SIDANG SKRIPS TEKNIK INFORMATIKA 2025I.pptx

SKRIPSI

1. RANCANG BANGUN APLIKASI PENDETEKSI ORANG MEROKOK DENGAN METODE CONVOLUTIONAL NEURAL NETWORK M NASIKH FADHILAH 143217077 Teknik Informatika – Fakultas Teknik – Universitas Maarif Hasyim Latif – 2023

2. PEMBAHASAN PENDAHULUAN Permasalahan Usulan Metode Pertanyaan Penelitian Tujuan & Manfaat Batasan Masalah METODE DATASET FLOWCHART SISTEM Cara Kerja Metode PENGUKURAN KINERJA SKENARIO UJI COBA HASIL UJI COBA KESIMPULAN

3. PENDAHULUAN PERMASALAHAN Menggunakan metode Convolutional Neural Network AlexNet untuk mengklasifikasi orang merokok dan orang tidak merokok . USULAN METODE Bagaimana mendeteksi orang merokok menggunakan metode convolutional neural network ? PERTANYAAN PENELITIAN Berapa hasil perbandingan tingkat akurasi yang diperoleh berdasarkan jumlah epoch dalam klasifikasi orang merokok dan orang tidak merokok menggunakan metode klasifikasi CNN AlexNet ?

4. TUJUAN PENELITIAN Untuk mengetahui tingkat akurasi berdasarkan jumlah epoch dalam proses klasifikasi orang merokok dan orang tidak merokok dengan menggunakan metode klasifikasi convolutional neural network AlexNet .

5. BATASAN MASALAH Sampel yang digunakan berupa gambar yang telah ditentukan ukurannya menjadi 227 x 227 piksel untuk memudahkan proses uji coba . Jumlah data yang digunakan sebanyak 350 data yang berisi foto orang merokok dan orang tidak merokok Citra berekstensi .jpg. Meneliti akurasi dari hasil foto area wajah orang merokok . Percobaan menggunakan epoch 30, minibatch 32, learning rate 0.01, epoch 30, minibatch 64, learning rate 0.01, epoch 40, minibatch 32, learning rate 0.01 dan epoch 40, minibatch 64, learning rate 0.01 Di penelitian ini hanya memprediksi hasil menggunakan CNN dengan arsitektur AlexNet Aplikasi pendeteksi orang merokok berbasis desktop. M enggunakan aplikasi MATLAB .

6. METODE Convolutional Neural Network (CNN) yaitu metode Deep Learning yang didalamnya terdapat Layer Ekstraksi Fitur dan Layer Klasifikasi.

7. CARA KERJA METODE Cara Kerja Metode Convolutional Neural Network Input Image Covolution Layer Pooling Layer Fully Connected Layer Output

8. ARSITEKTUR ALEXNET Input Citra Konvolusi, Normalisasi, Relu Max Pooling Konvolusi, Normalisasi, Relu Max Pooling Konvolusi, Relu Konvolusi, Relu Konvolusi, Relu Max Pooling Fully Connected Layer, ReLU, Dropout Fully Connected Layer, ReLU, Dropout Fully Connected Layer, Softmax Output Klasifikasi

9. DATASET Dataset orang merokok dan orang tidak merokok diperoleh dari foto manual dan google . Jumlah dataset sebanyak 3 50 citra yang terdiri dari 2 kelas, yaitu orang merokok 200 foto dan orang tidak merokok 150 foto

10. FLOWCHART SISTEM

11. penguKURAN KINERJA Akurasi = Recall = Precision = Akurasi => prediksi benar (positif & negatif) dengan keseluruhan data Recall => prediksi benar positif dibandingkan dengan keseluruhan data yang benar positif Precision => prediksi benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positif. Nb: TP = True Positif yang berarti CNN menganggap benar dan aslinya menang benar . TN = True Negative yang berarti CNN menganggap benar dan aslinya salah. FP = False Negative yang berarti CNN menganggap salah dan aslinya salah. FN = False Positif yang berarti CNN menganggap Salah dan aslinya benar .  

12. SKENARIO UJI COBA Data ukuran 2 27 x 2 27 pixel. Data yang digunakan 3 50 citra. Data testing 30% dan data training 70% dengan pengujian data . Dengan 4 kali percobaan berbeda , yaitu Epoch 30, validation frequency 30, minibatch-size 32 , learning rate 0,01. Epoch 30, validation frequency 30, minibatch-size 64 , learning rate 0,01. Epoch 40, validation frequency 30, minibatch-size 32 , learning rate 0,01. Epoch 40, validation frequency 30, minibatch-size 64 , learning rate 0,01. Melihat hasil dari 4 kali uji coba akan di cek untuk akurasi dan juga seberapa lama training yang di butuhkan dalam satu kali percobaan . Uji coba recognition citra orang merokok dan tidak merokok masing – masing 30 kali menggunakan citra dari training dan juga dari google.

13. HASIL UJI COBA

14. Hasil uji coba Recognition

15. KESIMPULAN Klasifikasi citra orang merokok dan tidak merokok menggunakan metode Convolutional Neural Network (CNN) AlexNet diuji menggunakan data sebanyak 350 citra dengan 2 kelas yang terdiri dari orang merokok dan orang tidak merokok . Klasifikasi citra orang merokok dan tidak merokok menggunakan Convolutional Neural Network (CNN) AlexNet dengan Epoch 30 Minibatch-Size 32 menghasilkan rata-rata accuracy 70%, precission 100% dan recall 53%. Untuk Epoch 30 Minibatch-Size 64 menghasilkan rata-rata accuracy 59.9%, precission 100% dan recall 38.8%. Untuk Epoch 40 Minibatch-Size 32 menghasilkan rata-rata accuracy 65.8%, precission 100% dan recall 53.3%. Untuk Epoch 40 Minibatch-Size 64 menghasilkan rata-rata presentase accuracy 80.5%, precission 100% dan recall 70.6%. Pada pengetesan manual recognition menunjukkan beberapa hasil , di klasifikasi citra orang merokok dengan 30 kali uji coba terdapat 7 tes yang menunjukkan bahwa citra orang merokok tersebut di kategorikan sebagai orang tidak merokok , dan untuk tes klasifikasi citra orang tidak merokok dengan 30 kali uji coba terdapat 7 tes yang menunjukkan bahwa citra orang merokok tersebut dikategorikan sebagai orang merokok.

16. Kesimpulan Untuk penelitian selanjutnya disarankan menggunakan bahasa pemrograman bahasa python dan google colab . Serta arsitektur CNN yang lain untuk membandingkan nilai akurasi .

17. TERIMAKASIH 