Model Deep Learning Untuk Klasifikasi Objek Pada Gambar Fisheye
Pengenalan suatu objek secara otomatis adalah suatu pekerjaan yang sangat penting seperti halnya untuk mengidentifikasi sebuah objek tertentu. Jika hal ini dilakukan oleh manusia maka akan sulit untuk mendapatkan hasil yang baik dengan konsisten, oleh sebab itu digunakan komputer. Komputer dapat me...
Saved in:
| Main Authors: | , , , , , , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2024-07-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8047 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823858606828683264 |
|---|---|
| author | Riza Ayu Putri Arief Suryadi Satyawan Johanes Adi Prihantono Rinda Safana Linggi I Gusti Ayu Putri Surya Paramita Ni Kadek Emy Iswarawati Fabian Akbar Prio Adjie Utomo |
| author_facet | Riza Ayu Putri Arief Suryadi Satyawan Johanes Adi Prihantono Rinda Safana Linggi I Gusti Ayu Putri Surya Paramita Ni Kadek Emy Iswarawati Fabian Akbar Prio Adjie Utomo |
| author_sort | Riza Ayu Putri |
| collection | DOAJ |
| description |
Pengenalan suatu objek secara otomatis adalah suatu pekerjaan yang sangat penting seperti halnya untuk mengidentifikasi sebuah objek tertentu. Jika hal ini dilakukan oleh manusia maka akan sulit untuk mendapatkan hasil yang baik dengan konsisten, oleh sebab itu digunakan komputer. Komputer dapat mengenali objek selayaknya kemampuan manusia dalam mengenali objek, dengan cara mengamati gambar yang diperoleh dari kamera, dan menerapkan metode pengenalan pada gambar tersebut. Pada penelitian ini metode pengenalan objek akan dikembangkan dengan menggunakan kamera fisheye yang memiliki luas tangkap empat kali kamera konvensional. Metode pengenalan objek yang digunakan yaitu deep learning dengan arsitektur CNN (Convolution Neural Network). CNN memiliki kemampuan untuk mengenali objek dalam gambar. Model CNN yang digunakan terdiri dari 1 layer, 2 layer, 3 layer, dan 7 layer. Sedangkan untuk melatih dan memvalidasi model tersebut digunakan 900 gambar dataset. Hasil pengujian pada penelitian Skripsi ini menunjukan bahwa pada 7 layer CNN menghasilkan nilai presisi, recall dan akurasi tertinggi dengan komposisi nilai presisi 98,56%, recall 98,5% dan akurasi 98,59%. Nilai tersebut menunjukan bahwa hasil klasifikasi terhadap ketiga klasifikasi objek gambar manusia pada gambar fisheye dapat dilakukan dengan sangat baik.
|
| format | Article |
| id | doaj-art-26a475a1c890458e9da679951023d749 |
| institution | Kabale University |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| publishDate | 2024-07-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj-art-26a475a1c890458e9da679951023d7492025-02-11T10:38:07ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792024-07-0111310.25126/jtiik.938047Model Deep Learning Untuk Klasifikasi Objek Pada Gambar FisheyeRiza Ayu Putri0Arief Suryadi Satyawan1Johanes Adi Prihantono2Rinda Safana Linggi3I Gusti Ayu Putri Surya Paramita4Ni Kadek Emy Iswarawati5Fabian Akbar6Prio Adjie Utomo7Universitas Nurtanio, BandungUniversitas Nurtanio, BandungUniversitas Nurtanio, BandungUniversitas Nurtanio, BandungUniversitas Nurtanio, BandungUniversitas Nurtanio, BandungUniversitas Nurtanio, BandungUniversitas Nurtanio, Bandung Pengenalan suatu objek secara otomatis adalah suatu pekerjaan yang sangat penting seperti halnya untuk mengidentifikasi sebuah objek tertentu. Jika hal ini dilakukan oleh manusia maka akan sulit untuk mendapatkan hasil yang baik dengan konsisten, oleh sebab itu digunakan komputer. Komputer dapat mengenali objek selayaknya kemampuan manusia dalam mengenali objek, dengan cara mengamati gambar yang diperoleh dari kamera, dan menerapkan metode pengenalan pada gambar tersebut. Pada penelitian ini metode pengenalan objek akan dikembangkan dengan menggunakan kamera fisheye yang memiliki luas tangkap empat kali kamera konvensional. Metode pengenalan objek yang digunakan yaitu deep learning dengan arsitektur CNN (Convolution Neural Network). CNN memiliki kemampuan untuk mengenali objek dalam gambar. Model CNN yang digunakan terdiri dari 1 layer, 2 layer, 3 layer, dan 7 layer. Sedangkan untuk melatih dan memvalidasi model tersebut digunakan 900 gambar dataset. Hasil pengujian pada penelitian Skripsi ini menunjukan bahwa pada 7 layer CNN menghasilkan nilai presisi, recall dan akurasi tertinggi dengan komposisi nilai presisi 98,56%, recall 98,5% dan akurasi 98,59%. Nilai tersebut menunjukan bahwa hasil klasifikasi terhadap ketiga klasifikasi objek gambar manusia pada gambar fisheye dapat dilakukan dengan sangat baik. https://jtiik.ub.ac.id/index.php/jtiik/article/view/8047Deep LearningConvolution Neural NetworkLayerFisheye |
| spellingShingle | Riza Ayu Putri Arief Suryadi Satyawan Johanes Adi Prihantono Rinda Safana Linggi I Gusti Ayu Putri Surya Paramita Ni Kadek Emy Iswarawati Fabian Akbar Prio Adjie Utomo Model Deep Learning Untuk Klasifikasi Objek Pada Gambar Fisheye Jurnal Teknologi Informasi dan Ilmu Komputer Deep Learning Convolution Neural Network Layer Fisheye |
| title | Model Deep Learning Untuk Klasifikasi Objek Pada Gambar Fisheye |
| title_full | Model Deep Learning Untuk Klasifikasi Objek Pada Gambar Fisheye |
| title_fullStr | Model Deep Learning Untuk Klasifikasi Objek Pada Gambar Fisheye |
| title_full_unstemmed | Model Deep Learning Untuk Klasifikasi Objek Pada Gambar Fisheye |
| title_short | Model Deep Learning Untuk Klasifikasi Objek Pada Gambar Fisheye |
| title_sort | model deep learning untuk klasifikasi objek pada gambar fisheye |
| topic | Deep Learning Convolution Neural Network Layer Fisheye |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8047 |
| work_keys_str_mv | AT rizaayuputri modeldeeplearninguntukklasifikasiobjekpadagambarfisheye AT ariefsuryadisatyawan modeldeeplearninguntukklasifikasiobjekpadagambarfisheye AT johanesadiprihantono modeldeeplearninguntukklasifikasiobjekpadagambarfisheye AT rindasafanalinggi modeldeeplearninguntukklasifikasiobjekpadagambarfisheye AT igustiayuputrisuryaparamita modeldeeplearninguntukklasifikasiobjekpadagambarfisheye AT nikadekemyiswarawati modeldeeplearninguntukklasifikasiobjekpadagambarfisheye AT fabianakbar modeldeeplearninguntukklasifikasiobjekpadagambarfisheye AT prioadjieutomo modeldeeplearninguntukklasifikasiobjekpadagambarfisheye |