Lampiran
Lampiran 1 Dataset dan label yang digunakan untuk proses training dan testing dapat diakses menggunakan tautan berikut.
https://drive.google.com/drive/folders/17wTxY68JQT2qHCXEg5LWj8XJprzYK mSQ
Lampiran 2 Perhitungan Normalisasi Piksel
𝑌[𝑛][𝑚] = 𝑋[𝑛][𝑚]
255
Terlihat pada formula di atas, X melambangkan nilai citra pada masing-masing channel, n melambangkan posisi baris, dan m melambangkan posisi kolom. Jika gambar yang digunakan untuk perhitungan adalah gambar satu-helm6.jpg yang terdapat pada dataset, maka nilai X[n][m] adalah 75 dengan n=1 dan m=1. Dengan nilai yang disebutkan di atas, maka akan didapatkan nilai Y[1][1] adalah 0.2941176471. Perhitungan lebih detail untuk normalisasi yang lain dapat diakses pada tautan berikut.
https://docs.google.com/spreadsheets/d/1sXJKegmHPymVqaPlrJn35Rl6SKivNr2- qs477idVQsc/edit?usp=sharing
Lampiran 3 Perhitungan Convolutional Layer
Perhitungan convolutional network ini akan menggunakan subset data dari hasil normalisasi yang dilakukan pada Lampiran 1 dengan diberikan padding yang dapat dilihat sebagai berikut
0 0 0
0 0.2941176471 0.2588235294 0 0.2274509804 0.231372549
Convolutional layer pertama memiliki filter sebagai berikut.
1.887001 3.934763 2.082767 1.864628 2.949104 -0.011061 -2.497793 0.177541 -1.013112 4.610792 -2.219964 -4.232862 2.55794 -3.409042 -5.024751 0.087373 0.113473 -0.702975
-0.261547 -8.02911 -1.374602 0.442337 -5.571852 0.013503 -0.137573 -1.741295 0.589938
Maka nilai perhitungan hasil normalisasi yang sudah diberikan padding dengan filter dapat dihitung sebagai berikut.
𝑐𝑜𝑛𝑣 = (1.887001 𝑥 0) + (3.934763 𝑥 0) + (2.082767 𝑥 0) + (4.610792 𝑥 0) + (−2.219964 𝑥 0.294118) + (−4.232862 𝑥 0.258824)
+ (−0.261547 𝑥 0) + (−8.02911 𝑥 0.227451) + (−1.374602 𝑥 0.589938)
𝑐𝑜𝑛𝑣 = −3.89276898
Setelah itu, tambahkan nilai conv dengan nilai bias.
ℎ𝑎𝑠𝑖𝑙 = 𝑐𝑜𝑛𝑣 + 𝑏𝑖𝑎𝑠
ℎ𝑎𝑠𝑖𝑙 = −3.89276898 + 4.355088 ℎ𝑎𝑠𝑖𝑙 = 0.46231902
Jika hasil dari penjumlahan nilai conv dengan bias menghasilkan nilai negatif, maka nilai tersebut akan dikalikan dengan 0.1 melalui fungsi Leaky Activation.
Pada contoh ini, hasil penjumlahan memiliki nilai positif sehingga fungsi Leaky Activation tidak terpakai. Maka, nilai yang dihasilkan dari Convolutional Layer yang pertama untuk piksel pertama dari gambar yang diinputkan adalah 0.46231902. Untuk melihat perhitungan Convolutional Layer pertama dapat melalui tautan berikut.
https://docs.google.com/spreadsheets/d/1cJlFog_8AjPKrjpw4WTo4i2z8Iz14s3ZA YsldCXtefw/edit#gid=1238541474
Lampiran 4 Perhitungan Max Pooling Layer
Max Pooling Layer mengambil nilai yang paling tinggi dari 4 pixel yang ada dengan
bentuk matriks 2x2. Dari 4 piksel tersebut akan dipilih nilai paling tinggi yang
nantinya akan digunakan untuk mewakilkan keempat piksel tersebut. Contoh dari
proses tersebut dapat dilihat sebagai berikut.
Untuk melihat proses Max Pooling Layer dapat menggunakan tautan berikut.
https://docs.google.com/spreadsheets/d/1cJlFog_8AjPKrjpw4WTo4i2z8Iz14s3ZA YsldCXtefw/edit#gid=2120449771
Lampiran 5 Hasil deteksi model pada gambar dengan satu pengendara menggunakan helm.
No. HELM MOTOR ORANG
1 1 1 1
2 1 1 1
3 1 1 1
4 0 1 1
5 1 1 1
6 1 1 1
7 0 1 0
8 1 1 1
9 0 1 1
10 1 1 1
11 1 1 1
12 1 1 1
13 1 1 1
14 1 1 1
15 1 1 1
16 0 1 1
17 0 1 1
18 0 1 1
19 0 1 1
20 1 1 1
Total 13 20 19
Lampiran 6 Hasil deteksi model pada gambar dengan satu pengendara tanpa helm
No. HELM MOTOR ORANG
1 0 1 1
2 0 1 1
3 0 1 1
4 0 1 1
5 0 1 1
6 0 1 1
7 0 1 1
8 0 1 1
9 0 1 1
No. HELM MOTOR ORANG
10 0 1 1
11 0 1 1
12 0 1 1
13 0 1 1
14 0 1 1
15 0 1 1
16 0 1 1
17 0 1 1
18 0 1 1
19 0 1 1
20 0 1 1
Total 0 20 20
Lampiran 7 Hasil deteksi model pada gambar dengan dua pengendara menggunakan helm
No. HELM MOTOR ORANG
1 1 2 2
2 2 2 2
3 2 2 2
4 2 2 2
5 2 2 2
6 2 2 2
7 2 2 2
8 2 2 2
9 2 2 2
10 2 2 2
11 2 2 2
12 2 2 2
13 2 2 2
14 2 1 1
15 2 1 1
16 1 2 1
17 1 2 2
18 1 2 1
19 2 1 2
20 1 1 1
Total 35 36 35
Lampiran 8 Hasil deteksi model pada gambar dengan satu pengendara menggunakan helm dan satu pengendara tanpa helm.
No. HELM MOTOR ORANG
1 0 2 2
2 1 2 2
3 1 2 2
4 1 2 2
5 1 2 2
6 0 2 2
7 0 2 2
8 0 2 2
9 1 2 2
10 1 2 2
11 1 2 2
12 1 2 2
13 1 2 2
14 1 2 2
15 1 2 2
16 1 2 2
17 1 2 2
18 0 1 2
19 0 1 1
20 0 1 1
Total 13 37 38
Lampiran 9 Hasil deteksi model pada gambar dengan dua pengendara tanpa helm.
No. HELM MOTOR ORANG
1 0 2 2
2 0 2 2
3 0 2 2
4 0 2 2
5 0 2 2
6 0 2 2
7 0 2 2
8 0 2 2
9 0 2 1
10 0 2 2
11 0 2 2
12 0 2 2
13 0 2 2
14 0 2 2
15 0 2 2
16 0 2 2
No. HELM MOTOR ORANG
17 0 2 1
18 1 1 1
19 1 2 2
20 0 2 2
Total 2 39 37
Lampiran 10 Hasil deteksi model pada gambar dengan satu orang menggunakan helm.
No. HELM MOTOR ORANG
1 1 0 0
2 1 0 0
3 1 0 0
4 1 0 0
5 1 0 0
6 1 0 0
7 1 0 0
8 1 0 0
9 1 0 0
10 1 0 0
11 1 0 0
12 1 0 0
13 1 0 0
14 1 0 0
15 1 0 0
16 1 0 0
17 1 0 0
18 1 0 0
19 1 0 0
20 1 0 0
Total 20 0 0
Lampiran 11 Hasil deteksi model pada aplikasi pada satu pengendara menggunakan helm.
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
Waktu (s)
1 1 1 1 1 0 0,392
2 1 1 1 1 0 0,340
3 1 1 1 1 0 0,356
4 0 1 1 0 1 0,346
5 1 1 1 1 0 0,341
6 1 1 1 1 0 0,339
7 0 1 1 0 1 0,352
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
Waktu (s)
8 1 1 1 1 0 0,353
9 1 1 1 1 0 0,381
10 1 1 1 1 0 0,388
11 1 1 1 1 0 0,339
12 1 1 1 1 0 0,366
13 1 1 1 1 0 0,351
14 1 1 1 1 0 0,389
15 1 1 1 1 0 0,381
16 0 1 1 0 1 0,355
17 0 1 1 0 1 0,372
18 0 1 1 0 1 0,347
19 0 1 1 0 1 0,333
20 1 1 1 1 0 0,390
Total 14 20 20 14 6
Lampiran 12 Hasil deteksi model pada aplikasi pada satu pengendara tidak menggunakan helm.
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
TIME
1 0 1 1 0 1 0,378
2 0 1 1 0 1 0,363
3 0 1 1 0 1 0,334
4 0 1 1 0 1 0,395
5 0 1 1 0 1 0,347
6 0 1 1 0 1 0,332
7 0 1 1 0 1 0,375
8 0 1 1 0 1 0,343
9 0 1 1 0 1 0,345
10 0 1 1 0 1 0,365
11 0 1 1 0 1 0,399
12 0 1 1 0 1 0,396
13 0 1 1 0 1 0,396
14 0 1 1 0 1 0,360
15 0 1 1 0 1 0,350
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
TIME
16 0 1 1 0 1 0,345
17 0 1 1 0 1 0,385
18 0 1 1 0 1 0,376
19 0 1 1 0 1 0,381
20 0 1 1 0 1 0,366
Total 0 20 20 0 20
Lampiran 13 Hasil deteksi model pada aplikasi pada dua pengendara menggunakan helm.
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
TIME
1 0 2 2 0 2 0,377
2 2 2 2 2 0 0,341
3 2 2 2 2 0 0,350
4 2 2 2 2 0 0,351
5 2 2 2 2 0 0,344
6 2 2 2 2 0 0,396
7 2 2 2 2 0 0,368
8 2 2 2 2 0 0,374
9 2 2 2 2 0 0,387
10 2 2 2 2 0 0,330
11 2 2 2 2 0 0,368
12 2 2 2 2 0 0,357
13 2 2 2 2 0 0,392
14 2 1 1 1 0 0,390
15 2 1 1 1 0 0,335
16 2 2 1 1 0 0,385
17 1 2 3 1 1 0,345
18 1 2 2 1 1 0,385
19 2 1 2 1 0 0,395
20 1 1 1 1 0 0,391
35 36 37 31 4
Lampiran 14 Hasil deteksi model pada aplikasi pada satu pengendara menggunakan helm dan satu pengendara tidak menggunakan helm.
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
TIME
1 1 2 2 1 1 0,355
2 1 2 2 1 1 0,369
3 1 2 2 1 1 0,337
4 1 2 2 1 1 0,386
5 1 2 2 1 1 0,389
6 0 2 2 0 2 0,365
7 0 2 2 0 2 0,380
8 0 2 2 0 2 0,369
9 1 2 2 1 1 0,374
10 1 2 2 1 1 0,388
11 1 1 2 1 0 0,398
12 1 2 2 1 1 0,378
13 0 2 3 0 2 0,398
14 1 2 2 1 1 0,352
15 1 2 2 1 1 0,355
16 1 2 2 1 1 0,376
17 1 2 2 1 1 0,348
18 0 2 2 0 2 0,381
19 0 2 1 0 1 0,361
20 0 1 1 0 1 0,339
13 38 39 13 24
Lampiran 15 Hasil deteksi model pada aplikasi pada dua pengendara tidak menggunakan helm
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
TIME
1 0 2 2 0 2 0,389
2 0 2 2 0 2 0,363
3 0 2 2 0 2 0,344
4 0 2 2 0 2 0,369
5 0 2 2 0 2 0,352
6 0 2 2 0 2 0,373
7 0 2 2 0 2 0,380
8 0 2 2 0 2 0,352
9 0 2 1 0 1 0,331
10 0 2 2 0 2 0,379
11 0 2 2 0 2 0,340
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
TIME
12 0 2 2 0 2 0,354
13 0 2 2 0 2 0,353
14 0 2 2 0 2 0,392
15 0 2 2 0 2 0,390
16 0 1 2 0 1 0,331
17 0 2 1 0 1 0,366
18 2 2 2 2 0 0,369
19 1 2 2 1 1 0,363
20 0 2 2 0 2 0,341
3 39 38 3 34
Lampiran 16 Hasil deteksi model pada aplikasi pada satu orang menggunakan helm
No HELM MOTOR ORANG
Pengendara menggunakan
helm
Pengendara tidak menggunakan
helm
TIME
1 1 0 0 0 0 0,375
2 1 0 0 0 0 0,343
3 1 0 0 0 0 0,379
4 1 0 0 0 0 0,372
5 1 0 0 0 0 0,331
6 1 0 0 0 0 0,395
7 1 0 0 0 0 0,380
8 1 0 0 0 0 0,396
9 1 0 0 0 0 0,341
10 1 0 0 0 0 0,352
11 1 0 0 0 0 0,339
12 1 0 0 0 0 0,373
13 1 0 0 0 0 0,363
14 1 0 0 0 0 0,338
15 1 0 0 0 0 0,393
16 1 0 0 0 0 0,393
17 1 0 0 0 0 0,399
18 1 0 0 0 0 0,396
19 1 0 0 0 0 0,365
20 1 0 0 0 0 0,343
20 0 0 0 0