Implementasi Deteksi Pelanggaran Berdasarkan Pedoman Perilaku Penyiaran dan Standar Program Siaran (P3SPS) pada Konten Video Penyiaran

Widyadhana, Dyandra Paramitha (2023) Implementasi Deteksi Pelanggaran Berdasarkan Pedoman Perilaku Penyiaran dan Standar Program Siaran (P3SPS) pada Konten Video Penyiaran. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000119-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (7MB) | Request a copy

Abstract

Konsumsi media yang meningkat membuat pemerintah berupaya untuk melindungi masyarakat dengan cara memberikan wewenang pada Komisi Penyiaran Daerah (KPID) pada level pusat dan daerah untuk mengatur penyebaran media berdasarkan Undang-undang Nomor 32 Tahun 2002. Salah satu cara untuk mengatur penyebaran media yaitu dengan menetapkan Pedoman Perilaku Penyiaran dan Standar Program (P3SPS). P3SPS mengklasifikasikan pelanggaran menjadi SARA, SARU, SADIS, SIHIR, dan Siaran Partisipan & Ilegal. Setelah melakukan observasi pada KPID Jawa Timur, diketahui adanya keterbatasan alat dan sumber daya untuk membantu pemantauan dengan pemantauan yang dilakukan secara manual. Tugas akhir ini mengimplementasikan metode untuk melakukan deteksi pelanggaran sehingga dapat membantu KPID Jawa Timur dalam mengatasi permasalahan yang dihadapi. Model SARA menggunakan konversi speech to text pada Google Cloud Speech API, sedangkan model SARU, SADIS, dan SIHIR menggunakan Tensorflow Object Detection beserta pre-trained model yang dilatih dengan arsitektur ResNet-152 Faster R-CNN. Faster R-CNN merupakan algoritma deteksi objek end-to-end yang memanfaatkan dua komponen utama yaitu Region Proposal Network (RPN) dan jaringan Fast R-CNN untuk melakukan klasifikasi pada proposal. Penggunaan RPN yang dihasilkan dari jaringan konvolusional CNN dapat mempercepat deteksi yang dilakukan, dan dapat menggunakan berbagai CNN seperti ResNet maupun VGG. Dataset dipetakan sesuai dengan P3SPS dan dikumpulkan melalui tahapan scraping dan anotasi manual. Uji coba dilakukan dalam 4 skenario model untuk SARU, SADIS, dan SIHIR yaitu konfigurasi default, penerapan augmentasi data, penerapan learning rate rendah, dan gabungan antara penerapan augmentasi dan learning rate rendah. Metrik yang digunakan dalam evaluasi yaitu mean Average Precision (mAP) dan Average Recall (AR). Dari ketiga jenis pasal pada P3SPS, model yang memiliki performa terbaik yaitu model yang telah mengalami pengurangan learning rate yaitu 0,001. Model SARU terbaik memiliki nilai mAP 0,325 dan AR 0,5033 dengan juga menggunakan augmentasi data, model SADIS dengan nilai mAP 0,2877 dan AR 0,5507, model SIHIR dengan nilai mAP 0,3563 dan AR 0,5516. Adanya modifikasi pada learning rate dapat menyebabkan pelatihan yang lebih stabil dan data augmentasi yang membantu memodifikasi hubungan spasial dan tampilan objek dalam gambar, yang dapat memengaruhi fitur yang diekstraksi.
===============================================================================================================================
The increase in media consumption has made the government try to protect the public by giving authority to the Indonesian Broadcasting Commission (KPI) at the central and regional levels to regulate media distribution based on Law Number 32 of 2002. One way to regulate media distribution is to stipulate Pedoman Perilaku Penyiaran dan Standar Program Siaran (P3SPS). P3SPS classifies violations into SARA, SARU, SADIS, SIHIR, and Participant & Illegal Broadcasts. After observing the East Java KPID, it was discovered that there were limited tools and resources to assist monitoring with manual monitoring. This final project implements a method for detecting violations so that it can assist the East Java KPID in overcoming the problems it faces. The SARA model uses speech to text conversion on the Google Cloud Speech API, while the SARU, SADIS, and SIHIR models use Tensorflow Object Detection along with pre-trained models trained on the ResNet-152 Faster R-CNN architecture. Faster R-CNN is an end-to-end object detection algorithm that utilizes two main components, namely the Region Proposal Network (RPN) and the Fast R-CNN network to classify proposals. The use of RPNs generated from CNN convolutional networks can speed up the detection carried out, and can use various CNNs such as ResNet and VGG. The dataset is mapped according to P3SPS and collected through manual scraping and annotation stages. The trials were carried out in 4 model scenarios for SARU, SADIS, and SIHIR, namely default configuration, data augmentation application, low learning rate application, and a combination of augmentation application and low learning rate. The metrics used in the evaluation are mean Average Precision (mAP) and Average Recall (AR). The models that have the best performance are the models that have reduced learning rates of 0,001. The best SARU model had a mAP value of 0,325 and AR 0,5033 using data augmentation, the SADIS model had a mAP value of 0,2877 and AR 0,5507, the SIHIR model had a mAP value of 0,3563 and AR 0,5516. Modifying the learning rate can lead to more stable training and data augmentation which helps modify the spatial relationships and appearance of objects in an image, which can affect the features extracted.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Implementasi deteksi pelanggaran, model deteksi objek, Faster R-CNN, Violation detection implementation, object detection model, Faster R-CNN
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Dyandra Paramitha Widyadhana
Date Deposited:	28 Aug 2023 01:56
Last Modified:	28 Aug 2023 01:56
URI:	http://repository.its.ac.id/id/eprint/101917

Actions (login required)

View Item