Sistem Hitung dan Klasifikasi Objek dengan Metode Convolutional Neural Network

M Hamsy Romario, Eko Ihsanto, Trie Maya Kadarina

Abstract


Sistem klasifikasi objek ini di rancang untuk melakukan klasifikasi dan perhitungan jumlah objek terdeteksi pada suatu gambar. menggunakan metode Convolutional Neural Network yang telah dilatih, Metode CNN merupakan salah satu metode deep learning yang mampu melakukan proses pembelajaran mandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi serta dapat diterapkan pada citra resolusi tinggi yang memiliki model distribusi nonparametrik. Kemudian gambar yang telah diterima dijalankan menggunakan Bahasa pemrograman python pada laptop operasional menggunakan platform open source spyder3. Input system ini adalah citra 2 dimensi dengan skala minimal 400 x 400 pixel dan skala maksimal 1600 x 1600 pixel. Setelah program dijalankan maka outputnya adalah sebuah citra yang dengan keterangan jumlah wajah terdeteksi dan keterangan framing terhadap pola wajah pada gambar output. Penelitian menggunakan tiga kelompok gambar percobaan, gambar kelompok pertama berisikan gambar dengan objek manusia, kelompok gambar kedua berisikan objek manusia  asli yang di campur dengan karikatur, kelopok gambar ketiga berisi gambar kartun berperawakan manusia. Pada percobaan kelompok pertama hasil deteksi mencapai 80%, Dan kelopok kedua di dapat hasil deteksi mencapai 75%. Dan pada percobaan gambar kelompok ketiga system tidak mendeteksi adanya pola wajah manusia. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN berpotensi untuk pendekatan pengenalan objek secara otomatis dalam membedakan jenis pola wajah manusia sebagai bahan pertimbangan interpreter dalam menentukan objek pada citra.

Kata kunci: Convolutional neural network, Python, Spyder 3


Keywords


Convolutional neural network; Python; Spyder 3

Full Text:

PDF

References


Hu, F., Xia, G. S., Hu, J., & Zhang, L. (2015). Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery. Remote Sensing, 7(11), 14680– 14707. https://doi.org/10.3390/rs71114680

Maggiori, E., Tarabalka, Y., Charpiat, G., & Alliez, P. (2016). Convolutional Neural Networks for Large- Scale Remote-Sensing Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 55(2), 645–657. https://doi.org/10.1109/TGRS.2016.2612821

Katole, A. L., Yellapragada, K. P., Bedi, A. K., Kalra, S. S., & Siva Chaitanya, M. (2015). Hierarchical Deep Learning Architecture for 10K Objects Classification. Computer Science & Information Technology ( CS & IT ), (September), 77–93. https://doi.org/10.5121/csit.2015.51408

Castelluccio, M., Poggi, G, Sansone, C., Verdoliva, L. (2015). Land Use Classification in Remote Sensing Images by Convolutional Neural Networks. Diambil dari https://arxiv.org/pdf/1508.00092.pdf https://doi.org/10.1080/19475705.2017.1315619

Heaton, J. (2015). Artificial Intelligence for Humans: Deep learning and neural networks of Artificial Intelligence for Humans Series. CreatespaceIndependent Publishing Platform.

Kim, J., Sangjun, O., Kim, Y., & Lee, M. (2016). Convolutional Neural Network with Biologically Inspired Retinal Structure. Procedia Computer Science, 88, 145–154. https://doi.org/10.1016/j.procs.2016.07.418

Bejiga, M. B., Zeggada, A., Nouffidj, A., & Melgani, F. (2017). A convolutional neural network approach for assisting avalanche search and rescue operations with UAV imagery. Remote Sensing, 9(2). https://doi.org/10.3390/rs9020100

Zhi, T., Duan, L. Y., Wang, Y., & Huang, T. (2016). Two- stage pooling of deep convolutional features for image retrieval. In 2016 IEEE International Conference on Image Processing (ICIP) (hal. 2465– 2469). https://doi.org/10.1109/ICIP.2016.7532802

Hijazi, S., Kumar, R., & Rowen, C. (2015). Image Recognition Using Convolutional Neural Networks. Cadence Whitepaper, 1–12

Albelwi, S., & Mahmood, A. (2017). A Framework for Designing the Architectures of Deep Convolutional Neural Networks. Entropy, 19, 242.

Vedaldi, A., & Lenc, K. (2015). MatConvNet: Convolutional Neural Networks for MATLAB. In Proceedings of the 23rd ACM International Conference on Multimedia (hal. 689–692). New York, NY, USA: ACM.

https://doi.org/10.1145/2733373.2807412

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15, 1929– 1958. https://doi.org/10.1214/12-AOS1000




DOI: http://dx.doi.org/10.22441/jte.2020.v11i2.007

Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Jurnal Teknologi Elektro

Publisher Address:
Teknik Elektro, Fakultas Teknik, Universitas Mercu Buana
Jl. Raya Meruya Selatan, Kembangan, Jakarta 11650
Tlp./Fax: +62215871335
Email: [email protected]
Website of Electrical Engineering
http://teknikelektro.ft.mercubuana.ac.id

p-ISSN : 2086-9479
e-ISSN : 2621-8534
Jurnal URL : http://publikasi.mercubuana.ac.id/index.php/jte
Jurnal DOI: 10.22441/jte

 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.

Web Analytics Made Easy - StatCounter
View My Stats

The Journal is indexed by: