Informasi Umum

Kode

25.04.1401

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Computer Vision

Dilihat

43 kali

Informasi Lainnya

Abstraksi

Analisis video pengawasan secara manual membutuhkan proses pemantauan dan identifikasi perilaku tidak normal dari rekaman video, dengan input berupa rekaman video pengawasan dan output berupa deteksi perilaku yang tidak normal. Analisa secara manual tidak efisien, karena membutuhkan waktu dan sumber daya yang besar. Banyak video tidak dapat dimanfaatkan secara optimal karena berbagai keterbatasannya yang ada, sehingga menyebabkan potensi terlewatnya perilaku mencurigakan yang seharusnya dapat terdeteksi. Penelitian ini menerapkan metode Vector Quantized Variational Autoencoder (VQ-VAE) untuk mendeteksi anomali dengan memanfaatkan teknologi deep learning, dimana sistem menggunakan representasi laten diskrit untuk meningkatkan akurasi rekonstruksi dan pengenalan pola normal. Pengujian menggunakan dataset ShanghaiTech Campus menunjukkan peningkatan performa yang signifikan, dengan peningkatan ROC-AUC sebesar 5.8% dan PR-AUC sebesar 7.2% dibandingkan metode Convolutional Autoencoder tradisional. Model juga menunjukkan hasil yang sebanding dengan metode Memory-Augmented Autoencoder yang lebih kompleks, dengan keunggulan dalam konsistensi deteksi anomali. Kontribusi utama penelitian ini adalah penerapan representasi latent diskrit yang memungkinkan deteksi anomali yang lebih stabil dan akurat dalam video yang dianalisis.<br />  

  • CII4Q3 - VISI KOMPUTER

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Anda harus log in untuk mengakses flippingbook

Pengarang

Nama AHMAD NURCAHYO DHARMAJATI
Jenis Perorangan
Penyunting Gamma Kosala
Penerjemah

Penerbit

Nama Universitas Telkom, S1 Informatika
Kota Bandung
Tahun 2025

Sirkulasi

Harga sewa IDR 0,00
Denda harian IDR 0,00
Jenis Non-Sirkulasi

Download / Flippingbook