DAFTAR ISI - Gunadarma

2020 Volume 19 No : 3, September 2020 ISSN 1412-9434 (print)ISSN 2549-7227 (online)

J U R N A L I L M I A H

KOMPUTASIKomputer & Sistem Informasi

DAFTAR ISI

Evaluasi Kepuasan Pengguna Portal Berita Menggunakan Usability MetricDela Harmilasari dan Lulu Chaerani Munggaran

Analisis Efektivitas Iklan Dewarumah Melalui Media Sosial InstagramMenggunakan Metode EPIC Model (Emphaty, Persuasion, Impact andCommunication)Mochamad Yudha Sugiarto Sultan

Rancangan Sistem Penunjang Keputusan Untuk Promosi Jabatan MenggunakanMetode SAWEva Utari Cintamurni Lubis, Karmilasari dan Isram Rasal

Analisis Prediksi Nasabah yang Berpotensi Membuka Deposito pada Bank Umumdi Bekasi Menggunakan Algoritma C4.5 dan Naive BayesDwi Handayan dan Nuryuliani

Sistem Review Rekam Medis Sesuai dengan Standar Nasional Akreditasi RumahSakit I pada Standar MIRM 13.4 di RS. Khusus Kanker MRCC Siloam SemanggiAnom Suseno, Sudjiran dan Soegijanto

Pembangunan Website Himpaudi Kabupaten Bekasi sebagai PenunjangPelaporan PAUDMira Ziveria

Perancangan Sistem Pengecekan Komponen Kayu Pada Piano Di PT. YamahaMusic Manufacturing AsiaHeri Satria Setiawan, Sri Mardiyati dan Ida Fitriani

Sistem Evaluasi Kinerja untuk Menghitung Angka Kredit Dosen Dengan MetodePaperless pada Kampus STMIK Jakarta STI&KDesy Diana dan Marti Riastuti

Analisis dan Implementasi Kontrol Akses Jaringan dan Kebijakan pada PT.Asuransi Jiwa Sinarmas MSIG Tbk Menggunakan Sistem Genian NACShesia Rizki Damara

Perancangan Sistem Informasi Akuntansi Laporan Posisi Keuangan PadaUMKM Berbasis WEB (Studi Kasus UMKM Home Catering)Nanda Rizqya

Daftar Isi berlanjut di halaman berikut …………

293-300

301-308

309-316

317-326

327-336

337-354

355-362

363-372

373-382

383-390




DAFTAR ISI

Daftar Isi lanjutan ……

Aplikasi Permainan OXTOE Berbasis Visual Studio 2010 dengan BahasaPemrograman Visual Basic.NetAnnissa Mutia Putri, Ire Puspa Wardhani, Susi Widayati dan Irfan

Sistem Informasi Transportasi Angkutan Kota Berbasis WEBRahayu Widayanti, Jauharul Maknunah dan Leonia Mendonça Soares

Rancang Bangun Sistem Cerdas Kamar Mandi Otomatis Berbasis Internet ofThingsHeri Irawan dan Aqwam Rosadi Kardian

Pembuatan Aplikasi Deteksi Objek Menggunakan TensorFlow Object DetectionAPI dengan Memanfaatkan SSD MobileNet V2 Sebagai Model Pra - TerlatihPrisky Ratna Aningtiyas, Agus Sumin dan Setia Wirawan

Sistem Document Sharing Dengan Framework Codeigniter Mendukung ProsesBimbingan Skripsi Online Program Studi Psikologi Universitas GunadarmaEndah Budiyati dan Erni Rihyanti

Analisa dan Perancangan Markerless Augmented Reality Application RumahAdat Minangkabau dengan Menggunakan Metode Prototyping Berbasis AndroidGuntur Eka Saputra

391-400

401-410

411-420

421-430

431-442

443-454




PENGASUH JURNAL KOMPUTASI

Pimpinan Redaksi/ Editor in Chief:Dr. Bheta Agus Wardijono (STI&K)

Dewan Redaksi/Editors:1. Prof. ES. Margianti, SE., MM (UG)2. Prof. Suryadi H.S., SSi., MM (UG)3. Drs. Agus Sumin, MMSI (UG)4. Prof. Dr. Sarifuddin Madenda (UG)5. Prof. Dr. rer. nat A.Benny M.Q.N (UG)6. Prof. Dr-Ing. Adang Suhendra (UG)7. Prof. Busono Soerowirdjo PhD (UG)8. Dr. Eri Prasetyo Wibowo (UG)9. Dr. Tubagus Maulana Kusuma (UG)

10. Dr. Ir. Sumijan, MSc.(UPI YPTK)11. Dr. Lussiana ETP (STI&K)12. Dr. Ravi Ahmad Salim (UG)13. Prihandoko, PhD. (UG)14. Dr. Sunny Arief Sudiro (STI&K)15. Dr. M. Subali ( STTC)16. Dr. Tubagus M. Akhriza (STIMATA)17. Dr. Hj. Latifah (STI&K)18. Dr. Aqwam Rosadi Kardian (STI&K)

Tataletak dan WEB :1. M. Saefudin, SKom., MMSI.2. Abdul Hakim, SKom., MT.3. Saepul Lukman, SKom., MMSI.

Sekretariat Redaksi1. Dr. Ire Puspa Wardhani2. Hariyanto, SKom., MMSI

Administrasi dan Sirkulasi :1. M.S. Wulandari, SKom., MMSI.2. Fitri Sjafrina, SKom., MMSI.

Reviewers:1. Dr. L.M. Rasdi Rere (STI&K)2. Dr. Ire Puspa Wardhani (STI&K)3. Dr. Asep Juarna (UG)4. Dr. Antonius Irianto (STTC)5. Dr. Widya Silfianti (UG)6. Dr. Dewi Agushinta Rahayu UG)7. Dr. Pipit Dewi Arnesia (STI&K)8. Dr. Debyo Saptono (STTC)9. Dr. Singgih Jatmiko (UG)

10. Dr. Karmilasari (UG)11. Dr. Khoirul Anwar (STIMATA)12. Dr. Lintang Yuniar Banowosari (UG)13. Dr. Edi Pranoto (STI&K)14. Dr. Nur Sultan Salahudin (UG)15. Dr. Purnawarman Musa (UG)16. Dr. Robby Candra (UG)17. Dr. Sigit Widiyanto (UG)18. Dr. Elfitrin Syahrul (UG)19. Dr. Titin Winarti (USM)20. Dr. Bertalya (UG)21. Dr. Lily Wulandari (UG)22. Dr. Aini Suri Talita (UG)23. Dr. Mohammad Iqbal (UG)

Alamat Redaksi :

Kampus A STMIK Jakarta STI&KJln. BRI Radio Dalam

Kebayoran BaruJakarta Selatan

Telp. (021) 7397973, 7210722Fax. (021) 7210720

Email : lp2m@ jak-stik.ac.id,[email protected], [email protected]

http://ejournal.jak-stik.ac.id/index.php/komputasi

Pembuatan Aplikasi Deteksi Objek MenggunakanTensorFlow Object Detection API dengan

Memanfaatkan SSD MobileNet V2 Sebagai ModelPra-Terlatih

Prisky Ratna Aningtiyas, Agus Sumin dan Setia Wirawan

Sistem Informasi, Universitas Gunadarma

Jalan Margonda Raya No. 100, Depok

E-mail : [email protected], [email protected]

Abstrak

Deteksi objek merupakan salah satu teknik untuk menemukan objek dalam gambar atau video.Salah satu metode untuk membuat deteksi objek adalah menggunakan TensorFlow Object Detection

API. Metode tersebut menyediakan model pra � terlatih yang dapat dimanfaatkan dalam pembuatanaplikasi deteksi objek. Model yang digunakan dalam penelitian ini adalah SSDMobilenet V2. Modeltersebut dapat melakukan deteksi objek dengan menghasilkan akurasi dan area terdeteksi untuk ke-beradaan setiap kategori objek pada suatu gambar. Oleh karena itu, penelitian ini akan membuataplikasi deteksi objek dengan memanfaatkan metode tersebut. Penelitian ini bertujuan untuk mem-buat aplikasi deteksi objek menggunakan TensorFlow Object Detection API dengan memanfaatkanSSDMobilenet V2 sebagai model pra � terlatih dalam penerapan ilmuDeep Learning. Aplikasi dihara-pkan dapat melakukan deteksi dan mengukur akurasi objek, yaitu Camera, Handphone, Headphone,

Laptop, dan Mouse melalui input gambar. Dataset yang digunakan dibuat dengan mengumpulkansebanyak 500 gambar dengan membagi menjadi tiga bagian, yaitu train set, validation set, dan testset dengan masing � masing perbandingan sebesar 70% : 20% : 10%. Pelatihan dilakukan denganbantuan Google Research Colaboratory sebagai virtual machine. Penelitian ini menggunakan Python3.6.8 sebagai bahasa pemrograman dan memakai beberapa library yang disediakan oleh Python. Dariuji coba yang dilakukan, aplikasi ini memiliki tingkat akurasi sebesar 93.02% pada test set.

Kata Kunci : Deep Learning, Deteksi Objek, Python, TensorFlow

Pendahuluan

Belajar adalah proses perubahan tingkah laku indi-vidu sebagai hasil dari pengalamannya dalam berin-teraksi dengan lingkungan. Belajar bukan hanyasekedar menghafal, melainkan suatu proses men-tal yang terjadi dalam diri seseorang [1]. Pembe-lajaran adalah proses untuk menjadikan makhlukhidup belajar. Proses pembelajaran manusia dida-pat dari pengalaman yang diperoleh. Belajar yangdilakukan oleh manusia tidak sama dengan pem-belajaran yang dilakukan oleh suatu mesin ataukomputer. Komputer memiliki cara belajar yangberbeda yang tidak sama seperti manusia. Salahsatu proses pembelajaran mesin, yaitu SupervisedLearning. Supervised Learning adalah pembela-jaran terarah atau terawasi. Supervised Learningdengan pembelajaran dengan mengajarkan modelneural network pengetahuan. Tipe pembelajarantersebut menyediakan data input dan output dalamproses pembelajaran.

Dalam dunia pembelajaran mesin dikenal isti-lah Machine Learning dan Deep Learning. Ke-dua istilah tersebut mengacu pada pengembangansistem yang mampu belajar dengan menyediakandata sebagai bahan belajar (training) sebelum men-geluarkan output. Perbedaan dari Machine Learn-ing dan Deep Learning adalah pada Deep Learningpembelajaran dilakukan dengan lebih mendalamdan kompleks.

Pengembangan lebih jauh dikenal istilah Com-puter Vision yang mengajarkan bagaimana kom-puter dapat melihat. Mesin diharapkan mampu un-tuk mengekstrak informasi dari data berupa gam-bar untuk menyelesaikan tugas tertentu. Salah satuteknik Computer Vision adalah dalam hal pende-teksian objek. Deteksi objek adalah teknik Com-puter Vision untuk dapat menemukan contoh ob-jek dalam gambar atau video. Algoritma yangdigunakan dalam mendeteksi objek memanfaatkanpembelajaran mesin mendalam untuk dapat meng-hasilkan hasil yang baik. Salah satu metode untuk

DOI : http://dx.doi.org/10.32409/jikstik.19.3.68

Jurnal Ilmiah KOMPUTASI, Volume 19 No : 3, September 2020, p-ISSN 1412-9434/e-ISSN 2549-7227

421

membuat deteksi objek adalah menggunakan Ten-sorFlow Object Detection API yang menyediakanberbagai model pra � terlatih. Model pra � ter-latih yang dapat digunakan dalam pembuatan de-teksi objek adalah SSD Mobilenet V2. Model terse-but dapat melakukan deteksi objek dengan meng-hasilkan akurasi dan area terdeteksi untuk keber-adaan setiap kategori objek pada suatu gambar.Model ini menghasilkan besar akurasi untuk keber-adaan setiap kategori objek.

Beberapa penelitian yang membahas menge-nai TensorFlow Object Detection API diantaranyaadalah penelitin yang menggunakan TensorFlowObject Detection API dengan arsitektur SSD Mo-bilenet untuk mendeteksi lesi kulit. Penelitiantersebut, dilakukan lokalisasi objek untuk mende-teksi lesi kulit menggunakan model SSD-Mobilenetpada ISIC 2018 sebagai data pelatihan dan pengu-jian dataset. Untuk mengevaluasi kinerja deteksi,proses deteksi dilakukan dengan menggunakan duametode yang berbeda, yaitu aplikasi ponsel real-time dari kamera Android (Galaxy S6), dan JupyterNotebook dari TensorFlow Object Detection Appli-cation Program Interface (API). Total mAP adalah96,04% dengan total loss 0,78. Hasil eksperimenmencapai 99% akurasi deteksi saat menggunakanJupyter Notebook, sementara itu mencapai 100%dengan deteksi Android. Percobaan telah dilak-sanakan pada sistem Ubuntu 16.04LTS GTX1070@ 2.80GHZ x8[2].

Selanjutnya, penelitian yang merupakan metodebaru untuk mendeteksi tindakan yang terkait den-gan kesehatan manusia (HHRA) dari urutan videomenggunakan kamera Android. Penelitian ini,menggunakan dua pendekatan, yaitu model SSDMobilenet dan Faster RCNN Resnet. Pendekatanyang diusulkan dievaluasi pada dataset NTU RGB+ D, yang dikenal sebagai dataset pengakuantindakan 3D yang dapat diakses publik terbesarsaat ini. Dataset telah dibagi menjadi datasetpelatihan dan pengujian. Kualitas deteksi skorkepercayaan total (total mAP) untuk semua ke-las tindakan adalah 95,8% berdasarkan pada modelSSD-Mobilenet dan 93,8% berdasarkan pada modelFaster-R-CNN-Resnet. Proses deteksi dicapai den-gan menggunakan dua metode untuk mengevalu-asi kinerja deteksi menggunakan kamera Android(Galaxy S6) dan menggunakan TensorFlow Ob-ject Detection Notebook dalam hal akurasi dan ke-cepatan deteksi. Hasil eksperimental telah menun-jukkan peningkatan dalam hal akurasi deteksi dane�siensi untuk identi�kasi tindakan terkait kese-hatan manusia. Eksperimen telah dijalankan padasistem Ubuntu 16.04LTS GTX1070 @ 2.80GHZx8[3].

Penelitian yang merupakan penelitian denganmetode tradisional dalam Machine Learning un-tuk mendeteksi lampu lalu lintas dan klasi�kasidari metode deteksi objek pembelajaran dalam den-gan keberhasilan membangun jaringan saraf con-volutional (CNN), yang merupakan komponen dari

Deep Learning. Makalah ini menyajikan pen-dekatan Deep Learning untuk mendeteksi lampulalu lintas dengan membandingkan dua model de-teksi objek dan dengan mengevaluasi �eksibili-tas TensorFlow Object Detection Framework un-tuk menyelesaikan masalah secara real-time. Ter-masuk Single Shot Multibox Detector (SSD) Mo-bileNet V2 dan Faster-RCNN. Studi eksperimentalmenunjukkan bahwa Faster-RCNN menghasilkan97,015%, yang mengungguli SSD sebesar 38,806%untuk model yang telah dilatih menggunakan 441gambar[4].

Penelitian yang meningkatkan tugas deteksi ob-jek untuk kendaraan self-driving dengan menggu-nakan TensorFlow API diikuti oleh jaringan sarafMobileNet. E�siensi dalam pendeteksian objekadalah sekitar 85,18%, yang di atas rata-rata. Lossper langkah atau epoch adalah 2,73 (di bawah3) yang mengawasi kehandalan model. Penelitiantersebut menguji model pada dataset yang disiap-kan dari testbench[5].

Penelitian dengan jaringan deteksi objekkerangka kerja TensorFlow dilatih dan diuji untuktugas pelokalan plat nomor otomatis. Pertama,dataset baru disiapkan untuk plat nomor Turki.Gambar-gambar dalam dataset diberi label dengandua kelas yaitu mobil dan plat. Empat jaringan de-teksi objek yang berbeda dikon�gurasikan untuk di-jalankan di lingkungan Colab Google. Kon�gurasijaringan ini adalah Single Shot MultiBox Detector(SSD) yang menggunakan �tur MobileNet dan �-tur Resnet50, Faster Region Convolutional NeuralNetwork (Faster R-CNN) menggunakan lapisan In-ception untuk �tur, dan Region-based Fully Convo-lutional Networks (RFCN) dengan �tur Resnet101.Jaringan-jaringan ini dibandingkan untuk menen-tukan kinerja lokalisasi plat nomor. Berbagai jenisgambar input digunakan untuk menguji algoritma.Hasil pengujian menunjukkan bahwa solusi berbasisSSD dapat mendeteksi objek (mobil) yang lebih be-sar lebih baik daripada solusi berbasis R-CNN danR-FCN yang lebih cepat. Tetapi SSD kurang baikmendeteksi beberapa plat nomor karena ukurannyayang relatif kecil. Selain itu, ditunjukkan dalamhasil pengujian bahwa plat nomor terdeteksi lebihbaik daripada solusi berbasis SSD dengan FasterR-CNN dan R-FCN[6].

Berdasarkan latar belakang diatas, penelitian iniakan menggunakan TensorFlow Object DetectionAPI dengan mamanfaatkan SSD Mobilenet V2 se-bagai model pra - terlatih. Hasil pelatihan dataakan diterapkan dalam pembuatan aplikasi yangmampu mendeteksi dan mengukur besar akurasiobjek melalui input gambar. Aplikasi yang dibuatakan mendeteksi 5 objek, yaitu Camera, Hand-phone, Headphone, Laptop, dan Mouse.


422

Citra Digital, Pemrosesan dan

Deteksi Objek

Citra digital merupakan suatu matriks di mana in-deks baris dan kolomnya menyatakan suatu titikpada citra tersebut dan elemen matriksnya (yangdisebut sebagai elemen gambar atau piksel) meny-atakan tingkat keabuan pada titik tersebut. Untuksebuah citra digital, setiap piksel memiliki nilai in-teger yakni gray level yang menunjukkan amplitudoatau intensitas dari piksel tersebut. Citra meru-pakan fungsi dua dimensi yang kedua variabelnyayaitu nilai amplitudo dan koordinatnya merupakannilai integer [7].

Machine Learning

Istilah Machine Learning pertama kali dide�nisikanoleh Arthur Samuel ditahun 1959. Menurut ArthurSamuel, Machine Learning adalah salah satu bidangilmu komputer yang memberikan kemampuan pem-belajaran kepada komputer untuk mengetahui sesu-atu tanpa pemrogram yang jelas. Machine Learn-ing dapat dide�nisikan sebagai metode komputasiberdasarkan pengalaman untuk meningkatkan per-forma atau membuat prediksi yang akurat. De�nisipengalaman disini ialah informasi sebelumnya yangtelah tersedia dan bisa dijadikan data pembelajar[8].

Deep Learning

Deep Learning (Pembelajaran Dalam) atau ser-ing dikenal dengan istilah Pembelajaran StrukturalMendalam (Deep Structured Learning) atau Pem-belajaran Hierarki (Hierarchical Learning) adalahsalah satu cabang dari ilmu pembelajaran mesin(Machine Learning) yang terdiri algoritma pemod-elan abstraksi tingkat tinggi pada data menggu-nakan sekumpulan fungsi transformasi non-linearyang ditata berlapis-lapis dan mendalam. Teknikdan algoritma dalam pembelaran dalam dapat di-gunakan baik untuk kebutuhan pembelajaran ter-arah (Supervised Learning), pembelajaran tak ter-arah (Unsupervised Learning) dan semi-terarah(Semi-supervised Learning) dalam berbagai aplikasiseperti pengenalan citra, pengenalan suara, klasi-�kasi teks, dan sebagainya. Deep Learning dise-but sebagai Deep (dalam) karena struktur dan jum-lah jaringan saraf pada algoritmanya sangat banyakbisa mencapai hingga ratusan lapisan [9].

Computer Vision

Computer Vision adalah suatu proses transformasiatau perubahan dari data yang berasal dari kam-era video maupun foto/gambar kedalam sebuahhasil keputusan ataupun sebuah presentasi yangbaru, dimana hasil dari kegiatan transformasi terse-but memiliki kepentingan untuk mencapai suatutujuan. Data yang dimasukan kedalam kegiatan

transformasi tersebut memungkinkan untuk memi-liki beberapa informasi yang terkonstektual sepertihalnya sebuah foto/gambar yang didalamnya ter-dapat berbagai objek. Dengan demikian akan di-dapatkan keputusan-keputusan yang akan diambilpada gambar, misalnya berupa �adakah telapak tan-gan seseorang pada gambar tersebut?� atau �siapasajakah orang yang terdapat pada foto tersebut?�.Adapun perubahan kedalam presentasi yang baruseperti perubahan gambar menjadi grayscale ataujuga pemotongan objek pada gambar [10].

Transfer Learning

Transfer Learning adalah suatu teknik atau metodeyang memanfaatkan model yang sudah dilatih ter-hadap suatu dataset untuk menyelesaikan per-masalahan lain yang serupa dengan cara menggu-nakannya sebagai starting point, memodi�kasi danmengupdate parameternya sehingga sesuai dengandataset yang baru [11].

Untuk menerapkan Transfer Learning secaraefektif, perlu menjawab tiga pertanyaan utama,yaitu :

1. Apa yang Harus Ditransfer Memahamipengetahuan umum antara sumber dan tugas tar-get. Pengetahuan apa yang dapat ditransfer daritugas sumber ke tugas target yang akan membantumeningkatkan kinerja tugas target.

2. Kapan Mentransfer Ketika sumber dan targetdomain tidak terkait sama sekali, maka tidak bolehmencoba menerapkan pembelajaran transfer. Jenistransfer ini disebut Transfer Negatif. Kita harusmenerapkan pembelajaran Transfer hanya jika sum-ber domain / tugas terkait.

3. Cara Mentransfer Mengidenti�kasi berbagaiteknik untuk menerapkan Transfer Learning ketikasumber dan target domain / tugas terkait. Dapatmenggunakan pembelajaran transfer induktif, pem-belajaran transfer transduktif atau pembelajarantransfer tanpa pengawasan [12].

Deteksi Objek

Deteksi objek (Object Detection) adalah teknik visikomputer untuk menemukan contoh objek dalamgambar atau video. Algoritma deteksi objek bi-asanya memanfaatkan pembelajaran mesin ataupembelajaran mendalam untuk menghasilkan hasilyang bermakna. Ketika manusia melihat gambaratau video, manusia dapat mengenali dan mene-mukan objek dalam beberapa saat berbeda dengankomputer yang memerlukan komputasi yang kom-pleks. Tujuan deteksi objek adalah untuk merep-likasi kecerdasan yang dimiliki manusia dalam meli-hat benda menggunakan komputer. Cara kerja de-teksi objek adalah deteksi objek menempatkan ke-beradaan objek dalam gambar dan menggambar ko-tak pembatas di sekitar objek itu. Ini biasanyamelibatkan dua proses, yaitu mengklasi�kasikan je-nis objek, dan kemudian menggambar kotak di sek-


423

itar objek itu. Klasi�kasi gambar dan skenario de-teksi objek terlihat serupa. Secara umum, klasi-�kasi adalah mengklasi�kasikan gambar ke dalamkategori tertentu. Sedangkan objek deteksi adalahmengidenti�kasi lokasi objek dalam gambar, danmisalnya menghitung jumlah instance suatu objek[13].

Metode Penelitian

Penelitian ini dibuat secara bertahap sesuai dengantahapannya. Berikut ini adalah gambaran umumtahapan penelitian yang dilakukan pada penelitianini, dapat dilihat pada Gambar 1.

Gambar 1: Metode Penelitian

Pada tahap pertama yang dilakukan adalahtahap persiapan. Dilakukan dengan mengindenti-�kasi masalah, melakukan studi pustaka yang diper-lukan untuk referensi pembuatan aplikasi deteksiobjek. Selanjutnya analisis kebutuhan mengenaiperangkat keras dan perangkat lunak yang akan di-pakai.

Pada tahap pengembangan deteksi objek, di-lakukan pengembangan dalam membuat model ap-likasi deteksi objek. Tahap ini berisi pengola-han data, pengembangan arsitektur, dan pelatihandata.

Pada tahap pembuatan aplikasi meliputi peran-cangan aplikasi, dan pengkodean aplikasi. Pembu-atan aplikasi berupa perancangan aplikasi yang ter-diri dari perancangan struktur navigasi, perancan-gan �owchart, dan perancangan tampilan.

Setelah diperoleh model hasil dari proses pelati-han data, model tersebut diterapkan pada aplikasideteksi objek. Kemudian akan dilakukan uji cobaaplikasi pada test set yang telah dipersiapkan se-belumnya.

Uji coba aplikasi akan dilakukan pada seluruhdata test set yang berjumlah 50 gambar denganmasing � masing kelas objek berjumlah 10 gam-bar. Hasil dari uji coba aplikasi akan menghasilkanakurasi dari aplikasi deteksi objek.

Pengembangan Model Arsitektur

Pengembangan model arsitektur pada pembuatanaplikasi deteksi objek menggunakan TensorFlowObject Detection API. Untuk itu, berikut adalahskenario pengembangan arsitektur menggunakanTensorFlow Object Detection API dapat dilihat,pada Gambar 2.

Gambar 2: Skenario Pengembangan Arsitektur

Membuat tfrecord

Pembuatan tfrecord dilakukan pada Train Set yangtelah dilakukan pengolahan data. File gambar yangtelah dilakukan labeling dan menghasilkan formatxml akan diubah menjadi tfrecord. Perubahandilakukan sebelum pelatihan data. Untuk men-gubah xml menjadi tfrecord akan dilakukan padaGoogle Colaboratory dengan menuliskan programpada notebook.

Pelatihan Data (Re � train)

Pelatihan data dilakukan dengan melakukan pelati-han kembali pada model pra � terlatih pada datasetyang telah selesai dibuat. Pelatihan dilakukandengan melatih seluruh Train Set dengan bantuanRepostory Github sebagai tempat penyimpanandataset dan Google Colaboratory sebagai VirtualMachine selama melakukan proses pelatihan data.Skenario pelatihan data, dapat dilihat, pada Gam-bar 3.

Pelatihan data dilakukan dengan menginput �letfrecord yang akan digunakan. Selain itu seluruhdata yang diperlukan akan tersimpan ke dalam �lerepository Github. Untuk memanggil �le tersebutdilakukan pemanggilan bersamaan dengan kon�g-urasi hyperparameter. Pada kon�gurasi hyperpa-rameter ditentukan jumlah steps untuk pelatihandata dan pemanggilan model pra � terlatih. Se-lanjutnya, dilakukan input �le tfrecord agar da-pat dilakukan pelatihan. Proses pelatihan akanmemanfaatkan fasilitas GPU yang tersedia padaGoogle Colaboratory. Hasil pelatihan akan dapatdi-export untuk diterapkan pada aplikasi. Padapenelitian kali ini, model pra � terlatih yang dip-ilih adalah model SSD Mobilenet V2. Modeltersebut terdapat pada TensorFlow Object Detec-tion API. Pemanggilan akan dilakukan pada modelssd_mobilenet_v2_coco. Berikut merupakan ske-nario pengembangan model secara sederhana dapatdilihat, pada Gambar 4.


424

Gambar 3: Pelatihan Data

Gambar 4: Skenario Penggunaan Model Pra � Terlatih

Gambar 5: Struktur Navigasi Aplikasi Deteksi Objek

SSD Mobilenet terdiri dari SSD yang berperansebagai base model, dan Mobilenet sebagai Net-work Model. SSD akan mengatur pendeteksianobjek dengan membuat Bonding Box. Mobilenetakan bekerja untuk mengekstrak �tur yang akannantinya diklasi�kasi. Penggabungan SSD dan Mo-bilenet akan membantu dalam proses pembuatanaplikasi deteksi objek. Dalam aplikasi deteksi objekdibutuhkan SSD untuk membuat lokalisasi gambaruntuk menentukan posisi objek. Sedangkan Mo-bilenet akan dibutuhkan untuk membantu mengk-lasi�kasi objek yang terdapat dalam suatu gam-bar. Klasi�kasi akan menghasilkan kategori untukmasing � masing objek yaitu, Camera, Handphone,Headphone, Laptop, dan Mouse.

Evaluasi

Evaluasi model dilakukan pada data ValidationSet selama proses pengembangan model. Evalu-asi bertujuan untuk menemukan parameter yangtepat. Sehingga, tahap ini dilakukan secara beru-lang hingga menemukan parameter yang tepatdalam proses pembuatan model. Evaluasi akan di-lakukan pada 100 gambar pada Validation Set.

Export

Selanjutnya, apabila parameter yang tepat telahditemukan dan model telah dapat dibuat, makamodel tersebut akan di-export dan disimpan men-jadi �le protobuf (.pb) dan label map (.pbtxt) yangnantinya akan digunakan pada pembuatan aplikasideteksi objek.

Perancangan Struktur Navigasi Ap-

likasi

Perancangan struktur navigasi bertujuan untukmenjelaskan alur dari suatu aplikasi. Pada ap-likasi deteksi objek, dibuat struktur navigasi hier-arki. Struktur navigasi aplikasi deteksi objek dapatdilihat, seperti pada Gambar 5.

Perancangan Tampilan

Perancangan tampilan pada aplikasi pendeteksianobjek yang terdiri dari tampilan tampilan menuutama, tampilan halaman deteksi objek, dan tampi-lan halaman tentang aplikasi. Perancangan tampi-lan halaman dilakukan agar hasil output dari ap-likasi memiliki tampilan yang diharapkan. Tampi-


425

lan rancangan halaman menu utama aplikasi dapatdilihat, seperti pada Gambar 6.

Gambar 6: Rancangan Tampilan Halaman MenuUtama

Tampilan rancangan halaman Deteksi Objekdapat dilihat, seperti pada Gambar 7.

Gambar 7: Rancangan Tampilan Halaman DeteksiObjek

Tampilan rancangan halaman Tentang Aplikasidapat dilihat, seperti pada Gambar 8.

Gambar 8: Rancangan Tampilan Halaman TentangAplikasi

Hasil dan Pembahasan

Setelah dilakukan perancangan, kemudian di-lakukan proses pembuatan aplikasi hingga sele-sai. Untuk menjalankan aplikasi ini, adalah denganmembuka Python IDLE, kemudian menuju direk-tori menyimpan �le python aplikasi deteksi objek.Aplikasi dapat dijalankan dengan menekan tombolF5 pada keyboard. Uji coba aplikasi dilakukan den-gan menampilkan halaman yang telah dirancang se-belumnya. Pada aplikasi deteksi objek terdapat 3tampilan utama, yaitu halaman Menu Utama, hala-man Deteksi Objek, dan halaman Tentang Aplikasi.Berikut halaman Menu Utama Aplikasi dapat dili-hat pada Gambar 9.

Gambar 9: Tampilan Halaman Menu Utama

Selanjutnya adalah halaman Deteksi Objek, ha-laman ini dapat digunakan untuk melakukan de-teksi objek. Berikut merupakan halaman DeteksiObjek dapat dilihat, pada Gambar 10.

Gambar 10: Tampilan Halaman Deteksi Objek

Untuk dapat mendeteksi objek, terdapat but-ton Upload Gambar untuk memilih gambar yangingin dilakukan pendeteksian. Apabila objek da-pat terdeteksi akan dapat dilihat pada area yangtelah tersedia. Berikut merupakan tampilan gam-bar yang berhasil terdeteksi dapat dilihat, padaGambar 11.


426

Gambar 11: Gambar yang Berhasil Dilakukan Deteksi

Gambar 12: Tampilan Halaman Tentang Aplikasi


427

Tabel 1: Hasil Pengujian Aplikasi Deteksi Objek


428

Terakhir, adalah halaman Tentang Aplikasiyang memuat informasi mengenai aplikasi deteksiobjek. Berikut merupakan halaman Tentang Ap-likasi dapat dilihat, pada Gambar 12.

Setelah aplikasi berhasil dijalankan, dilakukanpengujian dengan melakukan uji coba pada dataTest Set, yang telah dipersiapkan sebelumnya. Ter-dapat 50 gambar yang akan dilakukan untuk men-guji aplikasi deteksi objek. Terdapat 5 kelas denganmasing-masing kelas berjumlah 10 gambar. Hasilpengujian objek, dapat dilihat pada Tabel 1.

Penutup

Berdasarkan penelitian yang telah dilakukan,berhasil dibuat aplikasi untuk mendeteksi objekdengan menggunakan TensorFlow Object Detec-tion API dengan memanfaatkan SSD MobilenetV2 sebagai model pra � terlatih. Program da-pat mendeteksi 5 kategori kelas objek, yaitu Cam-era, Handphone, Headphone, Laptop, dan Mouse.Aplikasi dapat menampilkan tingkat pengukuranakurasi masing-masing objek. Hasil pengujian yangdilakukan pada 50 test set dengan jumlah masing� masing kelas objek adalah 10 gambar. Gam-bar objek Camera mendapatkan rata � rata presen-tase sebesar 99%, Handphone sebesar 89.1%, Head-phone sebesar 89.1%, Laptop sebesar 89.1%, danMouse sebesar 98.8%. sehingga diperoleh rata �rata akurasi keberhasilan pendeteksian aplikasi de-teksi objek adalah 93.02%.

Aplikasi ini dapat dikembangkan dengan meng-gunakan metode lain yang serupa. Pengemban-gan diharapkan dapat membuat aplikasi dapatmendeteksi lebih dari satu objek dalam satu gam-bar. Selain itu, dapat dilakukan penambahan �turreal time image processing dan pengembangan ap-likasi yang dapat dijalankan pada berbagai platformseperti pada android maupun website.

Daftar Pustaka

[1] Rusman, �Model-model PembelajaranMengembangkan Profesionalisme GuruEdisi Kedua�, Jakarta: PT RajaGra�ndoPersada, 2012.

[2] A.M. Taqi , et al., �Skin Lesion Detection byAndroid Camera based on SSD- Mobilenet andTensorFlow Object Detection API�, AmericanJournal of Advanced Research, 2019.

[3] F. Al-Azzo , A.M. Taqi dan M. Milanova ,�Human Related-Health Actions Detection us-ing Android Camera based on TensorFlow Ob-ject Detection API�, International Journal of

Advanced Computer Science and ApplicationsVol.9 No. 10, 2018.

[4] T.V. Janahiraman and M.S.M. Subuhan,�Tra�c Light Detection Using Tensor�ow Ob-ject Detection Framework�, International Con-ference on System Engineering and Technology(ICSET), 2019.

[5] S. Howal , A. Jadhav and C. Arthshi, �Ob-ject Detection for Autonomous Vehicle UsingTensorFlow�, International Conference on In-telligent Computing, Information and ControlSystems, 2019.

[6] M. Peker, �Comparison of Tensor�ow ObjectDetection Networks for Licence Plate Localiza-tion�, Global Power, Energy and Communica-tion Conference (IEEE GPECOM2019), 2019.

[7] A.F. Fikriya, M.I. Irawan dan Soetrisno, �Im-plementasi Extreme Learning Machine untukPengenalan Objek Citra Digital�, Jurnal Sainsdan Seni ITS. Vol 6, No.1, 2017.

[8] J. Pujoseno, �Implementasi Deep LearningMenggunakan Convo- lutional Neural Networkuntuk Klasi�kasi Alat Tulis. Studi Kasus :Gambar alat tulis (Ballpoint, Penghapus, danPenggaris)�, Skripsi, UII, Yogyakarta, 2018.

[9] W. Dadang, �Memahami Kecerdasan Buatanberupa Deep Learning dan Machine Learn-ing�, diakses daring pada https://warstek.com/2018/02/06/deepmachinelearning/, 2018.

[10] R.A Sa�tri, �Implementasi Metode Viola andJones untuk Mengenali Isyarat Jari Seba-gai Sarana Navigasi Pada Aplikasi PemutarMusik�, Skripsi, Universitas Komputer Indone-sia, Bandung, 2015.

[11] S. Sena, �Pengenalan Deep Learning Part8 : Gender Classi�cation using Pre �Trained Network (Transfer Learning)�,diakses daring https://medium.com/@sa\muelsena/pengenalan-deep-learning -part-8-gender-classi�cation-using-pre-trained-network-transfer-37ac910500d1, 2018.

[12] R. Khandelwal, �Deep Learning UsingTransfer Learning�, diakses daring padahttps://medium.com/datadriveninvestor/deep-learning-using-transfer-learn ing-cfbce1578659, 2019.

[13] A. Ouaknine, �Review of Deep LearningAlgorithms for Object Detection� , diak-ses daring pada https://medium.com/zylapp/review-of-deep-learning-algorit hms-for-object-detection-c1f3d437b852, 2019.


429

Halaman ini sengaja dikosongkan.


430

Pembuatan Aplikasi Deteksi Objek MenggunakanTensorFlow Object Detection API dengan

Memanfaatkan SSD MobileNet V2 Sebagai ModelPra-Terlatih

Prisky Ratna Aningtiyas, Agus Sumin dan Setia Wirawan

Sistem Informasi, Universitas Gunadarma

Jalan Margonda Raya No. 100, Depok

E-mail : [email protected], [email protected]

Abstrak

Deteksi objek merupakan salah satu teknik untuk menemukan objek dalam gambar atau video.Salah satu metode untuk membuat deteksi objek adalah menggunakan TensorFlow Object Detection

API. Metode tersebut menyediakan model pra � terlatih yang dapat dimanfaatkan dalam pembuatanaplikasi deteksi objek. Model yang digunakan dalam penelitian ini adalah SSDMobilenet V2. Modeltersebut dapat melakukan deteksi objek dengan menghasilkan akurasi dan area terdeteksi untuk ke-beradaan setiap kategori objek pada suatu gambar. Oleh karena itu, penelitian ini akan membuataplikasi deteksi objek dengan memanfaatkan metode tersebut. Penelitian ini bertujuan untuk mem-buat aplikasi deteksi objek menggunakan TensorFlow Object Detection API dengan memanfaatkanSSDMobilenet V2 sebagai model pra � terlatih dalam penerapan ilmuDeep Learning. Aplikasi dihara-pkan dapat melakukan deteksi dan mengukur akurasi objek, yaitu Camera, Handphone, Headphone,

Laptop, dan Mouse melalui input gambar. Dataset yang digunakan dibuat dengan mengumpulkansebanyak 500 gambar dengan membagi menjadi tiga bagian, yaitu train set, validation set, dan testset dengan masing � masing perbandingan sebesar 70% : 20% : 10%. Pelatihan dilakukan denganbantuan Google Research Colaboratory sebagai virtual machine. Penelitian ini menggunakan Python3.6.8 sebagai bahasa pemrograman dan memakai beberapa library yang disediakan oleh Python. Dariuji coba yang dilakukan, aplikasi ini memiliki tingkat akurasi sebesar 93.02% pada test set.

Kata Kunci : Deep Learning, Deteksi Objek, Python, TensorFlow

Pendahuluan

Belajar adalah proses perubahan tingkah laku indi-vidu sebagai hasil dari pengalamannya dalam berin-teraksi dengan lingkungan. Belajar bukan hanyasekedar menghafal, melainkan suatu proses men-tal yang terjadi dalam diri seseorang [1]. Pembe-lajaran adalah proses untuk menjadikan makhlukhidup belajar. Proses pembelajaran manusia dida-pat dari pengalaman yang diperoleh. Belajar yangdilakukan oleh manusia tidak sama dengan pem-belajaran yang dilakukan oleh suatu mesin ataukomputer. Komputer memiliki cara belajar yangberbeda yang tidak sama seperti manusia. Salahsatu proses pembelajaran mesin, yaitu SupervisedLearning. Supervised Learning adalah pembela-jaran terarah atau terawasi. Supervised Learningdengan pembelajaran dengan mengajarkan modelneural network pengetahuan. Tipe pembelajarantersebut menyediakan data input dan output dalamproses pembelajaran.

Dalam dunia pembelajaran mesin dikenal isti-lah Machine Learning dan Deep Learning. Ke-dua istilah tersebut mengacu pada pengembangansistem yang mampu belajar dengan menyediakandata sebagai bahan belajar (training) sebelum men-geluarkan output. Perbedaan dari Machine Learn-ing dan Deep Learning adalah pada Deep Learningpembelajaran dilakukan dengan lebih mendalamdan kompleks.

Pengembangan lebih jauh dikenal istilah Com-puter Vision yang mengajarkan bagaimana kom-puter dapat melihat. Mesin diharapkan mampu un-tuk mengekstrak informasi dari data berupa gam-bar untuk menyelesaikan tugas tertentu. Salah satuteknik Computer Vision adalah dalam hal pende-teksian objek. Deteksi objek adalah teknik Com-puter Vision untuk dapat menemukan contoh ob-jek dalam gambar atau video. Algoritma yangdigunakan dalam mendeteksi objek memanfaatkanpembelajaran mesin mendalam untuk dapat meng-hasilkan hasil yang baik. Salah satu metode untuk

DOI : http://dx.doi.org/10.32409/jikstik.19.3.68


421

membuat deteksi objek adalah menggunakan Ten-sorFlow Object Detection API yang menyediakanberbagai model pra � terlatih. Model pra � ter-latih yang dapat digunakan dalam pembuatan de-teksi objek adalah SSD Mobilenet V2. Model terse-but dapat melakukan deteksi objek dengan meng-hasilkan akurasi dan area terdeteksi untuk keber-adaan setiap kategori objek pada suatu gambar.Model ini menghasilkan besar akurasi untuk keber-adaan setiap kategori objek.

Beberapa penelitian yang membahas menge-nai TensorFlow Object Detection API diantaranyaadalah penelitin yang menggunakan TensorFlowObject Detection API dengan arsitektur SSD Mo-bilenet untuk mendeteksi lesi kulit. Penelitiantersebut, dilakukan lokalisasi objek untuk mende-teksi lesi kulit menggunakan model SSD-Mobilenetpada ISIC 2018 sebagai data pelatihan dan pengu-jian dataset. Untuk mengevaluasi kinerja deteksi,proses deteksi dilakukan dengan menggunakan duametode yang berbeda, yaitu aplikasi ponsel real-time dari kamera Android (Galaxy S6), dan JupyterNotebook dari TensorFlow Object Detection Appli-cation Program Interface (API). Total mAP adalah96,04% dengan total loss 0,78. Hasil eksperimenmencapai 99% akurasi deteksi saat menggunakanJupyter Notebook, sementara itu mencapai 100%dengan deteksi Android. Percobaan telah dilak-sanakan pada sistem Ubuntu 16.04LTS GTX1070@ 2.80GHZ x8[2].

Selanjutnya, penelitian yang merupakan metodebaru untuk mendeteksi tindakan yang terkait den-gan kesehatan manusia (HHRA) dari urutan videomenggunakan kamera Android. Penelitian ini,menggunakan dua pendekatan, yaitu model SSDMobilenet dan Faster RCNN Resnet. Pendekatanyang diusulkan dievaluasi pada dataset NTU RGB+ D, yang dikenal sebagai dataset pengakuantindakan 3D yang dapat diakses publik terbesarsaat ini. Dataset telah dibagi menjadi datasetpelatihan dan pengujian. Kualitas deteksi skorkepercayaan total (total mAP) untuk semua ke-las tindakan adalah 95,8% berdasarkan pada modelSSD-Mobilenet dan 93,8% berdasarkan pada modelFaster-R-CNN-Resnet. Proses deteksi dicapai den-gan menggunakan dua metode untuk mengevalu-asi kinerja deteksi menggunakan kamera Android(Galaxy S6) dan menggunakan TensorFlow Ob-ject Detection Notebook dalam hal akurasi dan ke-cepatan deteksi. Hasil eksperimental telah menun-jukkan peningkatan dalam hal akurasi deteksi dane�siensi untuk identi�kasi tindakan terkait kese-hatan manusia. Eksperimen telah dijalankan padasistem Ubuntu 16.04LTS GTX1070 @ 2.80GHZx8[3].

Penelitian yang merupakan penelitian denganmetode tradisional dalam Machine Learning un-tuk mendeteksi lampu lalu lintas dan klasi�kasidari metode deteksi objek pembelajaran dalam den-gan keberhasilan membangun jaringan saraf con-volutional (CNN), yang merupakan komponen dari

Deep Learning. Makalah ini menyajikan pen-dekatan Deep Learning untuk mendeteksi lampulalu lintas dengan membandingkan dua model de-teksi objek dan dengan mengevaluasi �eksibili-tas TensorFlow Object Detection Framework un-tuk menyelesaikan masalah secara real-time. Ter-masuk Single Shot Multibox Detector (SSD) Mo-bileNet V2 dan Faster-RCNN. Studi eksperimentalmenunjukkan bahwa Faster-RCNN menghasilkan97,015%, yang mengungguli SSD sebesar 38,806%untuk model yang telah dilatih menggunakan 441gambar[4].

Penelitian yang meningkatkan tugas deteksi ob-jek untuk kendaraan self-driving dengan menggu-nakan TensorFlow API diikuti oleh jaringan sarafMobileNet. E�siensi dalam pendeteksian objekadalah sekitar 85,18%, yang di atas rata-rata. Lossper langkah atau epoch adalah 2,73 (di bawah3) yang mengawasi kehandalan model. Penelitiantersebut menguji model pada dataset yang disiap-kan dari testbench[5].

Penelitian dengan jaringan deteksi objekkerangka kerja TensorFlow dilatih dan diuji untuktugas pelokalan plat nomor otomatis. Pertama,dataset baru disiapkan untuk plat nomor Turki.Gambar-gambar dalam dataset diberi label dengandua kelas yaitu mobil dan plat. Empat jaringan de-teksi objek yang berbeda dikon�gurasikan untuk di-jalankan di lingkungan Colab Google. Kon�gurasijaringan ini adalah Single Shot MultiBox Detector(SSD) yang menggunakan �tur MobileNet dan �-tur Resnet50, Faster Region Convolutional NeuralNetwork (Faster R-CNN) menggunakan lapisan In-ception untuk �tur, dan Region-based Fully Convo-lutional Networks (RFCN) dengan �tur Resnet101.Jaringan-jaringan ini dibandingkan untuk menen-tukan kinerja lokalisasi plat nomor. Berbagai jenisgambar input digunakan untuk menguji algoritma.Hasil pengujian menunjukkan bahwa solusi berbasisSSD dapat mendeteksi objek (mobil) yang lebih be-sar lebih baik daripada solusi berbasis R-CNN danR-FCN yang lebih cepat. Tetapi SSD kurang baikmendeteksi beberapa plat nomor karena ukurannyayang relatif kecil. Selain itu, ditunjukkan dalamhasil pengujian bahwa plat nomor terdeteksi lebihbaik daripada solusi berbasis SSD dengan FasterR-CNN dan R-FCN[6].

Berdasarkan latar belakang diatas, penelitian iniakan menggunakan TensorFlow Object DetectionAPI dengan mamanfaatkan SSD Mobilenet V2 se-bagai model pra - terlatih. Hasil pelatihan dataakan diterapkan dalam pembuatan aplikasi yangmampu mendeteksi dan mengukur besar akurasiobjek melalui input gambar. Aplikasi yang dibuatakan mendeteksi 5 objek, yaitu Camera, Hand-phone, Headphone, Laptop, dan Mouse.


422

Citra Digital, Pemrosesan dan

Deteksi Objek

Citra digital merupakan suatu matriks di mana in-deks baris dan kolomnya menyatakan suatu titikpada citra tersebut dan elemen matriksnya (yangdisebut sebagai elemen gambar atau piksel) meny-atakan tingkat keabuan pada titik tersebut. Untuksebuah citra digital, setiap piksel memiliki nilai in-teger yakni gray level yang menunjukkan amplitudoatau intensitas dari piksel tersebut. Citra meru-pakan fungsi dua dimensi yang kedua variabelnyayaitu nilai amplitudo dan koordinatnya merupakannilai integer [7].

Machine Learning

Istilah Machine Learning pertama kali dide�nisikanoleh Arthur Samuel ditahun 1959. Menurut ArthurSamuel, Machine Learning adalah salah satu bidangilmu komputer yang memberikan kemampuan pem-belajaran kepada komputer untuk mengetahui sesu-atu tanpa pemrogram yang jelas. Machine Learn-ing dapat dide�nisikan sebagai metode komputasiberdasarkan pengalaman untuk meningkatkan per-forma atau membuat prediksi yang akurat. De�nisipengalaman disini ialah informasi sebelumnya yangtelah tersedia dan bisa dijadikan data pembelajar[8].

Deep Learning

Deep Learning (Pembelajaran Dalam) atau ser-ing dikenal dengan istilah Pembelajaran StrukturalMendalam (Deep Structured Learning) atau Pem-belajaran Hierarki (Hierarchical Learning) adalahsalah satu cabang dari ilmu pembelajaran mesin(Machine Learning) yang terdiri algoritma pemod-elan abstraksi tingkat tinggi pada data menggu-nakan sekumpulan fungsi transformasi non-linearyang ditata berlapis-lapis dan mendalam. Teknikdan algoritma dalam pembelaran dalam dapat di-gunakan baik untuk kebutuhan pembelajaran ter-arah (Supervised Learning), pembelajaran tak ter-arah (Unsupervised Learning) dan semi-terarah(Semi-supervised Learning) dalam berbagai aplikasiseperti pengenalan citra, pengenalan suara, klasi-�kasi teks, dan sebagainya. Deep Learning dise-but sebagai Deep (dalam) karena struktur dan jum-lah jaringan saraf pada algoritmanya sangat banyakbisa mencapai hingga ratusan lapisan [9].

Computer Vision

Computer Vision adalah suatu proses transformasiatau perubahan dari data yang berasal dari kam-era video maupun foto/gambar kedalam sebuahhasil keputusan ataupun sebuah presentasi yangbaru, dimana hasil dari kegiatan transformasi terse-but memiliki kepentingan untuk mencapai suatutujuan. Data yang dimasukan kedalam kegiatan

transformasi tersebut memungkinkan untuk memi-liki beberapa informasi yang terkonstektual sepertihalnya sebuah foto/gambar yang didalamnya ter-dapat berbagai objek. Dengan demikian akan di-dapatkan keputusan-keputusan yang akan diambilpada gambar, misalnya berupa �adakah telapak tan-gan seseorang pada gambar tersebut?� atau �siapasajakah orang yang terdapat pada foto tersebut?�.Adapun perubahan kedalam presentasi yang baruseperti perubahan gambar menjadi grayscale ataujuga pemotongan objek pada gambar [10].

Transfer Learning

Transfer Learning adalah suatu teknik atau metodeyang memanfaatkan model yang sudah dilatih ter-hadap suatu dataset untuk menyelesaikan per-masalahan lain yang serupa dengan cara menggu-nakannya sebagai starting point, memodi�kasi danmengupdate parameternya sehingga sesuai dengandataset yang baru [11].

Untuk menerapkan Transfer Learning secaraefektif, perlu menjawab tiga pertanyaan utama,yaitu :

1. Apa yang Harus Ditransfer Memahamipengetahuan umum antara sumber dan tugas tar-get. Pengetahuan apa yang dapat ditransfer daritugas sumber ke tugas target yang akan membantumeningkatkan kinerja tugas target.

2. Kapan Mentransfer Ketika sumber dan targetdomain tidak terkait sama sekali, maka tidak bolehmencoba menerapkan pembelajaran transfer. Jenistransfer ini disebut Transfer Negatif. Kita harusmenerapkan pembelajaran Transfer hanya jika sum-ber domain / tugas terkait.

3. Cara Mentransfer Mengidenti�kasi berbagaiteknik untuk menerapkan Transfer Learning ketikasumber dan target domain / tugas terkait. Dapatmenggunakan pembelajaran transfer induktif, pem-belajaran transfer transduktif atau pembelajarantransfer tanpa pengawasan [12].

Deteksi Objek

Deteksi objek (Object Detection) adalah teknik visikomputer untuk menemukan contoh objek dalamgambar atau video. Algoritma deteksi objek bi-asanya memanfaatkan pembelajaran mesin ataupembelajaran mendalam untuk menghasilkan hasilyang bermakna. Ketika manusia melihat gambaratau video, manusia dapat mengenali dan mene-mukan objek dalam beberapa saat berbeda dengankomputer yang memerlukan komputasi yang kom-pleks. Tujuan deteksi objek adalah untuk merep-likasi kecerdasan yang dimiliki manusia dalam meli-hat benda menggunakan komputer. Cara kerja de-teksi objek adalah deteksi objek menempatkan ke-beradaan objek dalam gambar dan menggambar ko-tak pembatas di sekitar objek itu. Ini biasanyamelibatkan dua proses, yaitu mengklasi�kasikan je-nis objek, dan kemudian menggambar kotak di sek-


423

itar objek itu. Klasi�kasi gambar dan skenario de-teksi objek terlihat serupa. Secara umum, klasi-�kasi adalah mengklasi�kasikan gambar ke dalamkategori tertentu. Sedangkan objek deteksi adalahmengidenti�kasi lokasi objek dalam gambar, danmisalnya menghitung jumlah instance suatu objek[13].

Metode Penelitian

Penelitian ini dibuat secara bertahap sesuai dengantahapannya. Berikut ini adalah gambaran umumtahapan penelitian yang dilakukan pada penelitianini, dapat dilihat pada Gambar 1.

Gambar 1: Metode Penelitian

Pada tahap pertama yang dilakukan adalahtahap persiapan. Dilakukan dengan mengindenti-�kasi masalah, melakukan studi pustaka yang diper-lukan untuk referensi pembuatan aplikasi deteksiobjek. Selanjutnya analisis kebutuhan mengenaiperangkat keras dan perangkat lunak yang akan di-pakai.

Pada tahap pengembangan deteksi objek, di-lakukan pengembangan dalam membuat model ap-likasi deteksi objek. Tahap ini berisi pengola-han data, pengembangan arsitektur, dan pelatihandata.

Pada tahap pembuatan aplikasi meliputi peran-cangan aplikasi, dan pengkodean aplikasi. Pembu-atan aplikasi berupa perancangan aplikasi yang ter-diri dari perancangan struktur navigasi, perancan-gan �owchart, dan perancangan tampilan.

Setelah diperoleh model hasil dari proses pelati-han data, model tersebut diterapkan pada aplikasideteksi objek. Kemudian akan dilakukan uji cobaaplikasi pada test set yang telah dipersiapkan se-belumnya.

Uji coba aplikasi akan dilakukan pada seluruhdata test set yang berjumlah 50 gambar denganmasing � masing kelas objek berjumlah 10 gam-bar. Hasil dari uji coba aplikasi akan menghasilkanakurasi dari aplikasi deteksi objek.

Pengembangan Model Arsitektur

Pengembangan model arsitektur pada pembuatanaplikasi deteksi objek menggunakan TensorFlowObject Detection API. Untuk itu, berikut adalahskenario pengembangan arsitektur menggunakanTensorFlow Object Detection API dapat dilihat,pada Gambar 2.

Gambar 2: Skenario Pengembangan Arsitektur

Membuat tfrecord

Pembuatan tfrecord dilakukan pada Train Set yangtelah dilakukan pengolahan data. File gambar yangtelah dilakukan labeling dan menghasilkan formatxml akan diubah menjadi tfrecord. Perubahandilakukan sebelum pelatihan data. Untuk men-gubah xml menjadi tfrecord akan dilakukan padaGoogle Colaboratory dengan menuliskan programpada notebook.

Pelatihan Data (Re � train)

Pelatihan data dilakukan dengan melakukan pelati-han kembali pada model pra � terlatih pada datasetyang telah selesai dibuat. Pelatihan dilakukandengan melatih seluruh Train Set dengan bantuanRepostory Github sebagai tempat penyimpanandataset dan Google Colaboratory sebagai VirtualMachine selama melakukan proses pelatihan data.Skenario pelatihan data, dapat dilihat, pada Gam-bar 3.

Pelatihan data dilakukan dengan menginput �letfrecord yang akan digunakan. Selain itu seluruhdata yang diperlukan akan tersimpan ke dalam �lerepository Github. Untuk memanggil �le tersebutdilakukan pemanggilan bersamaan dengan kon�g-urasi hyperparameter. Pada kon�gurasi hyperpa-rameter ditentukan jumlah steps untuk pelatihandata dan pemanggilan model pra � terlatih. Se-lanjutnya, dilakukan input �le tfrecord agar da-pat dilakukan pelatihan. Proses pelatihan akanmemanfaatkan fasilitas GPU yang tersedia padaGoogle Colaboratory. Hasil pelatihan akan dapatdi-export untuk diterapkan pada aplikasi. Padapenelitian kali ini, model pra � terlatih yang dip-ilih adalah model SSD Mobilenet V2. Modeltersebut terdapat pada TensorFlow Object Detec-tion API. Pemanggilan akan dilakukan pada modelssd_mobilenet_v2_coco. Berikut merupakan ske-nario pengembangan model secara sederhana dapatdilihat, pada Gambar 4.


424

Gambar 3: Pelatihan Data

Gambar 4: Skenario Penggunaan Model Pra � Terlatih

Gambar 5: Struktur Navigasi Aplikasi Deteksi Objek

SSD Mobilenet terdiri dari SSD yang berperansebagai base model, dan Mobilenet sebagai Net-work Model. SSD akan mengatur pendeteksianobjek dengan membuat Bonding Box. Mobilenetakan bekerja untuk mengekstrak �tur yang akannantinya diklasi�kasi. Penggabungan SSD dan Mo-bilenet akan membantu dalam proses pembuatanaplikasi deteksi objek. Dalam aplikasi deteksi objekdibutuhkan SSD untuk membuat lokalisasi gambaruntuk menentukan posisi objek. Sedangkan Mo-bilenet akan dibutuhkan untuk membantu mengk-lasi�kasi objek yang terdapat dalam suatu gam-bar. Klasi�kasi akan menghasilkan kategori untukmasing � masing objek yaitu, Camera, Handphone,Headphone, Laptop, dan Mouse.

Evaluasi

Evaluasi model dilakukan pada data ValidationSet selama proses pengembangan model. Evalu-asi bertujuan untuk menemukan parameter yangtepat. Sehingga, tahap ini dilakukan secara beru-lang hingga menemukan parameter yang tepatdalam proses pembuatan model. Evaluasi akan di-lakukan pada 100 gambar pada Validation Set.

Export

Selanjutnya, apabila parameter yang tepat telahditemukan dan model telah dapat dibuat, makamodel tersebut akan di-export dan disimpan men-jadi �le protobuf (.pb) dan label map (.pbtxt) yangnantinya akan digunakan pada pembuatan aplikasideteksi objek.

Perancangan Struktur Navigasi Ap-

likasi

Perancangan struktur navigasi bertujuan untukmenjelaskan alur dari suatu aplikasi. Pada ap-likasi deteksi objek, dibuat struktur navigasi hier-arki. Struktur navigasi aplikasi deteksi objek dapatdilihat, seperti pada Gambar 5.

Perancangan Tampilan

Perancangan tampilan pada aplikasi pendeteksianobjek yang terdiri dari tampilan tampilan menuutama, tampilan halaman deteksi objek, dan tampi-lan halaman tentang aplikasi. Perancangan tampi-lan halaman dilakukan agar hasil output dari ap-likasi memiliki tampilan yang diharapkan. Tampi-


425

lan rancangan halaman menu utama aplikasi dapatdilihat, seperti pada Gambar 6.

Gambar 6: Rancangan Tampilan Halaman MenuUtama

Tampilan rancangan halaman Deteksi Objekdapat dilihat, seperti pada Gambar 7.

Gambar 7: Rancangan Tampilan Halaman DeteksiObjek

Tampilan rancangan halaman Tentang Aplikasidapat dilihat, seperti pada Gambar 8.

Gambar 8: Rancangan Tampilan Halaman TentangAplikasi

Hasil dan Pembahasan

Setelah dilakukan perancangan, kemudian di-lakukan proses pembuatan aplikasi hingga sele-sai. Untuk menjalankan aplikasi ini, adalah denganmembuka Python IDLE, kemudian menuju direk-tori menyimpan �le python aplikasi deteksi objek.Aplikasi dapat dijalankan dengan menekan tombolF5 pada keyboard. Uji coba aplikasi dilakukan den-gan menampilkan halaman yang telah dirancang se-belumnya. Pada aplikasi deteksi objek terdapat 3tampilan utama, yaitu halaman Menu Utama, hala-man Deteksi Objek, dan halaman Tentang Aplikasi.Berikut halaman Menu Utama Aplikasi dapat dili-hat pada Gambar 9.

Gambar 9: Tampilan Halaman Menu Utama

Selanjutnya adalah halaman Deteksi Objek, ha-laman ini dapat digunakan untuk melakukan de-teksi objek. Berikut merupakan halaman DeteksiObjek dapat dilihat, pada Gambar 10.

Gambar 10: Tampilan Halaman Deteksi Objek

Untuk dapat mendeteksi objek, terdapat but-ton Upload Gambar untuk memilih gambar yangingin dilakukan pendeteksian. Apabila objek da-pat terdeteksi akan dapat dilihat pada area yangtelah tersedia. Berikut merupakan tampilan gam-bar yang berhasil terdeteksi dapat dilihat, padaGambar 11.


426

Gambar 11: Gambar yang Berhasil Dilakukan Deteksi

Gambar 12: Tampilan Halaman Tentang Aplikasi


427

Tabel 1: Hasil Pengujian Aplikasi Deteksi Objek


428

Terakhir, adalah halaman Tentang Aplikasiyang memuat informasi mengenai aplikasi deteksiobjek. Berikut merupakan halaman Tentang Ap-likasi dapat dilihat, pada Gambar 12.

Setelah aplikasi berhasil dijalankan, dilakukanpengujian dengan melakukan uji coba pada dataTest Set, yang telah dipersiapkan sebelumnya. Ter-dapat 50 gambar yang akan dilakukan untuk men-guji aplikasi deteksi objek. Terdapat 5 kelas denganmasing-masing kelas berjumlah 10 gambar. Hasilpengujian objek, dapat dilihat pada Tabel 1.

Penutup

Berdasarkan penelitian yang telah dilakukan,berhasil dibuat aplikasi untuk mendeteksi objekdengan menggunakan TensorFlow Object Detec-tion API dengan memanfaatkan SSD MobilenetV2 sebagai model pra � terlatih. Program da-pat mendeteksi 5 kategori kelas objek, yaitu Cam-era, Handphone, Headphone, Laptop, dan Mouse.Aplikasi dapat menampilkan tingkat pengukuranakurasi masing-masing objek. Hasil pengujian yangdilakukan pada 50 test set dengan jumlah masing� masing kelas objek adalah 10 gambar. Gam-bar objek Camera mendapatkan rata � rata presen-tase sebesar 99%, Handphone sebesar 89.1%, Head-phone sebesar 89.1%, Laptop sebesar 89.1%, danMouse sebesar 98.8%. sehingga diperoleh rata �rata akurasi keberhasilan pendeteksian aplikasi de-teksi objek adalah 93.02%.

Aplikasi ini dapat dikembangkan dengan meng-gunakan metode lain yang serupa. Pengemban-gan diharapkan dapat membuat aplikasi dapatmendeteksi lebih dari satu objek dalam satu gam-bar. Selain itu, dapat dilakukan penambahan �turreal time image processing dan pengembangan ap-likasi yang dapat dijalankan pada berbagai platformseperti pada android maupun website.

Daftar Pustaka

[1] Rusman, �Model-model PembelajaranMengembangkan Profesionalisme GuruEdisi Kedua�, Jakarta: PT RajaGra�ndoPersada, 2012.

[2] A.M. Taqi , et al., �Skin Lesion Detection byAndroid Camera based on SSD- Mobilenet andTensorFlow Object Detection API�, AmericanJournal of Advanced Research, 2019.

[3] F. Al-Azzo , A.M. Taqi dan M. Milanova ,�Human Related-Health Actions Detection us-ing Android Camera based on TensorFlow Ob-ject Detection API�, International Journal of

Advanced Computer Science and ApplicationsVol.9 No. 10, 2018.

[4] T.V. Janahiraman and M.S.M. Subuhan,�Tra�c Light Detection Using Tensor�ow Ob-ject Detection Framework�, International Con-ference on System Engineering and Technology(ICSET), 2019.

[5] S. Howal , A. Jadhav and C. Arthshi, �Ob-ject Detection for Autonomous Vehicle UsingTensorFlow�, International Conference on In-telligent Computing, Information and ControlSystems, 2019.

[6] M. Peker, �Comparison of Tensor�ow ObjectDetection Networks for Licence Plate Localiza-tion�, Global Power, Energy and Communica-tion Conference (IEEE GPECOM2019), 2019.

[7] A.F. Fikriya, M.I. Irawan dan Soetrisno, �Im-plementasi Extreme Learning Machine untukPengenalan Objek Citra Digital�, Jurnal Sainsdan Seni ITS. Vol 6, No.1, 2017.

[8] J. Pujoseno, �Implementasi Deep LearningMenggunakan Convo- lutional Neural Networkuntuk Klasi�kasi Alat Tulis. Studi Kasus :Gambar alat tulis (Ballpoint, Penghapus, danPenggaris)�, Skripsi, UII, Yogyakarta, 2018.

[9] W. Dadang, �Memahami Kecerdasan Buatanberupa Deep Learning dan Machine Learn-ing�, diakses daring pada https://warstek.com/2018/02/06/deepmachinelearning/, 2018.

[10] R.A Sa�tri, �Implementasi Metode Viola andJones untuk Mengenali Isyarat Jari Seba-gai Sarana Navigasi Pada Aplikasi PemutarMusik�, Skripsi, Universitas Komputer Indone-sia, Bandung, 2015.

[11] S. Sena, �Pengenalan Deep Learning Part8 : Gender Classi�cation using Pre �Trained Network (Transfer Learning)�,diakses daring https://medium.com/@sa\muelsena/pengenalan-deep-learning -part-8-gender-classi�cation-using-pre-trained-network-transfer-37ac910500d1, 2018.

[12] R. Khandelwal, �Deep Learning UsingTransfer Learning�, diakses daring padahttps://medium.com/datadriveninvestor/deep-learning-using-transfer-learn ing-cfbce1578659, 2019.

[13] A. Ouaknine, �Review of Deep LearningAlgorithms for Object Detection� , diak-ses daring pada https://medium.com/zylapp/review-of-deep-learning-algorit hms-for-object-detection-c1f3d437b852, 2019.


429

Halaman ini sengaja dikosongkan.


430

DAFTAR ISI - Gunadarma

Documents

Transcript of DAFTAR ISI - Gunadarma