Nukha, Faiq (2019) Klasifikasi penentuan kamera CCTV berdasarkan tipe jalan menggunakan Algoritma Deep Neural Network (DNN). Undergraduate thesis, Universitas Islam Negeri Maulana Malik Ibrahim.
|
Text (Fulltext)
13650051.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (3MB) | Preview |
Abstract
INDONESIA:
Klasifikasi merupakan materi penelitian yang sampai saat ini terus dilakukan pengembangan. Dalam melakukan klasifikasi penentuan kamera CCTV, secara umum dilakukan oleh ahli/pakar, dimanapun lokasi yang akan dilakukan pemasangan CCTV. Algoritma Deep Neural Network (DNN) menjadi salah satu dari beberapa algoritma klasifikasi, baik untuk supervised learning maupun unsupervised learning. Dengan metode pembelajaran menggunakan backpropagation dan parameter lainnya yang digunakan untuk learning, seperti epoch, activation function, dan loss. Pada penelitian ini data yang akan dipakai merupakan data yang diperoleh dari pakar maupun dinas terkait, yang kemudian dibagi menjadi 2 bagian yaitu sebagai data training sebanyak 76 data dan data testing sebanyak 17 data. Kemudian, untuk mempermudah dalam melakukan training data, sebelumnya akan dilakukan normalisasi menggunakan normalisasi -min-max. Tujuan dari penelitian ini adalah untuk mengetahui cara dalam melakukan klasifikasi menggunakan algoritma DNN maupun untuk mengukur akurasi yang diperoleh dalam melakuan pengklasifikasian menggunakan algoritma DNN. Hasil yang diperoleh dan model jaringan sudah dibentuk, maka diperoleh nilai akurasi training sebesar 76.23% dan akurasi testing sebesar 88.24%.
ENGLISH:
Classification is a research material which until now continues to be developed. In carrying out the classification of the determination of CCTV camera, generally done by experts, wherever the location to be installed CCTV. Deep Neural Network (DNN) algorithm is one of several classification algorithms, both for supervised learning and unsupervised learning. With learning methods using backpropagation and other parameters used for learning, such as epoch, activation function, and loss. Research’s data are data obtained from experts and related agencies, which are then divided into 2 parts, namely as much as 76 training data and as much as 17 testing data. Then, to make it easier to conduct training data, previously it will be normalized using -min-max normalization. The purpose of research is to determine how to classify using the DNN algorithm and to measure the accuracy obtained in doing classification using the DNN algorithm. The results obtained and the network model has been formed, then obtained the accuracy value of training is 76.23% and testing accuracy is 88.24%.
Item Type: | Thesis (Undergraduate) | |||||||||
---|---|---|---|---|---|---|---|---|---|---|
Supervisor: | Kurniawan, Fachrul and Faisal, Muhammad | |||||||||
Contributors: |
|
|||||||||
Keywords: | deep neural network; preprocessing; normalize min-max; training; testing; backpropagation | |||||||||
Departement: | Fakultas Sains dan Teknologi > Jurusan Teknik Informatika | |||||||||
Depositing User: | Anisa Putri | |||||||||
Date Deposited: | 30 Mar 2020 09:50 | |||||||||
Last Modified: | 30 Mar 2020 09:50 | |||||||||
URI: | http://etheses.uin-malang.ac.id/id/eprint/16398 |
Downloads
Downloads per month over past year
Actions (login required)
![]() |
View Item |