Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini menjelaskan suatu metode deteksi kecepatan pengelasan yang bisa diaplikasikan untuk simulator pengelasan menggunakan augmented reality. Dalam proses pengelasan, faktor kecepatan pengelasan menjadi sangat penting karena merupakan salah satu faktor yang menentukan bagus tidak nya kualitas pengelasan. Welding simulator ini nantinya bisa digunakan sebagai bentuk pelatihan pengelasan dengan biaya yang relatif murah. Metode ini menggunakan software ARToolkit,OpenGL library dan Autodesk 3ds Max dalam pembuatannya. Dalam perhitungannya, metode ini menggunakan algoritma perbedaan koordinat dalam satuan waktu yang diambil dari besarnya frame per second (FPS) dari sebuah kamera. Setelah metode ini berhasil dibuat, data pengukuran diambil untuk mendapatkan seberapa tepat dan berapa kesalahan (error) pendeteksian kecepatan pada simulator dari kecepatan yang yang sebenarnya dengan parameter tingkat intensitas cahaya yang berbeda. Analisis dilakukan dan didapatkan nilai kesalahan yang tidak terlalu besar sehingga metode berhasil dibuat dan kedepannya pengembangan lebih lanjut bisa dilakukan untuk membuat fitur-fitur yang lebih canggih.

---

This paper explain about travel angle detection that able to use for welding simulator using augmented reality. Travel speed is one of important parameter that able to influence the welding quality. In the future, this simulator can be used by students who want to join welder training with low cost. This method used ARToolkit, OpenGL library and Autodesk 3ds Max software for build the simulator. The travel speed detection used distance of the coordinat per time unit that included inside of frame per second (FPS) in camera specification. After this method built successfully, data of speed detection was analized for how accurate and how many error from speed detection to actual speed with different lighting condition. The speed detection error was not far away from the actual speed, so this simulator can be development more to get more important feature on welding process in the future."

"Pengelasan, merupakan salah satu skill yang sulit dikuasai dan mahal untuk pelatihannya. Dalam pelatihan untuk melakukan welding, waktu beserta material yang terbuang tidaklah sedikit. Selain itu proses analisis dari welding yang telah dilakukan tidaklah sebentar, butuh orang yang berpengalaman untuk menilai apakah suatu pengelasan yang dilakukan saat pelatihan sudah bisa dikatakan bagus. Karena itu simulator pengelasan berbasis augmented reality sudah mulai digunakan dalam pelatihan pengelasan. Dalam pembuatan suatu welding simulator, banyak bagian-bagian yang harus dibuat sehingga dapat menjadi suatu aplikasi simulator yang bisa digunakan. Orientasi atau sudut pengelasan merupakan bagian dari variabel yang akan mempengaruhi suatu hasil pengelasan. Karena itu penulis mengembangkan suatu metode untuk mencari perhitungan sudut orientasi welding torch sehingga dapat digunakan sebagai bagian dari welding simulator.

---

Welding, is one of skill that is difficult to be mastered and also cost a high amount of money in the training process. In the training process usually the time and the material that has been wasted can be considered many. And then an experienced person is needed to analyze the welding results. Because of that a semi-automatized training needs to be created. So welding simulator with augmented reality has been used in modern country to make the welding training more efficient. To meake a welding simulator, many components need to be developed or made, before it can be used for the actual training of welding. In welding there are so many factors that can affect the welding results. One of them is the orientation angle between plate and torch. Welding results can be very affected by the orientation of the torch and plate. Because of that we develop a method to find an angle between plate and welding torch so then it can be used as a part of the welding simulator."

"Skripsi ini menyajikan sebuah metode interaksi yang bisa diimplementasikan pada simulator pengelasan dan akan digunakan untuk pelatihan dasar pengelasan. Komponen yang digunakan adalah kamera laptop (webcam) sebagai alat video tracking dan menggunakan ARToolKit sebagai software library. Setelah metode intekasi berhasil dibuat, kemudian dilakukan pengukuran pada metode interaksi ini untuk mendapatkan relasi antara jarak aktual dengan jarak virtual, dan hasil analisis mendapatkan perbandingan nilai 27 - 28 piksel per sentimenter dengan batasan-batasan yang sudah ditentukan. Pengembangan simulator pengelasan ini masih pada tahap awal, maka pengembangan yang lebih lanjut dibutuhkan untuk mendapatkan simulator pengelasan yang lebih mutakhir.

---

This paper presents a method of interaction that can be implemented in welding simulator and will be used for basic welding training. The required components are webcam in laptop used as video tracking device and ARToolKit as software library. After the interaction method was successfully built, we will do a measurement for the interaction method to get a relation between actual distance and virtual distance. The result will receive a comparison value from 27 to 28 pixels per centimeter with specified limitation. This is the first stage of development welding simulator. Further development is required to get a more advanced welding simulator."

"ABSTRAK

Skripsi ini membahas tentang simulasi sistem untuk mendeteksi pejalan kaki. Dikarenakan hak pejalan kaki yang masih dipandang sebelah mata, maka tidak pernah luput dari kejadian yang tidak diinginkan seperti kecelakaan. Penelitian skripsi ini bertujuan agar mengetahui bagaimana kinerja sistem untuk mendeteksi pejalan kaki. Simulasi ini memanfaatkan aplikasi MATLAB sebagai hasil output-nya. Dengan menggabungkan tiga metode sebagai acuannya yaitu Background Subtraction, Histogram of Oriented Gradient (HOG) dan Local Binary Pattern (LBP), memberikan output dimana dapat mendeteksi pejalan kaki. Vision.PeopleDetector digunakan untuk mendeteksi pejalan kaki secara tegak dan GetMapping untuk LBP.

Dari sistem yang dibuat dilakukan analisis berdasarkan waktu dan akurasi deteksi dengan membandingkan empat metode, yaitu HOG, Background Subtraction-HOG, HOG-LBP dan Background Subtraction-HOG-LBP. Hasilnya adalah metode gabungan Background Subtraction-HOG-LBP tidak sebaik metode yang lain. Waktu eksekusi selama 255,41 second. Akurasi 10 fps sebesar 59,5 % dan 20 fps sebesar 51%. Akurasi resolusi sebesar 640x480 42% dan 480x320 sebesar 44%.

---

ABSTRACT

This final assignment discusses about system simulation for pedestrian detection. Because of the rights of pedestrian who are still underestimated, then never escape from undesirable events such as accident. This research aims to find out how the system works to detect pedestrian. This simulation use MATLAB software as output. Pedestrian detection simulation combine three methods, there are Background Subtraction, Histogram of Oriented Gradient (HOG) and Local Binary Pattern (LBP). Vision.PeopleDetector used to detect pedestrian in an upright and GetMapping for LBP.

From the system, you can do analysis time and accuracy by comparing four methods, they are HOG, Background Subtraction-HOG, HOG-LBP and Background subtraction-HOG-LBP. The result is method of Background Subtraction-HOG-LBP is not as good as other methods. Elapsed time is 255,41 seconds. Resolution accuracy is 42% for 640x480 and 44% for 480x320.

"

"Kuantifikasi citra terhadap pengukuran resolusi spasial, umumnya menggunakan protokol standar yang diterbitkan oleh National Electrical Manufacturers Association (NEMA). Namun, metode ini memiliki keterbatasan pada metode fitting data yang dilakukan. Akurasi yang lebih baik diberikan oleh fungsi Gaussian. Selanjutnya, penentuan resolusi spasial seperti berdasarkan Point Spread Function (PSF) dapat dipengaruhi oleh keberadaan noise atau error dalam data yang dapat menurunkan kontras citra. Oleh karena itu, untuk menjamin akurasi kuantifikasi citra, dilakukan dengan memastikan error sekecil mungkin dan memiliki perkiraan yang dapat diandalkan tentang seberapa besar error tersebut. Penelitian ini ditujukan untuk menyelidiki bagaimana tingkat noise yang berbeda pada pengukuran Full Width at Half Maximum (FWHM) berdasarkan metode NEMA dan Gaussian mempengaruhi keakuratan sistem pencitraan. FWHM digunakan untuk mengkarakterisasi resolusi spasial berdasarkan profil PSF. Hasil yang diperoleh diharapkan dapat memberikan informasi pada fisikawan medis mengenai pengaruh error dari pengukuran FWHM dalam rangka optimasi layanan klinis di rumah sakit. Dalam penelitian ini, model error yang digunakan adalah kombinasi model error proporsional dan Fractional Standard Deviation (FSD). Hasil penelitian menunjukkan terdapat peningkatan relatif deviasi FWHM terhadap variasi FSD 1% hingga 5% pada bidang dua dimensi dan tiga dimensi berdasarkan metode NEMA dan Gaussian. Peningkatan ini menjelaskan bahwa semakin tinggi tingkat noise pada sistem pencitraan, maka akan semakin mempengaruhi pengukuran FWHM yang berdampak pada penurunan kontras citra. Selanjutnya, terdapat korelasi antara error pixel value dan error FWHM. Semakin tinggi persentase nilai error pixel value pada sistem pencitraan, maka akan semakin mempengaruhi peningkatan persentase nilai error pada pengukuran FWHM.

---

Image quantification of spatial resolution measurements, generally using standard protocols published by the National Electrical Manufacturers Association (NEMA). However, this method has limitations on the data fitting method performed. Better accuracy is given by Gaussian function. Furthermore, spatial resolution determination such as based on Point Spread Function (PSF) can be influenced by the presence of noise or errors in the data that can decrease image contrast. Therefore, to ensure the accuracy of image quantification, it is done by ensuring the slightest possible error and having a reliable estimate of how big the error is. This study is intended to investigate how different noise levels in Full Width at Half Maximum (FWHM) measurements based on NEMA and Gaussian methods affect the accuracy of imaging systems. The FWHM is used to characterize spatial resolution based on PSF profiles. The results are expected to provide information to medical physicists about the effect of error in FWHM measurement to optimize clinical services in hospitals. In this study, the error model used is a combination of the proportional error model and the Fractional Standard Deviation (FSD). The results showed that there was an increase in the relative deviation of FWHM to the FSD variation of 1% to 5% in two-dimensional and three-dimensional fields based on the NEMA and Gaussian methods. This increase explains that the higher the noise level in the imaging system, the more it affects the FWHM measurement which has an impact on the decrease in image contrast. Furthermore, there is a correlation between the pixel value error and the FWHM error. The higher the percentage of error pixel value in the imaging system, the more it will affect the increase of percentage error FWHM measurement."

"Dalam medan yang cukup sulit diperlukan sistem quadcopter yang mempunyai kemampuan manuver, pemetaan, pendeteksi rintangan, dan objek yang dapat mengakses area yang cukup sulit. Penelitian ini membahas tentang pendeteksian rintangan menggunakan ORB-SLAM3 dan OctoMap, stabilisasi quadcopter menggunakan kontrol PID, dan pendeteksian bagian tubuh manusia menggunakan YOLOv8 dalam satu sistem untuk menciptakan sistem quadcopter yang dapat mendeteksi keberadaan manusia dan juga rintangan dalam melakukan proses Search and Rescue (SAR) yang pada tahap ini dilaporkan hingga implemetasi ketiganya saja. ORB-SLAM3 digunakan untuk proses pemetaan dan pendeteksi rintangan yang menghasilkan pointcloud dari ekstraksi fitur dan juga estimasi pose kamera pada quadcopter Pointcloud yang dihasilkan dari proses ekstraksi fitur digunakan untuk merekonstruksi rintangan. agar dapat mengikuti lintasan tersebut kemudian sekaligus dapat melakukan pelacakan objek. Dari hasil pelatihan model YOLO v8 didapatkan mAP sebesar 95% menunjukkan kinerja keseluruhan yang tinggi dalam deteksi objek di berbagai kelas.

---

In a challenging field, a quadcopter system with maneuvering, mapping, obstacle detection, and access to difficult areas capabilities is essential. This research focuses on obstacle detection using ORB-SLAM3, OctoMap, quadcopter stabilization using PID control, and human body part detection using YOLOv8 in a unified system to create a quadcopter system capable of detecting both human presence and obstacles during Search and Rescue (SAR) operations. ORB-SLAM3 is utilized for mapping, generating point clouds from feature extraction and camera pose estimation on the quadcopter. The point cloud produced from feature extraction is employed to reconstruct obstacles, allowing the quadcopter to follow paths and simultaneously track objects. The YOLOv8 model achieved an mAP of 95% after training, demonstrating high overall performance in detecting objects across various classes."

"Pelacakan target yang dilakukan pada quadcopter membutuhkan sensor untuk mendeteksi keberadaan target. Pada ketinggian yang tepat, kamera dapat mengambil banyak informasi mengenai lingkungan. Informasi-informasi yang didapatkan membuat kamera menjadi sensor yang baik dalam pelacakan menggunakan quadcopter. Target pada lingkungan mungkin memiliki ukuran dan orientasi berubah-ubah, maka pengolahan citra yang dapat mengatasi masalah ukuran dan orientasi objek menjadi solusinya. SURF dan CAMShift adalah metode pengolahan citra yang digunakan untuk mendeteksi target dan melacak target tanpa terpengaruh ukuran dan orientasi objek. Keluaran dari pengolahan citra menjadi input bagi pergerakan quadcopter. Pengendali Pergerakan quadcopter dapat dilihat dengan simulasi dalam Gazebo.

---

Target tracking used on quadcopter need sensor to detect the existence of target. At the right height, camera can take a lot of information about the surrounding environment. The information obtained make camera a good sensor in tracking using quadcopter. Target in the surrounding environment may have various size and orientation, that makes image processing with ability to overcome the size and orientation problem the solution. SURF and CAMShift are image processing method used to detect and track target without affected by object size and orientation. Output of image processing become input of movement control of quadcopter. Movement of quadcopter can be seen with simulation in Gazebo."

"Pada penelitian ini, dikemukakan sebuah metode baru berbasis analisis multiresolusi untuk mendeteksi distorsi blok pada gambar digital terkompresi. Gambar digital terkompresi cenderung memiliki artefak codingyang mungkin muncul ketika gambar dikodekan dengan tingkat kompresi yang tinggi. Penelitian ini berfokus pada distorsi blok yang dirasakan signifikan dalam gambar digital terkompresi berbasis blok seperti JPEG. Pada penelitian ini, transformasi Wavelet Haar digunakan untuk mendekomposisi sebuah gambar dan menganalisis karakteristik tepian dari gambar tersebut. Berdasarkan dekomposisi ini, peneliti menyusun sebuah algoritma untuk mendeteksi distorsi blok dengan menganalisis koefisien hasil transformasi wavelet. Hasil eksperimen algoritma terhadap database gambar LIVE menunjukkanhasil yang sangat memuaskan dengan tingkat kesalahan yang rendah.

---

AbstractIn this study, presented a new method based on multiresolution analysis to detect the distortion of the block in a compressed digital image. Compressed digital image tend to have coding artifacts that may arise when an image is encoded with a high compression rate. This study focuses on a block distortion that significantly perceived in the block-based compressed digital images such as JPEG. In this study, Wavelet Haar transformation is used to decompose an image and analyze the characteristics of the edge of the picture. Based on this decomposition, the researchers compiled an algorithm for detecting a block distortion by analyzing the coefficients of the wavelet transformation. The results of experimental algorithms for image database LIVE shows very satisfactory results with low error rates."

"Akurasi hasil deteksi perubahan citra jarak jauh sangat tergantung pada akurasi metode klasifikasi yang digunakan. Salah satu cara untuk mendapatkan hasil yang lebih baik adalah dengan mengoptimalkan setiap prosedur pengolahan citra. Salah satunya dengan algoritma deteksi perubahan dengan menggunakan metode image differencing akan mendapatkan peta perubahan yang masih harus dianalisa sebagai prosedur klasifikasi citra binarisasi. Penelitian ini bertujuan melakukan kombinasi model penggabungan algoritma ambang. Serta membandingkan algoritma ambang untuk mendapatkan nilai ambang terbaik mengunakan fungsi entropi secara otomatis untuk memecahkan masalah deteksi perubahan dengan pendekatan klasifikasi data yang tidak tersedia. Dengan menggunakan asumsi model statistik untuk mengetahui kelas wilayah berubah dan tidak berubah yang menampilkan berbagai perkiraan algoritma ambang mengunakan analisa discriminan, entropi lokal, entropi gabungan, entropi global, relatif entropi lokal, relatif entropi gabungan dan relatif entropi global. Pada penelitian ini digunakan model fusi Markov random fields untuk menggabungkan informasi-informasi deteksi perubahan hasil identifikasi algoritma ambang yang lebih komprehensif dalam menunjang pembuat keputusan.Penelitian ini menemukan bawa pengunaan algoritma analisa discriminan terlalu sensitive untuk mendeteksi perubahan. Tingkat akurasi deteksi wilayah berubah terbaik mengunakan metode analisa discriminan sebesar 99% namun juga terlalu sensitif terhadap perubahan yang ditunjukan dengan tidak hanya wilayah yang terbakar terdeteksi juga wilayah tidak terbakar. Akurasi deteksi terbaik yang dapat dicapai mengunakan fungsi entropi dimiliki oleh lokal relatif entropi (99%) dan lokal entropi (97%) yang menjadikan sangat baik adalah mempunyai kesalahan deteksi kecil. Algorima fusi mengunakan metode Markov memberikan akurasi deteksi terbaik sebesar 93%, lebih rendah dari kemampuan deteksi dengan algoritma ambang yang menggunakan fungsi entropi. Namun algoritma fusi MRF akan semakin memastikan wilayah yang berubah. Secara umum, ditemukan bahwa pengurangan jumlah pixel dalam variasi histogram dalam citra berpengaruh besar pada tingkat akurasi deteksi perubahan dan sensitifitas algoritma ambang untuk mendeteksi perubahan. Semakin rendah jumlah pixel dalam variasi histogram semakin baik klasifikasi wilayah berubah terdeteksi dan semakin cepat waktu pemprosesan."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."