Hasil Pencarian  ::  Simpan CSV :: Kembali

"Animasi merupakan proses memberikan gambaran bergerak kepada sesuatu objek dua atau tiga dimensi yang statik agar terlihat hidup. Proses animasi tiga dimensi sendiri merupakan suatu prosesnya yang umumnya terdiri dari empat tahapan yaitu modeling, animating, texturing, dan rendering. Pada ke empat tahapan tersebut proses animating merupakan proses yang membutuhkan waktu terlama dalam pengerjaan dan pembuatannya. Dalam pembuatan proses animating terdapat dua teknik yang umumnya dipergunakan yaitu Keyframing dan Motion Capture. Masing-masing teknik tersebut mempunyai kelebihan dan kekurangan masing-masing, sehingga pada penelitian ini diusulkan penerapan gabungan kedua metode di dalam proses animating agar menghasilkan kualitas animasi yang lebih baik yang dapat diukur melalui tingkat akurasi error MSE (Mean Square Error). Penerapan teknik motion capture menggunakan sensor kinect, sedangkan pada teknik keyframing menerapkan tiga buah teknik yaitu Sample-and-hold, Linear, dan Beizer.....Animation is a process giving a motion to a two or three-dimension object that is static in order to animate or mimicing live being. The process of animation itself consist of four stages which are modelling, animating, texturing, and rendering. On those stages the animating stage is the hardest and longest proces on the making. In animating process, there are two commonly techniques used which are Keyframing and Motion Capture. Each of the techniques has it own pros and cons, so in this study a combination of Keyframing and Motion Capture technique is proposed on the animating process in order to achive a better animation quality that can be measured by MSE (Mean Squared Error) accuracy. Implementation of motion capture technique uses kinect senor, meanwhile Keyframing technique uses Sample-and-Hold, Linear, and Beizer technique"

"Para roboticist selalu berusaha agar robot dapat menghampiri bentuk dan kemampuan manusia sehingga robot dapat berinteraksi bersama manusia dengan baik. Untuk dapat berinteraksi dengan manusia, robot sebisa mungkin dibuat agar memiliki gerakan yang mirip dengan manusia. Imitation Learning atau sering disebut dengan Motion Capture, adalah salah satu teknik pengendalian robot humanoid dengan manusia sebagai aktor dan robot sebagai agen yang akan mengimitasi gerakan aktor. Metode ini menawarkan kefleksibelan dan kemudahan dalam mememodifikasi sistem robot. Pada penelitian ini telah dikembangkan sebuah sistem motion capture untuk mentransformasikan gerakan lengan manusia ke lengan robot humanoid secara real time, dengan setiap lengan terdiri dari 3 DOF serta dilakukan perancangan database motion agar robot dapat melakukan gerakan yang telah dilakukannya. Proses tracking dengan Microsoft Kinect dilakukan pada rate frekuensi 20 Hz dengan dengan satu loop proses komputasi mapping membutuhkan waktu rata-rata 340 us. Rata-rata error pendeteksian vektor skeleton yang dideteksi adalah 1.74 cm.

---

The roboticist always trying to get the robot to approach the form and abilities so that the robot can interact with humans as well. To be able to interact with humans, robot made as much as possible in order to have similar movement to human. Imitation Learning or often called Motion Capture, is one of the humanoid robot control techniques with human as an actor and the robot as an agent who will imitate the movement of the actor. This method offers flexibility and ease to modify robot system.

In this research, we have developed a motion capture system to transform human arm movement to humanoid robot in real time, with each arm consisting of 3 DOF and we have designed database motion so that robot can redo the movement which it can do previously. Tracking process with Microsoft Kinect performed at frequency of 20 Hz with a single loop computation mapping process takes an average of 340 us. The average error detection of skeleton vector is 1.74 cm."

"Seni tari pada umumnya dilakukan oleh manusia dan diturunkan ke generasi muda sebagai bentuk pelestarian tarian tersebut. Sebagai bentuk lain dari pelestarian seni tari digunakanlah Robot Humanoid. Robot akan akan melakukan pembelajaran gerakan manusia (imitation learning) melalui kemera Microsoft Kinect, yang dapat menangkap gerakan manusia (motion capture). Gerakan tersebut juga dikompensasi untuk penyeimbangan robot dengan metode Zero Moment Point (ZMP). Sistem ini dilakukan dengan framework dari Robot Operating System (ROS) dan berhasil melakukan imitation learning dengan rate 5Hz pada pengiriman data ke joint robot serta waktu sampling sekitar 10Hz.

---

The art of dance is generally performed by humans and handed down to the younger generation as a way to preserve the dance. As another form of preservation is used Humanoid Robot. The Robot will be imitation learning of human movement through the Microsoft Kinect camera, which can capture human motion (motion capture). The movement is also compensated for balancing robot with Zero Moment Point (ZMP) method. This system is done with the framework of the Robot Operating System (ROS) and managed to imitation learning with rate 5Hz for sending data and the sampling time 10Hz."

"ABSTRAKDunia teknologi animasi dewasa ini telah berkembang dengan cukup pesat. Hal tersebut dapat dilihat pada berbagai macam film pada layar televisi dan layar lebar, maupun pada berbagai macam media lain, seperti permainan/games, dan lain-lain. Salah satu permasalahan dalam dunia animasi adalah kebutuhan akan gerakan animasi yang sehalus mungkin dan semirip mungkin dengan gerakan aslinya. Kebutuhan akan hal ini terjawab dengan menggunakan sebuah teknologi yang dapat diterapkan pada dunia animasi 3 demensi, yaitu teknologi motion capfure. Contoh dari hasil penggunaan teknologi ini dapat dilihat pada permainan FIFA 2000, film Starship Troopers, dan lain-lain.Jenis-jenis teknik motion capture yang ada saat ini berbeda-beda, diantaranya adalah magnetic motion caprure, optical motion capture, dan lain-lain. Tiap-tiap jenis motion capture tersebut memiliki cara yang berbeda-beda untuk mencapai tujuannya. Diantara sekian banyak metode tersebut, terdapat sebuah metode motion capture yang menggunakan sistem optik, dengan menggunakan marker berwarna. Metode ini memerlukan beberapa buah kamera dan marker, sebuah komputer dan Sebuah software. Tulisan ini membahas satu-persatu hal-hal di atas, dan menyertai sebuah perangkat lunak (Mation Capture Eyes) yang telah dibuat, beserta simulasinya.

---

"

"Sistem pengenalan gerakan manusia merupakan teknologi yang penting karena dapat mempermudah pekerjaan manusia dalam berbagai aspek dan membantu manusia yang memiliki keterbatasan. Adapun gerakan yang bisa dikenali adalah gerakan manusia dimana tangan lurus dan berayun, gerakan manusia dimana tangan ditekuk dan berayun, gerakan pergelangan tangan memutar kekanan dan kekiri, serta gerakan tangan ditarik mendekati tubuh dan gerakan tangan mendorong menjauhi tubuh. Salah satu algoritma dalam bidang Artificial Intelligence yang bisa digunakan adalah Hidden Markov Model (HMM). HMM sendiri merupakan suatu permodelan statistika yang dimana sistem yang dimodelkan diasumsikan merupakan proses Markov yang memiliki state/keadaan yang tersembunyi (hidden). Pada penelitian ini digunakan sensor Inertial Measurement Unit sebagai pendeteksi gerakan manusia. Komunikasi antara sensor dengan komputer dilakukan secara nirkabel menggunakan XBee. Sistem yang dibuat dapat mengenali enam gerakan manusia tadi secara real time. Hasil pengujian menunjukkan bahwa HMM dapat mengenali gerakan manusia dengan tingkat akurasi sebesar 88% dalam waktu 0.004 detik.

---

Human motion recognition is an important technology to be developed, as it can facilitate human work and also help people with disabilities. As for motion, sytem could recognize six motion, which is human arms straight and swinging, human hand bent and swinging, hand twisting left, hand twisting right, hand push forward, and hand pull inward. One of Artificial Intelligence algorithm that can be used is HiddenMarkov Model (HMM).

HMM itself is a statistical model where the system which being modelled was assumed as Markov process that has hidden state. This research used Inertial Measurement Unit sensor as human motion detector. Communication between sensor and computer was conducted wirelessly with XBee. This system can recognize six motion real time. From the results show that Hidden Markov Model can recognize human motion with an accuracy rate of 88% within 0.004 seconds."

"Penurunan kinerja memori spasial pada lansia mempengaruhi ruang gerak lansia ketika beraktivitas di rumah. Permasalahan memori spasial lansia akan membuat lansia kesulitan mengingat lokasi objek. Hal tersebut dapat menghambat lansia ketika ingin melakukan pengaturan terhadap objek pada ruang. Hal ini dikarenakan terjadinya penambahan pola gerak yang akan membuat ruang gerak lansia semakin meluas. Kehadiran PIR Motion Sensor Technology yang dapat melakukan pengaturan otomatis dengan mengirim sinyal perintah kepada berbagai perangkat pintar maupun perangkat elektronik rumah tangga biasa akan memudahkan pekerjaan lansia dalam melakukan pengaturan objek. PIR Motion Sensor dapat mendeteksi kehadiran lansia melalui gelombang radiasi inframerah yang dipancarkan tubuh lansia saat bergerak. Pengaturan otomatis pada PIR Motion Sensor membuat lansia tidak perlu kesulitan dalam menggunakan memori spasialnya untuk mencapai objek yang ingin dilakukan pengaturan. Hal tersebut akan membuat ruang gerak lansia menjadi lebih kecil karena tidak adanya penambahan pola gerak untuk mencapai objek.

---

The decrease of spatial memory performance among the elderly affects the movement space of the elderly when engaging in activities at home. Spatial memory issues in the elderly can make it difficult for them to remember object locations. This thing can hinder the elderly when they want to arrange objects within a space. This is due to the increase in movement patterns that would expand the movement space for the elderly. The presence of PIR (Passive Infrared) Motion Sensor Technology, which can provide automatic control by sending command signals to various smart devices and household electronics, can facilitate the elderly in object arrangement tasks. PIR M otion Sensor can detect the presence of the elderly through the infrared radiation emitted by their bodies when they move. The automatic control feature of the PIR Motion Sensor eliminates the need for the elderly to rely on their spatial memory to reach objects for adjustment. Consequently, the movement space for the elderly becomes smaller since there is no need for additional movement patterns to reach the objects."

"Untuk dapat berinteraksi bersama manusia dengan baik, robot sebisa mungkin dibuat agar memiliki berntuk dan gerakan yang mirip dengan manusia. Motion Capture atau sering disebut dengan Imitation Learning adalah salah satu teknik pengendalian robot humanoid dengan manusia sebagai actor dan robot sebagai agen yang akan mengimitasi gerakan actor. Metode ini menawarkan kefleksibelan dan kemudahan dalam memprogram gerakan robot. Namun, dalam proses imitasi perlu dipertimbangkan aspek keseimbangan robot. Pada penelitian ini diimplementasikan metode motion capture untuk mengendalikan robot biped dengan pengendalian keseimbangan yang menerapkan kriteria ZMP pada perubahan gerakan robot. Penelitian dilakukan dengan menggunakan perangkat capture Microsoft Kinect dan dipetakan secara langsung pada biped robot 12 DOF dengan aktuator Dynamixel AX-12. Metode yang diusulkan telah sukses dikembangkan, disimulasikan, diuji langsung kepada robot dan memberikan hasil yang baik.

---

To be able to interact with humans, robot made as much as possible in order to have similar appearance and movement like human. Motion capture or often called Imitation Learning is one of the humanoid robot control techniques with human as an actor and the robot as an agent who will imitate the movement of the actor. This method offers flexibility and ease to modify robot system. But, in imitation process also need to consider robot balance. In this research, motion capture will be implemented to control Biped robot with balance control which applied Zero Moment Point criterion in everychange that occur in robot motion. The study was conducted by using Microsoft Kinect as capture device and the direct implementation of the Biped robot with 12-DOF. The proposed method has been successfully developed, simulated, and evaluated on a real robot and give good results."

"Estimasi jarak episentrum gempa bumi merupakan proses yang penting dalam analisis seismik. Secara khusus, jarak episentrum merupakan salah satu parameter dasar dalam analisis gempa bumi yang berperan penting dalam sistem peringatan dini tsunami. Penelitian ini membahas tantangan dalam memperkirakan jarak episentrum dengan menggunakan data minimal dari stasiun tunggal, yang bertujuan untuk menyederhanakan proses tersebut untuk lingkungan dengan cakupan jaringan seismik yang terbatas. Pada penelitian ini, penulis mengusulkan model deep learning baru sebagai metode estimasi berdasarkan blok residual dengan memanfaatkan data dari stasiun tunggal dengan variasi input 3 saluran (ENZ), 2 saluran (EN), 1 saluran (Z) dan menghitung amplitudo absolut maksimum dari input gelombang sebagai input tambahan untuk meningkatkan keakuratan estimasi jarak episentrum. Model yang dikembangkan didasarkan pada arsitektur Convolutional Recurrent Neural Network (CRNN) untuk ekstraksi fitur spasial dan temporal dengan time window 1 menit dan berdasarkan dataset seismik akselerometer dari KiK-net, Jepang. Hasil estimasi jarak episentrum dari model FELINN yang baru dirancang mencapai Mean Absolute Error (MAE) sebesar 8,16 km dan standar deviasi sebesar 14,25 km, yang menunjukkan hasil terbaik dibandingkan dengan model-model yang sudah ada seperti CRNN dan Deeper CRNN. Model FELINN, dengan menggunakan arsitektur residual dan input amplitudo absolut maksimum tambahan, mencapai akurasi tertinggi dalam estimasi jarak episentrum di antara model-model yang diuji, terutama dengan konfigurasi tiga saluran (ENZ), dengan R2 = 0,89 dan MAE = 8,16 km. Mengintegrasikan saluran vertikal dan horizontal serta menambahkan blok residu dapat mengoptimalkan kinerja model, dan penelitian di masa depan dapat meningkatkan kemampuan generalisasi dengan menggunakan dataset yang beragam dan mengevaluasi ketahanan dalam berbagai tingkat noise.

---

Estimating the epicentral distance of an earthquake is an important process in seismic analysis. In particular, epicentral distance is one of the basic parameters in earthquake analysis that plays an important role for tsunami warning systems. This study addresses the challenge of estimating epicentral distance using minimal data from a single station, aiming to streamline the process for environments with limited seismic network coverage. In this study, the author propose a new deep learning model as an estimation method based on residual block by utilizing data from a single station with input variations of 3 channels (ENZ), 2 channels (EN), 1 channel (Z) and calculating the maximum absolute amplitude of the wave input as an auxiliary input to improve the accuracy of epicentral distance estimation. The developed model is based on the Convolutional Recurrent Neural Network (CRNN) architecture for spatial and temporal feature extraction with a time window of 1 minute and based on accelerometer seismic dataset from KiK-net, Japan. The epicenter distance estimation results from the newly-designed FELINN model achieved a Mean Absolute Error (MAE) of 8.16 km and a standard deviation of 14.25 km, showing the best results compared to existing models such as CRNN and Deeper CRNN. The FELINN model, using a residual architecture and an auxiliary maximum absolute amplitude input, achieved the highest accuracy in epicentral distance estimation among tested models, especially with the three-channel (ENZ) configuration, achieving R2 = 0.89 and MAE = 8.16 km. Integrating both vertical and horizontal channels and adding residual blocks optimized model performance, and future work could enhance generalizability by using diverse datasets and evaluating robustness under varying noise levels."

"Sistem pengenalan gerakan manusia penting bagi manusia karena dapat membantu dan mempermudah pekerjaan manusia dalam berbagai hal. Algoritma Artificial Neural Network (ANN) dan Support Vector Mechine (SVM) digunakan untuk mampu mengenali gerakan manusia. Dengan algoritma tersebut, telah dibuat sistem yang mampu mengenali gerakan manusia. Sistem secara garis besar terdiri dari perangkat pada pengguna dan server. Perangkat pada pengguna ditunjukan untuk mengirimkan data ke server. Sedangkan server akan melakukan komputasi dengan data yang diberikan. Jembatan komunikasi antara perangkat pengguna dan server akan menggunakan XBee. Untuk sensor, digunakan sensor Inertial Measurement Unit. Dari hasil pengujian, sistem dengan ANN memiliki tingkat akurasi sebesar 95.78%, sistem dengan SVM memiliki tingkat akurasi sebesar 98.39%, sedangkan sistem gabungan memiliki akurasi sebesar 100%.

---

Human motion recognition is essential because it can help people in doing many things. Artificial Neural Network (ANN) and Support Vector Mechine (SVM) algorithm is used in the system to recognize human motion. The system consists of user device and server. Devices on user are intended for sending user data to the server. On the other hand, server will compute the data which were sent. Comunication between user device and server was conducted by using Xbee module. For the sensor, Inertial Measurement Unit sensor was used to recognize human motion. From the result, system with ANN resulted in 95.78% recognition rate, system with SVM give 98.39% and system with combined algorithm give 100% recognition rate."