Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam proses berkendara, pengemudi memiliki keterbatasan akan informasi selain dari panel instrumen (dashboard) dan penglihatan mereka, sehingga selalu terdapat resiko bahwa pengemudi lengah dan melakukan kesalahan. Untuk membantu pengemudi, salah satu pengembangan terkini di industri otomotif adalah Driver Assistence System atau DAS, yang ditujukan untuk membantu dengan cara memberikan informasi yang komprehensif mengenai kondisi kendaraan maupun kondisi sekitar kendaraan. Informasi yang didapatkan dapat berupa data kendaraan melalui sensor internal, serta data sensor eksternal seperti Kamera. Sebuah kendala dalam menelaah informasi dari Kamera adalah kemampuan untuk mendeteksi jalan dan mengidentifikasi objek yang ada di sekitar, yang umumnya memerlukan biaya komputasi yang cukup besar, sehingga masih tergolong kurang aksesibel.Dalam penelitian ini, dikembangkan sebuah rancangan sistem gabungan perangkat elektronik dan software, dengan kemampuan membaca data internal kendaraan melalui Sensor Grabber, serta menerima dan menelaah data visual dari Kamera. Algoritma deteksi jalan dan pendeteksian objek dikembangkan menggunakan teknik Image Processing serta Deep Neural Network atau Deep Learning. Data kemudian dapat ditampilkan secara visual melalui Graphical User Interface (GUI) yang dikembangkan dengan bahasa Python.Sistem dilatih dengan sampel berjumlah 816 gambar. Setelah melakukan pengujian, data internal kendaraan dapat diperoleh secara real-time, pendeteksian jalan dapat dilakukan dengan tingkat akurasi sebesar 84.96%, dan objek di sekitar kendaraan dapat diprediksi serta diketahui jarak dan posisinya menggunakan Deep Learning dengan tingkat kepresisian hingga 63.6%, dengan waktu komputasi total 121.68ms.

---

During driving, the driver does not have much information regarding the vehicle and its surroundings aside from the instrument panel and their own eyes, therefore there is always the risk of getting caught off-guard and making a mistake. To assist the driver, one of the current breakthroughs in the industry is Driver Assistance System (DAS), which is meant to help drivers by giving them comprehensive information regarding their vehicle or its surroundings. The given information can be the vehicle's data from internal sensors, and data from external sensors such as Cameras. A problem regarding analyzing visual data is how to detect road edges and identify the surrounding objects, which usually requires a sizable amount of computing power, therefore causing the technology to still remain less accessible to the public.

In this research, a system consisting of Electronics and software with the ability to retrieve vehicle data via a Sensor Grabber, as well as obtain and analyze visual data via a camera is designed. A Road Edge Detection an Object Detection Algorithm is developed with Image Processing and Deep Neural Network or Deep Learning Techniques. The data is then visualized through a Graphical User Interface (GUI) developed in Python.

The system is trained using a sample of 816 images. After a testing process, the internal data of the vehicle can be retrieved in real-rime, road edge detection can be achieved with 84.96% accuracy, and object detection with distance calculation using Deep Learning can be done with 63.6% accuracy, using total computation time of only 121.68ms.

"

"Sebagai salah satu ibukota terpadat di dunia, Jakarta mengalami kenaikan populasi yang cepat setiap tahunnya yang sejalan dengan pertumbuhan jumlah kendaraan bermotor. Masalah muncul ketika Jakarta dinobatkan sebagai salah satu kota yang tidak nyaman dalam hal mengemudi berdasarkan Indeks Kepuasaan Pengemudi yang dirilis oleh Waze (3,37 dari 10) dan sekitar 98 ribu kecelakaan terjadi sepanjang tahun 2017. Advanced Driver Assistance Systems (ADAS) bertujuan untuk meningkatkan performa pengemudi dan keselamatan berkendara. ADAS dapat memberikan peringatan dan melakukan intervensi yang dibutuhkan ketika menghadap situasi tertentu. Dua dari fitur yang diangkat pada penelitian ini adalah Forward Collision Warning (FCW) dan Lane Departure Warning (LDW). Oleh karena itu, tujuan penelitian ini adalah untuk mengukur penerimaan pengemudi terhadap penggunaan sistem dan mengetahui faktor-faktor yang mempengaruhi keinginan pengemudi untuk mengadopsi suatu teknologi. Melalui hasil penelitian didapatkan tiga variabel laten dengan dua belas variabel terukur yang menjadi faktor pengaruh terhadap keinginan pengemudi untuk menggunakan sistem. Rekomendasi untuk meningkatkan penerimaan pengemudi menjadi bagian akhir yang didapatkan berdasarkan evaluasi terhadap variabel yang tidak signifikan.

---

As one of the most populous capitals in the world, Jakarta experiences rapid population growth every year which is followed by increasing number of vehicles rapidly too. The problem arise when Jakarta was named as one of the cities not comfortable to drive based on Driver Satisfaction Index 2016 released by Waze (3,37 out of 10) and around 98 thousands accidents occurred in 2017. Advanced Driver Assistance Systems (ADAS) aims to enhance driver performance and improve safety. ADAS can alert and intervene as needed when facing certain situations. Two systems were investigated in this study, Forward Collision Warning and Lane Departure Warning. Therefore, the purpose of this research was to measure driver acceptance using these systems and discovered the factors that affecting behavioral intention to adopt the systems. Through the results of the study found three latent variables with twelves measured variables that are influential factors on the driver`s intention to use the systems. Recommendations for increasing driver acceptance become the final part obtained based on evaluation of variables that are not significant."

"This fundamental work explains in detail the driver assistance systems for active safety and driver assistance, considering both their structure and their function. These include the well-known standard systems such as Anti-lock braking system (ABS), Electronic Stability Control (ESC) or Adaptive Cruise Control (ACC). But it includes also new systems for protecting collisions protection, for changing the lane, or for convenient parking.The book aims at giving a complete picture focusing on the entire system. First, it describes the components which are necessary for assistance systems, such as sensors, actuators, mechatronic subsystems, and control elements. Then, it explains key features for the user-friendly design of human-machine interfaces between driver and assistance system. Finally, important characteristic features of driver assistance systems for particular vehicles are presented: Systems for commercial vehicles and motorcycles."

"ABSTRAKKelelahan pada pengemudi taksi dapat menyebabkan terjadinya kecelakaan lalu-lintas. Selain itu juga dapat menurunkan produktivitas kerja. Berdasarkan data kehadiran pengemudi di perusahaan taksi ?X? di Jakarta, dapat dilihat bahwa angka absensi bulan Mei 2015 sebesar 17,5%.Penelitian ini bertujuan untuk mengetahui perbandingan derajat kelelahan dan selisih rerata waktu reaksi dengan jadwal hari kerja pada pengemudi taksi beserta faktor risiko individu (umur, kebiasaan merokok, kebiasaan olahraga, IMT, ukuran lingkar pinggang) dan faktor risiko pekerjaan (shift kerja, masa kerja, lama kerja, lama istirahat, dan jumlah kilometer).Penelitian ini dilakukan pada bulan September 2015 di perusahaan taksi ?X? di Jakarta dengan jumlah responden 93 orang. Derajat kelelahan diukur menggunakan KAUPK2, sedangkan selisih rerata waktu reaksi didapatkan dari penghitungan rerata waktu reaksi setelah mengemudi dikurangi rerata waktu reaksi sebelum mengemudi. Responden yang dianalisis mengenai selisih rerata waktu reaksinya adalah pengemudi yang derajat kelelahannya termasuk dalam kategori ?tidak lelah?. Penelitian ini bersifat analitik observasional dengan menggunakan desain penelitian potong lintang komparatif.Sebagian besar derajat kelelahan pengemudi taksi termasuk kategori ?tidak lelah? (91,2%) dan tidak terdapat hubungan yang bermakna secara statistik antara jadwal kerja terhadap kelelahan kerja. Dari hasil penelitian ini dapat disimpulkan bahwa tidak terdapat perbedaan kelelahan kerja antara pengemudi jadwal 2-1 dan jadwal 3-1. Secara statistik dari 93 responden yang derajat kelelahannya termasuk dalam kategori ?tidak lelah?. ternyata 46 orang (49,5%) mengalami pemanjangan selisih rerata waktu reaksi. Titik potong data selisih rerata waktu reaksi dari 93 responden didapatkan dari penghitungan persentil 50, diperoleh angka 43,79 ms. Sehingga dapat disimpulkan bahwa terdapat pemanjangan selisih rerata waktu reaksi dengan nilai titik potong 43,79 ms pada hampir sebagian besar pengemudi yang secara subyektif tidak merasakan kelelahan. Hal ini juga terlihat dari adanya selisih rerata waktu reaksi yang bermakna antara pengukuran waktu reaksi sebelum dan setelah mengemudi.

---

ABSTRACT

Fatigue condition on taxi driver can cause traffic accident. It also lowered work productivity. Based on May 2015 absenteeism data of ?X? taxi company in Jakarta, there was 17,5% drivers were absent on duty. This research aims to compare fatigue degrees and the difference of average reaction time between driver?s schedule 2-1 and 3-1 on taxi drivers with the following individual risk factors (age, smoking, sport, BMI, and waist circumference) and working risk factors ( shift of work, length term of work, duration of driving on duty, duration of rest on duty, and length of kilometer on duty).

This research was held in one of taxi?s company in Jakarta on September 2015 with 93 respondents. Fatigue degrees was measured by KAUPK2 and the difference of average reaction time was calculated by subtraction between before and after driving mean reaction time. The difference of average reaction time analysis was made only for the drivers who was in ?not tired? category based on fatigue degrees. It is an analytic observational study with comparative cross sectional method.

Most of the taxi drivers (92,1%) were in ?not tired? fatigue degree and there was no statistically association between taxi driver?s schedule and fatigue condition. So, it was no difference fatigue condition between drivers with 2-1 and 3-1 schedule. Statistically there was 49,5% drivers who was in ?not tired? category but did have lengthening in the difference of average reaction time. The difference of average reaction time?s cut off point was made by percentiles 50 which result was 43,79 ms. The conclusion is there was a lengthening in the difference of average reaction time with 43,79 ms cut off point among subjectively ?not tired? drivers. It also reflected on there was statistically association between the difference before and after driving mean reaction time."

"PT.X District MTBU merupakan salah satu kontraktor pertambangan batubara untuk customer PT.B. Untuk mendukung proses produksi agar tercapai target produksi yang dipercayakan oleh PT.B kepada PT.X dalam hal penggarapan lokasi penambangan batubara seluas 145 hektar, maka dibutuhkan pekerja (pengemudi dump truck) yang bertugas untuk mengangkut tanah/batu dan batubara dari daerah penggarapan (loading) ke lokasi penumpukkan (disposal) dengan menggunakan unit dump truck (DT). Agar proses produksi berjalan dengan aman, maka pengemudi dump truck harus berperilaku aman dalam melaksanakan pekerjaan agar tidak terjadi kecelakaan. Sering terulang dan tingginya angka kecelakaan DT karena perilaku tidak aman pengemudi DT di PT.X District MTBU Tahun 2007-Pebruari 2008 (LPI PT.X MTBU 2007-Pebruari 2008) merupakan alasan penulis untuk menjadikan masalah tersebut menjadi sebuah penelitian. Menurut Heinrich (1928) menyatakan bahwa dari 75.000 kasus kecelakaan kerja sekitar 88 % akibat perilaku tidak aman (unsafe act) pekerja. Oleh karena itu, penelitian ini bertujuan untuk mengetahui faktor-faktor yang berhubungan dengan perilaku aman.Penelitian ini dilakukan di PT.X District MTBU dari tanggal 10 Maret-12 Juni 2008. Populasi penelitian adalah seluruh pengemudi DT (± 110 orang) dan sampel yang diambil sebanyak 80 orang. Penelitian ini bersifat deskriptif analitik dengan metode pendekatan cross sectional. Instrumen yang digunakan untuk pengambilandata yaitu kuesioner. Selain itu peneliti juga melakukan observasi lapangan untuk pengambilan data. Peneliti mencoba melakukan analisa univariat untuk menggambarkan variabel independen (umur, pendidikan, lama kerja, pelatihan K3, motivasi keselamatan, iklim K3, beban kerja, peranan kerja, pengembangan karir dan peran atasan) dan variabel dependen (perilaku aman). Selain itu peneliti juga melakukan analisa bivariat untuk melihat hubungan antara variabel independen dan variabel dependen dengan menggunakan uji statistik Chi-Square.Dari hasil analisa univariat peneliti mendapatkan bahwa hampir semua responden berperilaku aman saat bekerja yaitu sebesar 92,5%, rata-rata responden berada pada kelompok umur lebih dari 40 tahun yaitu sebesar 43,75%, kebanyakan responden berpendidikan terakhir SMA yaitu sebesar 87,5%, sebagian besar memiliki masa kerja lebih dari 5 tahun yaitu sebesar 70%, lebih dari 70% responden telah mendapatkan pelatihan K3 dalam kelompok baik yaitu sebesar 73,75%, umumnya responden memiliki motivasi keselamatan cukup baik terhadap pekerjaannya yaitu sebesar 53,75%, hampir semua responden menganggap iklim K3 di PT.X MTBU tinggi yaitu sebesar 88,75 %, rata-rata responden menganggap beban kerja mereka sudah sesuai yaitu sebesar 42,5 %, kebanyakan responden sudah memiliki peranan jelas sebagai pengemudi DT yaitu sebesar 76,25%, sebagian besar responden menganggap pengembangan karir di PT.X MTBU baik yaitu sebesar 71,25% dan rata-rata menganggap peran atasan mereka sudah baik sebesar 68,75%. Dari hasil analisa bivariat peneliti mendapatkan bahwa tidak ada hubungan antara umur, pendidikan, lama kerja, beban kerja dan pengembangan karir dengan perilaku aman. Ada hubungan antara pelatihan K3, motivasi keselamatan, iklim K3, peranan kerja dan peran atasan dengan perilaku aman. Oleh sebab itu, disarankan bagi perusahaan agar lebih memfokuskan lagi pada faktor pelatihan K3, motivasi keselamatan pekerja, iklim K3 perusahaan, peranan kerja dan peran atasan dalam mengembangkan perilaku aman para pekerja khusunya pengemudi DT."

"Penelitian bertujuan untuk melihat hubungan antara driving anger dan kualitas hidup pada pengemudi di DKI Jakarta. Penelitian ini menggunakan metode kuatitatif dengan desain korelasional. Partisipan penelitian ini adalah 124 pengemudi dewasa muda yang tinggal di DKI Jakarta dengan pengalaman mengemudi minimal enam bulan dan mengemudi kendaraan pribadi. Penelitian ini menggunakan dua alat ukur yaitu World Health Organization Quality of Life (WHOQOL-BREF) dan Driving Anger Scale. Hasil penelitian ini adalah dimensi kesehatan fisik merupakan dimensi dengan skor kualitas hidup paling tinggi pada pengemudi dewasa muda di DKI Jakarta. Selain itu, hasil penghitungan driving anger menghasilnya rentang skor antara 50 hingga 117. Berdasarkan hasil uji korelasi antara driving anger dengan kualitas hidup, terlihat hubungan yang signifikan antara driving anger dengan dimensi kesehatan fisik, dengan r = -0,206 pada level 0,05 dan dimensi kesejahteraan psikologis dengan r = -0,258 pada level 0,01 dan dimensi lingkungan dengan r= -0.188. Oleh sebab itu, terdapat hubungan negatif yang signifikan antara driving anger dengan kualitas hidup pada pengemudi dewasa muda di DKI Jakarta.

---

The main aim of this research is to investigate the relationship between driving anger and quality of life of young adulthood in DKI Jakarta. Quantitative methods and correlational research design was used in this study. It involved participants of 124 young adulthood drivers who live in DKI Jakarta with a criteria of minimum six months driving experience and usign private car. Two instument was used, World Health Organization Quality of Life (WHOQOL-BREF) from WHO and Driving Anger Scale by Deffenbacher, Oetting and Lynch (1994). The result of this research found that physical health dimension have the highest quality of life score in young adulthood drivers in DKI Jakarta. In addition, based on the driving anger scale the range of score varies between 50 to 117. Moreover, the result of correlation test between driving anger and quality of life indicated significant correlation between driving anger and physical health dimension with, r = -0,206 and significant at l.o.s 0.05, psychological dimension with, r = -0,258 and significant at l.o.s 0.01 and r= -0.188 and significant at l.o.s 0.05. Therefore, this study found that there is a negative correlation between driving anger and quality of life."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."