Hasil Pencarian  ::  Simpan CSV :: Kembali

"[;, ]"

"ABSTRAK Penelitian ini bertujuan melihat effek perlakuan Bentonit terhadap kualitas pasir cetak. Proses perlakuan Bentonit berupa pemurnian senyawa Montmorilonit dari Bentonit dengan campuran alkohol - bromoform pada B.J. 2,1 gr/ml dan kecepatan pemutaran 4000 rpm. Secara statistik ditunjukkan bahwa perlakuan terhadap B.Boyolali memberikan hasil paling baik ( 85,76%) karena paling mendekati garis sentral yaitu 82,73 %. Analisa pemurnian Montmorilonit dari ke 4 Jenis Bentonit (Boyolali, Karang Nunggal, Bogor, Wyoming) dilakukan dengan XRD dan hasilnya menunjukkan bahwa B.Bogor memberikan tingkat kemurnian paling tinggi dengan pengotor paling sedikit yaitu kuarsa dibawah 2%. Analisa unsur dari ke 4 jenis Bentonit yang sama (tanpa perlakuan) dilakukan dengan XRF dan hasilnya menunjukkan bahwa B.Wyoming mempunyai ratio Na/Ca paling tinggi yaitu 1,75. Pemurnian Montmorilonit dari Bentonit memberikan simpangan baku 3,44%. Pada penyiapan Bentonit Boyolali untuk pasir cetak dilakukan 18 kali percobaan pemurnian dengan kondisi teknis dimana digunakan campuran alkohol- bromoform murni dan bekas. Pada pengujian pasir cetak digunakan 4 variabel Bentonit yaitu Montmorilonit hasil perlakuan B.Boyolali, B.Boyolali 270 mesh, B.Boyolali 140 mesh dan Bentonit UI. Hasil pengujian menunjukkan bahwa Montmorilonit (2%)memberikan kekuatan tekan basah, geser basah dan tarik kerinq masing-masing 1,1 N/cm2, 0,8 N/cm` dan 5,0 N/cm. Ke 4 variabel Bentonit diatas digunakan untuk uji cor spesimen Al dan hasilnya menunjukkan bahwa Montmorilonit (2%) memberikan effek paling baik pada permukaan benda tuang. "

"Buku ini merupakan buku pintar aktivitas untuk pegangan wajib guru dan orang tua"

"SIBI (Sistem Isyarat Bahasa Indonesia) merupakan bahasa isyarat resmi yang digunakan oleh penyandang tunarungu di Indonesia untuk berkomunikasi sehari- hari baik dengan sesama penyandang tunarungu maupun orang non-tunarungu. Adanya aplikasi penerjemah gerakan Bahasa isyarat ke teks akan sangat membantu proses komunikasi antara tunarungu dan non-tunarungu. Salah satu fitur yang dibutuhkan untuk pengembangan model penerjemah SIBI adalah informasi kerangka manusia (skeleton). Penelitian ini bertujuan untuk mengembangkan metode ekstraksi fitur kerangka manusia dari citra video telepon pintar untuk melatih model pembelajaran mesin LSTM (Long Short-Term Memory) pengenal gerakan kata dasar SIBI. Metode ekstraksi fitur yang dikembangkan menggunakan Haar Cascade untuk identifikasi titik bahu, algoritma Lucas-Kanade untuk melacak titik tangan, dan menggunakan interpolasi antara titik bahu dan tangan untuk mengidentifikasi titik siku. Dari titik-titik skeleton tersebut, dihitung sudut antara bahu dan lengan atas, serta bahu dan lengan bawah. Hasil ekstraksi digunakan sebagai input untuk model pembelajaran mesin LSTM yang telah dikembangkan sebelumnya. Penelitian ini berhasil mengembangkan metode ekstraksi skeleton yang saat dimasukkan ke model LSTM menghasilkan model dengan akurasi terbaik hingga 84.64%. Model dengan akurasi terbaik tersebut adalah model LSTM 2 layer dan dilatih dengan parameter jumlah hidden unit 512, jumlah batch 100, dan iterasi training 1800 epoch.

---

SIBI (Indonesian Language Sign System) is the official sign language system used by deaf people in Indonesia to communicate with each other and with non-deaf people. An application that can translate the sign language movement from video to text would be very useful to help communication between deaf and non-deaf people. One of the features needed to develop a model to translate sign language gesture is the subject’s skeleton. This research aims to develop a method to extract skeleton feature from smartphone video image to be used to train an LSTM (Long Short-Term Memory) machine learning model to translate gestures of SIBI base words. The developed method used Haar Cascade to identify shoulder points, Lucas-Kanade Algorithm to track hand points, and interpolate elbow points based on the location of previously known shoulder and hand points. From those skeleton points, the angles between shoulder and upper arm, and the shoulder between upper and lower arm are computed. This extraction result is then fed into a previously- developed LSTM machine learning model as training data. This research successfully develops a skeleton extraction method that when fed into LSTM model resulted in a model that can achieve accuracy up to 84.64%. This best model is LSTM with 2 layers, and trained with 512 hidden units, 100 batch size, and 1800 training epoch."