Dampak Upsampling dan Downsampling dalam Deteksi Keadaan Darurat dari Citra Udara menggunakan RetinaNet
Keywords:
AIDER, Deteksi Objek, Downsampling dan Upsampling, Keadaan Darurat, RetinaNet.Abstract
Ketidakseimbangan jumlah data pada dataset citra udara dapat mempengaruhi performa model deteksi citra udara, di mana hasil identifikasi terhadap keadaan darurat menjadi tidak optimal. Oleh karena itu, penelitian ini dilakukan untuk menganalisa teknik penyeimbang data, yaitu upsampling dan downsampling pada model RetinaNet yang menggunakan backbone ResNet50. Model ini dilatih menggunakan Aerial Images Dataset for Emergency Response (AIDER) untuk mengidentifikasi keadaan darurat, di mana upsampling menambahkan jumlah data pada kelas minoritas menggunakan augmentasi yaitu gaussian blur, gaussian noise, dan contrast., sedangkan downsampling mengurangi jumlah data pada kelas mayoritas. Model dilatih dengan parameter optimizer Adam dengan learning rate 2e-5, epoch 5 dan 10, batch size 4, dan GPU Tesla T4 yang tersedia pada Kaggle. Hasil latih dievaluasi menggunakan mean Average Precision (mAP), class loss, dan regression loss. Berdasarkan hasil penelitian, nilai mAP data upsampling memiliki hasil paling optimal yaitu 0.829917, sedangkan data downsampling memiliki hasil mAP paling rendah yaitu 0.801813. Selain itu, data upsampling memiliki nilai class loss terrendah, sedangkan data downsampling memiliki regression loss yang lebih rendah.
References
C. Kyrkou, P. Kolios, T. Theocharides, and M. Polycarpou, “Machine Learning for Emergency Management: A Survey and Future Outlook,” Proceedings of the IEEE, vol. 111, no. 1, 2023, doi: 10.1109/JPROC.2022.3223186.
C. Kyrkou and T. Theocharides, “EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 13, 2020, doi: 10.1109/JSTARS.2020.2969809.
T. Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar, “Focal Loss for Dense Object Detection,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 42, no. 2, 2020, doi: 10.1109/TPAMI.2018.2858826.
D. Dumitrescu and C. A. Boiangiu, “A study of image upsampling and downsampling filters,” Computers, vol. 8, no. 2, 2019, doi: 10.3390/computers8020030.
Y. Ye, M. Zhou, Z. Wang, and X. Shen, “Improved Upsampling Based Depth Image Super-Resolution Reconstruction,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3274966.
M. Fauzan Novriandy, B. Rahmat, and A. Junaidi, “KLASIFIKASI CITRA PENYAKIT KANKER MULUT MENGGUNAKAN ARSITEKTUR RESNET50 OPTIMASI ADAM DAN SGD,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4732.
A. Gad, “Evaluating Object Detection Models Using Mean Average Precision,” KDnuggets, 2021.
A. Hasby Bik, F. Tri Anggraeny, and E. Yulia Puspaningrum, “KLASIFIKASI PENYAKIT GINJAL MENGGUNAKAN ALGORITMA HIBRIDA CNN-ELM,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 3, 2024, doi: 10.36040/jati.v8i3.9807.
