Deteksi dan Pengenalan Objek Dengan Model Machine Learning: Model Yolo

Aini, Qurotul; Lutfiani, Ninda; Kusumah, Hendra; Zahran, Muhammad Suzaki

doi:10.24114/cess.v6i2.25840

Cited by 18 publications

(15 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hal ini menjadikan jerawat masalah utama yang sering dialami oleh banyak orang [5]. Pada penelitian kali ini, akan membahas mengenai deteksi jerawat dengan menggunakan model Deep Learning [6] 2. METODE PENELITIAN Dataset yang kami gunakan berasal dari website resmi Dermnetnz [10], yaitu sebanyak 243 gambar berisikan jerawat pada area facial.…”

Section: Datasetunclassified

Deep Learning Pada Detektor Jerawat: Model YOLOv5

Kusumah¹,

Zahran²,

Rifqi³

et al. 2023

sensi

View full text Add to dashboard Cite

Jerawat (Acne Vulgaris) merupakan masalah utama yang sulit untuk dihindari pada masyarakat daerah perkotaan, seperti Jakarta dan sekitarnya. Penyebab utama dari jerawat yaitu tingginya polusi udara yang disebabkan oleh hasil pembakaran transportasi dan sektor industri. Sisa pembakaran ini umumnya mengandung PM (Particulate Matter) dengan ukuran yang cukup kecil (PM2.5 dan PM10) yang mampu masuk ke dalam kulit melalui pori-pori dan bereaksi dengan beberapa senyawa diudara sehingga menyebabkan banyak permasalahan kulit lainnya. Penelitian ini berfokus pada pendeteksian jerawat dengan menggunakan model Deep Learning, yaitu YOLOv5. YOLOv5 dilatih dengan menggunakan tiga optimizer berbeda (SGD, Adam, dan AdamW) sebanyak 100 epochs. Setelah dilakukan pelatihan, didapatkan hasil F1-score dengan optimizer SGD sebesar 43%, Adam 39%, dan AdamW sebesar 40%. Pada penelitian ini, optimizer SGD memiliki nilai F1 tertinggi sehingga dijadikan sebagai optimizer teroptimum yang dapat digunakan pada permasalahan di penelitian ini.

show abstract

Section: Datasetunclassified

Deep Learning Pada Detektor Jerawat: Model YOLOv5

Kusumah¹,

Zahran²,

Rifqi³

et al. 2023

sensi

View full text Add to dashboard Cite

show abstract

“…YOLO memiliki kecepatan pendeteksian objek yang lebih cepat dibandingkan metode deep learning lainnya. Metode ini memiliki performa hingga 45 FPS dalam mendeteksi objek secara real-time [16], [17]. YOLO menggunakan Abdullah Sani dan Suci Rahmadinni: Deteksi Gestur Tangan berbasis Pengolahan Citra Feature matrix persegi didefinisikan ke sebuah grid, namun tidak semua objek yang dideteksi berbentuk persegi (biasanya persegi panjang).…”

Section: You Only Look Once (Yolo-v3)unclassified

Deteksi Gestur Tangan Berbasis Pengolahan Citra

Abdullah¹,

Rahmadinni²

2022

JRE

View full text Add to dashboard Cite

Bahasa isyarat tangan adalah media komunikasi untuk penyandang disabilitas (tuna rungu dan tuna wicara). Namun, dalam kehidupan sehari-hari tidak jarang penyandang disabilitas harus berkomunikasi dengan orang normal yang tidak mengerti dengan bahasa isyarat. Masalah tersebut dapat diatasi dengan bantuan penerjemah atau orang normal belajar bahasa isyarat melalui media yang ada seperti video. Namun, cara ini akan menghabiskan banyak biaya dan waktu. Pada penelitian ini, penulis merancang sebuah sistem untuk mendeteksi gerakan tangan berbasis image processing. Metode yang digunakan adalah menggunakan algoritma You Only Look Once (YOLO-v3). Algoritma YOLO-version 3 dapat mendeteksi dan mengklasifikasi objek sekaligus tanpa di pengaruhi oleh intensitas cahaya dan background dari objek. Algoritma ini merupakan metode deep learning yang lebih akurat dari pada metode deep learning lainnya. Diharapkan dengan adanya penelitian ini, mampu membuat sebuah sistem deteksi pengenalan gesture tangan sebagai bahasa isyarat sehingga dapat membantu komunikasi antara orang normal dengan disabilitas (tuna rungu dan tuna wicara). Dari hasil pengujian yang telah dilakukan, maka didapatkan sistem dapat mendeteksi dan mengklasifikasi gesture tangan dengan background, intensitas cahaya, dan jarak yang berbeda-beda dengan tingkat akurasi diatas 90%.

show abstract

“…This study examines Applications for cyber security and reporting findings from a literature analysis of data mining and computer learning techniques. Furthermore, it describes Application of machine learning or data mining techniques to problems with cyber intrusion detection [1]. The study provides a set of comparative standards for data mining or machine learning techniques in addition to evaluating the difficulty of numerous algorithms for data mining or machine learning.Following that, best practices and a set of suggestions are provided based on the characteristics of the cyber issue [2].…”

Section: Introductionmentioning

confidence: 99%

Analysis of Machine Learning Systems for Cyber Physical Systems

Rachmawati¹,

Yossaepurrohman²

2022

ITEE

View full text Add to dashboard Cite

This study summarizes major literature reviews on machine learning systems for network analysis and intrusion detection. Furthermore, it provides a brief lesson description of each machine learning approach. Because data is so important in machine learning methods, this study The primary tools for assessing network traffic and spotting anomalies are machine learning approaches, and the study focuses on the datasets utilized in these techniques. This research examine the multiple advantages (reasonable use) that machine learning has made possible, particularly for security and cyber-physical systems, including enhanced intrusion detection techniques and judgment accuracy. Additionally, this study discusses the difficulties of utilizing machine learning for cybersecurity and offers suggestions for further study.

show abstract

Deteksi dan Pengenalan Objek Dengan Model Machine Learning: Model Yolo

Cited by 18 publications

References 22 publications

Deep Learning Pada Detektor Jerawat: Model YOLOv5

Deep Learning Pada Detektor Jerawat: Model YOLOv5

Deteksi Gestur Tangan Berbasis Pengolahan Citra

Analysis of Machine Learning Systems for Cyber Physical Systems

Contact Info

Product

Resources

About