Text

Perhitungan Kerumunan menggunakan Arsitektur NASNetLarge dengan Bayesian Optimization

---

Kerumunan di suatu tempat merupakan kondisi yang perlu dipantau, terutama pada masa
pandemi COVID-19. Salah satunya caranya adalah dengan melakukan pemantauan tingkat
kepadatan pengunjung pada suatu area. Hal tersebut memberikan tantangan bagi pengelola
suatu tempat, khususnya dalam hal kebutuhan sumber daya manusia untuk melakukan
pemantauan secara real time. Pemanfaatan citra CCTV dan perhitungan kerumunan dengan
pendekatan regresi memberikan kemudahan dalam otomasi perhitungan karena memiliki
keunggulan dalam hal skalabilitas, kestabilan, dan ukuran model yang lebih kecil. Berbagai
penelitian sebelumnya telah mengembangkan metode perhitungan kerumunan dengan
menerapkan pendekatan regresi yang menggunakan model arsitektur yang dimodifikasi,
seperti VGG16 dan Inception-ResNetV2. Akan tetapi penggunaan arsitektur tersebut
memiliki kelemahan kurangnya kompleksitas arsitektur yang menyebabkan kurangnya
kemampuan algoritma dalam mengenali pola pada citra serta proses pemilihan
hyperparameter terbaik masih dilakukan menggunakan proses pengujian manual secara
trial-and-error. Oleh karena itu, penelitian ini mengusulkan penggunaan arsitektur
NASNetLarge yang memiliki kompleksitas arsitektur yang lebih tinggi, sehingga diharapkan
dapat mengenali pola pada citra lebih baik. Selain itu, proses pelatihan model dioptimasi
dengan pencarian hyperparameter menggunakan Bayesian Optimization melalui 10 kali
percobaan dan kemudian melatih ulang dengan hyperparameterterbaik yang telah diperoleh.
Hasil pelatihan model terbaik selanjutnya dibandingkan dengan arsitektur InceptionResNetV2. Hasil eksperimen menunjukkan bahwa NASNetLarge memiliki Mean Absolute
Percentage Error senilai 7,16%. NASNetLarge lebih unggul daripada Inception-ResNetV2
yang hanya mendapatkan MAPE sebesar 7,41%. Dengan demikian, penggunaan
NASNetLarge dengan Bayesian Optimization memiliki keunggulan dalam perhitungan
kerumunan karena model memiliki arsitektur yang kompleks sehingga dapat mempelajari
citra secara detail dan ditambah dengan penggunaan Bayesian Optimization yang dapat
memilih hyperparameter secara efektif.

Kata kunci : NASNetLarge, Bayesian Optimization, Perhitungan Kerumunan

---

Ketersediaan

1258 F 2024

1258 F 2024

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1258 F 2024

Penerbit

: ., 2024

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar