| dc.description.abstract | Deteksi objek (Object detection) merupakan suatu metode yang dikembangkan untuk
membuat sistem bisa mengenali suatu objek dalam foto atau video. Penelitian tentang deteksi
objek telah banyak dilakukan oleh peneliti lainnya terutama dalam meningkatkan performa
akurasi melalui konfigurasi model tetapi masih sedikit penelitian terkait peningkatan akurasi
dari segi data. Pada data, terdapat bias yang memiliki pengaruh terhadap performa akurasi
dekteksi objek akan tetapi penelitian terkait pengaruh bias terhadap performa model yang telah
dikembangkan untuk perangkat bergerak masih minim dilakukan.
Pada penelitian ini akan digunakan model yang telah dioptimalkan untuk perangkat
bergerak, yakni efficientdet-lite serta pengukuran performa model menggunakan nilai AP
(Average Precision). AP merupakan salah satu matriks evaluasi yang digunakan untuk
mengukur performa deteksi objek. Kemudian, penelitian ini akan menerapkan beberapa bias
sebesar 50% terhadap data untuk mengukur dampak bias terhadap performa deteksi objek. Bias
yang digunakan berupa bias pencahayaan, bias sudut pengambilan, dan bias pelabelan. Dari
hasil penelitian yang sudah dilakukan, dataset yang memiliki bias masing-masing
menghasilkan nilai AP sebesar 0,3918, 0,5215, dan 0,122. Sedangkan, dataset yang dijadikan
sebagai nilai acuan menghasilkan nilai AP sebesar 0,6211.
Dalam penelitian ini, pengukuran pengaruh bias dilakukan dengan cara menghitung selisih
antara nilai AP dataset bias dengan nilai AP dataset acuan. Dari perhitungan yang telah
dilakukan, masing-masing bias memiliki selisih sebesar 36,9%, 16%, dan 98% dengan dataset
acuan. Model dengan dataset bias pelabelan harus dihindari dan diminimalisir karena dapat
menurunkan performa deteksi objek sebesar 98% sedangkan bias sudut pengambilan dan bias
cahaya masih bisa dimanfaatkan untuk dijadikan dataset karena memiliki pengaruh yang masih
kecil yakni sebesar 36,9% dan 16% dengan catatan jumlah data dengan bias tersebut harus
dibawah 50% dari jumlah dataset. | en_US |
