DETEKSI OBJEK BERBAHAYA PADA CITRA X-RAY DI BANDARA MENGGUNAKAN MODEL RETINANET BERBASIS RESNET50
Abstract
Keamanan bandara sangat bergantung pada pemeriksaan bagasi menggunakan pemindai X-ray. Namun, faktor kelelahan petugas dan tumpang tindih barang (occlusion) memunculkan risiko human error. Penelitian ini bertujuan mengimplementasikan model deteksi objek otomatis menggunakan arsitektur RetinaNet dengan tulang punggung (backbone) Resnet50 berbasis Convolutional Neural Network (CNN) untuk mengidentifikasi objek berbahaya berupa Senjata Api, Pisau, Tang, Gunting, dan Kunci Inggris pada citra X-ray koper. Dataset yang digunakan adalah kumpulan citra publik SIXray sebanyak 8.295 citra. Pelatihan model menerapkan strategi two-stage training (pembekuan backbone dan fine tuning) serta memanfaatkan Focal Loss untuk mengatasi ketidakseimbangan kelas. Hasil prediksi kemudian disaring menggunakan algoritma Non-Maximum Suppression (NMS). Hasil pengujian menunjukkan model mencapai nilai Mean Average Precision (map) sebesar 43,71% pada IoU 50%, dengan map keseluruhan 23,37% dan Recall keseluruhan 32,07%. Model mendeteksi objek besar secara optimal dengan Recall 38,27%, namun masih kesulitan pada objek berukuran kecil akibat oklusi ekstrem dengan nilai Recall 1,43%. Secara kualitatif, model berhasil mengenali pola ancaman, meski masih memunculkan tumpang tindih bounding box dan beberapa false positive pada latar belakang. Kesimpulannya, model Resnet50-RetinaNet memiliki potensi sebagai sistem pendamping otomatis di bandara, namun memerlukan penambahan sampel latar belakang dan penyesuaian parameter NMS lebih ketat untuk meningkatkan presisi.
References
Abu Ayub, G. (2021). Analisa Penggunaan Mesin X-Ray Sebagai Security System Di Bandara Internasional Husein Sastranegara. Je-Unisla, 6(2). www.jurnalteknik@unisla.ac.id/index.php/elektronika
Aprianto, K., Mahdiyah, U., & Wulanningrum, R. (2025). Analisis Perbandingan Model PSO-LSTM dan LSTM Konvensional untuk Prediksi Harga Bitcoin di Market Cryptocurrency 1*. In INOTEK (Vol. 9).
Awaludin, I., Fadhil, M., Andhika Zaini Zulfikor, M., Negeri Bandung Jl Gegerkalong Hilir, P., Parongpong, K., Bandung Barat, K., Barat, J., & Artikel, I. (2022). Analisis Kinerja ResNet-50 dalam Klasifikasi Penyakit pada Daun Kopi Robusta. JURNAL INFORMATIKA, 9(2). http://ejournal.bsi.ac.id/ejurnal/index.php/ji
Firmansyah, Z., Asmarajati, D., Hidayat, M., Hasanah, N., Alif Muwafiq Baihaqy, M., Rohman, S., Sains Al-Qur, U., & Artikel, R. (2025). INFO ARTIKEL ABSTRAK. TECHNOMEDIA : Informatics and Computer Science, 2(2), 3047–2180. https://doi.org/10.58641
Harahap, M., Laia, E. M., Sitanggang, L. S., Sinaga, M., Sihombing, D. F., & Husein, A. M. (2022). Detection of Covid-19 Disease in X-Ray Imagery With Convolutional Neural Network Approach (CNN). Jurnal RESTI, 6(1), 70–77. https://doi.org/10.29207/resti.v6i1.3373
Hartato, B. P. (2021). Penerapan Convolutional Neural Network pada Citra Rontgen Paru-Paru untuk Deteksi SARS-CoV-2. Jurnal RESTI, 5(4), 747–759. https://doi.org/10.29207/resti.v5i4.3153
Hastomo, W., & Satyo Bayangkari Karno, A. (2021). DIAGNOSA COVID-19 CHEST X-RAY DENGAN CONVOLUTION NEURAL NETWORK ARSITEKTUR RESNET-152. Jurnal Riset Inovasi Bidang Informatika Dan Pendidikan Informatika (KERNEL), 2(1), 26–33.
Herdianto, & Nasution, D. (2022). Prosiding SNASTIKOM: Seminar Nasional Teknologi Informasi & Komunikasi Paper Klasifikasi Objek Menggunakan Metode Convolutional Neural Network (CNN). SNASTIKOM.
Jinan, A., & Hayadi, B. H. (2022). Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron). In Journal of Computer and Engineering Science (Vol. 1, Number 2).
Kusumadewi, P. M., Roisah, K., Prabandari, A. P., Ranaivo, R., & Manitra, M. (2023). ANALISIS STANDAR PENERBANGAN DI INDONESIA BERDASARKAN HUKUM UDARA INTERNASIONAL. Jurnal Masalah-Masalah Hukum, 52(3), 262–261.
Liu, Y., Li, Q., Wang, K., Liu, J., He, R., Yuan, Y., & Zhang, H. (2021). Automatic Multi-Label ECG Classification with Category Imbalance and Cost-Sensitive Thresholding. Biosensors, 11, 453. https://doi.org/10.3390/bios
Marsya Aulia, D., & Dyahjatmayanti, D. (2024). Identifikasi Bahaya dan Penilaian Risiko di Area Apron Bandara Internasional Adi Soemarmo Solo. HEMAT: Journal of Humanities Education Management Accounting and Transportation, 1(2), 605–617.
Nasution, M. U., Harahap, L. S., & Syakbani, F. (2025). TINJAUAN METODE PENGOLAHAN CITRA DIGITAL UNTUK DETEKSI OBJEK OTOMATIS. Jurnal Informatika Dan Teknik Elektro Terapan, 13(3). https://doi.org/10.23960/jitet.v13i3.7135
Raghu, M., Unterthiner, T., Kornblith, S., Zhang, C., & Dosovitskiy, A. (2021). Do Vision Transformers See Like Convolutional Neural Networks? NeurIPS (Neural Information Processing Systems)).
Rahbari, M., Rahlfs, S., Jortzik, E., Bogeski, I., & Becker, K. (2017). H2O2 dynamics in the malaria parasite Plasmodium falciparum. PLoS ONE, 12(4). https://doi.org/10.1371/journal
Rahmawati, A., Yulianti, I., Nurajizah, S., Hidayatulloh, T., & Oktarini Sari, A. (2025). Analisis Performa Model ResNet-50 Pada Diagnosis Pneumonia Balita Berdasarkan Citra Radiografi Thorax. Computer Science (Co-Science), 5(1), 42–48. https://www.kaggle.com/datasets/paultimothymooney/chest-
Sanjaya, J., & Ayub, M. (2020). Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup. Jurnal Teknik Informatika Dan Sistem Informasi, 6(2). https://doi.org/10.28932/jutisi.v6i2.2688
Sumiyati, & Kifni Yudianto. (2024). Peran Pengawasan Petugas Aviation Security Dalam Mendeteksi Ancaman Barang Berbahaya Di Bandar Udara Rahadi Oesman Ketapang. Jurnal Manajemen Riset Inovasi, 2(4), 145–155. https://doi.org/10.55606/mri.v2i4.3180
Syafarina, G. A., Purnomo, I. I., & Hasbi, M. (2025). Klasifikasi Buah dan Sayuran Multi-Label Menggunakan CNN: Mengatasi Class Imbalance dengan Focal Loss. Jurnal CoSciTech (Computer Science and Information Technology), 6(3), 561–567. https://doi.org/10.37859/coscitech.v6i3.10116
Tian, H., Zheng, Y., & Jin, Z. (2020). Improved RetinaNet model for the application of small target detection in the aerial images. IOP Conference Series: Earth and Environmental Science, 585(1). https://doi.org/10.1088/1755-1315/585/1/012142
Viriyasaranon, T., Chae, S. H., & Choi, J. H. (2022). MFA-net: Object detection for complex X-ray cargo and baggage security imagery. PLoS ONE, 17(9 September). https://doi.org/10.1371/journal.pone.0272961
Yang, X., Lan, T., & Xu, Y. (2025). A Novel Dangerous Goods Detection Network Based on Multi-Layer Attention Mechanism in X-Ray Baggage Images. IEEE Access, 13, 106805–106816. https://doi.org/10.1109/ACCESS.2025.3581450
Zhu, L., Lee, F., Cai, J., Yu, H., & Chen, Q. (2022). An Improved Feature Pyramid Network for Object Detection. https://www.sciencedirect.com/science/article/pii/S0925231222001588
