Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi robotika semakin pesat belakangan ini. Keberadaan teknologi Artificial Intelligence (AI) merupakan salah satu faktor yang mendorong perkembangan dari robotika ditambah dengan semakin besarnya kemampuan komputasi dan menurunnya biaya yang diperlukan untuk melakukan komputasi. Robot adalah suatu perangkat yang dapat menggantikan manusia dalam melakukan pekerjaan tertentu. Artificial Intelligence digunakan pada Robot agar dapat melakukan pekerjaan yang membutuhkan kecerdasan seperti melakukan pendeteksian gulma berdasarkan citra dari kamera. Deep Learning dapat digunakan untuk memberikan kemampuan mengekstraksi informasi dari citra sehingga dapat dilakukan tindakan dari adanya informasi tersebut. Jenis neural network yang digunakan harus memiliki kemampuan untuk memahami pola dari gambar dan dapat melokalisasikan setiap objek yang ada beserta dengan jenis objeknya dalam waktu yang cepat. Salah satu arsitektur dengan kemampuan tersebut adalah Single Shot MultiBox Detector (SSD) yang terdapat Convolutional Neural Network (CNN) untuk melakukan ekstraksi informasi dari gambar dan menghasilkan feature map, Convolutional Layer untuk melakukan lokalisasi dan klasifikasi objek dari setiap feature map, dan Non-max Suppression untuk meminimalkan hasil deteksi yang tidak relevan. Sebagai proof-of-concept, pada skripsi ini arsitektur SSD akan digunakan untuk mendeteksi Gulma pada taman kota. Arsitektur SSD digunakan untuk mendeteksi gulma pada gambar beserta dengan posisinya secara real-time. Pada pengujian yang dilakukan, didapatkan Average Precision sebesar 44%. Sedangkan rata-rata waktu komputasi yang diperlukan selama 38.99 milidetik.

---

The development of Robotics technology has grown rapidly lately. The existence of Artificial Intelligence (AI) technology is one of the factors that drives the development of Robotic besides the growing computational capacity and the reduced costs required to do computing. Robot is a device that can replace humans in doing certain jobs. Artificial Intelligence is used on Robots to be able to do jobs that require intelligence such as detecting weeds based on images from the camera. Deep Learning can be used to provide the ability to extract information from images so that action can be taken based from obtained information. The type of neural network used must have the ability to understand the pattern of the image and be able to localize every object that exists along with the type of object in limited time. One architecture with this capability is Single Shot Detectors (SSD) where consist of Convolutional Neural Network (CNN) to extract information from images and produce a feature map, Convolutional Layer to localize and classify object within images, and Non-max Suppression to filter not relevant from detected object. As a proof of concept, the SSD architecture will be used for weeds detection in the park. The SSD architecture is used to detect weeds in images along with their position in real-time. In testing, Average Precision score from the model is 44%. The time needed for inference is around 38.99 milliseconds per one image."

"This book presents cutting-edge research papers in the field of Underwater System Technology in Malaysia and Asia in general. The topics covered include intelligent robotics, novel sensor technologies, control algorithms, acoustic signal processing, imaging techniques, biomimetic robots, green energy sources, and underwater communication backbones and protocols. The book showcases some of the latest technologies and applications developed to facilitate local marine exploration and exploitation. It also addresses related topics concerning the Sustainable Development Goals (SDG) outlined by the United Nations. "

"Mobile robot seringkali mengalami slip dalam pembacaan sensor odometri. Kendala ini sangat mempengaruhi kinerja mobile robot, terlebih jika beberapa mobile robot bekerja secara kooperatif. Masing-masing mobile robot memiliki slipnya tersendiri yang dapat mempengaruhi perhitungan trajectory planning kerja kooperatif. Sehingga dibutuhkan koreksi dengan sensor lain, pada penilitian ini digunakan sistem deteksi lokasi mobile robot dengan kamera webcam. Sistem deteksi akan di implementasikan pada quadcopter ketika terbang diatas mobile robot. Tentu pengambilan gambar akan mengalami perubahan sudut pandang akibat pergerakan sudut pitch atau roll dari quadcopter. Motor penggerak quadcopter juga menghasilkan getaran yang dapat mengakibatkan blur pada pengambilan gambar. Selain itu untuk melakukan pendeteksian berbasis citra dibutuhkan komputasi yang cukup besar, khususnya jika dilakukan pada sistem embedded quadcopter. Oleh karena itu dibutuhkan sistem deteksi yang dapat diterapkan pada quadcopter dengan ketahanan derau dan proses yang cukup cepat. Pada perancangan sistem deteksi penilitian ini, digunakan suatu pola yang terdiri dari markah buatan. Markah bulat hitam memiliki fitur yang mudah untuk dikenali dengan algoritma sederhana. Pola yang terdiri dari markah bulat dapat disisipkan informasi identitas dan pose sehingga cocok untuk diterapkan pada sistem deteksi lokasi multi mobile robot. Untuk menguji kemampuan pendeteksian, selain diuji pada dunia riil juga dirancang pengujian simulasi. Pengembangan simulasi quadcopter untuk mendeteksi pola markah dirancang dengan simulator Gazebo yang di integrasikan dengan perangkat lunak ROS Robotic Operating System.

---

Mobile robots often experience slippage in odometry sensor readings. These problems greatly affect the performance of mobile robots, especially if some mobile robots work cooperatively. Each mobile robot has its own slip that can affect the calculation of cooperative work cooperative trajectory. So that needed correction with other sensors, the research is used mobile robot location detection system with webcam camera.

The detection system will be implemented on the quadcopter when flying over the mobile robot. Of course the camera angle of view due to movement of pitch or roll angle from quadcopter. The quadcopter motors also produce vibrations that can lead to blur on shooting. In addition to perform image based detection required considerable computation, especially if done on the embedded quadcopter system. Therefore, a detection system that can be applied to the quadcopter with noise and process resistance is fast enough.

In the design of this research detection system, a pattern consisting of artificial markers is used. The black round marker has features that are easy to recognize with simple algorithms. Patterns consisting of rounded markers can be inserted identity and pose information making it suitable to be applied to mobile robot location detection systems. To test the detection ability, in addition to tested in the real world also designed simulation testing. The development of a quadcopter simulation to detect the markup pattern is designed with a Gazebo simulator integrated with ROS Robotic Operating System software."

"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.

---

The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."

"Indonesia merupakan negara kepulauan terbesar di dunia dengan kegiatan penerbangan yang padat setiap harinya. Dalam hal ini, maka keamanan penerbangan sangat penting diperhatikan oleh berbagai pihak. Salah satu isu utama adalah keamanan pada landasan pacu yang harus terbebas dari berbagai objek (Foreign Object Debris =FOD) yang dapat menimbulkan kecelakaan pada pesawat terbang. Keadaan tersebut berbahaya bagi keselamatan para penumpang dan menimbulkan kerugian bagi operator penerbangan dan pengelola bandara. Adapun teknologi yang dapat digunakan untuk solusi tersebut dengan pendekatan Computer Vision menggunakan kamera long range. Teknologi ini menggunakan deep learning atau biasa dikenal dengan Artificial Intelegent (AI). Sistem deteksi FOD ini telah mampu mendeteksi 13 jenis objek sebagai FOD. Dengan ketinggian kamera kurang lebih 8 meter dari permukaan tanah, sistem dapat mendeteksi FOD sekecil baut mur pada jarak 50 meter, sedangkan pada jarak 200 meter, FOD sebesar botol minum dan kardus masih dapat terdeteksi. Apabila ingin mendeteksi objek yang sangat kecil seperti baut mur pada jarak lebih dari 200 meter maka diperlukan kamera dengan kemampuan perbesaran yang lebih tinggi lagi. Pekerjaan ini telah diselesaikan secara profesional dengan menjalankan prinsip dasar kode etik insinyur dan senantiasa memperhatikan Keamanan, Keselamatan, Kesehatan, dan Lingkungan Hidup (K3L).

---

Indonesia is the largest archipelagic country in the world with heavy flight activities every day. Therefore, aviation security is very important to be considered by various parties. One of the main issues is security on the runway which must be free from Foreign Object Debris (FOD) that can cause accidents to aircraft. This situation is dangerous for the safety of passengers and causes losses for flight operators and airport managers. The technology proposed for this solution is the Computer Vision approach using a long range camera. This technology uses deep learning as part of Artificial Intelligence (AI). This FOD detection system has been able to detect 13 types of FOD. With a camera placed aproximately 8 meters from the ground, the system can detect FOD as small as a bolt at a distance of 50 meters, while at a distance of 200 meters, FOD as large as a drinking bottle and cardboard can still be detected. If a need to detect very small objects such as bolts at a distance of more than 200 meters, a camera with a higher magnification capability is needed. This work has been completed professionally by carrying out the basic principles of the engineer's code of ethics and always paying attention to Security, Safety, Health and Environment."

"People have dreamed of machines, which would free them from unpleasant, dull, dirty and dangerous tasks and work for them as servants, for centuries if not millennia. Service robots seem to finally let these dreams come true. But where are all these robots that eventually serve us all day long, day for day? A few service robots have entered the market: domestic and professional cleaning robots, lawnmowers, milking robots, or entertainment robots. Some of these robots look more like toys or gadgets rather than real robots. But where is the rest? This is a question, which is asked not only by customers, but also by service providers, care organizations, politicians, and funding agencies. The answer is not very satisfying. Today’s service robots have their problems operating in everyday environments. This is by far more challenging than operating an industrial robot behind a fence. There is a comprehensive list of technical and scientific problems, which still need to be solved. To advance the state of the art in service robotics towards robots, which are capable of operating in an everyday environment, was the major objective of the DESIRE project (Deutsche Service Robotik Initiative – Germany Service Robotics Initiative) funded by the German Ministry of Education and Research (BMBF) under grant no. 01IME01A. This book offers a sample of the results achieved in DESIRE."

"Indonesia, sebagai salah satu negara pengekspor ikan terbesar di dunia, menghadapi tantangan serius dalam sektor perikanan akibat illegal, unreported, unregulated (IUU) fishing. Meskipun telah ada pengawas yang ditugaskan, namun praktik ini masih ditemukan, sehingga perlu teknologi pengawasan di atas kapal. Telah dikembangkan model yang dapat mengklasifikasikan jenis ikan di kapal melalui video CCTV namun masih perlu dilengkapi dengan kemampuan memprediksi berat ikan. Dengan metode ensemble learning yang dipilih karena memiliki kinerja yang lebih baik dibanding model individual, penelitian ini bertujuan untuk membangun model prediksi berat melalui citra dari sistem CCTV. Kemampuan untuk memprediksi berat ikan akan memberikan metode bagi pemerintah untuk melakukan pengecekan apakah hasil tangkapan yang dilaporkan sesuai dengan tangkapan yang terjadi di lapangan. Dari pengujian yang dilakukan, algoritma Catboost Regression menunjukkan kinerja terbaik di antara semua model yang diuji. Pada dataset gabungan, dengan rasio data split 90:10, CatBoost mencapai  score 0.986, MAE 9.794, MSE 293.493, dan RMSE 17.132. Untuk dataset cumi dengan rasio 90:10, nilai metrik yang diperoleh adalah  0.025, MAE 18.451, MSE 660.629, dan RMSE 25.702. Sementara pada dataset ikan dengan rasio 90:10, CatBoost menunjukkan kinerja sangat baik dengan  0.980, MAE 5.825, MSE 146.713, dan RMSE 10.129. Model yang dipilih dengan kinerja yang paling baik adalah model dengan dataset ikan dengan MAE 5.825, yang berarti nilai error dari rata-rata berat ikan yang ditimbang adalah 1.29%. Hasil ini menunjukkan bahwa Catboost Regression mampu memprediksi berat ikan dengan akurasi yang tinggi dibandingkan model regresi lainnya pada dataset yang digunakan, dengan pemilihan rasio data split yang optimal.

---

Indonesia, as one of the largest fish-exporting countries in the world, faces serious challenges in its fisheries sector due to illegal, unreported, and unregulated (IUU) fishing. Despite having monitoring officers assigned, these practices are still found, necessitating the use of surveillance technology on vessels. A model has been developed that can classify fish species on ships using CCTV footage, but it still needs to be enhanced with the ability to predict the weight of the fish. Ensemble learning methods, chosen for their superior performance compared to individual models, are being used in this research to build a weight prediction model using images from the CCTV system. The ability to predict fish weight will provide the government with a method to verify whether the reported catches match what is caught at sea. From the tests conducted, the Catboost Regression algorithm demonstrated the best performance among all tested models. On the combined dataset with a 90:10 train-test split ratio, CatBoost achieved an  score of 0.986, MAE of 9.794, MSE of 293.493, and RMSE of 17.132. For the squid dataset with a 90:10 ratio, the metrics obtained were an  of 0.025, MAE of 18.451, MSE of 660.629, and RMSE of 25.702. Meanwhile, for the fish dataset with the same ratio, CatBoost showed excellent performance with an  of 0.980, MAE of 5.825, MSE of 146.713, and RMSE of 10.129. The best-performing model is the one with the fish dataset, achieving an MAE of 5.825, which translates to an error rate of 1.29% in the average weight of the fish weighed. These results indicate that Catboost Regression can predict fish weight with high accuracy compared to other regression models used on the dataset, with optimal data split ratio."

"Makalah ini membahas bagaimana persepsi dan adaptasi penggemar SM entertainment terhadap teknologi metaverse perusahaan. Mengingat pengalaman ini, akan bermanfaat untuk memahami strategi yang digunakan perusahaan hiburan dalam menanggapi preferensi konsumen yang berkembang dan teknik mutakhir yang mereka gunakan untuk memfasilitasi keterlibatan penggemar dengan konten pilihan mereka. Dalam hal ini, teknologi Artificial Intelligence (AI) dimasukkan ke dalam komersialisasi idola SM. Inovasi SM Entertainment, seperti konser online dan barang AI, telah membangkitkan minat yang luar biasa dalam komunitas K-Pop. Namun, konsep metaverse ini baru di industri hiburan yang baru masuk perbincangan media arus utama pada 2020). Dengan demikian, cara konsumen memahami dan beradaptasi dengan komersialisasi baru ini berbeda dari pengalaman konsumsi tradisional sebelumnya, yang menawarkan pengalaman yang lebih interaktif, personal, dan dapat diakses oleh konsumen K-pop. Pengetahuan ini memungkinkan kita untuk memahami lebih baik dan menghargai dinamika perubahan industri K-pop dan hubungannya dengan audiensnya. Memanfaatkan Teori Penggunaan dan Gratifikasi, makalah ini berfokus pada motivasi penonton dan kebutuhan untuk mengkonsumsi konser virtual SM Entertainment, dan barang-barang yang tergabung dengan AI menyiratkan konsep metaverse.

---

This paper discusses how SM entertainment fans’ perception and adaptation to the company’s metaverse technology. Given these experiences, it would be advantageous to understand the strategies that entertainment companies employ in response to developing consumer preferences and the cutting-edge techniques they use to facilitate fan engagement with their preferred content. In this case, Artificial Intelligence (AI) technology was incorporated into SM’s idols' commercialisation. SM Entertainment's innovations, such as online concerts and AI goods, have generated tremendous interest within the K-Pop community. However, the metaverse concept is new to the entertainment industry, which only entered the mainstream media discussion in 2020). Thus, how consumers perceive and adapt to this new commercialisation differs from the previous traditional consuming experience, which offers a more interactive, personalised, and accessible experience for K-pop consumers. This knowledge allows us to understand better and appreciate the changing dynamics of the K-pop industry and its relationship with its audience. Utilising the Uses and Gratification Theory, this paper focuses on audience motivation and needs to consume SM Entertainment’s virtual concert, and the AI-incorporated goods imply the metaverse concept."

"Diabetes melitus tipe 2 (DMT2) merupakan salah satu tipe diabetes yang telah menjadi permasalahan besar dalam dunia kesehatan. Salah satu pengobatan DMT2 yang mendegrasi enzim glukagon dan meningkatkan sekresi insulin adalah inhibitor Dipeptidil Peptidase-IV (DPP-IV).  Inhibitor DPP-IV yang sudah digunakan memiliki efek samping yang bahaya, seperti pankreatitis akut, arthalagia, dan gagal jantung. Pada penelitian ini, dilakukan pengembangan model Virtual Screening (VS) menggunakan teknologi Artificial Intelligence (AI) untuk identifikasi inhibitor DPP-IV yang berpotensi. Pengembangan model VS dilakukan menggunakan konsep machine learning (ML) dan deep learning (DL). Pada penelitian ini, dilakukan 18 pengembangan model ML dan 8 model DL. Model VS DPP-IV yang optimal merupakan DNN dengan fitur Fingerprint dengan nilai parameter statistik lebih tinggi dari threshold VS optimal yaitu 0,85, dengan akurasi 0,91554, presisi 0,90815, sensitivitas 0,92319, selektivitas 0,90801, dan nilai F1 0,9156. Hyperparameter optimal model VS adalah tiga layer dengan jumlah neuron 2.000, 1.000, 100; nilai dropout 0; ukuran batch size 256; jumlah epoch 100; kecepatan learning rate 0,0001; dan tipe activation function merupakan RELU. Model VS DPP-IV dilakukan ujicoba terhadap database bindingDB dan didapat 24 ligan potensi. Berdasarkan perbandingan nilai binding affinity 24 ligan potensi terhadap ligan inhibitor DPP-IV menggunakan penambatan molekular, didapat satu ligan potensi berinteraksi dengan situs aktif S2 dan tujuh ligan potensi berinteraksi dengan situs aktif S3. Ligan tersebut memiliki nilai binding affinity lebih rendah dari ligan inhibitor DPP-IV yang FDA-approved dan lebih rendah dari -8 kcal/mol. Hasil ini menunjukkan bahwa model VS DPP-IV menggunakan AI dapat menjadi metode virtual screening dalam identifikasi inhibitor DPP-IV yang baru.

---

Diabetes mellitus type 2 (DMT2) is one of diabetes type that has been causing problems in the health sector. One of the DMT2 medications that can degrade glucagon enzyme and increase insulin secretion is a Dipeptydil Peptidase-IV (DPP-IV) inhibitor. However, DPP-IV inhibitor drugs result in unexpected side effects such as acute pancreatitis, arthralgia, and heart failure. This research developed a virtual screening (VS) model using Artificial Intelligence (AI) to identify potential DPP-IV inhibitors. VS models that were developed were 18 ML models and 8 DL models. DNN with fingerprint features was the VS model best optimal with statistical parameters that exceeds the optimum VS threshold value, which is 0,85, with accuracy 0,91554, precision 0,90815, sensitivity 0,92319, selectivity 0,90801, and F1 score 0,9156. Optimum VS model hyperparameter used a three-layered neuron with the neuron amount of each layer were 2000, 1000, and 100; zero dropout, 256 batch size, 100 epochs, learning rate 0,0001 with RELU as activation function. DPP-IV VS model was used to predict potential ligands using bindingDB and showed 24 ligands with an AI confidence level above 0.98. Based on the binding affinity comparison with DPP-IV inhibitors by molecular docking, it resulted one ligand interacting with active site S2 and seven ligands interacting with active site S3. These ligands had lower binding affinity value compared to FDA-approved DPP-IV inhibitor by docking. The result of this research showed that the DPP-IV VS model using AI could be a new VS model in identifying new DPP-IV inhibitors."