A PHP Error was encountered
Severity: Notice
Message: Undefined offset: 1
Filename: controllers/Document.php
Line Number: 69
Backtrace:
File: /home/rama/public_html/application/controllers/Document.php
Line: 69
Function: _error_handler
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
A PHP Error was encountered
Severity: Notice
Message: Undefined offset: 1
Filename: controllers/Document.php
Line Number: 69
Backtrace:
File: /home/rama/public_html/application/controllers/Document.php
Line: 69
Function: _error_handler
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
A PHP Error was encountered
Severity: Notice
Message: Undefined offset: 1
Filename: controllers/Document.php
Line Number: 69
Backtrace:
File: /home/rama/public_html/application/controllers/Document.php
Line: 69
Function: _error_handler
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
@thesis{thesis,
author={Akbar Mahardi and Heri and Yosefine },
title ={TA : Sistem Deteksi Simbol pada SIBI (Sistem Isyarat Bahasa Indonesia) Secara Realtime Menggunakan MobileNet-SSD},
year={2022},
url={https://repository.dinamika.ac.id/id/eprint/6641/},
abstract={Komunikasi adalah proses ketika seseorang saling menyampaikan informasi, bagi penyandang tunarungu dan tunawicara mereka kesulitan dalam hal berkomunikasi. Bahasa isyarat adalah salah satu bentuk alternatif media komunikasi bagi mereka, untuk orang normal cukup kesulitan dalam memahami makna komunikasi menggunakan bahasa isyarat. Oleh karena itu, penggunaan teknologi deep learning bisa digunakan untuk menjembatani permasalahan sebagaimana tersebut diatas. Pada dua penelitian sebelumnya yang dilakukan oleh Ilham Rizaldy W.P., meneliti sistem deteksi SIBI menggunakan CNN dan metode deteksi tepi Canny, sedangkan penelitian kedua dengan objek yang penelitian yang sama dilakukan oleh Nofal Anam dengan menggunakan MediaPipe dan ResNet-50. Kedua penelitian tersebut diatas menerapkan metode Image Classification, adapun pada penelitian ini peneliti mengembangkannya menjadi metode Object Detection secara realtime menggunakan model Pre-Trained MobileNet-SSDv2. Pada Tugas Akhir ini telah dibuat dataset sebanyak 600 citra yang terdiri dari 6 simbol SIBI dengan pembagian 480 citra untuk training dan 120 citra untuk testing. Proses training model dilakukan sebanyak 3 kali dengan step yang berbeda, yaitu: 5.000, 10.000 dan 20.000. Hasil training model dengan 5.000 step mempunyai nilai loss sebesar 0,2712 dan akurasinya 83,3%, sedangkan pada proses training 10.000 step mendapatkan nilai loss 0,1881 dan akurasinya 83,6%, kemudian pada proses training 20.000 step memperoleh nilai loss 0,1387 dengan akurasinya 86,6%.}
}