Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%. ......Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%.

Abstrak :
Kamera pengawas sengat penting keberadaannya untuk membantu mengawasi area tertentu. Gambar digital yang direkam biasanya adalah aktivitas yang terjadi atau keberadaan objek di dalamnya, termasuk objek masker, kacamata hitam, helm dan topi yang rawan digunakan sebagai penutup identitas ketika sedang melakukan tindak kejahatan. Kemampuan tersebut dapat mencegah maupun menelusuri kejadian yang tidak diinginkan seperti tindakan criminal. Namun, saat ini kamera pengawas bersifat pasif sehingga berpotensi meningkatkan resiko kelalaian oleh pihak penjaga (user) dalam memantau aktivitas yang sedang terjadi. Penelitian ini bertujuan untuk merancang sistem yang mampu meningkatkan kinerja kamera pengawas dalam mendeteksi objek pada perangkat Raspberry Pi sehingga kamera dapat bersifat aktif serta mampu memberikan hasil yang optimal dan juga mengurangi penggunaan penyimpanan berlebih. Sistem deteksi objek yang digunakan menerapkan teknik Deep Learning dengan MobileNetV2-SSD sebagai model arsitektur jaringannya. Uji coba penelitian dilakukan pada beberapa variasi jarak terhadap objek sejauh 0-1,5 meter. Hasil penelitian didapatkan nilai mAP 70,3% dan saat  pengujian real-time menunjukkan keakurasian pada jarak 0-1 meter sebesar 87,5%. Pada jarak lebih dari 1,5 meter kemampuan deteksi system mulai berkurang. ......Monitoring cameras are very important to help monitor certain areas. Digital images recorded are usually activities that occur or the presence of objects in them, including masks, sunglasses, helmets and hats which are prone to be used as a cover for identity when committing a crime. This capability can prevent or track unwanted events such as criminal acts. However, currently monitoring cameras are passive so that they have the potential to increase the risk of negligence by the user in monitoring ongoing activity. This study aims to design a system that can improve the performance of monitoring cameras in detecting objects on the Raspberry Pi device so that the camera can be active and able to provide optimal results and also reduce excess storage usage. The object detection system used applies Deep Learning techniques with MobileNetV2-SSD as the network architecture model. Research trials were carried out at several variations of the distance to objects as far as 0-1.5 meters. The results are mAP value is 70.3% and 87.5% accuracy during real-time testing at a distance of 0-1 meter. At a distance of more than 1.5 meters the detection capability of the system begins to decrease.

Abstrak :
Tantangan utama dari proses komunikasi antara pasien dan perawat adalah adanya ketidakmampuan beberapa pasien untuk menjelaskan secara verbal, seperti pasien dengan gangguan bicara atau juga pasien yang sedang kritis, sehingga diperlukan Bahasa Isyarat. Penelitian ini menggunakan pembelajaran mesin dengan model SSD MobilenetV2 untuk melatih isyarat tangan dan mengimplementasikan pengiriman pesan ke telegram. Isyarat tangan yang digunakan adalah: bantuan, dingin, dokter, duduk, makan, minum, obat, sakit, dan toilet. Pada penelitian ini digunakan data latih sebanyak 8.820 data dan data uji sebanyak 2.520 dan 1.260 data yang masing-masing merupakan data validasi dan data testing. Data tersebut diambil dari 14 orang dengan kategori Anak-anak hingga Lansia. Seluruh isyarat tangan dapat dideteksi dengan mAP sebesar 60.9%. Penelitian ini juga dapat mengenali isyarat secara langsung dengan baik pada jarak antara 0.5 m-1.2 m, dan dapat langsung mengirimkan pesan ke telegram sesuai dengan isyarat yang diperagakan. ......The use of hand signals is common in medical settings, but of course there are limitations between patients and caregivers who do not understand sign language. As technology advances, this problem can be minimized by creating messaging systems that take input in the form of sign language and output in the form of the message the patient wants to convey, as was done in this study. This study used 9 hand gesture; help, cold, sit, doctor, eat, drink, medicine, sick, and toilet. And used 8,820 training data and 2,520 and 1,260 test data for data validation and testing, respectively. The data comes from his 14 people, with categories ranging from children to elderly people. All hand gestures can be recognized with an mAP (mean Average Precision) of 60.9%. This study can also recognize live gestures well at a distance between 0.5 m - 1.2 m, and can directly send messages to telegrams according to the gestures demonstrated.

Abstrak :
Perkembangan Human Computer Interaction (HCI) dalam dunia medis dapat membantu pasien untuk berkomunikasi dengan keluarga atau perawat agar kebutuhan mereka dapat terpenuhi dengan baik. Pada penelitian ini akan digunakan salah satu aplikasi HCI yaitu pengenalan isyarat tangan melalui web camera sebagai sistem penyampaian pesan. Akuisisi citra dilakukan pada 12 subjek dengan berbagai jenis kelamin dan usia yang memperagakan lima isyarat tangan. Isyarat tangan yang diperagakan berdasarkan pada kebutuhan dasar pasien: makan, minum, ingin ke toilet, butuh bantuan, dan butuh obat-obatan. Citra yang telah dikumpulkan lalu dilakukan pengolahan seperti labelling kelas hingga akhirnya dilatih menggunakan algoritma Single Shot Detector (SSD) MobileNet V2. SSD MobileNet V2 dipilih karena memiliki kemampuan deteksi yang baik dan komputasi yang cukup ringan sehingga cocok diaplikasikan untuk real-time. Pada penelitian ini, didapatkan mean Accuracy Precision (mAP) sebesar 44.7% serta dapat mendeteksi dan mengenali 85 dari 100 citra dengan baik ketika dijalankan pada komputer personal. Hasil mAP yang didapatkan lebih baik dari penelitian sebelumnya. Frame Rate per Second (FPS) yang dihasilkan saat diaplikasikan real-time sebesar ±2 FPS. Model hasil pelatihan kemudian juga diaplikasikan pada Raspberry Pi Model 3 dan 4 untuk mengetahui perbandingannya. ......The development of Human Computer Interaction (HCI) in medical side can help dissabled patient to communicate well with their relatives and medical helpers. This can help to maintain their needs to be well-fullfilled. In this research study, one of HCI aplication has been used. It is hand gesture recognition using web camera as a notification system. Image acquisition has been done on 12 subjects with various gender and ages. They demonstrated the five gestures: need to eat, need to drink, need to go to the toilet, need help and need medicines. These gestures are based on human’s basic daily needs. The collected images were processed like labelling the images and tarined using Single Shot Detector (SSD) MobileNet V2 algorithm.We chosed SSD because it has good ability in object detection and needs low computation. Therefore, it is suitable to be applied on real-time detection. In this study, we yielded mean Accuracy Precision (mAP) 44.7% and 85 out of 100 images were well-detected when they were run on personal computer (PC). The result provided in this study is considered better than previous study. Frame rate per second (FPS) provided in this study was ±2 FPS. The trained model also was run on Raspberry Pi 3 and 4 to compare their results.

Abstrak :

Kemacetan merupakan salah satu masalah yang belum bisa terselesaikan di kota-kota besar di Indonesia. Salah satu cara untuk mengatasi masalah ini, yaitu dengan memanfaatkan teknologi yang dapat memantau lalu lintas secara otomatis, agar dapat dimonitor dan dianalisis untuk pengembangan fasilitas serta kebijakan guna menyelesaikan masalah ini. Teknologi yang dapat diterapkan untuk masalah ini, yaitu teknologi image processing yang dikolaborasikan dengan machine learning dan dengan bantuan library OpenCV. Pendeteksian objek menggunakan MobileNet-SSD dan Caffe model, objek yang dideteksi merupakan kendaraan yang melintas di jalan, pengambilan input menggunakan kamera CCTV yang diakses oleh publik. Kecepatan, performa, akurasi, dan kepadatan jalanan merupakan variabel yang dianalisis pada penulisan ini. Hasil dari pendeteksian memiliki akurasi yang tidak cukup baik sekitar 43% untuk keseluruhan, dan 68% untuk pendeteksian mobil. Terdapat penambahan fitur pada penelitian ini, yaitu pendeteksian motor yang memiliki akurasi 51%

......Traffic jam is one of many problems that cannot be solved in various cities in Indonesia. One way to overcome this problem is to use technology that can monitor traffic automatically, so that traffic conditions can be monitored, and analyzed for the development of facilities and policies to solve this problem. One of the technologies that can be applied to this problem is image processing technology in collaboration with machine learning, and OpenCV. This research use Mobilenet-SSD and Caffe models for objects detection, objects detected are vehicles that cross the road, input is taken from CCTV cameras that can accessed by public. Speed, performance, accuracy, and road density are the variables analyzed in this paper. The results of the detection have an accuracy that is not good enough only about 43% for the whole detection, and 68% for the detection of the car, and 51% for the detection of the motorcycle