Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Salah satu data pelacakan objek yang menarik untuk diteliti adalah citra termal inframerah. Data tersebut tahan terhadap perubahan cahaya bahkan dapat dihasilkan pada kondisi tanpa cahaya. Disamping kelebihan yang dimiliki, pelacakan objek pada citra termal inframerah tersebut memiliki tantangan yang berbeda dari pelacakan pada citra visual spektrum, seperti kontras rendah yang merupakan karakter dari citra termal inframerah menyebabkan deteksi tepi antara objek dan latar belakang mempunyai kesulitan lebih tinggi. Penelitian ini bertujuan untuk menghasilkan metode pelacakan dengan akurasi tinggi dan dapat diimplementasikan secara real-time (20 frame per detik). Metode yang diusulkan pada penelitian ini adalah Optical Flow Tracker (OFT) dengan penambahan transformasi log adaptif (aLOFT) untuk meningkatkan kontras citra. Penambahan metode adaptive pre-processing tersebut mampu meningkatkan performa OFT. Tracker aLOFT cukup kompetitif ketika dibandingkan dengan state of the art tracker pada tantangan motion blur PTB-TIR 2019 Benchmark dengan hasil akurasi 0.905 dan kecepatan komputasi 64.9 fps.

---

One of the interesting objects tracking data is thermal infrared images. It is because of its ability to see in full darkness, no shadow effects and illumination robustness. However, those images object tracking has different challenges from visual images tracking, like low contrast of thermal images that cause difficulty to recognize the edge between object and background. Therefore, this research has the purpose to produce the tracker that is good in the precision score and still works in real-time (20 frames per second). In this paper, the authors proposed an adaptive log transform to enhance optical flow tracker (aLOFT) for thermal infrared images. The result of this method shows that adaptive pre-processing helps the tracker to outperform a better result compared to different preprocessing methods. The aLOFT tracker is competitive when compared to the state-of-the-art tracker PTB-TIR 2019 Benchmark in the motion blur problem with an accuracy of 0.905 and a computing speed of 64.9 fps.

 

"

"Matriks anti ketetanggaan merupakan salah satu matriks representasi dari suatu graf berarah, tetapi sifat-sifatnya masih belum banyak diketahui karena masih baru diperkenalkan. Sehingga, pada penelitian ini dibahas sifat-sifat dari matriks anti ketetanggaan suatu graf berarah dan graf garis berarahnya. Sifat-sifat yang dibahas yaitu hasil representasi dari perpangkatan matriks anti ketetanggaan suatu graf berarah yang mungkin mempunyai digon atau gelang berarah, determinan dan polinomial karakteristik dari matriks anti ketetanggaan suatu graf berarah yang mempunyai digon berarah, dan hubungan polinomial karakteristik matriks anti ketetanggaan suatu graf berarah asiklik sederhana dan graf garis berarahnya. Kemudian, pada penelitian ini ditunjukkan bahwa tidak ada hubungan antara suatu graf berarah selain asiklik dan graf garis berarahnya dengan memberikan counterexample-nya.

---

Antiadjacency matrix is one of the representation matrices of a directed graph, but its properties are still not widely known because it has just been introduced. Thus, in this study, we discuss the properties of the antiadjaceny matrix of a digraph and its line digraph. The properties discussed are the results of the representation of powering the antiadjaceny matrix of a digraph which may have directed digon(s) or loop(s), the determinant and characteristic polynomial of an anti-adjacent matrix of a digraph that has directed digon(s), and the characteristic polynomial relationship of the antiadjaceny matrix of a simple acyclic digraph. and the line digraph. Then, in this study, it was shown that there is no relationship between a directed graph other than acyclic and a directed line graph by providing its counterexample."

"ABSTRAKUmumnya kadar air buah dapat diukur dengan membandingkan reduksi massa benda dengan metode pengeringan oven. Dalam tulisan ini, sistem prediksi kadar air pisang diperkenalkan dengan teknik pencitraan VNIR Visible Light ndash; Near Infrared . Teknik pencitraan hiperspektral dengan menggunakan citra VNIR merupakan teknologi yang dapat diandalkan dalam pengujian kualitas buah secara non destruktif, cepat dan efisien. Sistem prediksi ini menggunakan PCA dan PLS sebagai model regresi untuk mendapatkan hasil kuantitatif nya. Hasil regresi yang didapatkan dari PCA untuk pisang raja berupa RMSE Root Mean Square Error sebesar 0.65 dan R2 Coerrelation Coefficient sebesar 0.71. Sedangkan hasil dari PLS yaitu RMSE sebesar 0.54 dan R2 sebesar 0.82. Hasil regresi dari PLS relatif lebih baik daripada PCA dan lebih akurat. Untuk mengetahui klasifikasi tingkat kematangannya, sistem prediksi kadar air pisang ini menggunakan SVM.

---

ABSTRACTCommonly, the fruit moisture content could be measured by comparing the mass decrement of object through oven drying method. In this paper, a bananas moisture content prediction system was introduced using Visible Light ndash NIR imaging technique. Hyperspectral imaging technique using VNIR image is a reliable technology in fruit quality testing non destructive, fast and efficien. The prediction system uses PCA and PLS as a regression model to get its quantitative results. Regression results obtained from PCA for Raja bananas in the form of RMSE Root Mean Square Error of 0.65 and R2 Correlation Coefficient of 0.71. While the results of the PLS RMSE of 0.54 and R2 of 0.82. Regression results from PLS are relatively better than PCA and more accurate. To determine the classification of the level of maturity, the moisture content of bananas prediction system uses SVM Support Vector Machine."

"ABSTRACTUmumnya untuk membedakan antara lidah perokok dan lidah bukan perokok adalah dengan melihat secara visual yang dilakukan oleh praktisi medis dan masih bersifat invasif. Dalam penelitian ini, sistem pengenalan lidah perokok dibangun dengan menggunakan teknik pencitraan hiperspektral dengan rentang spektrum panjang gelombang VNIR Visible Near Infrared berbasis kombinasi ciri spektral dan ciri tekstur. Tujuan penelitian ini adalah membangun sistem pengenalan lidah perokok berbasis kombinasi ciri spektral dan ciri tekstur untuk meningkatkan nilai akurasi pada sistem pengenalan lidah perokok yang berbasis ciri spektral saja. Ciri spektral yang digunakan adalah nilai reflektansi yang didapat langsung dari ROI Region of Interest citra lidah, sedangkan untuk ciri tekstur yang digunakan adalah nilai energi, homogenitas, korelasi, dan kontras yang didapat pada metode ekstraksi ciri GLCM Gray level Co-occurence Matrix. Kedua ciri tersebut dikombinasikan sebagai input yang digunakan pada tahapan seleksi ciri dengan metode PLS Partial Least Square, yang kemudian akan diklasifikasikan menggunakan metode SVM Support Vector Machine. Hasil klasifikasi SVM kemudian dilakukan validasi dengan menggunakan metode k-cross validation. Nilai Akurasi yang didapat dari hasil klasifikasi SVM dengan kombinasi ciri spektral dan ciri tekstur di 4 bagian lidah, lebih baik dibandingkan dengan nilai akurasi yang didapat dari hasil klasifikasi SVM dengan ciri spektral saja, dengan kenaikan akurasi sebesar 1,19 untuk lidah bagian anterior, 3,35 untuk lidah bagian posterior, 7,95 untuk lidah bagian lateral A, dan 1,02 untuk lidah bagian lateral B.

---

ABSTRACTGenerally, to differentiate between smoker 39s tongue and non smoker 39s tongue is by doing an eye examination, which is invasive and performed by medical practitioners. In this research, smoker 39s tongue recognition system is built by using hyperspectral imaging technique with range of VNIR wavelength spectra, which is based on a combination of spectral features and texture features. The aim of this study is to built smoker 39s tongue recognition system based on a combination of spectral features and texture features to increase the value accuracy of smoker 39s tongue recognition system based on its spectral features only. The spectral features used are the reflectance value obtained from ROI Region of Interest from tongue images, while the texture characteristics used are the energy value, homogenity, correlation, and contrast obtained from extraction method of GLCM Gray Level Co occurence Matrix features. Both features are combined as an input used in the feature selection stage by using PLS Partial Least Square method, which then will be classified by using SVM Support Vector Machine method. After that, the SVM classification result will be validated by using k cross validation method. The value accuracy which is obtained from SVM classification result, by combining the spectral features and the texture characteristics in four regions of tongue, is better than the value accuracy from SVM classification result with spectral features only, with an accuracy increase of 1.19 for anterior region of tongue, 3.35 for posterior region of tongue, 7.95 for lateral A region of tongue, and 1,02 for lateral B region of tongue."

"Demam merupakan gejala dari penyakit COVID-19 yang memiliki sensitivitas 54% dan spesifisitas 67% terhadap SARS-CoV-2 sehingga dapat dijadikan acuan untuk mencegah penyebaran penyakit COVID-19. Dua sensor yang paling sering dijadikan termometer infrared adalah MLX90614 dan AMG8833 karena rentang suhu pengukurannya yang tinggi dan akurasinya yang baik. Hasil pengukuran termometer infrared dapat dipengaruhi oleh jarak ukur, suhu ruangan, dan aktivitas fisik pada tubuh manusia. Oleh karena itu, pada skripsi ini penulis merangcang rangkaian thermal camera dengan dua buah sensor infrared dan mengevaluasi kinerja sensor berdasarkan jarak ukur (15, 30, 40, dan 60 cm), suhu ruangan non-AC dan AC (30 dan 26,4 oC), serta aktivitas fisik. Hasil penelitian menunjukkan jarak pengukuran terbaik adalah 15 cm dan besar persentase error rata-rata variabel (EV) yang berbeda dari setiap sensor, yaitu sensor MLX90614 0,560% (15 cm) dan 0,843% (60 cm) sedangkan sensor AMG8833 0,577% (15 cm) dan 1,439% (60 cm). Kemudian MLX90614 mempunyai EV 0,567% (non-AC) dan 0,553% (AC) sedangkan sensor AMG8833 0,868% (non-AC) dan 0,948% (AC). Setelah itu MLX90614 mempunyai EV 0,469% (sebelum aktivitas fisik) dan 0,651% (setelah aktivitas fisik) sedangkan AMG8833 1,259% (sebelum aktivitas fisik) dan 0,558% (setelah aktivitas fisik). Selain tiga variabel uji, casing alat dapat membuat EV sensor AMG8833 kurang dari 1,00% (sebelum dan setelah aktivitas fisik). Akibat adanya nilai EV di atas 1,00 %, penelitian ini dapat dilanjutkan dengan memberikan komponen tambahan yang dapat membuat sensor lebih fokus.

---

Fever is a symptom of COVID-19 disease which has a sensitivity of 54% and specificity of 67% to SARS-CoV-2 so that it can be used as a reference to prevent the spread of COVID-19 disease. The two sensors that are mostly used as an infrared thermometer are the MLX90614 and AMG8833 sensor because of their high measurement range and good accuracy. The measurement results of an infrared thermometer can be influenced by the measuring distance, room temperature, and physical activity on the human body. Therefore, in this thesis the author designs a thermal camera circuit with two infrared sensors and evaluates the performance of the sensor based on the measuring distance (15, 30, 40, and 60 cm), non-AC and AC room temperature (30 and 26.4 oC), and physical activity. The results showed that the best measurement distance is 15 cm and the average of variable error percentages (EV) are different for each sensor. The MLX90614 sensor has 0.560% (15 cm) and 0.843% (60 cm) EV while the AMG8833 sensor has 0.577% (15 cm) and 1.439% (60 cm) EV. Then the MLX90614 has an EV of 0.567% (non-AC) and 0.553% (AC) while the AMG8833 sensor has 0.868% (non-AC) and 0.948% (AC). After that, MLX90614 has an EV of 0.469% (before physical activity) and 0.651% (after physical activity) while AMG8833 has 1.259% (before physical activity) and 0.558% (after physical activity). In addition to the three test variables, the device enclosure could make the AMG8833 sensor EV less than 1.00% (before and after physical activity). Due to the there are EV values above 1.00%, this research can be continued by adding other components that can make the sensor more focused."

"Kemajuan teknologi kini mengizinkan manusia untuk mengambil gambar citra termal yang memiliki kemampuan untuk menerima citra termal tanpa perlu adanya cahaya tampak. Hal ini membuat manusia dapat melihat dalam gelap akibat pancaran benda-hitam dari benda-benda yang menghasilkan panas. Dengan menggunakan algoritma Single Shot Detector, dapat dilakukan deteksi objek berupa manusia untuk membedakan laki-laki dengan perempuan. Model SSD dengan berbagai arsitektur seperti MobileNetV1, MobileNetV2 dan ResNet50 digunakan untuk menguji kemampuan deteksi objek kamera termal terhadap kemampuan deteksi objek pada kamera berwarna. Arsitektur model kamera termal dengan nilai mAP dan AR@1 dengan data pengujian terbaik adalah ResNet50 dan untuk arsitektur model deteksi objek kamera berwarna terbaik adalah MobileNet V1 .Kamera termal unggul dalam melakukan deteksi di seluruh rentang kondisi pencahayaan namun kamera berwarna hanya mampu melakukan deteksi di atas intensitas cahaya 42 lux.Kamera berwarna unggul dalam melakukan deteksi dengan nilai inferensi terbaik berada di antara 3 – 15m sedangkan kamera termal memiliki jarak efektif melakukan inferensi di antara 3 – 10m.

---

The advancement in imaging technology has come to an era where cameras are now able to capture infrared images. This advancement causes cameras to be able to capture without any visible light spectrum and receive image under the dark due to the black-body radiation phenomena. In conjunction with Single Shot Detector algorithm, it is now possible to detect and clasify thermal images into classes to recognize the gender of a human being as a male or female. The architecture used in the models are MobileNetV1, MobileNetV2 and ResNet50 which are then trained using a custom dataset of thermal images and colour images. The testing dataset shows that ResNet50 is the model with the highest mAP and AR@1 score for thermal model and MobileNetV1 is the model with the highest mAP and AR@1 score for colour model. The other test with varying object distance and varying light instensity shows that thermal image detection models are able to detect object at all lighting condition while the colour image models are only able to detect object above 42 lux. Colour detection models are better at detecting objects at a longer distance from the camera from a distance of 3 – 15 m while the termal models are able to do inference effectively from a distance of 3 – 10 m."