relation: http://repository.upi.edu/137737/
title: DETEKSI AKSI KEKERASAN PADA VIDEO MENGGUNAKAN ARSITEKTUR DUAL-STREAM CONVLSTM DENGAN OPTIMASI FRAME GROUPING
creator: Muhammad Fikri Kafilli, -
creator: Lala Septem Riza, -
creator: Yaya Wihardi, -
subject: L Education (General)
subject: QA75 Electronic computers. Computer science
description: Sistem pengawasan konvensional sering kali bersifat reaktif dan tidak efisien dalam menangani insiden kekerasan, sehingga dibutuhkan solusi proaktif yang dapat memberikan peringatan secara dini. Penelitian ini bertujuan untuk merancang, membangun, dan menguji sebuah sistem deteksi kekerasan real-time yang tangguh dan efisien secara komputasi. Metode yang diusulkan menggunakan arsitektur dual-stream ConvLSTM yang secara paralel memproses fitur deteksi perubahan dan kerangka manusia. Efisiensi komputasi ditingkatkan melalui teknik frame grouping dan sebuah modul filter yang hanya menganalisis video saat terdeteksi adanya gerakan signifikan. Hasil eksperimen menunjukkan performa model dengan f1-score sebesar 78.62% dan penghematan waktu eksekusi GPU hingga 90.8% berkat penggunaan filter pada video dengan kamera statis dan aktivitas rendah. Sistem end-to-end yang diuji terbukti layak untuk penerapan realtime, dengan latensi pemrosesan maksimum 0.9891 detik. Penelitian ini berhasil mengembangkan sebuah kerangka kerja sistem deteksi kekerasan yang menyeimbangkan antara akurasi, ketangguhan, dan efisiensi komputasi, sehingga praktis untuk penerapan di dunia nyata.    Conventional surveillance systems are often reactive and inefficient in handling violent incidents, necessitating proactive solutions capable of providing early warnings. This research aims to design, build, and test a robust and computationally efficient real-time violence detection system. The proposed method adopts a dual-stream ConvLSTM architecture that processes change detection and human skeleton features in parallel. Computational efficiency is enhanced through the frame grouping technique and a filter module that only analyzes video when significant motion is detected. Experimental results show a model performance with an f1-score of 78.62% and GPU execution time savings of up to 90.8% on videos with static cameras and low activity. The tested end-to-end system is proven viable for real-time application, with a maximum processing latency of 0.9891 seconds. This research successfully develops a framework for a violence detection system that balances accuracy, robustness, and computational efficiency, making it practical for real-world implementation.
date: 2025-08-27
type: Thesis
type: NonPeerReviewed
format: text
language: id
identifier: http://repository.upi.edu/137737/1/S_KOM_2107264_Title.pdf
format: text
language: id
identifier: http://repository.upi.edu/137737/2/S_KOM_2107264_Chapter1.pdf
format: text
language: id
identifier: http://repository.upi.edu/137737/3/S_KOM_2107264_Chapter2.pdf
format: text
language: id
identifier: http://repository.upi.edu/137737/4/S_KOM_2107264_Chapter3.pdf
format: text
language: id
identifier: http://repository.upi.edu/137737/5/S_KOM_2107264_Chapter4.pdf
format: text
language: id
identifier: http://repository.upi.edu/137737/6/S_KOM_2107264_Chapter5.pdf
format: text
language: id
identifier: http://repository.upi.edu/137737/7/S_KOM_2107264_Appendix.pdf
identifier:   Muhammad Fikri Kafilli, - and Lala Septem Riza, - and Yaya Wihardi, -  (2025) DETEKSI AKSI KEKERASAN PADA VIDEO MENGGUNAKAN ARSITEKTUR DUAL-STREAM CONVLSTM DENGAN OPTIMASI FRAME GROUPING.  S1 thesis, Universitas Pendidikan Indonesia.   
relation: https://repository.upi.edu/