A.

Faster R-CNN

Faster R-CNN merupakan algoritma deteksi objek yang masuk

kedalam elemen computer vision berbasis jaringan konvolusi [1] Sunario.

Faster R-CNN mempunyai 3 modul utama yaitu pertama deep fully

convolutional network yang mengusulkan region, yang kedua ialah detector

Fast R-CNN yang menggunakan region yang diusulkan dan terkahir RPN

berfungsi untuk mengarahkan Fast R-CNN untuk melihat suatu objek [2]

Fino.

Algoritma faster R-CNN ini dapat membantu mengenali banyak objek

dalam gambar yang sama dan R-CNN juga dinilai lebih cepat [3] ARGHADEEP.

Hasil pengembangan algoritma Faster R-CNN untuk mengurangi terjadinya

bottleneck dan mengganti peran dari selective search dengan RPN. Faster R-

CNN menjadi salah satu alternatif yang banyak dipilih dalam mendeteksi

pengenalan objek berbasis deep learning [4] Muhammad Nando. Faster R-

CNN ini merupakan mampu melakukan komputasi 25 kali lebih cepat

dibandingkan dengan R-CNN karena perbedaan letak dri region of interest [5]

Bernardus.
 Gambar 1. Arsitektur Faster R-CNN [1] Sunario

Faster R-CNN terbagi menjadi dua bagian penting yaitu : 1. Region

Proposal Network (RPN) atau proses yang memungkinkan lokasi objek pada

gambar yang dimasukkan secara tepat. Jadi, lokasi objek yang ada pada

gambar memiliki kemungkinan batasan objek dari wilayah yang diketahui

atau yang biasa disebut dengan Region of Interest (RoI). 2. Classifier atau

suatu proses yang digunakan dalam mengklasifikasikan RoI yang sudah

diindentifikasi pada RPN kedalam kelas yang sesuai, teknik yang digunakan

pada tahap ini yaitu CNN [1] Sunario .

B. Deteksi Objek

Deteksi Objek ialah suatu proses pendeteksian objek yang bergerak

atau berpindah dalam suatu video yang telah dirubah dalam bentuk gambar

atau image sequence yaitu potongan gambar yang terurut dari sebuah video

[5] Nurrita Nafidha Putri. Salah satu ciri dalam mendeteksi objek yaitu
 mengenali kelas objek (seperti kursi, meja, manusia dan sebagainya) dan

juga koordinat letak objek pada gambar yang diberikan. Kotak pembatas

disekitar objek secara langsung dan tidak langsung dapat terbaca dan

meneukan lokasi objek. Kemampuan dalam menempatkan objek didalam

gambar merupakan akurasi kinerja algoritma yang digunakan untuk

mendeteksi [3] ARGHADEEP.

Adapun tujuan dari deteksi objek yaitu untuk memproses kecerdasan

yang imiliki manusia dalam melihat suatu objek/benda dengan menggunakan

computer. Cara kerja Object Detection adalah dengan menempatkan

keberadaan objek dalam gambar dan menggambar kotak pembatas sekitar

objek. Dimana dalam prosesnya mengklasifikasikan suatu objek kemudian

menggambar kota disekitar objek tersebut [6] Prisky.

C. API Tensorflow Deteksi Objek

Tensorflow dapat diartikan sebagai framework deep learning dan juga

salah satu dari data science yang bersifat free open source yang

dikembangkan oleh tim peneliti goolge. Tensorflow ini dapat berfungsi

diberbagai bidang. Object detection terdapat framework tensorflow API yang

dimana alat ini dapat memudahkan proses dari constructing, training dan

deployment pada suatu model object detection [7] Dufan.

Tensorflow menggunakan bahasa pemograman phyton yang

menyediakan API front end yang nyaman dalam mendirikan aplikasi dengan
kerangka kerja sambil menghilangkan aplikasi tersebut kedalam phyton

berkinerja tinggi. Tujuan dari tensorflow ini yaitu untuk melakukan

pembelajaran mesin penelitian syaraf dalam dengan menggabungkan aljabar

komputasi dan kompilasi agar memudahkan perhitungan ekspresi

mathematic, dimana dapat mengurangi permasalahan waktu dalam

perhitungan [8] Cokorda.