Sistem Deteksi Manusia Berbasis Deep Learning

Dengan meningkatnya kebutuhan akan sistem pengawasan yang efektif, model YOLO telah menunjukkan kemajuan yang cukup besar dalam pendeteksian objek secara real-time. Penelitian ini meneliti deteksi kehadiran manusia dalam pengawasan televisi sirkuit tertutup (CCTV) dengan menggunakan Deep Learning khusunya model You Only Look Once (YOLO) v8. Model ini dilatih dengan ukuran batch 16 dan jumlah epoch 100, dengan penyesuaian parameter berdasarkan kapasitas GPU. Temuan ini menunjukkan bahwa kumpulan data yang beragam, yang terdiri dari gambar dari berbagai lingkungan, memiliki pengaruh terhadap kinerja model. Model YOLOv8 menunjukkan akurasi (mAP0.5) sebesar 92,3%, sebuah performa yang melampaui model-model sebelumnya, termasuk YOLOv4-tiny. Selain itu, penelitian ini menunjukkan bahwa memodifikasi parameter seperti ukuran batch dan laju pembelajaran (learning rate) secara nyata mempengaruhi keberhasilan deteksi objek. Selain itu, ketidakseimbangan data dalam dataset diidentifikasi sebagai faktor yang mempengaruhi hasil deteksi. YOLOv8 diintegrasikan ke dalam antarmuka web berbasis Streamlit untuk pemantauan real-time. Hasilnya menunjukkan kinerja YOLOv8 yang unggul dalam deteksi manusia, menawarkan solusi yang efektif untuk pengawasan CCTV.