Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini merupakan pengembangan dari teknologi video surveillance system atau sistem pengawasan video. Video surveillance system yang selama ini diterapkan untuk tujuan deteksi objek menggunakan suatu metode umum yaitu dual background model. Model tersebut bekerja dengan memisahkan latar depan dan latar belakang dari suatu video frame dan memposisikan target deteksi di latar depan sebagai output. Salah satu tujuan dari skripsi ini adalah melakukan pengembangan dari sistem tersebut agar dapat mengklasifikasikan objek yang terdeteksi menjadi abandoned, stolen, dan ghost region. Untuk mencapai tujuan tersebut, digunakan metode pemelajaran mesin Mask R – CNN yang dapat melakukan segmentasi objek berbasis pemaskeran. Selain dari Mask R – CNN, terdapat model pemelajaran mesin lain yang cukup umum digunakan untuk deteksi objek dan segmentasi objek yaitu model YOLACT. Penelitian ini menggunakan video situasi natural di tempat umum seperti stasiun atau jalanan yang akan diproses menggunakan dual background model dan kemudian disegmentasi menggunakan Mask R – CNN atau YOLACT. Hasil penelitian ini diharapkan bisa membuka wawasan tentang penggunaan model pemelajaran mesin dalam aplikasi object detection, sekaligus menganalisis model mana yang paling efektif dan efisien berupa hasil kuantitatif yaitu Frame Rate per Seccond ( FPS ), waktu segmentasi, serta Intersection Over Union ( IOU ).

---

This thesis is an advancement in video surveillance technology. The existing video surveillance system commonly employs a dual background model for object detection. This model functions by separating the foreground and background within a video frame and positions the detected target in the foreground as the output. One of the goals of this thesis is to enhance this system to classify detected objects into abandoned, stolen, and ghost regions. To achieve this, the Mask R-CNN machine learning method is used, which can perform object segmentation based on masking. Apart from Mask R-CNN, another commonly used machine learning model for object detection and segmentation is the YOLACT model. This research utilizes natural situation videos in public places like stations or streets, processed using the dual background model and then segmented using Mask R-CNN or YOLACT. The anticipated outcome of this study is to broaden insights into the use of machine learning models in object detection applications while analyzing which model is most effective and efficient for similar applications."

"PT Telkom sebagai perusahaan telekomunikasi terbesar di Indonesia dengan portofolio bisnis TIMES (Telecommunication, Information, Media, Edutainment, Services) sedang merencanakan implementasi suatu platform yang dapat memberikan solusi terhadap kebutuhan Big Data Video Surveillance Analytic di Indonesia. Dengan adanya kerjasama dengan pihak PT Jasa Marga dalam bentuk pemasangan CCTV di beberapa titik di jalan tol, PT Telkom memulai penelitian Video Surveillance Analytic dalam bentuk pengembangan sistem otomasi analisis trafik. Berlatar belakang masalah tersebut, penelitian ini bertujuan untuk mendapatkan desain dan sekaligus mengimplementasikan solusi Video Surveillance Analytic untuk menghitung jumlah kendaraan di jalan tol. Penelitian ini menggunakan instrumen penelitian berupa notebook untuk mengimplementasikan desain dalam skala kecil. Sumber data penelitian berasal dari data video rekaman CCTV di jalan tol yang dimiliki DDS (Divisi Digital Service). Metodologi penelitian yang digunakan adalah metodologi observasi literatur dan metodologi pengembangan sistem menggunakan metodologi waterfall. Dari hasil wawancara, studi literatur, dan observasi, desain Video Surveillance Analytic yang sesuai dengan kebutuhan PT Telkom adalah sistem yang memiliki arsitektur terpusat menggunakan teknologi Spark. Desain sistem terdiri dari 3 blok yaitu blok masukan Video Streaming, blok Video Stream Collector, dan blok Video Stream Processor. Pengembangan sistem menggunakan bahasa pemograman Java dengan library OpenCV sebagai pengolah video, Spark berfungsi sebagai pemroses data streaming serta algoritma GMM (Gaussian Mixture Model) sebagai algoritma pendeteksi gerak. Metode analisis data menggunakan rumus akurasi deteksi. Hasil analisis data menyatakan bahwa tingkat akurasi penghitungan jumlah kendaraan pada kondisi pagi hari mencapai 98%, pada kondisi siang hari mencapai 94%, pada kondisi malam hari mencapai 50,83% dan pada kondisi macet siang hari mencapai 42,5%. Faktor yang mempengaruhi kurangnya tingkat presisi adalah pencahayaan yang kurang, dan objek bergerak yang tampak berhimpitan (trafik macet). Penelitian ini menjadi awal yang baik bagi perusahaan dalam pengembangan teknologi Spark dan video analytic dalam skala yang lebih besar.

---

PT Telkom as the largest telecommunications company in Indonesia with a TIMES business portfolio (Telecommunication, Information, Media, Edutainment, Services) is planning the implementation of a platform that can provide solutions to the needs of Big Data Video Surveillance Analytic in Indonesia. With the cooperation with PT Jasa Marga in the form of CCTV installation at several points on the toll road, PT Telkom began research on Video Surveillance Analytic in the form of developing a traffic analysis automation system. Against the background of this problem, this research aims to obtain a design and simultaneously implement a Video Surveillance Analytic solution to count the number of vehicles on the toll road. This research uses a research instrument in the form of a notebook to implement designs on a small scale. The source of the research data came from CCTV recorded video data on the toll road owned by DDS (Digital Service Division). The research methodology used is the literature observation methodology and system development methodology using the waterfall methodology. From interviews, literature studies, and observations, Video Surveillance Analytic design that suits PT Telkom's needs is a system that has a centralized architecture using Spark technology. The system design consists of 3 blocks namely the Video Streaming input block, the Video Stream Collector block, and the Video Stream Processor block. Development of the system uses the Java programming language with the OpenCV library as a video processor, Spark functions as a data streaming processor and the GMM (Gaussian Mixture Model) algorithm as a motion detection algorithm. The data analysis method uses the detection accuracy formula. The results of data analysis stated that the accuracy of the calculation of the number of vehicles in the morning conditions reached 98%, during the daytime conditions reached 94%, at night conditions reached 50.83% and in the daytime traffic jam conditions reached 42.5%. Factors affecting the lack of precision are low lighting and moving objects that appear coincide (traffic jam). This research is a good start for the company in developing Spark technology and video analytics on a larger scale. 

"

"Kemajuan teknologi informasi kini telah dapat membuat kecerdasan buatan (artificial intelligence) yang masuk pada berbagai bidang teknologi, salah satunya yaitu sistem video surveillance. Terintegrasinya sistem video surveillance dengan artificial intelligence membuat sistem dapat melakukan analisis secara otomatis sesuai kebutuhan dari penggunanya yang dapat membantu dalam penegakan hukum, perlindungan keamanan, analisis bisnis, analisis lalu lintas, dan berbagai kegiatan lain dalam implementasinya. Selain memiliki banyak manfaat, dalam penggunaan dan penyelenggaraan sistem video surveillance terdapat dampak negatif pula yang sedang diperdebatkan yaitu isu mengenai privasi, keamanan nasional dan keadilan sosial. Hal ini dapat merugikan tidak hanya individu, namun juga masyarakat keseluruhan bahkan Negara. Belum ada pengaturan yang secara jelas dan eksplisit mengatur mengenai sistem video surveillance di Indonesia, maka dari itu penulis perlu menganalisis secara mendalam peraturan- peraturan di Indonesia dari segi penyelenggara usaha layanan sistem video surveillance yang dikaitkan dengan kewenangan negara mengatur penyelenggaraan usaha, sebab penyelenggaraan usaha juga akan berujung pada penggunaan sistem video surveillance. Penelitian ini bersifat preskriptif dengan pendekatan yuridis-normatif. Di Indonesia pengaturan jasa layanan sistem video surveillance terbagi dalam beberapa klasifikasi usaha yaitu sebagai perdagangan sistem video surveillance, penyelenggara sistem elektronik dan penyelenggara sistem keamanan dengan masing-masing peraturan serta otoritas kewenangan Negara yang menaunginya. Selain itu penulis juga memberikan solusi pengaturan sistem video surveillance yang dirasakan dapat menyeimbangkan kepentingan masing-masing pihak dalam penggunaan dan penyelenggaraan sistem video surveillance yang dianalisis berdasarkan peraturan-peraturan sistem video surveillance pada beberapa Negara.

---

The advance of information technology today has integrated the artificial intelligence into several sectors of technology, including the surveillance video system. The integration of video surveillance system with artificial intelligence makes the system able to perform automated analysis according to the needs of its users which can assist in law enforcement, security protection, business analysis, traffic analysis, and various other activities in its implementation. In addition to having many benefits, in the use and organization of video surveillance system there are also negative impacts that are being debated issues of privacy, national security and social justice. It will not only harm the individuals, but also the entire society even the State. There is no clear and explicit regulations on video surveillance system in Indonesia, therefore the writer needs to deeply analyze the regulations in Indonesia in terms of business service provider of video surveillance system which is associated with the state authority to manage the business, because the business will lead to the use of video surveillance systems. This research is prescriptive with juridical-normative approach. In Indonesia the arrangement of video surveillance system services is divided into several business classifications as trading of video surveillance system, electronic system providers and security system providers with their respective rules and authority of the State authority that oversees them. In addition, the authors also provide video surveillance system arrangement solutions that are perceived to balance the interests of each party in the use and organization of video surveillance systems that are analyzed based on video surveillance system regulations in some countries."

"This research is based upon the rapid development of mobile communication by the introduction of 3G network : and also the demand of reliable and real time multimedia services, such as video telephony, video conference, and digital television...."

"

Dalam kehidupan kita sehari-hari umumnya banyak barang yang kita butuhkan dan gunakan dalam rumah tangga kita. Mulai dari bahan pangan, minuman, barang untuk membersihkan rumah, barang untuk mencuci pakaian, kudapan, dan lain sebagainya, Pada masyarakat kini banyak barang keperluan sehari-hari tersebut kita beli dan jumpai di berbagai tempat mulai dari warung di dekat rumah, supermarket, toko sembako, dan lain sebagainya. Akhir-akhir ini jumlah supermarket dan minimarket mulai menjamur. Pada tahun 2021 jumlah minimarket di Indonesia mencapai 38.323 gerai yang merupakan peningkatan sebanyak 21,7% dibandingkan pada tahun 2017 yakni hanya sebanyak 31.488 gerai saja. Dengan jumlah gerai yang semakin banyak, banyak masyarakat yang semakin banyak menggunakan jasanya untuk mendapatkan barang-barang kebutuhan sehari-hari mereka. Apalagi bila barang yang dibeli juga cukup banyak sehingga akan sulit untuk mendata barang-barang apa saja yang telah dibeli. Untuk memudahkan hal tersebut, penulis mengajukan sebuah solusi untuk membuat sebuah rancangan sistem yang akan memanfaatkan teknologi Deep Learning untuk mendeteksi tulisan pada struk belanja dari hasil pembelian barang pada minimarket. Hasilnya dari pengujian yang sudah dilakukan pada penelitian ini, masing-masing model Deep Learning memiliki tingkat akurasi mAP50 99,4% dan mAP50:95 72,9% untuk YOLOv5, tingkat akurasi mAP50 99,61% dan mAP50:95 65,19% untuk Faster R-CNN, dan tingkat akurasi mAP50 61,77% dan mAP50:95 98,09% untuk RetinaNet. Dimana YOLOv5 memiliki tingkat akurasi mAP50:95 tertinggi yakni 72,9% dan Faster R-CNN memiliki tingkat akurasi mAP50 tertinggi yakni 99,61%. Dimana pada proses implementasi sistem YOLOv5 dan Faster R-CNN berhasil melakukan proses pengenalan sedangkan RetinaNet gagal untuk melakukannya.

---

In our daily lives, we generally need and use many items in our households. Starting from food ingredients, drinks, household cleaning items, laundry items, snacks, and so on. Nowadays, many of these daily necessities are bought and found in various places such as small shops near our homes, supermarkets, grocery stores, and so on. Recently, the number of supermarkets and minimarkets has increased. In 2021, the number of minimarkets in Indonesia reached 38,323 branches which is an increase of 21.7% compared to 2017 which was only 31,488 branches. With the increasing number of branches, many people are using their services to obtain their daily necessities. Especially when the purchased items are quite a lot so it will be difficult to record what items have been purchased. To facilitate this matter, the author proposes a solution to create a system design that will utilize Deep Learning technology to detect writing on receipts from purchasing items at minimarkets. The results of testing that have been carried out in this study show that each Deep Learning model has an mAP50 accuracy level of 99.4% and mAP50:95 72.9% for YOLOv5, an mAP50 accuracy level of 99.61% and mAP50:95 65.19% for Faster R-CNN, and an mAP50 accuracy level of 61.77% and mAP50:95 98.09% for RetinaNet. YOLOv5 has the highest mAP50:95 accuracy rate at 72.9%, while Faster R-CNN has the highest mAP50 accuracy rate at 99.61%. Where in the implementation process, YOLOv5 and Faster R-CNN systems were able to perform recognition processes while RetinaNet failed to do so."

"ADS-B merupakan salah satu peralatan yang menjadi pelengkap peralatan radar yang bekerja pada frekuensi 1090 MHz agar dapat menjangkau daerah yang sulit karena letak geografis. Salah satu modul penyusun sistem peralatan ADS-B yaitu low noise amplifier (LNA). Untuk aplikasi radar ADS-B diperlukan LNA yang memiliki gain dan kestabilan yang tinggi dengan NF dan return loss yang rendah. Untuk memperoleh hal tersebut maka pada penelitian ini dirancang LNA menggunakan transistor FET-NE3210S01 dengan bias DC, VDS = 2 V dan ID = 10 mA agar memperoleh gain yang tinggi dengan noise figure rendah. Sementara itu, digunakan dual-stub pada rangkaian matching impedansinya untuk menurunkan nilai return loss dan VSWR. Hasil perancangan rangkaian LNA dengan single-stub matching memiliki keluaran gain (S21) = 17,081 dB, input koefisien pantul (S11) = 21.144 dB, noise figure = 1.954 dB, VSWR = 1,192 dan stability factor (K) = 1,7. Sementara itu, hasil perancangan rangkaian LNA dengan multi-stub matching memiliki keluaran lebih baik, yaitu gain (S21) = 20,59 dB, input koefisien pantul (S11) = 62,120 dB, noise figure = 0.787 dB, VSWR = 1,002 dan stability factor (K) = 1,17. Hasil perancangan dan simulasi rangkaian LNA dengan single-stub matching memiliki keluaran gain (S21) = 3,3 dB, input koefisien pantul (S11) = 6.3 dB, VSWR = 2.6.Sementara itu, hasil pengukuran rangkaian LNA dengan dual-stub matching memiliki keluaran lebih baik, yaitu gain (S21) = 5,97 dB, input koefisien pantul (S11) = 15.2 dB, VSWR = 1.5. Terlihat bahwa LNA dengan dual-stub matching memiliki hasil keluaran yang lebih baik, peningkatan gain dikarenakan penggunaan dual-stub matching sehingga terjadi penurunan koefisien pantul dan VSWR.

---

ADS-B is one of the tools to complement radar equipment that works at a frequency of 1090 MHz in order to reach difficult areas due to geographical location. One of the modules making up the ADS-B equipment system that is low noise amplifier (LNA). For radar applications ADS-B is required LNA has a gain and a high stability with NF and low return loss. To obtain the matter, in this study was designed LNA-NE3210S01 using FET transistors with a DC bias, VDS = 2 V and ID = 10 mA in order to obtain high gain with low noise figure.

Meanwhile, use the dual-stub impedance matching circuit to reduce the value of return loss and VSWR and used inter-stage matching in order to distribute power more optimal than the second transistor. The results of the LNA circuit design with single-stub matching has the output gain (S21) = 17.081 dB, input reflection coefficient (S11) = 21 144 dB, noise figure = 1954 dB, VSWR = 1.192 and stability factor (K) = 1.7. Meanwhile, the results of the LNA circuit design with multi-stub matching has a better output, the gain (S21) = 20.59 dB, input reflection coefficient (S11) = 62.120 dB, noise figure = 0787 dB, VSWR = 1.002 and stability factor (K) = 1.17.

The results of the LNA circuit design and simulation with a single-stub matching the output gain (S21) = 3.3 dB, input reflection coefficient (S11) = 3.6 dB, VSWR = 2.6.Sementara, the measurement results of LNA circuit with dual-stub matching has better output, namely the gain (S21) = 5.97 dB, input reflection coefficient (S11) = 2.15 dB, VSWR = 1.5. Seen that the LNA with dual-stub matching has a better outcome, increasing the gain due to the use of dual-stub matching, so there is a decrease the reflection coefficient and VSWR."

"Jumlah kasus positif COVID-19 yang telah terkonfirmasi di Indonesia saat ini telah melebihi angka 6,4 juta. Walaupun angka kasus kian menurun, aturan menjaga jarak harus tetap dipatuhi. Aturan untuk menjaga jarak atau menjauhi kerumunan juga diterapkan di sekolah-sekolah, namun saat ini belum ada sistem yang dapat memonitoring hal tersebut. Tujuan dari penelitian ini adalah membangun sebuah sistem pendeteksian tingkat kerumunan orang dalam ruangan kelas untuk membantu menekan angka kerumunan yang terjadi di sekolah-sekolah, selain itu sistem yang dibangun dapat mempermudah memantau kerumunan sehingga dapat memperkecil area penyebaran virus COVID-19. Sistem yang dibangun menggunakan algoritma deteksi dan segmentasi pada Mask R-CNN. Sistem yang dirancang dapat mendeteksi objek orang, kerumunan, dan kepadatan dalam ruangan. Pengujian sistem dilakukan menggunakan metrik akurasi dan membandingkan kepadatan hasil perhitungan dengan hasil segmentasi. Pengujian dilakukan di area Indoor ruang kelas dan menggunakan kamera webcam. Hasil pengujian menggunakan matriks konfolusi menunjukkan tingkat akurasi deteksi objek manusia yaitu 92,42 %, sedangkan tingginya performa deteksi adalah 96,5%. Sedangkan Error terendah dan tertinggi yang di dapat pada pengukuran kepadatan masing-masing adalah 7,51% dan 0,79%

---

The number of confirmed positive cases of COVID-19 in Indonesia has now exceeded 6.4 million. Even though the number of cases is decreasing, the rules for maintaining distance must still be obeyed. Rules to maintain distance or stay away from crowds are also implemented in schools, but currently there is no system that can monitor this. The purpose of this research is to build a crowd level detection system in classrooms to help reduce crowd numbers that occur in schools, besides that the system built can make it easier to serve crowds so as to reduce the area of spread of the COVID-19 virus. The system built uses detection and segmentation algorithms on Mask R-CNN. The designed system can detect objects, people, crowds, and density in the room. System testing is carried out using measurement metrics and comparing the calculated density with segmentation results. Testing was carried out in the indoor area of the classroom and using a webcam camera. The test results using the convolution matrix show that the accuracy of human object detection is 92.42%, while the high detection performance is 96.5%. While the lowest and highest errors that can be achieved in density measurements are 7.51% and 0.79%, respectively."

"Pemanfaatan lahan untuk lahan parkir harus dapat dilakukan secara optimal dikarenakan terjadinya peningkatan jumlah kendaraan di setiap tahun serta penurunan jumlah lahan kosong di perkotaan. Selain itu, Konsep smart city juga menuntut pemerintah untuk meningkatkan keefektifan dan efisiensi dari sistem layanan urban termasuk jasa penyedia lahan parkir. Sistem ini dirancang untuk menjawab persoalan tersebut dengan mengimplementasikan algoritma pemrosesan citra dan pendeteksian objek. Tata letak lahan parkir yang didapat dari masukan berupa video akan dipetakan setiap petak parkirnya secara otomatis dengan menggunakan salah satu dari 3 mode pemetaan yaitu pemetaan dengan mobil, garis parkir, serta keduanya. Pemetaan ini dilakukan menggunakan algoritma Canny Edge Detection, Hough Line Transform, dan framework pendeteksian objek Mask R-CNN. Kemudian, data ketersediaan lahan parkir akan divisualisasikan kepada pengguna melalui aplikasi android. Sistem ini mampu menyediakan informasi ketersediaan lahan parkir secara real-time dengan latensi sebesar 1.4-2.2 detik dan mampu bekerja pada berbagai kondisi seperti variasi kondisi cahaya, sudut kamera, ataupun jumlah mobil terparkir.

---

Utilization of land for parking lots must be done optimally due to an increase in the number of vehicles every year and a decrease in the number of vacant land in urban areas. In addition, the concept of smart city also requires the government to increase effectiveness and efficiency of the urban service system including parking lot service providers. This system is designed to solve these problems by implementing image processing and object detection algorithms. The layout of parking lot obtained from the video input and each parking space will be mapped automatically by using one of 3 mapping modes, i.e. mapping by car, parking lines, or both. This mapping was done using Canny Edge Detection Algorithm, Hough Line Transform, and Mask R-CNN object detection framework. Then, the availability of parking space data will be visualized to users through the android application. This system is able to provide information on the availability of parking lots in real-time with latency of 1.4-2.2 seconds and is able to work in various conditions such as variations in light conditions, camera angles, or the number of parked cars."

"Closed Circuit TeleVision (CCTV) cameras have been increasingly deployed pervasively in public spaces including retail centres and shopping malls. Intelligent video analytics aims to automatically analyze content of massive amount of public space video data and has been one of the most active areas of computer vision research in the last two decades. Current focus of video analytics research has been largely on detecting alarm events and abnormal behaviours for public safety and security applications. However, increasingly CCTV installations have also been exploited for gathering and analyzing business intelligence information, in order to enhance marketing and operational efficiency. For example, in retail environments, surveillance cameras can be utilised to collect statistical information about shopping behaviour and preference for marketing (e.g., how many people entered a shop; how many females/males or which age groups of people showed interests to a particular product; how long did they stay in the shop; and what are the frequent paths), and to measure operational efficiency for improving customer experience. Video analytics has the enormous potential for non-security oriented commercial applications. This book presents the latest developments on video analytics for business intelligence applications. It provides both academic and commercial practitioners an understanding of the state-of-the-art and a resource for potential applications and successful practice."