Studi Kasus: Penerapan Convolutional Neural Network Untuk Deteksi Manusia
Keywords:
Convolutional Neural Network, Deteksi Manusia, Identifikasi Objek, Pengawasan Keamanan, Dataset Gambar, Teknologi Deteksi ObjekAbstract
Penelitian ini bertujuan untuk menerapkan Convolutional Neural Network (CNN) dalam deteksi manusia pada gambar, sebagai solusi untuk tantangan identifikasi objek. Deteksi manusia sangat penting dalam berbagai aplikasi seperti pengawasan keamanan. Tujuan utama dari penelitian ini adalah mengembangkan dan menguji model CNN yang mampu mendeteksi manusia dengan akurasi tinggi dalam berbagai kondisi dan latar belakang. Metodologi yang digunakan melibatkan pelatihan model CNN menggunakan dataset gambar yang beragam dan pengujian performanya pada dataset baru yang belum pernah dilihat sebelumnya. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mendeteksi manusia dengan tingkat akurasi yang signifikan. Penelitian ini juga mengidentifikasi tantangan dalam proses deteksi dan menawarkan solusi untuk meningkatkan kinerja model di masa depan. CNN terbukti menjadi metode yang efektif untuk deteksi manusia, meskipun masih memerlukan optimasi lebih lanjut untuk menangani situasi yang lebih kompleks. Temuan ini memberikan kontribusi penting dalam pengembangan teknologi deteksi objek dan memiliki potensi aplikasi yang luas dalam berbagai bidang.
References
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
P. Rosyani, “Pengenalan Wajah Menggunakan Metode Principal Component Analysis (PCA) dan Canberra Distance,” J. Inform. Univ. Pamulang, vol. 2, no. 2, p. 118, 2017.
Resti Amalia, Ines Heidiani Ikasari, dan Perani Rosyani. (2021). “Deteksi Objek dengan Model Warna Ycbcr dan Similiarity Distance”. Jurnal Sistem dan Teknologi Informasi, Vol. 09, No. 2, doi: https://doi.org/10.26418/justin.v9i2.44230.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep Convolutional Neural Networks. In Advances in neural information processing systems (pp. 1097-1105).
Perani Rosyani dan Saprudin. (2020). “Deteksi Citra Bunga Menggunakan Analisis Segmentasi Fuzzy C-Means dan Otsu Threshold”. Matrik: Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer, ISSN: 2476-9843, Vol. 20, No. 1.
Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems (pp. 91-99).
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).
Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollar, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision (pp. 2980-2988).
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. In European conference on computer vision (pp. 21-37). Springer, Cham.
Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440).
Zhao, Z. Q., Zheng, P., Xu, S. T., & Wu, X. (2019). Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 30(11), 3212-3232.
