PENERAPAN MULTI-OBJECT DETECTION MENGGUNAKAN MOBILENETV2-SSD BERBASIS APLIKASI MOBILE UNTUK MENGIDENTIFIKASI CITRA RAS KUCING

RAFLI, MUHAMMAD (2025) PENERAPAN MULTI-OBJECT DETECTION MENGGUNAKAN MOBILENETV2-SSD BERBASIS APLIKASI MOBILE UNTUK MENGIDENTIFIKASI CITRA RAS KUCING. Other thesis, UPN Veteran Yogyakarta.

	Text COVER_123210078_MUHAMMAD RAFLI.pdf Download (474kB)
	Text ABSTRAK_123210078_MUHAMMAD RAFLI.pdf Download (264kB)
	Text PENGESAHAN PEMBIMBING_123210078_MUHAMMAD RAFLI.pdf Download (286kB)
	Text DAFTAR ISI_123210078_MUHAMMAD RAFLI.pdf Download (283kB)
	Text DAFTAR PUSTAKA_123210078_MUHAMMAD RAFLI.pdf Download (228kB)
	Text SKRIPSI FULLTEXT_123210078_MUHAMMAD RAFLI.pdf Restricted to Repository staff only Download (3MB)

Abstract

Banyak orang memelihara hewan, termasuk kucing, sebagai bentuk dukungan sosial dan penghilang stres. Namun, tidak semua pemilik kucing mengetahui ras kucing peliharaan mereka, padahal identifikasi ras kucing penting untuk perawatan yang sesuai karena setiap ras memiliki karakteristik dan kebutuhan perawatan yang unik. Identifikasi ras kucing secara manual sulit dilakukan, sehingga teknologi computer vision dapat dimanfaatkan untuk mengatasi masalah ini. Penelitian ini bertujuan untuk mengimplementasikan dan mengukur akurasi model MobileNetV2-SSD dalam melakukan multi-object detection untuk mengidentifikasi beberapa ras kucing dalam satu citra menggunakan aplikasi mobile. MobileNetV2-SSD dipilih karena efisiensi komputasi dan ruang penyimpanannya yang ideal untuk perangkat mobile.

Metode penelitian ini terdiri dari beberapa tahapan, yaitu pengumpulan data, data preprocessing, pelatihan model, evaluasi model, dan pengembangan sistem. Data yang digunakan merupakan data sekunder dari Oxford-IIIT Pet Dataset yang mencakup 12 ras kucing. Pengembangan sistem pada penelitian ini memanfaatkan aplikasi mobile.

Hasil penelitian menunjukkan bahwa model ini mampu mendeteksi beberapa ras kucing dengan akurasi berupa nilai mean Average Precision (mAP) dengan Intersection over Union (IoU) 0,5 atau mAP@0,5 sebesar 88,24%. Waktu deteksi rata-rata model pada perangkat mobile adalah 64,6 milidetik.

Kata Kunci: Multi-Object Detection, Ras Kucing, Convolution Neural Network (CNN), MobileNetV2, Single Shot Detector (SSD).

Item Type:	Thesis (Other)
Additional Information:	MUHAMMAD RAFLI (123210078) ; Vynska Amalia Permadi (Pembimbing)
Uncontrolled Keywords:	Multi-Object Detection, Ras Kucing, Convolution Neural Network (CNN), MobileNetV2, Single Shot Detector (SSD).
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	11 Apr 2025 02:33
Last Modified:	11 Apr 2025 02:33
URI:	http://eprints.upnyk.ac.id/id/eprint/42341

Actions (login required)

View Item