Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Kemacetan masih menjadi masalah besar di Jakarta, untuk dapat menyelesaikan masalah tersebut, dapat dilakukan monitoring atau pemantauan pada jalan terhadap kecepatan kendaraan dan kepadatan jalan. Untuk mendeteksi objek digunakan model Single Shot Multibox Detection (SSD) yang merupakan model pada deteksi objek yang menggunakan metode single shot. Objek merupakan kendaraan yang diambil dari video yang direkam menggunakan kamera CCTV publik yang berada di Jakarta. Hasil yang diberikan sistem cukup baik dengan rata-rata performa yang diberikan sebesar 20.419 FPS dan rata-rata akurasi 73.569 persen dengan model SSD512 dan GPU Tesla P100.

---

Traffic jam is still one of the main problems in Jakarta, it happens every day. To solve this problem, we could monitor the road to calculate vehicles speed and road density. To achieve this, we used SSD to detect objects (vehicle) on Jakartas road which we get from public IP Camera. As a result, the program quite useful for monitoring roads condition in real time. As the result, performance system quite good with 20.419 FPS and 73.569 accuracy using SSD512 as model and Tesla P100 as GPU."

"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."

"Bahasa Isyarat adalah bahasa yang digunakan kebanyakan oleh kaum tuna rungu dan tuna wicara yang tidak bisa berkomunikasi secara audio, hal ini menimbulkan kesenjangan dalam berkomunikasi terlebih dalam kemampuan tuna rungu dan tuna wicara dalam melaksanakan kehidupannya sehari – hari khususnya saat ingin melamar kerja. Penelitian ini dilakukan untuk mempermudah komunikasi antara pengguna bahasa isyarat dengan mereka yang tidak memahami bahasa isyarat, dimana dengan adanya sistem ini maka translasi bahasa isyarat ke Bahasa Indonesia akan dilakukan secara automatis dan ini akan membantu bagaimana kaum tuna wicara dan tuna rungu berkomunikasi dengan mereka yang tidak memahami bahasa isyarat sehingga ini akan berdampak dimana para pengguna bahasa isyarat bisa memiliki kesempatan yang sama dengan semua orang dalam proses pelamaran kerja dan mendapatkan pekerjaan yang layak. Sistem pengenalan bahasa isyarat ini bekerja dengan menerima bahasa isyarat yang disampaikan oleh seseorang secara real-time dan kemudian mengenalinya sebagai arti kata dari bahasa isyarat tersebut ke Bahasa Indonesia. Pada penelitian ini OpenCV digunakan sebagai metode pengambilan gambar dalam waktu nyata, serta algoritma YOLOv5 yang dibandingkan dengan SSD yang digunakan untuk memroses gambar tersebut serta menandakan yang mana objek yang dianggap sebagai bahasa isyarat dan mendeteksi artinya. Proses training dilakukan dengan dataset yang terdiri dari 463 citra training yang kemudian diaugmentasi sehingga berjumlah 1389 citra training. Model yang dihasilkan dari setiap algoritma yang digunakan dalam penelitian diuji menggunakan dataset testing lalu akan diuji dalam tahap real-time testing dan parameter yang digunakan untuk evaluasi kedua hasil model adalah akurasi atau (confidence score) sistem, precision, recall, dan F1 Score untuk masing – masing model dimana nilai perbandingan untuk nilai confidence score model YOLOv5 dan SSD adalah 100% : 87.66%. Sedangkan perbandingan nilai F1 Score untuk model YOLOv5 dan SSD adalah 1 : 0.9342. Penelitian ini juga menunjukkan bahwa Learning Rate dari Model SSD lebih tinggi dibanding Model YOLOv5 yaitu 0.08 : 0.009. Pada penelitian ini ditunjukkan bahwa algoritma YOLOv5 akan memiliki hasil presisi yang lebih baik dibandingkan algoritma SSD.

---

Sign Language is the method used mostly by deaf and mute people which are unable to communicate by audio . This difference in the way of communicating between each other creates a gap in communicating between the deaf and mute with normal people. This research is done with the intent to further make the communication between sign language user those that do not understand sign language by automatically translating the meaning of each sign language to Bahasa Indonesia. By doing this, this will ensure to help the mute and deaf people so that they will have the same opportunity to apply for a job just like those without disability. Sign language recognition works by detecting object in real time using camera and then recognize the sign made and show the meaning of that particular sign. This is made possible using OpenCV to take images in real time and the model SSD and YOLOv5 to process those images and label them using rectangular show which object on the picture is the sign language that needs to be recognized based on the available dataset which is the sign language that have already been taken before the test. The training process of this research is done using 463 training images which then augmented and becomes 1389 training images. The models created from training using both algorithms will be tested using testing images and then further tested using real-time testing and the parameter used for evaluation of those models are the confidence score of the system accuracy, precision, recall, and F1 Score which from this research shows that the comparison of confidence score of the system accuracy betweenYOLOv5 model and SSD model is 100% : 87.66%. On the other hand, the comparison of the F1 Score between YOLOv5 model and SSD model is 1 : 0,9342. This research shows that YOLOv5 model have better learning rate compared to SSD which is 0.08 : 0.009. The result from this research shows that YOLOv5 algorithm will have better score of precision compared to SSD algorithm."

"Terhadap Putusan KPPU Nomor 16/KPPU-M/2015 tentang keterlambatan dalamkewajiban pemberitahuan pengambilalihan saham oleh LG International Corp.,KPPU menjatuhkan sanksi denda sebesar Rp.8.000.000.000,00. kepada LGInternational Corp. Dalam penulisan hukum ini Penulis membahas mengenaikeabsahan penerapan prinsip ekstrateritorial dalam persaingan usaha di Indonesiaserta kesesuaian substansi pokok perkara atas LG International Corp. denganperaturan persaingan usaha di Indonesia. Penulisan hukum ini bersifat yuridisnormatifyang menggunakan data sekunder. Kesimpulan dari penulisan inimenunjukkan bahwa penerapan prinsip ekstrateritorial di Indonesia tidak dapatditerapkan, hal ini dikarenakan adanya pembatasan dari definisi Pelaku Usahadalam UU Nomor 5 Tahun 1999 yang tidak dapat menjangkau aktor danperbuatan yang dilakukan di luar wilayah yurisdiksi Indonesia, sekalipun jugamenimbulkan dampak persaingan usaha tidak sehat. Kemudian dari pembahasankesesuaian substansi pokok perkara, LG International Corp. dapat dijatuhkansanksi denda berdasarkan peraturan persaingan usaha Indonesia, namun karenaKPPU tidak memiliki kewenangan ekstrateritorial, dalam kasus ini eksekusiputusan akan menjadi masalah dikarenakan terlapor berkedudukan di Korea.

---

Regarding the Indonesian business competition supervision commission (KPPU)'s

Decision Number 16/KPPU-M/2015 concerning the obligation to notify the

takeover of shares by LG International Corp., KPPU imposed a fine of

Rp.8,000,000,000.-. to LG International Corp. In this study, the author discusses

the validity of the application of the extraterritorial principle in business

competition in Indonesia as well as the suitability of the substance of the case

against LG International Corp. with business competition regulations in

Indonesia. This legal writing is juridical-normative using secondary data. The

conclusion from this assumption shows that the application of the extraterritorial

principle in Indonesia cannot be applied, this is because the principle that states

the definition of business actors in Law Number 5 of 1999 which cannot reach

actors and acts committed outside the jurisdiction of Indonesia, even though it

also has an impact on competition which is contributes to unhealthy business

environment. Then from the discussion of the suitability of the subject matter of

the case, LG International Corp. Fines can be removed based on Indonesian

competition regulations, however, because KPPU does not have extraterritorial

authority, in this case the execution of the verdict will be a problem because the

reported party is domiciled in Korea."

"Tujuan skripsi ini adalah untuk memberikan usulan sistem yang secara cerdas mendeteksi kendaraan di jalan dan menghitungnya secara otomatis. Sistem yang diusulkan menggunakan model deep learning yang sudah dilatih dengan dataset menggunakan arsitektur Single Shot Multibox Detector SSD untuk mendeteksi kendaraan, baik dengan kamera atau dengan input video. Penghitungan kendaraan dibantu dengan library OpenCV untuk menggambar garis pembatas virtual pada frame video untuk mengetahui apakah kendaraan sudah melewati garis batas. Dengan nilai parameter yang tepat, metode ini berpotensi mendapatkan hasil akurasi yang mendekati 100.

---

The purpose of this bachelor thesis is to give a proposal of a system which intelligently detects vehicles on a particular road and count them automatically. The proposed system uses pre trained deep learning model using Single Shot Multibox Detector SSD to detect vehicles, either by camera or by video input. Counting vehicle process uses OpenCV library to draw a virtual line on a video frame to know whether the vehicle has crossed the line. With the right parameter values, the proposed method could achieved near 100 accuracy."

"UI telah mengidentifikasi 7 potensi keadaan darurat yaitu kebakaran, pohon tumbang, darurat medis, kecelakaan lalu lintas, insiden laboratorium, gempa bumi dan tenggelam. Keadaan darurat yang tidak ditanggulangi dengan baik dapat menjadi suatu keadaan krisis dan akan menimbulkan kerugian bagi Universitas. Aplikasi mobile Panic Button UI merupakan salah satu layanan notifiaksi keadaan darurat untuk menanggulangi 7 keadaan darurat tersebut. Namun pada penerapannya Aplikasi yang saat ini dimiliki masih memiliki beberapa keterbatasan, oleh karena itu peneliti melakukan pengembangan terhadap aplikasi tersebut. Hasil rancang ulang desain aplikasi Mobile UI Panic Button (PB 2) dapat meningkatkan 70% pemenuhan apalikasi sebelumnya (PB 1). Pemenuhan standar aplikasi tersebut meliputi informasi nama dan No HP pengguna, pilihan kategori  keadaan darurat, informasi korban, informasi foto/voice, deskripsi keadaan darurat (teks), pilihan lokasi kejadian, pengiriman notifikasi keadaan darurat, pop up notifikasi terkirim, informasi keadaan darurat kepada  petugas ERT. Setelah dilakukan pelatihan waktu penggunaan aplikasi mobile UI Panic Button lebih cepat 20 Detik. Pengembangan Aplikasi Mobile UI Panic Button (PB 2) dapat mempercepat waktu respon dan aksi respon, meningkatkan keakuratan respon, memudahkan proses notifikasi keadaan darurat serta memudahkan komunikasi keadaan darurat.

---

UI has identified 7 potential emergencies such as fire, fallen trees, medical emergencies, traffic accidents, laboratory incidents, earthquakes, and drowning. Emergencies that are not properly addressed can be a crisis and will cause harm to the University. A Panic Button UI mobile application is one of the existing emergency notification services in managing the identified 7 emergencies above. However, there were some limitations in this current application. Researcher, therefore, has developed an improvement of the application. The result shows that the redesign of the UI Panic Button (PB 2) application design can increase 70% of the fulfillment of previous applications (PB 1). Fulfillment of the standard application includes information on the user's name and mobile phone number, emergency category, victim information, photo/voice information, description of the emergency condition, location of the incident, sending an emergency notification, sending a pop-up notification, emergency notification to ERT officer. Moreover, after the training and simulation has been conducted, the time to use the UI Panic Button mobile application is shortened by 20 second. The development of the Mobile UI Panic Button (PB 2) application can accelerate response times and response actions, improve response accuracy, facilitate the emergency notification process and facilitate emergency communication."

"Komunikasi yang efektif sangat penting untuk penyediaan layanan kesehatan yang berkualitas. Di rumah sakit, pasien yang kemampuan komunikasinya terbatas secara fisik mungkin menghadapi tantangan dalam mengungkapkan kebutuhan dasar mereka kepada penyedia layanan kesehatan. Untuk mengatasi masalah ini, dalam penelitian ini dikembangkan sistem pengenalan isyarat tangan untuk pasien dengan keterbatasan fisik. Sistem ini menggunakan Mediapipe dan long short-term memory (LSTM) model untuk mendeteksi dan mengklasifikasi 24 kelas isyarat tangan. Isyarat tangan untuk pasien yang digunakan berdasarkan kartu single hand sign communication, yang dibuat oleh Derek Tune, seorang intrepeter bahasa isyarat pada tahun 2012. Akuisisi data hand landmark dalam bentuk video sepanjang 10 frame untuk setiap kelas isyarat tangan, yang kemudian diolah dan dianalisis menggunakan model LSTM. Model LSTM dilatih menggunakan teknik early stopping untuk mendapatkan performa optimal, menghasilkan tingkat akurasi model 85,53% dengan presisi 0,911. Model dapat mendeteksi isyarat tangan secara waktu nyata dengan waktu inferensi 130 milidetik. Sistem ini juga dirancang untuk mengirim pesan notifikasi secara otomatis ke penyedia layanan kesehatan melalui bot Telegram. Secara keseluruhan, sistem pengenalan isyarat tangan pasien memiliki potensi untuk meningkatkan komunikasi antara pasien dan penyedia layanan kesehatan dan memungkinkan pasien penyandang disabilitas untuk lebih mudah memenuhi kebutuhan dasar mereka.

---

Effective communication is essential to provide quality health services. In hospitals, patients with physically limited communication skills may face challenges expressing their basic needs to health care providers. To overcome this problem, this research developed a hand signal recognition system for patients with physical limitations. This system uses the Mediapipe model and long shortterm memory (LSTM) to detect and classify 24 classes of hand signals. Hand signals for patients used are based on the single hand sign communication card, which was made by Derek Tune, a sign language interpreter in 2012. Acquisition of hand landmark data in the form of a 10-frame video for each hand signal class, which is then processed and analyzed using LSTM models. The LSTM model minimizes using early stopping techniques to get optimal performance, resulting in a model accuracy rate of 85.53% with a precision of 0.911. The model can detect real-time hand signals with an inference time of 130 milliseconds. The system is also designed to automatically send message notifications to healthcare providers via Telegram bots. Overall, patient hand signal recognition systems have the potential to improve communication between patients and healthcare providers and enable patients with disabilities to meet their basic needs more easily."