Repository Universitas Pakuan

Detail Karya Ilmiah Dosen

Sahrul, Sabila Hadinisa, Muhamad Koyimatu, Ade Irawan, Herminarto Nugroho

Judul : Analisis Learning Rate pada Metode Transfer Learning untuk Sistem Pendeteksi Api

Abstrak :
Sistem pendeteksi api merupakan salah satu hal yang harus mendapat perhatian serius dalam manajemen keselamatan dan peringatan dini terjadinya kebakaran. Sistem yang kami kembangkan menggunakan metode transfer learning dengan pemodelan deep learning berbasis visi komputer. Sistem berinteraksi dengan lingkungan melalui perangkat kamera yang dapat menangkap gambar statis dari lingkungan. Performa sistem diukur dari tingkat akurasi yang dipengaruhi oleh jumlah dataset yang digunakan serta pemilihan learning rate yang tepat. Untuk memperoleh tingkat akurasi yang optimal, tuning dilakukan pada parameter learning rate. Metode transfer learning menunjukkan hasil yang cukup baik dalam pengembangan sistem pendeteksi api.

Kata kunci—transfer learning, learning rate, sistem pendeteksi api, deep learning, visi komputer

Tahun : 2018 Media Publikasi : prosiding

Kategori : Prosiding No/Vol/Tahun : - / 0 / 2018

ISSN/ISBN : 2252-701X

PTN/S : Universitas Pakuan Program Studi : TEKNIK ELEKTRO

Bibliography :

T. Celik, Fast and Efficient Method for Fire Detection Using Image Processing, ETRI Journal, vol. 32, no. 6, 2010.

X. Wu, Lu, H. Leung, An Adaptive threshold deep learning method for fire and smoke detection, IEEE International Conference, 2017.

H. Nugroho, M. Koyimatu, A. Irawan, A. Yunita, Robust Principal Component Analysis for Feature Extraction of Fire Detection System, International Conference of Electrical Engineering, Computer Science, and Informatics, 2018.

A.S. Sebag, M. Schoenaeur, Stochastic Gradient Descent: Going As Fast As Possible But Not Faster, arXiv:1709.01427v1 [stat.ML], 2017.

M. Praveena, V. Jaiganesh, A Literature Review on Supervised Machine Learning Algorithms and Boosting Process, International Journal of Computer Applications, vol. 169, no. 8, 2017.

S.J. Russel, P. Norvig, Artificial Intelligence: A Modern Approach 3^rd ed., Prentice Hall, p. 695, 2010.

L. Deng, D. Yu, Deep Learning: Methods and Applications, Foundations and Trends in Signal Processing, vol. 7, no. 3-4, pp. 197-387, 2014.

D. Ciresan, U. Meier, J. Schmidhuber, Multi-column Deep Neural Networks for Image Classification, arXiv:1202.2745v1 [cs.CV], 2012.

D.H. Ballared, C.M. Brown, Computer Vision, Prentice Hall, 2010.

C. Szegedy, V. Vanhoucke, S. Loffe, J. Shlens, Rethinking the Inception Architecture for Computer Vision, arXiv:1512.00567v3 [cs.CV], 2015.

G. Kumar, P.K. Bhatia, A Detailed Review of Feature Extraction in Image Processing Systems, International Conference on Advance Computing & Communication Technologies IEEE, 2014.

URL : -

Document

back

@official_unpak	@unpak
@unpak	UNPAK TV

Welcome Repository Universitas Pakuan

Student's Achievments

Unggul, Mandiri & Berkarakter

Detail Karya Ilmiah Dosen

Sahrul, Sabila Hadinisa, Muhamad Koyimatu, Ade Irawan, Herminarto Nugroho

Judul	:	Analisis Learning Rate pada Metode Transfer Learning untuk Sistem Pendeteksi Api
Abstrak	:	Sistem pendeteksi api merupakan salah satu hal yang harus mendapat perhatian serius dalam manajemen keselamatan dan peringatan dini terjadinya kebakaran. Sistem yang kami kembangkan menggunakan metode transfer learning dengan pemodelan deep learning berbasis visi komputer. Sistem berinteraksi dengan lingkungan melalui perangkat kamera yang dapat menangkap gambar statis dari lingkungan. Performa sistem diukur dari tingkat akurasi yang dipengaruhi oleh jumlah dataset yang digunakan serta pemilihan learning rate yang tepat. Untuk memperoleh tingkat akurasi yang optimal, tuning dilakukan pada parameter learning rate. Metode transfer learning menunjukkan hasil yang cukup baik dalam pengembangan sistem pendeteksi api. Kata kunci—transfer learning, learning rate, sistem pendeteksi api, deep learning, visi komputer
Tahun	:	2018	Media Publikasi	:	prosiding
Kategori	:	Prosiding	No/Vol/Tahun	:	- / 0 / 2018
ISSN/ISBN	:	2252-701X
PTN/S	:	Universitas Pakuan	Program Studi	:	TEKNIK ELEKTRO
Bibliography	:	T. Celik, Fast and Efficient Method for Fire Detection Using Image Processing, ETRI Journal, vol. 32, no. 6, 2010. X. Wu, Lu, H. Leung, An Adaptive threshold deep learning method for fire and smoke detection, IEEE International Conference, 2017. H. Nugroho, M. Koyimatu, A. Irawan, A. Yunita, Robust Principal Component Analysis for Feature Extraction of Fire Detection System, International Conference of Electrical Engineering, Computer Science, and Informatics, 2018. A.S. Sebag, M. Schoenaeur, Stochastic Gradient Descent: Going As Fast As Possible But Not Faster, arXiv:1709.01427v1 [stat.ML], 2017. M. Praveena, V. Jaiganesh, A Literature Review on Supervised Machine Learning Algorithms and Boosting Process, International Journal of Computer Applications, vol. 169, no. 8, 2017. S.J. Russel, P. Norvig, Artificial Intelligence: A Modern Approach 3^rd ed., Prentice Hall, p. 695, 2010. L. Deng, D. Yu, Deep Learning: Methods and Applications, Foundations and Trends in Signal Processing, vol. 7, no. 3-4, pp. 197-387, 2014. D. Ciresan, U. Meier, J. Schmidhuber, Multi-column Deep Neural Networks for Image Classification, arXiv:1202.2745v1 [cs.CV], 2012. D.H. Ballared, C.M. Brown, Computer Vision, Prentice Hall, 2010. C. Szegedy, V. Vanhoucke, S. Loffe, J. Shlens, Rethinking the Inception Architecture for Computer Vision, arXiv:1512.00567v3 [cs.CV], 2015. G. Kumar, P.K. Bhatia, A Detailed Review of Feature Extraction in Image Processing Systems, International Conference on Advance Computing & Communication Technologies IEEE, 2014.
URL	:	-