Optimasi Sistem Deteksi Pencurian Motor Real-Time Menggunakan YOLO dan TensorRT

Derza Andreas; Shafiq Najwan; Muhammad Fajar Raihan; Maria Erviana Asinta Lensi; Randi Paisal Sipahutar; Yayan Hendrian; Giatika Chrisnawati

doi:10.31004/riggs.v4i2.1147

Authors

Derza Andreas Universitas Bina Sarana Informatika
Shafiq Najwan Universitas Bina Sarana Informatika
Muhammad Fajar Raihan Universitas Bina Sarana Informatika
Maria Erviana Asinta Lensi Universitas Bina Sarana Informatika
Randi Paisal Sipahutar Universitas Bina Sarana Informatika
Yayan Hendrian Universitas Bina Sarana Informatika
Giatika Chrisnawati Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i2.1147

Keywords:

Deteksi Dini, Pencurian Sepeda Motor, YOLOv11, ByteTrack, Face Recognition, OCR, TensorRT

Abstract

Tingginya angka pencurian sepeda motor menuntut solusi keamanan yang proaktif dan otomatis, mengingat sistem pengawasan konvensional umumnya bersifat reaktif dan kurang efektif. Penelitian ini mengusulkan sistem deteksi dini pencurian motor berbasis video yang mampu mengenali objek, mengidentifikasi individu, dan mendeteksi aktivitas mencurigakan secara real-time. Sistem ini mengintegrasikan berbagai teknologi kecerdasan buatan, termasuk YOLOv11 untuk deteksi objek, ByteTrack untuk pelacakan, InsightFace untuk identifikasi wajah, PaddleOCR untuk pembacaan pelat nomor, dan Real-ESRGAN untuk peningkatan resolusi citra. Pengujian dilakukan menggunakan video simulasi yang merepresentasikan kondisi nyata, seperti variasi pencahayaan, sudut kamera, dan interaksi antara subjek dan kendaraan. Evaluasi dilakukan terhadap 48 sampel wajah, 34 kasus identifikasi kendaraan, dan 20 skenario pencurian. Hasil evaluasi menunjukkan sistem berhasil mencapai akurasi 95,83% dalam identifikasi wajah dan 97,92% dalam identifikasi pelat nomor. Pada deteksi aktivitas curanmor, sistem mencatatkan akurasi 95% dan F1-score sebesar 96,97% tanpa adanya false negative. Dari segi performa, sistem yang dioptimasi dengan TensorRT (presisi FP16) menunjukkan peningkatan signifikan dalam kecepatan inferensi, dari 36,19 FPS (menggunakan PyTorch FP32) menjadi 56,47 FPS. Hasil ini menunjukkan bahwa sistem yang dikembangkan tidak hanya akurat dan andal, tetapi juga efisien untuk diterapkan dalam pengawasan keamanan rumah secara waktu nyata. Sistem ini juga memiliki potensi untuk dikembangkan lebih lanjut melalui integrasi dengan IoT guna meningkatkan respon otomatis terhadap potensi pencurian.

Downloads

Download data is not yet available.

References

I. P. Hermanto and Arinto Nurcahyono, “Tinjauan Sosiologi Hukum Terhadap Residivis Tindak Pidana Pencurian Sepeda Motor di Kabupaten Banggai,” Jurnal Riset Ilmu Hukum, 2022, doi: 10.29313/jrih.v2i2.1451.

Febriana Sulistya Pratiwi, “Data Jumlah Kasus Pencurian Kendaraan Bermotor di Indonesia pada 2022,” DataIndonesia.id. Accessed: May 29, 2025. [Online]. Available: https://dataindonesia.id/varia/detail/data-jumlah-kasus-pencurian-kendaraan-bermotor-di-indonesia-pada-2022

R. Laroca and D. Menotti, “Automatic License Plate Recognition: An Efficient and Layout-Independent System Based on the YOLO Detector,” 2021. doi: 10.5753/sibgrapi.est.2020.12978.

H. Shi and D. Zhao, “License Plate Recognition System Based on Improved YOLOv5 and GRU,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3240439.

M. S. H. Onim et al., “BLPnet: A new DNN model and Bengali OCR engine for Automatic Licence Plate Recognition,” Array, vol. 15, 2022, doi: 10.1016/j.array.2022.100244.

R. Al-batat, A. Angelopoulou, S. Premkumar, J. Hemanth, and E. Kapetanios, “An End-to-End Automated License Plate Recognition System Using YOLO Based Vehicle and License Plate Detection with Vehicle Classification,” Sensors, vol. 22, no. 23, 2022, doi: 10.3390/s22239477.

J. Viswanathan, K. E, N. S, and V. S, “Smart Attendance System using Face Recognition,” ICST Transactions on Scalable Information Systems, vol. 11, no. 5, 2024, doi: 10.4108/eetsis.5203.

A. H. Ahmad et al., “Real time face recognition of video surveillance system using haar cascade classifier,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 21, no. 3, 2021, doi: 10.11591/ijeecs.v21.i3.pp1389-1399.

Y. Qian, “Face recognition technology for video surveillance integrated with particle swarm optimization algorithm,” International Journal of Intelligent Networks, vol. 5, 2024, doi: 10.1016/j.ijin.2024.02.008.

M. Liu, J. Liu, P. Zhang, and Q. Li, “PA-GAN: A Patch-Attention Based Aggregation Network for Face Recognition in Surveillance,” IEEE Access, vol. 8, 2020, doi: 10.1109/ACCESS.2020.3017779.

S. Shekhar, T. S. Sathwik, M. Pritwani, R. Kumar, K. Sreelakshmi, and others, “Advancing deep learning on edge devices: Fine-tuning and deployment of yolov7 model for efficient object detection in ai based computer vision applications,” in 2025 3rd International Conference on Intelligent Data Communication Technologies and Internet of Things (IDCIoT), 2025, pp. 1912–1918.