Kustyawan, Aulya Yarzuki (2021) Penghitung Kemasan Pada Area Pengemasan Tepung Menggunakan Convolutional Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
Buku Proyek Akhir_Aulya Y_10311710000087.pdf - Accepted Version Download (3MB) | Preview |
Abstract
Deep Learning adalah suatu bidang keilmuan dalam bidang Machine Learning yang akhir-akhir ini berkembang. Implementasi dari salah satu metode Deep Learning yang dapat digunakan untuk deteksi objek dari citra yaitu Convolutional Neural Network (CNN). Salah satu metode untuk membuat deteksi objek adalah menggunakan salah satu arsitektur CNN yaitu model SSD-Mobilenet V2. Model tersebut dapat melakukan deteksi objek dengan menghasilkan akurasi dan area terdeteksi untuk keberadaan kategori objek pada suatu gambar. Oleh karena itu, penelitian ini akan membuat aplikasi penghitung objek dengan memanfaatkan metode tersebut. Aplikasi diharapkan dapat melakukan deteksi dan mengukur akurasi objek yaitu kemasan tepung secara real-time kemudian dari deteksi tersebut akan dilakukan perhitungan kemasan tepung berdasarkan kategori produknya dan setelah dilakukan perhitungan kumulatif akan tercata pada berkas berformat .csv. Sebelum model dapat menghitung kemasan tepung, terlebih dahulu dilakukan praproses dengan pengumpulan data citra, anotasi data citra, augmentasi data, dan konfigurasi parameter pelatihan model. Selanjutnya dilakukan pelatihan model menggunakan SSD-MobileNet V2. Terakhir adalah pengujian deteksi objek dan perhitungan kemasan tepung dari hasil pendeteksian objek ini maka akan dihitung kemasan tepung yang telah terdeteksi. Hasil uji coba dari deteksi objek dengan perhitungan metrik evaluasi yang diuji dengan intensitas cahaya berbeda pada pengujian ini deteksi dan perhitungan objek kemasan tepung menghasilkan nilai akurasi mencapai 83% sampai 90%.
====================================================================================================
Deep Learning is a scientific field in the field of Machine Learning that has recently developed. The implementation one of the Deep Learning methods that can be used for object detection from images is the Convolutional Neural Network (CNN). One method to make object detection is to use one of the CNN architectures, namely the SSD-Mobilenet V2 model. The model can detect objects by producing confidence score and detectable areas for the presence of object categories in an image. Therefore, this study will create an object counter application by utilizing this method. The application is expected to be able to detect and measure the accuracy of objects, namely flour packaging in real-time, then from this detection a flour packaging calculation will be carried out based on the product category and after the cumulative calculation is carried out it will be recorded in a .csv format file. Before the model can detect and calculate the flour package, pre-processing is done with image data collection, image data annotation, data augmentation, and configuration of model training parameters. Furthermore, model training was carried out using SSD-MobileNet V2. The last is the object detection test and flour packaging calculation. From the results of this object detection, the detected flour packaging will be calculated. The test results of object detection with evaluation metrics calculations were tested with different light intensities. In this test, the detection and calculation of flour packaging objects resulted in an accuracy value of 83% to 90%.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Kemasan Tepung, Deteksi Objek, Penghitung Objek, Convolutional Neural Network, SSD-MobileNetV2. |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T174 Technological forecasting T Technology > TS Manufactures T Technology > TS Manufactures > TS156 Quality Control. QFD. Taguchi methods (Quality control) |
| Divisions: | Faculty of Vocational > 36304-Automation Electronic Engineering |
| Depositing User: | Aulya Yarzuki Kustyawan |
| Date Deposited: | 25 Aug 2021 07:58 |
| Last Modified: | 08 Nov 2024 02:02 |
| URI: | http://repository.its.ac.id/id/eprint/87116 |
Actions (login required)
 |
View Item |