Pengaruh Jumlah Epoch dan Step Per Epoch Terhadap Performa Mask-RCNN pada Deteksi Objek Tanda Tangan
DOI:
https://doi.org/10.58991/eemisas.v2i1.20Keywords:
Mask RCNN, Epoch, Deep learning, LossAbstract
Tanda tangan merupakan kegiatan formil yang digunakan untuk menyatakan persetujuan dan juga memastikan identitas dari oarang yang membubuhkan tanda tangan untuk sesuatu yang berimplikasi pada hukum atau tidak. Akademi Komunitas Negeri (AKN) Pacitan merupakan Perguruan Tinggi yang menyelenggarakan pendidikan vokasi setingkat diploma dua. Salah Satu syarat kelulusan mahasiswa di AKN pacitan adalah telah menyelesaikan proyek akhir yang dilakukan di semester empat dan didokumentasikan dalam bentuk laporan proyek akhir. Laporan yang dianggap layak untuk dipublikasikan adalah laporan yang telah ditandatangani oleh pengawas dan penguji pada lembar pengesahan. Namun dalam kegiatannya terdapat beberapa oknum yang melakukan penipuan dengan memalsukan tanda tangan sehingga laporan proyek tersebut akhirnya dinyatakan layak untuk dipublikasikan. Tentu hal tersebut jika tidak ditangani secara cepat akan berdampak pada kualitas dari laporan proyek akhir mahasiswa. Dengan memanfaatkan teknologi image capture, penulis mengusulkan suatu model yang dapat digunakan untuk deteksi tanda tangan. Metode Mask RCNN merupakan keluarga dari Convolutional Neural Networks (CNN) yang memiliki kemampuan untuk mendeteksi objek pada sebuah citra. Metode ini merupakan pengembangan dari metode sebelumnya yang menggunakan ROIAlign yang mampu memberikan Presisi Rata-Rata di atas 90%. Mask RCNN menggunakan epoch dan batch size untuk mendapatkan model optimal dengan eror komputasi minimum. Selama penelitian, penulis melihat korelasi antara epoch dan step per epoch untuk mendapatkan perhitungan loss yang minimal. Dari percobaan yang dilakukan, didapatkan perhitungan loss minimum pada epoch ke-40 dan step per epoch sebesar 500.
References
T. T. Kie, “Studi Notariat & Serba-Serbi Praktek Notaris,” Jakarta Ichtiar Baru Van Hoeve, 2000.
C. Authorities and S. E. Commerce, “Digital Signature Guidelines,” 1996.
F. A. Hermawati and M. I. Safii, “Sistem Deteksi Keganasan Kanker Paru-Paru pada CT Scan dengan Menggunakan Metode Mask Region-based Convolutional Neural Network (Mask R-CNN),” Proceeding KONIK (Konferensi Nas. Ilmu Komputer), vol. 5, pp. 193–197, 2021.
H. Nugroho and S. Agustini, “OBJECT TRACKING PADA SEBUAH VIDEO DENGAN MENGGUNAKAN METODE HARRIS CORNER DETECTION DAN OPTICAL FLOW,” Netw. Eng. Res. Oper., vol. 5, no. 2, pp. 118–123, 2020.
C.-H. Hsia, T.-H. W. Chang, C.-Y. Chiang, and H.-T. Chan, “Mask R-CNN with New Data Augmentation Features for Smart Detection of Retail Products,” Appl. Sci., vol. 12, no. 6, p. 2902, 2022.
Q. Zhang, X. Chang, and S. B. Bian, “Vehicle-damage-detection segmentation algorithm based on improved mask RCNN,” IEEE Access, vol. 8, pp. 6997–7004, 2020.
A. Bimanjaya, H. H. Handayani, and M. R. Darminto, “Ekstraksi Tapak Bangunan dari Orthophoto Menggunakan Model Mask R-CNN (Studi Kasus: Kelurahan Darmo, Kota Surabaya),” J. Tek. ITS, vol. 10, no. 2, pp. C198--C203, 2021.
M. Bizjak, P. Peer, and Ž. Emeršič, “Mask R-CNN for ear detection,” in 2019 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2019, pp. 1624–1628.
X. Liu, D. Zhao, W. Jia, W. Ji, C. Ruan, and Y. Sun, “Cucumber fruits detection in greenhouses based on instance segmentation,” IEEE Access, vol. 7, pp. 139635–139642, 2019.. Sagues-Tanco, L. Benages-Pardo, G. López-Nicolás, and S. Llorente, “Fast synthetic dataset for kitchen object segmentation in deep learning,” IEEE Access, vol. 8, pp. 220496–220506, 2020.
T. L. Subaran, T. Semiawan, N. Syakrani, and others, “Mask R-CNN and GrabCut Algorithm for an Image-based Calorie Estimation System,” J. Inf. Syst. Eng. Bus. Intell., vol. 8, no. 1, pp. 1–10, 2022.
S. Yang, J. Huang, X. Yu, and T. Yu, “Research on a Segmentation and Location Algorithm Based on Mask RCNN for Agaricus Bisporus,” in 2022 2nd International Conference on Computer Science, Electronic Information Engineering and Intelligent Control Technology (CEI), 2022, pp. 717–721.
W. Jia et al., “Accurate segmentation of green fruit based on optimized mask RCNN application in complex orchard,” Front. Plant Sci., vol. 13, 2022.
K. He, G. Gkioxari, P. Dollár, and R. Girshick, “Mask r-cnn,” in Proceedings of the IEEE international conference on computer vision, 2017, pp. 2961–2969.
A. Wicaksono, M. H. Purnomo, and E. M. Yuniarno, “Deteksi Pejalan Kaki pada Zebra Cross untuk Peringatan Dini Pengendara Mobil Menggunakan Mask R-CNN,” J. Tek. ITS, vol. 10, no. 2, pp. A503--A509, 2021.
M. Vania and D. Lee, “Intervertebral disc instance segmentation using a multistage optimization mask-RCNN (MOM-RCNN),” J. Comput. Des. Eng., vol. 8, no. 4, pp. 1023–1036, 2021.
