IDENTIFIKASI ATRIBUT PEJALAN KAKI BERDASARKAN KLASIFIKASI MULTI-CLASS MULTI-LABEL MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

Penerapan computer vision dalam melakukan identifikasi atribut pejalan kaki mendapat perhatian yang besar terutama di bidang sistem pengawasan visual. Salah satu contoh penerapan sistem tersebut adalah pencarian tersangka tindak kejahatan berdasarkan ciri-ciri atribut yang dikenakan menurut laporan dari saksi. Identifikasi atribut dilakukan menggunakan Convolutional Neural Network (CNN) yang mampu melakukan pembelajaran fitur secara otomatis (feature learning). CNN terdiri dari lapisan konvolusi, ReLU, Pooling, dan Fully-connected. CNN memiliki 2 jenis output, yaitu binary-class dan multi-class. Penggunaan binary-class kurang efektif dalam mengidentifikasi banyak atribut sekaligus karena memerlukan pelatihan model yang baru untuk mengidentifikasi atribut yang lain. Sedangkan multi-class dapat mengidentifikasi banyak atribut dengan menggunakan sebuah model. Multi-class mempunyai 2 jenis label, yaitu single-label yang menghasilkan satu label pada ouput dan multi-label yang menghasilkan output berupa banyak label. Pada penelitian ini diusulkan metode multi-class multi-label CNN. Beberapa hyper-parameter seperti jumlah filter dan lapisan konvolusi pada CNN berpengaruh terhadap kinerja yang dihasilkan. Sehingga pada penelitian ini akan dilakukan beberapa skenario percobaan untuk mengetahui pengaruh jumlah filter dan lapisan konvolusi terhadap kinerja CNN. Beberapa arsitektur CNN yang berbeda dilatih dan diuji menggunakan PETA dataset dengan 35 atribut. Uji coba pengaruh jumlah filter dan lapisan konvolusi menghasilkan model terbaik dengan rata-rata f1 score sebesar 72.69% dan 75.66%. Dari hasil uji coba, dapat disimpulkan bahwa semakin banyak jumlah filter dan lapisan konvolusi yang digunakan, kinerja CNN menjadi semakin baik.