RAHMANDA, Atika Resti (2024) Implementasi Convolutional Neural Network (CNN) dengan Arsitektur Resnet 50 Untuk Klasifikasi Pejalan Kaki. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (136kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (195kB)
	Text 4. KATA PENGANTAR.pdf Download (67kB)
	Text 6. ABSTRAK.pdf Download (69kB)
	Text 7. ABSTRACT.pdf Download (52kB)
	Text 8. DAFTAR ISI.pdf Download (81kB)
	Text 11. BAB 1.pdf Download (105kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (115kB)

Abstract

Tingkat kecelakaan pada pejalan kaki di Indonesia sangat tinggi. Dalam rentang januari
hingga agustus 2023, di Indonesia telah terjadi 10.428 kecelakaan lalu lintas yang
menyebabkan pejalan kaki menjadi korban. Untuk meminimalisir angka kecelakaan pada
pejalan kaki, teknologi informasi dapat diimplementasikan untuk mengklasifikasikan
keberadaan pejalan kaki lebih dini. Untuk itu, pada penelitian ini dilakukan klasifikasi
pejalan kaki menggunakan convolutional neural network (CNN) dengan arsitektur ResNet
50. Dataset yang digunakan untuk membangun model pada penelitian ini adalah dataset
inria person ditambah dataset PennFudanPed yang dijadikan kelas pedestrian dan dataset
inria holiday yang dijadikan kelas no pedestrian agar perbandingan gambar seimbang.
Model terbaik diperoleh dengan akurasi 99,14% dengan nilai hyperparameter batch size
sebesar 8, learning rate sebesar 0,0001 dan dropout sebesar 0,5. Setelah dilakukan
pengujian dengan menggunakan data uji diperoleh nilai akurasi sebesar 99,5%
Kata kunci : Pejalan Kaki, Citra, Inria, PennFudanPed, Convolutional Neural Network ,
Resnet 50

Actions (login required)

View Item