Putra, I Wayan Suartika Eka (2016) Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5109100096-Undergraduate Thesis.pdf Download (1MB) | Preview |
Abstract
Deep Learning adalah sebuah bidang keilmuan baru
dalam bidang Machine Learning yang akhir-akhir ini
berkembang karena perkembangan teknologi GPU accelaration.
Deep Learning memiliki kemampuan yang sangat baik dalam visi
komputer. Salah satunya adalah pada kasus klasifikasi objek
pada citra.
Tugas akhir ini mengimplementasikan salah satu metode
machine learning yang dapat digunakan untuk klasifikasi citra
objek yaitu CNN. Metode CNN terdiri dari dua tahap. Tahap
pertama adalah klasifikasi citra menggunakan feedforward.
Tahap kedua merupakan tahap pembelajaran dengan metode
backpropagation. Sebelum dilakukan klasifikasi, terlebih dahulu
dilakukan praproses dengan metode wrapping dan cropping
untuk memfokuskan objek yang akan diklasifikasi. Selanjutnya
dilakukan training menggunakan metode feedforward dan
backpropagation. Terakhir adalah tahap klasifikasi
menggunakan metode feedforward dengan bobot dan bias yang
diperbarui.
Hasil uji coba dari klasifikasi citra objek dengan tingkat
confusion yang berbeda pada basis data Caltech 101
menghasilkan rata-rata nilai akurasi mencapai. Sehingga dapat
disimpulkan bahwa metode CNN yang digunakan pada Tugas
Akhir ini mampu melakukan klasifikasi dengan baik.
===============================================================================================
Deep Learning is a new branch of knowledge in the field of
Machine Learning that in the past few years has developed due to
the improvement in GPU Acceleration technologies. Deep
Learning has great capabilities in the field of computer vision.
One of its capabilities is in the case of object classification in
images.
This final project implements one of the methods machine
learning that can be used for image classification object that is
CNN. CNN method consists of two stages. The first stage is to use
feedforward for image classification. The second stage is about of
learning to update weight and biases by back propagation
method. Before the classification, first performed preprocessing
with wrapping method and cropping to focusing the object in
image to be classified. Furthermore, the training method used
feedforward and backpropagation. The last stage is the
classification using feedforward method with weights and biases
are updated.
The results of image classification objects with different
levels of confusion at Caltech 101 database generates an average
value of accuracy reached 100%. So it can be concluded that the
CNN method used on Final project able to perform classification
going well.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSIf 621.367 8 Put k |
| Uncontrolled Keywords: | Deep learning, Convolution Neural Network, Caltech 101. |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
| Divisions: | Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
| Depositing User: | Mr. Tondo Indra Nyata |
| Date Deposited: | 13 Sep 2017 06:06 |
| Last Modified: | 27 Dec 2018 04:26 |
| URI: | http://repository.its.ac.id/id/eprint/48842 |
Actions (login required)
 |
View Item |