Menguji Keefektifan Metode Mask R-CNN, dan Metode Keypoint R-CNN dalam Deteksi Objek Citra.

Faris Eka Darmawan(1*), Siti Khoerotul Magfiroh(2), Mutiara Khansa Hanifah(3), Muhammad Saman(4)


(1) Universitas Muhammadiyah Semarang
(2) 
(3) 
(4) 
(*) Corresponding Author

Abstract


Objek Detection merupakan tantangan dalam bidang computer vision yang mendukung aplikasi seperti pengenalan objek, pengenalan pola, dan analisis citra medis. Dalam penelitian ini, kami membandingkan kinerja dua metode utama dalam deteksi objek: Mask R-CNN, dan keypoint R-CNN.

Metode R-CNN didasarkan pada pembuatan proposal wilayah menggunakan jaringan proposal wilayah (RPN), yang kemudian diproses oleh jaringan konvolusional untuk klasifikasi dan regresi. Oleh karena itu, Mask R-CNN mengintegrasikan kemampuan segmentasi instan dengan memberikan pemahaman yang lebih mendalam tentang objek. Di sisi lain, Keypoint R-CNN menambahkan dimensi pada deteksi objek dengan menentukan titik kunci atau landmark pada objek. Dimana dalam objek detection menggunakan sekitar 5000 gambar untuk implementasi metode Mask R-CNN dan Keypoint R-CNN.

Evaluasi didasarkan pada akurasi deteksi, kecepatan eksekusi, dan kebutuhan sumber daya komputasi.


Full Text:

PDF

References


Black, F. & Scholes, M., 1973. The Pricing of Options and Corporate Liabilities. The Journal of Political Economy, 81(3), PP. 637-659.

Learn OpenCV. (2023, December 10). Pemahaman sederhana tentang Mask RCNN. Learn OpenCV Pemahaman Sederhana tentang Mask RCNN (ichi.pro)

A. Primawati, I. Mutia, and D. Marlina,”Analisis Klasifikasi Populasi TernakKambing Dan Domba Dengan ModelConvolutional Neural Network,” Fakt.Exacta, vol. 14, no. 1, p. 22, 2021, doi:10.30998/faktorexacta.v14i1.8734.

Wicaksono, M. R. A., Setianingsih, C., & Saputra, R. E. (2023). Sistem Pendeteksi Sapi pada Peternakan dengan Citra Video UAV Menggunakan Metode Regions Based Convolution Neural Network. e-Proceeding of Engineering, 10(5), 4608. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/21197

Gnanasekharan, V. dan Floros, J. D. (1995). Back propagation neural networks: Theory and applications for food science and technology. Dalam Charalambous, G. (ed.). Food Flavors: Generation, Analysis and Process Influence, hal 2151-2168. Elsevier Science B.V

Q. Lina, “Apa itu Convolutional Neural Network? | by QOLBIYATUL LINA | Medium.= https://medium.com/@16611110/apa-ituconvolutional-neural-network836f70b193a4 (accessed Des. 14, 2023).

Ariya, C., & Lina, L. (2023). PERANCANGAN DETEKSI OBJEK PADA RAK TOKO MENGGUNAKAN METODE MASK RCNN. Simtek : Jurnal Sistem Informasi Dan Teknik Komputer, 8(2), 295–299. https://doi.org/10.51876/simtek.v8i2.213

Learn OpenCV. (2023, December 10). Human Pose Estimation using Keypoint RCNN in PyTorch. Learn OpenCV. https://learnopencv.com/human-pose-estimation-using-keypoint-rcnn-in-pytorch/

Sompie, S, R.U.A., Wantania, B, B.M., & Kambey, F, D., “Penerapan Pendeteksian Manusia Dan Objek Dalam Keranjang Belanja Pada Antrian Di Kasir,”Jurnal Teknik Informatika, vol. 15, no. 2, p. 101-108, 2020.

Mulyana, D. I., Aditya, A. C., Amelia, S., & Agustiansyah, S., “Implementasi Framework Mask R-CNN Object Detection API Dalam Mengklasifikasi Jenis Kendaraan Bermotor,” Jurnal Teknik Elektro dan Komputasi (ELKOM), vol. 4, no. 1, p. 63-72, 2022

Mesakh,A.,“Sistem Pengenalan Plat Nomor Kendaraan Menggunakan Mask RCNN dan CNN,” Jurnal Ilmu Komputer dan Sistem Informasi, 2022, vol. 10, no. 1


Article Metrics

Abstract view : 119 times
PDF - 30 times

DOI: https://doi.org/10.26714/jkti.v2i2.14084

Refbacks

  • There are currently no refbacks.


=======================================================================================

Penerbit:

  • JKTI | Jurnal Komputer dan Teknologi Informasi
  • Program Studi S1 Informatika,  Unimus| Universitas Muhammadiyah Semarang
  • Sekretariat: Gedung Kuliah Bersama II (GKB II) Lantai 7,  Jl. Kedungmundu Raya No 18 Semarang
  • email: informatika@unimus.ac.id, Phone: + +62 813 2504 3677
  • e-ISSN: 2986-7592

Paper Template: Download

View My Stats

------------------------------------------------------------------------------------------------------------------------------------------------------