Perpustakaan Digital ITB

Bagasi dan penumpang adalah dua hal yang tidak bisa dipisahkan, sebab itu pemeriksaan bagasi penumpang merupakan proses yang sangat krusial dalam dunia transportasi terutama seperti penerbangan, kapal laut, kereta, dan lain – lain. Dalam proses pemeriksaan bagasi, sumber utama yang masih digunakan saat ini adalah tenaga profesional. Manusia sebagai tenaga profesional tentu mengalami perubahan – perubahan performa yang dapat disebabkan oleh kelelahan, emosi, dan lain – lain. Oleh karena itu, diperlukan suatu sistem otomatis yang dapat membantu manusia dalam mengenali objek berbahaya yang ada pada bagasi penumpang. Penelitian ini mengajukan sebuah sistem otomatis yang dapat membantu manusia dalam mengenali objek berbahaya. Penelitian ini menggunakan pendekatan yang berbeda dari pendekatan pengenalan objek biasanya, yaitu pendekatan kemiripan (similarity). Pendekatan kemiripan dapat menutupi kelemahan pendekatan yang biasa digunakan pada pengenalan objek (pendekatan klasifikasi/probabilitas), yaitu pendekatan kemiripan dapat mengenali objek yang tertutupi sebagian, sedangkan pendekatan klasifikasi / probabilitas memerlukan segala bentuk objek pada proses pelatihannya untuk dapat mengenali. Pada penelitian ini, terdapat 3 skenario percobaan utama. Pertama, merupakan skenario eksperimen untuk implementasi RPN sebagai detektor. Kedua, merupakan skenario eksperimen untuk implementasi beberapa jenis arsitektur deep learning dan Siamese Neural Network (SNN). Ketiga, merupakan skenario eksperimen untuk implementasi penggabungan arsitektur Region Proposal Network (RPN) dan SNN. Penelitian dilakukan dengan menggunakan ukuran gambar 75x75x3, ukuran batch 32, dan dengan beberapa encoder deep learning seperti ResNet50, ResNet101, EfficientNetB7, dan InceptionV3. Hasil penelitian menunjukkan bahwa SNN menghasilkan performa terbaik dengan skor akurasi 88%, sedangkan model deep learning konvensional hanya mencapai skor akurasi 74%. Penelitian ini menunjukkan bahwa model SNN dapat mengidentifikasi objek baru yang belum pernah dilihatnya dalam data pelatihan, menghilangkan kebutuhan untuk melatih kembali model tersebut.