Please use this identifier to cite or link to this item:
http://repository.ipb.ac.id/handle/123456789/111945
Title: | Penerapan Klasifikasi Citra Multi-Kelas dengan Arsitektur Convolutional Neural Network dalam Gamifikasi Sistem Deteksi Objek |
Other Titles: | Application of Multi-Class Image Classification with Convolutional Neural Network Architecture in Gamification of Object Detection Systems |
Authors: | Sartono, Bagus Anisa, Rahma Nasution, Agus Hendra |
Issue Date: | 2022 |
Publisher: | IPB University |
Abstract: | Pandemi Covid-19 memaksa hampir seluruh aktivitas dilakukan dari rumah. Salah satu contoh kegiatan yang dilaksanakan dari rumah adalah sekolah yang dilaksanakan secara online atau dalam jaringan (daring). Pelaksanaan pembelajaran jarak jauh membuat anak-anak lebih sering menggunakan gawai, khususnya smartphone. Meningkatnya intensitas penggunaan smartphone pada anak diiringi dengan meningkatnya kekhawatiran yang dirasakan oleh orang tua. Kurangnya pendampingan dari orang tua ketika anak menggunakan smartphone dapat diminimumkan dampaknya dengan melakukan pengawasan terhadap aplikasi- aplikasi yang dipasang pada smartphone anak. Oleh karena itu, dibutuhkan aplikasi yang bermanfaat dan memberikan edukasi kepada anak sehingga dapat menjadi aplikasi pilihan orang tua untuk anak. Salah satu contohnya adalah aplikasi yang dapat mengenali benda-benda di sekitar, baik dalam bahasa Indonesia maupun bahasa Inggris. Pembuatan aplikasi tersebut membutuhkan model machine learning untuk mengenali dan mengklasifikasikan benda-benda. Oleh sebab itu, penelitian ini dilakukan untuk membangun sebuah model klasifikasi menggunakan convolutional neural network (CNN) yang yang mengekstrak informasi dari gambar dan menentukan klasifikasi dari gambar berupa skor klasifikasi. Proses pelatihan model CNN dilakukan menggunakan gugus data yang disediakan oleh Kaggle sebanyak 1.000 kelas dan 1.000.000 data citra. Validasi model yang digunakan adalah akurasi dan loss untuk membandingkan model mana yang memiliki nilai yang terbaik. Hasil penelitian ini menunjukkan bahwa model CNN memiliki rata- rata akurasi sebesar 92% dan nilai fungsi kerugian sebesar 0,7207. Setelah dilakukan hypertunning parameter dengan arsitektur VGG16, evaluasi rata rata akurasi sebesar 98% dan nilai fungsi kerugian sebesar 0,1156. Sehingga dapat disimpulkan bahwa metode CNN pada penelitian ini mampu melakukan klasifikasi dengan baik. |
URI: | http://repository.ipb.ac.id/handle/123456789/111945 |
Appears in Collections: | UT - Statistics and Data Sciences |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
G14170052_Agus Hendra Nasution.pdf Restricted Access | Full Text | 772.04 kB | Adobe PDF | View/Open |
Cover.pdf Restricted Access | Cover | 482.78 kB | Adobe PDF | View/Open |
Lampiran.pdf Restricted Access | Lampiran | 490.56 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.