Implementasi Model U-Net Untuk Deteksi Rokok Berdasarkan Segmentasi Citra

Aktivitas merokok masih menjadi ancaman kesehatan serius dengan lebih dari 7 juta kematian per tahun akibat penggunaan produk tembakau. Metode deteksi konvensional berbasis bounding box kurang optimal untuk objek kecil dan tipis seperti rokok. Penelitian ini mengimplementasikan arsitektur U-Net dengan encoder EfficientNet-B0 untuk segmentasi citra rokok hingga tingkat piksel. Dataset terdiri dari 1.680 citra rokok yang dianotasi menggunakan Roboflow dalam format semantic segmentation mask. Model dilatih menggunakan fungsi Loss gabungan Focal Loss (0,4) dan Dice Loss (0,6) untuk mengatasi ketidakseimbangan kelas ekstrem, di mana piksel rokok hanya mencakup 0,99% dari total piksel. Pelatihan selama 112 Epoch menghasilkan model terbaik pada Epoch ke-87 dengan Dice Coefficient validasi 0,8980 dan IoU validasi 0,8184. Pengujian model dilakukan pada data uji, di mana model mampu mensegmentasi objek rokok secara presisi pada kondisi ideal. Model mengalami penurunan performa pada kondisi pencahayaan minim, jarak sangat jauh, dan latar belakang kompleks. Hasil ini membuktikan bahwa U-Net dengan combined Loss mampu mensegmentasi rokok secara presisi pada kondisi ideal dan berpotensi menjadi fondasi sistem deteksi rokok berbasis kamera secara real-time.

Kata Kunci: deep learning, deteksi rokok, segmentasi citra, segmentasi semantik, U-Net