Deteksi Dini Pelecehan Seksual Jarak Jauh Menggunakan Kamera CCTV Dan Algoritma Deep Learning CNN

Pelecehan seksual merupakan isu yang sering kali menjadi perbincangan di masyarakat. Hal ini sudah tidak asing lagi karena berdasarkan Catatan Tahunan (CATAHU) Komnas Perempuan pada pencatatan tahun 2012-2021, kasus Kekerasan Berbasis Gender (KBG) pada tahun 2021 meningkat 50% dibanding tahun 2020. Pelecehan seksual dapat berarti suatu tindakan tidak menyenangkan atau tindakan yang dilakukan secara paksa. Pada beberapa tahun terakhir, bidang teknologi yang sangat ramai di perbincangan adalah machine learning. Machine learning merupakan sebuah sistem yang belajar dari pengalamannya untuk memprediksi suatu hal. Salah satu bidang machine learning yang popular adalah deep learning dan Convolutional Neural Networks (CNN). Dengan adanya machine learning banyak sekali masalah yang dapat di selesaikan. Namun, permasalahan sosial seperti pelecehan seksual sangat sedikit di kembangkan. Oleh karena itu peneliti membuat sistem pendeteksi yang akan mendeteksi pelecehan seksual yang terpantau oleh kamera. Penelitian ini akan berfokus pada pelecehan seksual kepada perempuan yang menyentuh area sensitif seperti pantat, payudara, dan kemaluan perempuan. Penelitian ini menggunakan dataset yang dibuat sendiri menggunakan bantuan mannequin dan actor yang berjumlah seratus video. Sistem ini akan mendeteksi pelecehan seksual melalui kamera yang terpasang, setelah itu akan diklasifikasikan menggunakan model CNN yang telah dibangun. Hasil klasifikasi tersebut akan diukur dengan menggunakan beberapa parameter penilaian seperti accuracy, latency, dan confussion matrix. Jika hasil yang ditemukan merupakan pelecehan seksual maka sistem akan menyalakan alarm dan menyimpan hasil video menjadi bukti terjadinya pelecehan seksual. Menggunakan dataset yang digunakan, didapatkan model CNN yang memiliki akurasi 75% dengan nilai f1 score 70%. Hasil dari pembuatan sistem yang telah dibuat telah diuji pada tiga lingkungan. Dimana pada lingkungan terang didapatkan f1 score sebesar 79%, sedangkan pada lingkungan gelap dengan infra merah didapatkan nilai f1 score sebesar 52%. Sedangkan pada lingkungan gelap tanpa infra merah didapatkan nilai f1 score sebesar 41%. Pada pembuatan sistem didapatkan waktu delay sebesar 17,4 detik dari video terekam hingga alarm berbunyi. =============================================================================================================================== Sexual harassment is an issue that is often discussed in society. This is familiar because based on the Annual Record (CATAHU) of Komnas Perempuan on the 2012-2021 record, cases of Gender-Based Violence (GBV) in 2021 increased 50% compared to 2020. Sexual harassment can mean an unpleasant act or an act that is done forcibly. In the last few years, a technology field that has been very much discussed is machine learning. Machine learning is a system that learns from its experience to predict things. One of the most popular machine learning fields is deep learning and Convolutional Neural Networks (CNN). With machine learning, a lot of problems can be solved. However, social problems such as sexual harassment are very little developed. Therefore, researchers create a detection system that will detect sexual harassment monitored by cameras. This research will focus on sexual harassment against women who touch sensitive areas such as buttocks, breasts, and genitals. This research uses a dataset created by ourselves using the help of mannequins and actors totaling one hundred videos. This system will detect sexual harassment through the installed camera, after which it will be classified using the CNN model that has been built. The classification results will be measured using several assessment parameters such as accuracy, latency, and confusion matrix. If the results found are sexual harassment, the system will turn on the alarm and save the video results as evidence of sexual harassment. Using the dataset used, the CNN model is obtained which has an accuracy of 75% with an f1 score of 70%. The results of making the system that has been made have been tested in three environments. Where in the bright environment the f1 score is 79%, while in the dark environment with infrared the f1 score value is 52%. While in a dark environment without infrared, the f1 score value is 41%. In making the system, a delay time of 17.4 seconds is obtained from the recorded video until the alarm sounds