Hasil Pencarian  ::  Simpan CSV :: Kembali

"Konsumsi rokok menjadi salah satu isu kesehatan global terbesar di dunia. Organisasi Kesehatan Dunia (WHO) memperkirakan sekitar 1,3 miliar penduduk di seluruh dunia menggunakan produk tembakau. Indonesia juga menempati peringkat ketiga tertinggi jumlah perokok aktif terbanyak di dunia. Tembakau tidak hanya berbahaya bagi yang menggunakannya, tetapi juga berbahaya bagi yang terpapar asapnya. Orang dapat merokok sembarangan dengan mudah jika pengawasan terhadap penggunaan rokok longgar atau bahkan tidak ditegakkan. Untuk mengatasi permasalahan rokok, berbagai penelitian telah dikembangkan, termasuk metode pengenalan orang yang sedang merokok. Berbagai perangkat pencitraan digunakan untuk mendeteksi aktivitas manusia, termasuk merokok. Dengan pesatnya perkembangan kecerdasan buatan dan deep learning dalam beberapa dekade terakhir, termasuk computer vision, berbagai metode telah dikembangkan untuk mendeteksi orang yang sedang merokok. Salah satu metode tersebut adalah MobileNetV3, yang merupakan salah satu arsitektur Convolutional Neural Network (CNN). MobileNetV3 dikembangkan khusus untuk penggunaan pada aplikasi peranti bergerak dan sistem tanam karena sifatnya yang ringan komputasi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi orang sedang merokok berbasis computer vision menggunakan MobileNetV3. Pada arsitektur sistem, layer dropout digunakan untuk mengatasi masalah overfitting sehingga performa model meningkat. Dataset yang digunakan berasal dari Mendeley Data dan Kaggle yang merupakan kumpulan citra orang yang sedang merokok masing-masing sejumlah 2410 citra dan 3275 citra. Melalui simulasi menggunakan konfigurasi dropout senilai 0,5, perbandingan proporsi dataset training : validasi : training menjadi 80 : 10 : 10, model berhasil memperoleh performa terbaik dengan nilai akurasi sebesar 92,08%, nilai loss sebesar 22,87%, nilai presisi sebesar 93,16%, dan nilai recall sebesar 90,83%. Akurasi ini lebih baik dari penelitian Junlong Tang et al. dengan YOLOv5s yang menghasilkan akurasi 85,6%

---

Cigarette consumption is one of the most significant global health issues. The World Health Organization (WHO) estimates that around 1.3 billion people worldwide use tobacco products. Indonesia also ranks third with the world's highest number of active smokers. Tobacco is not only dangerous for those who use it but also for those exposed to the smoke. People can smoke indiscriminately if controls on cigarette use are lax or even not enforced. Various studies have been developed to overcome the problem of smoking, including methods of identifying people who smoke. Different imaging devices are used to detect human activities, including smoking behavior. With the rapid development of artificial intelligence and deep learning in recent decades, including computer vision, various methods have been developed to detect smoking people. One such method is MobileNetV3, one of the Convolutional Neural Network (CNN) architectures. MobileNetV3 was explicitly developed for mobile applications and embedded systems because of its computationally lightweight nature. This study aims to create a computer vision-based smoking detection system using MobileNetV3. In the system architecture, the dropout layer is used to overcome the problem of overfitting so that model performance increases. The datasets used are from Mendeley Data and Kaggle, a collection of images of smoking people, a total of 2410 and 3275 images, respectively. Through simulation using a dropout configuration of 0.5, the proportion of the training dataset: validation: training to 80: 10: 10, the model managed to obtain the best performance with an accuracy value of 92.08%, a loss value of 22.87%, a precision value of 93.16%, and the recall value is 90.83%. This accuracy is better than previous studies by Junlong Tang et al. with YOLOv5s, which resulted in an accuracy of 85.6%"

"Keausan mata pahat menjadi masalah utama dalam industri manufaktur ketika proses pemesinan karena keausan mata pahat menjadi pengaruh besar dalam kualitas produksi. Terdapat dua metode pemantauan tool wear, yaitu direct dan indirect. Direct tool wear monitoring merupakan metode pemantauan dengan melakukan pengukuran tingkat keausan mata pahat secara langsung pada proses pemesinan. Penelitian ini mengembangkan sistem manipulator sebagai robot inspeksi yang memiliki fungsi menggerakkan Dinolite sebagai alat bantu pemantauan keausan mata pahat secara visual. Penelitian ini merancang sistem mekanikal dari manipulator dalam pembuatan desain dan struktur mekanikal, kinematika dan dinamika dari manipulator, serta pengujian dari akurasi dan repeatability dari sistem. Sistem kinematika menggunakan inverse kinematics dan forward kinematics dengan menggunakan parameter Denavit-Hartenberg. Dalam mencari besarnya kecepatan end effector, digunakan persamaan Matriks Jacobian, dimana fungsi dari Matriks Jacobian tersebut digunakan dalam menentukan torsi dari tiap joint. Keluaran dari penelitian ini adalah sistem manipulator sebagai alat bantu pemantauan keausan mata pahat pada proses micromilling. Berdasarkan penelitian didapatkan nilai error hasil kompensasi untuk joint 1, 2 dan 3 sebesar -0,007%, 0,001%, dan 0,016%. Didapat juga nilai repeatability manipulator untuk mencapai suatu titik yang sama dengan rata-rata 0,307.

---

Tool wear is a major problem in the manufacturing industry during the machining process because the tool wear becomes a major influence on the quality of production. There are two tool wear monitoring methods, direct and indirect, direct tool wear monitoring is a monitoring method by measuring the level of tool wear directly on the machining process. This Research uses the assistance of a robotic arm manipulator as a tool for monitoring tool wear with the direct tool wear monitoring method. This research develops a manipulator system as an inspection robot, which has the function of moving Dinolite as a visualization device in monitoring tool wear. This research designs mechanical systems of manipulators, mechanical structures, kinematics and dynamics of manipulators, and testing of the accuracy and repeatability of the system. The kinematics system inverse kinematics and forward kinematics using the Denavit-Hartenberg parameter. To find the magnitude of the end effector speed the Jacobian Matrix equation is used, where the function of the Jacobian Matrix is used in determining the torque of each joint. The output of this research is the manipulator system as a tool for monitoring tool wear in the micro-milling process. Based on the research, the error value of the compensation results for joints 1, 2 and 3 was -0,007%, 0,001%, and 0,016%. There is also repeatability value of manipulator value to reach a point that is equal to an average of 0,307.

"

"Salah satu kemampuan robot yang canggih adalah mampu melakukan adaptasi pada lingkungan sekitarnya. Kemampuan ini merupakan analogi terhadap kemampuan manusia secara khusus. Namun, kebanyakan robot yang dibuat masih terbatas dalam hal interaksi secara sentuhan dengan lingkungan sekitarnya. Oleh karenanya diperlukan sistem sensasi non-kontak yang salah satunya adalah sensasi secara visual. Cara ini termasuk salah satu yang paling advance karena hampir semua proses manipulasi bisa dilakukan dengan hanya menggunakan sensor visual yaitu kamera walaupun computational cost-nya cukup tinggi. Single Board computer jenis BeagleBoard akan digunakan untuk melakukan komputasi sensasi visual yang meliputi face detection, stereo vision, dan bahkan lokalisasi nantinya. Wajah manusia yang akan dikenali oleh sistem computer visualnya akan di-tracking dan diukur jaraknya secara real time melalui teknik stereo vision. Koordinat yang didapat akan ditransformasikan dengan persamaan kinematik berupa invers jacobian menuju pusat robot untuk melakukan aktuasi pada aktuator vision dan navigasi robot secara keseluruhan sampai tujuan untuk melakukan interaksi dengan manusia tercapai. Berdasarkan pengujian yang telah dilakukan dapat dinyatakan bahwa sistem komputer vision yang telah dibangun cukup valid dan handal untuk jarak dibawah 100 cm walaupun dengan waktu komputasi yang cukup besar.

---

One of the advance robot's ability is it can adapt into the around environment. This ability itself is the analogy of human's. But now, most of the robots still have limited in contact sensation. So, it's needed to build non-contact sensations and one of them is reached by build visual system. This way belong to one of advance method because almost of manipulation way can be dealed with this visual sensor like camera, even though the computational cost is high enough.

BeagleBoard, a kind of powerful Single Board computer, will be use to compute the visual sensation in this receptionist robot include face detection, stereo vision, and even localization later. The face of human that will be recognized by visual computer system will be tracked and the distant is calculated real time via stereo vision system. The coordinate that has been gathered will be transformed by invers jacobian into the center of robot to actuate visual actuation and doing robot navigation until receptionist robot is able to do interaction with human. Based on the result of experiment, it can be stated that the developed computer vision system is valid and reliable enough for distant below 100 cm even though spends high computational time."