ANALISA PERFORMA ARSITEKTUR MOBILENETV1 DAN RESNET MENGGUNAKAN META-LEARNING DALAM MENDETEKSI OBJEK HEWAN KUCING

Faiz Octa Reynaldi, Omar Pahlevi, Indah Suryani

Abstract


Object Detection memiliki beberapa kendala saat proses training seperti banyaknya data yang harus dilatih, menggunakan waktu cukup lama untuk dilatih dan lain-lain. Pada penelitian ini, peneliti melakukan komparasi akurasi dan average loss training arsitektur SSD MobileNetV1 dan SSD ResNet menggunakan Pre-Trained model dengan metode Few-Shot Learning menggunakan Hold-Out Cross Validation untuk mendeteksi Objek Hewan Kucing Hitam dan Objek Hewan Kucing Putih dengan pengambilan data secara rill dari metode observasi Jakarta Vet Shop dan hanya membutuhkan sedikit data untuk dilakukannya proses training. Penelitian ini dilakukan dengan cara menggunakan Cloud Computing seperti Google Colab sebagai media untuk membandingkan akurasi arsitektur SSD MobileNetV1 dan SSD ResNet. Hasil analisa dalam penelitian ini adalah SSD ResNet memiliki akurasi yang tinggi dengan nilai rata-rata 100% pada kucing hitam dan nilai rata-rata 97.9% pada kucing putih sementara untuk SSD MobileNetV1 memiliki nilai rata-rata 99.66666667% pada kucing hitam dan 78.733% pada kucing putih. Kemudian SD MobileNetV1 memiliki Train Loss lebih besar dengan nilai rata-rata 0.003923 pada Kucing Hitam dan nilai rata-rata 0.0059 Kucing Putih jika dibandingkan dengan SSD ResNet dengan nilai rata-rata 0.030263 pada Kucing Hitam dan nilai rata-rata 0.00413 pada Kucing Putih. 

Keywords


Object Detection; Transfer Learning; Cloud Computing; Few-Shot Learning; Hewan Kucing

Full Text:

PDF (Indonesian)

References


E. Wijaya, “Analisis Penggunaan Algoritma Breadth First Search Dalam Konsep Artificial Intellegencia,” Time, vol. II, no. 2, pp. 18–26, 2013.

A. P. Mahardika, “Sistem Pakar Mendeteksi Penyakit Dalam dengan Metode Backward Chaining Menggunakan Visual Basic 2010,” pp. 23–34, 2010.

A. Syaikhoni & A. Ariyadi, “Deteksi Objek Dengan Tensorflow Object Detection Api,” Binus, 2016. https://mti.binus.ac.id/2018/12/26/deteksi-objek-dengan-tensorflow-object-detection-api/.

J. Deng, X. Li, and Y. Fang, “Few-shot Object Detection on Remote Sensing Images,” arXiv, pp. 1–12, 2020.

A. Wibowo, “10 Fold-Cross Validation,” 2017,https://mti.binus.ac.id/2017/11/24/10-fold-cross-validation/ (accessed Jul. 29, 2019).

K. Zhang, M. Sun, T. X. Han, X. Yuan, L. Guo, and T. Liu, “Residual Networks of Residual Networks: Multilevel Residual Networks,” IEEE Trans. Circuits Syst. Video Technol., vol. 28, no. 6, pp. 1303–1314, 2018, doi: 10.1109/TCSVT.2017.2654543.

P. R. Aningtiyas, A. Sumin, and S. Wirawan, “Pembuatan Aplikasi Deteksi Objek Menggunakan TensorFlow Object Detection API dengan Memanfaatkan SSD MobileNet V2 Sebagai Model Pra - Terlatih,” J. Ilm. Komputasi, vol. 19, no. 3, pp. 421–430, 2020, doi: 10.32409/jikstik.19.3.68.

F. E. Ramadhan, “Penerapan Image Classification Dengan Pre-Trained Model Mobilenet Dalam Client-Side Machine Learning,” 2020.

F. G. Mohammadi, M. H. Amini, and H. R. Arabnia, “An Introduction to Advanced Machine Learning : Meta Learning Algorithms, Applications and Promises,” Adv. Intell. Syst. Comput., vol. 1123, pp. 129–144, 2020, doi: 10.1007/978-3-030-34094-0_6.

M. J. Garbade, “Understanding few-shot learning in machine learning,” Medium, vol. 28, no. 2. pp. 1–43, 2018, [Online]. Available: https://medium.com/quick-code/understanding-few-shot-learning-in-machine-learning-bede251a0f67.

P. Chyan, “Penerapan Image Enhancement Algorithm Untuk Meningkatkan Kualitas Citra Tak Bergerak,” Maj. Ilm. INTI, vol. 12, no. 2, pp. 278–281, 2017.

E. M. Learners, “Mengenal Machine Learning,” Medium.Com. 2019, [Online].Available:https://medium.com/evolve-machine-learners/mengenal-machine-learning-6c4a48db48b0.

T. Hospedales, A. Antoniou, P. Micaelli, and A. Storkey, “Meta-Learning in Neural Networks : A Survey,” pp. 1–20, 2020.

M. A. Pangestu and H. Bunyamin, “Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre-Trained CNN Model,” J. Tek. Inform. dan Sist. Inf., vol. 4, no. 2, pp. 337–344, 2018.

“Mengenal Google Colab - Structilmy.” [Online].Available:https://structilmy.com/2019/05/mengenal-google-colab/.

K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 770–778, 2016, doi: 10.1109/CVPR.2016.90.

Y. Wang, Q. Yao, J. T. Kwok, and L. M. Ni, “Generalizing from a few examples: A survey on few-shot learning,” arXiv, vol. 1, no. 1, pp. 1–34, 2019.

T. Lin, C. L. Zitnick, and P. Doll, “Microsoft COCO : Common Objects in Context,” pp. 1–15.

T. Beysolow, Applied Natural Language Processing with Python Learning and Deep Learning Language Processing. 2018.




DOI: http://dx.doi.org/10.21927/ijubi.v4i1.1686

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Indonesian Journal of Business Intelligence (IJUBI)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Lisensi Creative Commons
IJUBI by https://ejournal.almaata.ac.id/index.php/IJUBI is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

View My Stats
Indonesian Journal of Business Intelligence (IJUBI)
Department of Information System
Alma Ata University
Email: ijubi@almaata.ac.id