Meskipun perang antar negara jarang terjadi selama beberapa decade terakhir, namun banyak negara masih memprioritaskan kesiapan untuk perang terbuka. Oleh karena itu, fokus perencanaan pertahanan lebih ditekankan pada bagaimana menghadapi perang konvensional. Dalam perang konvensional, perlu dipastikan keberadaan manusia di sekitarnya, dengan memeriksa dan mengklasifikasikan apakah manusia itu kombatan, non kombatan, sipil, musuh atau teman. Hal ini penting sebagai langkah antisipatif bagi keamanan dan pertahanan kawasan. Dalam kondisi tertentu, penentuan identifikasi dan klasifikasi manusia hanya dapat dilakukan dengan menggunakan indera penglihatan manusia. Penelitian ini membahas bagaimana program aplikasi yang digabungkan dengan kamera dapat mengidentifikasi dan mengklasifikasikan keberadaan manusia menggantikan fungsi mata.
Aplikasi di bidang militer banyak digunakan baik pada komunikasi maupun deteksi. Para peneliti memecahkan masalah deteksi objek di militer dengan cara yang berbeda. Beberapa di antaranya menggunakan pencitraan hiperspektral dan penginderaan jauh, sensor terdistribusi dan video pengawasan real-time. Deep learning untuk deteksi objek militer menggunakan video pengawasan juga digunakan pada pemasangan senjata.
Dalam penelitian ini, diperkenalkan suatu loss function baru yang diberi nama Electrostatic Loss, yang dimodifikasi berdasarkan analisis algoritma Triplet Loss dihubungkan dengan Fisika partikel bermuatan berdasarkan Hukum Coulomb yang dikenal dengan Gaya Elektrostatik. Dalam pembahasannya Triplet Loss memiliki input berupa image triplet yang terdiri dari sebuah image acuan/anchor (xa), sebuah image positif (xp), dan sebuah image negatif (xn). Jarak antara anchor dan positif akan di minimalkan karena memiliki kesamaan identitas sedangkan jarak antara anchor dan negatif akan di maksimalkan karena memiliki perbedaan identitas. Pada pembahasan tersebut diketahui bahwa xn akan dijauhkan dari xa namun tidak menjauhkan keduanya (xa dan xp), tidak membahas seberapa dekat xa dan xp sehingga bisa dimungkinkan menciptakan cluster dimana jarak intra class menjadi besar, dan tidak menentukan besar serta arah perpindahan xn sehingga kondisi konvergen akan lebih sulit tercapai. Oleh karena itu diusulkan suatu algoritma baru Electrostatic Loss yang diketahui dengan data set yg digunakan terlihat Electrostatic Loss memberikan hasil yang lebih baik.
Dalam pembahasan Electrostatic Loss, diberikan sumbangan pemikiran terhadap beberapa permasalahan tersebut dengan melakukan pendekatan peristiwa adanya gaya Electrostatic pada partikel bermuatan seperti dijelaskan dalam hukum Coulomb. Dengan arsitektur jaringan Inception ResNet-v2 128- Dimensional vectors, ditraning menggunakan Elektrostatik Loss sistem mampu menghasilkan nilai akurasi = 0.994681, mAp = 0.994385, R-precesion = 0.992908, AMI = 0.964917, dan NMI = 0.965031.
Penulis: Dr. Khusnul Ain, S.T, M.Si.
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Suprayitno, Willy Achmat Fauzi, Khusnul Ain, Moh. Yasin, œReal-time military person detection and classification system using deep metric learning with electrostatic lossœ, Bulletin of Electrical Engineering and Informatics, Vol. 12, No. 1, February 2023, pp. 338~354, ISSN: 2302-9285, DOI: 10.11591/eei.v12i1.4284.
