| dc.description.abstract | Object detection merupakan salah satu metode dalam computer vision untuk mengidentifikasi kelas dan lokasi objek pada suatu gambar. Dibandingkan dengan pendekatan tradisional, metode object detection menggunakan pendekatan deep learning memiliki kinerja yang lebih baik secara signifikan terutama dalam hal akurasi dan presisi. Akan tetapi, metode deep learning ini menghasilkan waktu komputasi yang tinggi dan pemakaian memori yang lebih besar. Kedua hal tersebut, yaitu akurasi dan kecepatan komputasi, menjadi trade off dalam implementasi algoritme deep learning pada perangkat yang memiliki kemampuan komputasi terbatas seperti Raspberry Pi. Oleh karena itu, penelitian ini bertujuan untuk melakukan analisis perbandingan terhadap beberapa algoritme object detection berbasis deep learning pada salah satu perangkat dengan kemampuan komputasi terbatas yaitu Raspberry Pi.
Penelitian ini merupakan salah satu rangkaian riset pengembangan robot pengawasan (surveillance robot) untuk tanaman melon (Cucumis melo L.). Deteksi kelainan pada daun tanaman yang dilakukan oleh robot mengandalkan citra yang diambil melalui kamera yang dipasang pada robot. Sehingga, penerapan metode object detection diperlukan untuk pengembangan robot. Adapun kontribusi penelitian ini adalah merekomendasikan algoritme object detection berbasis deep learning yang optimal untuk ditanamkan pada robot pengawasan berdasarkan aspek akurasi dan kecepatan komputasi.
Pada penelitian ini, kelas objek yang dideteksi dibagi menjadi dua kategori yaitu abnormal dan normal. Adapun algoritme object detection yang dianalisis pada penelitian ini adalah Faster R-CNN, SSD, dan YOLOv3. Hasil penelitian menunjukkan bahwa nilai mAP berbanding lurus dengan waktu komputasi algoritme, yakni semakin tinggi nilai mAP maka semakin lama waktu komputasi yang dibutuhkan. Faster R-CNN memiliki nilai mAP tertinggi yaitu ~49% dengan inference time selama ~2,5 detik dan penggunaan sumber daya yang paling banyak. Faster R-CNN dapat digunakan untuk proses object detection pada kasus dengan kebutuhan akurasi yang tinggi namun dapat mengabaikan kecepatan komputasi. Selain memiliki inference time yang cukup cepat (2 detik) dan penggunaan sumber daya yang paling kecil (CPU 48,5% dan RSS 551 MiB), SSD MobileNetV2 menghasilkan mAP yang dapat dipertimbangkan (33,16%) sehingga dapat direkomendasikan untuk proses object detection secara realtime. Adapun YOLOv3, meskipun memiliki inference time paling cepat (0,5 detik), tetapi memiliki nilai mAP yang sangat rendah (di bawah 20%). Sehingga, YOLOv3 tidak direkomendasikan karena akan membuat lebih banyak kesalahan deteksi. | id |
