A., Rifai, A., & Nawawi, I. (2023). Physical Violence Detection System to Prevent Student Mental Health Disorders Based on Deep Learning. Jurnal Pilar Nusa Mandiri, 19(2), 103–108. https://doi.org/10.33480/pilar.v19i2.4600

Sanjaya, F. S., Lutfina, E., Nugroho, A., & Abdillah, M. Z. (2023). Systematic Literature Review Perancangan Sistem Informasi Stok Opname Gudang Berbasis Web. Science Technology and Management Journal, 3(1), 21–27. https://doi.org/10.53416/stmj.v3i1.129

Sidik, G. A. (2024). Deteksi Tindak Kekerasan dan Perundungan Pada Anaka Berbasis YOLOv8 (You Only Look Once). 3(9).

Sistem, R., Citra, P., Jagung, B., Elektro, T., Magister, P., & Gunadarma, U. (2021). JURNAL RESTI Penerapan Convolutional Neural Network Deep Learning dalam. 1(10), 265–271.

Wajah, I., Deepfake, B., Metode, M., Mu, J., Adrezo, M., & Haikal, A. N. (2024). Identifikasi Wajah Asli dan Buatan Deepfake Menggunakan Metode Convolutional Neural Network Identifying Deepfake Generated Faces and Real Faces Using Convolutional Neural Network. 13(1), 45–50. https://doi.org/10.34148/teknika.v13i1.705