title: PENGEMBANGAN PENGENALAN AKTIVITAS MANUSIA SECARA REAL  TIME MENGGUNAKAN METODE CONVOLUTIONAL NEURAL  NETWORK DAN DEEP GATED RECURRENT UNIT  
creator: Feren , Ade Verilia
subject: 370 Pendidikan
description:   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  
publisher: FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
date: 2023-01-12
type: Skripsi
type: NonPeerReviewed
format: text
identifier: http://digilib.unila.ac.id/69788/1/ABSTRAK.pdf
format: text
identifier: http://digilib.unila.ac.id/69788/2/SKRIPSI%20FULL.pdf
format: text
identifier: http://digilib.unila.ac.id/69788/3/SKRIPSI%20TANPA%20BAB%20PEMBAHASAN.pdf
identifier:   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.     
relation: http://digilib.unila.ac.id/69788/