Hasil Pencarian

Ditemukan 120099 dokumen yang sesuai dengan query

Irsan Taufik Ali

Pengembangan Teknik Indoor localization Menggunakan Metode Deep learning Pada Fingerprinting LoRa Berdasarkan Perubahan Lingkungan = Development of Indoor localization Technique Using Deep learning Methods in LoRa Fingerprinting Based on Environmental Change

"Masalah pokok penggunaan fingerprinting Receive Signal Strength (RSS) pada indoor localization adalah pengaruh lingkungan terhadap hasil pengukuran RSS, menyikapi variabilitas nilai RSS dan akurasi penentuan posisi. Penelitian ini mengkombinasikan penggunaan keunggulan teknologi LoRa dengan metode deep learning yang menggunakan semua variasi hasil pengukuran nilai RSS di setiap posisi sebagai fitur alami dari kondisi dalam ruangan sebagai fingerprinting untuk melatih model pada deep learning. Teknik ini diberi nama DeepFi-LoRaIn, yang menggambarkan teknik untuk menggunakan data fingerprinting dari RSS perangkat LoRa pada indoor localization menggunakan metode deep learning. Penelitian ini dilakukan tidak hanya sebatas pengujian dan pembuktian metode menggunakan pendekatan testbed dan simulasi, namun berlanjut hingga tahapan implementasi menggunakan RSS fingerprinting dari hasil pengukuran sebenarnya. Skenario pengujian yang digunakan untuk mengevaluasi model adalah skenario tanpa gangguan dan skenario dengan memberikan gangguan. Skenario gangguan dilakukan dengan cara memberikan gangguan pada nilai RSS yang diterima di beberapa anchor node. Pada pengujian menggunakan dataset simulasi diperoleh hasil prediksi posisi dengan nilai akurasi 100% untuk skenario tanpa gangguan. Sedangkan pada skenario dengan gangguan diperoleh hasil akurasi prediksi posisi sebesar 86,66%. Hasil pengujian prediksi posisi menggunakan data pengukuran langsung diperoleh nilai akurasi sebesar 96,22%, untuk skenario tanpa gangguan dan 92,45%. untuk skenario pengujian dengan gangguan. Berdasarkan hasil penelitian menggunakan data simulasi dan data pengukuran sebenarnya pada implementasi, diperoleh kesimpulan bahwa, penggunaan Teknik DeepFi-LoRaIn mampu mengatasi permasalahan pada variabilitas nilai RSS didalam ruangan dan mampu menjaga akurasi prediksi posisi jika terjadi gangguan yang disebabkan oleh perubahan kondisi lingkungan.

The main problem using fingerprinting Receive Signal Strength (RSS) in indoor localization is the influence of the environment on the results of RSS measurements, addressing the variability of RSS values and positioning accuracy. This study combines the use of the advantages of LoRa technology with a deep learning method that uses all variations of the RSS value measurement results in each position as a natural feature of indoor conditions as fingerprinting to train models in deep learning. This technique is named DeepFi-LoRaIn, which describes a technique for using RSS fingerprinting data from LoRa devices in indoor localization using deep learning methods. This research is not only limited to testing and proving the method using a testbed and simulation approach, but continues to the implementation stage using RSS fingerprinting from the actual measurement results. The test scenarios used to evaluate the model are the without interference scenario and the with interference scenario. The inteference scenario is done by giving disturbance to the RSS value received at several anchor nodes. In testing using a simulation dataset, position prediction results are obtained with an accuracy value of 100% for without interference scenarios. Meanwhile, in the scenario with interference, the accuracy of position prediction is 86.66%. The results of the position prediction test using direct measurement data obtained an accuracy value of 96.22%, for the scenario without interference and 92.45%. Based on the results of the study using simulation data and actual measurement data in the implementation, it was concluded that the use of the DeepFi-LoRaIn technique was able to overcome the problem of the variability of the RSS value in the room and was able to maintain the accuracy of position prediction in case of disturbances caused by changes in environmental conditions."

Depok: Fakultas Teknik Universitas Indonesia, 2021

D-pdf

UI - Disertasi Membership Universitas Indonesia Library

Yoga Utama Putra

Analisis Pola Sidik Bibir dan Sidik Jari pada Populasi Suku Jawa dan Suku Batak = Analysis of Lip Print and Fingerprint on Java and Batak Population

"Latar Belakang: Metode identifikasi pola sidik bibir adalah bagian dari identifikasi forensik, dan dapat digunakan untuk identifikasi suku. Tujuan: Menganalisis hubungan antara pola sidik bibir dengan sidik jari antara Suku Jawa dan Suku Batak, serta mengetahui apakah terdapat perbedaan variasi pola sidik bibir dan sidik jari pada kedua suku tersebut. Metode: Pola sidik bibir dan sidik jari diambil dari 50 individu bersuku Jawa dan 50 individu bersuku Batak. Hasil: Terdapat perbedaan signifikan (p<0,05) pada pola sidik bibir dari keempat kuadran antara kedua suku, dengan pola menyilang lebih sering pada suku Batak dan pola retikuler dan bercabang lebih sering pada suku Jawa. Pola sidik jari antara Suku Batak dan Jawa tidak terdapat perbedaan yang signifikan (p>0,05). Kesimpulan: Pola sidik bibir bisa dijadikan indikator identifikasi Suku Jawa dan Suku Batak.

Background: Lip print identification is a part of forensic identification, which can be used to determine ethnics. Goal: To analyze the relationship of lip prints and fingerprints between the Javanese and Bataknese population and to find any differences on lip or fingerprint patterns between the two ethnics. Methods: Lip prints and fingerprints were taken from 50 Javanese and 50 Bataknese population. Result: There was a significant (p<0.05) difference in lip prints at all four quadrants between both ethnics, with intersected pattern more frequent in Bataknese and both reticular and branched patterns are more common in Javanese. The relationship between fingerprints with ethnic differences was not found significant (p<0.05). Summary: Lip print can be used as a tool to identify between Javanese and Bataknese"

Jakarta: Fakultas Kedokteran Gigi Universitas Indonesia, 2013

S-pdf

UI - Skripsi Membership Universitas Indonesia Library

Salma Dewi Taufiqoh

Pengembangan Model Deteksi Penyakit Kulit Pada Hewan Peliharaan Menggunakan Teknik Image Processing Dan Deep Learning = Development Of Detection Model For Skin Diseases In Pets Using Image Processing And Deep Learning Techniques

"Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit kulit pada hewan peliharaan menggunakan image processing dan Deep Learning. Model ini dirancang untuk mendeteksi tiga jenis penyakit kulit yang umum, yaitu Ringworm, Scabies, dan Earmite, dengan memanfaatkan gambar yang diambil menggunakan kamera ponsel. Model ini menggabungkan teknik image processing, seperti CLAHE, filter Gaussian, dan segmentasi HSV, dengan model CNN. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Pada penelitian ini digunakan dua model untuk mendeteksi penyakit yang berbeda. Hasil penelitian menunjukkan bahwa untuk model 1, yang melakukan klasifikasi multi-kelas, nilai metrik validasi Akurasi mencapai 83%, F1-score mencapai 82%, Precision mencapai 89%, dan Recall mencapai 83%. Sedangkan untuk hasil model 2, yang melakukan klasifikasi biner, nilai akurasi mencapai 100%, F1-score mencapai 100%, Precision mencapai 100%, dan Recall mencapai 100%. Model ini juga menunjukkan kinerja yang lebih baik dibandingkan dengan model transfer learning ResNet-50 dan VGG16.

This research aims to develop a skin disease detection model for pets using image processing and Deep Learning . The model is designed to detect three common skin diseases, namely Ringworm, Scabies, and Earmite, using images captured by mobile phone cameras. The model combines image processing techniques, such as CLAHE, Gaussian filter, and HSV segmentation, with a CNN model. Model evaluation is performed using the Accuracy, Precision, Recall, and F1-score metrics. In this study, two models were used to detect different diseases. The research results show that for model 1, which performs multi-class classification, the validation metric value of Accuracy reaches 83%, F1-score reaches 82%, Precision reaches 89%, and Recall reaches 83%. Meanwhile, for the results of model 2, which performs binary classification, the accuracy value reaches 100%, F1-score reaches 100%, Precision reaches 100%, and Recall reaches 100%. This model also shows better performance compared to the ResNet-50 and VGG16 transfer learning models."

Depok: Fakultas Teknik Universitas Indonesia, 2024

S-pdf

UI - Skripsi Membership Universitas Indonesia Library

Sianturi, Julius Hotma Baginda

Pengembangan Algoritma deteksi Covid-19 Berbasis Deep Learning pada Citra X-Ray dengan arsitektur ResNet152v2 = Development of COVID-19 detection Algorithm based on Deep Learning in X-RAY Images Using ResNet 152v2 architecture

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

Depok: Fakultas Teknik Universitas Indonesia, 2020

S-pdf

UI - Skripsi Membership Universitas Indonesia Library

Oemar Syarief Wibisono

Estimasi Produksi Padi dengan Menggunakan Data Citra Satelit dan Metode Deep Learning = Rice Production Estimation Using Satellite Imagery and Deep Learning Methods

"Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871.

Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871."

Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2024

T-pdf

UI - Tesis Membership Universitas Indonesia Library

Muhammad Asyraf

Desain dan Implementasi Teknik Indoor Localization berbasis Wi-Fi Fingerprinting dan Pedestrian Dead Reckoning = Design and Implementation of Indoor Localization Techniques based on Wi-Fi Fingerprinting and Pedestrian Dead Reckoning

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2024

S-pdf

UI - Skripsi Membership Universitas Indonesia Library