Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTPengenalan ekspresi wajah telah menjadi tantangan dalam ilmu digital selama bertahun-tahun. Dengan pertumbuhan baru-baru ini di dalam bidang machine learning, sistem pengenalan ekspresi wajah secara real-time dengan machine learning dapat berguna untuk sistem monitoring emosi untuk interaksi manusia-komputer (HCI). Model yang penulis ajukan dirancang dengan model Convolutional Neural Network (CNN) dan menggunakannya untuk melatih dan menguji gambar ekspresi wajah dengan TensorFlow. Sistem ini memiliki dua bagian, sebuah recognizer untuk validasi dan model pelatihan data untuk data training. recognizer berisi detektor wajah dan pengenal ekspresi wajah. Detektor wajah mengekstrak gambar wajah dari frame video dan pengenal ekspresi wajah mengklasifikasikan gambar yang diekstrak. Model pelatihan data menggunakan CNN untuk melatih data. Sistem pengenal juga menggunakan CNN untuk memantau keadaan emosi dari pengguna melalui ekspresi wajah mereka. Sistem ini mengklasifikasikan emosi dalam enam kelas universal, marah, jijik, senang, terkejut, sedih dan takut, ditambah dengan emosi netral.

---

ABSTRACTThe introduction of facial expressions has been a challenge in digital science for many years. With the recent growth in machine learning, a real-time facial recognition recognition system with machine learning can be useful for emotional monitoring systems for human-computer interaction (HCI). The model the author proposes is designed with the Convolutional Neural Network (CNN) model and uses it to train and test facial expression images with TensorFlow. The system has two parts, a recognizer for validation and a data training model for training data. The recognizer contains face detector and facial recognition. The face detector extracts the face image from the video frame and facial expression identifiers classify the extracted image. The data training model uses CNN to train data. The identification system also uses CNN to monitor the emotional state of the user through their facial expressions. This system classifies emotions in six universal classes, anger, disgust, pleasure, shock, sadness and fear, coupled with neutral emotions."

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"Mengemudi dalam keadaan mengantuk merupakan salah satu bentuk kelalaian dalam berkendara yang dapat membahayakan. Oleh karena itu, penelitian ini ditujukan untuk merancang dan membangun sebuah sistem pendeteksi kantuk yang mampu memperingatkan pengemudi apabila sudah berada pada kondisi yang memerlukan istirahat. Sistem yang dikembangkan berupa sebuah aplikasi Android yang memanfaatkan tiga jenis sensor yaitu kamera depan sebagai sumber data citra wajah dengan resolusi 480p, perangkat EEG portabel sebagai sumber data gelombang otak dan MiBand sebagai sumber data detak jantung. Data dari ketiga sensor ini selanjutnya akan digunakan sebagai input bagi sebuah model neural network untuk melakukan deteksi kantuk. Dari penelitian ini didapatkan hasil bahwa arsitektur 1D CNN lebih cocok digunakan sebagai model dalam sistem pendeteksi kantuk dibandingkan dengan LSTM. Interval waktu 4 menit digunakan pada sistem pendeteksi kantuk yang dikembangkan karena dinilai paling optimal untuk digunakan. Dengan menggunakan data dari sepuluh partisipan, model mampu mendapatkan validation accuracy sebesar 96.30%. Sedangkan dari 12 kali percobaan pengujian sistem pendeteksi kantuk yang dikembangkan, sistem mampu melakukan klasifikasi kantuk dengan tingkat akurasi sebesar 83.3%

 

---

Driving in a drowsy condition is one form of carelessness in driving that can be dangerous. Therefore, this research is intended to design and build a drowsy detection system that can warn the driver when they are in a condition that requires to rest. The system was developed in the form of an Android application that utilizes three types of sensors, which are the front camera as a source of face image with 480p resolution, portable EEG devices as a source of brainwaves data and MiBand as the source of heart rate data. Collected data from these three sensors will then be used as input for a neural network model to detect drowsiness. From this study it was found that the 1D CNN architecture is the most suitable to be used as a model in drowsiness detection systems compared to LSTM. A 4-minute time interval is used in the drowsy detection system that was developed because it was considered as the most optimal. By using data from ten participants, the model was able to get a validation accuracy of 96.30%. While from 12 trials of drowsiness detection system testing that was developed, the system can do drowsiness classification with an accuracy rate of 83.3%

 

"

"Badan Meteorologi Klimatologi dan Geofisika (BMKG) memiliki tugas untuk memberikan informasi cuaca termasuk curah hujan. Cuaca merupakan seluruh fenomena yang terjadi di atmosfer bumi. Kondisi cuaca baik hujan atau cerah sangat mempengaruhi aktivitas masyarakat dalam kehidupan sehari-hari, terutama untuk aktivitas di luar ruangan. Kondisi hujan yang terjadi dapat ditentukan dengan adanya curah hujan. BMKG memiliki beberapa jenis alat pengukur curah hujan, dengan jumlah yang belum merata di seluruh wilayah. Harga peralatan itu relative mahal. Solusi yang bisa dilakukan untuk menambah kerapatan pengamatan curah hujan yaitu dengan memanfaatkan sumber yang sudah ada untuk mendapatkan informasi cuaca. Penelitian ini akan memanfaatkan CCTV yang tersebar di wilayah Jakarta untuk diolah sehingga menghasilkan informasi kondisi hujan. Metode yang digunakan yaitu melakukan image processing menggunakan metode Convolutional Neural Network (CNN). Gambar CCTV akan diambil dari internet secara otomatis dengan metode crawling untuk mendapatkan data citra digital. Gambar yang telah tersedia selanjutnya akan dilakukan proses pelatihan dan pengujian model untuk mendapatkan model dengan akurasi terbaik. Hasil dari model ini akan digunakan untuk deteksi hujan pada citra digital CCTV. Proses deteksi hujan akan dilakukan secara otomatis dan real time. Hasil proses deteksi hujan akan ditampilkan ke dalam peta sesuai dengan lokasi terpasangnya CCTV. Penelitian ini telah membuat model CNN untuk deteksi hujan secara otomatis dengan akurasi training 98,8% dan akurasi testing sebesar 96,4% serta telah dilakukan evaluasi dengan data pengamatan BMKG sehingga memiliki akurasi evaluasi sebesar 96,7%.

---

Meteorology Climatology and Geophysics Agency (BMKG) has the duty to provide weather information including rainfall. Weather is a whole phenomenon that occurs in the Earth's atmosphere. Rainy or sunny weather conditions greatly affect community activities in daily life, especially for outdoor activities. Rainfall conditions that occur can be determined by the presence of rainfall. BMKG has several types of rainfall gauges, with a number that has not been evenly distributed throughout the region. The price of the equipment is relatively expensive. The solution that can be done to increase the density of rainfall observations is to utilize existing sources to obtain weather information.

This research will utilize CCTV that is spread in the Jakarta area to be processed so as to produce information on rain conditions. The method used is to do image processing using the Convolutional Neural Network (CNN) method. CCTV images will be taken from the internet automatically by the crawling method to get digital image data. The available images will then be carried out a training process and model testing to get the model with the best accuracy. The results of this model will be used for rain detection on digital CCTV images. The rain detection process will be done automatically and in real time.

The results of the rain detection process will be displayed on the map according to the location of the installed CCTV. This research has made a CNN model for automatic rain detection with 98.8% training accuracy and 96.4% testing accuracy and has been evaluated with BMKG observation data so that it has an evaluation accuracy of 96.7%."

"Hadirnya beragam layanan penyintesis suara manusia di Internet memungkinkan siapa pun untuk melakukan sintesis suara manusia dengan memanfaatkan layanan ini. Di tangan yang salah, teknologi ini dapat merugikan masyarakat awam dan meningkatkan peluang keberhasilan penipuan. Maraknya layanan penyintesis suara manusia yang sudah hampir tidak dapat dibedakan oleh telinga manusia memberikan keluangan untuk menghadirkan sebuah sistem yang dapat membedakan suara manusia dengan suara manusia sintetis. Penelitian ini memanfaatkan teknologi pembelajaran mesin yang berupa Convolutional Neural Networks pada spektogram suara manusia dari himpunan data pelatihan dengan 16 suara manusia yang berisikan 4 suara pria asli, 4 suara pria sintetis, 4 suara wanita asli, dan 4 suara wanita sintetis dengan jumlah 1.008 berkas rekaman suara manusia berformat WAV yang telah dirancang dan dibuat khusus untuk penelitian ini dengan pembagian pelatihan dan validasi sebesar 80% dan 20% secara berurut. Hasil akhir dari penelitian ini memberikan sebuah model CNN dengan bobotnya yang memberikan nilai data loss sekecil 0,00022 dan sebuah sistem yang dapat melakukan deteksi keaslian suara manusia berdasarkan berkas rekaman suara manusia dan model CNN serta bobot yang diberikan.

---

The presence of human voice synthesis services on the Internet allows everyone to create synthetic human voices by leveraging these services. In the wrong hands, this technology could harm unsuspecting citizens and promote chances of scams. The abundance of human voice synthesis service that is almost indistinguishable by human ears gave presence to a system that could distinguish between real and synthetic human voices. This study leverages machine learning technology in the form of Convolutional Neural Networks on a spectrogram from a training dataset with 16 different human voices consisting 4 authentic men voices, 4 synthetic men voices, 4 authentic women voices, and 4 synthetic women voices with the total of 1,008 WAV formatted human voice recording files that was designed and made specifically for this study with the splitting ratio for training and validation set to 80% and 20% respectively. The end result of this study produces a CNN model and its weights with a data loss score of 0.00022, as well as a system that can perform authenticity detection on a human voice based on the given human voice recording file and the CNN model with its weights."

"Teknologi deep learning dapat menyelesaikan banyak masalah yang sulit dipecahkan oleh rumus matematis biasa. Salah satu masalah yang bisa diatasi adalah bahaya akibat rasa kantuk yang dialami pengemudi saat berkendara. Pada penelitian ini dibuat aplikasi android sistem deteksi kantuk yang memanfaatkan kamera smartphone. Kamera digunakan untuk mendapatkan informasi fitur citra wajah yaitu aspek rasio mata kanan, aspek rasio mata kiri, aspek rasio mulut, percentage of eye closure (PERCLOS), tingkat kejadian microsleep, dan tingkat kejadian menguap. Fitur-fitur tersebut didapat dari proses transformasi titik-titik landmark wajah. Pada penelitian ini, ditemukan bahwa metode terbaik untuk mendapatkan titik landmark wajah adalah dengan pelacakan Lucas-Kanade optical flow dengan 5 jumlah frame yang dilacak. Fitur-fitur yang dikumpulkan dapat digunakan untuk mendeteksi tingkat kantuk dengan memanfaatkan model deep learning yang telah dilatih dengan data yang dikumpulkan dari 10 orang. Pada penelitian ini, ada 2 jenis model deep learning yang dilatih untuk mendeteksi tingkat kantuk yaitu model deep neural network (DNN) dan long short-term memory (LSTM). DNN memiliki keseluruhan performa yang lebih baik dibandingkan LSTM. DNN memiliki accuracy sebesar 0.902538 dan f1 sebesar 0.899563. Sedangkan LSTM memiliki dari accuracy sebesar 0.891857 dan f1 sebesar 0.892689. Aplikasi android sistem deteksi kantuk yang dibuat menggunakan model deep learning DNN dan memiliki performa yang bagus dengan accuracy sebesar 0.844 dan f1 sebesar 0.865052. Aplikasi Android memiliki mekanisme pemberitahuan berupa suara yang dimainkan ketika pengemudi mengantuk. Selain itu, pada aplikasi Android juga terdapat 2 fungsi tambahan yaitu deteksi tidur dan deteksi gangguan konsentrasi pengemudi. Kedua fungsi tersebut akan mengeluarkan suara ketika terdeteksi untuk memberitahukan kepada pengguna. Dengan adanya aplikasi sistem deteksi kantuk yang dibuat pada penelitian ini, diharapkan dapat mendeteksi tingkat kantuk pengemudi sehingga mengurangi risiko kecelakaan akibat mengantuk.

---

Deep learning technology can solve many problems that are difficult to solve by ordinary mathematical formulas. One of the problems that can be overcome is the danger due to drowsiness experienced by the driver while driving. In this study, a drowsiness detection system on Android application that uses a smartphone camera is made. The camera is used to obtain facial image feature informations which is right eye aspect ratio, left eye aspect ratio, mouth aspect ratio, percentage of eye closure (PERCLOS), microsleep rate, and yawning rate. These features are obtained by transforming and processing facial landmark points. In this study, it was found that the best method for obtaining facial landmarks points is from Lucas-Kanade optical flow tracking with 5 frames tracked. The features collected can be used to detect drowsiness by utilzing a deep learning model that has been trained with data collected from 10 volunteers. In this study, there are 2 types of deep learning models that are trained to detect drowsiness that are deep neural network (DNN) and long short-term memory (LSTM). DNN has better overall performance than LSTM. DNN has an accuracy of 0.902538 and f1 of 0.899563. Whereas LSTM has an accuracy of 0.891857 and f1 of 0.892689. The drowsiness detection system Android application is created using the DNN model and has a good performance with an accuracy of 0.844 and f1 of 0.865052. The Android application has a notification mechanism in the form of sound that played when the driver is detected to be drowsy. In addition, the Android application also has an additional function that are sleeping detection and driver distraction detection. Both functions will make a sound when detected to notify the user. With the application of drowsiness detection system made in this study, it is expected to detect the level of drowsiness of the driver thereby reducing the risk of accidents due to drowsiness.

"

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"Machine Learning (ML) dan Deep Learning merupakan bidang yang populer pada masa kini. Salah satu ranah tersebut yang menantang untuk diteliti adalah tentang mendeteksi emosi pada teks. Interaksi antara komputer dan manusia dapat menjadi lebih baik apabila komputer dapat mendeteksi emosi, menginterpretasikan emosi tersebut, dan memberikan umpan balik yang sesuai dengan apa yang manusia inginkan. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem pendeteksi emosi pada teks Bahasa Indonesia. Pada penelitian ini, terdapat 2 macam algoritma Deep Learning yang digunakan, yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Convolutional Neural Network merupakan salah satu algoritma Deep Learning dimana karakteristik utamanya menggunakan operasi matriks konvolusi. Long ShortTerm Memory merupakan salah satu algoritma Deep Learning dimana merupakan perkembangan dari algoritma Recurrent Neural Network (RNN). Kedua algoritma tersebut akan didukung dengan Word Embedding Bahasa Indonesia dari fastText dan Polyglot. Package text2emotion akan digunakan sebagai data tambahan untuk evaluasi. Input dataset yang digunakan untuk Deep Learning adalah dataset cerita dongeng yang memiliki emosi "Senang", "Sedih", "Marah", "Takut", "Terkejut", dan "Jijik". Input dataset tersebut akan melalui tahap preprocessing berupa Case Normalization, Stopword Removal, Stemming, Tokenizer, dan Padding. Setelah itu, proses training dijalankan dengan menggunakan RandomizedSearchCV sebagai hyperparameter tuning. Hasil akan dibandingkan dan dianalisis berdasarkan nilai Evaluation Metrics Accuracy, Precision, Recall, dan F1-Score. Sistem berhasil dirancang dengan mencapai hasil Accuracy sebesar 91,60%, Precision sebesar 92,48%, Recall sebesar 91,60%, dan F1- Score sebesar 91,68%.

---

Machine Learning (ML) and Deep Learning is a popular region to be used right now. One of the scopes that challenging to research is about emotion recognition on text. Interaction between computer and human can be better if the computer can recognize the emotion, interpret it, and giving a suitable feedback with the human’s need. Therefore, this research has goal to make an emotion recognition on Indonesian text language. On this research, there’s 2 kind of Deep Learning algorithm that used, that is Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). Convolutional Neural Network is one of Deep Learning algorithm that its main characteristic is using convolution matrix operation. Long Short-Term Memory is one of Deep Learning algorithm which is an improvement from Recurrent Neural Network (RNN) algorithm. Both algorithms will be supported with Indonesian Word Embedding from fastText and Polyglot. Text2emotion package is used for additional data for evaluation. The input dataset that will be used on this Deep Learning is a fairy tale dataset which have “Happy”, “Sad”, “Anger”, “Fear”, “Surprised”, and “Disgust” emotion. That input dataset will be passed to preprocessing stage that consist of Case Normalization, Stop-word Removal, Stemming, Tokenizer, and Padding. After that, training process started with using RandomizedSearchCV as hyperparameter tuning. The result will be compared and analyzed based on Accuracy, Precision, Recall, and F1- Score Evaluation Metrics. System is made with reaching 91.60% Accuracy, 92,48% Precision, 91,60% Recall, and 91,68% F1-Score."

"Skripsi ini membahas penerapan Convolutional Neural Network dalam merancang Sistem Penilaian Esai Otomatis (SIMPLE-O) Berbentuk Gambar. Sistem Penilaian Esai Otomatis (SIMPLE-O) Berbentuk Gambar merupakan perkembangan dari Sistem Penilaian Esai Otomatis atau Simple-O yang telah dikembangkan sebelumnya oleh Departemen Teknik Elektro UI. Tujuan dari dikembangkannya Sistem Penilaian Esai Otomatis (SIMPLE-O) Berbentuk Gambar ini agar dapat menilai sebuah gambar secara otomatis sehingga dapat mempercepat proses penilaian. Rancangan yang dibuat dalam penelitian ini akan memanfaatkan machine learning untuk memprediksi nilai dari gambar yang diuji. Pembelajaran akan dilakukan dengan menggunakan dataset yang memiliki label mulai dari nilai "1" sampai "10". Untuk mendapatkan informasi fitur dari gambar, digunakan algoritma Convolutional Neural Network dimana Neural network ini termasuk ke dalam algoritma Deep Learning. Pada sistem ini sebagian besar bahasa pemrograman yang digunakan adalah Python.

---

This thesis discusses the implementation of Convolutional Neural Network in designing an automated essay grading system in which the essay answer is in the form of an image. This automated essay grading system is based on the Department of Electrical Engineering in University of Indonesia's research called Simple-O. The purpose of this automated essay grading system to be developed is that the images can be graded automatically and accordingly so it will make the grading process more efficient. The design made in this proposal will utilize machine learning to predict the grade for the images inputted. The learning process will be done using a labeled data set from grade "1" to "10". Feature extraction process will be done using Convolutional Neural Network, which is considered a deep learning algorithm. This system will be programmed in Python."

"ABSTRAKA machine learning approach has been used in this work to categorize jewelry images into five different classes. This classification was achieved by using the convolutional neural network (CNN). The objective was to find different approaches that can be competent for the image classification and recognition. The images used in this work are drawn directly from the jewelry industries and companies. The first technique uses support vector machine along with the features that were extracted from the input images using AlexNet. The second method involves the use of Inception v3 model for performing the same. Upon experimenting, it was derived that both the approaches performed well, however, Inception v3 was found to be more successful by 0.9%. The Inception v3 was then further taken to train the dataset from scratch which resulted in better consistency."