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
menurun secara permanen, hal tersebut membuat penyandangnya kesulitan
menjalani kegiatan sehari-hari. Salah satu permasalahan yang dirasakan oleh
penyandang low vision adalah kesulitan dalam mencari barang. Aplikasi mobile
dengan fitur objek deteksi dibangun untuk membantu para penyandang
menyelesaikan masalah tersebut.
Untuk menghasilkan model objek deteksi yang sesuai dengan kebutuhan,
digunakan dua tipe framework yaitu Faster R-CNN dan SSDLite untuk dilakukan
pembelajaran ulang (re-training) dengan teknik transfer learning. Transfer
learning merupakan penggunaan kembali model yang telah dilatih (pretrained
model) sebelumnya pada masalah baru. Dikarenakan aplikasi dibangun untuk
membantu penyandang low vision untuk mendeteksi objek sehari-hari, maka
dilakukan pemilihan untuk dataset training. Dataset yang digunakan adalah MS
COCO dan setelah dilakukan pemilihan kelas yang sesuai, digunakan 38 dari 80
kelas yang tersedia untuk proses training. Proses training model menggunakan 3
optimizer yang berbeda (SGD, Adam, dan AdamW) untuk setiap framework dan
akan dipilih satu konfigurasi terbaik untuk diimplementasikan pada aplikasi. Hasil
model transfer learning kemudian dinilai menggunakan metrik mAP (Mean
Average Precission).
Berdasarkan analisis hasil inferensi pada server pelatihan, diantara 6
konfigurasi model dan optimizer didapatkan 2 konfigurasi dengan nilai mAP
tertinggi yaitu model Faster R-CNN dengan optimizer SGD dengan nilai 61.3%
dan model SSDLite dengan optimizer AdamW dengan nilai 37.3%. Waktu inferensi
keduanya masing-masing adalah 0.75 dan 0.095 detik.
Proses inferensi kemudian dilakukan kembali pada server aplikasi untuk
memastikan waktu inferensi model masih dapat ditolerir pada spesifikasi server
yang berbeda, menghasilkan kedua model masih memiliki waktu inferensi yang
dapat ditolerir yaitu dibawah 5 detik. Oleh karena itu dipilih konfigurasi model
Faster R-CNN dengan optimizer SGD yang memiliki nilai mAP tertinggi 61.3%
dan waktu inferensi 3.6 detik sebagai model deteksi objek yang digunakan pada
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 |