Tugas Akhir Semester Kecerdasan Buatan

“ Pyimagesearch “

Disusun oleh :
Bimo Adam 672018274

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS KRISTEN SATYA WACANA
2020
Daftar Isi

DAFTAR ISI....................................................................................................................1

BAB I PENDAHULUAN

A. Latar Belakang.......................................................................................................2
B. Pengertian .............................................................................................................2
C. Tinjauan Pustaka ...................................................................................................2

BAB II PEMBAHASAN

A. Desain Program ....................................................................................................5

B. Pembahasan Program ...........................................................................................6

BAB III PENUTUP

A. Kesimpulan..........................................................................................................10
B. Saran....................................................................................................................10

DAFTAR PUSTAKA....................................................................................................11

1
 Bab I

Pendahuluan

A. Latar Belakang

Seiring dengan perkembangan zaman, teknologi yang menggunakan komputer

berkembang dengan pesat. Hampir setiap individu di dunia memerlukan komputer
sebagai alat bantu untuk menyelesaikan masalahnya. Hampir semua sistem analog
digantikan dengan sistem komputerisasi. Keunggulannya adalah sistem komputerisasi
lebih mudah dalam pengontrolan. Dalam hal ini misalnya pengontrolan di dalam
mengidentifikasi suatu objek atau citra. Komputer diusahakan untuk dapat bekerja
mendekati proses kerja otak manusia.

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).

b. CNN(Convolutional Neural Network)

Disini kita menggunakan metode CNN yaitu Convolutional Neural
Network. CNN sendiri adalah merupakan salah satu metode yang terdapat
dalam Deep Learning yang banyak digunakan untuk menyelesaikan
permasalahan yang berkaitan dengan object detection dan image classification.
Convolutional neural network (CNN) adalah tipe khusus dari neural network
untuk memproses data yang mempunyai topologi jala atau grid-like topology.
Nama convolutional neural network mengindikasikan bahwa jaringan tersebut
menggunakan operasi matematika yang disebut konvolusi yang merupakan
sebuah operasi linear. Convolutional neural network (ConvNets) merupakan
special case dari artificial neural network (ANN) yang saat ini diklaim sebagai
model terbaik untuk memecahkan masalah object recognition dan detection.
Convolutional Neural Network (CNN) termasuk dalam jenis Deep
Neural Network karena kedalaman jaringan yang tinggi . Secara teknis,
convolutional network adalah arsitektur yang bisa di training dan terdiri dari
beberapa tahap. Input dan output dari masing-masing tahap adalah beberapa
array yang disebut feature map atau peta fitur. Output dari masing-masing
tahap adalah feature map hasil pengolahan dari semua lokasi pada input.
Masing-masing tahap terdiri dari tiga layer yaitu convolution layer, activation
layer dan pooling layer.

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.

Program ini membutuhkan dua command line arguments yaitu:

a. –prototxt digunakan untuk menunjuk file yang terdapat def model.
b. –model digunakan untuk menunjuk file yang dapat mendeteksi model
objek.

Disini CLASSES terdapat list yang didalamnya untuk memberi nama objek
yang di deteksi.

Codingan untuk mengabaikan kelas yang kita inginkan.

6
Digunakan untuk memberi warna kelas atau objek secara acak.

Disini model di gunakan kedua fungsi cv2.dnn.readNetFromCaffe. karena itu

kita membutuhkan command line argument –prototxt dan –model.
Kemudian kita memberi contoh VideoStream objek sebagai vs, dan memulai
hitungan FPS.
Setelah tahap ini kita sudah siap untuk mengulang frame di kamera.

Kita mengambil frame dan resize untuk menyiapkan aspect ratio untuk output.
Selanjutnya meng generate blob untuk frame di fungsi
cv2.dnn.blobFromImage.

Disini kita memulai pengulangan untuk deteksinya.

Pertama kita ekstrak index dari kelas detections.
Kemudian jika kelas dapat diabaikan kita melanjutkan ke pengulangan deteksi.

7
Dari sini kita mengatur kotak yang digunakan untuk menunjukan objek yang
dideteksi.

Jika “q” ditekan di keyboard akan menghentikan pengulangan dan

programnya. Kemudian akan menampilan berapa lama video diambil dan rata-
rata FPS nya.

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