Electronic Theses and Dissertation

Deteksi anomali merupakan salah satu masalah visi komputer (Computer Vision) yang paling sulit dan berkelanjutan. Meningkatnya permintaan akan keamanan dan pengawasan publik, sejumlah besar kamera pengawas telah dipasang di banyak ruang publik, termasuk bandara, alun-alun, stasiun kereta bawah tanah, dan stasiun kereta api. Kamera tersebut menghasilkan data video dalam jumlah besar, menghasilkan proses yang tidak efisien dan melelahkan bagi operator manusia untuk menemukan kejadian yang mencurigakan atau tidak biasa.
Berdasarkan masalah tersebut, penelitian ini mengusulkan pemanfaatan visi komputer dan aplikasi mobile untuk mempermudah pengguna karena sifatnya yang portable dalam memantau video dengan mempelajari perilaku anomali dalam video. Metode yang digunakan dari daerah yang difokuskan pada video selanjutnya dimasukkan ke dalam jaringan saraf konvolusi tiga dimensi (3D CNN) yang berbasis aplikasi mobile dan komputasi awan (Cloud Computing). Hasil pengujian dari dataset menunjukkan akurasi yang diusulkan cukup baik dimana area nilai ROC (Receiver Operating Characteristic) yang dihasilkan bernilai 0.81 sehingga sistem mampu membedakan peristiwa normal dan anomali.

Anomaly detection is one of the most difficult and ongoing computer vision problems. With the increasing demand for public security and surveillance, a large number of surveillance cameras have been installed in many public spaces, including airports, squares, subway stations and train stations. The cameras generate large amounts of video data, making for an inefficient and laborious process for human operators to spot suspicious or unusual events. Based on these problems, this study proposes the use of computer vision and mobile applications to make it easier for users because of their portable nature in monitoring videos by studying anomalous behavior in videos. The method used from the video-focused area is then inserted into a three-dimensional convolution neural network (3D CNN) based on mobile applications and cloud computing (Cloud Computing). The test results from the dataset show that the proposed accuracy is quite good where the resulting ROC (Receiver Operating Characteristic) value area is 0.81 so that the system is able to distinguish normal and anomalous events.