Pemodelan Machine Learning untuk Deteksi Kekerasan Fisik  Berbasis Convolutional Neural Network (CNN)

Muhamad  Yasmin Nul Hakim; Hidola  Syamsito

doi:10.36350/jskom.v2i1.82

Authors

Muhamad Yasmin Nul Hakim Universitas Binaniaga Indonesia Author
Hidola Syamsito Universitas Binaniaga Indonesia Author

DOI:

https://doi.org/10.36350/jskom.v2i1.82

Keywords:

Deteksi Kekerasan Fisik, Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Pemodelan Machine Learning

Abstract

Kekerasan fisik di lingkungan masyarakat merupakan permasalahan serius yang memerlukan upaya pengawasan serta penanganan yang cepat dan akurat. Selama ini, pengawasan konvensional melalui observasi manual dinilai kurang efektif karena keterbatasan manusia dalam memantau seluruh area secara berkelanjutan. Penelitian ini bertujuan mengembangkan sistem deteksi kekerasan fisik berbasis Convolutional Neural Network (CNN) yang dikombinasikan dengan Long Short-Term Memory (LSTM) untuk mengenali adanya tindakan kekerasan fisik di masyarakat. Model menggunakan arsitektur ResNet101 sebagai ekstraktor fitur spasial, sedangkan LSTM digunakan untuk menangkap pola temporal dari jendela berukuran 16 frame. Hasil pengujian menunjukkan bahwa model yang dikembangkan memperoleh akurasi 87%, presisi 89.4%, recall 84%, dan F1-score 86.6%, berdasarkan hasil perhitungan confusion matrix dengan TP=42, TN=45, FP=5, dan FN=8. Sistem prototipe dilengkapi dengan modul dokumentasi otomatis berupa penyimpanan frame beserta timestamp, yang berfungsi sebagai bukti pendukung. Penelitian ini berkontribusi pada pengembangan teknologi computer vision dalam bidang keamanan dengan memberikan pendekatan berbasis analisis spasial-temporal yang efektif. Diharapkan sistem ini dapat membantu masyarakat maupun instansi terkait dalam meningkatkan pengawasan serta mendukung proses verifikasi tindak kekerasan di berbagai lingkungan.

Downloads

Download data is not yet available.

References

[1] S. Maesaroh et al., Bahasa Pemrograman Python, 2024. [Online]. Available: https://www.researchgate.net/publication/381376588.

[2] D. Nasution, “METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi,” vol. 7, no. 1, 2023. doi: 10.46880/jmika.Vol7No1.pp54-60.

[3] E. Suherman, M. Y. N. Firdaus, and R. N. Nurhalimah, “Comparison of Convolutional Neural Network and Artificial Neural Network for Rice Detection,” Sinkron, vol. 8, no. 1, pp. 247–255, 2023. doi: 10.33395/sinkron.v8i1.11944.

[4] V. Dumoulin and F. Visin, “A Guide to Convolution Arithmetic for Deep Learning,” arXiv preprint, 2018. [Online]. Available: http://arxiv.org/abs/1603.07285

[5] Febriyanti, “Pengawasan Kedisiplinan Peserta Didik di SMK N 1 Jejawi Kabupaten Ogan Komering Ilir,” Visionary: Jurnal Pendidikan dan Manajemen Pendidikan Islam, 2022. [Online]. Available at: https://e-journal.undikma.ac.id/index.php/visionary

[6] S. Nurmaini, F. Firdaus, and H. Arifianto, Pengenalan Deep Learning dan Implementasinya, 2021.

[7] S. Sugiyono, Metode Penelitian Kuantitatif, Kualitatif, dan R&D, Bandung: Alfabeta, 2024.

[8] Aghassi Zulfikar, M., Somantri, M. and Sudjadi, D, PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DAN LONG SHORT TERM MEMORY (LSTM) UNTUK PENGENALAN AKTIVITAS MANUSIA PADA CCTV DI AREA TAMBAK UDANG, 2021. Available at: https://ejournal3.undip.ac.id/index.php/transient.

[9] Yudistira, N. et al, Prediksi Deret Waktu Menggunakan Deep Learning, Universitas Brawijaya Press, 2023. Available at: https://books.google.co.id/books?id=pOLXEAAAQBAJ.

[10] Ullah, F.U.M. et al, ‘Violence detection using spatiotemporal features with 3D convolutional neural network’, Sensors, 2019. Available at: https://doi.org/10.3390/s19112472.

[11] Rachmawati, D., Sunan, U. and Surabaya, A, Bullying dan Dampak Jangka Panjang: Koneksi dengan Kekerasan dan Kriminalitas di Sekolah, JOIES: Journal of Islamic Education Studie, 2024.

[12] Shaheer, R. and U, M, ‘Real-Time Video Violence Detection Using CNN’, International Journal for Research in Applied Science and Engineering Technology, pp. 2586–2590, 2023. Available at: https://doi.org/10.22214/ijraset.2023.52182.

[13] Soetam, C. and Wicaksono, R, Blackbox Testing Teori dan Studi Kasus, 2021. Available at: www.fb.com/cv.seribu.bintang.

[14] Vieira, J.C. et al, ‘Low-Cost CNN for Automatic Violence Recognition on Embedded System’, IEEE Access, 10, pp. 25190–25202, 2022. Available at: https://doi.org/10.1109/ACCESS.2022.3155123.