RANCANG BANGUN APLIKASI DETEKSI PELANGGARAN TATA TERTIB MAHASISWA DENGAN MENGGUNAKAN ALGORITMA CNN BERBASIS ANDROID (PERANCANGAN MODEL DETEKSI PELANGGARAN TATA TERTIB MENGGUNAKAN ALGORITMA CNN RESNET 50)

2107412062, Angga Pranidiya Saputro (2025) RANCANG BANGUN APLIKASI DETEKSI PELANGGARAN TATA TERTIB MAHASISWA DENGAN MENGGUNAKAN ALGORITMA CNN BERBASIS ANDROID (PERANCANGAN MODEL DETEKSI PELANGGARAN TATA TERTIB MENGGUNAKAN ALGORITMA CNN RESNET 50). D4 thesis, Politeknik Negeri Jakarta.

[thumbnail of HALAMAN IDENTITAS SKRIPSI] Text (HALAMAN IDENTITAS SKRIPSI)
Halaman Identitas.pdf

Download (2MB)
[thumbnail of ISI (BAB 2 s/d 4)] Text (ISI (BAB 2 s/d 4))
BAB 2 - BAB 4.pdf
Restricted to Hanya Civitas Akademika PNJ

Download (999kB)
[thumbnail of Manuskrip artikel ilmiah (jurnal)] Text (Manuskrip artikel ilmiah (jurnal))
Draft Artikel - Angga Pranidiya Saputro - MULTINETICS.pdf
Restricted to Hanya Staff Repositori

Download (419kB)

Abstrak

Pelanggaran peraturan di lingkungan kampus, seperti merokok, makan, dan minum, masih sering dijumpai dan dapat mengganggu aktifitas pembelajaran. Proses pemantauan secara manual memiliki keterbatasan, baik dari sisi waktu maupun sumber daya manusia. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengevaluasi kinerja model deteksi pelanggaran otomatis dengan memanfaatkan algoritma Convolutional Neural Network (CNN). Penelitian ini menggunakan arsitektur ResNet 50 sebagai system klasifikasi untuk membedakan antara perilaku melanggar dan tidak melanggar. Dalam penelitian ini,secara khusus difokuskan untuk mendeteksi tiga jenis pelanggaran tata tertib yang umum terjadi, yaitu merokok, makan, dan minum, menggunakan pendekatan deep learning dengan arsitektur CNN ResNet. Dataset yang digunakan terdiri dari 9.585 gambar aktivitas mahasiswa, yang mencakup kategori merokok, makan, dan minum. Data diperoleh dari dataset publik dan lingkungan PNJ telah melalui proses preprocessing seperti resizing dan augmentasi untuk meningkatkan variasi dan kualitas data. Berdasarkan hasil pengujian, model mencapai akurasi pengujian sebesar 86.67%, precision 85%, recall 92%, dan F1-Score 88% pada data uji pelanggaran merokok, pada data uji minum akurasi pengujian sebesar 83.87%, precision 96%, recall 70%, dan F1- Score 81%, pada data uji makan mendapatkan akurasi pengujian sebesar 92.86%, precision 88%, recall 100%, F1-Score 93%. Hasil ini menunjukkan bahwa kemampuan model memiliki kinerja yang bervariasi tergantung pada jenis pelanggaran yang dideteksi.

Tipe Dokumen: Thesis / Skripsi / Tugas Akhir (D4)
Subjek: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 001 Ilmu pengetahuan
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer
Bidang, Unit, atau Jurusan Yang Ditujukan: Teknik Informatika dan Komputer > Teknik Informatika D4
User ID Pengunggah: Angga Pranidiya Saputo
Date Deposited: 28 Jul 2025 04:01
Last Modified: 28 Jul 2025 04:01
URI: https://repository.pnj.ac.id/id/eprint/30005

Actions (login required)

View Item
View Item