PENERAPAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DAN LONG SHORT-TERM MEMORY PADA HUMAN ACTIVITY RECOGNITION BERBASIS PENGOLAHAN VISUAL PADA VIDEO
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Putra, Rama Edwinda
Subject
T Technology (General)
Datestamp
2023-02-07 04:16:11
Abstract :
ABSTRAK Human Activity Recognition (HAR) merupakan kunci untuk lebih memahami berbagai semantik yang terkandung dalam video. Dalam penelitian ini, menerapkan kombinasi metode CNN dan LSTM dengan menggunakan beberapa variasi nilai parameter model pada dropout layer dan batch size. Pada prosesnya, lapisan konvolusi yang digunakan untuk mengekstraksi fitur spasial dari frame, akan diumpankan ke lapisan LSTM pada setiap jaringan untuk pemodelan urutan temporal. Dengan cara ini jaringan pada model akan mempelajari fitur spatiotemporal secara langsung dalam pelatihan end-to-end, untuk menghasilkan model yang kuat. Data yang digunakan yaitu 10 aktivitas olahraga yang diperoleh dari topik penelitian terkait milik University of Central Florida (UCF). Hasil penelitian menunjukan kinerja yang cukup baik, meskipun masih terdapat kekeliruan klasifikasi aktivitas olahraga karena memiliki kemiripan pergerakan aktivitas yang dilakukan. Hasil klasifikasi menunjukan nilai akurasi tertinggi diperoleh pada variasi yang tidak menerapkan dropout layer dengan batch size bernilai 4, menghasilkan nilai akurasi 0,94 dan nilai loss 0,4, sedangkan nilai akurasi terendah diperoleh pada variasi yang menerapkan dropout layer bernilai 0,4 dengan batch size bernilai 8, menghasilkan nilai akurasi 0,84 dan nilai loss 0,57. Kata Kunci: Human Activity Recognition (HAR), Klasifikasi, Convolutional Neural Network, Long Short-Term Memory.
ABSTRAK Human Activity Recognition (HAR) merupakan kunci untuk lebih memahami berbagai semantik yang terkandung dalam video. Dalam penelitian ini, menerapkan kombinasi metode CNN dan LSTM dengan menggunakan beberapa variasi nilai parameter model pada dropout layer dan batch size. Pada prosesnya, lapisan konvolusi yang digunakan untuk mengekstraksi fitur spasial dari frame, akan diumpankan ke lapisan LSTM pada setiap jaringan untuk pemodelan urutan temporal. Dengan cara ini jaringan pada model akan mempelajari fitur spatiotemporal secara langsung dalam pelatihan end-to-end, untuk menghasilkan model yang kuat. Data yang digunakan yaitu 10 aktivitas olahraga yang diperoleh dari topik penelitian terkait milik University of Central Florida (UCF). Hasil penelitian menunjukan kinerja yang cukup baik, meskipun masih terdapat kekeliruan klasifikasi aktivitas olahraga karena memiliki kemiripan pergerakan aktivitas yang dilakukan. Hasil klasifikasi menunjukan nilai akurasi tertinggi diperoleh pada variasi yang tidak menerapkan dropout layer dengan batch size bernilai 4, menghasilkan nilai akurasi 0,94 dan nilai loss 0,4, sedangkan nilai akurasi terendah diperoleh pada variasi yang menerapkan dropout layer bernilai 0,4 dengan batch size bernilai 8, menghasilkan nilai akurasi 0,84 dan nilai loss 0,57. Kata Kunci: Human Activity Recognition (HAR), Klasifikasi, Convolutional Neural Network, Long Short-Term Memory.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
