Anda belum Log-in!
Silahkan Log in
Selamat Datang di Portal Digital Content Publisher
Sabtu , 07 June 2025
Perpustakaan sebagai jantung pendidikan tinggi di Indonesia, harus mampu memberi kontribusi yang berarti bagi pelaksanaan proses belajar mengajar di perguruan tinggi.
di-posting oleh 140411100037 pada 2018-02-21 11:14:22 • 203 klik
Pengenalan Obyek Berbasis Deep Learning Dengan Menggunakan Convolutional Neural Network
Deep Learning Based for Object Recognition Using Convolutional Neural Network
disusun oleh WIRAT MOKO HADI.S
| Subyek: | Pengenalan Citra Kecerdasan Komputasional |
| Kata Kunci: | Pengenalan Citra Convolutional Neural Network CIFAR10 Theano Python Deep Learning |
[ Anotasi Abstrak ]
Bagi manusia, pengenalan obyek pada citra merupakan hal yang sangat mudah. Akan tetapi, untuk pengenalan obyek citra menggunakan mesin, tidaklah mudah. Mesin harus membaca setiap nilai pixel dari citra masukan dan menghasilkan sebuah nilai untuk menentukan kelas citra tersebut. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk pengenalan obyek pada citra. Metode ini tidak memerlukan feature engineering. Pada CNN terdapat beberapa layer seperti, Convolution Layer, Pooling Layer dan Fully Connected. Dataset yang digunakan untuk pelatihan adalah dataset citra CIFAR10. Dataset CIFAR10 memiliki citra sebanyak 60000 terdiri dari 10 kelas. Untuk mempermudah pembuatan aplikasi menggunakan framework deep learning theano. Penelitian bertujuan untuk mengetahui dampak dari ukuran filter dan kedalaman layer pada CNN. Hasil yang didapat pada penelitian ini adalah dengan ukuran filter lebih besar, dapat menambah tingkat akurasi. Akurasi tertinggi untuk penelitian ini adalah 62.23%.
Deskripsi Lain
For people, object recognition on image is easy. But, object recognition for machine its not easy. Machine have to read each pixel value from the input image and generate a value to decide image category. This research using convolutional neural network (CNN) for object recognition on image object. CNN does not require features engineering. CNN composed by several layers like, Covolution Layer, Pooling Layer and Fully Connected Layer. CIFAR10 was used for dataset in training process. CIFAR10 dataset has 60000 images consist 10 classes. To simplify on build the application we use deep learning framework named theano. Goal of the research to determine the impact of filter size and layer depth on CNN. The result in this research is larger filter size can increase the level of accuracy. Highest accuracy in this research is 63.23%.
| Kontributor | : Dr. Arif Muntasa, S.Si., M.T; Dr. Indah Agustien Siradjuddin, S.Kom., M.Kom |
| Tanggal tercipta | : 2018-02-01 |
| Jenis(Tipe) | : Text |
| Bentuk(Format) | |
| Bahasa | : Indonesia |
| Pengenal(Identifier) | : TRUNOJOYO-Tugas Akhir-12815 |
| No Koleksi | : 140411100037 |
Ketentuan (Rights) :
2018
Download File Penyerta (khusus anggota terdaftar)
1. TRUNOJOYO-Tugas Akhir-12815-140411100037_Cover.pdf - 774 KB 2. TRUNOJOYO-Tugas Akhir-12815-140411100037_Abstract.pdf - 88 KB 3. TRUNOJOYO-Tugas Akhir-12815-140411100037_Chapter1.pdf - 116 KB 4. TRUNOJOYO-Tugas Akhir-12815-140411100037_Chapter2.pdf - 462 KB 5. TRUNOJOYO-Tugas Akhir-12815-140411100037_Chapter3.pdf - 253 KB 6. TRUNOJOYO-Tugas Akhir-12815-140411100037_Chapter4.pdf - 773 KB 7. TRUNOJOYO-Tugas Akhir-12815-140411100037_Conclusion.pdf - 84 KB 8. TRUNOJOYO-Tugas Akhir-12815-140411100037_References.pdf - 90 KB 9. TRUNOJOYO-Tugas Akhir-12815-140411100037_Appedices.pdf - 68 KB
Dokumen sejenis...Tidak ada !
Dokumen yang bertautan...- EKSTRAKSI FITUR PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK PENGENALAN HURUF ABJAD BAHASA ISYARAT PADA SISTEM ISYARAT BAHASA INDONESIA (SIBI)
- SISTEM ABSENSI KARYAWAN DENGAN FACE RECOGNITION MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
- Pengenalan Obyek Berbasis Deep Learning Dengan Menggunakan Convolutional Neural Network
- Pengenalan Wajah Menggunakan Metode Preprocessing Image Fusion dan Ekstraksi Fitur Modified Two Dimensional Linear Discriminant Analysis
- IMPLEMENTASI SELEKSI FITUR INFORMATION GAIN DAN KLASIFIKASI REGRESI LOGISTIK UNTUK DIAGNOSA PENDERITA GINJAL KRONIS
Kembali ke Daftar