Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pendataan mahasiswa merupakan salah satu aktivitas yang penting dalam operasional sebuah universitas. Terkadang proses pendataan mahasiswa ini terdapat permasalahan, seperti banyaknya proses yang harus dilakukan dan juga banyaknya waktu yang tersita untuk pendataan mahasiswa. Terlebih akibat Covid-19 pendataan mahasiswa khususnya pada pendaftaran langsung yang memerlukan data para mahasiswa menjadi terhambat. Pada tugas akhir ini, mengembangkan teknologi berbasis web yang digunakan untuk sebuah sistem pendataan yaitu membuat aplikasi pendataan mahasiswa berbasis website. Aplikasi pendataan mahasiswa dapat mengenali sebuah karakter pada gambar Kartu Tanda Mahasiswa (KTM) dari hasil pengambilan gambar melalui kamera dan mencatat data dalam bentuk teks. Untuk dapat mengenali sebuah karakter pada sebuah kartu mahasiswa, maka akan digunakan sistem Optical Character Recognition (OCR) yang menggunakan sistem preprocessing. Pada penelitian ini, preprocessing akan dibandingkan untuk dicari untuk mengetahui sistem mana yang paling optimal. Preprocessing akan diuji terhadap jarak dan resolusi kamera. Setalah melakukan pengujian, sistem yang paling optimal adalah sistem yang menggunakan preprocessing binarization dengan jarak pengambilan gambar 10 cm dan diambil dengan resolusi kamera sebesar 16 MP.

---

Student data collection is one of the important activities in the operation of a university. The student data collection process at each university has its own operational standards. Sometimes the student data collection process has problems, such as the number of processes that must be carried out and also the amount of time it takes to collect student data. Especially due to Covid-19, student data collection, especially in direct registration, which requires student data, is hampered. In this final project, developing a web-based application that is used for a data collection system which is website-based student data collection. The student data collection application can get a character in the Student Identity Card image from the results of taking pictures through the camera and record the data in text form. To be able to recognize a character on a student card, an Optical Character Recognition (OCR) system will be used that uses a preprocessing system. In this study, preprocessing will be compared to find out which system is the most optimal. Preprocessing will be tested against camera distance and resolution. After testing, the most optimal system is a system that uses preprocessing binarization with a shooting distance of 10 cm and taken with a camera resolution of 16 MP."

"Rasa nyeri yang kerap kali dirasakan oleh bayi dan sulit dideteksi hal ini dikarenakan metode untuk mendeteksi rasa nyeri bersifat self reporting pada kenyataannya bayi sendiri masih belum mampu menjabarkan rasa nyeri tersebut dengan verbal dengan baik. Secara statistic juga tercatat sekitar 80% dari populasi dunia kurang memperhatikan penilaian rasa nyeri terutama terhadap anak-anak padahal rasa nyeri ini memberi pengalaman yang buruk pada anak, sehingga dapat mengganggu respon nyeri di kemudian hari atau trauma psikis. Berdasarkan permasalahan tersebut maka dibuatlah sebuah prototype system untuk mendeteksi rasa nyeri, di mana dalam proses perjalanan pembuatan dan juga pengujian terciptalah 2 versi prototype yaitu versi 1 dibangun dengan Raspberry pi 4.0, dengan framework tensorflow, keras dan haar cascade untuk face recognition dan versi 2 dibangun menggunakan NVIDIA Jetson Nano Developer Kit dengan framework pytorch dan algoritma YOLO. Di mana untuk kedua versi tersebut dilengkapi dengan 2 parameter tambahan yaitu Galvanic Skin Response (GSR) dan Voice Detector. Hasil menunjukan menggunakan Raspberry nilai presisi sebesar 60%, recall 50% dan f1-score 54%. Menggunakan NVIDIA Jetson Nano dilakukan dengan 300 dataset diperoleh untuk nilai rata-rata Confidence sebesar 53.02%, presisi, recall, f1-score dan akurasi 71,4%, 62,5%,66,6%, 70%. Untuk pengujian dengan 600 dataset diperoleh rata-rata confidence 32.02%, presisi, recall, f1-score dan akurasi 75%,42.9%,54,5%,70%.

---

Pain in a baby is difficult to detect is because the method for detecting pain is self-reporting, even though babies themselves cannot describe the pain verbally. Statistically, it is also recorded that about 80% of the world's population pays less attention to pain assessment, especially for children, even though this pain gives children a bad experience so that it can interfere with pain responses in the future or psychological trauma. Based on these problems, a prototype system was made to detect pain, the process of making and testing two prototype versions, version 1 was built with Raspberry pi 4.0, with a TensorFlow framework, Keras and Haar cascade for face recognition, and version 2 was built using NVIDIA Jetson Nano Developer Kit with PyTorch framework and YOLO algorithm. Where both versions are equipped with 2 additional parameters, Galvanic Skin Response (GSR) and Voice Detector. The results show that using Raspberry the precision value is 60%, recall is 50% and f1-score is 54%. Using the NVIDIA Jetson Nano with 300 dataset get everage result of confidence is 53.52%, precision, recall, f1-score and accuracy 71,4%, 62,5%,66,6%, 70%. For testing with 600 dataset get everage result of confidence 32.02%, precision, recall, f1-score and accuracy 75%,42.9%,54,5%,70%. "

"Jenis ikan yang tergolong dalam ikan jenis sonikrous mempunyai suara yang khas_ Beberapa diantaxanya dapat mengeluarkan lebih dari satu jenis suara. Sebagai contoh ikan wealdish (Cynoscion regalis) jantan akan mengeluarkan suara drumming pada masa bertelur dan suara chartering untuk aktiiitas hidup sehari-bali, sedangkan untuk betina hanya mengbluarkan suara cha!!ering.Untuk dapat mengenali suara ikan tersebut clengan cepat diperlukan suam sarana agar proses identifikasi dapat dilalcukan dengan mudah, Penerapan teknologi voice recognition dapat mempemwdah dan mempercepat proses pengenalan suara ikan. Dengan diketahul suara ikan tersebut mal-za berarti pula dapat diketahui keberadaan jenis ikan dan aktiiitas hidup beberapa jenis ikan tertentu seperti proses bertelur yang terjadi di dalam laut. Penggunaan voice recognition dengan mengaplikasikan hidden mar/:ov model untuk mengidentifikasi suara ikan dapat mengenali dengan baik suara ikan yang dimasukan dalam sistem. Sistem dengan training data berupa sampel suara ikan yang terdiri dari kombinasi beberapa bursi dan satu periode pcnuh dari suara ikan menghasilkan sistem dengan kemampuan recognition yang Iebih baik. Dari percobaan yang dilakukan menunjukan sistem mempunyai tingkat akurasi yang baik sampai sekitar 5O - 90 %."

"Japanese letter (kana) is a unique and highly complex character compared to usual Roman's letter, particularly in its hand written form. Japanese letter can be grouped into hiragana and katakana, where both have different writing rules...."

"The recognition of two dimensional character typewriter and hand written by using back-propagation method. This method is popular in neural-network model. We try to explain back-propagation method application in character recognition practice, helping by neural-network software."

"Pandemi COVID-19 mengubah pola kehidupan manusia, termasuk sistem perkuliahan yang berubah ke metode daring. Video perkuliahan dengan salindia menjadi salah satu pilihan sarana penyampaian materi kuliah secara daring. Penelitian ini bermaksud menguji keabsahan rancangan sistem yang mampu melakukan segmentasi temporal sesuai topik secara otomatis pada video perkuliahan. Sistem yang diajukan dibagi menjadi tiga sub-sistem yang memanfaatkan teknologi keyframe extraction, optical character recognition (OCR), dan topic modelling. Pertama, video perkuliahan akan diubah menjadi kumpulan keyframe dengan memanfaatkan metode Slide Detector yang dimodifikasi. Selanjutnya, akan dilakukan ekstraksi teks dari frame-frame tersebut menggunakan Tesseract OCR dengan preprocessing tambahan. Akhirnya, BERTopic dengan beragam algoritma clustering dan LDA diuji kemampuannya dalam topic modelling yang berguna untuk mengambil topik yang koheren dari teks tersebut. Penelitian pada tahap keyframe extraction menunjukkan bahwa terdapat peningkatan recall sebesar 0,235-025 dari 0 dan precision sebesar 0,619-0,75 dari 0 pada beberapa video pada Slide Detector termodifikasi. Sebaliknya, penelitian pada tahap OCR menunjukkan bahwa tambahan preprocessing belum bisa membantu meningkatkan performa Tesseract OCR. Pada tahap terakhir, ditemukan bahwa BERTopic lebih unggul daripada LDA dalam menarik topik yang koheren untuk use case penelitian ini. Agglomerative dan KMeans clustering ditemukan lebih optimal untuk kasus video perkuliahan jika dibandingkan dengan metode density-based. Augmentasi data dengan takaran yang sesuai diperlukan untuk mendapatkan hasil sedemikian rupa pada tahap ini. Secara umum, sistem dengan tiga bagian yang diusulkan pada penelitian ini sudah mampu melakukan segmentasi video perkuliahan sesuai tujuan, namun, video perkuliahan bersalindia merupakan dataset yang sangat heterogen dan merancang sebuah sistem yang mampu memanfaatkan dataset tersebut adalah tantangan tersendiri.

---

The COVID-19 pandemic changed the lifestyle of many people, including university lectures that moved to online delivery. Lecture videos with slides became an option to deliver lecture materials online. This work attempts to show a proof of concept for a system design that is able to automatically segment a lecture video temporally based on the topic. The proposed system is divided into three subsystems that make use of keyframe extraction, optical character recognition (OCR), and topic modelling techniques. First, a lecture video will be converted to a collection of keyframes using a modified Slide Detector technique. Next, those frames will be processed using Tesseract OCR with some additional preprocessing steps to extract text. Lastly, BERTopic with various clustering techniques and LDA will be used for topic modelling to obtain a coherent topic from the text extracted earlier. The research in the keyframe extraction step shows that there is an increase of 0.235-0,5 points from 0 for recall and 0,619-0,75 points from 0 for precision for certain videos using the modified Slide Detector. On the other hand, the research in the OCR step shows that the additional preprocessing is not yet able to help increase the performance of Tesseract OCR. At the last step, BERTopic proves to be better than LDA to obtain the coherent topic for this system's use case. Agglomerative and KMeans clustering is better for lecture videos compared to density-based methods. Appropriate amounts of data augmentation is needed to obtain the best results at this step. Overall, the three-part system in this research is able to segment lecture videos as intended, however, lecture videos with slides is a dataset that is very heterogeneous and designing a system to handle all types of videos is a large challenge."

"Dampak wabah COVID yang mempengaruhi sektor pendidikan membuat pelajar dan juga tenaga pendidik diharuskan untuk melakukan pembelajaran secara daring. Penerapan pembelajaran melalui daring ini memberikan dampak terhadap pelajar khususnya pada mahasiswa. Dengan diterapkannya New Normal, dibutuhkan teknologi yang dapat melakukan pemantauan dengan skala yang besar. Penelitian ini bertujuan untuk membuat perangkat presensi mahasiswa berbasis face recognition dengan menambahkan fitur pembacaan suhu tubuh sebagai langkah pengawasan pada lingkungan kampus. Penelitian ini dilakukan pada area kampus FMIPA UI. Bahasa pemrograman yang digunakan untuk membuat perangkat lunak adalah python versi 3.6. Pada proses face recognition, digunakan metode Histogram of Oriented Gradients (HOG) sebagai pendeteksi lokasi wajah dan modul Openface untuk pengambilan fitur pada wajah. Untuk tahap pencocokan wajah, digunakan Euclidean Distance untuk mencari nilai kecocokan pada tiap citra database. Dari hasil pengujian terhadap 30 mahasiswa didapatkan akurasi sebesar 93.3%. Pada pengujian jarak terhadap pendeteksian wajah, didapatkan bahwa sistem dapat mendeteksi wajah hingga jarak 120 cm pada kondisi penerangan ruangan yang normal. Pada pengujian pembacaan suhu dengan menggunakan Thermal Camera AMG8833, didapatkan bahwa nilai akurasi menurun seiring bertambahnya jarak pembacaan. Jarak optimal untuk pembacaan suhu adalah sejauh 30 cm.

---

The impact of the COVID outbreak that has affected the education sector has forced students and educators to study online. The application of online learning has an impact on students, especially college students. With the implementation of the New Normal, technology is needed to perform health monitoring on a large scale. This study aims to create a face recognition-based student presence device by adding a body temperature reading feature. This research was conducted in the FMIPA UI campus area. The programming language used to create the software is python version 3.6. In the face recognition process, the Histogram of Oriented Gradients (HOG) method is used to detect the location of the face and the Openface module is used to capture features of the face. For the face matching stage, Euclidean Distance is used to find the match value for each database image. From the results of testing on 30 students, obtained an accuracy of 93.3%. While testing the distance capability in face detection, it was found that the system can detect faces up to a distance of 120 cm in normal room lighting conditions. While testing the Thermal Camera AMG8833, it was found that the accuracy value decreased as the distance increased. The optimal distance for temperature readings is 30 cm."

"Dengan beredarnya pandemi corona-virus (Covid-19) menuntut masyarakat untuk menjaga protokol kesehatan saat bepergian, salah satunya adalah menggunakan masker untuk mengurangi risiko terkena virus. Penggunaan masker juga disarankan oleh World Health Organization (WHO) agar digunakan saat beraktivitas dengan orang lain. Dengan mengacu hal tersebut, banyak perubahan yang terjadi pada teknologi yang digunakan sehari-hari, salah satunya adalah untuk sistem absensi. Apabila sebelum adanya Covid-19 absensi mahasiswa masih menggunakan buku tulis atau fingerprint, kini lebih baik beralih ke dalam sistem absensi berbasis face recognition dengan memanfaatkan salah satu algoritma deep learning, yaitu metode Convolutional Neural Network (CNN) untuk mengindentifikasi wajah seorang mahasiswa yang telah terdaftar. Dengan mengaplikasikan sistem absensi ini, memungkinkan mahasiswa untuk melakukan absensi tanpa terjadinya sentuhan langsung melalui media tangan. Bahasa pemrograman yang digunakan pada pengembangan aplikasi sistem absensi merupakan bahasa Python dengan implementasi Single Shot Detection (SSD) dan fitur ekstraksi ResNet. Evaluasi pengukuran pada sistem dilakukan pada situasi yang mempengaruhi kejelasan gambar dan model jumlah titik karakteristik yang berbeda.

---

With the spread of the corona-virus (Covid-19) pandemic, it requires the public to maintain health protocols when traveling, one of them is to use masks to reduce the risk of infected the virus. The use of masks is also recommended by the World Health Organization (WHO) to be used when doing activities with other people. Because of this, many changes have occurred in the technology that used in daily, one of them is the attendance system. If before Covid-19 student attendance was still using notebooks or fingerprints, now it is better to switch to a face recognition-based attendance system by utilizing one of the algorithm deep learning, namely the Convolutional Neural Network (CNN) method to identify the face of a student who has been recorded in. By applying this attendance system, it allows students to take attendance without direct touch through hand media. The programming language used in making attendance system applications is Python with Single Shot Detection (SSD) implementation and ResNet extraction feature. Evaluation of measurements on the system is carried out on situations that affect image clarity and the model number of different characteristic points."

"PDB Indonesia saat ini berada di peringkat ke-15 dunia, dan diprediksi akan naik ke peringkat 8 pada tahun 2035. Disebutkan bahwa ada sentimen positif ekonomi Indonesia menjanjikan untuk mewujudkan era Indonesia maju pada tahun 2035 disokong oleh 3 sektor industri terbesar, yaitu industri manufaktur, pertanian, dan perdagangan. Sayangnya, Indonesia yang sekarang masih di daulat sebagai negara berkembang, dinilai rentan terhadap krisis. Dilihat dari contoh 3 krisis ekonomi yang pernah dialami Indonesia, industri manufaktur adalah yang paling terkena hantaman, terlebih karena industri ini pertumbuhannya selalu beriringan dengan pertumbuhan PDB nasional. Hal ini tentunya akan menghambat mimpi Indonesia Maju 2035. Oleh karena itu, dibutuhkannya sebuah formulasi strategi resiliensi agar industri manufaktur dapat didorong untuk tumbuh secara kuat dan cepat pulih ke semula, bahkan meningkat performanya walaupun dalam gangguan atau krisis. Penelitian ini menganalisis skenario masa depan yang dapat terjadi dan berpotensi mempengaruhi kondisi industri manufaktur secara baik ataupun buruk, dengan metode sistem dinamis.  Kemudian dilanjutkan dengan menghitung indeks resiliensinya serta membandingkan dengan kondisi Business As Usual (BAU). Hasil yang didapatkan akan dijadikan basis formulasi strategi untuk meningkatkan resiliensi industri manufaktur yang dapat lebih tangguh pulih setelah terkena gangguan.

---

Indonesia's GDP is currently ranked 15th in the world, and is predicted to rise to rank 8th in 2035. It is stated that there is positive economic sentiment in Indonesia promising to realize an advanced Indonesia era in 2035 supported by the 3 largest industrial sectors, namely the manufacturing industry, agriculture and trade. Unfortunately, Indonesia, which is now still sovereign as a developing country, is considered vulnerable to crisis. Judging from the examples of 3 economic crises that Indonesia has experienced, the manufacturing industry is the one most affected, especially because this industry's growth always goes hand in hand with national GDP growth. This will certainly hamper the dream of Indonesia Forward 2035. Therefore, it is necessary to formulate a resilience strategy so that the manufacturing industry can be encouraged to grow strongly and recover quickly, and even improve its performance even in a disturbance or crisis. This study analyzes future scenarios that can occur and have the potential to affect the condition of the manufacturing industry for good or bad, using the dynamic system method. Then proceed with calculating the resilience index and comparing it with the conditions of Business As Usual (BAU). The results obtained will be used as the basis for formulating strategies to increase the resilience of the manufacturing industry which can be more resilient to recover after being hit by a disturbance."