ANALISIS KINERJA ARSITEKTUR DEEP LEARNING PADA COMPUTER VISION DALAM IMPLEMENTASI AUGMENTED REALITY UNTUK DETEKSI OBJEK SEDERHANA

  • Muhammad Syaiful Aliim Fakultas Teknik, Universitas Jenderal Soedirman, Indonesia
  • Azis Wisnu Widhi Nugraha Fakultas Teknik, Universitas Jenderal Soedirman, Indonesia
  • Mulki Indana Zulfa Fakultas Teknik, Universitas Jenderal Soedirman, Indonesia
  • Mohammad Irham Akbar Fakultas Teknik, Universitas Jenderal Soedirman, Indonesia
  • Eko Murdyantoro AM Fakultas Teknik, Universitas Jenderal Soedirman, Indonesia
##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.20884/1.semnaslppm.2024.13.1.10049

Abstrak

Machine learning adalah bagian ilmu dari Artificial Intelligence atau AI, dimana fokus pada pengembangan algoritma dan model statistic sehingga mengijinkan computer mampu belajar dan memprediksi atau keputusan tanpa perlu diprogram secara spesifik. Deep learning merupakan turunan dari machine learning dimana berfokus pada penggunaan jaringan syaraf tiruan untuk memecahkan permasalahan kompleks seperti Computer Vision, Natural Processing Language, Speech Recognition, dan Reinforcement Learning. Augmented Reality atau AR adalah teknologi yang memungkinan mencampurkan dunia fisik dengan element digital atau informasi secara langsung. Saat ini teknologi AR sudah banyak digunakan pada kehidupan sehari-sehari, namun ada tread off yang harus dibayar dalam penggunaan teknologi AR, komputasi yang digunakan oleh teknologi ini cukup berat padahal membutuhkan low latency system sehingga mendapatkan pengalaman penggunaan AR yang lancar apalagi teknologi Augmented Reality digabungkan Bersama dengan Computer Vision, dimana Computer Vision menggunakan Deep Learning. Oleh karena itu peneliti berharap menemukan arsitektur Deep Learning yang cocok diimplementasikan bersama dengan Augmented Reality.

Referensi

Jurnal
Aini, L.Q., L. Suryani A.N. Sugiharto and A.L. Abadi. 2013. Identification of Bacterial Wilt and Leaf Blight Disease on Maize (Zea Mays) Found in Kediri, Indonesia. Agrivita 35(1): 1–7.

Ammar, E, V.R. Correa, S.A. Hogenhout, and M.G. Redinbaugh. 2014. Immunofluorescence localization and ultrastructure of Stewart’s wilt disease bacterium Pantoea stewartii in maize leaves and in its flea beetle vector Chaetocnema pulicaria (Coleoptera: Chrysomelidae). Journal of Microscopy and Ultrastructure 2(2014): 28 – 33.

Arwiyanto, T., Y.M.S. Maryudani., N. Nurul, dan Azizah. 2007. Sifat-sifat fenotipik Pseudomonas fluorescens, agensia pengendalian hayati penyakit lincat pada tembakau temanggung. Biodiversitas 8(2): 147 – 151.

Cavaglieri, L., J. Orlando and M, Etcheverry. 2009. Rhizosphere microbial community structure at different maize plant growth stages and root locations. Microbiological Research 164(4): 391 – 395.

Buku

BPS. 2017. Luas panen jagung menurut propinsi 1993-2015. Badan Pusat Statistik. Jakarta.
Diterbitkan
2024-02-06
##submission.howToCite##
ALIIM, Muhammad Syaiful et al. ANALISIS KINERJA ARSITEKTUR DEEP LEARNING PADA COMPUTER VISION DALAM IMPLEMENTASI AUGMENTED REALITY UNTUK DETEKSI OBJEK SEDERHANA. Prosiding Seminar Nasonal LPPM UNSOED, [S.l.], v. 13, n. 1, p. 125-128, feb. 2024. ISSN 2985-9042. Tersedia pada: <https://jos.unsoed.ac.id/index.php/semnaslppm/article/view/10049>. Tanggal Akses: 01 july 2025 doi: https://doi.org/10.20884/1.semnaslppm.2024.13.1.10049.

##plugins.generic.recommendByAuthor.heading##

##plugins.generic.recommendByAuthor.noMetric##