Alfauzan, Septa (2024) Implementasi algoritma cnn untuk pengenalan aktivitas mahasiswa di kelas dengan metode object detection menggunakan yolov8 / Septa Alfauzan</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Human Activity Recognition (HAR) merupakan penerapan kecerdasan buatan dalam mengkategorikan aktivitas manusia. Dalam lingkup akademik Human Activity Recognition dapat digunakan untuk pengenalan aktivitas mahasiswa khususnya saat di dalam kelas. Informasi yang dihasilkan dapat menjadi alat evaluasi yang berharga untuk mengoptimalkan proses pembelajaran. Tradisionalnya evaluasi aktivitas mahasiswa dilakukan secara manual oleh pengajar namun metode ini memiliki keterbatasan dan potensi kesalahan. Salah satu cara untuk mengatasi keterbatasan tersebut adalah dengan menggunakan metode object detection. Object detection merupakan salah satu teknik dalam computer vision untuk mengetahui suatu objek dalam suatu gambar atau video. Dalam proses deteksi objek dibutuhkan sebuah model machine learning yang bertugas mendeteksi objek dari masukkan gambar yang diberikan. Metode yang digunakan dalam pengembangan model machine learning untuk penelitian ini adalah dengan menggunakan pre-trained model YOLOv8 yang berbasis algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari gambar yang diambil dari internet dengan metode web scraping dambarbar yang diekstrak dari rekaman video suasana kelas serta dataset sekunder dari website RoboFlow. Proses pelatihan model akan melewati beberapa tahap seperti pemilihan hyperparameter data preparation modelling dan evaluasi. Label akan dibagi menjadi kelas study phone dan sleep. Proses pelabelan dilakukan secara manual dengan menggunakan bantuan website RoboFlow. Penelitian ini bertujuan untuk mengembangkan sistem yang mampu mengenali dan mengklasifikasikan aktivitas mahasiswa. Hasil yang diharapkan adalah peningkatan signifikan dalam teknologi pengenalan aktivitas menggunakan object detection yang berkontribusi pada peningkatan pengalaman belajar di lingkungan akademis. Dengan menerapkan YOLOv8 penelitian ini tidak hanya menunjukkan kemajuan teknis tetapi juga membuka jalan bagi aplikasi praktis dalam meningkatkan pengalaman belajar di lingkungan kampus. CRoss-Industry Standard Process model for the development of Machine Learning applications with Quality assurance methodology atau CRISP-ML(Q) dipilih sebagai metodologi yang digunakan dalam penelitian ini. Dari hasil uji skenario pada tahap pelatihan dipilih konfigurasi hyperparameter YOLOv8s dengan epoch 120 dan batch size 32 yang digunakan untuk tahap pengujian. Nilai metrik dari hasil pengujian dengan data uji diperoleh nilai precision 0.8372 recall 0.6424 mAP50 0.7610 F1 0.7269 dan inference speed 32.4765ms. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 08 Aug 2024 04:29 |
| Last Modified: | 09 Sep 2024 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/358016 |
Actions (login required)
 |
View Item |