<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="100548">
 <titleInfo>
  <title>SUBSTRAKSI LATAR MENGGUNAKAN NILAI MEAN UNTUK KLASIFIKASI KENDARAAN BERGERAK BERBASIS DEEP LEARNING</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Ilal Mahdi</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik (S2)</publisher>
   <dateIssued>2022</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Theses</form>
  <extent></extent>
 </physicalDescription>
 <note>ABSTRAK&#13;
 &#13;
Sistem deteksi objek bergerak telah banyak digunakan dalam kehidupan sehari-hari. Namun, hasil deteksi objek belum sepenuhnya akurat karena dalam memodelkan latar suatu objek masih belum akurat. Penelitian ini bertujuan untuk memodelkan substraksi latar dari sebuah citra menggunakan nilai mean dengan konsep non overlapping block. Kemudian hasil substraksi latar akan digunakan dalam deteksi objek bergerak dengan deep learning. Proses substraksi latar dilakukan menggunakan pendekatan berbasis blok dan nilai mean dari setiap blok. Citra masukan akan dibagi ke dalam beberapa blok, kemudian setiap blok dihitung nilai mean dari keseluruhan piksel yang ada di dalam blok tersebut. Kemudian hasil substraksi latar dilatih dan diuji menggunakan metode deteksi objek bergerak berbasis deep learning. Dataset yang akan digunakan dalam penelitian ini adalah CDNet 2014. Hasil akurasi mencapai 97,05% untuk deteksi kenderaan bergerak dan mempunyai kecepatan 55 frame per second. Hasil ini menunjukkan bahwa penelitian ini mampu menghasilkan sistem deteksi objek bergerak yang akurat dan lebih cepat. &#13;
&#13;
Kata kunci: deteksi objek bergerak, nilai mean, deep learning, substraksi latar.&#13;
</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>100548</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2022-06-15 14:31:40</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2022-06-15 15:40:52</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>