Deteksi Senjata Genggam Menggunakan Faster R-CNN Inception V2

Abstract

Senjata genggam kelas pisau sering digunakan dalam kegiatan kriminal di Indonesia. Sering kali objek pisau yang terekam sulit terlihat dengan mata telanjang. Proses deteksi senjata genggam kelas pisau bisa dibantu dengan pengolahan citra menggunakan Deep Learning. Penelitian ini bertujuan untuk mengaplikasikan konsep Deep Learning dan Tensorflow Object Detection untuk melatih model Faster R-CNN Inception V2 untuk bisa mendeteksi senjata genggamgambar kelas pisau dalam citra digital. Dalam penelitian ini, model yang terlatih bisa menandai benda yang diduga sebagai senjata genggam kelas pisau dalam gambar dengan kotak penanda. Model yang dibuat dari penelitian ini dilatih dengan kumpulan dataset berisi gambar senjata genggam kelas pisau, dataset didapat dan terdiri dari rekaman bela diri pisau dan kumpulan pisau dengan bentuk dan warna yang beragam. Penelitian ini meneliti akurasi model Faster R-CNN Inception V2 yang dilatih dalam mendeteksi senjata genggam kelas pisau. Hasil akhir dari proses pengembangan model Faster R-CNN Inception V2 ini adalah model yang berhasil mendeteksi senjata genggam kelas pisau dengan akurasi sebanyak 87%, hasil akurasi didapatkan dari pengujian terhadap 475 gambar digital yang dilakukan di Google Colab.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).