ABSTRAK Nama : Muhammad Arif Nasution Program Studi : Magister Ilmu Komputer Judul : Faster R-CNN dengan Structured Sparsity Learning dan Ristretto Untuk Perangkat Bergerak Deep learning adalah salah satu area pembelajaran mesin yang sedang berkembang pesat dan memiliki kemampuan untuk melakukan pemodelan data kompleks dari dunia nyata. Metode deep learning telah terbukti memberikan hasil yang baik pada beberapa kasus seperti pengenalan wajah, aksi, gestur maupun integrasi dengan metode lain contohnya simulated annealing atau algoritma metaheuristik. Sayangnya, meskipun penelitian terkait deep learning tersebut telah terbukti memberikan hasil yang baik pada banyak kasus, salah satu kekurangan metode ini adalah dibutuhkannya sumber daya yang besar untuk proses komputasi sehingga sulit diimplementasikan pada lingkungan dengan sumber daya terbatas seperti perangkat bergerak. Pada tesis ini, dilakukan implementasi Faster R-CNN dengan menggabungkan metode Structured Sparsity Learning untuk regularisasi menggunakan group lasso pada layer konvolusi dan framework Ristretto untuk kuantisasi jaringan pada layer fully connected. Penggabungan kedua metode ini diharapkan dapat memperkecil sumber daya yang dibutuhkan oleh Faster R-CNN sehingga dapat diterapkan pada perangkat bergerak. Penelitian ini membuktikan bahwa penggabungan kedua model dapat mempercepat proses komputasi dan tidak memberikan pengaruh besar pada nilai akurasi pengenalan objek. Kata Kunci: Deep Learning, Convolution Neural Network, Fast R-CNN, Faster R-CNN, SSL, Ristretto