PENGEMBANGAN PENGENALAN AKTIVITAS MANUSIA SECARA REAL TIME MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DAN DEEP GATED RECURRENT UNIT

Feren , Ade Verilia (2023) PENGEMBANGAN PENGENALAN AKTIVITAS MANUSIA SECARA REAL TIME MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DAN DEEP GATED RECURRENT UNIT. FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (3035Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (3978Kb)
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (3977Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Recurrent neural network (RNN) telah mencapai kesuksesan dalam memproses data sekuensial dan menjadi state-of-the-art dalam speech recognition, pengenalan sinyal digital, pemrosesan video, dan analisa data teks. Pada penelitian ini, diimplementasikan metode pengenalan aktivitas manusia dengan memproses data video menggunakan convolutional neural network (CNN) dan deep gated recurrent unit (GRU). Pertama, akan dilakukan pemilihan frame dengan cara memilih frame dengan urutan kelipatan enam. Hal ini dilakukan untuk mengurangi kompleksitas dan mengurangi fitur yang redundan. Fitur dari sebuah frame akan diekstrak menggunakan CNN dengan arsitektur MobileNetV2 yang sudah dilatih pada dataset ImageNet. Kemudian, fitur yang sudah diekstrak menggunakan CNN akan dimasukkan ke GRU dengan tujuan untuk menganalisa fitur spatiotemporal. Hasil penelitian ini dapat mencapai F1 Score sebesar 92.01% pada dataset YouTube 11 Actions. Metode ini dapat mencapai kecepatan sebesar 65.43 FPS. Kata kunci: Human Activity Recognition, Video Analysis, Deep Gated Recurrent Unit, Convolutional Neural Network v Recurrent neural network (RNN) have achieved great success in processing sequential data and yielded the state-of-the-art results in speech recognition, digital signal processing, video processing, and text data analysis. In this thesis, proposed a human action recognition method by processing the video data using convolutional neural network (CNN) and deep gated recurrent unit (GRU) network. First, features are extracted from frame every multiple of six in the videos to helps reduce the redundancy and complexity. Next, the sequential information among frame features is learnt using deep GRU network, where multiple layers are stacked together to increase its depth. The result of this study achieved 92.01% F1 Score on YouTube 11 Actions dataset. This method achieve 65.43 FPS. Keywords: Human Activity Recognition, Video Analysis, Deep Gated Recurrent Unit, Convolutional Neural Network

Jenis Karya Akhir:	Skripsi
Subyek:	300 Ilmu sosial > 370 Pendidikan
Program Studi:	FKIP > Prodi Pendidikan Teknologi Informasi
Pengguna Deposit:	2301910792 . Digilib
Date Deposited:	22 Feb 2023 02:43
Terakhir diubah:	22 Feb 2023 02:43
URI:	http://digilib.unila.ac.id/id/eprint/69788

Actions (login required)

Lihat Karya Akhir