Keamanan kos-kosan merupakan aspek penting untuk mencegah akses tidak sah dan meningkatkan keselamatan penghuni. Penelitian ini mengimplementasikan sistem Face
Recognition dan Activity Detection berbasis Machine Learning untuk mendukung pemantauan keamanan secara real-time.
Sistem ini dikembangkan menggunakan bahasa pemrograman Python, dengan pustaka pendukung seperti PyTorch untuk implementasi model deep learning, OpenCV
untuk pemrosesan citra, Streamlit untuk dashboard visualisasi live feed, serta Telethon
untuk integrasi notifikasi Telegram.
Metode yang digunakan mencakup Face Recognition, Activity Detection (loitering,
crowd, suspicious behavior), klasifikasi area kepala (helm, masker, hoodie, bare face), serta integrasi notifikasi ke Telegram dan antarmuka visual sederhana melalui Streamlit
dashboarding. Model yang digunakan antara lain YOLOv8 untuk deteksi orang, InsightFace (ArcFace) untuk Face Recognition, serta EfficientNet-B0 untuk klasifikasi
kepala. Sistem dibangun dengan bantuan berbagai library/framework seperti PyTorch, OpenCV, Streamlit, dan Telethon.
Hasil Pengujian menunjukkan sistem mampu berjalan secara real-time dengan
kecepatan 10-20 FPS pada perangkat laptop dengan GPU RTX 4070. Akurasi head
classifier cukup baik pada kelas helm (±92%), namun kurang stabil pada kelas bare face
meskipun telah ditambahkan ±400 citra latih tambahan. Sistem Face Recognition bekerja
dengan efektif untuk membedakan penghuni yang terdaftar dan tidak terdaftar, terutama
pada kondisi pencahayaan terang. Logging yang dilakukan secara semi-otomatis: data log
harian (CSV) dibuat otomatis setiap program dijalankan, sedangkan fitur arsip dan Export
to Excel dapat diaktifkan melalui tombol pada dashboard atau bantuan bot.
Penelitian ini menunjukkan bahwa sistem mampu mendeteksi aktivitas mencurigakan
dan mengirimkan peringatan secara langsung melalui Telegram. Dengan integrasi
dashboard pengguna dapat memantau status sistem, aktivitas terbaru, serta mengelola arsip data log dengan mudah.