PENERAPAN BIDIRECTIONAL FEATURE PYRAMID NETWORK PADA NECK YOLOv12 UNTUK DETEKSI SENJATA API PADA SISTEM PENGAWASAN INDOOR

Oleh :
Abraham Willem Hersubagyo - L0122002 - Fak. Teknologi Informasi dan Sains Data

Keamanan di lingkungan publik indoor rentan terhadap ancaman senjata api, namun pengawasan manual melalui CCTV memiliki keterbatasan dalam kecepatan respons dan deteksi proaktif. Model deteksi objek berbasis deep learning seperti YOLOv12 menawarkan solusi real-time, tetapi masih kesulitan mendeteksi senjata yang berukuran kecil dan terhalang sebagian (occluded) dalam kondisi lingkungan yang padat. Penelitian ini mengintegrasikan modul Bidirectional Feature Pyramid Network (BiFPN) ke dalam komponen Neck YOLOv12. BiFPN memperkenalkan aliran informasi dua arah antar level fitur dan mekanisme pembobotan yang dapat dipelajari (learnable weighted fusion), sehingga model lebih efektif menggabungkan fitur multi-skala untuk mendeteksi objek kecil dan teroklusi. Model dilatih pada FDIE Dataset (Firearm Detection at Indoor Environments) dengan pembagian training (70%), validation (20%), dan testing (10%). Performa YOLOv12-BiFPN dibandingkan dengan YOLOv12 standar menggunakan metrik Precision, Recall, mean Average Precision (mAP), dan Frames Per Second (FPS).