Kegiatan after school dan proses penjemputan siswa merupakan fase operasional sekolah yang memiliki tingkat kompleksitas pengawasan lebih tinggi dibandingkan jam pembelajaran. Pada periode ini, pergerakan siswa menjadi lebih dinamis, interaksi dengan pihak eksternal meningkat, dan kontrol institusional cenderung menurun.

Dalam praktiknya, beberapa permasalahan yang sering muncul antara lain:

• Siswa keluar dari area sekolah tanpa proses verifikasi
• Ketidaksesuaian antara siswa dan pihak penjemput
• Keterlambatan informasi kepada orang tua terkait status keberadaan siswa

Permasalahan tersebut menunjukkan adanya keterbatasan pada sistem monitoring konvensional, khususnya dalam hal deteksi kejadian secara real-time dan distribusi informasi secara simultan. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan yang mampu melakukan analisis video secara otomatis, yaitu melalui implementasi Video Intelligence Platform dengan kemampuan anomaly detection.

Konsep Sistem Video Intelligence

Video Intelligence Platform merupakan sistem yang mengintegrasikan perangkat akuisisi video (CCTV) dengan modul analitik berbasis computer vision dan machine learning. Berbeda dengan sistem pengawasan tradisional yang bersifat pasif, platform ini memungkinkan interpretasi konten video secara kontekstual.

Secara fungsional, sistem ini bekerja melalui dua mekanisme utama:

Pertama, sistem membangun representasi pola aktivitas normal (normal behavior modeling) berdasarkan data historis. Pola ini mencakup aspek temporal (waktu aktivitas), spasial (lokasi dalam area sekolah), serta relasional (interaksi antara individu).

Kedua, sistem melakukan identifikasi deviasi terhadap pola tersebut melalui pendekatan anomaly detection. Aktivitas yang tidak sesuai dengan distribusi pola normal akan diklasifikasikan sebagai anomali dan diproses lebih lanjut sebagai event of interest.

Pendekatan ini umumnya memanfaatkan model deep learning seperti Convolutional Neural Networks (CNN) untuk ekstraksi fitur visual, serta arsitektur seperti Autoencoder atau Long Short-Term Memory (LSTM) untuk analisis pola temporal.

Implementasi pada Skenario After School

Dalam konteks operasional sekolah, pergerakan siswa yang keluar dari area tanpa melalui mekanisme penjemputan dapat dikategorikan sebagai anomali.

Sistem melakukan:

• Identifikasi individu melalui face recognition
• Pelacakan lintasan (trajectory tracking)
• Analisis konteks lokasi (misalnya area gerbang keluar)

Ketika sistem mendeteksi bahwa seorang siswa keluar tanpa pasangan penjemput atau tanpa proses validasi, maka kondisi tersebut diklasifikasikan sebagai deviasi dari pola normal.

Event ini kemudian diproses menjadi:

• Notifikasi kepada orang tua
• Alert pada dashboard keamanan

Verifikasi Identitas Penjemput

Salah satu komponen kritis dalam sistem ini adalah mekanisme validasi penjemput berbasis biometrik.

Melalui integrasi dengan basis data wajah orang tua atau wali, sistem melakukan:

• Ekstraksi fitur wajah dari video secara real-time
• Pencocokan dengan database (face matching)
• Evaluasi tingkat kesesuaian (confidence score)

Apabila nilai kesesuaian berada di bawah ambang batas tertentu, sistem akan mengklasifikasikan interaksi tersebut sebagai anomali.

Proses ini memungkinkan deteksi dini terhadap potensi penjemputan oleh pihak yang tidak terotorisasi, sebelum siswa meninggalkan area sekolah.

Analisis Perilaku dan Deteksi Anomali Non-Identitas

Selain berbasis identitas, sistem juga melakukan analisis berbasis perilaku (behavioral analysis). Pendekatan ini penting untuk mendeteksi anomali yang tidak dapat diidentifikasi hanya melalui pengenalan wajah.

Beberapa indikator yang digunakan antara lain:

• Percepatan pergerakan yang tidak wajar menuju area keluar
• Pola pergerakan berulang pada lokasi tertentu (loitering)
• Interaksi dengan individu yang tidak termasuk dalam distribusi normal lingkungan sekolah

Analisis ini dilakukan dengan memodelkan urutan pergerakan (sequence modeling) dan membandingkannya dengan pola historis.

Integrasi Sistem Notifikasi Real-Time

Untuk menjembatani kesenjangan informasi antara sekolah dan orang tua, sistem diintegrasikan dengan aplikasi berbasis mobile.

Setiap event yang terdeteksi akan diklasifikasikan menjadi beberapa status, seperti:

• Siswa berada di area sekolah
• Siswa dalam proses penjemputan
• Siswa telah keluar dari area

Dalam kondisi anomali, sistem akan memprioritaskan pengiriman notifikasi secara real-time. Mekanisme ini memastikan bahwa informasi tidak hanya tersedia, tetapi juga disampaikan secara tepat waktu kepada pihak yang relevan.

Arsitektur Sistem

Secara umum, arsitektur Video Intelligence Platform terdiri dari beberapa lapisan utama:

• Data Acquisition Layer
  Kamera CCTV yang ditempatkan pada titik strategis seperti gerbang, area tunggu, dan perimeter sekolah
• Processing Layer
  Modul computer vision untuk deteksi objek, pengenalan wajah, dan pelacakan pergerakan
• Analytics Layer
  Engine anomaly detection berbasis model machine learning untuk identifikasi deviasi pola
• Application Layer
  Dashboard monitoring dan sistem notifikasi yang terintegrasi dengan pengguna akhir (petugas dan orang tua)

Setiap lapisan dirancang untuk bekerja secara near real-time, dengan latensi minimal agar respons terhadap kejadian dapat dilakukan secara cepat.

Manfaat dan Implikasi

Implementasi sistem ini memberikan beberapa implikasi signifikan:

• Peningkatan kemampuan deteksi kejadian secara proaktif
• Reduksi ketergantungan pada monitoring manual
• Peningkatan visibilitas status siswa bagi orang tua
• Penguatan sistem keamanan berbasis data

Dengan demikian, sistem tidak hanya berfungsi sebagai alat observasi, tetapi sebagai decision support system dalam pengelolaan keamanan sekolah.

Tantangan Implementasi

Beberapa aspek teknis yang perlu diperhatikan meliputi:

• Variabilitas lingkungan (pencahayaan, kepadatan objek) yang mempengaruhi akurasi model
• Ketersediaan dan kualitas data untuk proses pelatihan model
• Penanganan false positive dan false negative
• Aspek privasi dan perlindungan data biometrik

Pendekatan implementasi yang optimal memerlukan kombinasi antara desain sistem yang tepat dan kebijakan operasional yang mendukung.

Video Intelligence Platform dengan kemampuan anomaly detection menawarkan pendekatan sistematis dalam mengatasi permasalahan pengawasan pada kegiatan after school dan penjemputan siswa. Melalui integrasi analisis visual, pemodelan perilaku, dan notifikasi real-time, sistem ini mampu meningkatkan efektivitas pengawasan sekaligus mempercepat distribusi informasi kepada orang tua.

Dengan demikian, pengawasan tidak lagi bergantung pada observasi manual, tetapi didukung oleh sistem yang mampu mengidentifikasi dan merespons anomali secara otomatis dan terukur.

Reference

• Duong, H.-T., Le, V.-T., & Hoang, V. T. (2023). Deep learning-based anomaly detection in video surveillance: A survey. Sensors, 23(11), 5024.
• Nayak, et al. (2022). A semi-supervised deep learning based video anomaly detection framework. Forensic Science International: Digital Investigation.
• Taha, R. A., et al. (2024). Transfer learning model for anomalous event recognition in big video data. Scientific Reports.
• Karatas, et al. (2025). AI-based anomaly detection in video surveillance for safety systems. Journal of the Franklin Institute.