from docx import Document
from [Link] import Inches
# Buat dokumen Word baru
doc = Document()
# Halaman Judul
doc.add_heading('Pengembangan Sistem Cerdas Menggunakan CNN untuk Deteksi Objek', 0)
doc.add_paragraph('Erwin Panggabean, Andri, Aaaa, Bbbb\nSTMIK Pelita Nusantara Medan, Sumatera
Utara, Indonesia')
# BAB I: PENDAHULUAN
doc.add_heading('BAB I. PENDAHULUAN', level=1)
doc.add_heading('1.1 Latar Belakang', level=2)
doc.add_paragraph(
"Kemajuan teknologi kecerdasan buatan (AI) telah memungkinkan pengembangan sistem cerdas
untuk berbagai kebutuhan. "
"Salah satu aplikasi yang signifikan adalah deteksi objek pada gambar dan video, yang banyak
digunakan dalam bidang keamanan, kendaraan otonom, dan analisis citra medis. "
"Convolutional Neural Network (CNN) merupakan salah satu metode deep learning yang paling efektif
dalam mendeteksi objek karena kemampuannya dalam mengekstraksi fitur spasial."
doc.add_heading('1.2 Rumusan Masalah', level=2)
doc.add_paragraph(
"- Bagaimana merancang dan mengimplementasikan sistem deteksi objek menggunakan CNN?\n"
"- Bagaimana kinerja sistem dalam mengenali objek dari dataset gambar?\n"
"- Apa saja tantangan yang dihadapi dalam proses pelatihan dan prediksi CNN?"
doc.add_heading('1.3 Tujuan Kegiatan', level=2)
doc.add_paragraph(
"- Mengembangkan sistem deteksi objek berbasis CNN.\n"
"- Menilai akurasi dan performa sistem deteksi terhadap dataset standar.\n"
"- Menyediakan pemahaman praktis penggunaan CNN untuk deteksi objek."
doc.add_heading('1.4 Manfaat Kegiatan', level=2)
doc.add_paragraph(
"- Memberikan wawasan tentang implementasi CNN dalam sistem cerdas.\n"
"- Menjadi referensi pengembangan sistem pengenalan objek di masa depan."
# BAB II: TINJAUAN PUSTAKA
doc.add_heading('BAB II. TINJAUAN PUSTAKA', level=1)
doc.add_heading('2.1 Deteksi Objek', level=2)
doc.add_paragraph(
"Deteksi objek adalah proses mengenali dan melokalisasi objek-objek dari kelas tertentu dalam
sebuah gambar atau video. "
"Dalam implementasi modern, deteksi objek dilakukan menggunakan pendekatan deep learning,
khususnya Convolutional Neural Network (CNN)."
doc.add_heading('2.2 Convolutional Neural Network (CNN)', level=2)
doc.add_paragraph(
"CNN adalah jenis jaringan saraf tiruan yang sangat efektif untuk mengenali pola spasial dalam data
gambar. "
"CNN terdiri dari beberapa lapisan konvolusi, aktivasi, pooling, dan fully connected yang
memungkinkan sistem belajar fitur dari data secara otomatis."
doc.add_heading('2.3 Dataset Deteksi Objek', level=2)
doc.add_paragraph(
"Dataset populer yang digunakan dalam deteksi objek antara lain CIFAR-10, COCO, dan PASCAL VOC. "
"CIFAR-10 berisi 60.000 gambar berwarna 32x32 piksel dalam 10 kelas objek seperti mobil, pesawat,
anjing, dan kucing."
doc.add_heading('2.4 Python dan TensorFlow/Keras', level=2)
doc.add_paragraph(
"Python adalah bahasa pemrograman populer untuk AI dan deep learning karena sintaksnya yang
sederhana dan pustaka yang lengkap. "
"TensorFlow dan Keras adalah framework open-source yang mendukung pembangunan model CNN
secara efisien dan fleksibel."
# BAB III: METODOLOGI PELAKSANAAN
doc.add_heading('BAB III. METODOLOGI PELAKSANAAN', level=1)
doc.add_heading('3.1 Tahapan Kegiatan', level=2)
doc.add_paragraph(
"1. Studi Literatur\n2. Pengumpulan dan persiapan dataset CIFAR-10\n3. Perancangan dan pelatihan
model CNN\n4. Evaluasi hasil deteksi\n5. Dokumentasi dan pelaporan"
doc.add_heading('3.2 Arsitektur Sistem', level=2)
doc.add_paragraph(
"Model CNN terdiri dari 3 lapisan konvolusi, masing-masing diikuti oleh lapisan pooling dan ReLU,
kemudian diakhiri dengan fully connected layer dan softmax untuk klasifikasi."
doc.add_heading('3.3 Implementasi Program', level=2)
doc.add_paragraph(
"Implementasi dilakukan dengan Python menggunakan TensorFlow/Keras. Model dilatih pada CIFAR-
10 untuk mengenali objek secara otomatis. "
"Kode program disusun modular dan hasil prediksi divisualisasikan."
# BAB IV: HASIL DAN PEMBAHASAN
doc.add_heading('BAB IV. HASIL DAN PEMBAHASAN', level=1)
doc.add_heading('4.1 Hasil Implementasi', level=2)
doc.add_paragraph(
"Program deteksi objek berhasil diimplementasikan menggunakan CNN sederhana yang dilatih pada
dataset CIFAR-10. "
"Sistem mampu mengenali objek seperti pesawat, mobil, burung, kucing, rusa, anjing, katak, kuda,
kapal, dan truk. "
"Arsitektur CNN meliputi 3 convolutional layers, 2 max-pooling layers, 1 fully connected layer, dan 1
softmax output layer."
doc.add_heading('4.2 Contoh Penggunaan dan Gambar Hasil', level=2)
doc.add_paragraph(
"Contoh penggunaan model:\n\n"
"python\n"
"import tensorflow as tf\n"
"from [Link] import layers, models\n"
"import [Link] as plt\n"
"import numpy as np\n\n"
"(x_train, y_train), (x_test, y_test) = [Link].cifar10.load_data()\n"
"x_train, x_test = x_train / 255.0, x_test / 255.0\n"
"class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']\n\n"
"model = [Link]([\n"
" layers.Conv2D(32, (3,3), activation='relu', input_shape=(32,32,3)),\n"
" layers.MaxPooling2D((2,2)),\n"
" layers.Conv2D(64, (3,3), activation='relu'),\n"
" layers.MaxPooling2D((2,2)),\n"
" layers.Conv2D(64, (3,3), activation='relu'),\n"
" [Link](),\n"
" [Link](64, activation='relu'),\n"
" [Link](10)\n"
"])\n\n"
"[Link](optimizer='adam',\n"
" loss=[Link](from_logits=True),\n"
" metrics=['accuracy'])\n"
"[Link](x_train, y_train, epochs=10, validation_data=(x_test, y_test))\n"
"\n"
doc.add_heading('4.3 Analisis', level=2)
doc.add_paragraph(
"Model menunjukkan performa cukup baik dengan akurasi validasi ±70%. Kelas seperti “ship” dan
“automobile” mudah dikenali, sedangkan kelas seperti “cat” dan “dog” lebih sulit karena fitur visual
yang mirip."
doc.add_heading('4.4 Kelebihan dan Kekurangan', level=2)
doc.add_paragraph(
"Kelebihan:\n- Proses training cepat\n- CNN efektif untuk pola visual\n- Struktur fleksibel\n\n"
"Kekurangan:\n- Tidak mencakup bounding box\n- Dataset terbatas\n- Perlu hardware GPU untuk
kecepatan optimal"
# BAB V: PENUTUP
doc.add_heading('BAB V. PENUTUP', level=1)
doc.add_heading('5.1 Kesimpulan', level=2)
doc.add_paragraph(
"CNN terbukti efektif untuk pengenalan objek dalam gambar. Sistem yang dibangun mampu
mengenali objek dari dataset CIFAR-10 dengan akurasi yang memadai."
doc.add_heading('5.2 Saran', level=2)
doc.add_paragraph(
"Untuk pengembangan selanjutnya, disarankan penggunaan dataset lebih kompleks serta integrasi
metode deteksi bounding box seperti YOLO atau SSD."
# DAFTAR PUSTAKA
doc.add_heading('DAFTAR PUSTAKA', level=1)
doc.add_paragraph(
"1. Chollet, F. (2018). Deep Learning with Python. Manning Publications.\n"
"2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.\n"
"3. TensorFlow Documentation - [Link]
"4. CIFAR-10 Dataset - [Link]
"5. Brownlee, J. (2019). Better Deep Learning. Machine Learning Mastery."
# Simpan file
final_path = "/mnt/data/Laporan_Pengembangan_CNN_Deteksi_Objek.docx"
[Link](final_path)
final_path