Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLO
Pengembangan computer vision memberikan solusi dalam melakukan deteksi yang lebih beragam, salah satu contohnya adalah mendeteksi kendaraan. Algoritma tertentu dapat digunakan untuk mendeteksi kendaraan, algoritma YOLOv3 dapat berjalan cukup cepat dalam melakukan deteksi. Modifikasi dilakukan oleh E...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Departement of Electrical Engineering, Faculty of Engineering, Universitas Brawijaya
2021-12-01
|
| Series: | Jurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems) |
| Subjects: | |
| Online Access: | https://jurnaleeccis.ub.ac.id/index.php/eeccis/article/view/1549 |
| _version_ | 1797640084864892928 |
|---|---|
| author | Waru Djuriatno Eka Eka Maulana Candra Brilianto |
| author_facet | Waru Djuriatno Eka Eka Maulana Candra Brilianto |
| author_sort | Waru Djuriatno |
| collection | DOAJ |
| description | Pengembangan computer vision memberikan solusi dalam melakukan deteksi yang lebih beragam, salah satu contohnya adalah mendeteksi kendaraan. Algoritma tertentu dapat digunakan untuk mendeteksi kendaraan, algoritma YOLOv3 dapat berjalan cukup cepat dalam melakukan deteksi. Modifikasi dilakukan oleh Eric Liu dengan mengganti fitur ekstraktor DarkNet53 menjadi MobileNet pada algoritma YOLOv3 untuk mengurangi banyaknya proses komputasi, metode ini dapat mencapai waktu inferensi 4,79 ms dan presisi rata-rata (AP) 74,6% pada GPU GTX 1080. Prosesor neural merupakan prosesor yang didesain untuk melakukan operasi yang ada pada neural network. Prosesor neural dapat menjadi perangkat yang digunakan dalam implementasi algoritma ini. Penelitian ini dilakukan dengan tujuan membandingkan tingkat presisi (AP) dan kecepatan inferensi antara GTX 1080 dengan Myriad 2. Myriad 2 mampu melakukan inferensi dengan waktu 174,2 ms dan memiliki presisi rata-rata 71,74%. Myriad 2 mampu memberikan waktu inferensi yang lebih sedikit pada Raspberry Pi 3 B saat menjalankan algoritma MobileNet-YOLO. |
| first_indexed | 2024-03-11T13:25:41Z |
| format | Article |
| id | doaj.art-b2e26c717f494f9085c937705f168e0d |
| institution | Directory Open Access Journal |
| issn | 2460-8122 |
| language | English |
| last_indexed | 2024-03-11T13:25:41Z |
| publishDate | 2021-12-01 |
| publisher | Departement of Electrical Engineering, Faculty of Engineering, Universitas Brawijaya |
| record_format | Article |
| series | Jurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems) |
| spelling | doaj.art-b2e26c717f494f9085c937705f168e0d2023-11-03T07:20:28ZengDepartement of Electrical Engineering, Faculty of Engineering, Universitas BrawijayaJurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems)2460-81222021-12-01153929710.21776/jeeccis.v15i3.15491286Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLOWaru Djuriatno0Eka Eka Maulana1Candra BriliantoJurusan Teknik Elektro Fakultas Teknik Universitas BrawijayaJurusan Teknik Elektro Fakultas Teknik Universitas BrawijayaPengembangan computer vision memberikan solusi dalam melakukan deteksi yang lebih beragam, salah satu contohnya adalah mendeteksi kendaraan. Algoritma tertentu dapat digunakan untuk mendeteksi kendaraan, algoritma YOLOv3 dapat berjalan cukup cepat dalam melakukan deteksi. Modifikasi dilakukan oleh Eric Liu dengan mengganti fitur ekstraktor DarkNet53 menjadi MobileNet pada algoritma YOLOv3 untuk mengurangi banyaknya proses komputasi, metode ini dapat mencapai waktu inferensi 4,79 ms dan presisi rata-rata (AP) 74,6% pada GPU GTX 1080. Prosesor neural merupakan prosesor yang didesain untuk melakukan operasi yang ada pada neural network. Prosesor neural dapat menjadi perangkat yang digunakan dalam implementasi algoritma ini. Penelitian ini dilakukan dengan tujuan membandingkan tingkat presisi (AP) dan kecepatan inferensi antara GTX 1080 dengan Myriad 2. Myriad 2 mampu melakukan inferensi dengan waktu 174,2 ms dan memiliki presisi rata-rata 71,74%. Myriad 2 mampu memberikan waktu inferensi yang lebih sedikit pada Raspberry Pi 3 B saat menjalankan algoritma MobileNet-YOLO.https://jurnaleeccis.ub.ac.id/index.php/eeccis/article/view/1549deteksi objekdeep learningmyriad 2mobilenet-yolocnn |
| spellingShingle | Waru Djuriatno Eka Eka Maulana Candra Brilianto Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLO Jurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems) deteksi objek deep learning myriad 2 mobilenet-yolo cnn |
| title | Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLO |
| title_full | Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLO |
| title_fullStr | Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLO |
| title_full_unstemmed | Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLO |
| title_short | Aplikasi Pedeteksi Objek Kendaraan Menggunakan Intel Movidius Neural Compute Stick Dengan Algoritma Mobilenet-YOLO |
| title_sort | aplikasi pedeteksi objek kendaraan menggunakan intel movidius neural compute stick dengan algoritma mobilenet yolo |
| topic | deteksi objek deep learning myriad 2 mobilenet-yolo cnn |
| url | https://jurnaleeccis.ub.ac.id/index.php/eeccis/article/view/1549 |
| work_keys_str_mv | AT warudjuriatno aplikasipedeteksiobjekkendaraanmenggunakanintelmovidiusneuralcomputestickdenganalgoritmamobilenetyolo AT ekaekamaulana aplikasipedeteksiobjekkendaraanmenggunakanintelmovidiusneuralcomputestickdenganalgoritmamobilenetyolo AT candrabrilianto aplikasipedeteksiobjekkendaraanmenggunakanintelmovidiusneuralcomputestickdenganalgoritmamobilenetyolo |