Implementasi framework YOLOv7untuk mendeteksi penyusup dengan citra digital

Cannavaro Harland, Julius (2023) Implementasi framework YOLOv7untuk mendeteksi penyusup dengan citra digital. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (3MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (205kB) | Preview
Preview	PDF BAB_I.pdf Download (209kB) | Preview
Preview	PDF BAB_II.pdf Download (1MB) | Preview
Preview	PDF BAB_III.pdf Download (349kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (898kB)
Preview	PDF BAB_V.pdf Download (202kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (407kB)

Abstract

Kejahatan pencurian adalah kejahatan yang paling banyak dialami pada tahun 2021. Pencurian paling marah dilakukan oleh penyusup yang memasuki rumah pada saat rumah sedang kosong. Meskipun saat ini CCTV sering digunakan sebagai jalan keluar, namun CCTV masih rawan disusupi jika tidak ada yang mengawasi CCTV selama 24 jam. Maka implementasi machine learning pada kamera dalam rumah dapat menggantikan penggunaan CCTV analog agar dapat mendeteksi adanya penyusup di dalam rumah pada saat rumah sedang kosong. Penelitian kali ini menggunakan Convolutional Neural Network dalam framework YOLOv7 untuk melakukan deteksi penyusup dan menghitung jumlah penyusup yang tertangkap di dalam kamera. Dataset yang digunakan untuk melatih model pada penelitian kali ini diperoleh dari situs Roboflow yang diunggah oleh alive. Salah satu model yang dihasilkan dari penelitian kali ini memiliki nilai [email protected] sekitar 74.3%. Penelitian ini menghasilkan sistem berupa Bot Telegram sebagai media untuk menyalakan dan mematikan sistem keamanan rumah serta pemberi notifikasi jika terdeteksi adanya penyusup dan sistem keamanan rumah yang mengirimkan bukti video terdeteksinya penyusup berdurasi 10 detik kepada e-mail pengguna.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	E-mail, Bot Telegram, Penyusup, YOLOv7
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.8 Augmented Reality, Virtual Reality
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	03 Jul 2023 09:53
Last Modified:	22 Aug 2023 06:07
URI:	https://kc.umn.ac.id/id/eprint/25579

Actions (login required)

View Item