Mobile Aplikasi Pengawasan dan Pengamanan Pratima Pura di Bali
Main Article Content
Abstract
Pratima merupakan benda sakral untuk umat Hindu di Bali yang biasanya terbuat dari benda bernilai tinggi sehingga keamanan penyimpanannya menjadi hal yang sangat penting. Namun, beberapa kasus pencurian pratima, seperti yang terjadi pada beberapa pura di Bali, menunjukkan perlunya penerapan teknologi untuk menjaga keamanan dan kesakralan dari pratima tersebut. Hilangnya pratima yang memiliki nilai spiritual tinggi tidak hanya merugikan secara material tetapi juga mengganggu keseimbangan spiritual dan budaya masyarakat Bali. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pengawasan dan pengamanan berbasis kecerdasan buatan untuk pratima yang terintegrasi dengan aplikasi mobile. Sistem ini menggunakan teknologi CCTV yang dilengkapi dengan metode deteksi objek berbasis YOLO (You Only Look Once) untuk mendeteksi tindakan manusia yang mencurigakan di area penyimpanan pratima. Ketika sistem mendeteksi adanya aktivitas mencurigakan atau keberadaan seseorang di area tersebut, kamera secara otomatis akan menangkap gambar dan mengirimkan notifikasi kepada petugas keamanan melalui aplikasi mobile. Pengujian dilakukan menggunakan 500 gambar yang terdapat objek manusia, di mana sistem mampu mendeteksi 85 persen gambar dengan akurasi yang baik. Hasil pengujian menunjukkan bahwa sistem mampu memberikan notifikasi secara real-time kepada petugas keamanan, sehingga dapat meningkatkan pengawasan dan pengamanan pratima pada pura di Bali dan mencegah pencurian benda sakral ini.
Article Details
References
[2] Lina Al-sahan, Fatima Al-jabiri, Nora Abdelsalam, Amr Mohamed, Tarek Elfouly, and Mohamed Abdalla, Public Security Surveillance System Using Blockchain Technology and Advanced Image Processing Techniques. IEEE, 2020.
[3] L. Foresti, C. Micheloni, L. Snidaro, P. Remagnino, and T. Ellis, “Active Video-Based Surveillance System,” 2005.
[4] R. Ullah et al., “A Real-Time Framework for Human Face Detection and Recognition in CCTV Images,” Math Probl Eng, vol. 2022, 2022, doi: 10.1155/2022/3276704.
[5] V. Singh, S. Singh, and P. Gupta, “Real-Time Anomaly Recognition Through CCTV Using Neural Networks,” in Procedia Computer Science, Elsevier B.V., 2020, pp. 254–263. doi: 10.1016/j.procs.2020.06.030.
[6] A. Irin Anil, A. M. Mohan, G. M. S, and M. Jose, “Hawk-Eye smart CCTV surveillance System,” 2022. [Online]. Available: www.ijres.org
[7] P. W. Khan, Y. C. Byun, and N. Park, “A data verification system for cctv surveillance cameras using blockchain technology in smart cities,” Electronics (Switzerland), vol. 9, no. 3, Mar. 2020, doi: 10.3390/electronics9030484.
[8] P. W. Khan, Y. C. Byun, and N. Park, “A data verification system for cctv surveillance cameras using blockchain technology in smart cities,” Electronics (Switzerland), vol. 9, no. 3, Mar. 2020, doi: 10.3390/electronics9030484.
[9] M. F. Shakeel, N. A. Bajwa, A. M. Anwaar, A. Sohail, A. Khan, and Haroon-ur-Rashid, Detecting Driver Drowsiness in Real Time Through Deep Learning Based Object Detection, vol. 11506 LNCS. Springer International Publishing, 2019. doi: 10.1007/978-3-030-20521-8_24.
[10] P. G. Surya et al., “Smart Mobile Application for Detecting Balinese Masks to Introduce Balinese Culture to World Tourism,” Jurnal Info Sains : Informatika dan Sains, 2023, [Online]. Available: http://ejournal.seaninstitute.or.id/index.php/InfoSains
[11] C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,” Springer, 2021, doi: 10.1007/s12525-021-00475-2/Published.
[12] S. Dong, P. Wang, and K. Abbas, “A survey on deep learning and its applications,” May 01, 2021, Elsevier Ireland Ltd. doi: 10.1016/j.cosrev.2021.100379.
[13] Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu, and M. S. Lew, “Deep learning for visual understanding: A review,” Neurocomputing, vol. 187, pp. 27–48, Apr. 2016, doi: 10.1016/j.neucom.2015.09.116.
[14] I. P. A. E. D. Udayana, M. Sudarma, and P. G. S. C. Nugraha, “Implementation of Convolutional Neural Networks to Recognize Images of Common Indonesian Food Implementation of Convolutional Neural Networks Recognize Images of Common Indonesian Food,” International Conference on Applied Sciences, Information and Technology, pp. 1–7, 2020, doi: 10.1088/1757-899X/846/1/012023.
[15] I. P. A. E. D. U. Udayana and P. G. S. C. Nugraha, “Prediksi Citra Makanan Menggunakan Convolutional Neural Network Untuk Menentukan Besaran Kalori Makanan,” Jurnal Teknologi Informasi dan Komputer, vol. 6, no. 1, pp. 30–38, 2020.
[16] H. Li, L. Deng, C. Yang, J. Liu, and Z. Gu, “Enhanced YOLO v3 Tiny Network for Real-Time Ship Detection from Visual Image,” IEEE Access, vol. 9, pp. 16692–16706, 2021, doi: 10.1109/ACCESS.2021.3053956.