Pengembangan Modul Ponsel-Box Detection Menggunakan Convolutional Neural Network untuk Identifikasi Stock Smartphone

Ma'ruf, Dhiaul Ma'ruf (2020) Pengembangan Modul Ponsel-Box Detection Menggunakan Convolutional Neural Network untuk Identifikasi Stock Smartphone. Other thesis, InstitutTeknologi Sepuluh Nopember.

[thumbnail of 07211640000012-Undergraduate_Thesis.pdf]
Preview
Text
07211640000012-Undergraduate_Thesis.pdf

Download (964kB) | Preview

Abstract

Penentuan presentase penyebaran produk dari suatu perusahaan dibandingkan produk perusahaan kompetitornya merupakan suatu hal yang penting untuk diketahui oleh perusahaan. Melalui riset tersebut tersebut perusahaan dapat melakukan riset pasar akan produk yang dijualnya. Dengan berkembangnya sistem kecerdasan buatan yang ada sekarang ini, dimungkinkan dalam menentukan sebaran produk tersebut dapat dilakukan dengan menggunakan Deep Learning, dalam kesempatan ini akan dicoba dengan membuat modul menggunakan Object Detection berbasis Convolutional Neural Network untuk mendeteksi kotak telepon genggam yang tersebar pada suatu konter telepon genggam. Melalui terdetesksinya kotak telepon genggam tersebut, akan di ketahui juga jumlah tiap-tiap item atau kotak telepon genggam yang terdeteksi, baik dari produk sendiri maupun produk kompetitor, sehingga di dapatkan juga sebaran produk perusahan tersebut dibandingkan dengan kompetitor lainnya. Adapun arsitektur model yang digunakan dalam penelitian ini EfficientDet dengan feature Extractor EffciientNet-B0, EffciientNet-B1, EffciientNet-B2, dan EffciientNet-B3, dari beberapa arsitektur model tersebut kita lakukan evaluasi. Hasil evaluasinya adalah EfficientDet-D0 dengan mAP sebesar 66 %, EfficientDet-D1 dengan mAP sebesar 72.5 %, EffcientDet-D2 denagn mAP sebesar 73.8 %, EffcientDet-D3 dengan mAP 72.7 %. Melihat dari hasi evaluasi tersebut sehingga model dan juga arsitektur yang dipilih untuk digunakan pada sistem ini adalah EffcientDet-D0, karena akurasi yang diberikan tidak terlalu jauh dengan arsitektur yang lainnya, selain itu EfficientDet-D0 juga memiliki inference time yang paling cepat dibandingkan dengan yang lainnya, yakni 7 ms pada GPU RTX 2080 Ti, cocok untuk digunakan pada diproduksi dengan pengguna yang banyak.

Item Type: Thesis (Other)
Uncontrolled Keywords: Deep Learning, Object Detection, Kotak Telepon Genggam, Arsitektur Model, EfficientDet
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User: Dhiaul Ma'ruf
Date Deposited: 22 Aug 2020 02:36
Last Modified: 24 May 2023 15:26
URI: http://repository.its.ac.id/id/eprint/79011

Actions (login required)

View Item View Item