Abstrak
Indonesia merupakan salah satu negara berkembang yang memiliki permasalahan dalam hal
kemiskinan. Salah satu upaya pemerintah untuk mengurangi kemiskinan ada membuat sebuah program
bernama Bantuan Langsung Tunai. Program ini untuk membantu masyarakat yang masuk dalam
kategori miskin atau sedang terkena musibah. Penentuan calon penerima bantuan masih dilakukan
secara konvensional melalui sensus penduduk. Salah satu aspek yang menjadi pertimbangan adalah dari
kondisi rumah, salah satunya adalah dari kondisi lantai serta kondisi dinding rumah. Saat ini belum ada
sebuah sistem yang mampu membantu melakukan klasifikasi calon penerima dari citra rumahnya. Oleh
karena itu dibutuhkan sebuah sistem khusus pemrosesan citra rumah untuk membantu pengambilan
keputusan berhak atau tidak menerima bantuan dengan pendekatan deep learning. Deep learning
merupakan salah satu metode yang cocok untuk melakukan klasifikasi citra dengan ukuran data yang
relatif besar. Algoritma yang digunakan adalah EfficientDet, karena algoritma ini mampu untuk
mendeteksi objek pada gambar atau video dengan akurasi yang tinggi. Data yang digunakan adalah citra
rumah yang diambil dari hasil survei wilayah Kabupaten Kediri, yaitu sebanyak 1500 data. Data tersebut
diberi label berhak atau tidak berhak menerima bantuan dan dibagi menjadi dua, yaitu 1200 data training
dan 300 data test. Penelitian ini mendapatkan akurasi yang cukup baik dengan rincian sebagai berikut,
nilai accuracy 93%, nilai recall 92%, nilai precision 96%, serta nilai f1-score 94%. Selain itu, pada
penelitian juga dilakukan pengujian performa sistem dengan mengubah nilai dari beberapa parameter
serta jumlah dataset yang digunakan pada saat proses training untuk melihat efeknya terhadap hasil
akurasi.
Kata kunci: Bantuan Langsung Tunai, citra rumah, deep learning, EfficientDet.
Abstract
Indonesia is one of the developing countries that has problems in terms of poverty. One of the
government's efforts to reduce poverty is to create a program called Direct Cash Transfer. This program
is to help people who fall into the poor category or are affected by a disaster. The determination of
potential beneficiaries is still done conventionally through a population census. One aspect that is taken
into consideration is the condition of the house, one of which is the condition of the floor and the
condition of the walls of the house. Currently, there is no system that can help classify prospective
recipients from the image of their house. Therefore, a special system for processing house images is
needed to help make decisions on whether or not to receive assistance with a deep learning approach.
Deep learning is one method that is suitable for image classification with relatively large data sizes.
The algorithm used is EfficientDet, because this algorithm is able to detect objects in images or videos
with high accuracy. The data used is an image of a house taken from the survey results of the Kediri
Regency area, which is a total of 1500 data. The data is labeled as entitled or not entitled to receive
assistance and is divided into two, which are 1200 training data and 300 test data. This research
obtained a fairly good accuracy with the following details, accuracy value 93%, recall value 92%,
precision value 96%, and f1-score value 94%. In addition, the research also tested the performance of
the system by changing the values of several parameters and the number of datasets used during the
training process to see the effect on accuracy results.
Keywords: Direct Cash Assistance, house image, deep learning, EfficientDet.
4. PERANCANGAN SISTEM
Gambar 1. Metode Penelitian Pada bab ini membahas mengenai rancangan
sistem yang akan diimplementasikan pada
penelitian. Perancangan yang dilakukan dimulai
3.1 Penyiapan Dataset dari pembuatan alur/flowchart sistem yang akan
Jenis data yang digunakan adalah data dibuat, serta rancangan pengujian akurasi.
sekunder, yaitu data yang diperoleh secara tidak
langsung atau mengambil dari sumber yang 4.1 Algoritma Sistem
sudah tersedia. Dataset yang disiapkan adalah
berupa citra rumah yang berjumlah 1500 data.
Pertama melakukan labelling untuk setiap citra
rumah apakah termasuk kategori “berhak
menerima” atau “tidak berhak menerima”.
Selanjutnya menyamakan ukuran dataset
menjadi 720 x 720 pixels, serta melakukan
augmentations agar data citra menjadi lebih
tajam dan mudah dideteksi. Proses penyiapan
dataset menggunakan aplikasi web Roboflow
yang menyediakan fitur untuk membuat dataset
dengan jenis COCO (Common Objects in
Context).
merupakan salah satu bentuk bantuan dalam d. Flip untuk menambahkan variasi
mengambil keputusan apakah sebuah rumah citra dengan kondisi diputar
berhak atau tidak untuk menerima bantuan. secara vertikal dan horizontal
Sistem akan mengenali beberapa objek pada 4. Melakukan export dataset dalam
citra, seperti kondisi dinding, serta lantai. Untuk bentuk file COCO dataset.
flowchart dari alur sistem dapat dilihat pada Dari tahapan tersebut dibuat 5 variasi dataset
Gambar 2 yang dimulai dari penyiapan dataset, yang memiliki perbedaan pada jumlah data latih,
kemudian melakukan instalasi package yang yaitu sebagai berikut.
dibutuhkan. Selanjutnya melakukan training 1. Dataset 1 memiliki 1200 data latih dan
algoritma EfficientDet dengan dataset yang 300 data tes.
sudah disiapkan. Tahap selanjutnya, melakukan 2. Dataset 2 memiliki 1000 data latih dan
deteksi objek pada citra dengan menggunakan 300 data tes.
EfficientDet yang sudah dilatih. Terakhir 3. Dataset 3 memiliki 800 data latih dan
melakukan perhitungan akurasi berdasarkan 300 data tes.
hasil deteksi menggunakan confusion matrix 4. Dataset 4 memiliki 600 data latih dan
serta mean average precision (mAP). 300 data tes.
5. Dataset 5 memiliki 400 data latih dan
4.2 Implementasi Sistem 300 data tes.
Pada sub bab ini membahas mengenai Karena dataset berbentuk folder dengan
implementasi sistem berdasarkan algoritma ekstensi ZIP, sehingga dataset yang digunakan
sistem yang sudah dijelaskan pada Sub Bab 4.1. dalam sistem akan dilakukan splitting data untuk
memisah antara folder data latih dan data tes.
4.2.1 Penyiapan Dataset
4.2.2 Instalasi Package
Jenis data yang digunakan adalah data
sekunder, yaitu data hasil survei dari pihak Melakukan penyiapan instalasi package
terkait di daerah Kabupaten Kediri. 1500 citra yang digunakan pada sistem deteksi. Pertama
diambil untuk membuat dataset yang digunakan adalah pycocotools untuk mengolah dataset.
dalam penelitian ini. Penyiapan dataset Kedua opencv-python untuk melakukan
dilakukan dalam beberapa tahapan, yaitu sebagai pemrosesan citra. Tdqm untuk menampilkan
berikut. progress bar serta perulangan yang sederhana.
1. Memilih data citra dan melakukan Tensorboard untuk visualisasi data, serta
upload data ke website roboflow untuk matplotlib untuk plotting 2 dimensi.
melakukan labelling.
4.2.3 Training Model
2. Melakukan labelling dengan label
“berhak menerima” dan “tidak berhak Proses training algoritma EfficientDet
menerima”. dilakukan dengan menggunakan dataset yang
3. Melakukan transformasi data yang sudah disiapkan. Dataset yang digunakan sudah
bertujuan untuk meningkatkan dilakukan splitting data, jadi untuk proses
performa model dan mengurangi training hanya menggunakan data pada folder
waktu training. Transformasi yang data latih. Proses ini bertujuan untuk
dilakukan adalah sebagai berikut. mendapatkan sebuah algoritma EfficientDet
a. Auto orient untuk menghilangkan yang mampu mengenali objek pada citra rumah,
rotasi citra dan menyamakan serta dapat melakukan klasifikasi berdasarkan
urutan piksel. objek yang dideteksi.
b. Isolate object untuk memotong
citra sesuai labelling dan 4.2.4 Deteksi Objek pada Citra
mengekstraknya menjadi data Deteksi objek pada citra dilakukan dengan
tersendiri. Hal ini untuk menggunakan algoritma EfficientDet yang sudah
memperjelas detail dari objek dilatih. Keluaran dari proses ini ada sebuah citra
yang diberi labelling. rumah dengan hasil prediksi serta klasifikasinya.
c. Resize untuk menyamakan ukuran Hasil ini yang digunakan sebagai pembantu
gambar dalam satuan piksel. pengambilan keputusan apakah berhak atau
Ukuran yang digunakan adalah tidak untuk menerima bantuan.
720 x 720 piksel.
serta f1-score. Sekaligus melakukan evaluasi melakukan deteksi objek pada sebuah citra
dengan library EfficientDet yang digunakan maupun video. Pada penelitian dilakukan
untuk mendapatkan nilai mAP. beberapa percobaan dengan menggunakan bobot
EfficientDet yang berbeda, yaitu D0, D1, dan D2
Tabel 2. Hasil Akurasi
Tabel 5. Hasil Akurasi Pengaruh Jenis EfficientDet
Accuracy Precision Recall F1- mAP
Score Efficien Classifi Regressi Waktu mAP
93% 96% 92% 94% 91.40% tDet cation on Loss (jam,
Loss menit)
5.3 Pengaruh Jumlah Dataset D0 0.1170 0.0002 2.3 82.90%
D1 0.0722 0.0097 3.41 91%
Tabel 3 merupakan hasil perhitungan D2 0.0864 0.0054 4.7 85.30%
akurasi dari percobaan menggunakan dataset Dari Tabel 5 menggunakan dataset dengan
dengan jumlah data latih yang berbeda. Dimana jumlah data latih 1200, epoch 50, learning rate
pada percobaan ini dilakukan training sebanyak 1e-3, serta batch size 16. Didapatkan nilai mAP
50 epoch. Dapat disimpulkan dari Tabel 3 bahwa tertinggi pada EfficientDet-D1, yaitu sebesar
semakin banyaknya data latih maka akan 91%.
mendapatkan hasil akurasi yang lebih baik.
5.6 Pengaruh Batch Size
Tabel 3. Hasil Akurasi Pengaruh Penggunaan
Dataset yang Berbeda Batch size merupakan jumlah data latih
yang diberikan pada saat training pada setiap
Data Accur Precis Recall F1- mAP iterasinya. Pengaturan batch size dapat
Latih acy ion Score mempengaruhi akurasi dari model yang
1200 91% 96% 89% 92% 91% digunakan.
1000 92% 94% 93% 93% 92%
800 91% 94% 92% 93% 86%
600 91% 94% 91% 93% 88% Tabel 6. Hasil Akurasi Pengaruh Batch Size
400 89% 92% 90% 91% 89%
Batch Classifi Regressi Waktu mAP
Size cation on Loss (jam,
5.4 Pengaruh Jumlah Epoch Loss menit)
8 0.1170 0.0002 1.43 82.90%
Epoch merupakan satu kali iterasi dari
16 0.0208 0.0005 2.9 88.40%
seluruh data latih yang digunakan pada saat 32 0.1242 0.0048 2.34 92%
proses training. Di setiap epoch, data latih Tabel 6 merupakan hasil percobaan dengan
digunakan untuk memperbaharui bobot model menggunakan data latih sebanyak 1200,
EfficientDet. Berikut adalah hasil perbandingan menggunakan algoritma EfficientDet-D0, epoch
jumlah epoch dari hasil training. 50, dan learning rate 1e-3. Berdasarkan tabel
diatas, percobaan dengan menggunakan batch
Tabel 4. Hasil Akurasi Percobaan Pengaruh Epoch size 32 memiliki akurasi mAP tertinggi yaitu
Epochs Classifi Regressi Waktu mAP 92%. Bisa disimpulkan, semakin besar nilai
cation on Loss (jam, batch maka akurasi mAP akan naik.
Loss menit)
50 0.1170 0.0002 2.3 82.90% 5.7 Pengaruh Learning Rate
100 0.0752 0.0005 4.24 91.40%
200 0.1082 0.0003 7.50 89.70% Parameter ini berfungsi untuk
300 0.1371 0.0014 11.24 89.30% mengoptimalkan proses training dengan
Dari Tabel 4 menggunakan dataset dengan menentukan ukuran langkah di setiap iterasinya,
jumlah data latih 1200, menggunakan algoritma serta untuk menurunkan loss function.
EfficientDet-D0, learning rate 1e-3, serta batch
size 16. Nilai akurasi mAP tertinggi didapatkan Tabel 7. Hasil Akurasi Pengaruh Learning Rate
pada percobaan dengan epoch sebanyak 100,
yaitu 91.40%. Learnin Classifi Regressi Waktu mAP
g Rate cation on Loss (jam,
Loss menit)
5.5 Pengaruh Jenis EfficientDet 1e-3 0.0208 0.0005 2.9 88.40%
5e-3 0.1229 0.0002 2.10 90.60%
Algoritma EfficientDet merupakan salah
satu algoritma yang cocok digunakan untuk