Karakteristik Metode Mobilenet-SSD Dengan Pre- Trained Model Mobilenet Untuk Objek Bergerak

Abstrak

ABSTRAK
Pada kemampuan yang dimiliki oleh manusia dalam mengenali sebuah objek dapat dikatakan luar biasa. Kemajuan teknologi saat ini tidak dapat dibendung seiring perkembangan penerapannya dalam kehidupan sehari-hari. Salah satunya adalah pengolahan citra di bidang teknologi computer vision. pada bidang computer vision memanfaatkan teknologi deep learning untuk mendeteksi sebuah objek. pada penelitian ini arsitektur CNN yang digunakan untuk mengenali sebuah objek bergerak adalah arsitektur SSD dengan menggunakan pretrained model Mobilenet yang dilakukan analisis untuk mendeteksi objek dari input citra dua dimensi dan menggunakan memasukan video capture. Sistem melakukan deteksi objek terhadap 20 kelas objek dari tiga sisi yaitu depan, samping, dan belakang berdasarkan pretrained model MobileNet. Hasil Pengujian dengan input citra dua dimensi memperoleh nilai rata-rata pada setiap kelas adalah sisi depan sebesar 91,5%, sisi samping sebesar 92,3%, sisi belakang sebesar 85,5%. Sedangkan hasil pengujian dengan input video capture memperoleh nilai rata-rata sebesar 72,8%.

ABSTRACT
The ability possessed by humans to recognize an object can be said to be extraordinary. Advances in technology today can not be damned along with the development of its application in everyday life. One of them is image processing in the field of computer vision technology. in the field of computer vision utilizing deep learning technology to detect an object. In this study, the CNN architecture used to recognize a moving object is the SSD architecture using pre-trained Mobilenet models versions 1 which are analyzed to detect objects from twodimensional image input and video capture input. The system detects 20 object classes from three sides, namely front, side, and back based on the pre-trained MobileNet model. Test results with two-dimensional image input obtained the average value in each class is the front side of 91.5%, the side of 92.3%, the back side of 85.5%. While the test results with video capture input obtained an average value of 72.8%.