Implementasi Arsitektur U-Net pada Segmentasi Citra Wajah untuk Deteksi Keriput

Harlim, Shendy (2019) Implementasi Arsitektur U-Net pada Segmentasi Citra Wajah untuk Deteksi Keriput. 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 (3MB)
Preview	Text DAFTAR_PUSTAKA.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (873kB) | Preview
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (819kB) | 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 (769kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (2MB)

Abstract

Salah satu masalah kerusakan kulit pada wajah adalah keriput. Keriput atau kerutan pada wajah merupakan penurunan fungsi dari elastisitas wajah sehingga kulit mengalami pengenduran. Pendeteksian keriput pada wajah dapat dilakukan dengan menggabungkan teknik pengolahan citra (image processing) dan ilmu pembelajaran mesin (machine learning). Pembelajaran mesin adalah salah satu ilmu yang memberikan komputer kemampuan untuk belajar tanpa perlu diprogram secara eksplisit. U-Net merupakan salah satu arsitektur yang berbasis Fully Convolutional Network (FCN). Arsitektur U-Net diimplementasikan pada penelitian ini untuk mendeteksi keriput pada wajah. Penelitian ini dilakukan dengan menggunakan dataset berjumlah 234 gambar wajah RGB yang diperoleh dari PT Renom Infrastruktur Indonesia. Pengujian dilakukan pada arsitektur U-Net dengan 1000 epochs, 200 steps per epoch, validation steps sejumlah 19, dan hasil prediksi dengan threshold sebesar 0.3. Adapun hyperparameter yang diujikan adalah batch size pada kelipatan 4, 8, dan 16, serta learning rate yang bernilai1e-3, 1e-4, dan 1e- 5. Program ini dibuat menggunakan library Keras TensorFlow yang ditulis menggunakan bahasa pemrograman Python. Hasil uji coba memperoleh hasil Intersection over Union (IoU) tanpa threshold dengan batch size 8 dan learning rate 1e-5 sebesar 48.79% dan waktu 0.023 detik per gambar, sedangkan dengan threshold dengan batch size 16 dan learning rate 1e-3 yaitu 52.19% dan waktu 0.024 detik per gambar.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Fully Convolutional Network, Keriput, Segmentasi Citra, Segmentasi Keriput, U-Net
Subjects:	700 Arts and Recreation > 720 Architecture > 720 Architecture
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	05 Dec 2019 08:11
Last Modified:	24 Aug 2023 02:22
URI:	https://kc.umn.ac.id/id/eprint/11621

Actions (login required)

View Item