OPTIMASI SSDMOBILENET-V2 DENGAN MENGGUNAKAN FEATURE PYRAMID NETWORK DAN HYPERPARAMETER TUNING BAYESIAN SEARCH UNTUK MENDETEKSI OBJEK PADA VIDEO
Penelitian ini bertujuan untuk mengukur kinerja model deteksi objek kendaraan pada akurasi dan kecepatan model menggunakan pendekatan deep learning, dengan model yang digunakan yaitu SSDMobilenetV2 yang di optimasi dengan Feature Pyramid Network dan hyperparameter tuning Bayesian search. Dengan fokus pada 2 kelas utama yaitu car dan motorbike penelitian melibatkan pemisahan dataset untuk pelatihan, validasi, dan pengujian, bersama dengan optimalisasi kombinasi hyperparameter tuning menggunakan metode pencarian Bayesian search. Temuan penelitian menunjukkan bahwa pada iterasi keempat, model mencapai Mean Average Precision (mAP) terbaik. Dengan menggunakan kombinasi hyperparameter Optimizer Momentum, Learning_rate 0.00425, dan Batch_size 11. Pada model SSDMobilenetV2 mendapatkan AP pada IoU 0.50 mencapai 0.843 dan mendapatkan 14.87FPS. Lalu pada model SSDMobilenetV2-FPN mendapatkan AP pada IoU 0.50 mencapai 0.925 dan mendapatkan 14.94fps. Terjadi peningkatan AP sebesar 8% dan kenaikan pada Frame Per Second (FPS) sebesar 0.07fps,
APA Style
. (2024).OPTIMASI SSDMOBILENET-V2 DENGAN MENGGUNAKAN FEATURE PYRAMID NETWORK DAN HYPERPARAMETER TUNING BAYESIAN SEARCH UNTUK MENDETEKSI OBJEK PADA VIDEO ().Teknik Informatika:FTI
Chicago Style
.OPTIMASI SSDMOBILENET-V2 DENGAN MENGGUNAKAN FEATURE PYRAMID NETWORK DAN HYPERPARAMETER TUNING BAYESIAN SEARCH UNTUK MENDETEKSI OBJEK PADA VIDEO ().Teknik Informatika:FTI,2024.Text
MLA Style
.OPTIMASI SSDMOBILENET-V2 DENGAN MENGGUNAKAN FEATURE PYRAMID NETWORK DAN HYPERPARAMETER TUNING BAYESIAN SEARCH UNTUK MENDETEKSI OBJEK PADA VIDEO ().Teknik Informatika:FTI,2024.Text
Turabian Style
.OPTIMASI SSDMOBILENET-V2 DENGAN MENGGUNAKAN FEATURE PYRAMID NETWORK DAN HYPERPARAMETER TUNING BAYESIAN SEARCH UNTUK MENDETEKSI OBJEK PADA VIDEO ().Teknik Informatika:FTI,2024.Text
