<![CDATA[Dalam tugas akhir ini yang berjudul perancangan sistem deteksi objek berbasis convolutional neural network menggunakan yolov4 dan opencv. Judul tugas akhir ini berawal dari riset bersama dengan dosen yang dilatarbelakangi dari bagaimana cara menerapkan kecerdasan buatan sebagai basis penglihatan komputer untuk robot untuk mendapatkan sistem yang semi otonom. Sistem deteksi objek ini secara garis besar didasari oleh convolutional neural network yang diimplementasikan menjadi model YOLO yang didukung framework Darknet. Proses implementasi ini dipilih karena framework ini mendukung kemudahan pemrosesan data dari dataset hingga menjadi model yang siap pakai. Sistem deteksi objek ini dibuat dengan framework darknet yang berbasis model YOLOv4-Tiny. Proses implementasi didukung oleh software Label IMG (sekarang sudah menjadi satu dengan software label studio) , framework darknet, OpenCV, dan sebagainya. Langkah-langkah pembuatan dan implementasi yang dibutuhkan terdiri dari enam langkah. Langkah pertama yaitu pengumpulan dan pelabelan data. Langkah kedua yaitu menyiapkan dataset tersebut untuk diproses oleh darknet. Langkah ketiga yaitu pengujian dan penilaian dataset. Langkah keempat adalah keputusan untuk mengulang lagi ke langkah pertama dengan menambahkan data. Langkah kelima adalah membuat program detektor berbasis OpenCV. Langkah keenam adalah pengujian lapangan dengan menggunakan kamera KinectV2 sebagai masukan detektor. Pada akhir pengujian rata-rata akurasi yang didapat dengan pengujian dengan data validasi adalah 90,8% untuk model YOLOv4-Tiny dan 95% untuk model YOLOv3-Tiny. Akurasi model ini tidak bisa dipakai sebagai penilaian untuk implementasi di lapangan. Untuk pengujian lapangan metode yang digunakan adalah menghitung berapa jumlah deteksi yang benar pada jarak tertentu, dalam tugas akhir ini dipilih jarak 50 cm, 100 cm, 150 cm, dan 200 cm.]]>
