Search for collections on Undip Repository

ANALISIS PERBANDINGAN PERFORMA PRE-TRAINED NETWORK MENGGUNAKAN MODEL MOBILENET DAN VGG-16 PADA PENGENALAN OBJEK KAPAL

Hasibuan, Tengku Kemal Yusron (2020) ANALISIS PERBANDINGAN PERFORMA PRE-TRAINED NETWORK MENGGUNAKAN MODEL MOBILENET DAN VGG-16 PADA PENGENALAN OBJEK KAPAL. Undergraduate thesis, Universitas Diponegoro.

Full text not available from this repository.

Abstract

Perkembangan teknologi telah sampai pada titik dimana kecerdasan buatan
dalam pengembangan Computer Vision sudah dapat mengkelompokan dan
mengklasifikasi sebuah data gambar. Salah satu ruang lingkup dari pembuatan
computer vision terdapat pada Pengenalan Objek Kapal yang berada di atas
permukaan air. Pentingnya penerapan hal ini berada pada sisi perairan Indonesia,
dimana wilayah perairan Indonesia meliputi ±70% dari luas total wilayah
Indonesia. Deep Neural Network Menggunakan Model Mobilenet dan VGG-16
pada Pengenalan Objek Kapal ini dibuat untuk melakukan pengolahan dataset
open source. Pengolahan dataset open source akan menggunakan pre-trained
Convolutional Neural Network (CNN) model yang terdiri dari MobileNet dan
VGG-16. Model akan dibuat menggunakan framework Keras dengan Tensorflow
backend yang berkerja di file Jupyter Notebook. Pembuatan file Jupyter Notebook
dilakukan pada Google Colaboratory yang merupakan sebuah cloud computing
dari Jupyter Anaconda. Penggunaan Google Colaboratory didasari dari
penggunaan hardware dari google yang akan memudahkan proses perancangan
model. Penelitian memperoleh hasil akurasi pengenalan objek kapal sebesar 92%
dari dataset yang tidak besar dan epoch yang kecil.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Deep Learning, Pre-trained, MobileNet, VGG-16, Keras, Tensorflow, Google Colaboratory.
Subjects: Engineering
Divisions: Faculty of Engineering > Department of Computer Engineering
Depositing User: Users 214 not found.
Date Deposited: 30 Mar 2023 03:00
Last Modified: 25 May 2023 03:52
URI: https://eprints2.undip.ac.id/id/eprint/12253

Actions (login required)

View Item View Item