Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pelayanan di supermarket merupakan salah satu hal yang menjadi pertimbangan seseorang dalam menentukan kualitas dari sebuah supermarket. Antrian di supermarket merupakan salah satu penentu dari kualitas layanan yang dimiliki. Antrian tersebut dapat disebabkan berbagai hal, salah satunya adalah lamanya kasir dalam menyelesaikan transaksi yang dilakukan. Semakin lama transaksi berlangsung, semakin lama waktu yang dibutuhkan untuk dibutuhkan seorang pelanggan sehingga menyebabkan antrian terjadi. Salah satu penyebab lamanya transaksi dapat disebabkan karena proses pemindaian produk yang membutuhkan waktu cukup lama. Oleh karena itu, dengan membuat model pemindaian barcode yang cepat dan efisien berbasis deep learning menggunakan object detection, harapannya dapat membuat proses transaksi menjadi lebih cepat sehingga antrian yang terjadi dapat dikurangi. Dalam penilitian ini, model sistem akan membandingkan antara performa model YOLOv5 dengan Faster R-CNN yang kemudian ditambahkan image enhancement (Super Resolution) untuk dibandingkan dengan tujuan mencari tahu performa dan akurasinya. Hasil pengujian model pada tahap pelatihan menunjukkan model YOLOv5 merupakan model yang lebih akurat dan efisien dengan akurasi Mean Average Precission (mAP) sebesar 81,74%, penggunaan waktu pelatihan sebesar 1,6448 jam, dan loss pada epoch/step terakhir sebesar 0,0208. Hasil pengujian model menggunakan image enhancement (super resolution) menunjukkan peningkatan kualitas decode dari 67% menjadi sebesar 75,5% atau peningkatan sebesar 8,5% dengan super resolution tipe RRDB_PSNR. Kemudian hasil pengujian augmentasi rotasi pada pendeteksian barcode diagonal menunjukan peningkatan sangat signifikan dari 2% menjadi 80%. Pada pengujian terakhir dimana dataset yang digunakan sudah dilakukan augmentasi. Model yang di training memiliki penurunan dari mAP yang dihasilkan menjadi 71,7% dari yang sebelumnya sebesar 81,74% atau penurunan sekitar 10,04%

---

Service in supermarkets is one of the things that a person considers in determining the quality of a supermarket. Queues at supermarkets are one of the determinants of the quality of service they have. The queue can be caused by various things, one of which is the length of time the cashier completes the transaction. The longer the transaction lasts, the longer it will take for a customer to cause a queue to occur. One of the reasons for the length of the transaction can be due to the product scanning process which takes a long time. Therefore, by creating a fast and efficient barcode scanning model based on deep learning using object detection, it is hoped that it can make the transaction process faster so that queues that occur can be reduced. In this research, the system model will compare the performance of the YOLOv5 model with Faster R-CNN which is then added with image enhancement (Super Resolution) for comparison with the aim of finding out its performance and accuracy. The results of model testing at the training stage show that the YOLOv5 model is a more accurate and efficient model with an accuracy of Mean Average Precision (mAP) of 81.74%, training time usage of 1.6448 hours, and loss in the last epoch/step of 0.0208. The results of model testing using image enhancement (super resolution) show an increase in decoding quality from 67% to 75.5% or an increase of 8.5% with super resolution of type RRDB_PSNR.Then the results of the rotational augmentation test on diagonal barcode detection showed a very significant increase from 2% to 80%. In the last test where the dataset used has been augmented. The training model has a decrease from the resulting mAP to 71.7% from the previous 81.74% or a decrease of about 10.04%.

"

"

Dalam kehidupan kita sehari-hari umumnya banyak barang yang kita butuhkan dan gunakan dalam rumah tangga kita. Mulai dari bahan pangan, minuman, barang untuk membersihkan rumah, barang untuk mencuci pakaian, kudapan, dan lain sebagainya, Pada masyarakat kini banyak barang keperluan sehari-hari tersebut kita beli dan jumpai di berbagai tempat mulai dari warung di dekat rumah, supermarket, toko sembako, dan lain sebagainya. Akhir-akhir ini jumlah supermarket dan minimarket mulai menjamur. Pada tahun 2021 jumlah minimarket di Indonesia mencapai 38.323 gerai yang merupakan peningkatan sebanyak 21,7% dibandingkan pada tahun 2017 yakni hanya sebanyak 31.488 gerai saja. Dengan jumlah gerai yang semakin banyak, banyak masyarakat yang semakin banyak menggunakan jasanya untuk mendapatkan barang-barang kebutuhan sehari-hari mereka. Apalagi bila barang yang dibeli juga cukup banyak sehingga akan sulit untuk mendata barang-barang apa saja yang telah dibeli. Untuk memudahkan hal tersebut, penulis mengajukan sebuah solusi untuk membuat sebuah rancangan sistem yang akan memanfaatkan teknologi Deep Learning untuk mendeteksi tulisan pada struk belanja dari hasil pembelian barang pada minimarket. Hasilnya dari pengujian yang sudah dilakukan pada penelitian ini, masing-masing model Deep Learning memiliki tingkat akurasi mAP50 99,4% dan mAP50:95 72,9% untuk YOLOv5, tingkat akurasi mAP50 99,61% dan mAP50:95 65,19% untuk Faster R-CNN, dan tingkat akurasi mAP50 61,77% dan mAP50:95 98,09% untuk RetinaNet. Dimana YOLOv5 memiliki tingkat akurasi mAP50:95 tertinggi yakni 72,9% dan Faster R-CNN memiliki tingkat akurasi mAP50 tertinggi yakni 99,61%. Dimana pada proses implementasi sistem YOLOv5 dan Faster R-CNN berhasil melakukan proses pengenalan sedangkan RetinaNet gagal untuk melakukannya.

---

In our daily lives, we generally need and use many items in our households. Starting from food ingredients, drinks, household cleaning items, laundry items, snacks, and so on. Nowadays, many of these daily necessities are bought and found in various places such as small shops near our homes, supermarkets, grocery stores, and so on. Recently, the number of supermarkets and minimarkets has increased. In 2021, the number of minimarkets in Indonesia reached 38,323 branches which is an increase of 21.7% compared to 2017 which was only 31,488 branches. With the increasing number of branches, many people are using their services to obtain their daily necessities. Especially when the purchased items are quite a lot so it will be difficult to record what items have been purchased. To facilitate this matter, the author proposes a solution to create a system design that will utilize Deep Learning technology to detect writing on receipts from purchasing items at minimarkets. The results of testing that have been carried out in this study show that each Deep Learning model has an mAP50 accuracy level of 99.4% and mAP50:95 72.9% for YOLOv5, an mAP50 accuracy level of 99.61% and mAP50:95 65.19% for Faster R-CNN, and an mAP50 accuracy level of 61.77% and mAP50:95 98.09% for RetinaNet. YOLOv5 has the highest mAP50:95 accuracy rate at 72.9%, while Faster R-CNN has the highest mAP50 accuracy rate at 99.61%. Where in the implementation process, YOLOv5 and Faster R-CNN systems were able to perform recognition processes while RetinaNet failed to do so."

"Obesitas merupakan salah satu masalah kesehatan yang sering dijumpai hingga saat ini. Menurut World Health Organization, pada tahun 2016 terdapat sekitar 650 juta orang dewasa yang mengalami masalah obesitas. Obesitas sendiri dapat meningkatkan risiko pada berbagai macam penyakit seperti penyakit jantung, diabetes, dan kanker jika tidak dicegah. Salah satu penyebab dari obesitas adalah konsumsi makanan fast food yang berlebihan. Konsumsi makanan fast food yang berlebihan ini seringkali terjadi karena kurangnya informasi mengenai jumlah kalori yang terkandung pada makanan fast food sehingga sulit untuk mengontrol jumlah makanan fast food yang dikonsumsi agar tidak menyebabkan obesitas. Oleh karena itu, dalam penelitian ini dilakukan perancangan aplikasi dengan sistem untuk menghitung estimasi jumlah kalori yang terkandung pada makanan cepat saji menggunakan model Mask R-CNN. Berdasarkan pengujian pada model Mask R-CNN dalam melakukan deteksi pada objek makanan cepat saji, didapatkan nilai mAP 0,636 dan nilai F1 score 0,599. Sedangkan berdasarkan hasil pengujian pada algoritma yang digunakan untuk melakukan perhitungan estimasi jumlah kalori makanan cepat saji, didapatkan tingkat kesalahan kalkulasi berupa nilai MAE sebesar 2,290 kal/g dan RMSE sebesar 2,342 kal/g. 

---

Obesity is one of the most common health problem until now. According to World Health Organization, there are approximately 650 millions adult who have obesity problem at 2016. If not prevented, obesity itself can increase the risk of various diseases such as heart disease, diabetes, and cancer. One of the causes of obesity is excessive consumption of fast food. This excessive consumption of fast food often happen due to lack of information about number of calories contained in fast food, making it difficult to control the amount of fast food consumed to prevent obesity. Therefore, this research conducts development of application to calculate the amount of calories contained in fast food using Mask R-CNN. Based on the testing result for Mask R-CNN ability to detect fast food object, 0,636 obtained as value of mAP and 0,599 obtained as value of F1 score. While based on the testing result of algorithm used to calculate the estimated amount of calories contained in fast food, the calculation error rate is obtained in the form of MAE value of 2,290 cal/g and RMSE value of 2,342 cal/g."

"Pemanfaatan lahan untuk lahan parkir harus dapat dilakukan secara optimal dikarenakan terjadinya peningkatan jumlah kendaraan di setiap tahun serta penurunan jumlah lahan kosong di perkotaan. Selain itu, Konsep smart city juga menuntut pemerintah untuk meningkatkan keefektifan dan efisiensi dari sistem layanan urban termasuk jasa penyedia lahan parkir. Sistem ini dirancang untuk menjawab persoalan tersebut dengan mengimplementasikan algoritma pemrosesan citra dan pendeteksian objek. Tata letak lahan parkir yang didapat dari masukan berupa video akan dipetakan setiap petak parkirnya secara otomatis dengan menggunakan salah satu dari 3 mode pemetaan yaitu pemetaan dengan mobil, garis parkir, serta keduanya. Pemetaan ini dilakukan menggunakan algoritma Canny Edge Detection, Hough Line Transform, dan framework pendeteksian objek Mask R-CNN. Kemudian, data ketersediaan lahan parkir akan divisualisasikan kepada pengguna melalui aplikasi android. Sistem ini mampu menyediakan informasi ketersediaan lahan parkir secara real-time dengan latensi sebesar 1.4-2.2 detik dan mampu bekerja pada berbagai kondisi seperti variasi kondisi cahaya, sudut kamera, ataupun jumlah mobil terparkir.

---

Utilization of land for parking lots must be done optimally due to an increase in the number of vehicles every year and a decrease in the number of vacant land in urban areas. In addition, the concept of smart city also requires the government to increase effectiveness and efficiency of the urban service system including parking lot service providers. This system is designed to solve these problems by implementing image processing and object detection algorithms. The layout of parking lot obtained from the video input and each parking space will be mapped automatically by using one of 3 mapping modes, i.e. mapping by car, parking lines, or both. This mapping was done using Canny Edge Detection Algorithm, Hough Line Transform, and Mask R-CNN object detection framework. Then, the availability of parking space data will be visualized to users through the android application. This system is able to provide information on the availability of parking lots in real-time with latency of 1.4-2.2 seconds and is able to work in various conditions such as variations in light conditions, camera angles, or the number of parked cars."

"Pengelasan TIG adalah salah satu metode pengelasan yang dapat diterapkan pada logam non-ferrous. Otomatisasi proses pengelasan TIG harus memberikan hasil las yang lebih hemat biaya dan kualitas yang lebih tinggi di lingkungan produksi divisi manufaktur. Penelitian ini bertujuan untuk menerapkan metode deep learning pada optimalisasi TIG Welding dengan mengolah hasil pengelasan dengan Convolutional Neural Networks (CNN). Dengan menggunakan dua jaringan saraf YOLOv5 dan ResNet50 yang berbeda, penulis akan memiliki empat metode klasifikasi citra yang berbeda dengan ResNet50, deteksi dan klasifikasi objek YOLOv5, kombinasi deteksi objek YOLOv5 dan ResNet50, dan klasifikasi ResNet50 menggunakan preprocessing center-crop. Penelitian ini akan mengidentifikasi hasil pengelasan dengan memberi label pada gambar sebagai “Weld Bagus” atau “Weld Buruk”, kelas las yang baik tidak memiliki cacat, sedangkan kelas las yang buruk memiliki cacat retak, terbakar, porositas, dll. Berdasarkan penelitian ini metode terbaik adalah kombinasi antara YOLOv5 dan ResNet50 neural network dengan akurasi 96%, loss 4%, presisi 93,1%. Metode dengan menggunakan ResNet50 klasifikasi memiliki akurasi 46%, loss 54%, dan presisi 0%. Metode YOLOv5 objek deteksi dan klasifikasi memiliki akurasi 94,34%, loss 5,66%, dan presisi 100%. Metode ResNet50 klasifikasi dengan center-crop pre-processing memiliki akurasi 82%, loss 18%, dan presisi 87,5%. Variasi dan jumlah data mempengaruhi pelatihan dan pengujian data.

---

TIG welding is one of the welding methods that can be applied to non-ferrous metals. TIG welding process automation should deliver more cost-effective, higher-quality welds in a manufacturing division's production environment. This study aims to apply deep learning methods to optimize TIG Welding by processing welding results with Convolutional Neural Networks (CNN). By using two different YOLOv5 and ResNet50 neural networks, the author will have four different image classification methods with ResNet50, YOLOv5 object detection and classification, a combination of YOLOv5 and ResNet50 object detection, and ResNet50 classification using center-crop preprocessing. This study will identify the results of welding by labeling the image as “Good Weld” or “Bad Weld”, a good welding class has no defects, while a bad welding class has cracking, burning, porosity defects, etc. Based on this research, the best method is a combination of YOLOv5 and ResNet50 neural network with 96% accuracy, 4% loss, 93.1% precision. The method using ResNet50 classification has 46% accuracy, 54% loss, and 0% precision. The YOLOv5 object detection and classification method has an accuracy of 94.34%, loss of 5.66% and precision of 100%. The ResNet50 method of classification with center-crop pre-processing has an accuracy of 82%, loss of 18% and precision of 87.5%. Variation and amount of data affect the training and testing of data."

"Peningkatan jumlah kendaraan beserta pelanggaran lalu lintas setiap tahunnya membuat semakin sulit bagi pihak berwenang untuk mendeteksi dan menindak pelanggaran tersebut. Salah satu pelanggaran yang menantang untuk dideteksi adalah penggunaan plat palsu pada mobil. Implementasi Intelligent Transportation System (ITS) dalam sistem lalu lintas dapat memberikan kontribusi signifikan dalam mendeteksi jenis pelanggaran ini. Beberapa studi sebelumnya telah sukses menerapkan ITS untuk mendeteksi dan mengklasifikasikan kendaraan menggunakan deep learning, memberikan solusi dalam penanganan pelanggaran lalu lintas. Penerapan teknologi ini dapat memberikan dukungan yang efektif bagi pihak berwenang dalam mengambil tindakan yang tepat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi tipe mobil dan plat nomornya. Dalam pendekatan ini, model deep learning YOLO-NAS dan EfficientNet digunakan untuk mendeteksi dan mengklasifikasikan jenis mobil serta plat nomornya. Sebagai pendukung, model SRGAN digunakan untuk meningkatkan resolusi citra plat mobil. Untuk tujuan mendeteksi penggunaan plat palsu pada kendaraan, maka selanjutnya hasil dari sistem ini dapat diintegrasikan dengan database plat dan jenis kendaraan untuk mendeteksi plat yang palsu. Performa terbaik pada masing-masing model adalah 92% untuk akurasi validasi model EfficientNet dengan menggunakan layer dense sebesar 1024 dan dropout sebesar 0.2, 93% pada nilai mAP dan 1.24 pada nilai validasi loss untuk model YOLO-NAS dengan melakukan training sebanyak 30 epoch, serta nilai PSNR sebesar 19.5 dan nilai validasi loss sebesar 2.8 untuk model SRGAN dengan learning rate generator sebesar 0.001 dan learning rate discriminator sebesar 0.0001. Dibutuhkan pengembangan lebih lanjut pada model ini agar dapat dipakai secara real-time.

---

The increasing number of vehicles and traffic violations each year makes it increasingly challenging for authorities to detect and address these violations. One of the challenging offenses to detect is the use of fake license plates on cars. The implementation of Intelligent Transportation Systems (ITS) in traffic can significantly contribute to detecting such violations. Several studies have successfully applied ITS for vehicle detection and classification using deep learning, providing a solution for handling traffic violations. The adoption of this technology can effectively support authorities in taking appropriate actions. Based on existing literature, this research aims to develop a system for detecting the type and license plates of vehicles. In this approach, deep learning models, YOLO-NAS, and EfficientNet are used to detect and classify the type of vehicles and their license plates. As a supportive model, SRGAN is utilized to enhance the resolution of license plate images. This research is expected to contribute to improving the effectiveness of traffic violation detection, particularly concerning the use of fake plates on vehicles. Furthermore, the results from this system can be integrated with license plate and vehicle type databases to detect fake plates. The best performance of each model is 92% for the validation accuracy of the EfficientNet model using a dense layer of 1024 and a dropout of 0.2, 93% for the mAP value and 1.24 for the validation loss value for the YOLO-NAS model after training for 30 epochs, and a PSNR value of 19.5 and a validation loss value of 2.8 for the SRGAN model with a generator learning rate of 0.001 and a discriminator learning rate of 0.0001. Further development of this model is needed for real-time application."

"Pada penelitian ini dilakukan penggabungan citra dari dua sumber energi yang berbeda berdasarkan kerangka kerja deep learning. Tujuannya untuk menghasilkan citra objek dengan material penyusun lebih dari satu yang lebih baik dan lebih informatif. Hasil penelitian menunjukkan bahwa metode yang diajukan dapat menghasilkan citra yang lebih minim noise, kontras yang baik, dan dapat mempertahankan struktur objek. Evaluasi kualitas citra menggunakan metrik objektif, seperti FMIdct, FMIpixel, FMIw, Nabf, dan SSIM, menunjukkan peningkatan dibandingkan dengan metode tradisional. Rata-rata nilai FMI yang lebih tinggi menunjukan bahwa keterkaitan informasi hasil fusi dengan kedua sumber lebih baik dibanding kedua metode pembanding. Nilai Nabf yang lebih rendah menunjukan noise yang muncul akibat dari proses fusi lebih minim dibanding kedua metode lainnya. Nilai SSIM pada hasil fusi menggunakan metode ini juga memiliki nilai yang lebih tinggi dibanding dengan kedua metode yang dibandingkan. Sampel yang memiliki rata-rata nilai metrik terbaik adalah busi dengan nilai tertinggi metrik evaluasi FMIdct adalah 2,96×10^(-1), nilai FMIpixel adalah 9,70×10^(-1), nilai FMIw adalah 3,69×10^(-1), nilai SSIM adalah 9,92×10^(-1), dan nilai Nabf terrendah adalah 3,82×10^(-3). Kesimpulannya, penelitian ini berhasil mengembangkan pendekatan baru dalam penggabungan citra CT menggunakan framework VGG19. Metode ini memiliki potensi untuk meningkatkan diagnosis dan analisis non-medis seperti pada evaluasi kualitas produksi pada industri manufaktur dengan menghasilkan citra yang lebih informatif dan akurat.

---

In this research, images from two different energy sources are combined based on a deep learning framework. The goal is to produce better and more informative images of objects with more than one constituent material. The results show that the proposed method can produce images with less noise, good contrast, and can maintain the structure of the object. Evaluation of image quality using objective metrics, such as FMIdct, FMIpixel, FMIw, Nabf, and SSIM, shows improvement compared to traditional methods. The higher average FMI value indicates that the fused information is better related to the two sources than the two comparison methods. The lower Nabf value indicates that the noise arising from the fusion process is more minimal than the other two methods. The SSIM value in the fusion results using this method also has a higher value than the two methods compared. The sample that has the best average metric value is the spark plug with the highest value of FMIdct evaluation metric is 2.96×10-1, FMIpixel value is 9.70×10-1, FMIw value is 3.69×10-1, SSIM value is 9.92×10-1, and the lowest Nabf value is 3.82×10-3. In conclusion, this study successfully developed a new approach in CT image fusion using the VGG19 framework. This method has the potential to improve non-medical diagnosis and analysis such as production quality evaluation in the manufacturing industry by producing more informative and accurate images."

"Menjaga jarak aman saat berkendara adalah hal penting yang perlu diperhatikan terutama saat berkendara dalam kecepatan tinggi. Jalan tol yang bebas hambatan dapat membuat pengemudi mobil memacu kendaraannya dalam kecepatan tinggi sehingga sulit untuk menjaga jarak aman. Jarak aman yang relatif terhadap kecepatan kendaraan menambah sulit penerapan jarak aman di jalan tol. Aturan tiga-detik bisa menjadi solusi karena jarak waktu adalah konstan pada kecepatan berapapun. Namun, menghitung jarak waktu dapat berisiko mengurangi konsentrasi padahal penting bagi pengemudi untuk tetap fokus menyetir ketika di jalan tol. Kemajuan teknologi kecerdasan buatan dapat menjadi solusi untuk membantu menjaga jarak aman berkendara tanpa harus khawatir menghitungnya secara manual. Penelitian ini mengusulkan penggunaan model deep learning dan pendekatan pemrosesan gambar untuk menghitung jarak aman berkendara di jalan tol. Kemudian, memberikan feedback berupa peringatan visual apabila kendaraan tidak berada pada jarak aman. Pendekatan dilakukan dengan mengestimasi kecepatan kendaraan pengemudi dan jarak kendaraan di depan kendaraan pengemudi berdasarkan garis lajur di jalan tol. Model deep learning YOLOv8, algoritma Canny Edge Detection, Hough Transformation, dan teknik transformasi perspektif dipadukan untuk mencapai tujuan tersebut. Program dapat mengestimasi kecepatan kendaraan pengemudi dengan rata-rata error sebesar 7.66 Km/jam pada 93% kesalahan yang dibuat. Sementara itu, ratarata error estimasi kecepatan adalah 25.8 Km/jam pada 100% kesalahan yang dibuat. Hasil observasi juga menunjukkan bahwa hasil estimasi kecepatan lebih konsisten pada video 30 fps dibandingkan video 60 fps. Konsistensi ini ditunjukkan dengan rata-rata perubahan hasil estimasi kecepatan antar perhitungan pada video 30 fps adalah 29.76 Km/jam sedangkan pada video 60 fps adalah 76.74 Km/jam. Program akan semakin optimal apabila faktor seperti garis lajur jalan yang terputus, memudar, ataupun tertutup dapat diminimalisir. Selain itu, konfigurasi kamera yang dapat memengaruhi posisi gambar, perlu untuk diperhatikan agar garis lajur jalan tidak keluar dari gambar. Penelitian ini mengharapkan bahwa penggunaan model deep learning dan pendekatan pemrosesan gambar dapat membantu pengawasan jarak aman berkendara di jalan tol dengan menggunakan garis lajur jalan sebagai faktor utama untuk mengestimasi kecepatan dan jarak kendaraan.

---

Keeping a safe distance while driving becomes an important aspect that needs to be considered, especially when driving at high speeds. Toll roads that are freeway can tempt car drivers to accelerate their vehicles to high speeds, thus making it difficult to maintain a safe distance. The relative safe distance in relation to the vehicle's speed adds to the challenge of implementing safe driving distances on toll roads. The three-second rule can be a solution since the time distance remains constant regardless of the speed. However, calculating the time distance can be risky as it may reduce the driver's concentration which is important to stay focused while driving on toll roads. The advancements in artificial intelligence technology can provide a solution to help maintain a safe distance without having to worry about calculating it manually. This research proposes the use of deep learning models and image processing approaches to calculate the safe distance on toll roads. Then, it provides feedback in the form of a visual warning if the vehicle is not at a safe distance. The approach is carried out by estimating the driver's speed and the distance of the vehicle in front of the driver based on the lane lines on the toll road. The deep learning model YOLOv8, Canny Edge Detection algorithm, Hough Transformation, and perspective transformation techniques are combined to achieve this objective. The program can estimate the driver's speed with an average error of 7.6 Km/h for 93% of the errors made. Meanwhile, the average error in speed estimation is 25.8 Km/h for 100% of the errors made. The observation results also indicate that speed estimation is more consistent in 30 fps videos compared to 60 fps videos. This consistency is shown by the average change in speed estimation results between calculations on 30 fps videos is 29.76 Km/h, while on 60 fps videos it is 76.74 Km/h. The program will be more optimal if factors such as discontinuous, faded, or obstructed lane lines can be minimized. Furthermore, the configuration of the camera, which can affect the image's position, needs to be considered to prevent the lane lines from going outside the image. This research expects that the use of deep learning models and image processing approaches can assist in monitoring the safe distance on toll roads by utilizing lane lines as the main factor to estimate vehicle speed and distance."

"Banyak sekali variabel nonlinear didalam sistem kendali untuk quadcopter sehingga cukup rumit untuk mengendalikan dinamika penerbangan dari wahana ini. Salah satu metode yang digunakan untuk membangun model dinamik quadcopter adalah Deep Learning berbasis Long Short-Term Memory. Metode pembelajaran yang umum digunakan dalam melatih model adalah offline learning, dimana pelatihan dilakukan secara akumulatif berdasarkan dataset yang telah dimiliki. Walaupun offline learning memungkinkan model belajar lebih cepat, metode ini menghasilkan model yang kurang baik untuk wahana yang membutuhkan feedback dengan kompleksitas tinggi. Untuk menangani masalah tersebut akan dikembangkan metode online learning, dimana data diperoleh secara sekuensial dan digunakan untuk memperbarui model di setiap timestep. Akan ditunjukkan bahwa metode online learning dapat memperbaiki model yang diperoleh dari metode offline learning berdasarkan Mean Square Error dari setiap jenis data quadcopter. ..... There are so many nonlinear variables in the control system for the quadcopter so it is quite complicated to control the flight dynamics of this vehicle. One of the methods used to build a dynamic quadcopter model is Deep Learning based on Long Short-Term Memory. The learning method commonly used in training the model is offline learning, where training is carried out accumulatively based on the existing dataset. Although offline learning allows for faster learning models, this method results in poor models for vehicles that require high complexity feedback. To deal with this problem, an online learning method will be developed, where data is obtained sequentially and used to update the model at each time step. It will be shown that the online learning method can improve the model obtained from the offline learning method based on the Mean Square Error of each quadcopter data type."

"Pencitraan 'X-ray' dapat digunakan sebagai alternatif penunjang diagnostik klinis untuk mendeteksi penyakit COVID-19 pada paru-paru pasien. 'Machine learning' atau 'Deep Learning' akan disematkan pada 'computer-aided-diagnosis' (CAD) untuk meningkatkan efisiensi dan akurasi dalam menangani permasalahan membedakan COVID-19 dengan penyakit lain yang memiliki karakteristik yang serupa. Beberapa sistem kecerdasan buatan berbasis 'Convolutional Neural Network' (CNN) pada penelitian sebelumnya, memiliki akurasi yang menjanjikan dalam mendeteksi COVID-19 menggunakan citra 'X-ray' rongga dada. Dalam penelitian ini, dikembangkan 'classifier' berbasis CNN dengan teknik 'transfer learning', yakni memanfaatkan model CNN pra-terlatih dari ImageNet bernama Xception dan ResNet50V2 yang dikombinasikan agar sistem menjadi lebih akurat dalam kemampuan ekstraksi fitur untuk mendeteksi COVID-19 melalui citra 'X-ray' rongga dada. 'Classifier' yang dikembangkan terdiri dari 2 jenis, yakni 'classifier' yang disusun secara serial dan paralel. Pengujian dilakukan dalam 2 skenario berbeda. Pada skenario 1, digunakan 'dataset' dan pengaturan parameter yang mengacu pada penelitian sebelumnya, sedangkan skenario 2 dilakukan dengan menambahkan sejumlah citra kedalam 'dataset' baru serta pengaturan parameter yang berbeda untuk memperoleh peningkatan akurasi. Dari pengujian untuk kelas COVID-19 pada skenario 1, diperoleh 'classifier' paralel berhasil menggungguli 'classifier' lain dengan mencapai akurasi rata-rata 93,412% serta memperoleh 'precision', 'recall,' dan 'f1-score' masing – masing mencapai 96.8%, 99.6% dan 98%. Pada skenario 2, 'classifier' paralel mencapai akurasi rata-rata yang lebih tinggi, yakni mencapai 96,678% serta memperoleh 'precision', 'recall,' dan 'f1-score' yang cukup tinggi pula, yakni masing – masing mencapai 98.8%, 99.8% dan 99.4% untuk kelas COVID-19. Adanya penambahan jumlah 'dataset' pada skenario 2 dapat meningkatkan akurasi dari 'classifier' yang dikembangkan. Secara keseluruhan, 'classifier' paralel yang dikembangkan dapat direkomendasikan menjadi alat yang dapat membantu praktisi klinis dan ahli radiologi untuk membantu mereka dalam diagnosis, kuantifikasi, dan tindak lanjut kasus COVID-19.

---

X-ray imaging can be used as an alternative support clinical diagnostics to detect COVID-19 in the patient's lungs. Machine learning or Deep Learning will be embedded in computer-aided diagnosis (CAD) to increase efficiency and accuracy in dealing with problems distinguishing COVID-19 from other diseases that have similar characteristics. Several artificial intelligence systems based on the Convolutional Neural Network (CNN) in previous studies have promising accuracy in detecting COVID-19 using Chest X-ray images. In this study, a CNN-based classifier with transfer learning techniques was developed, which utilizes a pre-trained CNN model from ImageNet named Xception and ResNet50V2 combined that makes the system powerful using multiple feature extraction capabilities to detect COVID-19 through Chest X-ray images. There are 2 types of classifiers developed, classifiers arranged in serial and parallel. The testing in this study was carried out in two different scenarios. In the scenario 1, the dataset and parameter settings are used referring to previous studies, while the scenario 2 was carried out by adding several images to the new dataset and setting different parameters to obtain increased accuracy. From testing of the COVID-19 class in the scenario 1, the parallel classifier succeeded in outperforming other classifiers by achieving an average accuracy in 93.412% and also obtains precision, recall and f1-score, which reached 96.8%, 99.6%, and 98% respectively. In the scenario 2, the parallel classifier achieved a higher average accuracy of 96.678%, and also obtained quite high precision, recall and f1-score, which reached 98.8%, 99.8% and 99.4% for the COVID-19 class, respectively. The addition of the number of datasets in scenario 2 can increase the accuracy of the developed classifier. Overall, the developed parallel classifier can be recommended as a tool that can help clinical practitioners and radiologists to aid them in diagnosis, quantification, and follow-up of COVID-19 cases."