PENGENALAN LOKASI BERBASIS VISION DENGAN TEKNIK KLASIFIKASI DEEP LEARNING

MAULANA, IRVAN (2022) PENGENALAN LOKASI BERBASIS VISION DENGAN TEKNIK KLASIFIKASI DEEP LEARNING. Strata 1 thesis, Universitas Teknokrat Indonesia.

	Text (Full Skripsi) skripsi17316146.pdf - Published Version Restricted to Registered users only Download (3MB) | Request a copy
	Text (Abstrak) abstrak17316146.pdf - Published Version Download (287kB)
	Text (Bab I Pendahuluan) b117316146.pdf - Published Version Download (303kB)
	Text (Bab II Landasan Teori) b217316146.pdf - Published Version Download (660kB)
	Text (Daftar Pustaka) daftar_pustaka17316146.pdf - Bibliography Download (415kB)

Abstract

ABSTRAK Kontes Robot Sepak Bola Indonesia Humanoid (KRSBI-H) merupakan salah satu kompetisi robot yang diselenggarakan oleh Kementerian Riset dan Teknologi Pendidikan Tinggi. Robot bertanding melawan team lain untuk memasukan bola ke gawang lawan, mengoper bola pada teman, dan melakukan positioning secara mandiri pada lokasi yang diinginkan. Robot harus mengenali landmark di lapangan bermain, misalnya garis lapangan dan tiang gawang. Penelitian ini akan fokus pada keberadaan posisi robot untuk mengenali dan mengklasifikasikan posisi robot di lapangan. Metode yang digunakan untuk mendeteksi dan mengenali objek pada citra digital yaitu metode Convolutional Neural Network (CNN) – metode yang banyak digunakan untuk pendeteksian citra, klasifikasi citra, dan segmentasi citra dengan akurasi yang sangat tinggi. Penulis mencoba menggunakan arsitektur terbaru yaitu arsitektur Mobilenet v2 yang memungkinkan untuk lebih baik dalam mengklasifikasi image kelas lapangan dalam menentukan posisi robot berada. Mobilenet v2 menggunakan operasi dua kali lebih sedikit, memiliki akurasi lebih tinggi, hanya membutuhkan 30 persen parameter lebih sedikit, dan sekitar 30-40 persen lebih cepat Dengan menggunakan Framework CNN dan arsitektur Mobilenet v2 dalam proses training, setelah dilakukan pengujian pada model yang di hasilkan menggunakan perangkat Coral USB Accelerator lebih baik dari CPU mendapatkan hasil rata-rata eksekusi 10,4 ms dengan kata lain Coral USB Accelerator lebih cepat 218 ms dari CPU. Melakukan pengujian 1080 image berhasil mengklasifikasi 1076 image dengan accuracy 0,99, recall 1.00 dan precision 0,99. Dan menggunakan USB Coral Accelerator lebih baik dari pada Menggunkan CPU, dengan hasil waktu eksekusi 10.4 ms berbeda jauh dengan hasil eksekusi CPU yaitu 228,6 ms yang berarti memiliki perbedaan sekiitar 218 ms.

Item Type:	Thesis (Strata 1)
Uncontrolled Keywords:	klasifikasi gambar lapangan, Deep Learning CNN, Mobilenet v2.
Subjects:	TEKNIK KOMPUTER (S1) > Analisis Kerja Sistem TEKNIK KOMPUTER (S1) > Simulasi dan Pemodelan TEKNIK KOMPUTER (S1) > Pengolahan Sinyal Digital TEKNIK KOMPUTER (S1) > Sistem Basis Data
Divisions:	Fakultas Teknik dan Ilmu Komputer > S1 Teknik Komputer
Depositing User:	Asep Haikal Kurniawan S.IP., M.A
Date Deposited:	29 Dec 2022 04:09
Last Modified:	29 Dec 2022 04:56
URI:	http://repository.teknokrat.ac.id/id/eprint/4348

Actions (login required)

View Item