2.

10 Penelitian Terdahulu

Penulis menggunakan beberapa penelitian terdahulu yang membahas

pendeteksian objek dengan berbagai macam metode sebagai sumber referensi
Tabel 2.5 Penelitian Terdahulu
No Nama Peneliti, Judul Dan Metode Kesimpulan
Tahun

1 Darma, M. D. (2018) Sistem (Convolution dibagi menjadi 4 jenis,

Monitoring Kursi Pada
Ruangan Kelas Dengan
Metode Convolution Al
Neural Network (CNN).
Universitas IslamNegeri Sultan
Syarif Kasim Riau.
al Neural masing-masing pengujian
Networks) mendapatkannilai akurasi
pada ruangan kelas 75,
6%, pada pengujian
hitung jumlah kursi yang
benarmendapatkan nilai
0%, pada pengujian
jenis- jenis kursi 100 %
dan pada pengujian tata
letak kursi 66,6 %.

2 Limantoro, S. E.,Kristian, Y. CNN Kinerja bobot terhadap

and Purwanto, D. D. (2018) (Convolution data pengujian pada
‘Pemanfaatan al Neural eksperimen
Deep Learning pada Video Networks) eksperimen
DashCam untuk Deteksi menghasilkan f1-score
Pengendara Sepeda Motor’, masing-masing 0,977,
Jurnal Nasional Teknik 0,988, 0,989, dan 0,986.
Elektro dan Teknologi
Informasi, 7(2),
pp. 167–173.

25
3 Medical Text Classification
using Convolutional Neural
Networks (Hughes, Li,
Kotoulas, & Suzumura, 2017)
4 Sahertian, J. and Sanjaya, A. S.
A. (2017) ‘Deteksi Buah Pada
PohonMenggunakan Metode
CNN Mereka memanfaatkan
(Convolution CNN sebagai pendekatan
al Neural untuk melakukan
Networks) klasifikasi teks pada level
kalimat, berdasarkan
semantik yang sering
muncul dari ekstraksi
korpus teks medis.
Dilakukan perbandingan
menggunakan 3 metode
lainnya, yaitu : Sentence
Embeddings, Mean Word
Embeddings, dan Word
Embeddings dengan
BOW (bag-of-words).
Dari evaluasi yang
dilakukan secara
mendetil pada setiap
metode, metode CNN
yang digunakan pada
penelitian ini lebih baik
dalam melkaukan
klasifikasi dari
pendekatan NLP dengan
metode lain sebanyak
15%
SVM Hasil eksperimen pada
beberapa citra ImageNet
menunjukkanbahwa
26
 Svm DanFitur Tekstur’,
SEMNASTEKNOMEDIA
ONLINE,5(1), pp. 3–4
5 Susanto, K. N., Gunadi, K.
and Setyati, E. (2019)
‘Pengenalan Karakter pada
PlatNomor Indonesia dengan
Tilt Correction dan Metode
Faster R- CNN’, Jurnal Infra,
7(1), pp. 1–
7.
6 Nugroho, H. (2017) ‘Deteksi
Citra Objek Lingkaran
DenganMenggunkan Metode
Ekstraksi Bentuk Circularity’,
INTEGER:
Journal of Information
Technology, 2(1).
7 Ma’ali, A. M. and
Hendriyawan, A. (2019)
metode yang diusulkan
mampu menghasilkan
akurasi sebesar 76% dan
tingkat kesalahan
prediksi sebesar 24%.
Canny Edge Hasil pengujian dari
Detection dan dataset peneliti, akurasi
Faster R- deteksi karakter pada plat
CNN nomor mencapai 82,14%
dan akurasi deteksi warna
mobil mencapai 78,54%.
Ekstraksi Bentuk posisi citra
Bentuk tidak banyak
Circularity mempengaruhi
nilaihasil ekastraksi
fiturbentuk
circularity contoh pada
citra setengah
lingkarankiri dengan
nilai ekstraksi fitur
0.6701525 dan citra
setengah lingkaran atas
dengan nilai ekstraksi
fitur 0.681084
Faster R- Hasil akurasi dari
dataset yang telah
27
 Rancang Bangun Sistem CNN dilakukan pelatihan
Pengendali Lampu Lalu adalah 97.027%
Lintas Berdasarkan sertapersentase
Pengenalan Citra Digital error perhitungan
Kendaraan Menggunakan jumlah kendaraan
Metode Faster R- Cnn. adalah sebesar
University ofTechnology 2.188%.
Yogyakarta.
Sumber : Diolah oleh peneliti

28