DETEKSI ADEGAN MEROKOK PADA KLIP VIDEO MENGGUNAKAN DETECTION TRANSFORMER (DETR) DAN CONDITIONAL DETECTION TRANSFORMER (CONDITIONAL DETR)

Merokok merupakan ancaman kesehatan global yang signifikan,
mengakibatkan lebih dari 8 juta kematian per tahun, dengan 1,3 juta merupakan
perokok pasif. Pada tahun 2020, 22,3% dari populasi dunia dilaporkan sebagai
perokok. Laporan WHO 2023 mengidentifikasi merokok sebagai penyebab utama
kematian dan faktor risiko tertinggi kedua. Sementara peraturan pemerintah telah
diterapkan, saat ini tidak ada peraturan yang mengatur pemberian efek blur adegan
merokok di platform streaming video. Studi ini bertujuan untuk menciptakan solusi
otomatis untuk mendeteksi dan menerapkan efek gaussian blur pada adegan
merokok dalam video. Solusi ini menggunakan dua arsitektur deteksi objek,
Detection Transformer (DETR) dan Conditional Detection Transformer
(Conditional DETR), dengan backbone ResNet-50. Gaussian blur diterapkan pada
adegan merokok. Evaluasi menggunakan metrik Average Precision (AP) pada
dataset 4000, 3000, dan 2000 data. Hasilnya menunjukkan bahwa model DETR
dengan 4000 data menampilkan AP tertinggi 58.5 dan unggul dalam berbagai
metrik lainnya. Sebaliknya, Conditional DETR menunjukkan kinerja terbaik
dengan AP 55.0 pada 3000 titik data. Pengujian pada video mengungkapkan bahwa
DETR umumnya lebih efisien dalam hal pelatihan dan waktu komputasi, terutama
dengan dataset yang lebih besar. Rata-rata waktu proses video untuk DETR adalah
56,8 detik, sedikit lebih cepat dari Conditional DETR yaitu 59,2 detik. Hasil ini
menunjukkan bahwa DETR unggul dalam kecepatan dan akurasi deteksi, terutama
dengan dataset yang lebih besar. Rekomendasi penelitian masa depan termasuk
penggunaan model segmentasi gambar untuk meningkatkan akurasi deteksi dengan
menyesuaikan bentuk dan ukuran objek dengan tepat.
Kata kunci: Deteksi Objek, Deteksi Adegan Merokok, Gaussian blur, Deep
Learning, DETR, Conditional DETR, Reduksi Data, Average Precision.