Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kendaraan mobil adalah salah satu kendaraan yang diminati dan digunakan oleh masyarakat dunia. Tingginya minat masyarakat terhadap mobil meningkatkan jumlah produksi kendaraan dan kendaraan yang beredar di jalan, akan tetapi di sisi lain meningkat pula variabel faktor terjadinya kecelakaan lalu lintas. Data yang diperoleh dari National Safety Council (NSC) menunjukkan sebesar 71% dari total kasus kecelakaan di tahun 2021 terjadi akibat tabrakan kendaraan bermotor dengan kendaraan bermotor lainnya dengan faktor kecelakaan speeding menyumbang persentase tertinggi yakni 29%. Salah satu cara untuk meminimalkan risiko kecelakaan adalah dengan tetap menjaga jarak aman berkendara relatif terhadap kecepatan kendaraan menggunakan prinsip aturan 3 detik atau 3-second rule. Aturan 3-detik bertujuan untuk memberikan cukup waktu bagi pengemudi untuk bereaksi apabila kendaraan di depan melakukan pengereman mendadak. Aturan ini efektif meminimalkan risiko kecelakaan, sehingga kendaraan-kendaraan modern telah dilengkapi fitur canggih seperti sistem Asistensi Anti-Tabrakan Depan atau lebih dikenal sebagai Forward Collision-Avoidance Assist (FCAA) untuk memberi peringatan visual kepada pengemudi tentang potensi tabrakan dari depan. Namun, sistem canggih ini memerlukan biaya yang tidak sedikit karena tersusun dari berbagai alat dan sensor. Untuk mengatasi tantangan biaya, perkembangan teknologi pemrosesan citra dapat menjadi solusi alternatif yang lebih murah. Pada penelitian ini, teknologi kecerdasan buatan dan pendekatan pemrosesan citra akan digunakan untuk mendeteksi jarak aman berkendara. Kombinasi dari algoritma sobel-edge detection, binary thresholding, dan model deteksi objek YOLOv8 untuk membuat program yang menampilkan safe driving area dan dapat memberi peringatan visual apabila jarak kendaraan di depan pengendara tidak memenuhi aturan jarak aman berkendara 3-detik. Performa sistem anti-tabrakan depan dievaluasi dengan observasi terhadap tingkat fluktuasi hasil deteksi safe driving area antar frame output. Umumnya, kesalahan disebabkan oleh data rekaman video yang berguncang sehingga piksel tampak blur, terdapat bayangan pada jalan, atau terdapat objek yang menutupi piksel fitur. Melalui penelitian ini, diharapkan dapat meningkatkan rasa waspada bagi pengemudi untuk tetap menjaga jarak aman berkendara yang memenuhi aturan 3-detik.

---

Cars are one of the vehicles that are in demand and used by people around the world. The high public interest in cars increases the number of vehicles produced and circulating on the road. Still, on the other hand, the variable factors in the occurrence of traffic accidents also increase. Data obtained from the National Safety Council (NSC) shows that 71% of the total accident cases in 2021 occurred due to motor vehicle collisions with other motor vehicles with the highest percentage being a speeding accident factor, 29%. One way to minimize the risk of accidents is while maintaining a safe driving distance relative to vehicle speed using the 3-second rule principle. The 3-second rule aims to give the driver enough time to react if the vehicle in front brakes suddenly. This rule is effective in minimizing the risk of accidents, so modern vehicles are equipped with advanced features such as the Forward-Collision Avoidance Assist (FCAA) to provide visual warnings to drivers about potential forward-collisions. However, this sophisticated system requires quite a bit of money because it is composed of various tools. To overcome cost challenges, the development of image processing technology can be a cheaper alternative solution. In this research, artificial intelligence technology and image processing approaches will be used to detect safe driving distances. A combination of the Sobel-edge detection algorithm, binary thresholding, and the YOLOv8 object detection model creates a program that displays safe driving areas and can provide a visual warning if the distance of the vehicle in front of the driver does not meet the 3-second rule of safe driving distance. The performance of the forward collision-avoidance system was evaluated by observing the level of fluctuation in safe driving area detection result between ouput frames. Generally, errors are caused by shaky video recording data so that pixels appear blurry, there are shadows on the road, or there are objects covering feature pixels. Through this research, it is hoped that it can increase the sense of alertness for drivers to maintain a safe driving distance that meets the 3-second rule."

"Kendaraan mobil adalah salah satu kendaraan yang diminati dan digunakan oleh masyarakat dunia. Tingginya minat masyarakat terhadap mobil meningkatkan jumlah produksi kendaraan dan kendaraan yang beredar di jalan, akan tetapi di sisi lain meningkat pula variabel faktor terjadinya kecelakaan lalu lintas. Data yang diperoleh dari National Safety Council (NSC) menunjukkan sebesar 71% dari total kasus kecelakaan di tahun 2021 terjadi akibat tabrakan kendaraan bermotor dengan kendaraan bermotor lainnya dengan faktor kecelakaan speeding menyumbang persentase tertinggi yakni 29%. Salah satu cara untuk meminimalkan risiko kecelakaan adalah dengan tetap menjaga jarak aman berkendara relatif terhadap kecepatan kendaraan menggunakan prinsip aturan 3 detik atau 3-second rule. Aturan 3-detik bertujuan untuk memberikan cukup waktu bagi pengemudi untuk bereaksi apabila kendaraan di depan melakukan pengereman mendadak. Aturan ini efektif meminimalkan risiko kecelakaan, sehingga kendaraan-kendaraan modern telah dilengkapi fitur canggih seperti sistem Asistensi Anti-Tabrakan Depan atau lebih dikenal sebagai Forward Collision-Avoidance Assist (FCAA) untuk memberi peringatan visual kepada pengemudi tentang potensi tabrakan dari depan. Namun, sistem canggih ini memerlukan biaya yang tidak sedikit karena tersusun dari berbagai alat dan sensor. Untuk mengatasi tantangan biaya, perkembangan teknologi pemrosesan citra dapat menjadi solusi alternatif yang lebih murah. Pada penelitian ini, teknologi kecerdasan buatan dan pendekatan pemrosesan citra akan digunakan untuk mendeteksi jarak aman berkendara. Kombinasi dari algoritma sobel-edge detection, binary thresholding, dan model deteksi objek YOLOv8 untuk membuat program yang menampilkan safe driving area dan dapat memberi peringatan visual apabila jarak kendaraan di depan pengendara tidak memenuhi aturan jarak aman berkendara 3-detik. Performa sistem anti-tabrakan depan dievaluasi dengan observasi terhadap tingkat fluktuasi hasil deteksi safe driving area antar frame output. Umumnya, kesalahan disebabkan oleh data rekaman video yang berguncang sehingga piksel tampak blur, terdapat bayangan pada jalan, atau terdapat objek yang menutupi piksel fitur. Melalui penelitian ini, diharapkan dapat meningkatkan rasa waspada bagi pengemudi untuk tetap menjaga jarak aman berkendara yang memenuhi aturan 3-detik.

---

Cars are one of the vehicles that are in demand and used by people around the world. The high public interest in cars increases the number of vehicles produced and circulating on the road. Still, on the other hand, the variable factors in the occurrence of traffic accidents also increase. Data obtained from the National Safety Council (NSC) shows that 71% of the total accident cases in 2021 occurred due to motor vehicle collisions with other motor vehicles with the highest percentage being a speeding accident factor, 29%. One way to minimize the risk of accidents is while maintaining a safe driving distance relative to vehicle speed using the 3-second rule principle. The 3-second rule aims to give the driver enough time to react if the vehicle in front brakes suddenly. This rule is effective in minimizing the risk of accidents, so modern vehicles are equipped with advanced features such as the Forward-Collision Avoidance Assist (FCAA) to provide visual warnings to drivers about potential forward-collisions. However, this sophisticated system requires quite a bit of money because it is composed of various tools. To overcome cost challenges, the development of image processing technology can be a cheaper alternative solution. In this research, artificial intelligence technology and image processing approaches will be used to detect safe driving distances. A combination of the Sobel-edge detection algorithm, binary thresholding, and the YOLOv8 object detection model creates a program that displays safe driving areas and can provide a visual warning if the distance of the vehicle in front of the driver does not meet the 3-second rule of safe driving distance. The performance of the forward collision-avoidance system was evaluated by observing the level of fluctuation in safe driving area detection result between ouput frames. Generally, errors are caused by shaky video recording data so that pixels appear blurry, there are shadows on the road, or there are objects covering feature pixels. Through this research, it is hoped that it can increase the sense of alertness for drivers to maintain a safe driving distance that meets the 3-second rule."

"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.

---

The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."

"Dalam medan yang cukup sulit diperlukan sistem quadcopter yang mempunyai kemampuan manuver, pemetaan, pendeteksi rintangan, dan objek yang dapat mengakses area yang cukup sulit. Penelitian ini membahas tentang pendeteksian rintangan menggunakan ORB-SLAM3 dan OctoMap, stabilisasi quadcopter menggunakan kontrol PID, dan pendeteksian bagian tubuh manusia menggunakan YOLOv8 dalam satu sistem untuk menciptakan sistem quadcopter yang dapat mendeteksi keberadaan manusia dan juga rintangan dalam melakukan proses Search and Rescue (SAR) yang pada tahap ini dilaporkan hingga implemetasi ketiganya saja. ORB-SLAM3 digunakan untuk proses pemetaan dan pendeteksi rintangan yang menghasilkan pointcloud dari ekstraksi fitur dan juga estimasi pose kamera pada quadcopter Pointcloud yang dihasilkan dari proses ekstraksi fitur digunakan untuk merekonstruksi rintangan. agar dapat mengikuti lintasan tersebut kemudian sekaligus dapat melakukan pelacakan objek. Dari hasil pelatihan model YOLO v8 didapatkan mAP sebesar 95% menunjukkan kinerja keseluruhan yang tinggi dalam deteksi objek di berbagai kelas.

---

In a challenging field, a quadcopter system with maneuvering, mapping, obstacle detection, and access to difficult areas capabilities is essential. This research focuses on obstacle detection using ORB-SLAM3, OctoMap, quadcopter stabilization using PID control, and human body part detection using YOLOv8 in a unified system to create a quadcopter system capable of detecting both human presence and obstacles during Search and Rescue (SAR) operations. ORB-SLAM3 is utilized for mapping, generating point clouds from feature extraction and camera pose estimation on the quadcopter. The point cloud produced from feature extraction is employed to reconstruct obstacles, allowing the quadcopter to follow paths and simultaneously track objects. The YOLOv8 model achieved an mAP of 95% after training, demonstrating high overall performance in detecting objects across various classes."

"Kasus illegal fishing yang marak di Indonesia menyebabkan kerugian besar bagi industri perikanan. Selain itu, proses klasifikasi jenis ikan dan penentuan beratnya memakan waktu yang lama. Penelitian ini mengembangkan sistem prediksi jenis ikan dan beratnya untuk meningkatkan efisiensi hasil tangkapan. Model object detection dan segmentation menggunakan arsitektur YOLOv8 (You Only Look Once), sementara prediksi berat ikan dilakukan dengan decision tree, random forest, XGBoost, dan ANN. Ada 5 metode eksperimen yang dilakukan untuk mendapatkan model object detection dan instance segmentation terbaik, yaitu yang pertama membandingkan arsitektur small, medium, dan large dari model YOLOv8 untuk mengetahui arsitektur terbaik terhadap kemampuan mendeteksi dan mengsegmentasi objek, yang kedua melakukan tunning hyperparameter dari model terbaik di eksperimen 1 dengan mengubah variasi optimuzer serta dropout, yang ketiga membandingkan algoritma decision tree, random forest, dan XGBoost untuk mengetahui algoritma regresi terbaik untuk melakukan prediksi berat ikan, yang keempat adalah melakukan evaluasi dengan dataset tanpa dan dengan cumi untuk mengetahui pengaruh kelas cumi dalam kemampuan prediksi model, dan yang terakhir adalah melakukan hyperparameter tunning terhadap model terbaik dari eksperimen tiga, yaitu random forest dan ANN. Dari kelima eksperimen yang dilakukan didapatkan hasil model object detection dan instance segmentation terbaik menggunakan YOLOv8seg-m (medium) dengan optimizer SGD dan tanpa dropout mencapai metrics mAP0.5 sebesar 0.994, mAP0.5:0.95 sebesar 0.886, F1-score sebesar 0.985, IoU (mask) sebesar 0.828, dan IoU (box) sebesar 0.846. Model prediksi berat terbaik adalah random forest dengan R2 sebesar 0.994, MAE sebesar 6.051, MSE sebesar 124.058, dan RMSE sebesar 11.138. Kata kunci: fish monitoring, computer vision, deep learning, object detection, instance segmentation, YOLOv8.

---

The widespread occurrence of illegal fishing in Indonesia has caused significant losses to the fishing industry. Additionally, the process of classifying fish species and determining their weight is time-consuming. This study develops a system to predict fish species and weight to improve the efficiency of catch results. The object detection and segmentation model uses the YOLOv8 (You Only Look Once) architecture, while fish weight prediction is performed using decision tree, random forest, XGBoost, and ANN. Five experimental methods were conducted to obtain the best object detection and instance segmentation model: the first compared the small, medium, and large architectures of the YOLOv8 model to determine the best architecture for object detection and segmentation capabilities; the second tuned the hyperparameters of the best model from experiment 1 by varying the optimizer and dropout; the third compared decision tree, random forest, and XGBoost algorithms to determine the best regression algorithm for fish weight prediction; the fourth evaluated the dataset with and without squid to understand the influence of the squid class on the model's prediction ability; and the last performed hyperparameter tuning on the best models from experiment three, namely random forest and ANN. From the five experiments conducted, the best object detection and instance segmentation model was found using YOLOv8seg-m (medium) with the SGD optimizer and no dropout, achieving metrics of mAP0.5 of 0.994, mAP0.5:0.95 of 0.886, F1-score of 0.985, IoU (mask) of 0.828, and IoU (box) of 0.846. The best weight prediction model was random forest with an R2 of 0.994, MAE of 6.051, MSE of 124.058, and RMSE of 11.138."

"Pemerintah Indonesia telah menerapkan kebijakan wajib menggunakan masker di ruang publik untuk mencegah penularan Covid-19. Sebagai dukungan terhadap inisiatif ini, petugas bekerja untuk memastikan kepatuhan, terutama di area ramai seperti mal dan gedung perkantoran. Namun, mengandalkan penegakan secara manual menimbulkan tantangan karena potensi kesalahan dan kelalaian manusia. Untuk mengatasi hal ini, penelitian ini berfokus pada pengembangan sistem deteksi masker menggunakan YOLOv5, yang mampu mendeteksi tiga kelas masker yang berbeda. Penulis mengumpulkan dan menyusun dataset dari berbagai sumber, yang terdiri dari total 1500 bounding box, dengan sekitar 500 bounding box per kelas. Selain itu, penulis melakukan perbandingan dengan model CNN sederhana untuk menemukan praktik terbaik sehingga mendapatkan model YOLOv5 yang paling optimal. Melalui berbagai eksperimen dengan parameter yang berbeda, penulis menemukan bahwa hasil terbaik dicapai menggunakan dataset dengan ukuran gambar 640px dan ukuran batch 8. Model menunjukkan nilai precision sebesar 0,864, nilai recall sebesar 0,824, dan nilai mAP50 sebesar 0,877. Penelitian ini memberikan kontribusi dalam upaya kesehatan masyarakat dengan menyediakan sistem deteksi masker otomatis yang dapat membantu pihak berwenang dalam memantau kepatuhan penggunaan masker secara efektif dan efisien, sehingga dapat mengurangi penyebaran Covid-19.

---

The Indonesian government has implemented a mandatory mask-wearing policy in public spaces to prevent the transmission of Covid-19. In support of this initiative, officials are working to ensure compliance, particularly in crowded areas such as malls and office buildings. However, relying solely on manual enforcement poses challenges due to the potential for human error and negligence. To address this, this research focuses on developing a mask detection system using YOLOv5, capable of detecting three different classes of masks. We collected and curated a dataset from various sources, comprising a total of 1500 bounding boxes, with approximately 500 bounding boxes per class. In addition, we conducted a comparison with a CNN model to find best practice so as to get the most optimal YOLOv5 model. Through various experiments with different parameters, we found that the best results were achieved using a dataset with 640px image size and a batch size of 8. The model demonstrated a precision value of 0.864, recall value of 0.824, and Map50 value of 0.877. This research contributes to the ongoing efforts in public health by providing an automated mask detection system that can assist authorities in monitoring mask compliance effectively and efficiently, thereby mitigating the spread of Covid-19"

"Issue keselamatan atau safety merupakan salah satu capaian yang paling penting di industri pertambangan. Hal ini dikarenakan adanya kecelakaan kerja dapat berakibat fatal bagi intensitas produksi yang dapat dilakukan hingga berpotensi untuk terjadinya pencabutan izin operasional perusahaan oleh pemerintah. Pada PT X sendiri, pelanggaran atau deviasi yang berisiko sangat tinggi untuk terjadinya kecelakaan kerja yang mengakibatkan kematian adalah terkait dengan adanya manusia di area operasional pertambangan tanpa izin dan jarak tidak aman dari kendaraan-kendaraan yang ada, khususnya kendaraan dengan muatan berat seperti HD (Heavy Duty Dump Truck). Oleh karena itu, pada penelitian ini akan diusulkan metode deteksi objek yang berbasis deep learning YOLOv4 untuk mendeteksi objek manusia dan HD beserta penggunaan jarak Euclidean untuk estimasi jarak tidak aman antar kendaraan HD. Dengan menggunakan sebanyak 2009 gambar sebagai data latih dan sebanyak 201 gambar sebagai data uji, dihasilkan nilai mAP terbaik selama proses pelatihan model sebesar 88,76% dan nilai recall objek manusia dan HD pada sebanyak 10 video uji masing-masing sebesar 56,96% dan 55,73%. Nilai recall tersebut dapat meningkat cukup signifikan manakala teknologi CCTV dilakukan proses zoom in. Adanya penelitian ini diharapkan dapat membantu pengawas untuk mendeteksi deviasi-deviasi yang terjadi di area operasional pertambangan, khususnya untuk deteksi objek manusia dan HD beserta prediksi jarak tidak aman antar HD.

---

The safety issue is one of the most important achievements in the mining industry. This is because work accidents can be fatal for the intensity of production that can be carried out and the government has the potential to revoke the company's operating license. At PT X itself, violations or deviations that pose a very high risk for work accidents resulting in death are related to the presence of humans in the mining operational area without a permit and an unsafe distance from existing vehicles, especially vehicles with heavy loads such as HD. Therefore, in this study, an object detection method based on deep learning YOLOv4 will be proposed to detect human and HD (Heavy Duty Dump Truck) objects along with the estimation of unsafe distances between HD vehicles using euclidean distance method. By using as many as 2009 images as training data and as many as 201 images as test data, the best mAP value during the model training process is 88.76% and the recall value of human and HD objects in 10 test videos are 56.96% and 55.73%. The recall value can increase significantly when CCTV technology is zoomed in. The existence of this research is expected to help supervisors to detect deviations that occur in the mining operational area, especially for the detection of human objects and HD along with predictions of unsafe distances between HD."

"Di dalam olahraga tenis, pemahaman yang mendalam tentang gerakan lawan sangat penting untuk merespons pukulan dengan efektif. Salah satu tantangan utama yang dihadapi pemain adalah mengantisipasi arah pukulan lawan dengan cepat dan akurat. Faktor utama yang memengaruhi arah pukulan bola tenis adalah sudut kontak bola dengan raket saat memukulnya. Namun, dalam kecepatan permainan yang tinggi, observasi terhadap faktor ini sulit dilakukan. Faktor lain yang dapat memengaruhi arah pukulan adalah pose pemain saat memukul bola. Penelitian ini bertujuan untuk mengevaluasi penerapan machine learning dalam mengatasi masalah ini, dengan menggunakan informasi sekuensial mengenai pergerakan pose pemain sesaat sebelum memukul bola dan meneruskannya ke jaringan neural network untuk klasifikasi arah pukulannya menjadi tiga jenis kelas, yaitu Cross Left, Cross Right, dan Straight. Dataset yang digunakan untuk penelitian ini diambil dari beberapa video pertandingan tenis profesional dari platform YouTube dengan total durasi permainan efektif 43 menit. Untuk mendapatkan informasi mengenai koordinat pose pemain, digunakan YOLOv8-Pose, sementara TrackNet digunakan untuk mendeteksi koordinat bola dan lapangan. Arah pukulan bola ditentukan dari informasi koordinat bola sebelum dan setelah pemain melakukan pukulan. Informasi pose pemain sebanyak 20 frame sebelum pemain memukul bola disimpan dalam suatu array tiga dimensi dan digunakan sebagai input untuk jaringan neural network. Penelitian ini menguji dua jenis neural network, yaitu RNN dan LSTM, dan dilakukan tuning hingga diperoleh performa terbaik pada kedua model tersebut. Model RNN mencapai akurasi sebesar 74%, sedangkan model LSTM mencapai akurasi sebesar 79%. Untuk meningkatkan performa model, diterapkan class weighting agar model memberikan perhatian yang lebih adil terhadap setiap kelas. Hasilnya, akurasi model RNN meningkat menjadi 80% dan akurasi model LSTM meningkat menjadi 82%.

---

In the sport of tennis, a deep understanding of the opponent's movements is crucial for effectively responding to their shots. One of the main challenges players face is anticipating the direction of their opponent's shots quickly and accurately. The primary factor influencing the direction of a tennis ball's shot is the angle at which the ball contacts the racket. However, observing this factor is difficult in the high-speed context of the game. Another factor that can influence the shot's direction is the player's pose at the moment of impact. This study aims to evaluate the application of machine learning in addressing this issue by using sequential information about the player's pose movements just before hitting the ball and feeding it into a neural network for shot direction classification into three categories: Cross Left, Cross Right, and Straight. The dataset used for this study was obtained from several professional tennis match videos on YouTube, with a total effective gameplay duration of 43 minutes. To obtain information about the player's pose coordinates, YOLOv8-Pose was used, while TrackNet was used to detect the coordinates of the ball and the court. The shot direction was determined from the ball's coordinates before and after the player made contact. The player's pose information, consisting of 20 frames before hitting the ball, was stored in a three-dimensional array and used as input for the neural network. This study tested two types of neural networks, RNN and LSTM, and tuning was performed to obtain the best-performing models for both. The RNN model achieved an accuracy of 74%, while the LSTM model achieved an accuracy of 79%. To improve model performance, class weighting was applied to ensure the model gave fair attention to each class. As a result, the accuracy of the RNN model increased to 80%, and the accuracy of the LSTM model increased to 82%."

"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."

"Pandemi COVID-19 mendorong adanya transformasi kesehatan, terutama dalam praktik kedokteran gigi. Respon terhadap risiko penularan menggiring masyarakat menuju layanan telemedicine, khususnya teledentistry. Fenomena ini menciptakan paradigma baru dalam ortodonti, mendorong perkembangan teleorthodontic. Dukungan teknologi machine learning di bidang ortodonti menawarkan solusi inovatif untuk diagnosis dini dan peningkatan aksesibilitas layanan ortodontik. Penelitian ini akan membandingkan 3 model computer vision yaitu EfficientNet, MobileNet, dan ShuffleNet disertai dengan adanya penambahan model tabular yaitu TabNet. Implementasi model computer vision ini bertujuan untuk dapat memberikan analisis awal bagi pasien ortodonti dan akan dievaluasi menggunakan metrik F1-score dan interpretability ahli dengan bantuan LIME. Berdasarkan penelitian ini, ditemukan bahwa model computer vision ShuffleNet memiliki rata-rata hasil nilai F1-score terbaik diikuti dengan EfficientNet dan terakhir MobileNet. Perbedaan nilai tersebut berkisar antara 1-5% antara EfficientNet dan ShuffleNet namun perbedaan melebar untuk MobileNet dan ShuffleNet yang berkisar antara 3-8%. Selain itu, penambahan TabNet dalam framework memberikan peningkatan rata-rata nilai F1-score sebesar 2.7% hingga 5% dibandingkan model yang tidak menggunakan TabNet.

---

The COVID-19 pandemic has driven health transformation, especially in dental practice. The response to the risk of transmission leads the public towards telemedicine services, especially teledentistry. This phenomenon creates a new paradigm in orthodontics, encouraging the development of teleorthodontics. The support of machine learning technology in orthodontics offers innovative solutions for early diagnosis and increased accessibility to orthodontic services. This study will compare 3 computer vision models, which are EfficientNet, MobileNet, and ShuffleNet, accompanied by adding a tabular model, which is TabNet. The implementation of this computer vision model aims to provide an initial analysis for orthodontic patients and will be evaluated using the F1-score metric and expert interpretability with the help of LIME. This study found that the ShuffleNet computer vision model has the best average F1-score, followed by EfficientNet, and finally MobileNet. The difference in value ranges between 1-5% between EfficientNet and ShuffleNet, but the difference widens for MobileNet and ShuffleNet, which ranges between 3-8%. In addition, adding TabNet to the framework provides an average increase in F1-score by 2.7% to 5% compared to models that do not use TabNet."