<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" ID="13355">
<titleInfo>
<title><![CDATA[PERBANDINGAN MOBILENET-SSD VERSI 1 DAN 2 UNTUK DETEKSI OBJEK MANUSIA]]></title>
</titleInfo>
<name type="Personal Name" authority="">
<namePart>Khalifah Falah /152014060</namePart>
<role><roleTerm type="text">Penulis</roleTerm></role>
</name>
<name type="Personal Name" authority="">
<namePart>Dr. Ir. Uung Ungkawa, MT.</namePart>
<role><roleTerm type="text">Dosen Pembimbing 1</roleTerm></role>
</name>
<typeOfResource manuscript="yes" collection="yes"><![CDATA[mixed material]]></typeOfResource>
<genre authority="marcgt"><![CDATA[bibliography]]></genre>
<originInfo>
<place><placeTerm type="text"><![CDATA[Teknik Informatika]]></placeTerm></place>
<publisher><![CDATA[FTI]]></publisher>
<dateIssued><![CDATA[2022]]></dateIssued>
<issuance><![CDATA[monographic]]></issuance>
<edition><![CDATA[0]]></edition>
</originInfo>
<language>
<languageTerm type="code"><![CDATA[en]]></languageTerm>
<languageTerm type="text"><![CDATA[English]]></languageTerm>
</language>
<physicalDescription>
<form authority="gmd"><![CDATA[Text]]></form>
<extent><![CDATA[]]></extent>
</physicalDescription>
<note>Menurut data registrasi Polri tindak kriminalitas di Indonesia pada tahun 2019 sebanyak 269.324 kejadian, sedangkan pada kasus kejahatan terhadap hak milik tanpa menggunakan kekerasan berada pada angka 80.450 kejadian. kamera pengawas menjadi salah satu upaya meningkatkan keamanan. Kemajuan teknologi pengolahan citra dibidang teknologi computer vision memanfaatkan teknologi deep learning untuk mendeteksi sebuah objek. pada penelitian ini arsitektur CNN yang digunakan untuk mengenali sebuah objek adalah pre-trained model MobileNet-SSDV1 dan V2 yang dilakukan analisis performa untuk mendeteksi objek manusia dari input citra dua dimensi dan menggunakan masukan video capture. Sistem melakukan deteksi terhadap objek manusia menggunakan kedua pre-trained model tersebut. Hasil Pengujian data latih terhadap input citra dua dimensi diambil menggunakan kamera smartphone pre-trained model MobileNet-SSDV2 mendapatkan nilai akurasi, presisi, recall, dan F1 Score yang lebih tinggi dibandingkan pre-trained model MobileNet-SSDV1. Hasil pengujian data uji dengan input webcam laptop pre-trained model MobileNet-SSDV2 mendapatkan nilai rata-rata sebesar 77.3, sedangakan pre-trained model MobileNet-SSDV1 mendapatkan nilai rata-rata sebesar 69.7.</note>
<classification><![CDATA[]]></classification><identifier type="isbn"><![CDATA[]]></identifier><location>
<physicalLocation><![CDATA[Setiadi Open Source ETD System]]></physicalLocation>
<shelfLocator><![CDATA[588IF/22]]></shelfLocator>
<holdingSimple>
<copyInformation>
<numerationAndChronology type="1"><![CDATA[588IF/22]]></numerationAndChronology>
<sublocation><![CDATA[My Library]]></sublocation>
<shelfLocator><![CDATA[588IF/22]]></shelfLocator>
</copyInformation>
</holdingSimple>
</location>
<slims:digitals>
<slims:digital_item id="13090" url="" path="/152014060_588IF.pdf" mimetype="application/pdf"><![CDATA[PERBANDINGAN MOBILENET-SSD VERSI 1 DAN 2 UNTUK DETEKSI OBJEK MANUSIA]]></slims:digital_item>
</slims:digitals><recordInfo>
<recordIdentifier><![CDATA[13355]]></recordIdentifier>
<recordCreationDate encoding="w3cdtf"><![CDATA[2022-04-26 08:24:01]]></recordCreationDate>
<recordChangeDate encoding="w3cdtf"><![CDATA[2022-04-26 08:24:18]]></recordChangeDate>
<recordOrigin><![CDATA[machine generated]]></recordOrigin>
</recordInfo></mods></modsCollection>