Deteksi pejalan kaki (pedestrian detection) merupakan salah satu topik penting dalam computer vision yang diaplikasikan pada berbagai bidang, salah satunya adalah pengawasan visual. Namun masih terdapat beberapa permasalahan yang menjadi tantangan untuk deteksi pejalan kaki seperti keberagaman pose pejalan kaki, pejalan kaki yang terhalang oleh obyek lain, perubahan pencahayaan, bayangan, serta background yang terlalu kompleks. Permasalahan tersebut tentunya dapat mempengaruhi tingkat akurasi deteksi. Untuk itu pada penelitian ini digunakan kombinasi penentuan region dengan Randomized Prim’s (RP) dan Convolutional Neural Network (CNN). Pada deteksi pejalan kaki ini, terdapat dua tahap yang harus dilakukan. Tahap pertama adalah penentuan region proposal dengan RP. Kemudian tahap kedua adalah deteksi menggunakan CNN yang memiliki kemampuan feature learning dengan dua bagian utama yaitu, ekstraksi fitur dan klasifikasi. Pada penerapan metode RP dilakukan ujicoba terhadap tiga penentuan bobot yang berdasarkan color similarity, size similarity, dan kombinasi antara keduanya (both similarity). Setelah itu, CNN digunakan untuk melakukan ektraksi fitur sekaligus klasifikasi. Pada uji coba yang telah dilakukan dengan menggunakan dataset INRIA Person, penentuan bobot bersadarkan color similarity menghasilkan tingkat akurasi sebesar 29%, size similarity 26%, dan both similarity 30%.

Pedestrian detection is one of the important topics in computer vision that is applied to various fields, one of which is visual supervision. But there are still some problems that pose challenges for pedestrian detection, such as the diversity of pedestrian poses, pedestrians who are blocked by other objects, changes in lighting, shadows, and backgrounds that are too complex. These problems certainly can affect the accuracy of detection. For this reason, a combination of region determination with Randomized Prim (RP) and Convolutional Neural Network (CNN) was used. In this pedestrian detection, there are two steps that must be done. The first stage is the determination of region proposals with RP. Then the second stage is detection using CNN which has feature learning capabilities with two main parts, namely, feature extraction and classification. In the application of the RP method, tests were conducted on three weighting determinations based on color similarity, size similarity, and a combination of both (both similarity). After that, CNN is used to extract features and classifications. In the trial that has been done by using the INRIA Person dataset, determining the weight of the color similarity produces an accuracy rate of 29%, 26% size similarity, and both similarity 30%.