MobileNetV2-D and Multiple Cameras for Swiftlet Nest Classification based on Feather Intensity

Denny Indrajaya, Hanna Arini Parhusip, Suryasatriya Trihandaru, Djoko Hartanto

MobileNetV2-D adalah modifikasi dari MobileNetV2, yang merupakan inovasi dari artikel ini. Algoritma ini digunakan untuk mengklasifikasikan sarang walet menjadi tujuh kelas berdasarkan intensitas bulu, yaitu BRS, BR, BST, BS, BBT, BB, dan BB2 untuk bulu ringan hingga bulu berat, secara berurutan. Gambar input adalah kombinasi dari empat gambar dari empat kamera dengan posisi berbeda, yang menambah kebaruan MobileNetV2-D untuk masalah khusus ini. Dari evaluasi yang telah dilakukan, nilai akurasi model MobileNetV2-D lebih baik daripada model MobileNetV2, yaitu nilai akurasi model MobileNetV2-D sebesar 99.9928% untuk dataset pelatihan dan 94.0723% untuk dataset pengujian. Selain itu, kecepatan MobileNetV2-D lebih baik daripada arsitektur MobileNetV2. Penelitian ini dapat diakses di sini.

Object Detection to Identify Shapes of Swallow Nests Using a Deep Learning Algorithm

Denny Indrajaya, Adi Setiawan, Djoko Hartanto, Hariyanto Hariyanto

Dalam penelitian ini, program dan model deteksi objek dirancang untuk mendeteksi bentuk sarang burung walet yang terdiri dari tiga kelas, yaitu oval, angular, dan mangkuk. Tujuan pembuatan model ini adalah untuk mengetahui kemiripan sarang burung walet dengan tiga kelas tersebut. Arsitektur yang diadopsi dalam pemodelan adalah SSD MobileNet V2 FPNLite karena model yang diperoleh dari arsitektur ini menghasilkan kecepatan yang baik dalam mendeteksi objek. Berdasarkan hasil evaluasi yang telah dilakukan, model ini dapat mendeteksi bentuk sarang burung walet yang terbagi menjadi 3 kelas, namun dalam beberapa kasus sarang burung walet terdeteksi ke dalam dua kelas. Masalah ini masih dapat diatasi dengan menyesuaikan beberapa parameter pada program deteksi objek. Hasil menunjukkan bahwa nilai mAP yang diperoleh adalah 61,91%. Penelitian ini dapat diakses di sini.

Penta Encoding Images Module of Convolutional Neural Network Algorithm for Swiftlet’s Nest Classification based on Feather Intensity

Hanna Arini Parhusip, Denny Indrajaya, Suryasatriya Trihandaru, Om Prakash Vyas, Djoko Hartanto

Pada penelitian ini dikembangkan modul Penta Encoding Images pada metode Convolutional Neural Network (CNN) untuk klasifikasi gambar sarang walet yang diklasifikasikan menjadi 7 kategori berdasarkan intensitas bulu, yaitu BRS, BR, BST, BS, BBT, BB, dan BB2, yang menunjukkan kategori bulu ringan hingga bulu berat. Berdasarkan 4 model yang diperoleh, yaitu model arsitektur MobileNetV2 yang dimodifikasi dan dilatih dengan data augmentasi dan tanpa data augmentasi, model terbaik yang diperoleh adalah model ke-4 yang dilatih dengan data augmentasi, penambahan padding pada gambar, penta encoding images sebagai salah satu preprocessing data, dan normalisasi. Nilai akurasi dari model ke-4 untuk dataset pelatihan (13.440 gambar) adalah 100%, dan untuk dataset pengujian (4.200 gambar) adalah 98,40%. Model yang diperoleh dengan perbedaan akurasi kecil dari model ke-4 adalah model ke-3, yang diperoleh dengan menggunakan data augmentasi, penambahan padding pada gambar, penyesuaian eksposur dan kontras gambar, dan normalisasi. Nilai akurasi dari model ke-3 untuk dataset pelatihan adalah 99,99%, dan untuk dataset pengujian adalah 98,09%. Berdasarkan penelitian yang telah dilakukan, preprocessing data menggunakan Penta Encoding Images dapat meningkatkan kualitas model. Penelitian ini dapat diakses di sini.

Management of Traditional Business into Modern: from Microsoft Excel to Deep Learning for prototyping classification Swiftlet’s nests

Hanna Arini Parhusip, Suryasatriya Trihandaru, Kristoko Dwi Hartomo, Karina Bianca Lewerissa, Linda Ariany Mahastanti, Djoko Hartanto

Dalam artikel ini, diusulkan transformasi pengelolaan tradisional sarang burung Walet menjadi bisnis modern. Bisnis tradisional berarti bahwa manajemen data sarang burung Walet dilakukan secara manual, disortir dengan pencatatan di Microsoft Excel. Hal ini dilakukan oleh PT Waleta Asia Jaya, sebuah perusahaan yang bergerak di bidang pengolahan sarang burung Walet. Penyortiran ini dilakukan karena jumlah bulu dalam sarang burung Walet menentukan harga dan biaya pekerja dalam proses pembersihan bulu. Selain itu, bentuk sarang burung Walet juga memerlukan perhatian. Namun, karena kompleksitasnya, penyortiran dilakukan dengan lebih sederhana. Awalnya, sarang burung Walet disortir menjadi 50 kategori. Untuk memudahkan penyortiran, deep learning digunakan dengan algoritma SSD Mobile Net V2 sebagai algoritma untuk mengklasifikasikan menjadi 7 kategori berdasarkan intensitas bulu. Perangkat ini masih berupa prototipe yang menunjukkan tingkat akurasi sebesar 85% tetapi telah cukup membantu dalam proses pembelian sarang burung Walet sebelum diolah. Penelitian ini dapat diakses di sini.