Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemajuan teknologi kini mengizinkan manusia untuk mengambil gambar citra termal yang memiliki kemampuan untuk menerima citra termal tanpa perlu adanya cahaya tampak. Hal ini membuat manusia dapat melihat dalam gelap akibat pancaran benda-hitam dari benda-benda yang menghasilkan panas. Dengan menggunakan algoritma Single Shot Detector, dapat dilakukan deteksi objek berupa manusia untuk membedakan laki-laki dengan perempuan. Model SSD dengan berbagai arsitektur seperti MobileNetV1, MobileNetV2 dan ResNet50 digunakan untuk menguji kemampuan deteksi objek kamera termal terhadap kemampuan deteksi objek pada kamera berwarna. Arsitektur model kamera termal dengan nilai mAP dan AR@1 dengan data pengujian terbaik adalah ResNet50 dan untuk arsitektur model deteksi objek kamera berwarna terbaik adalah MobileNet V1 .Kamera termal unggul dalam melakukan deteksi di seluruh rentang kondisi pencahayaan namun kamera berwarna hanya mampu melakukan deteksi di atas intensitas cahaya 42 lux.Kamera berwarna unggul dalam melakukan deteksi dengan nilai inferensi terbaik berada di antara 3 – 15m sedangkan kamera termal memiliki jarak efektif melakukan inferensi di antara 3 – 10m.

---

The advancement in imaging technology has come to an era where cameras are now able to capture infrared images. This advancement causes cameras to be able to capture without any visible light spectrum and receive image under the dark due to the black-body radiation phenomena. In conjunction with Single Shot Detector algorithm, it is now possible to detect and clasify thermal images into classes to recognize the gender of a human being as a male or female. The architecture used in the models are MobileNetV1, MobileNetV2 and ResNet50 which are then trained using a custom dataset of thermal images and colour images. The testing dataset shows that ResNet50 is the model with the highest mAP and AR@1 score for thermal model and MobileNetV1 is the model with the highest mAP and AR@1 score for colour model. The other test with varying object distance and varying light instensity shows that thermal image detection models are able to detect object at all lighting condition while the colour image models are only able to detect object above 42 lux. Colour detection models are better at detecting objects at a longer distance from the camera from a distance of 3 – 15 m while the termal models are able to do inference effectively from a distance of 3 – 10 m."

"Tujuan skripsi ini adalah untuk memberikan usulan sistem yang secara cerdas mendeteksi kendaraan di jalan dan menghitungnya secara otomatis. Sistem yang diusulkan menggunakan model deep learning yang sudah dilatih dengan dataset menggunakan arsitektur Single Shot Multibox Detector SSD untuk mendeteksi kendaraan, baik dengan kamera atau dengan input video. Penghitungan kendaraan dibantu dengan library OpenCV untuk menggambar garis pembatas virtual pada frame video untuk mengetahui apakah kendaraan sudah melewati garis batas. Dengan nilai parameter yang tepat, metode ini berpotensi mendapatkan hasil akurasi yang mendekati 100.

---

The purpose of this bachelor thesis is to give a proposal of a system which intelligently detects vehicles on a particular road and count them automatically. The proposed system uses pre trained deep learning model using Single Shot Multibox Detector SSD to detect vehicles, either by camera or by video input. Counting vehicle process uses OpenCV library to draw a virtual line on a video frame to know whether the vehicle has crossed the line. With the right parameter values, the proposed method could achieved near 100 accuracy."

"Tantangan utama dari proses komunikasi antara pasien dan perawat adalah adanya ketidakmampuan beberapa pasien untuk menjelaskan secara verbal, seperti pasien dengan gangguan bicara atau juga pasien yang sedang kritis, sehingga diperlukan Bahasa Isyarat. Penelitian ini menggunakan pembelajaran mesin dengan model SSD MobilenetV2 untuk melatih isyarat tangan dan mengimplementasikan pengiriman pesan ke telegram. Isyarat tangan yang digunakan adalah: bantuan, dingin, dokter, duduk, makan, minum, obat, sakit, dan toilet. Pada penelitian ini digunakan data latih sebanyak 8.820 data dan data uji sebanyak 2.520 dan 1.260 data yang masing-masing merupakan data validasi dan data testing. Data tersebut diambil dari 14 orang dengan kategori Anak-anak hingga Lansia. Seluruh isyarat tangan dapat dideteksi dengan mAP sebesar 60.9%. Penelitian ini juga dapat mengenali isyarat secara langsung dengan baik pada jarak antara 0.5 m-1.2 m, dan dapat langsung mengirimkan pesan ke telegram sesuai dengan isyarat yang diperagakan.

---

The use of hand signals is common in medical settings, but of course there are limitations between patients and caregivers who do not understand sign language. As technology advances, this problem can be minimized by creating messaging systems that take input in the form of sign language and output in the form of the message the patient wants to convey, as was done in this study. This study used 9 hand gesture; help, cold, sit, doctor, eat, drink, medicine, sick, and toilet. And used 8,820 training data and 2,520 and 1,260 test data for data validation and testing, respectively. The data comes from his 14 people, with categories ranging from children to elderly people. All hand gestures can be recognized with an mAP (mean Average Precision) of 60.9%. This study can also recognize live gestures well at a distance between 0.5 m - 1.2 m, and can directly send messages to telegrams according to the gestures demonstrated. "

"Bencana merupakan hal yang mengancam nyawa manusia dan seringkali memakan korban. Ketika terjadi bencana, SAR dengan sigap mencari, menolong korban, dan memetakan lingkungan dengan cepat. Namun pada waktu-waktu tersebut merupakan saat yang berbahaya untuk mencari korban dan rawan bertambahnya korban. Quadcopter diaplikasikan untuk membantu mencari korban bencana. Pada Quadcopter disematkan sebuah kamera untuk mencari korban. Selama proses pencarian kamera akan mengambil gambar dan mendeteksi korban. Deteksi objek SSD dengan beberapa modifikasi digunakan untuk mendeteksi korban yaitu objek manusia. SSD modifikasi memiliki kemampuan waktu deteksi sebesar 214.37 ms dan tingkat presisi 99.7%. Selanjutnya, quadcopter akan mendekati objek yang terdeteksi. Pengendalian quadcopter untuk mendekati objek menggunakan Proportional Integral Derivative. Selama proses sistem merekam sensor IMU dan GPS pada quadcopter untuk mendapatkan lintasan quadcopter.

---

Disaster is jeopardize for human being and oftentimes cost a risk of human life. After a disaster happened, SAR would be deployed to search victim, help them, and mapping disaster’s area quickly. However, after a disaster happened is a dangerous time to find the victim and prone to more risk of human life. Quadcopter used to help find the victim. The quadcopter is attached a camera to detect the victim. During the finding process, camera will capture an image detect of victim. SSD object detection is used to detect human object with a modification to yield more detection accuracy. Modified SSD have detection time performance 214.37 ms and precision 99.7%. Then quadcopter approach to the detected object. The quadcopter approaching process to object by Proportional-Integral-Derivative (PID). During this process, IMU Sensor and GPS of quadcopter are recorded to be processed and gathered the quadcopter trajectory."

"Kamera pengawas sengat penting keberadaannya untuk membantu mengawasi area tertentu. Gambar digital yang direkam biasanya adalah aktivitas yang terjadi atau keberadaan objek di dalamnya, termasuk objek masker, kacamata hitam, helm dan topi yang rawan digunakan sebagai penutup identitas ketika sedang melakukan tindak kejahatan. Kemampuan tersebut dapat mencegah maupun menelusuri kejadian yang tidak diinginkan seperti tindakan criminal. Namun, saat ini kamera pengawas bersifat pasif sehingga berpotensi meningkatkan resiko kelalaian oleh pihak penjaga (user) dalam memantau aktivitas yang sedang terjadi. Penelitian ini bertujuan untuk merancang sistem yang mampu meningkatkan kinerja kamera pengawas dalam mendeteksi objek pada perangkat Raspberry Pi sehingga kamera dapat bersifat aktif serta mampu memberikan hasil yang optimal dan juga mengurangi penggunaan penyimpanan berlebih. Sistem deteksi objek yang digunakan menerapkan teknik Deep Learning dengan MobileNetV2-SSD sebagai model arsitektur jaringannya. Uji coba penelitian dilakukan pada beberapa variasi jarak terhadap objek sejauh 0-1,5 meter. Hasil penelitian didapatkan nilai mAP 70,3% dan saat  pengujian real-time menunjukkan keakurasian pada jarak 0-1 meter sebesar 87,5%. Pada jarak lebih dari 1,5 meter kemampuan deteksi system mulai berkurang.

---

Monitoring cameras are very important to help monitor certain areas. Digital images recorded are usually activities that occur or the presence of objects in them, including masks, sunglasses, helmets and hats which are prone to be used as a cover for identity when committing a crime. This capability can prevent or track unwanted events such as criminal acts. However, currently monitoring cameras are passive so that they have the potential to increase the risk of negligence by the user in monitoring ongoing activity. This study aims to design a system that can improve the performance of monitoring cameras in detecting objects on the Raspberry Pi device so that the camera can be active and able to provide optimal results and also reduce excess storage usage. The object detection system used applies Deep Learning techniques with MobileNetV2-SSD as the network architecture model. Research trials were carried out at several variations of the distance to objects as far as 0-1.5 meters. The results are mAP value is 70.3% and 87.5% accuracy during real-time testing at a distance of 0-1 meter. At a distance of more than 1.5 meters the detection capability of the system begins to decrease."

"Perkembangan Human Computer Interaction (HCI) dalam dunia medis dapat membantu pasien untuk berkomunikasi dengan keluarga atau perawat agar kebutuhan mereka dapat terpenuhi dengan baik. Pada penelitian ini akan digunakan salah satu aplikasi HCI yaitu pengenalan isyarat tangan melalui web camera sebagai sistem penyampaian pesan. Akuisisi citra dilakukan pada 12 subjek dengan berbagai jenis kelamin dan usia yang memperagakan lima isyarat tangan. Isyarat tangan yang diperagakan berdasarkan pada kebutuhan dasar pasien: makan, minum, ingin ke toilet, butuh bantuan, dan butuh obat-obatan. Citra yang telah dikumpulkan lalu dilakukan pengolahan seperti labelling kelas hingga akhirnya dilatih menggunakan algoritma Single Shot Detector (SSD) MobileNet V2. SSD MobileNet V2 dipilih karena memiliki kemampuan deteksi yang baik dan komputasi yang cukup ringan sehingga cocok diaplikasikan untuk real-time. Pada penelitian ini, didapatkan mean Accuracy Precision (mAP) sebesar 44.7% serta dapat mendeteksi dan mengenali 85 dari 100 citra dengan baik ketika dijalankan pada komputer personal. Hasil mAP yang didapatkan lebih baik dari penelitian sebelumnya. Frame Rate per Second (FPS) yang dihasilkan saat diaplikasikan real-time sebesar ±2 FPS. Model hasil pelatihan kemudian juga diaplikasikan pada Raspberry Pi Model 3 dan 4 untuk mengetahui perbandingannya.

---

The development of Human Computer Interaction (HCI) in medical side can help dissabled patient to communicate well with their relatives and medical helpers. This can help to maintain their needs to be well-fullfilled. In this research study, one of HCI aplication has been used. It is hand gesture recognition using web camera as a notification system. Image acquisition has been done on 12 subjects with various gender and ages. They demonstrated the five gestures: need to eat, need to drink, need to go to the toilet, need help and need medicines. These gestures are based on human’s basic daily needs. The collected images were processed like labelling the images and tarined using Single Shot Detector (SSD) MobileNet V2 algorithm.We chosed SSD because it has good ability in object detection and needs low computation. Therefore, it is suitable to be applied on real-time detection. In this study, we yielded mean Accuracy Precision (mAP) 44.7% and 85 out of 100 images were well-detected when they were run on personal computer (PC). The result provided in this study is considered better than previous study. Frame rate per second (FPS) provided in this study was ±2 FPS. The trained model also was run on Raspberry Pi 3 and 4 to compare their results."

"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."

"Kemacetan masih menjadi masalah besar di Jakarta, untuk dapat menyelesaikan masalah tersebut, dapat dilakukan monitoring atau pemantauan pada jalan terhadap kecepatan kendaraan dan kepadatan jalan. Untuk mendeteksi objek digunakan model Single Shot Multibox Detection (SSD) yang merupakan model pada deteksi objek yang menggunakan metode single shot. Objek merupakan kendaraan yang diambil dari video yang direkam menggunakan kamera CCTV publik yang berada di Jakarta. Hasil yang diberikan sistem cukup baik dengan rata-rata performa yang diberikan sebesar 20.419 FPS dan rata-rata akurasi 73.569 persen dengan model SSD512 dan GPU Tesla P100.

---

Traffic jam is still one of the main problems in Jakarta, it happens every day. To solve this problem, we could monitor the road to calculate vehicles speed and road density. To achieve this, we used SSD to detect objects (vehicle) on Jakartas road which we get from public IP Camera. As a result, the program quite useful for monitoring roads condition in real time. As the result, performance system quite good with 20.419 FPS and 73.569 accuracy using SSD512 as model and Tesla P100 as GPU."

"Telah dilakukan penelitian untuk pemograman rekonstruksi citra dua dimensi gamma rays computed tomography single detector Metode atau algoritma yang digunakan dalam proses rekonstruksi filtered backprojection karena metode ini relatif mudah digunakan dan menghasilkan citra yang cukup akurat Metode ini menggunakan filter frekuensi untuk menghilangkan noise yang timbul saat pengambilan data Prinsip dasar dari metode ini adalah menjumlahkan dan memutar sejauh 180o atau 360o semua data proyeksi yang didapat dari hasil pengukuran yang sudah berbentuk sinogram dan juga telah melalui proses filterisasi Proses rekonstruksi dilakukan dengan menggunakan fungsi iradon dalam MATLAB Hasil dari penelitian ini adalah citra hasil rekonstruksi dalam bentuk dua dimensi dengan perbedaan warna grayscale yang mengandung nilai koefisen atenuasi linear dengan variasi metode interpolasi dan jenis filter yang digunakan

---

This research has carried out to programming for image reconstruction two dimension for gamma rays computed tomography single detector The mtheode or algorithms that used to reconstructed image is filtered backprojection because this method is relative easier and build an image more accurate than the older methods This methode used frequencies filter to disapear noise when measurement process The basic principle of this methode is adding and rotate 180o or 360o all projection data that formed in sinogram and have passed filtering process This process used iradon function that include in MATLAB The result of this research is an image as reconstruction result in two dimensional with grayscale colour which contain linear atenuation coeficien data with varian in interpolation methode and kind of filters"

"ABSTRAKDalam kurun waktu lebih dari dua dekade terakhir, deteksi anomali menjadi salah satu topik yang menarik bagi para peneliti untuk dikembangkan. Collaborative-Representation-Based Detector (CRD) merupakan salah satu metodologi deteksi anomali yang berhasil dikembangkan. CRD melakukan aproksimasi masing-masing piksel pada background yang direpresentasikan oleh piksel-piksel tetangga, sementara itu piksel anomali tidak bisa direpresentasikan sama seperti piksel yang lainnya. Citra yang dihasilkan dari metodologi ini tergolong baik, karena mampu mendeteksi piksel anomali dengan cukup akurat. Kelemahannya adalah, citra hasil deteksi yang dihasilkan cenderung memperlihatkan banyak piksel yang sebenarnya bukan anomali walaupun dengan nilai intesitas yang sangat kecil. Penerapan threshold penyesuaian Root-Mean pada penelitian ini akan melakukan filter terhadap piksel-piksel pengganggu yang tidak diinginkan pada citra hasil proses CRD tersebut sehingga memberikan hasil yang lebih memuaskan. Dari sembilan data yang digunakan pada penelitian ini, hampir semua data menunjukan perbaikkannya setelah dilakukan filter dengan threshold RM.

---

ABSTRACT

Over the last two decades, anomaly detection is one of most interesting topics to develop for researchs. Collaborative-Representation-Based Detector (CRD) becomes one of the methodologies that was successfully developed. In CRD, each pixel in background can be approximately represented by its spatial neighborgoods, while anomalies cannot. The output image of this methodology can be categorized as good enough because it can detect the anomalies pixel accurately. However, the output image tend to show us there are many normal pixels around the anomaly pixel, although in very low intensity. Implementation of Root-Mean Adjustment threshold in this research will filter that unexpected pixel to obtain the statisfactory results. To compare performences of Root-Mean Adjustment threshold. Most of the nine Data show us that its unexpected can be filtered and show the better results.

"