Surya Dharma, Singgih (2020) Eksplorasi Pornografi dengan Metode Convolutional Neural Network. Bachelor Thesis thesis, Universitas Multimedia Nusantara.
Abstract
Oleh: Singgih Surya Dharma Pornografi telah menjadi masalah yang sering ditemukan tidak terlepas dari kemudahan dan kecanggihan teknologi. Berbagai penelitian tentang klasifikasi pornografi telah berhasil dilakukan, termasuk dengan menggunakan deep learning. Penggunaan deep learning dalam klasifikasi pornografi memiliki akurasi yang tinggi, karena model jaringan saraf yang meniru cara berpikir seperti jaringan saraf otak manusia. Selain akurasi yang tinggi yang diperoleh oleh deep learning, model pembelajaran dari pembelajaran dalam sering disebut sebagai blackbox karena pembelajaran dari model tidak diketahui. Penggunaan model AlexNet sebagai struktur dari pembuatan konvolusi neural network serta penggunaan library OpenCV untuk proses masking diharapkan mampu menelusuri pembelajaran setiap layer yang dilakukan oleh model sehingga blackbox model mampu direpresentasikan dengan jelas. Pelatihan model berlangsung di komputer server milik program studi sistem informasi UMN. Hasil dari penelitian adalah, penggunaan library OpenCV ini mampu mengidentifikasi pembelajaran tiap layer pada model, meskipun demikian pembelajaran model yang berlangsung mengalami overfitting, serta identifikasi yang terjadi pada model merupakan sisi background pada gambar yang menyebabkan tidak mampu belajar dengan tepat.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | AlexNet, fine-tuning, layer, overfitting, pornografi |
Subjects: | 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++ |
Divisions: | Faculty of Engineering & Informatics > Information System |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 05 Dec 2020 07:12 |
Last Modified: | 02 Aug 2023 06:04 |
URI: | https://kc.umn.ac.id/id/eprint/13484 |
Actions (login required)
View Item |