BAB 5 KESIMPULAN DAN SARAN
5.2. Saran
Saran yang dapat penulis berikan untuk pengembangan selanjutnya adalah sebagai berikut:
1. Pengembangan lebih lanjut disarankan menggunakan arsitektur GoogleNet Deep Convolutional Neural Network (DCNN) dengan 22 hidden layer untuk pelatihan citra papan iklan atau menggunakan metode supervised machine learning yang lain, seperti metode Deep Belief Network (DBN) dan Deep Residual Network (DRN) dengan 152 hidden layer, sehingga dapat dibandingkan dengan metode Deep Convolutional Neural Network (DCNN) untuk memperoleh metode yang paling optimal dalam mendeteksi citra papan iklan secara real-time.
2. Peneliti selanjutnya dapat menambahkan fitur lokalisasi objek (ditandai dengan bounding box di layar) sehingga dapat terlihat di piksel mana papan iklan tersebut berada secara real-time.
3. Pelatihan citra dapat ditambahkan dengan citra papan iklan pada malam hari dan citra papan iklan yang tertutup oleh pohon atau objek halangan lain sehingga meningkatkan tingkat akurasi pendeteksian papan iklan.
4. Pendeteksian diharapkan bisa menambahkan jumlah kelas klasifikasi pada output, misalnya dapat ditambahkan dengan jenis papan iklan. Jenis papan iklan dapat diperoleh secara otomatis menggunakan metode supervised machine learning dimana citra papan iklan untuk proses pelatihan dapat dikategorikan menjadi beberapa label, misalnya papan iklan khusus telekomunikasi, bank, asuransi, kesehatan, jasa, rokok, kendaraan, produk elektronik, politik, hiburan, dan makanan/minuman.
5. Proses geotagging citra papan iklan akan lebih akurat dengan menambahkan metode estimasi jarak dari titik mobil ke objek yang akan dideteksi. Selain itu, jika proses geotagging gagal akibat layanan data, lokasi yang dapat digunakan adalah lokasi terakhir yang terjangkau oleh layanan data atau metode estimasi lainnya.
6. Untuk memaksimalkan fungsionalitas sistem, peneliti selanjutnya dapat menggunakan metode optical character recognition (OCR) sehingga teks pada papan iklan dapat diekstrak secara otomatis.
7. Agar data dapat digunakan untuk keperluan komersial, sistem dapat diintegrasikan dengan data lain, misalnya masa berlaku papan iklan, ukuran papan iklan, harga sewa papan iklan, dan nomor telepon yang dapat dihubungi sehingga menjadi lebih fungsional. Dengan adanya beberapa data tambahan tersebut, sistem dapat melaporkan daftar papan iklan yang sudah mendekati masa berlakunya.
8. Untuk mempermudah visualisasi data, tampilan peta lokasi papan iklan dapat dibuat dalam aplikasi berbasis mobile.
9. Untuk mempermudah dan mempercepat pengiriman citra yang terdeteksi ke sistem berbasis web, dapat dilakukan dengan menggunakan database server online. Ketika citra papan iklan disimpan ke dalam penyimpanan lokal smartphone, citra papan iklan akan dikirim ke database server secara otomatis.
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., Murray, D. G., Steiner, B., Tucker, P., Vasudevan, V., Warden, P., Wicke, M., Yu, Y. & Zheng, X. 2016. TensorFlow: A system for large-scale machine learning. ArXiv preprint arXiv:1605.08695v2, pp. 1-18.
Aldershoff, F. & Gevers, T. 2003. Visual Tracking and Localisation of Billboards in Streamed Soccer Matches. Proceedings of the SPIE 1(5307): pp. 408-416.
Alemi, A. 2016. Improving Inception and Image Classification in TensorFlow. (Online) https://research.googleblog.com/2016/08/improving-inception-and-image.html (7 Januari 2017).
Cai, G., Chen, L. & Li, J. 2003. Billboard advertising detection in sport TV. IEEE International Symposium on Signal Processings and Its App.lications 7(1): pp.
537-540.
Debnath, H. & Borcea, C. 2013. TagPix: Automatic Real-time Landscape Photo Tagging For Smartphones. IEEE International Conference on MOBILe Wireless MiddleWARE (Mobilware), pp. 176-184.
Dincer, A. & Uraz, B. 2013. Google Maps JavaScript API Cookbook. Packt Publishing:
Mumbai.
Goodfellow, I., Bengio, Y. & Courville, A. 2016. Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press: Cambridge.
Holder, C.J., Breckon, T.P. & Wei, X. 2016. From On-Road to Off: Transfer Learning within a Deep Convolutional Neural Network for Segmentation and Classification of Off-Road Scenes. European Conference on Computer Vision (ECCV), pp. 149-162.
Ichimura, N. 2006. Recognizing Multiple Billboard Advertisements in Videos. Pacific-Rim Symposium on Image and Video Technology (PSIVT) 1(4319): pp. 463-473.
Jung, S., Lee, U., Jung, J. & Shim, D.H. 2016. Real-Time Traffic Sign Recognition System with Deep Convolutional Neural Network. International Conference on Ubiquitous Robots and Ambient Intelligence (URAI) 13(1): pp. 31-34.
Karpathy, A. 2016. CS231n Convolutional Neural Networks for Visual Recognition.
(Online) http://cs231n.github.io/convolutional-networks/ (7 Desember 2016).
Kriessel, D. 2007. A Brief Introduction to Neural Networks. (Online) http://www.dkriesel.com/en/science/neural_networks (1 Desember 2016) .
Krizhevsky, A., Sutskever, I. & Hinton, G.E. 2012. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems (NIPS) 12(25): pp. 1097-1105.
Kumar, J.P. & Devi, B.R. 2014. Inferring Location from Geotagged Photos.
International Journal of Advanced Research in Computer Science and Software Engineering (IJARCSSE) 4(9): pp. 902-906.
Li, H., Su, P., Chi, Z. & Wang, J. 2016. Image Retrieval and Classification on Deep Convolutional SparkNet. IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), pp. 1-6.
Lin, B.Y. & Chen, C. S. 2015. Two Parallel Deep Convolutional Neural Networks for Pedestrian Detection. International Conference on Image and Vision Computing New Zealand (IVCNZ), pp. 1-6.
Macias, E., Abdelfatah, H., Suarez. A & Canovas, A. 2011. Full Geo-localized Mobile Video in Android Mobile Telephone. Macrothink Institute Academic Journal of Network Protocols and Algorithms 3(1): pp. 64-81.
Martinson, E. & Yalla, V. 2016. Augmenting Deep Convolutional Neural Networks with Depth-Based Layered Detection for Human Detection. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 1073-1078.
Medioni, G., Guy, G., Rom. H & François, A. 1998. Real-Time Billboard Substitution in a Video Stream. Proceedings of the 10th Tyrrhenian International Workshop on Digital Communications, pp. 1-14.
Ordelman, J.H.S. 2010. Automatic Billboard Detection. Tesis. University of Twente.
Orginc, B. 2009. A vision-based system for detecting and tracking of advertisement billboards. Tesis. University of Ljubljana.
Ouyang, W., Zeng, X., Wang, X., Qiu, S., Luo, P., Tian, Y., Li, H., Yang, S., Wang, Z., Li, H., Loy, C.C., Wang, K., Yan, J. & Tang, X. 2016. DeepID-Net: Deformable Deep Convolutional Neural Networks for Object Detection. IEEE Conference on Computer Vision and Pattern Recognition, pp. 2403-2412.
Pan, S.J. & Yang, Q. 2010. A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering 22(10): pp. 1345-1359.
Pasquale, G., Ciliberto, C., Rosasco, L. & Natale, L. 2016. Object identification from few examples by improving the invariance of a Deep Convolutional Neural Network. IEEE/RSJ International Conference on Intelligence Robots and Systems (IROS), pp. 4904-4911.
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A.C. & Fei-Fei, L. 2015. ImageNet Large Scale Visual Recognition Challenge. ArXiv preprint arXiv:1409.0575v3, pp. 1-43.
Sahu, I. & Chakraborty, I. 2013. Understanding Location Manager in Android and Implementing an Optimal Image Geotagging Application. International Journal of Computer Trends and Technology (IJCTT) 4(6): pp. 1682-1686.
Shapiro, L.G. & Stockman, G.C. 2001. Computer Vision. Prentice-Hall: Upper Saddle River.
Svennerberg, G. 2010. Beginning Google Maps API 3. Apress: United States of America.
Szegedy, C., Vanhoucke, V., Ioffe, S. & Shlens, J. Rethinking the Inception Architecture for Computer Vision. ArXiv preprint arXiv:1512.00567, pp. 1-10.
Watve, A.K. & Sural, S. 2006. Detection of on-field advertisement billboards from soccer telecasts. IET International Conference on Visual Information Engineering (ICVIE), pp. 12-17.
Yan, Z., Zhang, H., Piramuthu, R., Jagadeesh, V., DeCoste, D., Di, W. & Yu, Y. 2015.
HD-CNN: Hierarchical Deep Convolutional Neural Networks for Large Scale Visual Recognition. IEEE International Conference on Computer Vision (ICCV), pp. 2740-2748.
Yanai, K. & Kawano, Y. 2015. Food image recognition using deep convolutional neural network with pre-training and fine-tuning. IEEE International Conference on Multimedia & Expo Workshops (ICMEW), pp. 1-6.
Zeiler, M.D. & Fergus, R. 2014. Visualizing and Understanding Convolutional Networks. European Conference on Computer Vision (ECCV) 2014(8689): pp.
818-833.
Zhang, F., Xu, X. & Qiao, Y. 2015. Deep Classification of vehicle makers and models:
The effectiveness of pre-training and data enhancement. IEEE International Conference on Robotics and Biomimetrics (ROBIO), pp. 231-236.
Lampiran 1. Hasil Pelatihan Citra Papan Iklan dengan 8.000 Training Steps Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
0 60.0 0.644521 56.0
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
Training Steps Akurasi Pelatihan (%) Cross Entropy Akurasi Validasi (%)
7900 100.0 0.006098 79.0
7910 100.0 0.004888 78.0
7920 100.0 0.005682 75.0
7930 100.0 0.005758 79.0
7940 100.0 0.009818 79.0
7950 100.0 0.005988 81.0
7960 100.0 0.005617 81.0
7970 100.0 0.003839 81.0
7980 100.0 0.005170 83.0
7990 100.0 0.006708 79.0
7999 100.0 0.005449 75.0
Akurasi Akhir = 92,7%
Lampiran 2. Hasil Pengujian Pendeteksian Citra Papan Iklan pada Siang Hari No. Citra Papan
Iklan
Nama Papan Iklan Akurasi real-time
(%)
Akurasi tidak real-time (%)
1 Givency One
Wiraland
93,9 90,2
2 Sour Sally Black
Sakura
76,5 87,2
3 Telkomsel POIN 87,3 92,9
4 Surya Pro 70,1 56,7
5 Selamat & Sukses
Munas Ampi ke VIII Palembang
32,2 40,8
No. Citra Papan Iklan
Nama Papan Iklan Akurasi real-time
(%)
Akurasi tidak real-time (%)
6 Maxxis Tyres 54,7 48,6
7 Peringatan Sangha
Theravada Indonesia
71,9 60,2
8 Katalia Terrace 86,7 94,5
9 Spring Air Mattress 56,2 52,4
10 Home Centra
Hypermarket Building Material
85,6 87,3
No. Citra Papan Iklan
Nama Papan Iklan Akurasi real-time
(%)
Akurasi tidak real-time (%)
11 Telkomsel
V4GANZA
97,1 84,9
12 Prudential 76,7 82,3
13 DealMedan Pizza
Hut Delivery (PHD)
65,1 61,4
14 The Hill Hotel &
Resort Sibolangit New Year’s Eve 2017 White Paradise
90,3 55,1
15 Sirup Pohon Pinang
& Sirup Syukur
69,0 46,9
No. Citra Papan Iklan
Nama Papan Iklan Akurasi real-time
(%)
Akurasi tidak real-time (%)
16 Picket Fence
Pre-School
44,5 67,2
17 Keluarga Besar
Satgas Inti Maha Sakti Karya IPK
Kota Medan
50,2 46,7
18 De Pec Ladies Night
Out
67,9 78,8
19 Coffindo Distributor
Alat & Mesin Kopi
74,6 81,1
20 Hypermart Sun
Plaza & Palladium Diskon 15% Semua
Produk
49,7 79,8
No. Citra Papan Iklan
Nama Papan Iklan Akurasi real-time
24 Khalifah Umroh &
Tour Super Promo
No. Citra Papan Iklan
Nama Papan Iklan Akurasi real-time
(%)
Akurasi tidak real-time (%)
26 Valvo Online
Amazing Giveaway
90,5 60,8
27 ACC Advertising 65,1 81,3
28 Sarang Tawon
Marquisa
61,5 79,5
29 Citraland Bagya
City Christmas Gift
72,9 76,4
30 Indomedia Pratama
Kreativindo Advertising
68,0 83,4
Rata-rata 71,9 73,5
Lampiran 3. Hasil Pengujian Pendeteksian Citra Papan Iklan pada Malam Hari No. Citra Papan
Iklan
Nama Papan Iklan Akurasi real-time (%)
Akurasi non real-time (%)
1 Panin Bank 19,7 44,5
2 Panin Dai-ichi Life
Doraemon
49,3 65,8
3 Deal Medan Diskon
50% Tiket Kereta Api Bandara
14,8 41,5
4 Deal Medan Diskon
58% 4 Fingers Crispy Chicken
13,2 57,7
5 Citi Bank 14,8 59,6
No. Citra Papan Iklan
Nama Papan Iklan Akurasi real-time (%)
Akurasi non real-time (%)
6 Nina Anion 13,1 49,7
7 Telkomsel 4G
VideoMax
18,1 47,0
8 Permata Bank Debit 16,1 52,6
9 Brastagi Tiara 21,8 39,3
10 XL Hidup Xtra Bisa 11,2 60,4
No. Citra Papan Iklan
Nama Papan Iklan Akurasi real-time (%)
Akurasi non real-time (%)
11 Sarang Tawon
Raspberry Marquisa
0,0 50,6
12 KKR Natal Bersama
Dr. Stephen Tong Pardede Hall -
Medan
12,0 66,5
13 Panin Bank 14,0 61,9
14 Hanwha Life 11,4 73,7
15 Wiraland Property
Group Givency One
25,2 59,1
Rata-rata 17,0 55,3