Machine Translated by Google

139

Deteksi Objek untuk Mengidentifikasi Bentuk Sarang Burung Walet

Menggunakan Algoritma Pembelajaran Mendalam

, Djoko Hartanto2, Hariyanto2

Denny Indrajaya 1*, Adi Setiawan1
1
Jurusan Matematika dan Ilmu Data, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana
1

Salatiga
2 PT Waleta Asia Jaya
Salatiga
*662018003@[Link]

Abstrak-Deteksi objek merupakan penelitian dasar dalam bidang computer vision untuk mendeteksi objek pada suatu gambar atau video. Framework
TensorFlow adalah framework yang diadopsi secara luas untuk membuat program dan model deteksi objek. Pada penelitian ini dirancang program dan
model pendeteksi objek untuk mendeteksi bentuk sarang burung walet yang terdiri dari tiga kelas yaitu oval, sudut, dan mangkuk. Tujuan pembuatan
model adalah untuk mengetahui kesesuaian sarang burung walet terhadap ketiga kelas mesin pemilah sarang burung walet. Arsitektur yang diadopsi
dalam pemodelan adalah MobileNet V2 FPNLite SSD karena model yang diperoleh dari arsitektur ini menghasilkan kecepatan yang baik dalam mendeteksi
objek. Berdasarkan hasil evaluasi yang telah dilakukan, model dapat mendeteksi bentuk sarang burung walet yang terbagi menjadi 3 kelas, namun pada
beberapa kasus sarang burung walet terdeteksi menjadi dua kelas. Permasalahan ini masih dapat diatasi dengan melakukan penyesuaian beberapa
parameter pada program pendeteksi objek. Hasil penelitian menunjukkan bahwa nilai mAP yang diperoleh sebesar 61,91% menunjukkan model dapat
mendeteksi bentuk sarang burung walet dengan cukup baik.

Kata Kunci: deteksi objek, sarang burung walet, SSD MobileNet V2 FPNLite, klasifikasi, deep learning

Info artikel: diserahkan 1 Desember 2021, direvisi 10 Mei 2022, diterima 11 Juni 2022

1. Perkenalan Untuk melakukan tugas tersebut, perlu mengadopsi teori visi komputer dan
menanamkannya pada mesin.
Sarang Burung Walet merupakan sarang yang terbentuk dari air liur Computer vision adalah salah satu cabang ilmu komputer yang
burung walet yang dapat dikonsumsi manusia. Sarangnya memiliki banyak melibatkan pemrosesan gambar dan pengenalan pola untuk memahami
khasiat yang bermanfaat dan rasanya yang lezat [1]. Sebelum dikonsumsi, suatu gambar atau objek dalam gambar dan video [2], [3]. Dalam computer
sarang burung walet perlu diolah terlebih dahulu, yang mana kondisi sarang vision, ilmu pendeteksian objek menggunakan algoritma pembelajaran
burung walet sebelum diolah berbeda-beda menurut berbagai hal, seperti mendalam untuk melakukan hal-hal kompleks seperti melacak suatu objek,
warna, bentuk, dan intensitas bulunya. Dengan kondisi yang berbeda-beda mendeteksi peristiwa, dan menganalisis perilaku [4].
tersebut tentunya perlakuan selama pengolahan yang diberikan pada Salah satu arsitektur deep learning untuk membuat model deteksi objek
setiap kondisi sarang berbeda-beda. Oleh karena itu, langkah pertama dengan proses pembelajaran menggunakan data berupa gambar digital
yang perlu dilakukan dalam pengolahan sarang burung walet adalah proses adalah SSD MobileNet.
penyortiran sarang. Saat ini perusahaan yakni PT Waleta Asia Jaya SSD MobileNet merupakan arsitektur SSD (Single Shot Multibox
mengolah sarang burung walet dengan cara memilah sarang burung walet Detector) dengan fitur ekstraktor MobileNet, yang arsitekturnya dapat

berdasarkan warna, bentuk, dan intensitas bulu secara manual dengan bekerja dengan sedikit komputasi, sehingga layak dijalankan secara real-
tenaga manusia sehingga memperlambat jalur produksi. Dalam time [5]. SSD sendiri merupakan arsitektur pendeteksi objek yang memiliki
perkembangan teknologi, berbagai tugas dapat diselesaikan dengan akurasi tinggi dan cepat [6], sedangkan MobileNet merupakan ekstraktor
bantuan mesin untuk meningkatkan kinerja perusahaan dalam berbagai fitur yang ringan [7].
aspek, dua di antaranya adalah kecepatan dan otomatisasi. Dalam penelitian MF Supriadi, E. Rachmawati, dan A.
Arifianto, nilai mean Average Precision (mAP) arsitektur SSD MobileNet V2
Sehubungan dengan proses penyortiran sarang burung walet maka dapat lebih baik dibandingkan SSD MobileNet V1 dalam mendeteksi 20 jenis

dirancang suatu mesin penyortir yang mempunyai kemampuan seperti objek di dalam rumah [8]. Selain itu, beberapa penelitian mengembangkan
manusia dalam penyortiran sarang burung walet. Untuk membuat mesin mampuMobileNet SSD

Jil. 8 No.1 | April 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

Deteksi Objek untuk Mengidentifikasi... 140

arsitektur menggunakan modul Feature Pyramid Network (FPN) Deteksi objek dilakukan pada gambar 2 dimensi. Untuk itu
untuk meningkatkan akurasi deteksi [9]. Penelitian mengenai deteksi dalam pengambilan gambar digital menggunakan kamera
sarang burung walet telah dilakukan beberapa kali, namun pada smartphone perlu memperhatikan bentuk sarang burung walet jika
penelitian tersebut tidak digunakan sarang burung walet dan tidak dilihat dari sudut pandang kamera. Selain itu pemberian warna
dibagi kelas [10]–[12]. background pada gambar juga menjadi pertimbangan dalam
Berdasarkan uraian tersebut, pada penelitian ini akan penelitian ini. Data sampel yang digunakan dalam penelitian
dibuat suatu model deteksi objek yang dapat digunakan untuk ditunjukkan pada Gambar 2.
pengembangan mesin sortir sarang burung walet pada perusahaan
sarang burung walet. Model yang dibuat berfokus pada pendeteksian
sarang burung walet yang mempunyai 3 kelas berdasarkan
bentuknya, yaitu sarang burung walet berbentuk lonjong, bersudut, dan mangkok.
Model pendeteksian bentuk ini dibuat karena bentuk sarang burung
walet mempengaruhi proses pengolahan sarang setelah dilakukan
penyortiran dan bentuk barang jadi yang diperoleh juga akan
mempengaruhi harga jual. Model pada penelitian ini dibuat dengan
menggunakan bahasa pemrograman python, framework TensorFlow,
dan arsitektur SSD MobileNet V2 FPNLite karena arsitektur ini
dapat membuat proses pendeteksian menjadi cepat dan ringan,
sehingga cocok digunakan pada mesin sortir yang menuntut
kecepatan dalam penyortiran. proses.
Mangkuk Bulat telur
sudut

Gambar 2. Contoh gambar yang digunakan dalam penelitian

2. Metode
C. Pengolahan data
Dalam melaksanakan penelitian ini dilakukan proses pelatihan Sebelum dilakukan pengolahan data untuk pembuatan model,
dengan menggunakan data berupa gambar digital. Proses penelitian terlebih dahulu dilakukan pengurutan gambar berdasarkan
terdiri dari beberapa langkah, antara lain: kejelasannya. Dari langkah tersebut diperoleh gambar dengan
A. Perencanaan Pelaksanaan Penelitian berbagai ukuran, dimana panjang dan lebar gambar yang diperoleh
Perencanaan merupakan tahap pertama yang dilakukan dalam adalah 4608x3456, 4000x3000, dan 3264x2448 (piksel) dengan
penelitian ini, meliputi identifikasi permasalahan yang dihadapi, studi literatur, resolusi horizontal 72 dpi, dan resolusi vertikal 72 dpi dan proporsi
dan analisis untuk menyelesaikan permasalahan tersebut. masing-masing sarang burung walet pada gambar tersebut adalah
5% sampai 20%. Proses selanjutnya adalah membagi gambar
B. Pengambilan data
menjadi 2 bagian yaitu 80% sebagai dataset training dan 20%
Pembuatan model deteksi objek memerlukan data berupa sebagai dataset pengujian. Jumlah gambar yang digunakan adalah
gambar digital. Model pendeteksi objek dirancang untuk mendeteksi 360 gambar dengan 1 objek bersarang pada setiap gambar, yang
sarang burung walet dan membedakan bentuknya menjadi mangkuk, berarti terdapat 288 gambar pada dataset pelatihan dan 72 gambar
oval, atau bersudut. Bentuk sarang burung walet terlihat dari bagian pada dataset pengujian. Pada penelitian ini sarang burung walet
sarang yang menempel pada dinding sebelum sarang dipanen. dikelompokkan menjadi 3 kelas, dimana data yang digunakan tiap
Bentuk mangkok merupakan sarang yang permukaannya rata pada kelas sebanyak 96 gambar pada dataset latih dan 24 gambar pada
bagian yang menempel pada dinding sedangkan bentuk lonjong dataset uji.
mempunyai permukaan yang tidak rata, namun terdapat cekungan Dalam pembuatan model, proses pelabelan kelas dilakukan
yang membentuk sudut kurang dari 90ÿ dan tidak mendekati 90ÿ. dengan menggunakan software LabelImg dengan output berupa file
Untuk bentuk bersudut, permukaan yang menempel pada dinding dengan format *.xml untuk setiap gambar. Hasil dari proses
jika dilihat 2 dimensi membentuk sudut sekitar 90ÿ. Ilustrasi bentuk pelabelan kelas kemudian digabungkan menjadi format file *.csv.
tiap kelas dapat dilihat pada Gambar 1. Ada 2 file dengan format *.csv yang dibuat yaitu file untuk dataset
training dan dataset test. Kemudian kedua file tersebut diubah
kembali menjadi file dengan format *.record. Selain itu juga dibuat
file dengan format *.pbtxt yang berisi daftar kelas yang digunakan.
Pada proses pelatihan, data gambar juga diolah kembali menjadi
ukuran 640×640, seperti terlihat pada Gambar 3.

Mangkuk Bulat telur

sudut

Gambar 1. Ilustrasi bentuk sarang burung walet

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

141 Deteksi Objek untuk Mengidentifikasi...

Mangkuk Bulat telur

sudut
Gambar 3. Contoh gambar pelatihan

D. Pemodelan Deteksi Objek ekstraktor ditunjukkan pada Gambar 4. Namun, pada SSD FPNLite
Pemodelan dilakukan dengan menggunakan bahasa pemrograman MobileNet V2, ekstraktor fitur VGG-16 diubah menjadi MobileNet
python dan memanfaatkan TensorFlow yang merupakan salah satu V2 FPNLite.
framework deep learning untuk melakukan pendeteksian objek [13].
Pada penelitian ini digunakan arsitektur SSD MobileNet V2
FPNLite, dimana SSD (Single Shot Multibox Detector) berperan
dalam mendeteksi dengan membuat kotak pembatas untuk
membuat lokalisasi gambar dan menentukan posisi objek [14].
Berdasarkan [15], penentuan kandidat kotak regional pada
arsitektur SSD digunakan dengan rumus (1).
Gambar 4. Arsitektur SSD dengan ekstraktor fitur VGG-16
[16]
(1)
Seperti yang telah dijelaskan pada paragraf sebelumnya,
Catatan: pada arsitektur SSD MobileNet V2 FPNLite, MobileNet V2 FPNLite
m = banyak lapisan, merupakan ekstraktor fitur dalam mengekstraksi fitur pada gambar
smin = skala peta fitur terendah, yang nantinya akan digunakan pada arsitektur SSD untuk
smax= skala peta fitur tertinggi. mendeteksi objek pada gambar dan klasifikasinya [9], [17], [18].
FPN sendiri merupakan arsitektur untuk menghasilkan fitur
Lebar wilayah kotak kandidat dihitung dengan menggunakan piramidal dalam pendeteksian objek, sedangkan FPNLite
rumus (2). merupakan pengembangan dari FPN yang dapat menghasilkan
model dengan kemampuan pendeteksian yang lebih ringan saat dijalankan [19], [20].
(2) Arsitektur MobileNet ditunjukkan pada Gambar 5.
Struktur MobileNet menggunakan Normalisasi Batch dan fungsi
Ketinggian daerah kotak kandidat dihitung dengan aktivasi Rectified Liner Unit (ReLU) untuk konvolusi mendalam
menggunakan rumus (3). dan konvolusi titik.
Rumus (4) merupakan fungsi aktivasi ReLU6 yang digunakan
(3) pada struktur MobileNet V2 [21] yaitu

y=min(maks(z,0),6) (4)
Ar khusus = diperlukan 1 skala tambahan .
dimana z adalah nilai setiap piksel pada peta fitur. Arsitektur
Koordinat pusat setiap kotak calon daerah adalah MobileNet V2 dimulai dengan lapisan konvolusi 32 filter, diikuti
oleh 19 lapisan sisa kemacetan seperti yang ditunjukkan pada
Tabel 1.

Catatan:

Wfk= lebar peta fitur k,

Hfk = tinggi peta fitur k.

Arsitektur SSD sendiri menggunakan VGG sebagai

ekstraktor fitur. Arsitektur SSD dengan fitur VGG-16

Gambar 5. Arsitektur MobileNet [22]

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

Deteksi Objek untuk Mengidentifikasi... 142

Gambar 6. Filter konvolusional standar dan filter yang dapat

dipisahkan secara mendalam. (a) Filter konvolusional standar,
(b) filter konvolusional mendalam, dan (c) filter konvolusional titik
[22]

Tabel 1. Arsitektur MobileNet V2 [21]

Memasukkan Operator T C N S

2242 ×3 konv2d - 32 1 2

1122 ×32 kemacetan 1 16 1 1

Gambar 7. Blok konvolusional MobileNet V2 [23]
1122 ×16 kemacetan 6 24 2 2

kemacetan 6 2 e. Evaluasi
562 ×24 32 3

kemacetan 6 64 4 2
Evaluasi model dilakukan dengan menggunakan program
282 ×32
deteksi objek. Dalam evaluasinya digunakan nilai mean Average
142 ×64 kemacetan 6 96 3 1
Precision (mAP) dengan memanfaatkan matriks konfusi. Untuk
142 ×96 kemacetan 6 160 3 2 memperoleh nilai mAP digunakan data hasil pengujian dan data
72 ×160 kemacetan 6 320 1 1 proses pelabelan kelas. Data hasil tes disusun dari hasil
72 ×320 konv2d 1x1 - 1280 1 1 klasifikasi, skor keyakinan, dan titik sudut pada kotak pembatas
prediksi. Data yang digunakan dari proses pelabelan kelas
72 ×1280 - - 1 -
rata-rata 7x7
merupakan hasil klasifikasi dan titik sudut pada kotak pembatas
1×1×1280 konv2d 1x1 - -
kebenaran lapangan.

Pada Tabel 1 setiap baris menggambarkan urutan 1 atau Confusion Matrix adalah tabel yang digunakan untuk
lebih lapisan identik (modulo stride) yang diulang n
mengukur kinerja algoritma atau model klasifikasi [24].
waktu. Semua lapisan dalam urutan yang sama mempunyai jumlah Nilai-nilai dalam matriks konfusi yang digunakan untuk mengukur
saluran keluaran yang sama c. Lapisan pertama dari setiap urutan
kinerja suatu algoritma adalah True Positive (TP), False Positive
memiliki langkah s dan yang lainnya memiliki langkah 1. Semua konvolusi
(FP), False Negative (FN), dan True Negative (TN). Berikut
spasial menggunakan kernel berukuran 3 × 3. Faktor ekspansi t selalu adalah bentuk matriks konfusinya.
diterapkan pada ukuran input seperti yang ditunjukkan pada Tabel 2 [21].

Tabel 3. Matriks kebingungan

Tabel 2. Transformasi blok residu bottleneck dari saluran k ke
Prediksi Positif Prediksi Negatif
k' dengan langkah s dan faktor ekspansi t [21]
Positif Aktual Benar Positif (TP) Negatif Palsu (FN)
Memasukkan Operator Keluaran
Negatif Aktual Palsu Positif (FP) Benar Negatif (TN)
h×w×k 1x1 konv2d, ReLU6 h×w×(tk)

H w Dalam penggunaan matriks konfusi dalam pendeteksian

h×w×tk 3x3 bijaksana , ReLU6 × × (tk)
S S objek, akan ditentukan nilai ambang batas Intersection over Union
(IoU) terlebih dahulu. IoU adalah rasio antara perpotongan dan
H w H w
× × tk linier 1x1 konv2d × × k' gabungan kotak pembatas kebenaran dasar (Bgt) dan kotak
S S S S
pembatas prediksi (Bp). Rumus (5) menunjukkan perhitungan
nilai IoU yaitu

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

143 Deteksi Objek untuk Mengidentifikasi...

Berdasarkan rumus mAP pada rumus (8), maka perlu dicari

(5)
nilai Rata-rata Presisi (AP) tiap kelas terlebih dahulu dengan
rumus (9).
Nilai ambang batas IoU digunakan untuk menentukan
apakah objek yang terdeteksi benar atau salah. Misalnya, jika
(9)
ambang batas IoU 0,5 dipilih, maka:
•True Positive (TP): model mendeteksi objek
AP dapat didefinisikan sebagai area pada kurva Interpolated
dengan benar dan IoU ÿ 0,5.
• Precision Recall, yaitu mencari nilai AP dengan melakukan
False Positive (FP): model mendeteksi objek dengan benar
aproksimasi dengan rumus (10).
tetapi nilai IoU < 0,5, atau model mendeteksi latar belakang
sebagai objek padahal seharusnya bukan objek.
(10)

• False Negative (FN): model gagal mendeteksi objek. dengan

•True Negative (TN): model tidak mendeteksi

(11)
latar belakang atau objek lain.

Untuk menggunakan rumus (10) dapat dirancang tabel seperti

Jumlah kotak calon daerah yang terdapat pada background
pada Tabel 4, dimana tabel tersebut merupakan hasil pengujian model
atau objek lain yang tidak terdeteksi sangatlah banyak. Oleh
untuk mendeteksi 5 objek. Berikut langkah-langkah pembuatan tabel:
karena itu, TN tidak dapat digunakan. Berdasarkan nilai yang 1. Tuliskan hasil deteksi pada tabel, termasuk ID hasil deteksi
diperoleh dari matriks konfusi, maka nilai presisi dan recall dapat
yang menunjukkan kotak pembatas prediksi, kemudian nilai
dicari dengan rumus (6) dan (7), yaitu
IoU dan skor keyakinan.

2. Urutkan hasil deteksi pada tabel berdasarkan skor keyakinan

(6)
dari yang terbesar hingga terkecil.
3. Isikan data pada kolom TP dan FP berdasarkan hasil
(7) deteksi dan nilai IoU.
4. Isikan data pada kolom TP Kumulatif dan FP Kumulatif. Dalam
Presisi menunjukkan kemampuan model dalam mendeteksi objek
pengisian data pada kolom-kolom tersebut digunakan data
dengan benar, dan recall menunjukkan kemampuan model dalam pada kolom TP dan FP pada baris yang akan diisi dan baris
mendeteksi objek pada suatu gambar [25].
sebelumnya.
Dalam mengukur kinerja model deteksi objek dapat 5. Isikan kolom TP+FP untuk menghitung nilai pada kolom
digunakan mAP yang ditunjukkan dengan rumus (8) [26]. Presisi.
6. Isi kolom TP+FN untuk menghitung nilai pada kolom Recall.
Dalam hal ini objek yang digunakan dalam pengujian
(8)
berjumlah 5 objek sehingga nilai TP+FN selalu 5.
7. Isi kolom Precision dan Recall. Menggunakan data pada
catatan, k = jumlah kelas yang digunakan.
kolom TP Kumulatif, FP Kumulatif, TA+FP, dan TP+FN.

Tabel 4. Tabel untuk menghitung AP

ID hasil Kepercayaan diri Kumulatif Kumulatif

IoU TP FP Penarikan Presisi TA+FP TP+FN
deteksi skor dll FP

A 92 92 1 0 1 0 1 5 1 0,2

B 83 73 1 0 2 0 2 5 1 0,4

F 74 21 1 0 3 0 3 5 1 0,6

E 72 52 0 1 3 1 4 5 0,75 0,6

C 71 23 1 0 4 1 5 5 0,8 0,8

D 66 88 0 1 4 2 6 5 0,67 0,8

Dengan menggunakan Tabel 4, khususnya nilai pada kolom garis oranye. Dengan menggunakan rumus (11) titik-titik P_interp
Precision dan Recall, dibuat grafik seperti pada Gambar 8. (r_(i+1) ) juga dihubungkan oleh garis berwarna hijau. Selanjutnya
Dalam hal ini, nilai recall (rÿ_i) dan presisi (p(rÿ_i)) nilai AP diperoleh dengan menghitung luas area di bawah kurva
diimplementasikan dalam grafik dan kemudian dihubungkan dengan hijau.

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

Deteksi Objek untuk Mengidentifikasi... 144

Dengan menggunakan hasil pengujian yang ditunjukkan pada

Gambar 10, dilakukan evaluasi dengan mencari mean Average Precision
(mAP). Untuk mendapatkan nilai mAP maka diperlukan nilai Average
Precision (AP) pada setiap kelas. Dalam hal ini deteksi objek yang
dirancang memiliki 3 kelas. Oleh karena itu, dicari nilai AP ketiga kelas
tersebut terlebih dahulu dengan menggunakan kurva Precision Recall.

Dalam membuat kurva Precision Recall diperlukan nilai ambang

batas IoU, dan nilai ambang batas IoU yang digunakan dalam evaluasi
ini adalah 0,5. Berikut kurva Precision Recall setiap kelas yang diperoleh
Gambar 8. Kurva Perolehan Presisi [27] dari hasil deteksi pada Gambar 10.

3. Hasil
kelas oval

Model deteksi objek yang telah dibuat kemudian dievaluasi dengan

pengujian menggunakan program yang dirancang dengan bahasa
pemrograman python. Contoh hasil pengujian ditunjukkan pada Gambar
9.

Gambar 11. Kurva Precision Recall untuk kelas oval

Kelas sudut

Gambar 9. Contoh hasil pengujian model deteksi objek

Pengujian dilakukan dengan menggunakan 72 gambar yang dibagi Gambar 12. Kurva Precision Recall untuk kelas sudut
menjadi 3 bagian yaitu 24 gambar untuk setiap kelas.
Kelas mangkuk
Dimana pada setiap gambar hanya terdapat 1 objek sarang burung
walet, hasil pengujian terhadap 72 gambar tersebut ditunjukkan pada
Gambar 10.

Gambar 13. Kurva Precision-Recall untuk kelas bowl

Gambar 10. Grafik hasil pengujian model deteksi objek

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

145 Deteksi Objek untuk Mengidentifikasi...

Berdasarkan kurva Precision-Recall yang ditunjukkan pada hasil deteksi beberapa kelas oval dan banyak sarang kelas oval
Gambar 11, 12, dan 13, nilai AP deteksi sarang burung walet yang terdeteksi berbentuk mangkuk. Demikian pula, banyak sarang
dengan kelas oval sebesar 0,3357 atau 33,57%, kelas sudut kelas sudut terdeteksi sebagai mangkuk, namun banyak kelas
sebesar 0,7508 atau 75,08%, dan kelas mangkuk sebesar 0,7707 atausudut
77,07%.
terdeteksi dengan benar. Sedangkan hasil pendeteksian
Nilai AP tiap kelas kemudian dirata-ratakan sehingga diperoleh nilai kelas mangkuk yang benar sama dengan kelas sudut, namun
mAP sebesar 0,6191 atau 61,91%. jumlah hasil pendeteksian pada keseluruhan citra dengan objek
sarang kelas sudut dan kelas mangkuk berbeda. Selain itu, hasil
deteksi yang benar pada objek kelas corner dan bowl sama, namun
4. Diskusi
nilai AP yang diperoleh berbeda. Perbedaan tersebut disebabkan
Berdasarkan hasil yang diperoleh, nilai mAP tidak terlalu oleh banyaknya hasil deteksi pada keseluruhan citra dan nilai
besar yaitu sebesar 61,91%. Hal ini disebabkan nilai AP kelas oval ambang batas IoU yang telah ditentukan. Hal-hal tersebut membuat
relatif kecil jika dibandingkan dengan nilai AP kelas sudut dan nilai AP kelas oval kecil dan nilai AP kelas sudut hampir sama
dengan kelas bowling. Dari ketiga kelas tersebut, nilai AP tertinggi
mangkuk. Selain itu, jumlah data yang digunakan dan parameter
lain untuk proses pelatihan seperti nilai langkah pelatihan dan juga diperoleh oleh kelas bowling. Mengacu pada Tabel 5 yang
mempengaruhi nilai mAP yang diperoleh. menyajikan ringkasan hasil deteksi bentuk sarang burung walet.

Jika kita perhatikan lebih dalam, hasil pendeteksian dari

percobaan yang telah dilakukan, diperoleh

Tabel 5. Ringkasan hasil deteksi sarang burung walet

Data Evaluasi Jumlah Hasil Deteksi Jumlah

dari total
Kelas Jumlah Jumlah hasil AP (%)
Mangkuk Sudut Oval deteksi
foto-foto objek sarang
objek

Bulat telur 24 24 11 2 17 30 33.57

sudut 24 24 4 20 13 37 75.08

Mangkuk 24 24 6 9 20 35 77.07

Pada Tabel 5 terlihat bahwa hasil pendeteksian yang

diperoleh tiap kelas lebih besar dari jumlah objek sarang burung Munculnya 2 hasil pendeteksian pada 1 objek sarang burung
walet yang seharusnya. Dalam pengujian kemampuan mendeteksi walet yang ditunjukkan pada Gambar 14 disebabkan oleh bentuk
sarang burung walet berbentuk oval digunakan 24 gambar dengan sarang burung walet yang hampir mirip jika dilihat secara 2 dimensi.
24 objek sarang burung walet berbentuk oval pada keseluruhan Namun hal ini dapat diatasi dengan penyesuaian program yang
gambar, namun hasil pendeteksian sarang burung walet yang dibuat, seperti membatasi jumlah objek yang dapat dideteksi dalam
diperoleh pada 24 gambar tersebut berupa kotak-kotak pembatas. 1 frame atau 1 gambar dan menentukan nilai minimum skor
30 yang terdiri dari 11 kelas hasil deteksi oval, 2 kelas sudut, dan kepercayaan. telah ditentukan tidak muncul pada gambar. Seperti
17 kelas mangkuk. Hal ini disebabkan oleh hasil deteksi yang pada Gambar 14, jika ditentukan nilai minimum skor keyakinan
muncul lebih dari 1 pada suatu objek. 95%, maka hasil deteksi “oval” dengan skor keyakinan 94% tidak
akan muncul. Dengan begitu jika model diterapkan pada mesin
sortir sarang burung walet maka tidak akan ada hasil pendeteksian
lebih dari satu hasil pada 1 objek sarang burung walet.

Penelitian terkait deteksi sarang burung walet juga telah

dilakukan oleh J. Li, D. Yan, K. Luan, Z. Li, dan H. Liang [12]. Pada
penelitian ini digunakan beberapa arsitektur untuk mendeteksi
sarang burung walet yaitu Faster RCNN, Faster RCNN with Focal
Loss, Cascade RCNN, dan ROI Mining Faster RCNN dengan nilai
mAP masing-masing sebesar 78.29%, 78.99%, 79.19%, dan
82.51%.
Berdasarkan penelitian ini terlihat bahwa model deteksi objek dapat
Gambar 14. Dua hasil deteksi pada suatu objek mendeteksi sarang burung dengan cukup baik

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

Deteksi Objek untuk Mengidentifikasi... 146

Penampilan yang bagus. Pada penelitian ini pengembangan

objek sarang yang terdeteksi yaitu sarang burung walet dibagi
menjadi 3 kelas berdasarkan bentuknya. Dari hasil penelitian
yang telah dilakukan diketahui bahwa model deteksi objek yang
dibuat dapat mendeteksi bentuk sarang burung walet yang terbagi
dalam 3 kelas dengan nilai mAP sebesar 61,91%. Nilai mAP
yang diperoleh tidak begitu tinggi jika dibandingkan dengan nilai
mAP yang diperoleh dari model deteksi sarang burung walet pada
penelitian J. Li, D. Yan, K. Luan, Z. Li, dan H. Liang.

Seperti yang telah dijelaskan sebelumnya, nilai mAP yang

diperoleh pada penelitian ini dipengaruhi oleh beberapa hal,
seperti jumlah citra yang digunakan pada proses pelatihan dan Gambar 16. Hasil deteksi yang baik
munculnya hasil deteksi yang lebih banyak dibandingkan jumlah
sarang burung walet pada seluruh citra. Selain itu, peta yang
diperoleh juga dipengaruhi oleh gambaran sarang burung walet
yang bentuknya sulit diklasifikasi seperti terlihat pada Gambar 15
(sarang berbentuk oval). Sarang burung walet pada gambar sulit
diklasifikasi karena bagian sarang yang menempel di dinding
tidak terlihat. Oleh karena itu dalam mengklasifikasikannya perlu
memperhatikan bagian-bagian sarang tertentu, bagian-bagian
yang dimaksud ditandai dengan lingkaran pada Gambar 15.
Setelah memperhatikan bagian-bagian tersebut dan pemahaman
yang cukup mengenai bentuk-bentuk sarang burung walet, maka
sarangnya bisa dikatakan cenderung masuk kelas oval. Contoh
analisis dalam mengklasifikasikan sarang tidak dapat dilakukan
pada model deteksi objek yang telah dibuat karena model
mengklasifikasikan sarang berdasarkan warna pada gambar Gambar 17. Hasil deteksi salah

yang diubah menjadi numerik dan proses komputasi berdasarkan

Dalam pembuatan model dilakukan proses pelatihan, yang
hasil pelatihan. , sehingga dalam hal ini kemungkinan terjadinya
mana jika dilakukan pelatihan ulang dengan data yang sama
error pada model klasifikasi sarang akan menjadi besar dan maka dapat diperoleh hasil yang berbeda. Oleh karena itu, nilai
berdampak pada nilai mAP.
mAP yang diperoleh pada penelitian ini masih dimungkinkan
untuk ditingkatkan dengan menggunakan data yang sama,
dengan memodifikasi arsitektur MobileNet V2 FPNLite SSD dan
nilai parameter yang digunakan dalam proses pelatihan. Alternatif
untuk menggunakan arsitektur lain dengan tetap mempertimbangkan
tujuan pemodelan juga dapat dipertimbangkan. Selain itu, perlu
juga dirancang suatu model deteksi objek yang berguna sebagai
validasi saat mendeteksi sarang burung walet. Dalam hal ini
model akan bekerja dengan mendeteksi posisi sarang burung
walet dari sudut pandang kamera. Jika posisi sarang burung
walet yang terlihat terdeteksi sebagai posisi yang valid, maka
hasil deteksi bentuk sarang burung walet dapat diterima. Valid
dalam hal ini berarti bentuk sarang burung walet jika dilihat dari
Gambar 15. Sarang burung walet sulit diklasifikasi jika sudut pandang kamera dapat ditentukan.
dilihat 2 dimensi

Walaupun pada penelitian ini nilai mAP yang diperoleh tidak

5. Kesimpulan
tinggi, namun beberapa hasil deteksi yang diperoleh menunjukkan
hasil yang baik. Hal ini terlihat dari ukuran kotak pembatas yang
Dari hasil penelitian yang telah dilakukan, model deteksi
sesuai dengan ukuran sarang pada gambar. Selain itu juga
objek yang dibuat menggunakan arsitektur SSD MobileNet V2
didukung dengan hasil klasifikasi yang benar dan skor keyakinan
FPNLite dapat mendeteksi bentuk sarang burung walet yang
yang tinggi seperti terlihat pada Gambar 16. Hasil deteksi yang
memiliki 3 kelas yaitu mangkuk, oval, dan sudut. Selain itu,
salah juga dapat dilihat pada Gambar 17.
berdasarkan evaluasi yang telah

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

147 Deteksi Objek untuk Mengidentifikasi...

telah dilakukan dengan menggunakan 72 citra sarang burung [8] MF Supriadi, E. Rachmawati, dan A. Arifianto, “Pembangunan
walet diperoleh nilai mAP sebesar 61,91% yang menunjukkan Aplikasi Mobile Pengenalan Objek untuk Pendidikan
kinerja model dalam mendeteksi bentuk sarang burung walet Anak Usia Dini,” Jurnal Teknologi Informasi dan Ilmu
yang terbagi dalam 3 kelas. Komputer (JTIIK), vol. 8, tidak. 2, hlm.357–364, 2021.
Penelitian selanjutnya yang dapat dilakukan adalah dengan
meningkatkan nilai mAP dengan membuat model deteksi bentuk [9] YC Chiu, CY Tsai, M. Da Ruan, GY Shen, dan TT Lee,
sarang burung walet menggunakan arsitektur lain atau
“Mobilenet-SSDv2: An Improved Object Detection Model
memodifikasi arsitektur SSD MobileNet V2 FPNLite dengan
for Embedded Systems,” pada Konferensi Internasional
memperhatikan nilai parameter yang digunakan dalam proses pelatihan.
tentang Sains dan Rekayasa Sistem (ICSSE) tahun
Selain itu dapat dibuat model pendeteksi objek yang dapat
2020, 2020, hal. 1–5.
mendeteksi posisi sarang burung walet jika dilihat dari sudut
pandang kamera, sehingga dapat mengurangi tingkat kesalahan [10] X. Wu, P. Yuan, Q. Peng, CW Ngo, dan JY He, “Deteksi

hasil pendeteksian jika model tersebut akan digunakan pada Sarang Burung pada Gambar Sistem Catenary Overhead
mesin sortir. untuk Rel Berkecepatan Tinggi,” Pengenalan Pola, vol .
51, hal.242–254, 2016.
[11] F. Li dkk., “Metode Deteksi Otomatis Sarang Burung Walet
6. Pengakuan di Menara Saluran Transmisi Berbasis Faster_RCNN,”

Terima kasih kepada PT Waleta Asia Jaya yang telah mengizinkan IEEE Access, vol. 8, hal.164214–
kami melakukan penelitian dengan menggunakan sarang walet milik 164221, 2020.
perusahaan, serta menyediakan fasilitas untuk melakukan penelitian [12] J. Li, D. Yan, K. Luan, Z. Li, dan H. Liang, “Deteksi Sarang
seperti komputer yang digunakan untuk membuat program dan Burung Berbasis Pembelajaran Mendalam pada Jalur
pendeteksi objek, model.
Transmisi Menggunakan Citra UAV,” Sains Terapan, vol .
10, tidak. 18, hal. 6147, 2020.
7. Referensi [13] DJP Manajang, SRUA Sompie, dan A.
Jacobus, “Implementasi Framework Tensorflow Object
[1] L. Elfita, “Analisis Profil Protein dan Asam Amino Sarang
Detection dalam Mengklasifikasi Jenis Kendaraan
Burung Walet (Collocalia fuchiphaga) dari Painan,” Jurnal
Bermotor,” Jurnal Teknik Informatika, vol. 15, tidak. 3,
Sains Farmasi & Klinis, vol. 1, tidak. 1, hal. 27–37, 2014.
hlm.171–178, 2020.

[14] PR Aningtiyas, A. Sumin, dan S. Wirawan, “Pembuatan

[2] V. Wiley dan T. Lucas, “Visi Komputer dan Pemrosesan
Aplikasi Deteksi Objek Menggunakan TensorFlow Object
Gambar: Tinjauan Makalah,” Jurnal Internasional
Detection API dengan Memanfaatkan SSD MobileNet V2
Penelitian Kecerdasan Buatan, vol. 2, tidak. 1, hal. 28–
Sebagai Model Pra - Terlatih,” Jurnal Ilmiah Komputasi,
36, 2018.
vol . 19, tidak. 3, hal.421–430, 2020.
[3] SRU. Dompeipen, Tresya Anjali Sompie dan MEI Najoan,
“Implementasi Computer Vision untuk Mendeteksi dan
[15] K. Hu, F. Lu, M. Lu, Z. Deng, dan Y. Liu, “Algoritma Deteksi
Menghitung Jumlah Manusia,” Jurnal Teknik Informatika,
Objek Laut Berdasarkan SSD dan Peningkatan Fitur,”
vol. 16, tidak. 1, hlm. 65–76, 2021.
Kompleksitas, vol. 2020, 2020.

[4] J. Deng, X. Xuan, W. Wang, Z. Li, H. Yao, dan Z. Wang,

[16] W. Liu dkk., “SSD: Single Shot Multibox Detector,” dalam
“Tinjauan Penelitian Deteksi Objek berdasarkan
Computer Vision – ECCV 2016, Springer International
Pembelajaran Mendalam,” Jurnal Fisika: Seri Konferensi,
Publishing, 2016, hlm. 21–
vol. 1684, 2020. 37.
[5] ANA Thohari dan R. Adhitama, “Deteksi Objek Real Time
[17] T.-Y. Lin, P. Dollár, R. Girshick, K. He, B.
untuk Identifikasi Wayang Punakawan Menggunakan
Hariharan, dan S. Belongie, “Jaringan Piramida Fitur
Deep Learning,” Jurnal Infotel, vol. 11, tidak. 4, hlm.127–
untuk Deteksi Objek,” 2017, hlm. 2117–
132, 2019. 2125.
[6] J. Huang dkk., “Pengorbanan Kecepatan/Akurasi untuk
[18] IB Pakpahan dan IC Dewi, “Pendeteksian Lubang Pada
Detektor Objek Konvolusional Modern,” pada Konferensi
Jalanan Menggunakan Metode SSD MobileNet,” Jurnal
IEEE 2017 tentang Visi Komputer dan Pengenalan Pola
Sistem Elektronika dan Instrumentasi Indonesia (IJEIS),
(CVPR), 2017, hlm.
vol. 11, tidak. 2, hal.213–222, 2021.
3305.

[7] MN Rizal, DT Nugrahadi, RA Nugroho, MR Faisal, dan F.

[19] G. Ghiasi, TY Lin, dan QV Le, “NAS-FPN: Mempelajari
Abadi, “Implementasi SSD_
Arsitektur Piramida Fitur yang Dapat Diskalakan untuk
Resnet50_V1 untuk Penghitungan Kendaraan,”
Deteksi Objek,” pada Konferensi IEEE/ CVF 2019 tentang
Kumpulan Jurnal Ilmu Komputer (KLIK), vol. 8, tidak. 2,
Visi dan Pola Komputer
hlm.106–115, 2021.

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X
Machine Translated by Google

Deteksi Objek untuk Mengidentifikasi... 148

Pengakuan (CVPR), 2019, hlm.7029–7038. [24] MR Faisal dan DT Nugrahedi, Belajar Ilmu Data: Klasifikasi

[20] M. Carranza-García, J. Torres-Mateo, P. Lara Benítez, dan dengan Bahasa Pemrograman R.

J. García-Gutiérrez, “Tentang Kinerja Detektor Objek Banjarbaru: Scripta Cendekia, 2019.

Satu Tahap dan Dua Tahap pada Kendaraan Otonom [25] R. Padilla, SL Netto, dan EAB Da Silva, “A Survey on
menggunakan Data Kamera,” Jarak Jauh Penginderaan, Performance Metrics for Object Detection Algorithms,”
jilid. 13, tidak. 1 Agustus 2021. pada Konferensi Internasional tentang Sistem, Sinyal,
dan Pemrosesan Gambar (IWSSIP) tahun 2020, 2020,
[21] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, dan LC
Chen, “MobileNetV2: Inverted Residuals and Linear hlm.
Bottlenecks,” pada IEEE/ 2018 [26] G.-S. Peng, “Analisis Kinerja dan Akurasi dalam Deteksi
Konferensi CVF tentang Visi Komputer dan Pengenalan Objek,” California State University di San Marcos, 2019.
Pola, 2018, hlm.4510–4520.

[22] W. Wang, Y. Li, T. Zou, X. Wang, J. You, dan Y. [27] J. Hui, “mAP (mean Average Precision) untuk Deteksi Objek,”
Luo, “Pendekatan Klasifikasi Gambar Baru melalui Model [Link], 2018. [Link]
Dense-Mobilenet,” Sistem Informasi Seluler, vol. 2020, [Link]/map mean-average-precision-for-
hlm. 1–8, 2020. deteksi objek 45c121a31173.
[23] W. Rahmaniar dan A. Hernawan, “Deteksi Manusia Real-
Time menggunakan Pembelajaran Mendalam pada
Platform Tertanam: Tinjauan,” Jurnal Robotika dan Kontrol
(JRC), vol. 2, tidak. 6, hal.462–
468, 2021.

Jil. 8 No.2 | Oktober 2022 KHAZANAH INFORMATIKA | ISSN: 2621-038X, ISSN Daring: 2477-698X