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.