Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pandemi Coronavirus Disease-19, saat ini masih merupakan sebuah permasalahan di Negara Indonesia, dengan nilai infeksi yang mencapai 6 juta dan nilai kematian mencapai 156 ribu. Permasalahan ini juga turut menghambat dilakukannya kegiatan pembelajaran secara tatap muka, dikaerenakan pelaksanaan pembelajaran secara tatap muka dapat meningkatkan risiko mengingkatnya nilai infeksi Covid-19 di Indonesia. Salah satu metode pencegahan penyebaran virus ialah protokol Social Distancing, yang memiliki efektivitas hingga 84% dalam mencegah kemunculan kasus infeksi baru dan 66% untuk mencegah kematian akibat Covid-19. Efektivtias tersebut menyebabkan wajibnya implementasi protokol tersebut dalam pelaksanaan pembelajaran tatap muka. Skripsi ini bertujuan untuk mengembangkan sistem berbasis kecerdasan buatan untuk mendukung penerapan pembatasan jaga jarak fisik dengan berfungsi sebagai pemantau dan pemberi notifikasi pelanggaran jaga jarak di dalam lingkup kampus atau sekolah menggunakan teknologi computer vision dan IoT. Sistem ini dikembangkan dikarenakan sulitnya menegakan dan memantau pelanggaran jaga jarak. Arsitektur sistem terdiri dari sistem pengambilan citra, sebuah unit komputer pemrosesan, dan server pusat. Deteksi pelanggaran jaga jarak fisik dilakukan dengan melakukan prediksi terhadap jarak antar siswa menggunakan image processing dan pendekatan matematis. Basis dari unit komputer pemrosesan ialah arsitektur YOLO-v5, serta komunikasi antar perangkat menggunakan HTTP dan MQTT. Peringatan akan disampaikan dengan cara notifikasi melalui media sosial telegram agar tidak terlalu mengganggu kegiatan pembelajaran di kelas. Server yang digunakan juga menggunakan jasa cloud agar keamanan data serta reliabilitas sistem dapat terjamin. Uji coba dilaksanakan dalam dua jenis ruangan belajar, yakni ruang kelas dan ruang komputer dengan metode akuisisi dataset secara real-time dan non-real time. Hasil uji coba dari implementasi sistem menunjukan F1 Score sebesar 95.02% dan 92.98% dalam ruang kelas dan F1 Score sebesar 84.63% dan 62.64% dalam ruang komputer, serta total keterlambatan yang berada dibawah 3 detik. Sehingga sistem cocok untuk segera diimplementasikan di lingkungan sekolah khususnya dalam ruang kelas.

---

The Covid-19 Pandemic currently is still a problem to Indonesia, with infection numbers going up to 6 million and covid-related deaths up to 156 thousand. This threat is the main reason why Offline/Synchronous Learning has not been fully implemented, as it could increase the number of infections in Indonesia. One of the main means to prevent the spread of virus is the Social-Distancing Protocol, which proves to have 84% effectivity on preventing new cases, and 66% on preventing deaths. The high effectivity is the reason why it is mandatory for Educational Institution to implement those protocols during Offline Learning. This thesis aims to develop new means to improve social distancing watch and violations notification using the Computer Vision and IoT Technology. The system is developed as it is very hard to watch and notify of any ongoing violations in every classroom. The system is consisted of Cameras, Image Procesor, and Server. The Image Processor backend relies on the YOLOv5 architecture and the communication protocol behind devices is MQTT and HTTP. Alerts will be sent using telegram as it is efficient on not disturbing the school teaching processes. And the server will be based on cloud-services to ensure reliability. Tests are done using two types of study room, the regular classroom and computer laboratory, datas are acquired with two methods, real-time and non-real time. Implementations show 95.02% and 92.98% F1 Score on classroom, and tests on computer laboratory shows 84.63% and 62.64% F1 Score on detecting social distancing violations and delay under 3 seconds. Which shows that the system is capable of being deployed in schools especially on regular classrooms."

"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."

"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."

"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."

"Penelitian ini bertujuan untuk mengkaji pengaruh motivating dan interfering elements of work from home, employee productivity, dan employee satisfaction, terhadap intention to continue with hybrid work pada karyawan sektor keuangan di Indonesia. Penelitian ini dilakukan dengan menggunakan pendekatan kuantitatif, cross-sectional design dan sampel diambil dengan menggunakan metode purposive sampling. Penelitian ini menguji 213 data yang diperoleh dari karyawan sektor keuangan di Indonesia yang pernah dan sedang melakukan sistem kerja jarak jauh. Pengolahan data penelitian ini dilakukan dengan menggunakan metode Structural Equation Modelling (SEM). Hasil analisis menunjukkan bahwa motivating elements of work from home berpengaruh positif signifikan terhadap productivity dan satisfaction, interfering elements of work from home tidak berpengaruh signifikan terhadap productivity dan satisfaction. Kemudian, hasil penelitian ini juga menemukan adanya pengaruh positif signifikan dari employee satisfaction terhadap intention to continue with hybrid work. Namun, tidak menemukan adanya pengaruh yang signifikan pada employee productivity terhadap intention to continue with hybrid work. Penelitian ini memberikan kontribusi praktis berupa saran-saran sebagai bahan pertimbangan manajerial bagi perusahaan untuk merancang kebijakan dan strategi sumber daya manusia selama dan pasca Pandemi Covid-19.

---

interfering elements, employee productivity and employee satisfaction, on the intention to continue with hybrid work in the context of financial sector employees in Indonesia. Align with the research aim, quantitative research procedure with cross sectional design and purposive sampling method were used. This study examined 213 data obtained from financial sector employees in Indonesia who have and are currently implementing remote working system. The data were analyzed using Structural Equation Modeling (SEM) method. The results of this study indicate that there is positive relationship between work from home motivational elements on productivity and satisfaction, there is no significant relationship between work from home disruptive elements on productivity and satisfaction. Then, the results of this study also highlight the significant effect of employee satisfaction on intentions to continue with hybrid work. However, this research also found that there is no significant effect from employee productivity on intentions to continue with hybrid work. This research provides practical contributions in the form of managerial considerations to design HR policies and strategies during and after the Covid-19 pandemic."

"Machine Learning (ML) sebagai bagian dari Artificial Intelligence (AI) telah membuat komputer mampu melakukan hal-hal yang membutuhkan kecerdasan manusia secara otomatis. Binarized Neural Network (BNN) merupakan arsitektur ML modern yang memiliki keunggulan yakni penggunaan memori yang efisien dan performa yang baik. Namun, seperti neural network pada umumnya, BNN juga merupakan black-box model yang memiliki kesulitan dalam menjelaskan prediksi yang dihasilkan. Penelitian ini menggunakan teknik abduction untuk memperoleh minimal explanations, dalam bentuk himpunan pasangan fitur dan nilainya, dari hasil prediksi BNN. BNN dimodelkan sebagai model Mixed-Integer Linear Programming (MILP) dan selanjutnya disederhanakan menjadi model Integer Linear Programming (ILP) yang merupakan bentuk formal agar dapat dilakukan teknik abduction. Hasil penelitian menunjukkan bahwa teknik abduction dapat digunakan untuk menjelaskan hasil prediksi BNN. Penelitian ini juga menerapkan teknik abduction untuk menghasilkan penjelasan subset-minimal pada hasil prediksi BNN untuk beberapa dataset.

---

Machine Learning (ML) as part of Artificial Intelligence (AI) has enabled computers to do things that require human intelligence automatically. Binarized Neural Network (BNN) is a modern ML architecture that has some advantages: efficient use of memory and good performance. However, like other neural networks in general, BNN is also a black-box model that has difficulties in explaining the resulting predictions. This research employs the abduction technique to obtain minimal explanations, that is a set of pairs of features and its values, from a BNN prediction. BNN is modeled as a Mixed-Integer Linear Programming (MILP) model and then further simplified into an Integer Linear Programming (ILP) model which is a suitable formalism for finding explanations using abduction. This research shows that the abduction technique can be used to explain BNN predictions. Furthermore, this research applies the abduction technique to produce subset-minimal explanations on BNN predictions for several datasets."

"Artikel ini akan mencoba membahas pemecahan masalah penjadwal kuliah dengan pendekatan ilmu Intelegensia Semu (Artificial Intelligence), yakni dengan menggunakan Constrain Satisfaction Problem. Penulis telah merancang dan menguji sebuah teknik baru pencarian solusi dengan intelligent search yang dikombinasikan dengan algoritma Smart Backtracking.Algoritma yang kami kembangkan ini telah dicoba dengan sejumlah studi kasus berskala kecil (7 dosen 7 matakuliah 23 kelas 2 ruang 35 jam perkulaiahan tiap minggu dan lebih dari 1380 mahasiswa) dan menghasilkan output yang diinginkan dalam waktu yang sangat singkat.Percobaan dengan real data (1198 dosen, 1457 matakuliah, 2311 kelas, 122 ruang, 40 jam perkuliahan tiap minggu dan lebih dari 20000 mahasiswa) telah menghasilkan solusi yang baik meskipun tidak dapat mencapai solusi 100% lengkap. Sejumlah constraint terutama yang berkaitan dengan dosesn dan mahasiswa kelas paket seringkali sulit dipenuhi karena adanya sejumlah kelas yang merupakan gabungan beberapa paker (dapat mencapai 12)"

"Proyek ini bertujuan untuk menentukan peringkat tahan api dari dinding baja ringan di bawah kondisi api menggunakan aplikasi kecerdasan buatan. Dua bagian bagian saluran yang diberi lipatan (LCS) dan bagian saluran berongga flange (HFC) grade 500 dan kelas 250 disajikan dalam penelitian ini. LCS adalah jenis konvensional yang digunakan dalam bingkai baja ringan, sementara HFC memperkenalkan memiliki kinerja api yang unggul. Baru-baru ini pemodelan elemen hingga dan uji skala penuh telah digunakan untuk menentukan kinerja api dinding LSF. Meskipun demikian, pemodelan elemen hingga ditemukan memiliki prosedur yang rumit, dan uji skala penuh adalah eksperimen yang memakan waktu. Oleh karena itu, opsi alternatif sebagai pembelajaran mesin diperlukan untuk mengatasi situasi ini. Pendekatan jaringan saraf pembelajaran mesin akan diadopsi untuk melatih data. Masukan akan menjadi data aktual dari FEA dan proyek uji penuh skala sebelumnya. Temperatur dan suhu flensa dan flensa dingin seksi dari suatu bagian diperoleh sebagai input. Kapasitas pengurangan rasio bertindak sebagai output yang akan diprediksi dalam pembelajaran yang diawasi. Pelatihan dan uji coba dilakukan melalui jaringan saraf tiruan dengan menggabungkan parameter yang berbeda seperti fungsi kehilangan, menjaga faktor probabilitas, tingkat pembelajaran, jumlah lapisan, dan neuron. Rasio pengurangan kapasitas yang diperoleh dari pelatihan mesin dapat diplot dan dibandingkan keakuratannya dengan hasil FEA sebelumnya.

---

This project aims to determine fire resistance rating of Light Gauge Steel Frame (LSF) walls under fire condition using artificial intelligence application. Two section of lipped channel section (LCS) and hollow flange channel section (HFC) grade 500 and grade 250 is presented in this research. LCS is a conventional section used in LSF framing, while HFC introduced having superior fire performance. Recently finite element modelling and a full-scale test have been employed to determine fire performance of LSF walls. Nonetheless, finite element modelling was found to have a complicated procedure, and the full-scale test was a time-consuming experiment. Therefore, an alternative option as machine learning is necessary to overcome this situation. A neural network approach of machine learning will be adopted to train the data. The input would be the actual data from FEA and full-scale test previous project. Hot flange and cold flange temperature and dimension of a section are obtained as the input. Capacity reduction ratio act as an output that will be predicted in supervised learning. Training and testing trialare done through the artificial neural network by combining different parameters such as loss function, keep probability factor, learning rate, the number of layers, and neurons. Capacity reduction ratio attained from machine training can be plotted and compared its accuracy with previous FEA results."