Implementasi Mask R-CNN dan Metode Gleam pada Klasifikasi Multiple-Object Diagram Istar 2.0 untuk Requirements Modelling

Michelle, Cindy (2020) Implementasi Mask R-CNN dan Metode Gleam pada Klasifikasi Multiple-Object Diagram Istar 2.0 untuk Requirements Modelling. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Share Alike. Download (981kB)
Preview	Text DAFTAR_PUSTAKA.pdf Available under License Creative Commons Attribution Share Alike. Download (327kB) | Preview
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Share Alike. Download (235kB) | Preview
Preview	Text BAB_II.pdf Available under License Creative Commons Attribution Share Alike. Download (589kB) | Preview
Preview	Text BAB_III.pdf Available under License Creative Commons Attribution Share Alike. Download (677kB) | Preview
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Share Alike. Download (1MB)
Preview	Text BAB_V.pdf Available under License Creative Commons Attribution Share Alike. Download (213kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Share Alike. Download (1MB)

Abstract

Requirements engineering memiliki peran penting dalam software engineering yang meliputi kegiatan menerjemahkan kebutuhan secara rinci untuk dijadikan acuan dalam seluruh tahap pengembangan piranti lunak. Salah satu framework yang dapat digunakan untuk mengimplementasikan requirements engineering adalah Framework iStar 2.0. Hingga sekarang ini, masih banyak ditemukan aktivitas requirements engineering yang didokumentasikan dalam tulisan tangan. Untuk mendukung kegiatan requirements engineering jangka panjang, hasil dokumentasi harus didigitalisasi agar memudahkan proses manipulasi data apabila terjadi perubahan. Cara yang dapat dilakukan untuk mendukung digitalisasi iStar 2.0 adalah dengan teknik instance segmentation. Oleh karena itu, pada penelitian ini dilakukan implementasi klasifikasi multiple-object bentuk diagram iStar 2.0. Implementasi dilakukan menggunakan algoritma Mask R-CNN dengan Keras Deep Learning API. Untuk mengurangi kemungkinan terjadinya overfitting, dilakukan juga implementasi color-to-grayscale menggunakan metode Gleam dan Gaussian noise. Dari beberapa skenario pengujian yang dilakukan, didapatkan hasil terbaik dengan nilai AP50 sebesar 0.999 dan mAP@[.5, .95] sebesar 0.858.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	color-to-grayscale Gleam, Gaussian noise, iStar 2.0, Keras Deep Learning API, Mask Region-based Convolutional Neural Network (Mask R-CNN), mean average precision (mAP)
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 > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	04 Dec 2020 17:41
Last Modified:	18 Aug 2023 08:01
URI:	https://kc.umn.ac.id/id/eprint/14646

Actions (login required)

View Item