Identifikasi Atribut Pejalan Kaki Berbasis Identifikasi Biner Menggunakan Convolutional Neural Networks (CNN)

Kemampuan komputer untuk melakukan identifikasi atribut pejalan kaki mendapat perhatian yang besar dalam penelitian computer vision karena penerapannya yang cukup tinggi, salah satunya di bidang sistem pengawasan visual. Metode-metode yang digunakan oleh para peneliti sebelumnya masih menggunakan handmade feature (misalnya color
histograms dan local binary patterns) yang memakan waktu karena harus mencari fitur yang cocok dari sekian banyak fitur untuk kasus yang dihadapi. Pada penelitian ini diusulkan metode Convolutional Neural Networks (CNN) yang memiliki kemampuan untuk melakukan pembelajaran fitur secara otomatis (feature learning). CNN memiliki beberapa hyper-parameter yang nilainya mempengaruhi kinerja klasifikasi, salah satu diantaranya adalah jumlah lapisan konvolusi. Pada penelitian ini, dilakukan beberapa skenario percobaan untuk mengetahui pengaruh jumlah lapisan terhadap kinerja CNN. Beberapa arsitektur CNN yang berbeda dilatih dan diuji menggunakan dataset PETA yang berisi gambar jarak jauh pejalalan kaki. Hasil dari uji coba yang dilakukan, tiga model CNN dengan jumlah lapisan konvolusi tiga, lima dan tujuh memperoleh rata-rata f1 score secara berturut-turut sebesar 56.76%, 59.60%, dan 69.00% dari tujuh atribut yang diidentifikasi. Dari hasil ini dapat disimpulkan bahwa semakin banyak jumlah lapisan konvolusi yang digunakan, kinerja CNN menjadi semakin baik.