PENGENALAN AKTIVITAS MANUSIA DENGAN METODE RESNET50 DAN VGG16
Bilah Samping Artikel
Read Counter : 62
Download : 93
Isi Artikel Utama
Abstrak
Perkembangan dalam dunia AI atau kecerdasan buatan berkembang pesat dizaman modern sekarang ini. Mulai dari pengenalan aktivitas manusia, pengenalan produk melalui citra, pendeteksian suara, dan lainnya. Pengenalan aktivitas manusia juga merupakan sebuah tren yang sedang banyak mendapatkan perhatian terutama dalam bidang Intelligence System. Pengenalan aktivitas manusia memiliki tujuan yang bisa diimplementasikan kedalam berbagai macam tujuan mulai dari pengawasan anak, perhitungan kepadatan manusia dalam suatu ruangan, dan sebagai kamera pengawas. Dalam penelitian ini pengenalan aktivitas manusia akan dideteksi dengan Convolutional Neural Network (CNN) dengan algoritma ResNet50 dan VGG16 sebagai perbandingan. Aktivitas yang di teliti terbagi dalam 15 kelas seperti: duduk, menggunakan laptop, tidur, menari, berlari, makan, dan lain-lain. Data dibagi menjadi dua yaitu data latih dan data validasi lalu kemudian dengan algoritma ResNet50 dan VGG16 akan didapatkan akurasi dari model yang dilatih. Pada hasil penelitian didapatkan hasil bahwa model yang dilatih dengan algoritma ResNet50 memiliki hasil yang sedikit lebih baik dibandingkan VGG16 dengan akurasi ResNet50 95% dan VGG16 sebesar 94%.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Menawarkan akses terbukaReferensi
[1] R. Pratama, “Analisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 19, no. 2, pp. 302-311, 2020.
[2] L. M. Dang, K. Min, H. Wang, M. J. Piran, C. H. Lee, dan H. Moon, “Sensor-based and vision-based human activity recognition: A comprehensive survey,” Pattern Recognition, vol. 108, p. 107561, 2020.
[3] D. Bhatt, C. Patel, H. Talsania, J. Patel, R. Vaghela, S. Pandya, K. Modi, dan H. Ghayvat, “CNN Variants for Computer Vision: History, Architecture, Application, Challenges and Future Scope,” Electronics, vol. 10, no. 20, p. 2470, 2021
[4] J. K. Deepak, A. Mahanti, P. Shamsolmoali, dan R. Manikandan, “Deep neural learning techniques with long short-term memory for gesture recognition,” Neural Computing and Applications, vol. 32, pp. 16073-16089, 2020.
[5] K. Chen, D. Zhang, L. Yao, B. Guo, Z. Yu, dan Y. Liu, “Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges, and Opportunities,” ACM Computing Surveys, vol. 54, no. 4, p. 77, 2021.
[6] C. Jobanputra, J. Bavishi, dan N. Doshi, “Human activity recognition: A survey,” Procedia Computer Science, vol. 155, p. 698–703, 2019.
[7] M. H. Arshad, M. Bilal, dan A. Gani, “Human activity recognition: Review, taxonomy and open challenges,” Sensors, vol. 22, no. 17, p. 6463, 2022.
[8] K. D. Runtu and Lina, “Pengenalan Aktivitas Manusia di Supermarket dengan Metode Long Short Term Memory,” Jurnal Ilmu Komputer dan Sistem Informasi, vol. 10, no. 2, 2022.
[9] M. A. Zulfikar, M. Somantri, dan Sudjadi, “Penerapan Metode Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM) Untuk Pengenalan Aktivitas Manusia pada CCTV di Area Tambak Udang,” Transient: Jurnal Ilmiah Teknik Elektro, vol. 10, no. 1, pp. 98-105, 2021.
[10] Irfan, M. A. Muthalib, Kartika, and S. Meliala, “Pengiraan Pose Model Manusia Pada Repetisi Kebugaran Ai Pemograman Python Berbasis Komputerisa,” Infotech, vol. 9, no. 1, pp. 11-19, 2023.
[11] A. Lay and L. Lina, “Pendeteksian Aktivitas Manusia dengan Human Pose Estimation dan Convolutional Neural Network,” Computatio, vol. 6, no. 1, pp. 51-60, 2021.
[12] N. Gupta, S. K. Gupta, R. K. Pathak, V. Jain, P. Rashidi, and J. S. Suri, “Human activity recognition in artificial intelligence framework: A narrative review,” Artificial intelligence review, vol. 55, no. 6, pp. 4755-4808, 2022.
[13] A. Krizhevsky, I. Sutskever, dan G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun ACM, vol. 60, no. 6, pp. 84-90, 2017.
[14] J. Sanjaya , E. Renata, V. E. Budiman, F. Andreson, dan M. Ayub, “Prediksi Kelalaian Pinjaman Bank Menggunakan Random Forest dan Adaptive Boosting,” JuTISI (Jurnal Teknik Informatika dan Sistem Informasi, pp. 50-60, 2020.
[15] Z. Lin, D. Qiu, D. Ergu, Y. Cai, Dan K. Liu, “A Study on Predicting Loan Default Based on the Random Forest Algorithm,” Procedia Computer Science, pp. 503-513, 2019.
[16] F. D. Tanugraha, H. Pratikno, Musyyanah, dan W. I. Kusumawati, “Pengenalan Gerakan Olahraga Berbasis (Long Short-Term Memory) Menggunakan Mediapipe,” Journal of Advances in Information and Industrial Technology, vol. 4, no. 1, pp. 37-46, 2022.
[17] A. Y. Ramadhan, F. A. D. Fitrah, F. Y. Suratman, dan Istiqomah, “Analisis Performansi Algoritma Svm, Cnn, Dan Lstm Untuk Pengenalan Kegiatan Manusia Dengan Urad Fmcw Radar,” Tektrika - Jurnal Penelitian Dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, Dan Elektronika, Vol. 8, no. 1, pp. 27-34, 2023.
[18] M. Arfan, A. Nurjalal, M. Somantri, dan Sudjadi, “Pengenalan Aktivitas Manusia pada Area Tambak Udang dengan Convolutional Neural Network,” Resti Rekayasa Sistem dan Teknologi Informasi, vol. 5, no. 1, pp. 174-179, 2021.
[19] S. Mukherjee, “The Annotated ResNet-50,” Toward Data Science, 18 August 2022. [Online]. Available: https://towardsdatascience.com/the-annotated-ResNet-50-a6c536034758. [Diakses 11 September 2023].
[20] M. Aatila, M. Lachgar, H. Hrimech, dan A. Kartit, “Diabetic Retinopathy Classification Using ResNet50 and VGG-16 Pretrained Networks,” International Journal of Computer Engineering and Data Science (IJCEDS), vol. 1, no. 1, pp. 1-7, 2021.
[21] K. B. Simarmata dan K. D. Hartomo, “Analisa Rekomendasi Fitur Persetujuan Pinjaman Perusahaan Financial Technology Menggunakan Metode Random Forest,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), pp. 2055-2070, 2022.
[22] Y. Religa, A. Rusdi, I. Romli, dan A. Mazid, “Religia, Y., Rusdi, A.,Feature Extraction Untuk Klasifikasi Pengenalan Wajah Menggunakan Support Vector Machine Dan K-Nearest Neighbor,” Pelita Teknologi, pp. 85-92, 2019