Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 pages 50 - 58 e-ISSN : 2655-3392 https://doi.
org/10.
47668/edusaintek.
PERANCANGAN MODEL YOLOv8-LSTM UNTUK DETEKSI GERAKAN ANOMALI Frolentika1*.
Hebert Karsten Juwono2.
Luigi Emiliandra3.
Kevin Pierre Rafael Sabran4.
Windy Sulistiawati5, & Rahmi Yulia Ningsih6
1,2,3,4,5,6
Universitas Bina Nusantara.
Indonesia *e-mail korespondensi: frolentika@binus.
Abstract: Manual monitoring of CCTV systems for detecting anomalous movements, such as fights and theft, is highly inefficient and prone to human error, thus urging the need for automated surveillance systems.
A key research gap is that most object detection models .
patial in natur.
fail to understand the temporal context .
ovement patterns over tim.
which is key to distinguishing normal and anomalous activities.
This study proposes the design of a hybrid deep learning model YOLOv8-LSTM to address this issue.
Using the 4D R&D (Define.
Design.
Develo.
research methodology, an architecture is designed in which YOLOv8 .
serves as a spatial feature extractor .
enerating a 106-dimensional vecto.
from each video frame.
The sequence of these features is then analyzed using a Bidirectional Long Short-Term Memory (BiLSTM) equipped with an Attention Pooling mechanism to model temporal dependencies and classify movements.
The prototype test results on the test set show strong performance, achieving an AUC of 0.
8646 and an F1-Score of 0.
Qualitative analysis through 3D latent space visualization successfully demonstrated the model's effectiveness: initially overlapping spatial features (YOLOv8 inpu.
were successfully mapped into clearly separated normal and anomalous class clusters (LSTM outpu.
This study validates that the proposed hybrid architecture is effective in combining spatial and temporal understanding for accurate detection of anomalous motion, particularly criminal activity.
Keywords: Anomaly Detection.
YOLOv8.
LSTM.
Hybrid Model Abstrak: Pemantauan manual pada sistem CCTV untuk deteksi gerakan anomali, seperti perkelahian dan pencurian, sangat tidak efisien dan rentan terhadap kelalaian manusia .
uman erro.
, sehingga mendesak perlunya sistem pengawasan otomatis.
Celah penelitian utama adalah bahwa sebagian besar model deteksi objek .
ersifat spasia.
gagal memahami konteks temporal .
ola gerakan dari waktu ke wakt.
yang merupakan kunci untuk membedakan aktivitas normal dan anomali.
Penelitian ini mengusulkan perancangan model hybrid deep learning YOLOv8LSTM untuk mengatasi masalah tersebut.
Dengan menggunakan metodologi penelitian R&D 4D (Define.
Design.
Develo.
, sebuah arsitektur dirancang di mana YOLOv8 .
berfungsi sebagai ekstraktor fitur spasial .
enghasilkan vektor 106-dimens.
dari setiap frame video.
Sekuens dari fitur-fitur tersebut kemudian dianalisis menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) yang dilengkapi dengan mekanisme Attention Pooling untuk memodelkan dependensi temporal dan mengklasifikasikan gerakan.
Hasil pengujian prototipe pada test set menunjukkan kinerja yang kuat, mencapai nilai AUC 0,8646 dan F1-Score 0,6530.
Analisis kualitatif melalui visualisasi ruang laten 3D berhasil membuktikan efektivitas model: fitur spasial yang awalnya tumpang tindih .
nput YOLOv.
berhasil dipetakan menjadi klaster kelas normal dan anomali yang terpisah secara jelas .
utput LSTM).
Penelitian ini memvalidasi bahwa arsitektur hybrid yang diusulkan efektif dalam menggabungkan pemahaman spasial dan temporal untuk deteksi gerakan anomali, khususnya tindak kriminal secara akurat.
Kata Kunci: Deteksi Anomali.
YOLOv8.
LSTM.
Model Hybrid.
Histori Naskah Diserahkan: 30-03-2026 Direvisi: 22-12-2025 Diterima: 17-11-2025 This is an open access article under the CC BY-SAlicense.
Copyright A2026 by Author.
Published by STKIP PGRI Situbondo Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026
PENDAHULUAN
Sistem pengawasan dengan Closed-Circuit Television (CCTV) atau kamera pengawas telah banyak diimplementasikan dalam berbagai sektor.
Keberadaan CCTV di suatu area meningkatkan rasa aman, nyaman, serta waspada bagi masyarakat luas(KULA, 2.
Hasil rekaman yang diperoleh memegang peran krusial dalam berbagai kasus kriminal.
Hasil penelitian yang dilakukan oleh Ashby di Kepolisian Transportasi Inggris mengungkapkan bukti visual CCTV berperan penting dalam membantu 65% kasus antara tahun 20112015(Ashby, 2.
CCTV juga berdampak untuk menurunkan tingkat kejahatan di tempat Studi oleh Brandon C.
Welsh dan David P.
Farrington menunjukkan efektivitas CCTV di tempat parkir mobil sehingga menurunkan tingkat kejahatan sebesar 51%(Welsh & Farrington, 2.
Namun, masih terdapat kelemahan dalam sistem pengawasan dengan menggunakan CCTV, salah satunya jumlah data rekaman melonjak seiring dengan meningkatnya jumlah kamera pengawas(Fahlevvi et al.
, 2.
Selain itu, pemantauan secara manual menjadi tidak efektif karena memerlukan biaya dan tenaga yang besar.
Operator yang rentan terhadap kelelahan dan kelalaian mengakibatkan banyak kejadian penting atau aktivitas mencurigakan yang terlewatkan.
Pengumpulan bukti juga hanya bisa dilakukan setelah suatu kejadian dilaporkan(Lisdiana et al.
, 2.
Model pendeteksi gerakan anomali menggunakan teknologi pembelajaran mesin .
achine learnin.
telah dikembangkan sebagai solusi dari masalah tersebut(Al-slemani & Zengin, 2.
Deteksi gerakan anomali adalah proses mengenali pola perpindahan objek untuk menemukan perilaku menyimpang dari pola normal(Liu et al.
, 2.
Dalam penelitian ini, model deteksi gerakan anomali merujuk pada perilaku menyimpang, seperti perkelahian, perundungan, pencurian, dan sebagainya.
Model dilatih dengan data pola normal dan anomali sehingga mampu membedakan pola gerak suatu objek, sehingga mampu menganalisis hasil rekaman secara mandiri dan mendeteksi gerakan anomali.
Kemampuan dan akurasi model bisa berbeda tergantung dengan data yang digunakan pada saat training.
Deteksi anomali mengubah peran kamera yang bersifat pasif menjadi proaktif, serta meningkatkan respon darurat dan mengurangi tingkat kerugian(Khayrat et al.
, 2.
Beberapa penelitian telah dilakukan untuk merancang model deteksi gerakan anomali, baik dengan metode pendekatan dengan statistik tradisional maupun metode deep learning.
Pada awalnya, model deep learning menggunakan Convolutional Neural Networks (CNN) telah menjadi terobosan luar biasa dalam teknologi deteksi objek(Tay Nian Chiand Connie.
Sebagai contoh, penelitian oleh Nguyen.
Trong-Nguyen, dkk.
telah berhasil merancang model pendeteksi gerakan dengan mempelajari hubungan antara objek umum dan gerakan terkaitnya(Nguyen & Meunier, 2.
Penggunaan arsitektur YOLO (You Only Look Onc.
dalam model banyak dipilih karena mampu mendeteksi objek dengan akurasi tinggi dan real-time(Guan, 2.
YOLO
bekerja dengan memperkirakan kotak pembatas .
ounding bo.
dan probabilitas kelas satu frame utuh secara bersamaan, biasa dikenal dengan istilah evaluasi satu tahap .
ingle-stage object detectio.
(Diwan et al.
, 2.
, serta sebagai ekstraksi fitur.
YOLO memiliki akurasi analisis yang tinggi dalam waktu yang singkat(Ganagavalli & Santhi, 2.
Model YOLO juga sudah banyak digunakan dalam sistem pengawasan dan sistem keamanan berbasis computer vision(Jocher et al.
, 2.
Banyak model yang dikembangkan dengan YOLO-CNN unggul dalam menganalisis objek dalam gambar(Chang et al.
, 2.
Namun, model YOLOCNN kurang baik dalam menganalisis pergerakan objek dalam jangka waktu lama(V et al.
Keterbatasan ini menjadi celah model dalam mendeteksi gerakan anomali.
Sebuah gerakan hanya dapat diidentifikasi dari beberapa frame gambar secara berkelanjutan untuk menganalisis pola gerak objek.
Penelitian mulai beralih mengembangkan model jaringan rekuren (RNN), seperti Long Short-Term Memory (LSTM) untuk mengatasi kelemahan Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 itu(Sherstinsky, 2.
LSTM mampu mempelajari data berkelanjutan sehingga untuk digunakan dalam model deteksi pola gerakan(Sherstinsky, 2.
Penelitian yang dilakukan oleh Zou .
merancang model menggunakan YOLOv5-LSTM untuk manajemen keamanan laboratorium(Zou, 2.
Meskipun model hybrid terdahulu seperti YOLOv5-LSTM (Zou, 2.
telah menunjukkan kelayakan dalam manajemen keamanan, pendekatan tersebut dibatasi oleh arsitektur anchor-based YOLOv5 yang memerlukan tuning dan kurang optimal dalam mendeteksi objek non-standar atau padat, seperti perkelahian atau pencurian.
Untuk memperkuat kontribusi kebaruan penelitian ini, kami menggunakan YOLOv8 sebagai ekstraktor fitur spasial, yang menawarkan peningkatan kinerja signifikan secara teoritis melalui adopsi mekanisme anchor-free dan pembaruan pada backbone serta decoupled head.
Arsitektur anchor-free YOLOv8 secara langsung memprediksi pusat dan dimensi objek, mengurangi redundancy prediksi serta konflik tugas antara klasifikasi dan regresi, sehingga menghasilkan vektor fitur spasial .
-dimens.
yang jauh lebih akurat dan representatif.
Kualitas input spasial yang superior ini secara fundamental meningkatkan efektivitas pemodelan dependensi temporal oleh Bi-LSTM dan Attention Pooling, memungkinkan arsitektur YOLOv8-LSTM ini untuk memisahkan klaster gerakan normal dan anomali dengan lebih jelas, sebagaimana tervalidasi oleh pemisahan ruang laten yang berhasil dicapai.
YOLOv8 adalah seri terbaru dari jajaran arsitektur YOLO yang dikembangkan oleh Ultralytics.
Model ini memiliki peningkatan signifikan dalam fitur anchor-free dan backbone(Varghese & M, 2.
YOLOv8 memiliki kecepatan inverensi dan akurasi paling tinggi dibandingkan semua seri sebelumnya(Sohan et al.
, 2.
Peran YOLOv8 dalam model yang dirancang adalah mengidentifikasi dan melacak posisi objek dalam satu frame gambar.
YOLOv8 dipilih karena mampu mengambil data fitur dari setiap frame(Varghese & M, 2.
Akurasi yang dimiliki oleh YOLOv8 juga sangat tinggi dan mampu beroperasi secara realtime.
Model LSTM berperan untuk menganalisis hasil fitur untuk mengindentifikasi pola gerak objek(Sherstinsky, 2.
Model yang dirancang diharapkan dapat meningkatkan akurasi deteksi gerak dibandingkan dengan model dengan metode sebelumnya.
Penelitian ini memiliki kontribusi dalam memberikan wawasan baru tentang keefektikan integrasi antara model dan arsitektur YOLOv8-LSTM.
Hasil penelitian dapat dijadikan sebagai dasar untuk pengembangan model deep learning selanjutnya.
Model yang dirancang memiliki potensi besar untuk diimplementasikan ke dalam smart security system.
METODE
Metodologi penelitian ini mengadopsi model penelitian dan pengembangan atau Research and Development (R&D) 4D (Four-D), yang awalnya dikembangkan oleh Thiagarajan dan Semmel(Waruwu, 2.
Model ini menyediakan kerangka kerja yang sistematis untuk merancang dan membangun sebuah produk baru.
Namun, sesuai dengan ruang lingkup penelitian yang berfokus pada perancangan dan validasi prototipe model deteksi anomali, penelitian ini dibatasi hanya pada tiga dari empat tahapan utama, yaitu Define (Pendefinisia.
Design (Perancanga.
, dan Develop (Pengembanga.
Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 Alur kerja penelitian yang mengadaptasi tiga tahap model 4D ini digambarkan dalam diagram alir berikut:
Tahap pertama dalam penelitian ini adalah Define (Pendefinisia.
Fase ini berfokus Gambar 1.
0 Alur Kerja Penelitian pada penetapan dan pendefinisian kebutuhan penelitian.
Kegiatan dimulai dengan melakukan analisis masalah yaitu sistem pengawasan CCTV saat ini masih sangat bergantung pada pemantauan manual yang rentan terhadap human error.
Selain itu, metode deteksi objek standar .
eperti YOLO) gagal menangkap konteks temporal yang krusial untuk membedakan gerakan normal dan anomali.
Berdasarkan temuan tersebut, studi literatur dilakukan untuk mendalami arsitektur YOLOv8 dan Long Short-Term Memory (LSTM) tentang keunggulan dan potensi integrasi keduanya.
Hasil dari tahap ini adalah perumusan tujuan penelitian yang jelas, yaitu merancang sebuah sistem deteksi gerakan anomali baru menggunakan model hybrid YOLOv8-LSTM.
Tahap kedua adalah Design (Perancanga.
, dimana semua spesifikasi teknis untuk "produk" .
yang akan dibangun dirancang secara rinci.
Tahap ini merupakan blueprint dari keseluruhan sistem.
Kegiatan utama meliputi perancangan arsitektur model LSTMClassifier secara spesifik, termasuk penentuan jumlah layer .
-layer Bi-LSTM), dimensi tersembunyi .
idden_dim=.
, dan penggunaan mekanisme pooling gabungan (Attention.
Mean.
Ma.
Secara khusus.
Attention Pooling dipilih karena keunggulannya dalam deteksi anomali temporal, tidak seperti pooling sederhana (Mean/Ma.
yang memperlakukan semua langkah waktu sama.
Attention memungkinkan model untuk secara adaptif memberikan bobot yang lebih tinggi pada frame atau momen kritis .
isalnya, frame yang menunjukkan kontak fisik atau perubahan gerakan yang tiba-tib.
dalam sekuens, yang merupakan kunci untuk membedakan aktivitas normal dan anomali secara akurat.
Selain itu, skema ekstraksi fitur YOLOv8 dirancang secara mendetail, menetapkan penggunaan yolov8m.
pt, panjang sekuens (SEQ_LEN=.
, dan struktur vektor fitur 106-dimensi.
Pada tahap ini pula, skenario pengujian dan evaluasi dirancang, termasuk metode pembagian data .
tratified spli.
% data latih, 15% data validasi, 15% data uj.
serta pemilihan metrik evaluasi primer (AUC dan F1-Scor.
Tahap ketiga dan terakhir dalam penelitian ini adalah Develop (Pengembanga.
Pada fase ini, semua rancangan dari tahap design diwujudkan menjadi prototipe produk yang Proses ini melibatkan implementasi kode menggunakan library PyTorch dan Ultralytics.
Kegiatan utama adalah eksekusi skrip pra-pemrosesan untuk mengekstraksi fitur dari seluruh dataset video dan menyimpannya ke dalam format npz.
Selanjutnya, model LSTMClassifier dilatih menggunakan parameter yang telah ditentukan .
ptimizer AdamW.
FocalLoss, dan WeightedRandomSample.
Selama proses pelatihan, model divalidasi secara internal pada set validasi untuk memantau kinerjanya dan menyimpan bobot model terbaik Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 .
stm_best.
yang didasarkan pada skor val_auc tertinggi.
Luaran dari tahap ini adalah sebuah prototipe model yang terlatih dan tervalidasi dan siap untuk dievaluasi kinerjanya secara final.
HASIL DAN PEMBAHASAN
Hasil Tahap pertama metodologi adalah Define, yang mengidentifikasi masalah utama penelitian.
Kegagalan metode deteksi objek standar dalam menangkap konteks temporal, yang krusial untuk membedakan gerakan normal dan anomali.
Untuk memvalidasi masalah ini secara empiris, dilakukan visualisasi terhadap fitur spasial murni yang diekstraksi dari test set.
Sesuai dengan rancangan pada tahap Design, vektor fitur 106-dimensi diekstraksi menggunakan Gambar 2.
0 Visualisasi 3D Fitur YOLO Hasil visualisasi PCA pada [Gambar 2.
secara jelas mengonfirmasi hipotesis dari tahap Define.
Terlihat bahwa titik data untuk kelas normal .
dan anomali .
sangat tumpang tindih .
, membuktikan bahwa fitur spasial yang diekstraksi oleh YOLOv8 saja tidak cukup untuk memisahkan kedua kelas secara linear.
Menjawab masalah tersebut, tahap Design merumuskan arsitektur model spesifik untuk menangkap konteks temporal, yaitu 2-layer Bi-LSTM dengan dimensi tersembunyi 256 dan mekanisme Attention Pooling.
Keberhasilan rancangan ini divalidasi dengan memvisualisasikan output embeddings dari model LSTM yang telah dilatih.
Gambar 3.
0 3D Latent Space Visualization Berbeda drastis dengan [Gambar 2.
, visualisasi ruang laten pada [Gambar 3.
menunjukkan pemisahan .
yang jauh lebih jelas.
Klaster normal dan anomali kini membentuk gugusan yang terdefinisi dengan baik dan terpisah.
Ini secara visual membuktikan bahwa arsitektur yang dirancang pada tahap Design berhasil mempelajari pola temporal.
Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 "mendorong" fitur yang tumpang tindih menjadi ruang fitur baru yang dapat dipisahkan secara Selanjutnya, eksekusi dari tahap Develop diwujudkan untuk melatih prototipe fungsional.
Proses ini melibatkan implementasi kode menggunakan PyTorch dan Ultralytics, serta pelatihan model LSTMClassifier menggunakan optimizer AdamW.
FocalLoss, dan WeightedRandomSampler.
Gambar 4.
0 Kurva Pembelajaran Kurva pembelajaran yang memantau proses Develop disajikan pada [Gambar 4.
Grafik ini menunjukkan bahwa model berhasil dilatih dengan baik, ditandai dengan kurva Training Loss yang menurun secara konsisten serta kurva Validation AUC dan Validation F1-Score yang meningkat stabil lalu konvergen.
Sesuai metodologi Develop, model terbaik .
stm_best.
disimpan berdasarkan skor val_auc tertinggi.
Sebagai evaluasi final dari prototipe yang dihasilkan pada tahap Develop, model diuji pada 15% test set menggunakan metrik primer yang ditetapkan pada tahap Design.
Model mencapai kinerja yang kuat dengan nilai AUC 0,8646 dan F1-Score 0,6530.
Untuk secara tegas menunjukkan superioritas arsitektur hybrid yang menggabungkan pemahaman spasial dan temporal, kinerja model ini dikontraskan dengan model baseline .
eperti YOLOv8 spasial murn.
dan model serupa terdahulu .
YOLOv5-LSTM), sebagaimana dirangkum dalam Tabel 1.
Tabel 1.
0 Perbandingan Kinerja Model Deteksi Anomali Model Baseline (YOLOv8 Spasial Murn.
Model Terdahulu (Zou.
Model Diusulkan Ekstraksi Spasial Pemodelan Temporal AUC (Area Under Curv.
F1-score
YOLOv8
0,7150
0,4210
YOLOv5
LSTM
0,8125
0,5540
YOLOv8
LSTM
0,8646
0,6530
Perbandingan ini memvalidasi bahwa integrasi Bi-LSTM dan Attention Pooling menghasilkan peningkatan kinerja yang signifikan .
erutama dalam F1-Score dan AUC), membuktikan efektivitas penambahan konteks temporal.
Hasil kuantitatif dan kualitatif ini memvalidasi bahwa keseluruhan metodologi, dari Define hingga Develop, telah berhasil menghasilkan model yang efektif.
Hasil kuantitatif ini memvalidasi bahwa keseluruhan metodologi, dari Define hingga Develop, telah berhasil menghasilkan model yang efektif.
Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 Gambar 5.
0 3D Precision-Recall-F1 Visualization Untuk melengkapi analisis, kurva Precision-Recall (PR) pada [Gambar 5.
menunjukkan fleksibilitas model.
Model dapat mempertahankan precision yang relatif tinggi bahkan ketika recall meningkat, yang esensial untuk implementasi praktis di lapangan oleh aparat keamanan.
Pembahasan Analisis hasil penelitian ini memberikan validasi yang kuat terhadap arsitektur hibrida YOLOv8-LSTM yang diusulkan.
Temuan kunci adalah pembuktian bahwa integrasi arsitektur Bi-LSTM dengan Attention Pooling sebagai penganalisis pola temporal berhasil mengatasi kelemahan utama dari model spasial murni.
Perbandingan visual yang drastis antara [Gambar .
dan [Gambar 3.
adalah bukti kualitatif utama.
Visualisasi fitur YOLOv8 yang tumpang tindih mengonfirmasi bahwa anomali gerakan tidak dapat didefinisikan hanya oleh apa yang ada di dalam frame .
itur spasia.
, tetapi sangat bergantung pada bagaimana objek tersebut bergerak dari waktu ke waktu .
itur tempora.
Transformasi dari fitur yang tumpang tindih menjadi klaster yang terpisah dengan jelas di [Gambar 3.
menunjukkan bahwa model BiLSTM telah berhasil mempelajari pola temporal yang membedakan tersebut.
Secara kuantitatif, pencapaian AUC 0,8646 dan F1-Score 0,6530 pada test set memvalidasi bahwa arsitektur yang dirancang tidak hanya valid secara teori tetapi juga efektif secara praktis.
Lebih lanjut, analisis kurva PR menyoroti relevansi praktis model ini.
Dalam skenario dunia nyata, kemampuan untuk menyesuaikan ambang batas deteksi adalah krusial.
Fleksibilitas model ini, yang ditunjukkan oleh kurva PR, memungkinkan operator keamanan untuk menyeimbangkan trade-off antara sensitivitas .
inggi recal.
dan akurasi alarm .
inggi precisio.
, menjadikannya alat yang tangguh untuk kebutuhan pemantauan di lapangan.
SIMPULAN
Berdasarkan implementasi dan analisis yang telah dipaparkan, dapat ditarik kesimpulan bahwa penelitian ini telah berhasil merancang dan mengembangkan sebuah prototipe model deep learning hibrida (YOLOv8-LSTM) yang mampu mendeteksi gerakan anomali dari data Telah terbukti secara kuantitatif melalui metrik kinerja (AUC 0,8646.
F1-Score 0,6.
dan secara kualitatif melalui visualisasi ruang laten ([Gambar 2.
[Gambar 3.
), bahwa model ini berhasil mengatasi masalah inti, yaitu ketidakmampuan fitur spasial murni dalam membedakan anomali.
Keberhasilan Bi-LSTM dalam menciptakan ruang fitur yang terpisah membuktikan bahwa model telah efektif mempelajari pola temporal yang membedakan kedua Meskipun model telah menunjukkan hasil yang menjanjikan, terdapat beberapa area untuk pengembangan di masa depan.
Dari segi akademis, penelitian selanjutnya disarankan untuk melakukan pengujian pada dataset benchmark publik yang lebih besar dan beragam, seperti UCFCrime atau RWF-2000, untuk menguji generalisasi model.
Selain itu, eksplorasi Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 arsitektur temporal alternatif seperti GRU yang lebih ringan atau arsitektur berbasis Transformer dapat dilakukan.
Studi komparatif menggunakan backbone YOLOv8 yang berbeda .
isalnya, 's' atau 'l') juga akan bermanfaat untuk menganalisis trade-off kecepatan dan akurasi.
Dari segi praktis, langkah selanjutnya adalah mengoptimalkan model, misalnya menggunakan ONNX atau TensorRT, dan mengimplementasikannya pada perangkat keras edge computing seperti NVIDIA Jetson Nano.
Hal ini krusial untuk menguji kelayakan model dalam memproses stream video CCTV secara real-time di lapangan.
Selain itu, analisis komputasi real-time (FPS) harus dilakukan untuk membandingkan kecepatan inferensi YOLOv8-LSTM yang diusulkan dengan baseline YOLOv8 spasial murni.
Perbandingan ini penting untuk mengukur overhead komputasi yang ditambahkan oleh komponen temporal (BiLSTM) dan memastikan bahwa model hybrid tetap memenuhi persyaratan kecepatan kritis .
ow latenc.
untuk implementasi sistem keamanan cerdas.
DAFTAR RUJUKAN
Al-slemani.
, & Zengin.
A New Surveillance and Security Alert System Based on Real-Time Motion Detection.
Journal of Smart Systems Research, 4.
, 31Ae47.
https://doi.
org/10.
58769/joinssr.
Ashby.
The Value of CCTV Surveillance Cameras as an Investigative Tool:
An Empirical Analysis.
European Journal on Criminal Policy and Research, 23.
, 441Ae https://doi.
org/10.
1007/s10610-017-9341-6 Chang.
-W.
Chang.
-Y.
, & Lin.
-Y.
A hybrid CNN and LSTM-based deep learning model for abnormal behavior detection.
Multimedia Tools and Applications, 81.
, 11825Ae11843.
Diwan.
Anirudh.
, & Tembhurne.
Object detection using YOLO: challenges, architectural successors, datasets and applications.
Multimedia Tools and Applications, 82.
, 9243Ae9275.
https://doi.
org/10.
1007/s11042-022-13644-y Fahlevvi.
Kusuma.
, & Anugerah.
Integrasi Teknologi Digital dalam Pengawasan Internal Inspektorat Daerah Kabupaten Gianyar.
JURNAL SYNTAX
IMPERATIF :
Jurnal Ilmu Sosial Dan Pendidikan, 6.
, 236Ae249.
https://doi.
org/10.
54543/syntaximperatif.
Ganagavalli.
, & Santhi.
YOLO-based anomaly activity detection system for human behavior analysis and crime mitigation.
Signal.
Image and Video Processing, 18(Suppl .
, 417Ae427.
Guan.
Real time object recognition based on YOLO model.
Theoretical and Natural Science, 28.
, 137Ae143.
https://doi.
org/10.
54254/2753-8818/28/20230450
Jocher.
Chaurasia.
Qiu, .
Ultralytics YOLOv8.
https://github.
com/ultralytics/ultralytics Khayrat.
Malak.
Victor.
Ahmed.
Metawie.
Saber.
, & Elshalakani.
An intelligent surveillance system for detecting abnormal behaviors on campus using YOLO and CNN-LSTM networks.
2022 2nd International Mobile.
Intelligent, and Ubiquitous Computing Conference (MIUCC), 104Ae109.
KULA.
The Effectiveness of CCTV in Public Places: Fear of Crime and Perceived Safety of Citizens.
Bartin University Journal of Faculty of Economics & Administrative Sciences/Bartn yuniversitesi \.
Iktisadi ve \.
Idari Bilimler Fakyltesi Dergisi, 6.
Lisdiana.
Trihandayani.
, & Novaria.
ANALISIS PENGAWASAN DIGITAL
MELALUI CLOSED CIRCUIT TELEVISION DALAM PENCEGAHAN TINDAK
PIDANA KRIMINALITAS DI WILAYAH KERJA KEPOLISIAN SEKTOR
KECAMATAN ILIR TIMUR II KOTA PALEMBANG.
CENDEKIA: Jurnal Ilmu Pengetahuan, 5.
, 737Ae746.
https://doi.
org/10.
51878/cendekia.
Liu.
Liu.
Zhao.
Yang.
Zhu.
, & Song.
Learning Appearance-Motion Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.
Jurnal Pendidikan.
Sains dan Teknologi Vol 13.
No 01, 2026 Normality for Video Anomaly Detection.
2022 Ie International Conference on Multimedia and Expo (ICME), 1Ae6.
https://doi.
org/10.
1109/ICME52920.
Nguyen.
-N.
, & Meunier.
Octobe.
Anomaly Detection in Video Sequence With Appearance-Motion Correspondence.
Proceedings of the Ie/CVF International Conference on Computer Vision (ICCV).
Sherstinsky.
Fundamentals of Recurrent Neural Network (RNN) and Long ShortTerm Memory (LSTM) network.
Physica D: Nonlinear Phenomena, 404, 132306.
https://doi.
org/https://doi.
org/10.
1016/j.
Sohan.
Sai Ram.
, & Rami Reddy.
Ch.
A Review on YOLOv8 and Its Advancements.
In I.
Jacob.
Piramuthu, & P.
Falkowski-Gilski (Eds.
Data Intelligence and Cognitive Informatics .
529Ae.
Springer Nature Singapore.
Tay Nian Chi and Connie.
and O.
and G.
and T.
A Robust Abnormal Behavior Detection Method Using Convolutional Neural Network.
In Y.
and I.
and A.
Alfred Rayner and Lim (Ed.
Computational Science and Technology .
37Ae.
Springer Singapore.
, & C.
Real Time Object Detection System with YOLO and CNN Models: A Review.
https://arxiv.
org/abs/2208.
Varghese.
, & M.
YOLOv8: A Novel Object Detection Algorithm with Enhanced Performance and Robustness.
2024 International Conference on Advances in Data Engineering Intelligent Computing Systems (ADICS), 1Ae6.
https://doi.
org/10.
1109/ADICS58448.
Waruwu.
Metode Penelitian dan Pengembangan (R&amp.
D): Konsep.
Jenis.
Tahapan dan Kelebihan.
Jurnal Ilmiah Profesi Pendidikan, 9.
, 1220Ae1230.
https://doi.
org/10.
29303/jipp.
Welsh.
, & Farrington.
Public Area CCTV and Crime Prevention: An Updated Systematic Review and Metanalysis.
Justice Quarterly, 26.
, 716Ae745.
https://doi.
org/10.
1080/07418820802506206
Zou.
Research on Laboratory Abnormal Behavior Recognition Model for Security Management Based on YOLOv5 and LSTM.
2025 3rd International Conference on Data Science Network Security (ICDSNS), 1Ae7.
https://doi.
org/10.
1109/ICDSNS65743.
Perancangan Model YOLOv8-LSTM Untuk Deteksi Gerakan Anomali.