gajahslot mariatogel airbet robopragma wajik77 mposlot https://siapadia.riau.go.id/plugins/pulsa-limaribu/ https://journal.parahikma.ac.id/juaraslot/ https://jurnalbening.uho.ac.id/pages/tm/ http://adj.fkg.unand.ac.id/lib/pkp/alexistoto/ http://inomet.ft.unand.ac.id/locale/bento/ https://jurnal.usk.ac.id/lib/pkp/sbobet88/ https://htn.parahikma.ac.id/sbotop/ https://jurnalbening.uho.ac.id/lib/pkp/bni4d/ https://job.uho.ac.id/lib/pkp/btn4d/ paito hk https://jpi.faterna.unand.ac.id/help/slot99/ ronaldo slot slot gacor malam ini https://elijo.umpwr.ac.id/pages/idnslot/ slot garansi kekalahan slot deposit pulsa indosat slot demo Sbotop alexabet https://siapadia.riau.go.id/dist/mpo-gacor/ SISTEM DETEKSI DAN PERHITUNGAN JUMLAH MANUSIA DALAM RUANGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK | Laksono | Jurnal Simantec

SISTEM DETEKSI DAN PERHITUNGAN JUMLAH MANUSIA DALAM RUANGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Deni Tri Laksono, Indana Nihayatul Husna, Miftachul Ulum, Adi Kurniawan Saputro, Monika Faswia Fahmi, Dian Neipa Purnamasari

Abstract


Perkembangan teknologi yang pesat di bidang elektronik memberikan dampak positif dalam berbagai aspek kehidupan manusia, salah satunya dalam bidang monitoring atau pengawasan keamanan. Pekerjaan untuk menghitung jumlah pengunjung dalam suatu ruangan sangat mudah apabila dilakukan dalam skala yang kecil, namun akan menjadi sulit apabila perhitungan tersebut dilakukan pada skala yang besar. Dengan memanfaatkan teknologi pada bidang computer vision yaitu deep learning, penelitian ini bertujuan untuk mendeteksi dan menghitung jumlah manusia (people counter) secara otomatis. Pada penelitian ini menggunakan algoritma dari deep learning yaitu metode Convolutional Neural Network (CNN). Penelitian dilakukan menggunakan kamera secara real time Berdasarkan hasil pengujian, metode CNN dapat mendeteksi objek manusia dengan tingkat akurasi sebesar 86%, sistem dapat menghitung jumlah objek manusia dengan tingkat akurasi sebesar 62% dengan kondisi yang berbeda-beda seperti intensitas cahaya dan sudut kamera dalam pengambilan pengujian. Sedangkan tingkat akurasi jumlah orang yang masuk, keluar dan jumlah orang dalam ruangan dengan hasil data reporting yang disimpan dalam bentuk file .csv memiliki tingkat akurasi sebesar 73% ketika orang masuk, 64% ketika orang keluar dan 62% ketika orang dalam ruangan. Selain itu, sistem menghasilkan nilai akurasi sebesar 100% dalam menghitung jumlah orang dan memberikan output ruangan penuh ketika dalam ruangan melebihi nilai batas.

Kata kunci : pemantauan; kamera; real-time; CNN; people counter


References


S. D. Khan, H. Ullah, M. Ullah, and N. Conci, “Person Head Detection Based Deep Model for People Counting in Sports Videos Person Head Detection Based Deep Model for People Counting in Sports Videos,” 2019 16th IEEE Int. Conf. Adv. Video Signal Based Surveill., no. September, pp. 1–8, 2019, doi: 10.1109/AVSS.2019.8909898.

S. Basalamah and S. D. Khan, “Scale Driven Convolutional Neural Network Model for People Counting and Localization in Crowd Scenes,” IEEE Access, vol. 7, pp. 71576–71584, 2019, doi: 10.1109/ACCESS.2019.2918650.

D. Satriaji, Y. Suprapto, T. Telekomunikasi, P. P. Surabaya, and J. J. A. I, “Rancangan Monitoring Dan Kontrol Fasilitas Ruang Kelas Dengan Graphic User Interface Berbasis Raspberry Pi Menggunakan Smartphone Di Politeknik Penerbangan Surabaya,” vol. 2, no. 1, pp. 38–42, 2018.

B. Putra, G. Pamungkas, B. Nugroho, and F. Anggraeny, “DETEKSI DAN MENGHITUNG MANUSIA MENGGUNAKAN,” vol. 02, no. 1, pp. 67–76, 2021.

A. Mobilenetv, “Sistem Otomatis Pendeteksi Wajah Bermasker Menggunakan Deep Learning,” vol. 10, no. 1, 2021.

L. R. Ihtisyamuddin, J. T. Elektro, F. T. Industri, and U. I. Indonesia, “PEOPLE COUNTING DAN PENGUKURAN JARAK UNTUK INDOOR MONITORING BERBASIS PEMROSESAN CITRA mencapai derajat Sarjana S1 Disusun oleh : Luthfi Radifan Ihtisyamuddin Jurusan Teknik Elektro Fakultas Teknologi Industri Universitas Islam Indonesia Yogyakarta,” 2020.

“ALGORITMA CONVOLUTIONAL NEURAL NETWORK ( CNN ) BERDASARKAN CITRA KEPALA SKRIPSI Oleh : MUHAMMAD FAHMI ABIDIN,” 2021.

N. Dewi and F. Ismawan, “Implementasi Deep Learning Menggunakan Convolutional Neural Network untuk Sistem Pengenalan Wajah,” vol. 14, no. 1, pp. 34–43, 2021, doi: 10.30998/faktorexacta.v14i1.8989.

S. I. Cho, “Vision-based People Counter Using CNN-based Event Classification,” IEEE Trans. Instrum. Meas., vol. PP, no. c, p. 1, 2019, doi: 10.1109/TIM.2019.2959853.

Ryansyah, “Identifikasi Tingkatan Warna Pada Kopi Roasting Menggunakan Metode HSV Berbasis Mobile,” Terap. Inform. Nusant., vol. 1, no. 10, pp. 520–526, 2021.

A. K. Panggabean, A. Syahfaridzah, and N. A. Ardiningih, “Mendeteksi Objek Berdasarkan Warna Dengan Segmentasi Warna Hsv Menggunakan Aplikasi Matlab,” METHOMIKA J. Manaj. Inform. dan Komputerisasi Akunt., vol. 4, no. 2, pp. 94–97, 2021, doi: 10.46880/jmika.vol4no2.pp94-97.

Ellif, S. H. Sitorus, and R. Hidayati, “KLASIFIKASI KEMATANGAN PEPAYA MENGGUNAKAN UANG WARNA HSV DAN METODE NAIVE BAYES CLASSIFIER,” Coding J. Komput. dan Apl., vol. 09, no. 01, pp. 66–75, 2021.

I. S. Areni, I. Amirullah, and N. Arifin, “Klasifikasi Kematangan Stroberi Berbasis Segmentasi Warna dengan Metode HSV,” J. Penelit. Enj., vol. 23, no. 2, pp. 113–116, 2019, doi: 10.25042/jpe.112019.03.

A. Dalimunthe, “Deteksi Kematangan Buah Manggis Berdasarkan Fitur Warna Citra Kulit Menggunakan Metode Transformasi Ruang Warna HSV,” Skripsi, p. 89, 2021.

R. Rahmadewi, G. L. Sari, and H. Firmansyah, “Pendeteksian Kematangan Buah Jeruk Dengan Fitur Citra Kulit Buah Menggunakan Transformasi Ruang Warna HSV,” JTEV (Jurnal Tek. Elektro dan Vokasional), vol. 5, no. 1.1, p. 166, 2019, doi: 10.24036/jtev.v5i1.1.107560.




DOI: https://doi.org/10.21107/simantec.v11i1.19745

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Deni Tri Laksono, Indana Nihayatul Husna, Miftachul Ulum, Adi Kurniawan Saputro

Indexed By