Image classification

1. Penjelasan
Image classification adalah mengelompokkan objek berdasarkan class (kelas) tertentu.
Sehingga kita dapat mengenali objek. Klasifikasi gambar mengacu pada tugas penggalian kelas
informasi dari gambar raster multiband. Raster yang dihasilkan dari klasifikasi citra dapat
digunakan untuk membuat peta tematik. Bergantung pada interaksi antara analis dan komputer
selama klasifikasi, ada dua jenis klasifikasi: supervised dan unsupervised.

2. Penerapan
Ada beberapa penerapan image Classification yaitu ada 4 penerapan yang dimana yaitu
ada :
1. Object Detection
2. Pelacakan Objek (Object Tracking)
3. Segmentasi Sematik (Semantic Segmentation)
4. Instance Segmentation

3. Jurnal dan penjelasan konsep

 Object Detection
Image Classification adalah pengkategorian suatu gambar ke dalam suatu kategori
tertentu. Image Localisation adalah pengembangan dari tugas tersebut, dimana output yang
dihasilkan tidak lagi berupa kategori/kelas dari gambar tersebut, tetapi letak dari objek kelas
tersebut dalam gambar tersebut, umumnya dalam bentuk bounding box. Object
Detection adalah klasifikasi dan lokalisasi untuk beberapa objek dalam satu gambar., berikut
contohnya :

 Pelacakan Objek (Object Tracking)

Pengembangan selanjutnya dari deteksi objek adalah tracking. Setelah terdeteksi dalam
sebuah tayangan, objek-objek yang menjadi perhatian kita kemudian ditelusuri pergerakan nya
dalam frame tersebut. Object tracking umum digunakan untuk analisis video dan observasi real-
world interactions. Di era dimana AI sudah tidak asing lagi, object tracking juga mulai
diaplikasikan untuk teknologi seperti autonomous driving systems. Metode object
tracking sendiri dapat dibagi kedalam dua kategori berdasarkan model observasi yang
digunakan, generative method & discriminative method. Model deep learning, seperti CNN,
masuk dalam kategori discriminative method (atau yang umum juga dikenal dengan
istilah Tracking-by-Detection). Penjelasan tentang kedua metode tersebut beserta perbedaan
keduanya adalah topik tersendiri untuk di lain kesempatan. Berikut contoh nya :

 Segmentasi Sematik (Semantic Segmentation)

Segmentasi gambar merupakan salah satu aplikasi mendasar di bidang computer vision.
Secara umum, segmentasi gambar adalah proses “memisahkan” sebuah gambar utuh menjadi
beberapa grup-grup pixel yang kemudian dapat di kategorikan. Atau dengan kata lain, proses
untuk memahami peran dari tiap-tiap pixel dalam sebuah gambar.

Pada gambar tersebut terlihat segmentasi antara objek manusia (ditandai dengan warna
merah), jalanan (warna pink), mobil (warna biru), pohon (warna hijau), dan objek lainnya,
dengan batas antar objek yang cukup jelas. Hal ini menandakan model yang akan digunakan
perlu menghasilkan dense pixel-wise predictions, tidak seperti klasifikasi yang hanya

membutuhkan prediksi kelas dari suatu gambar. Salah satu penggunaan CNN untuk semantic

segmentation dapat ditemukan pada Fully Convolutional Networks (FCN) dari UC
Berkeley. FCN mempopulerkan arsitektur CNN untuk dense pixelwise predictions yang tidak
menggunakan fully connected layers. Metode ini memberikan hasil yang lebih efisien dan relatif
lebih cepat bila dibandingkan dengan metode sebelumnya (e.g. patch classification with sliding
window). Hingga saat ini, riset untuk metode semantic segmentation masih menitikberatkan
pada penggunaan arsitektur CNN tanpa fully connected layers, diantaranya Dilated
Convolutions, DeepLab, and RefineNet.

 Instance Segmentation

4. Algoritma
Analisis algoritma di lakukan untuk dapat mengetahui alur proses dari algoritma yang
digunakan dan dapat diterapkan kedalam system perangkat lunak. Dalam proses
pengidentifikasian ini menggunakan library dalam OpenCV. Pada pendeteksian jenis burung pada
perangkat lunak ini digunakan metode yaitu viola-jones. Serta dibantu oleh algoritma Local Binari
Pattern Histograms (LBPH) untuk pelabelan gambar (image recognition). Berikut ini adalah tahap-
tahap yang dilakukan untuk mendeteksi jenis burung,yaitu: