Pengaruh Transformasi Ruang Warna Terhadap Akurasi Ekstraksi Fitur Dalam Deteksi Kendaraan

Hardian, Muhammad Zulkifli (2020) Pengaruh Transformasi Ruang Warna Terhadap Akurasi Ekstraksi Fitur Dalam Deteksi Kendaraan. Sarjana thesis, Universitas Brawijaya.

Abstract

Klasifikasi gambar adalah aplikasi mendasar dalam computer vision yang dapat diimplementasikan untuk deteksi obyek. Computer vision banyak digunakan diantaranya pada sistem klasifikasi mobil, penyakit maupun dalam bidang industri. Convolutional Neural Network (CNN) biasa digunakan untuk mengekstraksi fitur dari citra input yang diberikan, untuk saat ini penggunaan deep neural network telah menunjukkan kinerja terbaik untuk klasifikasi gambar. sebagian dataset terdiri dari sejumlah gambar berwarna dengan satu ruang warna, yaitu RGB tanpa dilakukannya modifikasi. Pada penelitian ini mencoba untuk mengeksplorasi pentingnya penggunaan ruang warna dan menunjukkan bahwa ruang warna (yang berbasis transformasi citra dengan ruang warna RGB) dapat mempengaruhi akurasi ekstraksi fitur dan klasifikasi. Penelitian ini menggunakan 2 kelas berupa data positif dan negatif yang memiliki warna dan pencahayaan cukup untuk proses training, kemudian menggunakan data uji berupa warna kendaraan dan pencahayaan sekitar yang berbeda-beda guna mengetahui ruang warna yang dapat bekerja dengan baik. Ruang warna lain mengambil citra RGB sebagai input, lalu dikonversi menjadi 5 ruang warna yang berbeda, lalu citra tersebut digunakan menjadi input. Penelitian ini menggunakan 3 model CNN dengan beda jumlah filter maupun layer CNN yang digunakan dengan harapan dapat memberikan perbedaan yang signifikan antara transformasi kanal warna yang terjadi.

English Abstract

Image classification is a fundamental application in computer vision that can be implemented for object detection. Computer vision is widely used including in the classification system of cars, diseases and in industry. Convolutional Neural Network (CNN) is used to extract features from a given input image. The use of deep neural networks has shown the best performance for image classification. A portion of the dataset consists of a number of color images with one color space, i.e. RGB without modification. This research tries to explore the importance of using color space and show that color space (which is based on image transformation with RGB color space) can affect the accuracy of feature extraction and classification. This study uses 2 classes in the form of positive and negative data that have sufficient color and lighting for the training process, then use test data in the form of different vehicle colors and ambient lighting to determine which color space can work well. Other color spaces take RGB images as input, then convert to 5 different color spaces, then the image is used as input. This study uses 3 CNN models with different number of filters and CNN layers used in the hope that it can provide a significant difference between the color channel transformations that occur.

Other obstract

-

Item Type: Thesis (Sarjana)
Identification Number: 0520090135
Uncontrolled Keywords: Computer vision, CNN, kanal warna, ruang warna, klasifikasi citra
Subjects: 500 Natural sciences and mathematics > 535 Light and related radiation > 535.6 Color
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Fisika
Depositing User: ismanto
Date Deposited: 06 Feb 2021 23:36
Last Modified: 20 Jul 2022 06:57
URI: http://repository.ub.ac.id/id/eprint/182678
[thumbnail of DALAM MASA EMBARGO] Text (DALAM MASA EMBARGO)
0520090135-Muhammad Zulkifli Hardian.pdf
Restricted to Registered users only until 31 December 2023.

Download (3MB)

Actions (login required)

View Item View Item