Tugas akhir bertajuk “Implementasi Convolutional Neural Network (CNN) pada Deteksi Kera Liar Menggunakan Arsitektur SSD MobileNet” disampaikan oleh Muhammad Rafi, NPM. Dipertahankan pada hari Senin tanggal 14 Agustus 2023 di hadapan Tim Penguji Sidang Tugas Akhir Program Studi Teknik Elektro Fakultas Teknik Universitas Singaperbangsa Karawang dan diterima sebagai salah satu syarat penyelesaian studi jenjang sarjana Teknik Elektro. Program Studi. Dengan hak bebas royalti non-eksklusif ini, Universitas Singaperbangsa Karawang berhak menyimpan, mengirimkan, mengelola dalam bentuk database, memelihara dan mempublikasikan tugas akhir saya sepanjang tetap menjadi nama saya sebagai penulis/pencipta. dan sebagai pemilik hak cipta.
Segala puji bagi Allah SWT atas rahmat dan hidayahnya kepada saya sehingga saya dapat menyelesaikan Laporan Tugas Akhir ini dengan baik. Dalam penyusunan Laporan Tugas Akhir yang berjudul “Implementasi Convolutional Neural Network (CNN) Pada Deteksi Kera Liar Menggunakan Arsitektur MobileNet SSD” masih banyak kekurangan, kendala dan permasalahan. Atas izin Allah SWT yang penuh rahmat dan karunia, penulis bersyukur atas kesehatan yang telah diberikan dan kemudahan yang diberikan-Nya dalam menjalankan proses penelitian tugas akhir ini sehingga skripsi ini dapat terselesaikan dengan baik.
Semoga laporan tugas akhir ini dapat bermanfaat dan memberikan kontribusi bagi pengembangan ilmu pengetahuan khususnya di bidang teknik elektro.
- Latar Belakang
- Identifikasi Masalah
- Batasan Masalah
- Rumusan Masalah
- Tujuan Penelitian
- Kegunaan Hasil Penelitian
- Sistematika Penulisan
Tujuan utama penelitian adalah merancang alat agar pengguna dapat memantau kondisi taman dimana saja dan kapan saja secara real time. Peneliti menciptakan alat yang dapat mendeteksi keberadaan kawanan monyet dengan menggunakan metode Convolutional Neural Network (CNN) untuk mengolah gambarnya. Perangkat keras yang sering digunakan dalam proyek pemrosesan gambar adalah Raspberry Pi. Pengembangan fitur dapat menggunakan webcam capture dengan pengolahan gambar untuk mendeteksi objek yang lebih spesifik pada proses input.
Metode CNN juga membutuhkan perangkat keras dengan spesifikasi yang handal dan tinggi, seperti Raspberry Pi 4 model B, agar prosesnya dapat berjalan dengan baik. Setelah objek terdeteksi menggunakan metode Convolutional Neural Network pada kamera webcam, proses selanjutnya adalah menghasilkan suara pada speaker Bluetooth sebagai notifikasi bahwa objek telah terdeteksi. Sistem pendeteksi objek menggunakan dua kelas yaitu kera sebagai kelas positif dan manusia sebagai kelas negatif untuk klasifikasi.
Kajian Pustaka
Sistem Instrumentasi
- Raspberry Pi 4B
- Webcam
- Speaker Bluetooth Acome A16
Artificial Intelegence (AI)
- SSD MobileNet
- Computer Vision
- TensorflowLite
- OpenCV
Python
- Thonny Python IDE
- LabelImg
Confussion Matrix
Metode Penelitian
Syarat awal yang diperlukan dalam penelitian ini adalah menguraikan masalah, mengumpulkan dan mempelajari teori-teori penelitian pendukung sehingga tujuan penelitian pemecahan masalah dapat tercapai. Diperlukan landasan teori yang relevan dan ilmiah untuk mendukung dan mendukung penelitian ini sehingga menghasilkan penelitian yang dapat dipertanggungjawabkan. Setelah memperdalam literatur, penelitian dilanjutkan dengan persyaratan yang diperlukan untuk membuat suatu sistem, merancang suatu sistem atau mendeskripsikan suatu sistem, mengimplementasikan dan menguji suatu sistem [38].
Berdasarkan dokumen teknik, tahap awal adalah mengumpulkan dataset objek yang akan dideteksi dengan mencari gambar yang sesuai dengan kelas deteksi. Analisis hasil pengujian diperlukan untuk mengetahui apakah sistem memenuhi kebutuhan penelitian dan menjawab rumusan masalah yang diajukan. Apabila hasil pengujian kurang memuaskan maka tahap selanjutnya adalah kembali ke tahap sebelumnya dengan memperbaiki kesalahan baik pada tahap desain, implementasi maupun pengujian.
Metode Pengumpulan Data
Metode Analisis
Program dapat mengklasifikasikan masukan ke dalam frame video dengan menggunakan metode CNN yang diperoleh pada saat pengujian yang diuji langsung pada perangkat Raspberry Pi.
Perancangan Sistem
- Perancangan Perangkat Lunak
- Perancangan Perangkat Keras
Gambar monyet atau manusia akan diproses oleh raspberry pi sebagai unit pemrosesan dalam pendeteksian subjek. Webcam atau kamera web adalah kamera digital yang terhubung ke Raspberry Pi melalui port USB. Pada gambar 3.4 perancangan di atas terdapat webcam yang dapat digunakan langsung terhubung ke port USB pada Raspberry.
Num_steps dan batch_size pada Gambar 4.4 merupakan parameter yang akan digunakan untuk model pelatihan. Sedangkan batch_size adalah jumlah gambar yang digunakan untuk melakukan setiap langkah dalam pelatihan. File custom_model_lite.zip yang berisi model akan diunduh ke folder download yang nantinya akan digunakan dalam tahap pengujian real-time dengan Raspberry pi.
Kemudian pada Tabel 4.8 merupakan pembacaan yang digunakan untuk memberikan inisiasi output Raspberry Pi berupa audio berformat .wav dan waktu import selama durasi audio diputar pada speaker Bluetooth. Board box mikrokontroler merupakan tempat dipasangnya sistem pada perangkat yang meliputi sistem tenaga, mikrokontroler Raspberry Pi 4B sebagai instrumen dan sistem kontrol mikrokontroler, serta speaker bluetooth sebagai output audio. Gambar 4.15 menunjukkan bahwa semakin banyak langkah yang dilakukan pada model pelatihan ini maka nilai learning ratenya akan semakin rendah.
Program deteksi deteksi citra 2 dimensi pada objek kelas manusia dapat dilihat pada Tabel 6.2 dibawah ini. Farhan Sindy, “DETEKSI OBYEK MANUSIA REAL TIME DENGAN METODE MOBILENET-SSD MENGGUNAKAN MOVIDIUS NEURAL COMPUTE STICK PADA RASPBERRY PI.”. Perisic, "Raspberry Pi sebagai perangkat keras Internet of Things: Kinerja dan Kendala AkreDoc-Aplikacija za proporcija procesu prápadadocumentacije za kreditu studijskih programa dan visokoškolskih ustauna Lihat proyek Pengembangan kurikulum rekayasa perangkat lunak berbasis kompetensi Lihat proyek," 2014.
Barata, “Implementasi Raspberry Pi Untuk Perancangan Sistem Keamanan Pintu Ruang Server Dengan Pengenalan Wajah Menggunakan Metode Wajah Segitiga,” Jurnal Informatika Polinema, vol. JARINGAN KLASIFIKASI GAMBAR (Studi Kasus : Klasifikasi Gambar Anggrek Bulan Putih, Anggrek Dendrobium dan Anggrek Ekor Tupai),” 2018.
26
Implementasi Sistem
- Implementasi Perangkat Lunak (Software)
- Implementasi Perangkat Keras (Hardware)
Proses awal untuk melatih model deteksi objek monyet dan manusia adalah dengan menggunakan Google Collab dan Google Drive untuk menjalankan perpustakaan Single Shot Multibox Detection (SSD). Dataset dimasukkan ke dalam Google Drive, dimana Google Drive akan dihubungkan dengan Google Collab untuk menjalankan proses kereta. Itu juga menggunakan Google Collab untuk melakukan kumpulan data pelatihan yang dihasilkan dari tag gambar Anaconda sebelumnya.
Dalam kolaborasi Google terdapat fitur prosesor virtual bersama terbuka yang dapat digunakan oleh pengguna mana pun untuk mengembangkan sistem. Pada tahap ini masuk ke Google Collab dan ubah setting prosesor yang digunakan dari TPU menjadi GPU agar bisa maksimal saat proses pelatihan. Jalankan blok kode berikut untuk memasang kumpulan data yang diunggah ke Google Drive di Google Colab.
Langkah selanjutnya membuat peta label untuk detektor dan mengonversi gambar menjadi format file data yang disebut TFRecords, yang digunakan oleh TensorFlow untuk pelatihan. Untuk membuat peta label menggunakan skrip Python untuk secara otomatis mengkonversi data ke format TFRecord. Num_steps adalah jumlah total langkah yang akan terjadi selama proses pelatihan.
Pada Tabel 4.7 diatas terlihat beberapa library yang diinisialisasi oleh program yang berjalan di python3. Setelah itu ada kuliah yang menginstruksikan program untuk mengirim ke Google Drive melalui server Google API setiap kali suatu objek terdeteksi secara otomatis, serta menginisialisasinya di folder di raspberry sehingga. Tahapan berikut ini merupakan bagian terpenting dari program yang diatur untuk mendeteksi objek sesuai dengan kelas yang dilatih sebelumnya.
Untuk kebutuhan daya alat, panel surya digunakan sebagai energi mandiri dan didalamnya terdapat solar charge controller yang akan secara kontinyu mengubah energi pada panel surya untuk ditransfer ke baterai, yang menampung kapasitas daya yang dibutuhkan alat selama menggunakan di lapangan.
Hasil Pengujian Training Model
Kerugian klasifikasi adalah ukuran yang digunakan untuk mengevaluasi kemampuan model dalam mengklasifikasikan objek dengan benar. Kerugian ini mengukur perbedaan antara label kelas sebenarnya dan prediksi kelas yang dihasilkan oleh model. Tujuan dari Regularization Loss adalah agar model nantinya dapat mendeteksi gambar baru dan tidak hanya fokus pada model pelatihan saja.
Dimana tujuan utama dari pelatihan model ini adalah untuk meminimalkan total kerugian sehingga pendeteksiannya lebih akurat. Dan kecepatan pembelajaran (learning rate) merupakan hyperparameter yang digunakan untuk mengatur seberapa besar perubahan parameter model yang terjadi selama proses pelatihan. Pada Gambar 4.9 terlihat nilai localization loss mulai dari langkah ke 13 sudah mulai melandai, hanya saja pada langkah ke 16 melonjak sedikit, dimana nilai rata-rata dari langkah ke 13 sampai ke 20 sebesar 0,0836 dan rata-rata keseluruhan nilai mulai dari awal latihan hingga langkah 20k adalah 0,0974.
Tidak ada perbedaan antara grafik keseluruhan dari Google Colab dengan grafik 1000 langkah, hanya skalanya saja yang berbeda.
Hasil Pengujian Image 2D
Hasil Pengujian Live Video Stream
Hasil Pengujian Confussion Matrix Deteksi Objek
Kesimpulan
Kesimpulan yang dapat diambil berdasarkan pengujian sistem yang dilakukan terhadap sistem adalah sebagai berikut. Hasil dataset pelatihan menampilkan beberapa grafik hasil pelatihan model antara lain classification loss dengan nilai rata-rata 0.1283, localization loss dengan nilai rata-rata 0.0974, regularization loss dengan nilai rata-rata 0.1121, total loss dengan nilai rata-rata 0.3371. Ardiansyah, “Perancangan alat deteksi hewan pengganggu tanaman kebun menggunakan sensor gerak berbasis PIR (passive infra merah).
Fitriyah, “Sistem Deteksi Hama Babi Menggunakan CNN (Convolutional Neural Network) Berbasis Raspberry Pi,” Jurnal Perkembangan Teknologi Informasi dan Ilmu Komputer, vol. Intan, “Identifikasi spesies anjing berbasis gambar menggunakan jaringan saraf konvolusional berbasis Android,” Jurnal Infra, vol. Saefudin, “Penerapan Algoritma Convolutional Neural Network dan Arsitektur MobileNet pada Aplikasi Deteksi Penyakit Daun Padi,” JURNAL SWABUMI, vol.
Jamaluddin, “Merancang dan membangun prototipe sistem pengendalian hama perkebunan babi berbasis IoT,” Jurnal Tektro, vol. Bili dkk., “Rancang Bangun Alat Pendeteksi Kematangan Nanas Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” 2022. PENDAHULUAN AKTUATOR DAN PROSES KERJA MENGGUNAKAN MIKROKONTROLER ARDUINO UNO PENDAHULUAN AKTUATOR DENGAN PROSES KERJA MENGGUNAKAN ARDUINO UNO MIKROKONTROLER.
Andarsyah, Tutorial Deteksi Objek Orang dengan Jaringan Neural Konvolusional Berbasis Wilayah Lebih Cepat (Faster R-CNN), vol. Setiawan, “Perbandingan Kinerja Integrated Development Environment (IDE) dalam Eksekusi Perintah Python,” SATESI: Jurnal Sains Teknologi dan Sistem Informasi, vol. Al Fatta, “Analisis Pengaruh Tingkat Akurasi Pada Klasifikasi Gambar Boneka Dengan Algoritma Convolutional Neural Network,” (JurTI) Jurnal Teknologi Informasi, vol.
Suryana, “Pengenalan aktivitas manusia dari rekaman webcam menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNet,” JITSI: Jurnal Ilmiah Teknologi Sistem Informasi, vol. JUDUL TUGAS AKHIR : Implementasi Convolutional Neural Network (CNN) pada Wild Monkey Detection dengan Menggunakan Arsitektur MobileNet SSD PERIODE PENGAWASAN : TAHUN PELAJARAN 2022/2023.
