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.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
Preview	Text DAFTAR_PUSTAKA.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (838kB) | Preview
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (736kB) | Preview
Preview	Text BAB_II.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Preview
Preview	Text BAB_III.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Preview
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
Preview	Text BAB_V.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (715kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)

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)
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:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 003 Systems (Computer Modeling and Simulation)
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	04 Dec 2019 08:42
Last Modified:	09 Aug 2023 01:24
URI:	https://kc.umn.ac.id/id/eprint/10245

Actions (login required)

View Item