Pengembangan Model Deep Learning untuk Deteksi Aksi Pencurian Sayid Mahmud Ibadirahman Syah (a*), Haris Suhendar (a), Ilham Fadhil (b)
a) Universitas Negeri Jakarta
Jl. R.Mangun Muka Raya No.11, Rawamangun, Kec. Pulo Gadung, Kota Jakarta Timur, DKI Jakarta 13220
*sayidmahmud060[at]gmail.com
b) PT. Beeja Sejahtera Raharja (PT. Beesar)
Jl. Batu Ampar V No.10, Kec. Kramat jati, Kota Jakarta Timur, Daerah Khusus Ibukota Jakarta 13520
Abstract
Pencurian barang dagangan (shoplifting) menjadi masalah serius di sektor ritel Indonesia, berdampak pada kerugian finansial dan operasional. Penelitian ini mengembangkan sistem deteksi shoplifting berbasis deep learning yang menggabungkan YOLO untuk deteksi objek, HRNet untuk estimasi pose, dan STG-NF untuk analisis anomali perilaku. Sistem dirancang untuk menganalisis video kamera pengawas secara real-time. Proses pengembangan mencakup pelabelan data, pelatihan ulang model, serta integrasi pipeline dari deteksi objek dan pose ke analisis spasio-temporal perilaku. Hasil evaluasi menunjukkan sistem mampu mendeteksi shoplifting secara efektif dan mengurangi ketergantungan pada pemantauan manual. Temuan ini mendukung digitalisasi ritel, meningkatkan keamanan, dan meminimalkan kerugian. Penelitian ini berkontribusi pada pengembangan teknologi pengawasan berbasis AI dan membuka peluang inovasi lebih lanjut dalam keamanan dan analitik video.
Keywords: Shoplifting, Deteksi anomali, Deep learning, YOLO, HRNet, STG-NF, Analitik video
