Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"ABSTRAKPerkembangan teknologi robotika saat ini telah mampu membuat beberapa robot untuk secara kooperatif melakukan suatu tugas tertentu. Untuk aplikasi ini, setiap robot harus mampu mengetahui posisinya sendiri maupun posisi robot yang lain agar mampu mencapai tujuannya dan tidak saling bersinggungan. Keterbatasan sensor posisi yang ada saat ini, hanya mampu memberikan posisi dari satu robot saja dan jika digunakan satu jenis sensor saja seringkali menimbulkan error yang cukup besar. Maka pada skripsi akan dibahas implementasi computer vision yang mampu mendeteksi dan memberikan data posisi dari beberapa objek berupa mobile robot. Perancangan dimulai dengan membuat pattern pola untuk mobile robot yang akan dideteksi. Pattern objek yang akan ditelaah yaitu berupa empat lingkaran putih diatas persegi berwarna hitam. Dimana satu lingkaran berukuran jauh lebih besar dan digunakan sebagai pusat objek. Selain itu, ditambah juga dengan persegi panjang dengan jumlah yang bervariasi untuk membedakan masing-masing robot.Hasil dari pengujian yang dilakukan, algoritma pendeteksian mampu membedakan pattern mobile robot dengan objek lain dan membedakan mobile robot yang satu dengan mobile robot yang lain, algoritma efektif bekerja pada jarak pengambilan gambar 1 meter dan 2 meter dengan sudut pengambilan gambar 0o, 15o dan 30o. Tingkat keberhasilan pendeteksian pada kondisi tanpa getaran sebesar 99.18 dan pada kondisi getaran sebesar 82.76 . Waktu pemrosesan yang dibutuhkan untuk menjalankan algoritma pada Raspberry Pi 3 sebesar 123.2 ms.

---

ABSTRACTThe development of robotics technology has reach point where multiple robots are able to perform a task cooperatively. This application require each robot to know of its own position and the others position to reach its destination without crashing on each other. Currently, the position sensors has a drawback from its estimation error. Therefore, implementation of computer vision for detecting multi mobile robot is proposed. First the pattern design of mobile robots are specifically determined as the focus of object detection using four white circles in black background. The pattern design include a big circle as the mobile robot center of gravity and rectangles to differentiate beetwen each mobile robot.The results show that detection algorithm is able to differentiate each mobile robots. The proposed algorithm is effective for distance 1 and 2 meters with angle 0o, 15o and 30o. Success detection rate with no vibrate condition is 99.18 and at vibrate condition is 82.76 . The processing time required to run the algorithm on Raspberry Pi 3 is 123.2 ms."

"Pada penelitian kali ini telah dirancang dan dibangun Sistem Akuisisi Data Elektrokardiograf (ECG) 12-Lead dengan ADS1298RECGFE-PDK sebagai analog front end dan Raspberry Pi 4 secara ringan, hemat daya, dan harga yang terjangkau. Rancangan sistem juga dikembangkan dengan baterai internal Sony VTC 5 dengan tujuan untuk reduksi noise dari power line. Pengambilan data dilakukan dengan menggunakan Prosim4 Fluke dengan data yang diambil adalah 60bpm, 80bpm, 90bpm dan partisipan dalam kondisi berbaring. Rancangan sistem ini akan dibandingkan dhasilnya dengan Bionet Cardiocare 2000 Hasil rekaman kemudian diolah dengan melakukan baseline wander removal, LPF, dan FFT. Data yang telah diproses pada rancangan sistem kemudian akan disimpan dalam format WFDB. Penelitian ini kemudian melakukan penghitungan selisih sinyal yang diperoleh dari Cardiocare dengan rancangan sistem yang dibuat. Metode regresi linier juga dilakukan untuk komparasi kedua rekaman. Regresi linier dilakukan pada sinyal rekaman 80 bpm. Dari hasil tersebut didapat error paling besar pada v1 dengan error selisih, gradien, dan intercept masing-masing 25.257, 0.132%, dan 3.641%. Rancangan sistem akan digunakan untuk identifikasi Myocardial Infarction menggunakan dataset dari PTB Diagnostic. Metode yang digunakan adalah convolutional neural network (CNN). Hasil dari klasifikasi diperoleh akurasi 96.28%, spesifisitas 94.07%, dan sensitivitas 96.89%.

---

This study has designed and built a 12-Lead Electrocardiograph Data Acquisition System with ADS1298RECGFE-PDK as an analog front end and Raspberry Pi 4 in a lightweight, power-saving, and affordable price. The system was also developed with the Sony VTC 5 battery in order to reduce noise from the power line. Data retrieval is done using Prosim4 Fluke with data taken are 60bpm, 80bpm, 90bpm and participants lying down. The system will be compared with the results of Bionet Cardiocare 2000. The results are then processed by performing a baseline wander removal, LPF, and FFT. Data that has been processed will be saved in WFDB format. This study then calculate the difference of signal obtained from Cardiocare with the system created. Linear regression method was also used to compare the records. Linear regression was performed on 80 bpm signal. From these results, the largest error was obtained in v1 with error difference, gradient, and intercept of 25.257, 0.132%, and 3.641%, respectively. This system will be used to identify Myocardial Infarction using dataset from PTB Diagnostic. The method used is convolutional neural network (CNN). The results have an accuracy of 96.28%, specificity of 94.07%, and sensitivity of 96.89%."

"Teknologi SMS sebagai media komunikasi dapat digunakan untuk mengendalikan perangkat IoT seperti SCADA Supervisory Control and Data Acquisition untuk pengontrolan suatu proses dalam sistem kendali industri berbasis computer . Serta sebagai alternatif yang handal pengganti media Internet untuk kendali jarak jauh. Namun, teknologi SMS masih memiliki kekurangan terhadap aksi penyadapan. Oleh karena itu pada penelitian ini dirancang pengendalian jarak jauh melalui SMS berbasis algoritma enkripsi NTRU dan kompresi GZIP yang di implementasikan pada Raspberry Pi dan perangkat Android.Dari hasil uji coba penerapan algoritma NTRU dan GZIP pada Raspberry pi menghasilkan parameter bilangan prima 5 sampai 23 untuk membangun public key dan dalam proses enkripsi dekripsinya. Dengan rentang parameter tersebut membuat perintah dapat dikirim dalam 1 kali SMS tidak lebih dari 160-byte . Dengan menggunakan parameter optimal yaitu 23, implementasi enkrispi dan kompresi dilanjutkan pada hasil performa untuk menggerakan 3 aktuator relay, servo, dan LED PWM dengan 100 perintah yang dikirim berhasil diterjemahkan untuk dieksekusi pada aktuator.

---

SMS Technology as a communication medium can be used to control the IoT device for example, SCADA Supervisory Control And Data Acquisition . However, SMS technology still has a disadvantage of wiretapping. Therefore, in this study designed remote control system via SMS based NTRU Encryption and GZIP compression algorithm that is implemented on Raspberry Pi and Android devices to control the actuator.

Based on the result, the best parameter size of NTRU encryption and GZIP compression algorithm is 5 until 23 to build public key and encryption decryption process that can be sent in one time SMS not more than 160 bytes. Using the optimum parameter of 23, the encryption and compression implementation are continued on the performance result to drive three actuators relay, servo and LED PWM with 100 of the commands sent successfully decrypted for control the actuator."

"Teknologi alat akuisi seismic sudah semakin berkembang. Pada penelitian sebelumnya sudah dilakukan penelitian mengenai alat akuisisi sinyal seismik berbasis sensor accelerometer MEMS. Sehingga pada penelitian ini telah memperbaharui alat akuisisi sinyal seismik dari sisi komunikasi agar dapat mengakuisisi lebih banyak geophone atau alat akuisisi sinyal seismik. Selain itu agar jangkauan kabel atau jarak antar geophone juga semakin panjang. Keluaran data dari sistem ini hamper setara dengan keluaran data dari geophone konvensinal. Sistem ini menggunakan Modul SPI Extender untuk membuat satu buah Raspberry Pi dapat mengakuisisi geophone MEMS dengan lebih banyak dan jengan jangakaun kabel yang lebih panjang. Hasil respon atau keluaran dari geophone disimpan kedalam Raspberry Pi terlebih dahulu untuk kemudian bisa diambil secara wireless oleh komputer host. Uji coba dilakukan di Universitas Indonesia.

---

The technology of seismic acquisition instrumentation has getting developed. In previous research, a study of seismic signal acquisition instrumentation based on MEMS accelerometer sensor has been done. This research has renewed seismic signal accelerometer by communication aspect to acquire more geophones or seismic signal acquisition instrumentation. Output data of this system is almost same with output from conventional geophone. This system uses SPI Extender modul to make one Raspberry Pi to acquire more MEMS geophone and with further cable reach. Respond result or output of geophone is saved into Raspberry Pi first so that it can be taken wirelessly by host computer. Trial test is done at Universitas Indonesia."

"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. "

"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."

"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."

"ABSTRAKPerkuliahan merupakan kegiatan akademis yang dilaksanakan berdasarkan kurikulum yang memang telah direncanakan. Kegiatan perkuliahan tersebut dilaksanakan untuk pencapaian yang maksimal. Sehingga dalam pencapaiannya diperlukan pemantauan terhadap komponen-komponen yang mendukung jalannya aktivitas perkuliahan. Pencatatan absensi merupakan salah satu bagian penting dalam kegiatan perkuliahan. Sistem yang selama ini digunakan untuk mendukung absensi mahasiswa masih konvensional yaitu dengan mengisi daftar kehadiran berupa tandatangan secara tertulis, sehingga validitas data absensi kurang mampu dipertanggungjawabkan dan kurangnya efisiensi dalam hal pengolahan data ke pusat administrasi kampus. Sebuah raspberry pi 3 berperan sebagai gateway antara perangkat bluetooth dari masing-masing smartphone dan server, akan melakukan pencarian identitas perangkat berupa mac address bluetooth dari setiap perangkat smartphone yang masuk dalam jangkauannya. Segala pengolahan data akan dilakukan pada sisi backend yang sebelumnya beberapa paket data perlu dikirim terlebih dahulu oleh gateway melalui koneksi internet secara periodik. Sehingga kesimpulan mengenai kehadiran setiap mahasiswa mampu didapatkan Sistem absensi ini diharapkan mampu menjadi solusi bagi permasalahan dalam kegiatan perkuliahan yang ada. Performa yang diukur selama pengujian ditunjukkan oleh waktu identifikasi perangkat dengan beberapa parameter yang divariasikan seperti konfigurasi posisi gateway, jumlah gateway, jumlah responden dan kecermatan sistem dalam mengidentiifkasi setiap mahasiswa. Berdasarkan pengujian yang dilakukan, diperoleh kesimpulan bahwa posisi gateway memberikan pengaruh terhadap durasi yang diperlukan untuk melakukan identifikasi terhadap seluruh perangkat. Durasi identifikasi terbaik yang mampu dilakukan gateway untuk 20 responden adalah 1 menit 24 detik pada posisi gateway diletakkan pada ketinggian 2 meter dari permukaan tanah. Selain itu, jumlah gateway yang perlu diaplikasikan sistem untuk mengidentifikasi perangkat dipengaruhi oleh bentuk dan dimensi suatu ruangan.

---

ABSTRACTLectures are academic activities undertaken based on a curriculum that has been planned. Lecture activities are carried out for maximum achievement. So in the achievement required monitoring of the components that support the course of lecture activities. Registration of attendance is an important part of lecturing activities. The system that has been used to support student absences is still conventional by filling the attendance list in the form of signatures in writing, so the validity of data absenteeism is not accountable and lack of efficiency in terms of data processing to the campus administration center. A raspberry pi acts as a gateway between the bluetooth device of each smartphone and server, will perform a device identity search in the form of a bluetooth mac address of any smartphone device within its range. Then the data processing will be done on the backend side previously sent first by gateway through internet connection periodically. So the conclusion about the presence of each student can be obtained. This system is designed to be the solution for problems in classes. Performance is tested by device 39 s identification time, with several changed variables gateway position, number of respondents, and system 39 s accuracy in identifying students. Based on the tests performed, it is concluded that the gateway position has an effect on the duration required to identify all devices. The best identification duration a gateway can perform for 20 respondents is 1 minute 24 seconds at the gateway position is placed at a height of 2 meters from the ground level. In addition, the number of gateways that the system needs to apply to identify devices is influenced by the shape and dimensions of a room."

"Proses identifikasi dan pengenalan emosi seseorang selama ini hanya dapat dilakukan secara langsung dengan melihat raut wajahnya secara langsung dan mengolah raut wajah dari orang tersebut untuk mengerti emosi yang sedang dirasakan. Emosi dari raut wajah seseorang merupakan sesuatu yang paling susah dimengerti dan manfaat dari aplikasi yang dapat mengenali emosi ini dari raut wajah seseorang sangat tinggi. Untuk memenuhi minat yang tinggi atas pengenalan emosi pada raut wajah seseorang, penulis berniat untuk mengembangkan sebuah aplikasi yang dapat mengenali emosi seseorang dari raut wajahnya dengan menggunakan machine learning face recognition. Penulis berniat menggunakan framework CNN sebagai algoritma untuk melakukan machine learning face emotion recognition karena algoritma ini yang paling cocok dan mudah untuk digunakan, serta menggunakan arsitektur EfficientNet karena arsitektur ini merupakan arsitektur pengembangan dari Google yang bersifat opensource dan mudah digunakan karena sudah terintegrasi langsung dengan Keras. Program face emotion recognition ini menggunakan arsitektur EfficientNetB2 dan menggunakan dataset FER2013 berhasil mendapatkan akurasi training di angka 95.55% dan akurasi validasi sebesar 63.71%. Walaupun terjadinya overfitting karena perbedaan akurasi validasi dan training yang besar, akurasi testing dari program ini mendapatkan angka 88.21% dan berhasil mendeteksi 7 kategori emosi yang dihasilkan oleh raut wajah manusia

---

The process of identifying and recognizing a person's emotions so far can only be done directly by looking at his face directly and processing the facial expressions of the person to understand the emotions that are being felt. The emotion of a person's facial expression is something that is the most difficult to understand and the benefits of an application that can recognize this emotion from a person's facial expression is very high. To meet the high interest in recognizing emotions on a person's facial expression, the author intends to develop an application that can recognize a person's emotions from his facial expression using machine learning face recognition. The author intends to use the CNN framework as an algorithm to perform machine learning face emotion recognition because this algorithm is the most suitable and easy to use and uses the EfficientNet architecture because this architecture is a development architecture from Google that is open source and easy to use because it is integrated directly with Keras. This face emotion recognition program using the EfficientNetB2 architecture and using the FER2013 dataset managed to get a training accuracy of 95.55% and a validation accuracy of 63.71%. Despite the occurrence of overfitting due to the large difference in validation and training accuracy, the testing accuracy of this program scored 88.21% and succeeded in detecting 7 categories of emotions generated by human facial expressions.

"