Hai Inovator,

Pada kesempatan kali ini kita akan memberikan tutorial siangkat mengenai bagaimana cara mendeteksi jumlah pipa otomatis dengan menggunakan pengolahan citra metode deep learning. Deep learning merupakan subbidang machine learning yang algoritmanya terinspirasi dari struktur otak manusia. Struktur tersebut dinamakan Artificial Neural Networks atau disingkat ANN. Pada dasarnya, ia merupakan jaringan saraf yang memiliki tiga atau lebih lapisan ANN. Ia mampu belajar dan beradaptasi terhadap sejumlah besar data serta menyelesaikan berbagai permasalahan yang sulit diselesaikan dengan algoritma machine learning lainnya. Deep learning terdiri dari beberapa jaringan saraf tiruan yang saling berhubungan. Berikut ini adalah beberapa algoritmanya:

1. Convolutional Neural Network (CNN)

CNN terdiri dari banyak layer untuk memproses dan mengekstrak fitur dari data. Ia biasanya digunakan untuk memproses gambar dan mendeteksi objek. Saat ini, CNN banyak digunakan untuk mengidentifikasi citra satelit, citra medis, dan mendeteksi anomali.

2. Recurrent Neural Network (RNN)

Recurrent Neural Networks (RNN) merupakan salah satu bentuk arsitektur Artificial Neural Networks (ANN) yang dirancang khusus untuk memproses data yang bersambung/ berurutan (sequential data). RNN biasanya digunakan untuk menyelesaikan permasalahan data historis atau time series, contohnya data ramalan cuaca. Selain itu, RNN juga dapat diimplementasikan pada bidang natural language understanding (pemahaman bahasa alami), misalnya  translasi bahasa.

3. Long Short Term Memory Network (LTSM)

LSTM merupakan tipe Recurrent Neural Network yang dapat mempelajari data historis atau time series. Ia merupakan algoritma deep learning yang kompleks dan dapat mempelajari informasi jangka panjang dengan sangat baik. LSTM sangat powerful untuk menyelesaikan berbagai permasalahan kompleks seperti speech recognition, speech to text application, komposisi musik, dan pengembangan di bidang farmasi.

4. Self Organizing Maps (SOM)
Jenis terakhir adalah self organizing maps atau SOM. Algoritma ini mampu membuat visualisasi data secara mandiri. SOM diciptakan untuk membantu penggunanya dalam memahami data dan informasi berdimensi tinggi.

Kemudian adapun tahapan yang perlu dilakukan:

1. Pengumpulan Dataset
2. Anotasi citra gunakan LabelImg
3. Training dan prediksi gunakan darkflow
4. Evaluasi gunakan mAP

1. Pengumpulan Dataset:

Untuk memulai melakukan deteksi objek kita harus menyiapkan data citra yang berisikan objek-objek yang ingin kita deteksi. Citra yang sudah kalian kumpulkan akan dibagi menjadi tiga bagian yaitu, training set, validation set, dan test set dengan persentase masing-masing 60%, 20%, dan 20%. Sebenarnya tidak ada aturan pasti berapa besar persentase tiap data, untuk saat ini kita mulai dari persentase tersebut

2. Anotasi Citra:

Setelah mengatur dataset saatnya membuat label. Anotasi merupakan proses membuat label denga cara memberikan kotak batas (bounding box) beserta nama kelas pada objek disetiap citra.

3. Persiapan Training

Sebelum training ada beberapa hal yang harus dipersiapkan. Yang pertama tentunya adalah download repository darkflow dari github disini. Kemudian kalian harus mendownload model yang terdiri dari kode jaringan dan bobot pra-latih dari jaringan tersebut. Kalian bisa mendapatkan keduanya disini. Disana akan ada dua file yaitu cfg dan weights. File cfg merupakan kode untuk model sedangkan weights merupakan bobot hasil pelatihan yang dapat digunakan untuk melakukan transfer learning. Saya sarankan untuk menggunakan Tiny Yolo v2 untuk permulaan.

4. Training

Proses training ini adalah proses untuk medapatkan bobot terbaik dari jaringan syaraf agar dapat mengenali obyek.

Baiklah berikut ini adalah contoh jika Anda berhasil melakukan training dengan deep learning menggunakan metode Yolo.

Jika teman-teman membutuhkan bantuan tentang image processing langsung saja hubungi kami di:

Jasa Arduino Bandung Internet of Things Bandung. Jasa Arduino Surabaya Internet of Things Surabaya. Jasa Arduino Jakarta Internet of Things Jakarta. Jasa Arduino Depok. Jasa Arduino Malang. Jasa Arduino Bandung. Jasa Arduino Batam. Jasa Arduino Bekasi. Jasa Arduino Surabaya. Jasa Arduino Semarang. Jasa Arduino Surakarta. Jasa Arduino Pekanbaru. Jasa Arduino Tangerang Selatan. Jasa Arduino Bekasi. Jasa Arduino Makassar. Jasa Arduino Tangerang. Jasa Arduino Medan. Jasa Arduino Palembang. Jasa Arduino Jogja. Jasa Arduino Yogyakarta.