Implementasi Faster Region-Based Convolutional Neural Network pada Klasifikasi Bentuk Diagram iStar 2.0 untuk Requirements Modeling

Gilbert, Nathanael (2019) Implementasi Faster Region-Based Convolutional Neural Network pada Klasifikasi Bentuk Diagram iStar 2.0 untuk Requirements Modeling. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img]
Preview
Text
BAB_V.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (715kB) | Preview
[img]
Preview
Text
HALAMAN_AWAL.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview
[img]
Preview
Text
DAFTAR_PUSTAKA.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (838kB) | Preview
[img]
Preview
Text
BAB_I.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (736kB) | Preview
[img]
Preview
Text
LAMPIRAN.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview
[img]
Preview
Text
BAB_II.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview
[img] Text
BAB_IV.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB)
[img]
Preview
Text
BAB_III.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview

Abstract

Requirements engineering adalah cabang dari software engineering yang berkaitan dengan tujuan dunia nyata untuk fungsi dan batasan pada sistem software. Dalam requirement engineering salah satu framework yang dapat digunakan adalah Framework iStar 2.0. Hingga saat ini, masih cukup banyak software engineer yang mendokumentasikan informasi dan model yang ada pada aktivitas requirements engineering dalam bentuk tulisan tangan. Untuk mendukung aktivitas analisis kebutuhan yang berkelanjutan, dokumentasi tulisan tangan tersebut perlu didigitalisasi sehingga proses requirements modeling dapat dilakukan agar dapat mempermudah engineer untuk memanipulasi data ketika terjadi perubahan. Salah satu tahap dalam digitalisasi iStar 2.0 adalah object detection. Maka dari itu dilakukanlah implementasi untuk dapat mengklasifikasikan bentuk diagram iStar 2.0. Implementasi dilakukan menggunakan algoritma Faster R-CNN dengan Tensorflow Object Detection API. Dengan menggunakan bahasa pemrograman Python dan framework Flask. Untuk memudahkan implementasi dilakukan color- to-grayscale dan Salt and Pepper noise. Dari implementasi yang dilakukan, didapatkan hasil terbaik melalui beberapa skenario pengujian dengan nilai akurasi keseluruhan sebesar 95%, rata-rata precision sebesar 95%, rata-rata recall sebesar 100%, dan rata-rata F1-score sebesar 97,20%.

Item Type: Thesis (Bachelor Thesis)
Uncontrolled Keywords: Faster Region-based Convolutional Neural Network (Faster R-CNN), Tensorflow Object Detection API, iStar 2.0, Salt and Pepper noise, color-to- grayscale Gleam, F1-score
Subjects: T Technology > T Technology (General) > T55 Industrial engineering. Management engineering > T58.5-58.64 Information technology
Divisions: Fakultas Teknik Informatika > Program Studi Informatika
SWORD Depositor: mr admin umn
Depositing User: mr admin umn
Date Deposited: 04 Dec 2019 08:42
Last Modified: 03 Mar 2020 10:24
URI: http://kc.umn.ac.id/id/eprint/10245

Actions (login required)

View Item View Item