Perbandingan Algoritma Human Detection pada Google Coral Dev Board Mini menggunakan Dataset MS COCO

Rahmat, Dida Prasetyo (2024) Perbandingan Algoritma Human Detection pada Google Coral Dev Board Mini menggunakan Dataset MS COCO. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05311940000019-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (2MB) | Request a copy

Abstract

Keamanan dan pengawasan telah menjadi aspek yang sangat penting dalam era digitalisasi saat ini. Berbagai perangkat dan algoritma telah dikembangkan dan digunakan untuk menerapkan sistem keamanan dan pengawasan yang efektif. Salah satu perangkat yang dapat digunakan untuk tujuan tersebut adalah Google Dev Board Mini. Dengan kehadiran Edge TPU, perangkat ini memiliki kemampuan untuk melakukan pemrosesan deteksi objek dengan konsumsi energi yang rendah, instalasi yang mudah tanpa harus mengganti infrastruktur yang ada, serta biaya yang terjangkau. Dalam penelitian ini, dilakukan pengujian menggunakan beberapa algoritma pre-train dengan menggunakan masukan dari berkas video maupun RTSP IP Camera. Algoritma yang diuji meliputi SSD MobileNet v1, SSD MobileNet v2, SSDLite MobileDet, dan empat varian EfficientDet-Lite. Metrik evaluasi yang digunakan adalah waktu inferensi dan FPS untuk menilai kinerja masing-masing algoritma. Hasil penelitian menunjukkan adanya perbedaan performa yang signifikan di antara algoritma-algoritma yang diuji. SSD MobileNet v1, SSD MobileNet v2, dan SSDLite MobileDet menunjukkan hasil yang paling menjanjikan dalam hal FPS dan waktu inferensi. Namun, setelah analisis menyeluruh, hasil akhir pengujian menunjukkan bahwa SSD MobileNet v2 memiliki performa terbaik untuk diimplementasikan pada Google Coral Dev Board Mini. Algoritma ini mencapai rata-rata akhir sebesar 7,63 FPS dengan waktu inferensi hanya 0,06 detik, serta menunjukkan kesalahan deteksi yang sangat minim. Penelitian ini memberikan wawasan yang penting untuk aplikasi keamanan berbasis deteksi manusia, terutama dalam konteks penggunaan perangkat edge computing seperti Google Coral Dev Board Mini. Hasilnya dapat menjadi acuan penting dalam pengembangan dan implementasi sistem keamanan dan pengawasan yang efektif di masa depan.
=============================================================================================================================
Security and surveillance have become crucial aspects in today's era of digitalization. Various devices and algorithms have been developed and utilized to implement effective security and surveillance systems. One device that can be used for this purpose is the Google Dev Board Mini. With the presence of the Edge TPU, this device has the capability to perform object detection processing with low energy consumption, easy installation without the need to change existing infrastructure, and affordable cost. In this research, testing was conducted using several pre-trained algorithms with inputs from video files and RTSP IP Cameras. The tested algorithms include SSD MobileNet v1, SSD MobileNet v2, SSDLite MobileDet, and four variants of EfficientDet-Lite. The evaluation metrics used were inference time and FPS to assess the performance of each algorithm. The research results show significant differences in performance among the tested algorithms. SSD MobileNet v1, SSD MobileNet v2, and SSDLite MobileDet show the most promising results in terms of FPS and inference time. However, after comprehensive analysis, the final test results indicate that SSD MobileNet v2 has the best performance for implementation on the Google Coral Dev Board Mini. This algorithm achieved an average FPS of 7.63 with an inference time of only 0.06 seconds, and showed very minimal detection errors. This research provides valuable insights for human detection-based security applications, especially in the context of using edge computing devices like the Google Coral Dev Board Mini. The results can serve as important references in the development and implementation of effective security and surveillance systems in the future.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Human Detection, Edge Computing, Google Coral Dev Board Mini, Object Detection, RTSP IP Camera
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Dida Prasetyo Rahmat
Date Deposited:	16 Feb 2024 08:01
Last Modified:	16 Feb 2024 08:01
URI:	http://repository.its.ac.id/id/eprint/107205

Actions (login required)

View Item