Multi-Label Convolutional Neural Network (MLCNN) dengan Integrasi Pembagian Citra Input untuk Identifikasi Atribut Pejalan Kaki

Identifikasi atribut adalah upaya untuk mengenali atribut yang dikenakan oleh objek pejalan kaki pada suatu citra, seperti jenis kelamin, usia, penampilan, gaya berpakaian dan aksesori. Identifikasi atribut sangat penting untuk kepentingan keamanan, misalnya untuk mengungkap pelaku kejahatan melalui ciri-ciri atau atribut dari pelaku. Pada penelitian ini membangun model identifikasi atribut menggunakan Multi-Label Convolutional Neural Network (MLCNN). MLCNN dibangun dengan integrasi pembagian citra input menggunakan sebuah window untuk menangkap informasi atribut secara lokal (fitur lokal). Terdapat beberapa tahapan yang dilakukan, yaitu resize citra, pembagian citra, dan masing-masing hasil pembagian terintegrasi dengan CNN (feature learning dan classification). Pada penelitian ini dilakukan beberapa uji coba dengan model pembagian citra yang berbeda untuk mengetahui pengaruh yang dihasilkan terhadap kinerja MLCNN. Uji coba dilakukan pada dataset PETA yang terdiri dari 19.000 citra dan 35 atribut yang digunakan. Berdasarkan uji coba yang telah dilakukan, model pembagian citra yang digunakan mempengaruhi hasil identifikasi atribut. Pembagian citra secara horizontal menghasilkan akurasi lebih baik daripada pembagian citra secara vertikal, karena informasi atribut yang didapat lebih detail/lengkap. Model terbaik dalam mengidentifikasi 35 atribut adalah model dengan pembagian citra secara horizontal dua bagian dengan akurasi rata-rata 52,94%