Hermawan, Heri (2023) Penerapan algoritma Convolutional Neural Network dalam klasifikasi komponen elektronik. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (228kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (301kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftarisi.pdf Download (434kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (1MB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (4MB) | Request a copy |
|
|
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (3MB) | Request a copy |
|
|
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (8MB) | Request a copy |
|
|
Text (BAB V)
8_bab5.pdf Restricted to Registered users only Download (487kB) | Request a copy |
|
|
Text (DAFTAR PUSTAKA)
9_daftarpustaka.pdf Restricted to Registered users only Download (1MB) | Request a copy |
Abstract
Komponen elektronik merupakan benda untuk membuat suatu alat elektronik yang dalam perancangannya harus dilakukan dengan tepat. Namun, banyaknya jenis�jenis komponen elektronik membuat komponen elektronik sulit untuk diklasifikasikan. Tujuan dari penelitian ini adalah untuk mengetahui seberapa efektif algoritma Convolutional Neural Networks (CNN) dalam mengklasifikasi citra yang berisi komponen-komponen elektronik. Sehingga penelitian ini merupakan langkah awal untuk membuat sistem klasifikasi komponen-komponen elektronik. Metode yang digunakan di dalam penelitian ini adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) dan menggunakan algoritma Convolutional Neural Networks (CNN) untuk melakukan klasifikasi data citra komponen elektronik. Data yang digunakan di dalam penelitian ini diambil dari dataset Basic Electronic Components yang dipublikasikan oleh Julio Leite Azancort Neto di dalam situs website Kaggle. Jumlah data yang digunakan adalah sebanyak 8.842 dengan rincian sebanyak 7.075 untuk data training, 1.767 untuk data validation, dan 40 data untuk testing. Data tersebut kemudian dilakukan praproses dan dilanjutkan ke tahap klasifikasi menggunakan CNN. Algoritma CNN mendapatkan hasil yang baik dengan mendapatkan nilai akurasi sebesar 95%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | CNN;CRISP-DM;Klasifikasi;Komponen Elektronik; |
| Subjects: | Special Computer Methods Special Computer Methods > Computer Vision Special Computer Methods > Computer Pattern Recognition |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Heri Hermawan |
| Date Deposited: | 25 Aug 2023 08:29 |
| Last Modified: | 25 Aug 2023 08:29 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/74169 |
Actions (login required)
 |
View Item |
