Detection of Customer Interested Garments in Surveillance Video using Computer Vision

Ijjina, Earnest Paul; Joshi, Aniruddha Srinivas; Kanahasabai, Goutham

doi:10.1109/icccnt49239.2020.9225571

Cited by 1 publication

(1 citation statement)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Salah satu algoritma yang populer dalam dunia visi komputer saat ini adalah You Only Look Once (YOLO) [12], [13]. Pada implementasinya, YOLO sering kali digunakan untuk melakukan pendeteksian dan pengenalan objek, beberapa diantaranya seperti deteksi masker dan jarak sosial [14], [15], deteksi kecelakaan lalu lintas [16], deteksi ketertarikan pakaian [17], dan menghitung jumlah kendaraan yang lewat di jalan raya [18]. Berdasarkan informasi dari beberapa referensi di atas, maka algoritma ini juga sangat memungkinkan untuk diterapkan dalam mendeteksi aktivitas kecurangan siswa saat mengikuti ujian di dalam rungan kelas [11].…”

Section: Pendahuluanunclassified

Pendeteksian Kecurangan Ujian Melalui CCTV Menggunakan Algoritma YOLOv5

Bimantoro,

Wijaya,

Aohana

2024

Stains

View full text Add to dashboard Cite

Penggunaan teknologi di sektor pendidikan, khususnya ketika ujian, masih menghadapi tantangan berupa tingkat kecurangan yang tinggi. Salah satu penerapan teknologi ini adalah pendeteksian kecurangan saat ujian menggunakan CCTV. YOLO merupaan salah satu metode yang cukup handal untuk melakukan deteksi objek, dan YOLOv5 adalah salah satu varian YOLO yang mampu memberikan performa baik pada perangkat yang minim.Penelitian ini mengusulkan penerapan algoritma YOLOv5 untuk mendeteksi kecurangan melalui CCTV. Penelitian ini fokus pada efisiensi dan performa, dengan membandingkan tiga varian YOLOv5, yaitu YOLOv5l, YOLOv5m, dan YOLOv5s. Dataset yang digunakan merupakan rekaman video CCTV yang berada pada ruang kelas, dimana dataset ini terdiri dari 5 kelas (1 kelas normal, dan 4 kelas tindakan kecurangan). Pengujian dilakukan dengan membandingkan performa dari ketiga varian YOLOv5. Berdasarkan hasil pengujian, beban komputasi YOLOv5s saat pelatihan adalah 9,1 ms, 7x jauh lebih kecil dari pada YOLOv5l dan 3x lebih kecil dari YOLOv5m. Selain itu performa YOLOv5s lebih baik dibandingkan dengan YOLOv5l dan YOLOv5m, dengan akurasi, AP, AR dan mAP:50 sebesar 0,43, 0,492, 0,431,dan 0,549 secara berurutan. Hasil tersebut menegaskan bahwa YOLOv5s yang terbaik baik secara beban komputasi maupun performa. Meskipun demikian, perlu dilakukan perbaikan kualitas dan kuantitas dataset dan juga metode untuk meningkatkan performa dari pendeteksi kecurangan melalui CCTV ini.

show abstract