IMPLEMENTASI MODEL FASTER R-CNN DAN SSDLITE UNTUK APLIKASI OBJEK DETEKSI BAGI PENGGUNA LOW VISION

Main Author: Chandrika Azharyanti
Format: Bachelors Thesis
Terbitan: Teknik Informatika , 2022
Online Access: https://digilib.itb.ac.id/index.php/gdl/view/69186
ctrlnum ai:digilib-69186
fullrecord <?xml version="1.0"?> <dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><title>IMPLEMENTASI MODEL FASTER R-CNN DAN SSDLITE UNTUK APLIKASI OBJEK DETEKSI BAGI PENGGUNA LOW VISION</title><creator>Chandrika Azharyanti</creator><subject/><publisher>Teknik Informatika</publisher><date>2022-09-20</date><language>Indonesia</language><type>Thesis:Bachelors</type><Keyword>objek deteksi, Faster R-CNN, SSDLite, transfer learning.</Keyword><identifier>https://digilib.itb.ac.id/index.php/gdl/view/69186</identifier><abstract>Low vision merupakan keadaan dimana fungsi penglihatan seseorang&#xD; menurun secara permanen, hal tersebut membuat penyandangnya kesulitan&#xD; menjalani kegiatan sehari-hari. Salah satu permasalahan yang dirasakan oleh&#xD; penyandang low vision adalah kesulitan dalam mencari barang. Aplikasi mobile&#xD; dengan fitur objek deteksi dibangun untuk membantu para penyandang&#xD; menyelesaikan masalah tersebut.&#xD; Untuk menghasilkan model objek deteksi yang sesuai dengan kebutuhan,&#xD; digunakan dua tipe framework yaitu Faster R-CNN dan SSDLite untuk dilakukan&#xD; pembelajaran ulang (re-training) dengan teknik transfer learning. Transfer&#xD; learning merupakan penggunaan kembali model yang telah dilatih (pretrained&#xD; model) sebelumnya pada masalah baru. Dikarenakan aplikasi dibangun untuk&#xD; membantu penyandang low vision untuk mendeteksi objek sehari-hari, maka&#xD; dilakukan pemilihan untuk dataset training. Dataset yang digunakan adalah MS&#xD; COCO dan setelah dilakukan pemilihan kelas yang sesuai, digunakan 38 dari 80&#xD; kelas yang tersedia untuk proses training. Proses training model menggunakan 3&#xD; optimizer yang berbeda (SGD, Adam, dan AdamW) untuk setiap framework dan&#xD; akan dipilih satu konfigurasi terbaik untuk diimplementasikan pada aplikasi. Hasil&#xD; model transfer learning kemudian dinilai menggunakan metrik mAP (Mean&#xD; Average Precission).&#xD; Berdasarkan analisis hasil inferensi pada server pelatihan, diantara 6&#xD; konfigurasi model dan optimizer didapatkan 2 konfigurasi dengan nilai mAP&#xD; tertinggi yaitu model Faster R-CNN dengan optimizer SGD dengan nilai 61.3%&#xD; dan model SSDLite dengan optimizer AdamW dengan nilai 37.3%. Waktu inferensi&#xD; keduanya masing-masing adalah 0.75 dan 0.095 detik.&#xD; Proses inferensi kemudian dilakukan kembali pada server aplikasi untuk&#xD; memastikan waktu inferensi model masih dapat ditolerir pada spesifikasi server&#xD; yang berbeda, menghasilkan kedua model masih memiliki waktu inferensi yang&#xD; dapat ditolerir yaitu dibawah 5 detik. Oleh karena itu dipilih konfigurasi model&#xD; Faster R-CNN dengan optimizer SGD yang memiliki nilai mAP tertinggi 61.3%&#xD; dan waktu inferensi 3.6 detik sebagai model deteksi objek yang digunakan pada&#xD; mode online.</abstract><recordID>ai:digilib-69186</recordID></dc>
format Thesis:Bachelors
Thesis
Thesis:Thesis
author Chandrika Azharyanti
title IMPLEMENTASI MODEL FASTER R-CNN DAN SSDLITE UNTUK APLIKASI OBJEK DETEKSI BAGI PENGGUNA LOW VISION
publisher Teknik Informatika
publishDate 2022
url https://digilib.itb.ac.id/index.php/gdl/view/69186
id IOS4391.ai:digilib-69186
institution Institut Teknologi Bandung
institution_id 79
institution_type library:university
library
library Perpustakaan Institut Teknologi Bandung
library_id 100
collection Perpustakaan Digital ITB
repository_id 4391
city KOTA BANDUNG
province JAWA BARAT
repoId IOS4391
first_indexed 2022-10-25T05:46:26Z
last_indexed 2022-10-25T05:46:26Z
recordtype dc
_version_ 1747696434434539520
score 17.610468