<?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="35166">
<titleInfo>
<title>PENERAPAN METODE DEEP LEARNING UNTUK DETEKSI LARVA NYAMUK AEDES</title>
</titleInfo>
<name type="Personal Name" authority="">
<namePart>Pratidina, Sindy</namePart>
<role><roleTerm type="text">Primary Author</roleTerm></role>
</name>
<typeOfResource manuscript="yes" collection="yes">mixed material</typeOfResource>
<genre authority="marcgt">bibliography</genre>
<originInfo>
<place><placeTerm type="text">Jakarta</placeTerm></place>
<publisher>Universitas YARSI</publisher>
<dateIssued>2020</dateIssued>
<issuance>monographic</issuance>
<edition></edition>
</originInfo>
<language>
<languageTerm type="code">id</languageTerm>
<languageTerm type="text">Indonesia</languageTerm>
</language>
<physicalDescription>
<form authority="gmd">Text</form>
<extent></extent>
</physicalDescription>
<note>Nyamuk Aedes merupakan hewan yang berbahaya yang dapat menyebabkan berbagai macam penyakit seperti virus Zika, Chikungunya, Demam Berdarah Dengue (DBD), dan berbagai penyakit lainnya. Jumlah kasus demam berdarah terus bertambah setiap tahunnya, Penelitian ini dikhususkan untuk meneliti tentang deteksi larva nyamuk Aedes yang merupakan salah satu sumber masalah bagi kehidupan manusia. Upaya dalam mengendalikan masalah penyakit yang disebabkan oleh nyamuk Aedes dengan cara dideteksi secara dini berdasarkan spesies larva nyamuk. Penelitian dilakukan dengan
menggunakan metode Deep Learning. Data yang dipakai merupakan data larva nyamuk Aedes pada abdomen bagian ke-8 yaitu bagian siphon larva nyamuk, objek yang cukup mudah untuk diidentifikasi karena memiliki ciri khas yang unik pada setiap spesiesnya. Eksperimen yang dilakukan untuk mendeteksi larva nyamuk Aedes dengan mengidentifikasi menggunakan metode Deep Learning dengan model Convolutional
Neural Networks (CNN), Pretrained, dan Single Shot Detection (SSD). Pada proses penelitian ini, data larva nyamuk dilakukan segmentasi secara manual dan otomatis pada
bagian siphon. Proses yang dilakukan pada penelitian ini dengan melakukan segment/labeling data, augment data, split data, pre-processing, training dan testing, lalu hasil dievaluasi dan dianalisis prosesnya dengan menggunakan arsitektur metode Deep Learning untuk mendeteksi larva nyamuk Aedes. Eksperimen pada penelitian ini menunjukkan bahwa segmentasi manual lebih baik dibandingkan segmentasi otomatis, dengan nilai akurasi yang tertinggi pada model layer CNN9 dengan nilai akurasi 99.33%, dan Pretrained dengan model VGG16 memiliki nilai akurasi 99.79%. 

Kata kunci: Aedes, Deep Learning, Convolutional Neural Networks, Pretrained, dan Single Shot Detection</note>
<subject authority=""><topic>SINGLE SHOT DETECTION</topic></subject>
<subject authority=""><topic>AEDES</topic></subject>
<classification>S-719-FTI</classification><identifier type="isbn"></identifier><location>
<physicalLocation>Perpustakaan Universitas YARSI Library is the Brain and The Heart of The University</physicalLocation>
<shelfLocator>S-719-FTI</shelfLocator>
<holdingSimple>
<copyInformation>
<numerationAndChronology type="1">S-719-FTI</numerationAndChronology>
<sublocation>Perpustakaan 1 - Lt2 (FTI-PSTI)</sublocation>
<shelfLocator>S-719-FTI</shelfLocator>
</copyInformation>
</holdingSimple>
</location>
<slims:digitals>
<slims:digital_item id="7067" url="http://digilib.yarsi.ac.id/9071/" path="/http://digilib.yarsi.ac.id/9071/" mimetype="text/uri-list">PENERAPAN METODE DEEP LEARNING UNTUK DETEKSI LARVA NYAMUK AEDES</slims:digital_item>
</slims:digitals><recordInfo>
<recordIdentifier>35166</recordIdentifier>
<recordCreationDate encoding="w3cdtf">2021-07-27 10:12:03</recordCreationDate>
<recordChangeDate encoding="w3cdtf">2021-07-27 10:12:27</recordChangeDate>
<recordOrigin>machine generated</recordOrigin>
</recordInfo></mods></modsCollection>