PENDAHULUAN
Menurut Adistya dan Muslim, (2016), deteksi dan klasifikasi kendaraan yang
mereka teliti menggunakan algoritma back propagation dan sobel. Pada proses
image processing, data yang digunakan 10 x 10 kemudian dibinerisasi untuk
dijadikan nilai input pada jaringan syaraf tiruan menggunakan 3 layer, learning
rate 0.3. Training proses berhenti dengan nilai maksimal 10.000 MSE (Mean
Square Error) 0.0001. Tingkat pengujian sistem pada pagi, siang, malam secara
rata-rata adalah 94,63% , 93,85% , dan 68,32% (Adistya dan Muslim, 2016).
Suhao et al., (2018) juga melakukan penelitian yang sama mengenai pendeteksian
kendaraan lalu mengklasifikasikannya menjadi 3 jenis, yaitu mobil, minibus, dan
SUV (Sport Utility Vehicle). Pada penelitian ini, jika dibandingkan dengan metode
tradisional machine learning, dengan metode Fast Region Convolutional Neural
Network (Fast R-CNN) didapatkan hasil peningkatan pada rata-rata akurasi deteksi
dan detection rate target telah meningkat. (Suhao et al., 2018)
Menurut penelitian (Lai et al., 2018), dengan metode pengenalan dan klasifikasi
berdasarkan CNN-SVM, fitur-fitur deep image diekstraksi oleh CNN di ruang
warna YCbCr – (luma, blue, and red component). SVM terhubung dengan lapisan
terakhir CNN untuk klasifikasi lebih lanjut, yang berkontribusi pada hasil pelatihan
yang lebih baik. Di sisi lain, beberapa prosedur preprocessing gambar dilakukan
untuk memproses pengujian, untuk menghilangkan negative impact-nya, misalnya,
pencahayaan yang tidak memadai, oklusi parsial, dan deformasi.
BAB III
LANDASAN TEORI
3.1.1. Pengertian DL
Untuk mendapatkan pemahaman mendasar mengenai DL kita butuh untuk
memahami perbedaan antara analisis deskriptif dan analisis prediktif.
Analisis deskriptif melibatkan pendefinisian model matematika komprehensif
yang menggambarkan fenomena yang ingin kita amati. Ini memerlukan
pengumpulan data tentang suatu proses, pembentukan hipotesis pada pola dalam
data dan memvalidasi hipotesis ini dengan membandingkan hasil dari model
deskriptif yang kita bentuk dengan keluaran riil (Bonaccorso, 2018). Memproduksi
model seperti itu adalah hal yang krusial karena selalu ada risiko dari variabel yang
tidak dimodelkan dan diabaikan oleh para ilmuwan dan insinyur karena
ketidaktahuan atau kegagalan untuk memahami beberapa fenomena yang
kompleks, tersembunyi atau tidak intuitif (O’Mahony, 2017).
Analisis prediktif melibatkan penemuan aturan yang mendasari fenomena
dan bentuk sebuah model prediktif yang meminimalkan kemungkinan faktor-faktor
pengganggu (Bonaccorso, 2018). Machine learning menyangkal paradigma
pemrograman tradisional di mana analisis permasalahan diganti oleh training
framework di mana sistem diumpanbalikan ke sejumlah pola pelatihan yang besar
(set input yang hasil yang diinginkan diketahui) yang dipelajari dan digunakan
untuk menghitung pola baru (O’Mahony,2017).
DL adalah bagian dari machine learning. DL sebagian besar berbasis
pada Jaringan Saraf Tiruan (JSN), paradigma komputasi yang terinspirasi oleh
sistem kerja otak manusia. Seperti otak manusia, DL terdiri dari banyak sel
komputasi atau 'neuron' yang masing-masing melakukan operasi sederhana dan
berinteraksi satu sama lain untuk membuat keputusan (O’ Mahony, 2016). Deep
Learning secara keseluruhan adalah tentang pembelajaran atau “credit
assignment” di dalam lapisan jaringan saraf secara akurat, efisien dan tanpa
pengawasan atau pengendalian. Organisasi mandiri dan eksploitasi interaksi antara
unit-unit kecil telah terbukti berkinerja lebih baik daripada kontrol pusat, terutama
untuk model proses non-linear yang kompleks dalam kesalahan yang lebih baik
toleransi dan kemampuan beradaptasi terhadap data baru dapat dicapai (Koehn,
1994).
3.1.2. Keunggulan DL
Kemajuan cepat dalam DL dan peningkatan dalam kemampuan perangkat
termasuk daya komputasi, kapasitas memori, konsumsi daya, resolusi sensor
gambar, dan optik telah meningkatkan kinerja dan efektivitas biaya lebih lanjut
penyebaran aplikasi berbasis visi. Dibandingkan dengan teknik CV tradisional, DL
memungkinkan insinyur CV untuk mencapai akurasi yang lebih besar dalam tugas-
tugas seperti klasifikasi gambar,segmentasi semantik, deteksi objek dan Pelokalan
dan Pemetaan Simultan (MEMBANTING). Karena jaringan saraf yang digunakan
dalam DL dilatih daripada diprogram, aplikasi yang menggunakan pendekatan ini
sering membutuhkan analisis yang kurang ahli dan fine tuning dan mengeksploitasi
sejumlah besar data video yang tersedia di sistem saat ini. DL juga memberikan
fleksibilitas unggul karena model dan kerangka kerja CNN dapat dilatih ulang
menggunakan dataset kustom untuk setiap kasus penggunaan, yang bertentangan
dengan algoritma CV, yang cenderung lebih spesifik domain (O’Mahony, 2020)
3.1.3. ……………………….
3.1.4. ……………………….
3.1.5. ……………………….
3.2.
3.3.
3.4.
3.5.
Daftar Pustaka
Adistya, R., Muslim, M.A., 2016. Deteksi dan Klasifikasi Kendaraan menggunakan
Algoritma Backpropagation dan Sobel 9.
Bengtson, J., Heikkilä, F., Nilsson, P., Nyström, L., Persson, E., Tellwe, G., 2018.
Deep Learning Methods for Recognizing Signs/Objects in Road Traffic
(Thesis). Chalmers University of Technology, Gothenburg, Sweden.
Bruno, D.R., Osorio, F.S., 2017. Image classification system based on deep learning
applied to the recognition of traffic signs for intelligent robotic vehicle
navigation purposes, in: 2017 Latin American Robotics Symposium (LARS)
and 2017 Brazilian Symposium on Robotics (SBR). Presented at the 2017
Latin-American Robotics Symposium (LARS) and 2017 Brazilian
Symposium on Robotics (SBR), IEEE, Curitiba, pp. 1–6.
https://doi.org/10.1109/SBR-LARS-R.2017.8215287
Irfan, M., Ardi Sumbodo, B.A., Candradewi, I., 2017. Sistem Klasifikasi Kendaraan
Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron.
IJEIS (Indones. J. Electr. Instrum. Syst.) 7, 139.
https://doi.org/10.22146/ijeis.18260
Lai, Y., Wang, N., Yang, Y., Lin, L., 2018. Traffic Signs Recognition and
Classification based on Deep FeatureLearning:, in: Proceedings of the 7th
International Conference on Pattern Recognition Applications and Methods.
Presented at the 7th International Conference on Pattern Recognition
Applications and Methods, SCITEPRESS - Science and Technology
Publications, Funchal, Madeira, Portugal, pp. 622–629.
https://doi.org/10.5220/0006718806220629
O’Mahony, N., Campbell, S., Carvalho, A., Harapanahalli, S., Hernandez, G.V.,
Krpalkova, L., Riordan, D., Walsh, J., 2020. Deep Learning vs. Traditional
Computer Vision, in: Arai, K., Kapoor, S. (Eds.), Advances in Computer
Vision. Springer International Publishing, Cham, pp. 128–144.
https://doi.org/10.1007/978-3-030-17795-9_10
Seo, C.J., 2019. Vehicle Detection and Car Type Identification System using Deep
Learning and Unmanned Aerial Vehicle 8, 6.
Suhao, L., Jinzhao, L., Guoquan, L., Tong, B., Huiqian, W., Yu, P., 2018. Vehicle
type detection based on deep learning in traffic scene. Procedia Computer
Science 131, 564–572. https://doi.org/10.1016/j.procs.2018.04.281
Wei, L., Runge, L., Xiaolei, L., 2018. Traffic sign detection and recognition via
transfer learning, in: 2018 Chinese Control And Decision Conference
(CCDC). Presented at the 2018 Chinese Control And Decision Conference
(CCDC), IEEE, Shenyang, pp. 5884–5887.
https://doi.org/10.1109/CCDC.2018.8408160
Yasmina, D., Karima, R., Ouahiba, A., 2018. Traffic signs recognition with deep
learning, in: 2018 International Conference on Applied Smart Systems
(ICASS). Presented at the 2018 International Conference on Applied Smart
Systems (ICASS), IEEE, Medea, Algeria, pp. 1–5.
https://doi.org/10.1109/ICASS.2018.8652024
Yin, S., Ouyang, P., Liu, L., Guo, Y., Wei, S., 2015. Fast Traffic Sign Recognition
with a Rotation Invariant Binary Pattern Based Feature. Sensors 15, 2161–
2180. https://doi.org/10.3390/s150102161
Krizhevsky A, Sutskever I, Hinton GE., 2012, ImageNet Classification with Deep
Convolutional Neural Networks. NIPS’12 Proc 25th Int Conf Neural Inf
Process Syst 1:1097–1105
Bonaccorso G, 2018, Machine Learning Algorithms Popular Algorithms for Data
Science and Machine Learning, 2nd Edition. Packt Publishing Ltd
Mahony NO, Murphy T, Panduru K, Walsh J, Riordan D., 2017, Improving controller
performance in a powder blending process using predictive control. In: 2017
28th Irish Signals and Systems Conference (ISSC). IEEE, pp 1–6
O’ Mahony N, Murphy T, Panduru K, Riordan D., 2016, Adaptive process control
and sensor fusion for process analytical technology. In: 2016 27th Irish
Signals and Systems Conference (ISSC). IEEE, pp 1–6
Koehn P, Koehn P., 1994, Combining Genetic Algorithms and Neural Networks: The
Encoding Problem