“ Pyimagesearch “
Disusun oleh :
Bimo Adam 672018274
DAFTAR ISI....................................................................................................................1
BAB I PENDAHULUAN
A. Latar Belakang.......................................................................................................2
B. Pengertian .............................................................................................................2
C. Tinjauan Pustaka ...................................................................................................2
BAB II PEMBAHASAN
A. Kesimpulan..........................................................................................................10
B. Saran....................................................................................................................10
DAFTAR PUSTAKA....................................................................................................11
1
Bab I
Pendahuluan
A. Latar Belakang
B. Pengertian
Deep Learning Object Detection merupakan suatu proses untuk mencari
keberadaan objek tertentu dan menandainya dengan menggunakan batas kotak
C. Tinjauan Pustaka
1. Landasan Teori
a. Deep Learning
Deep Learning adalah pembelajaran mendalam, namu juga dikenal
sebagai pembelajaran terstruktur dalam atau pembelajaran hierarkis. Istilah
tersebut memiliki arti bagian dari keluarga yang lebih luas dari
metode machine learning berdasarkan pada representasi data pembelajaran,
yang bertentangan dengan algoritma tugas-spesifik. Secara singkat, deep
learning merupakan sebuah model yang dapat mempelajari metode
komputasinya sendiri dengan 'otaknya' sendiri.
Sebuah model deep learning dirancang untuk terus menganalisis data
dengan struktur logika yang mirip dengan bagaimana manusia mengambil
keputusan. Untuk dapat mencapai kemampuan itu, deep
2
learning menggunakan struktur algoritma berlapis yang disebut artificial
neural network (ANN).
c. Deteksi Objek
Deteksi objek merupakan sebuah tahap penting yang banyak
diterapkan dalam proses pencarian gambar, auto-annotation gambar, dan
pemahaman gambar Menurut Wang et al (2007) pendekatan yang dapat
digunakan untuk proses deteksi objek dikategorikan menjadi 2, yaitu top-
down dan bottom-up atau kombinasi dari keduanya. Pendekatan top-down
dilakukan dengan menyertakan tahap pelatihan untuk mendapatkan fitur-fitur
kelas atau objek. Sedangkan pendekatan bottom-up dilakukan dengan
menganalisis fitur gambar tingkat rendah atau menengah seperti tepi atau
segmen. Menurut Schwenk and Huber (2015) pendekatan bottom-up
3
merupakan pendekatan yang secara umum digunakan dalam proses deteksi
objek, yang mana algoritme yang digunakan adalah Connected Component
Labeling.
Connected Component Labeling merupakan algoritme dasar dalam
pengolahan citra digital yang secara umum digunakan dalam proses yang
berhubungan dengan deteksi objek (Schwenk and Huber, 2015). Tujuan
metode ini adalah untuk memberikan label yang sama pada piksel foreground
yang saling berdekatan (biasanya dilakukan dengan unsur ketetanggaan
(connectivity)), sehingga dapat diukur besar foreground/objek tersebut.
Foreground/objek merupakan representasi nilai piksel dari sebuah binary
image, biasanya dilambangkan dengan 2 nilai, yaitu 0 dan 255. Pada binary
image, 2 piksel dapat disebut berdekatan apabila keduanya saling terhubung
dan saling berwarna sama.
Menurut Schwenk dan Huber (2015), terdapat 2 tipe connectivity yang
sering digunakan untuk membangkitkan label, yaitu 4- connectivity dan 8-
connectivity. Pada unsur ketetanggaan 4-connectivity suatu piksel pusat diberi
label dengan memperhatikan 4 piksel horizontal dan vertical disekitarnya.
Ketika ditemukan piksel tetangga dengan nilai model warna yang sama yang
telah diberi label, maka piksel pusat akan diberi label sesuai label piksel
tetangga tersebut. Berbeda pada unsur ketetanggaan 4-connectivity suatu
piksel pusat diberi label dengan memperhatikan 8 piksel horizontal, vertical,
diagonal disekitarnya. Ketika ditemukan piksel tetangga dengan nilai model
warna yang sama yang telah diberi label, maka piksel pusat akan diberi label
sesuai label piksel tetangga tersebut.
4
Bab II
Pembahasan
A. Flowchart Program
5
B. Analisa dan diskusi terkait dengan performa implementasi program
Kita memulai program dengan mengimport paket dan modul yang dibutuhkan
yaitu imutils dan OpenCV. Kita menggunakan kelas VideoStream dari
pyimagesearch.com untuk menghandle frame dari kamera.
Disini CLASSES terdapat list yang didalamnya untuk memberi nama objek
yang di deteksi.
6
Digunakan untuk memberi warna kelas atau objek secara acak.
Kita mengambil frame dan resize untuk menyiapkan aspect ratio untuk output.
Selanjutnya meng generate blob untuk frame di fungsi
cv2.dnn.blobFromImage.
7
Dari sini kita mengatur kotak yang digunakan untuk menunjukan objek yang
dideteksi.
8
Berikut adalah contoh outputnya.
9
Bab III
Penutup
A. Kesimpulan
Berdasarkan hasil analisis yang telah dilakukan, maka dapat diperoleh beberapa
kesimpulan sebagai berikut:
1. Hasil dari pendeteksian klasifikasi objek menggunakan Convolutional Neural
Network dan OpenCV dapat dinilai bekerja dengan baik.
2. Tingkat akurasi model yang didapatkan dari hasil pendeteksian klasifikasi
objek menggunakan Convolutional Neural Network dan OpenCV berkisar
antara 70% hingga 99%.
B. Saran
Berdasarkan penelitian yang telah dilakukan, maka dapat diberikan beberapa
saran sebagai berikut:
1. Menambahkan Kelas dan ragam objek pada gambar untuk melatih model
dan mecapai akurasi tinggi.
2. Mengembangkan kembali pengenalan objek dengan fokus untuk mendeteksi
atau mengenali objek baru.
3. Menggunakan spesifikasi perangkat yang lebih tinggi yaitu dengan Random
Access Memory(RAM) yang tinggi dan menggunakan Graphics Processing
Unit(GPU) untuk mempercepat deteksi objek.
10
Daftar Pustaka
https://elib.unikom.ac.id/files/disk1/686/jbptunikompp-gdl-hegitrisap-34264-2-jurnal(-).pdf
https://www.pyimagesearch.com/2018/05/14/a-gentle-guide-to-deep-learning-object-
detection/
https://www.wartaekonomi.co.id/read218284/apa-itu-deep-learning
https://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-
opencv/
https://medium.com/@rismitawahyu/deep-learning-object-detection-menggunakan-
tensorflow-dan-metode-convolutional-neural-network-cnn-9c09267474e3
http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/836/337
11