Ramadhani, Muhammad Rafi’ (2022) PENERAPAN METODE CNN PADA KAMERA PENDETEKSI API MENGGUNAKAN RASPBERRY PI. Undergraduate thesis, UPN "VETERAN' JAWA TIMUR.
|
Other (COVER)
Cover.PDF Download (2MB) | Preview |
|
|
Other (BAB 1)
1.PDF Download (410kB) | Preview |
|
![[img]](http://repository.upnjatim.ac.id/style/images/fileicons/other.png) |
Other (BAB 2)
2.PDF Restricted to Registered users only until 12 January 2024. Download (694kB) |
|
|
Other (BAB 3)
3.PDF Restricted to Registered users only until 12 January 2024. Download (556kB) |
|
|
Other (BAB 4)
4.PDF Restricted to Registered users only until 12 January 2024. Download (1MB) |
|
|
Other (BAB 5)
5.PDF Download (221kB) | Preview |
|
|
Other (DAFTAR PUSTAKA)
Dapus.PDF Download (338kB) | Preview |
Abstract
Api merupakan salah satu elemen penting dalam kehidupan umat manusia. Api digunakan untuk banyak hal seperti memasak, menghangatkan tubuh dan lain-lain. Namun, munculnya api yang tidak terkendali juga bisa menjadi sebuah bencana. Seperti korsleting listrik, ledakan tabung gas dan lain-lain. Tak jarang juga bisa mengakibatkan korban jiwa. Ditengah inovasi yang semakin berkembang, dirumuskan cara baru untuk memperingatkan bahaya kebakaran sedini mungkin. Yaitu sistem kamera CCTV dengan deteksi api. Pada penelitian ini, akan dibuat sebuah model algoritma pendeteksi api dan akan diimplementasikan dalam sebuah sistem. Sistem ini berupa kamera yang disambungkan ke mini computer bernama Raspberry Pi untuk memproses citra api. Dalam Pemrosesan citra digunakan algoritma Deep Learning yaitu Convolutional Neural Network (CNN) untuk membedakan citra api dan non api. Dataset yang digunakan merupakan data citra api dan citra non api berupa pemandangan dan berupa beberapa gambar lampu menyala. Model CNN dilatih dengan menggunakan variabel epoch dan step per epoch yang bervariasi. Terdapat 10 variabel yang dilatih. Yaitu 10 epoch dengan 50 dan 100 step per epoch, 20 epoch dengan 50 dan 100 step per epoch, dan seterusnya hingga pada variabel terakhir yaitu 50 epoch dengan 50 dan 100 step per epoch. Hasilnya, model dengan 50 epoch dan 50 step per epoch merupakan model dengan performa terbaik jika dibandingkan dengan model yang dilatih dengan variabel epoch dan step per epoch lainnya. Nilai rata-rata dari model tersebut adalah 0,9892 untuk presisi, 0,9894 untuk rata-rata nilai Recall, nilai F1- Score mencapai rata-rata 0,9895 dan tingkat akurasi mencapai 98,9%. Model terbaik kemudian dimasukkan ke sistem dan berhasil melakukan deteksi api pada kondisi cahaya gelap dan terang. Kata Kunci: Raspberry Pi, Convolutional Neural Network, Deep Learning, Deteksi Api
| Item Type: | Thesis (Undergraduate) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Subjects: | Q Science > QA Mathematics > QA76 Computer software | ||||||||||||
| Divisions: | Faculty of Computer Science > Departemen of Informatics | ||||||||||||
| Depositing User: | Lisa Nadya Irawan | ||||||||||||
| Date Deposited: | 12 Jan 2022 02:26 | ||||||||||||
| Last Modified: | 12 Jan 2022 02:26 | ||||||||||||
| URI: | http://repository.upnjatim.ac.id/id/eprint/4053 |
Actions (login required)
 |
View Item |