Sistem Pengawasan Berbasis Deep Learning untuk Rekognisi Keberadaan dan Aksi Staf Bengkel

Soendoro, Kevin (2024) Sistem Pengawasan Berbasis Deep Learning untuk Rekognisi Keberadaan dan Aksi Staf Bengkel. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022201208-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (7MB) | Request a copy

Abstract

Pencurian stok dan produktivitas staf yang tidak optimal adalah dua masalah yang sering dihadapi oleh berbagai jenis bisnis. Terkadang, pencurian bisa terjadi karena orang asing yang tidak berizin dapat dengan mudah masuk ke dalam area bisnis, mengakibatkan kerugian yang signifikan. Di sisi lain, tantangan produktivitas staf juga dapat merugikan bisnis, terutama ketika beberapa karyawan tidak selalu berada dalam kondisi siap kerja, bahkan hingga tiduran di tempat kerja. Semua ini dapat berdampak negatif pada efisiensi operasional dan profitabilitas perusahaan. Untuk mengatasi permasalahan ini, salah satu solusi inovatif yang diusulkan adalah pengembangan alat pendeteksi staf menggunakan teknologi pengolahan citra berbasis deep learning. Hasil yang diperoleh dari penelitian ini adalah program pertama yang didesain untuk mengambil video pengunjung yang melewati pintu masuk dan kemudian mengidentifikasi staf, pemilik atau orang asing berdasarkan pakaian yang mereka kenakan. Ketika terdeteksi staf atau pemilik, maka pintu pengunci pintu akan terbuka dan akan diberikan notifikasi, sedangkan ketika terdeteksi orang asing, maka akan diberikan notifikasi saja. Akurasi yang diperoleh dari program yang dibuat menggunakan model penulis memperoleh akurasi prediksi nyata 91,33%. Program kedua juga memiliki kemampuan untuk mendeteksi aktivitas staf dengan menganalisis postur dan gerakan tubuh mereka, sehingga dapat memberikan notifikasi jika ada staf yang tiduran atau tidak melakukan tugasnya dengan baik saat harus bekerja. Akurasi prediksi nyata yang diperoleh dari program yang menggunakan model yang dibuat oleh penulis adalah 96,78%. Hasil ini sudah sesuai dengan tujuan penulis. Program dan model yang dibuat oleh penulis menggunakan metode yang sudah dipelajari sudah sangat efektif dan melebihi akurasi target 85%.
====================================================================================================================================
Stock theft and suboptimal staff productivity are common challenges across various business sectors. Sometimes, theft occurs due to unauthorized individuals gaining easy access to business premises, resulting in substantial losses. Conversely, productivity challenges among staff can also hinder business operations, particularly when employees are not consistently ready for work, even resorting to napping during work hours. These issues can significantly impact operational efficiency and company profitability. To tackle these problems, an innovative solution has been proposed: the development of a staff detection tool using image processing technology based on deep learning. This tool is designed to capture images of visitors from video feeds passing through the entrance and then identify staff, owners, or unauthorized individuals based on their attire. When staff or owners are detected, the door locking mechanism will be automatically disengaged, and a notification will be sent. However, if an unauthorized individual is detected, only a notification will be triggered.The results obtained from this research showcase the effectiveness of the developed program. It is the first of its kind, designed to accurately differentiate between staff, owners, and unauthorized visitors, achieving an impressive accuracy rate of 91.33%. Additionally, the program has the capability to detect staff activities by analyzing their body postures and movements. This feature enables it to send notifications if a staff member is found sleeping or not performing their duties adequately during work hours. The accuracy rate for this activity detection program is an impressive 96,78%, surpassing the target accuracy of 85%. The implementation of these programs and models, utilizing learned methodologies, has proven highly effective in addressing stock security and staff productivity challenges. The deep learning-based surveillance system developed through this research has demonstrated excellent detection success rates and is ready for real-life deployment in various business scenarios.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deteksi, Identifikasi, Deep Learning, Detection, Identification, Deep Learning
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK3070 Automatic control T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Kevin Soendoro
Date Deposited:	01 Aug 2024 12:56
Last Modified:	12 Sep 2024 07:28
URI:	http://repository.its.ac.id/id/eprint/110621

Actions (login required)

View Item