Implementasi Metode Faster Region Convolutional Neural Network (Faster R-CNN) Untuk Pengenalan Jenis Burung Lovebird

DOI:
10.51519/journalita.volume1.isssue3.year2020.page185-197Keywords:
Faster Regional Neural Network, object detection, convolutional neural network, image, deep learning.lovebirdAbstract
Lovebird merupakan burung sosial yang hidup berkelompok di alam bebas. Burung dari genus Agapornis ini ukuran tubuhnya relative mungil bila dibanding burung berparuh bengkok lainnya. Panjangnya sekitar 13-17 cm dengan bobot 30-60 gram. Ragam dan jenis burung lovebird sangat banyak namun bila dilihat dengan pendeketan taksonomi, hanya terdapat 9 spesies burung lovebird. Penelitian metode Faster Region Convolutional Neural Network ini digunakan untuk mengenali jenis burung lovebird guna mencari tahu motif atau warna asli dari jenis burung lovebird tertentu berdasarkan tingkat akurasi dari hasil deteksi objek. Faster R-CNN merupakan pengembangan Convolutional Neural Network (CNN) yang ditemukan oleh Ross Girshick. Sampai saat ini metode ini masih terus dikembangkan dan digunakan untuk pengenalan objek atau objek recognition. Penelitian ini menggunakan data set burung lovebird dengan total 808 gambar dan 8 (kelas) yaitu Agapornis Personata, Agapornis Fischeri, Agapornis Lilianae, Agapornis Nigrigenis, Agapornis Roseicollis, Agapornis Taranta, Agapornis Pullarius, Agapornis Canus. Hasil dari proses learning didapatkan akurasi sebesar 96% dengan loss sebesar 0,2% . sehingga dapat disimpulkan bahwa metode Faster R-CNN dapat diterapkan pada pengenalan jenis burung lovebird.
References
Gandhi, R. (2018, July 9). R-CNN, Fast R-CNN, Faster R-CNN, YOLO — Object Detection Algorithms. Medium. https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e
Gilbert, N. (2019). Implementasi Faster Region-Based Convolutional Neural Network pada Klasifikasi Bentuk Diagram iStar 2.0 untuk Requirements Modeling [Bachelor_thesis, Universitas Multimedia Nusantara]. http://kc.umn.ac.id/10245/
Le, J. (2020, January 29). The 5 Computer Vision Techniques That Will Change How You See The World. Medium. https://heartbeat.fritz.ai/the-5-computer-vision-techniques-that-will-change-how-you-see-the-world-1ee19334354b
Purnama, B. (2019). Pengantar Machine Learning Konsep dan Praktikum dengan Contoh Latihan Berbasis R dan Python. Informatika.
Ren, S., He, K., Girshick, R., & Sun, J. (2016). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. ArXiv:1506.01497 [Cs]. http://arxiv.org/abs/1506.01497
Santoso, A., & Ariyanto, G. (2018). IMPLEMENTASI DEEP LEARNING BERBASIS KERAS UNTUK PENGENALAN WAJAH. Emitor: Jurnal Teknik Elektro, 18(01), 15–21. https://doi.org/10.23917/emitor.v18i01.6235
Susanto, K. N., Gunadi, K., & Setyati, E. (2019). Pengenalan Karakter pada Plat Nomor Indonesia dengan Tilt Correction dan Metode Faster R-CNN. Jurnal Infra, 7(1), 1–7.
Suyanto, Kurniawan Nur Ramadhani, Satria Mandala. (2019). Deep Learning Modernisasi Machine Learning Untuk Big Data. Informatika.
Tim Karya Tani Mandiri. (2018). Rahasia Sukses Budidaya Burung Berkicau. Nuansa Aulia.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Fino Charli, Hadi Syaputra, Muhammad Akbar, Siti Sauda, Febriyanti Panjaitan

This work is licensed under a Creative Commons Attribution 4.0 International License.