Reidentifikasi Orang Pada Citra UAV (Unmanned Aerial Vehicle) Menggunakan Metode Classifier Transformer

Natalia, Chesia Grace (2023) Reidentifikasi Orang Pada Citra UAV (Unmanned Aerial Vehicle) Menggunakan Metode Classifier Transformer. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000056-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 3 October 2025. Download (8MB) | Request a copy

Abstract

Tindak kejahatan merupakan segala tindakan yang merugikan orang lain baik disengaja maupun tidak disengaja, baik telah terjadi maupun baru percobaan. Maraknya tindak kejahatan ini tidak dapat dihindari oleh setiap orang. Namun seiring berkembangnya teknologi banyak penemuan-penemuan yang dapat membantu pekerjaan manusia sehingga lebih mudah dilakukan. Salah satu perkembangan teknologi yang sedang ramai adalah pendeteksian dan reidentifikasi yang dapat dilakukan dengan memanfaatkan artificial intelligence. Reidentifikasi seseorang dapat didefinisikan sebagai masalah pencocokan orang di seluruh tampilan kamera baik dari kamera yang sama dalam waktu yang berbeda maupun kamera yang terpisah dalam sistem multi kamera. Reidentifikasi berguna sebagai aplikasi keamanan publik dengan sistem pengawasan kamera cerdas. Pada bidang pengawasan visual, UAV (Unmanned Aerial Vehicle) juga menjadi salah satu platform yang berkembang dan menjadi sesuatu yang diperlukan. UAV yang dilengkapi dengan kamera presisi tinggi dapat bernavigasi di sekitar area bencana, mengambil gambar, dan memungkinkan anggota kru melakukan analisis gambar dan struktur. Penelitian ini dilakukan dengan pemanfaatan dataset dari UAV dan dibuat dengan menggunakan metode classifier transformer yaitu Swin Transformer versi satu dan dua yang merupakan arsitektur terbaru berbasis classifier transformer. Dilakukan training dengan dua variasi pengujian yaitu tanpa modifikasi hyperparameter dan modifikasi hyperparameter. Hasil paling tinggi didapatkan dengan menggunakan arsitektur Swin Transformer V2 variasi yang memodifikasi hyperparameter dengan rata-rata rank@1 dan mAP sebesar 58.26% dan 47.26%. Pada pengujiannya model dengan arsitektur Swin Transformer V2 lebih baik dibanding Swin Transformer V1 serta didapatkan bahwa pada penelitian ini penggunaan metode classifier transformer memiliki performa yang lebih baik daripada metode sebelumnya yaitu CNN dalam melakukan reidentifikasi orang. Harapannya penelitian ini dapat dikembangkan menjadi sistem yang lebih kompleks dan dapat membantu aparat penegak hukum untuk meningkatkan efisiensi sistem khususnya dalam pencarian seseorang.
==============================================================================================================================
Crime is any action that harms others, whether intentional or unintentional, whether it has occurred or is just an attempt. The prevalence of these criminal activities is inevitable for everyone. However, as technology advances, many discoveries have been made to assist human work, making it easier to accomplish tasks. One of the current technological advancements is detection and reidentification, which can be achieved using artificial intelligence. Person reidentification can be defined as the problem of matching people across different camera views, either from the same camera at different times or from separate cameras within a multi-camera system. Person reidentification is useful in applications such as public security with intelligent camera surveillance systems. In the field of visual surveillance, Unmanned Aerial Vehicles (UAVs) have also emerged as a necessary and evolving platform. UAVs equipped with high-precision cameras can navigate disaster areas, capture images, and enable crew members to perform image and structural analysis.
This research utilizes a dataset from UAVs and employs the classifier transformer method, specifically the Swin Transformer version one and two, which are the latest transformer-based classifier architectures. The models undergo training with two variations: one without hyperparameter modifications and another with hyperparameter modifications. The highest results are achieved using the Swin Transformer V2 architecture with hyperparameter modifications, yielding an average rank@1 and mAP of 58.26% and 47.26% respectively. The evaluation demonstrates that the Swin Transformer V2 model outperforms the Swin Transformer V1 model, and it is observed that the use of the classifier transformer method in this study exhibits better performance compared to the previous method, namely Convolutional Neural Network (CNN), in reidentifying individuals. The hope is that this research can be further developed into a more complex system and assist law enforcement agencies in improving the efficiency of their systems, particularly in person search operations.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Reidentifikasi, UAV, Classifier Transformer, Reidentification
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Chesia Grace Natalia
Date Deposited:	01 Aug 2023 07:23
Last Modified:	01 Aug 2023 07:23
URI:	http://repository.its.ac.id/id/eprint/101061

Actions (login required)

View Item