Analisis Klasifikasi Gambar Deteksi Merokok Dengan Metode Cnn Menggunakan Model Fine Tuning Pada Arsitektur Mobilenetv3l, Efficientnetv2m Dan Vision Transformer

Nuriyadin, . (2025) Analisis Klasifikasi Gambar Deteksi Merokok Dengan Metode Cnn Menggunakan Model Fine Tuning Pada Arsitektur Mobilenetv3l, Efficientnetv2m Dan Vision Transformer. Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (543kB)
	Text BAB I.pdf Restricted to Registered users only Download (158kB)
	Text BAB II.pdf Restricted to Registered users only Download (404kB)
	Text BAB III.pdf Restricted to Registered users only Download (379kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Restricted to Registered users only Download (149kB)
	Text JURNAL.pdf Restricted to Registered users only Download (1MB)

Abstract

Deteksi merokok menghadapi tantangan dalam mendeteksi kejadian kecil dan umum seperti merokok, menggunakan teknik pembelajaran mendalam. Untuk mengatasi masalah tersebut, tesis ini menyajikan analisa algoritma gambar deteksi merokok yang ditingkatkan menggunakan Model Arsitektur MobileNetV3L, EfficientNetV2M dan Vision Transformer. Metode penelitian yang digunakan yaitu Analisis Kebutuhan dibagi menjadi Metode Pengumpulan Data dan Pengolahan Citra, Perancangan Penelitian melibatkan teknik berbagai teknik dan modul penelitian, Teknik Analisis meliputi pengumpulan dan pra-pemrosesan data, serta Jadwal Penelitian dimulai dari pengumpulan data sampai penulisan laporan pekerjaan. Pada model EfficientNetV2M ini peneliti terlebih dahulu menggunakan Data Augmentation untuk meningkatkan jumlah dan keragaman data pelatihan dengan melakukan transformasi pada data yang sudah ada, seperti rotasi, flipping, zooming, dan perubahan warna. Learning rate yang lebih rendah memungkinkan pembaruan parameter yang lebih halus dan dapat meningkatkan kinerja akhir model, Fine Tune terhadap EfficientNetV2M Layer dan Finding the Ideal Learning Rate with LearningRateScheduler Callback dan mendapatkan hasil precision 97%, recall 97%, f1-score 97% dan accuracy 97%. Pada model MobileNetV3L peneliti mendapatkan hasil precision 87%, recall 87%, f1-score 87% dan accuracy 87%. Pada model Vision Transformer peneliti menggunakan model custom ViT (Vision Transformer) untuk tahap ekstraksi fitur, kemudian menerapkan PCA untuk masalah dimensi, dan didapatkan hasil precision 96%, recall 96%, f1-score 96% dan accuracy 96%. Upaya di masa depan akan fokus pada peningkatan teknologi ini dan menemukan cara untuk menggunakan dalam konteks yang lebih luas.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	deteksi, merokok, MobileNetV3L, EfficientNetV2M, ViT, XGBoost
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 07:38
Last Modified:	04 Jul 2025 08:15
URI:	http://repository.unpam.ac.id/id/eprint/16762

Actions (login required)

View Item