PERTEMUAN VII

PRAKTIKUM DARING MATA KULIAH UNGGULAN

ROBOTIKA CERDAS

Disusun Oleh:

Nama : Satrio aji kurniawan

NPM : 25417549
Kelas : 4IC07

JURUSAN TEKNIK MESIN

FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS GUNADARMA
KALIMALANG
2021
 Deteksi objek adalah teknologi yang berada di bawah domain Computer
Vision yang lebih luas. Metode ini berkaitan dengan mengidentifikasi dan
melacak objek yang ada dalam gambar dan video. Deteksi objek memiliki banyak
aplikasi seperti deteksi wajah, deteksi kendaraan, penghitungan pejalan kaki,
mobil tanpa pengemudi, sistem keamanan, dll. Dua tujuan utama deteksi objek
meliputi:
➢ Untuk mengidentifikasi semua objek yang ada dalam gambar
➢ Penyaringan objek
Pada materi kali ini, Anda akan melihat cara melakukan deteksi objek
dengan Python dengan bantuan ImageAI.

ImageAI adalah library Python yang dibangun untuk membantu

pengembang untuk membangun aplikasi dan sistem dengan self-contained deep
learning dan kemampuan Computer Vision menggunakan beberapa baris kode
secara langsung. ImageAI berisi implementasi Python dari hampir semua
algoritme deep learning yang canggih seperti RetinaNet, YOLOv3, dan Tiny
YOLOv3. ImageAI menggunakan beberapa API yang bekerja secara offline -
memiliki API deteksi objek, deteksi video, dan pelacakan objek yang dapat
dipanggil tanpa akses internet. ImageAI menggunakan model yang telah dilatih
sebelumnya dan dapat dengan mudah disesuaikan. Kelas Object Detection dari
pustaka ImageAI berisi fungsi untuk melakukan deteksi objek pada gambar atau
kumpulan gambar apa pun, menggunakan model terlatih. Dengan ImageAI, Anda
dapat mendeteksi dan mengenali 80 jenis objek umum sehari-hari.

TUGAS!
Melakukan Image Detection pada ‘image-2.jpg’ dengan 3 metode, yaitu
metode RetinaNet, YOLOv3 dan TinyYOLOv3.
1. Metode TinyYOLOv3
Hasil yang didapat yaitu:
• Car : 56.97687864303589
• Bus : 53.34128141403198
 • Car : 59.28372144699097
• Car : 97.18649983406067
• Car : 97.36182689666748
• Person : 52.189087867736816
• Car : 58.667463064193726
• Car : 63.573700189590454
• Person : 73.75330328941345
• Car : 89.51531052589417
• Car : 72.77522087097168

2. Metode YOLOv3
Hasil yang didapat:
• Car : 94.09412145614624
• Car : 98.34839701652527
• Car : 99.46887493133545
• Person : 89.80345726013184
• Person : 64.68655467033386
• Person : 62.7913236618042
• Person : 65.91327786445618
 • Car : 92.38501191139221
• Car : 55.66333532333374
• Car : 83.90554189682007
• Car : 61.97257041931152
• Car : 92.05577373504639
• Car : 75.56006908416748
• Car : 57.998597621917725
• Car : 54.48734164237976
• Person : 99.16877150535583
• Car : 96.13476991653442
• Car : 96.34813666343689
• Car : 99.38294887542725

3. Metode RetinaNet
Hasil:
• Car : 90.7202959060669
• Person : 85.79745292663574
• Car : 85.58777570724487
• Car : 83.81385803222656
 • Car : 83.77358317375183
• Car : 80.09185194969177
• Bus : 63.896310329437256
• Person : 63.02142143249512
• Car : 60.582518577575684
• Person : 59.99586582183838
• Car : 58.75775218009949
• Car : 53.581756353378296
• Car : 52.82437205314636
• Car : 50.20456314086914
• Car : 50.07897615432739
• Car : 50.029802322387695

4. Perbandingan menggunakan ketiga metoda tersebut (Metode RetinaNet,

YOLOv3 dan TinyYOLOv3)
Jawab:
Perbandingannya yaitu ketika menggunakan TinyYOLOv3, objek yang
terdeteksi lebih sedikit yaitu sebanyak 11 objek (8 car, 1 bus, dan 2 person) jika
dibandingkan dengan metode RetinaNet yang dapat mendeteksi sebanyak 16
objek, yaitu (12 car, 1 bus, 3 person) dan YOLOv3 mampu mendeteksi objek
sebanyak 19 objek (14 car dan 5 person).
Jika melihat perbandingan hasil persentase dari ketiga metode, persentase
yang diperoleh dengan metode YOLOv3 lebih besar dengan range hasil sekitar
90%, dan jika dilihat secara teliti, metode ini lebih akurat dibandingkan dengan
metode RetinaNet dan YOLOTinyv3 dikarenakan tidak salah menamakan suatu
objek seperti pada pendeteksian objek ‘bajaj’ yang tak terdeteksi oleh YOLOv3,
sedangkan pada kedua metode lainnya malah terdeteksi dengan sebutan ‘bus’
dimana itu pernyataan Salah.