Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Segmentasi semantik adalah sebuah task pada bidang computer vision yang dewasa ini menjadi semakin penting. Segmentasi semantik sendiri dapat dipakai untuk memisahkan satu benda dengan benda yang lainnya, baik pada dua dimensi maupun tiga dimensi. Segmentasi semantik tiga dimensi umumnya mengutilisasikan sebuah point cloud yang dapat diambil menggunakan sensor Light Detection and Ranging (LIDAR). Sejak 2020, Apple menyertakan sensor LIDAR pada beberapa model iPhone. Hal tersebut memungkinkan orang awam untuk merekonstruksi berbagai objek dan keadaan di sekitarnya. Berdasarkan hal tersebut, dapat dirumuskan sebuah aplikasi yang dapat membantu penggunanya untuk melakukan scan terhadap benda rumah tangga untuk mengetahui panjang, lebar, tinggi, dan volume melalui kombinasi dari segmentasi semantik dan beberapa metode lainnya. Dibandingkan juga performa beberapa model yang menjadi kandidat integrasi dengan aplikasi tersebut, yaitu Dynamic Graph Convolutional Neural Network (DGCNN), Kernel Point Convolutional Neural Network (KPConv), Point Transformer, dan Point Transformer dengan Contrast Boundary Learning (CBL). Hasil pengujian menujukkan bahwa Point Transformer dengan CBL memiliki Intersection over Union yang paling baik. Didapatkan juga bahwa DGCNN adalah model yang paling baik untuk diimplementasikan sepenuhnya pada iPhone untuk edge computing. ......Semantic segmentation is a computer vision task that has become increasingly important in recent years. Semantic segmentation can be utilized to separate one object from another in a two dimensional or three dimensional environment. Semantic segmentation normally utilizes a point cloud that can be obtained using a Light Detection and Ranging (LIDAR) sensor. As of 2020, Apple has packaged a built-in LIDAR sensor on a few iPhone models. This allows everyday users to reconstruct all sorts of objects around them. Owing to that
fact, there can be formulized an application that helps its users to find the length, width, height, and volume of an object through a combination of semantic segmentation along with a few other methods. We also compared the performance of different models as candidates to be integrated into the application, which are Dynamic Graph Convolutional Neural Network (DGCNN), Kernel Point Convolutional Neural Network (KPConv), Point Transformer, and Point Transformer with Contrast Boundary Learning (CBL). We found that Point Transformer with CBL has the best Intersection over Union result. We also found that DGCNN is the best model to be fully implemented on an iPhone for edge computing.

Abstrak :
Supermarket adalah tempat yang sering menjadi pilihan untuk orang berbelanja. Hampir semua supermarket masih menggunakan keranjang belanja (shopping basket). Proses belanja banyak memakan waktu. Oleh karena itu dibutuhkan suatu perangkat pada smart shopping basket berbasis Internet of Things (IoT) agar kegiatan beberlanja lebih efektif dan efisien. Skripsi ini telah melakukan percobaan ekspreimental untuk sistem Edge Computing pada Smart Shopping Basket sebagai Alternatif Sistem Cloud Computing Internet of Things untuk membantu pembeli dalam kegiatan berbelanja menjadi lebih cepat. Sistem terdiri dari perangkat keras Raspberry Pi dan webcam dan perangkat lunak Python, TFLite, OpenCV dan Google Cloud Vision API untuk mendeteksi objek belanja dan mengukur berapa lama objek dideteksi. Hasil deteksi objek tersebut dikalkulasi dan dikirimkan ke end-user dengan bentuk struk hasil belanja melalui aplikasi Telegram. Penulis telah melakukan uji coba perangkat dengan 2 skenario utama yaitu Skenario #1 “Edge Computing” dan #2 “Cloud Computing”. Uji coba dilakukan dengan menggeser perangkat sejauh 0.3 meter sebanyak 10 kali dari titik acuan berupa router dengan 2 jenis propagasi yaitu Line of Sight dan Non-Line of Sight. Penulis juga memberi beberapa variabel tambahan untuk mengukur beberapa faktor yang mungkin mempengaruhi performa waktu perangkat. Varibel itu berupa resolusi gambar (480p dan 720p) dan banyak objek yang dideteksi (2 Objek dan 4 Objek). Berdasarkan uji coba skenario di atas, didapatkan waktu rata-rata total sebesar 1.75 detik untuk Skenario #1 “Edge Computing” dan 8.24 detik untuk Skenario #2 “Cloud Computing”. ......Supermarket is a place that is often the choice to fulfill their basic needs. Almost all supermarkets still use shopping basket. The shopping process takes a lot of time. Therefore, we need a device on the Internet of Things (IoT) -based smart shopping basket so that shopping activities are more effective and efficient. This thesis has conducted experimental experiments for the Edge Computing system on Smart Shopping Basket as an Alternative Cloud of Computing Internet of Things System to help shoppers shop faster. The system consists of Raspberry Pi hardware and webcam and Python, TFLite, OpenCV, and Google Cloud Vision API software to detect shopping objects and measure how long they are detected. The object detection results are calculated and sent to end-users in the form of shopping receipts through the Telegram application. The author has tested the device with 2 main scenarios namely Scenario # 1 "Edge Computing" and # 2 "Cloud Computing". The trial was carried out by shifting the device as far as 0.3 meters 10 times from the reference point in the form of a router with 2 types of propagation namely Line of Sight and Non-Line of Sight. The author also provides several additional variables to measure several factors that might affect the device's time performance. The variable is in the form of image resolution (480p and 720p) and many objects are detected (2 Objects and 4 Objects). Based on the above scenario test, a total average time of 1.75 seconds is obtained for Scenario # 1 "Edge Computing" and 8.24 seconds for Scenario # 2 "Cloud Computing".

Abstrak :
Peningkatan trafik data terus naik secara signifikan, khususnya di Indonesia. Berdasarkan survei yang dilakukan oleh Hootsuite-We are Social, dikatakan bahwa pada tahun 2018 penetrasi pengguna Internet di Indonesia hingga 50% dari jumlah populasi Indonesia, atau sebesar 132,7 Milyar jiwa. 91% penggunaan Internet diakses dari smartphone atau tablet. Trafik data pada operator seluler PT XYZ kian meningkat setiap tahunnya. Pada tahun 2017, tercatat hingga 2juta TeraByte trafik yang ditangani. Hal ini menjadi permasalahan dalam hal trafik dan kapasitas pada PT XYZ selaku operator seluler. Maka dibutuhkan solusi dari permasalahan tersebut, agar operator XYZ dapat terus kompeten dalam melayani pengguna dalam hal akses data dan akses Internet. Berdasarkan literatur dan informasi sebelumnya, penambahan jumlah kapasitas pemrosesan dan pengolahan paket data adalah jawaban dari permasalahan. Penambahan kapasitas dapat dilakukan dengan tiga pilihan solusi, yaitu adalah: penambahan modul GGSN, implementasi arsitektur Multi-access Edge Computing (MEC) atau penambahan GGSN pada jaringan yang sudah ada. Dalam penelitian ini, akan dilakukan analisis kelayakan MEC pada operator PT XYZ. Akan dilakukan analisis dari tiga pilihan solusi. Analisis yang dilakukan pada penelitian ini dilihat dari aspek kelayakan teknologi dan aspek kelayakan investasi lalu melakukan analisis biaya-manfaat. Hasil dari penelitian ini menunjukkan bahwa solusi utama layak diimplementasikan. Berdasarkan hasil NPV dan rasio B/C solusi implementasi MEC menjadi pilihan terbaik, memiliki kemampuan yang cukup dalam menangani trafik hingga beberapa tahun ke depan serta kemampuan fleksibilitasnya. Terdapat dua skenario dalam implementas MEC, pertama dilakukan setelah implementasi solusi alternatif pertama sebagai solusi sementara pada Oktober 2021 dan kedua langsung dilakukan saat awal tahun 2020.

---

Increased data traffic continues significantly, especially in Indonesia. Based on a survey by Hootsuite-We are Social, it is said that in 2018 the penetration of Internet users in Indonesia is up to 50% of the total population of Indonesia or amounting to 132.7 billion people. 91% of Internet use is accessed from a smartphone or tablet. Data traffic on PT XYZ cellular operators is increasing every year. In 2017, up to 2 million TeraByte of traffic is handled. This has become a problem in terms of traffic and capacity at PT XYZ as a cellular operator. So, a solution to these problems is needed, so that XYZ operators can continue to be competent in serving users in terms of data access and Internet access. Based on the literature and previous information, the addition of the amount of processing capacity and processing of data packages is the answer to the problem. Addition of capacity can be done with three solutions choices, namely: the addition of the GGSN module, the implementation of the Multi-access Edge Computing (MEC) architecture or the addition of the GGSN to existing networks. In this study, an analysis of the feasibility of MEC for PT XYZ operators will be conducted. Analysis of three solutions choices will be carried out. The analysis conducted in this study is seen from the aspects of technological feasibility and investment feasibility aspects and then conducts a cost-benefit analysis. The results of this study indicate that the main solution is feasible to implement. Based on the NPV results and the B/C ratio, the MEC implementation solution is the best choice, has sufficient ability to handle traffic for the next several years and its flexibility. There are two scenarios in the implementation of the MEC, the first is done after the implementation of the first alternative solution as a temporary solution in October 2021 and the second is immediately at the beginning of 2020.