Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu fungsi CCTV yaitu untuk menjaga lalu-lintas pada persimpangan jalan, yang merupakan bagian dari ATCS. Ketika semakin banyak ATCS yang terpasang di jalan, secara konvensional, semakin banyak layar yang harus dipantau pada control room. Hal ini memerlukan sumber daya manusia tambahan, misalnya untuk dapat mengontrol keseluruhan lampu merah di persimpangan jalan. Sehingga, penggunaan algoritma YOLO dapat membantu melakukan pendeteksian kepadatan lalu lintas pada suatu persimpangan secara otomatis. Namun, menjalankan proses ini di sebuah server dapat mengakibatkan performa yang buruk bila jumlah aliran video dari CCTV yang harus diproses bertambah. Penelitian ini melakukan proof of concept untuk implementasi sistem di atas secara lebih scalable. Video yang berasal dari beberapa CCTV dikirimkan ke sebuah cluster kubernetes dengan memanfaatkan arsitektur multi-core pada GPU. Proses ini menghasilkan video deteksi yang telah diberikan bounding box dari kendaraan yang berada dalam lalulintas. Selain itu, terdapat hasil dari hitungan banyak kendaraan dari masing-masing lajur yang disimpan dalam sebuah databas. Data tersebut digunakan untuk web dashboard yang digunakan untuk memudahkan petugas dalam melakukan pemantauan dan pengambilan keputusan. Uji coba yang dilakukan membuktikan bahwa sistem dapat bekerja dengan stabil dengan auto-scaling mengikuti jumlah workload, dengan rerata penggunaan CPU yaitu 490 mCore, rerata penggunaan memory sebesar 1,7 GB untuk masing-masing pod, rata-rata penggunaan GPU 1,2 GB untuk satu koneksi client, dan 2 GB untuk dua koneksi client. ......One of the functions of CCTV is to maintain traffic at crossroads, which is part of ATCS. As more and more ATCS are installed on the road, conventionally, more screens will have to be monitored in the control room. This requires additional human resources, for example, to be able to control the total number of red lights at crossroads. Thus, the use of the YOLO algorithm can help detect traffic density at an intersection automatically. However, running this process on a server can result in poor performance if the number of video streams from CCTV has to increase. This research does a proof of concept to implement the system in a more scalable way. Video from multiple CCTVs is sent to a Kubernetes cluster by leveraging the GPU's multi-core architecture. This process produces a detection video that has been assigned a bounding box from that in traffic. In addition, there are results from the count of the number of vehicles from each lane that are stored in a database. The data is used for a web dashboard that is used to make it easier for officers to monitor and make decisions. The tests were carried out to prove that the system can work stably with automatic scaling according to the number of workloads, with an average CPU usage of 490 mCore, the average memory usage of 1.7 GB for each pod, an average GPU usage of 1.2 GB for one client connection, and 2 GB for two client connections.

Abstrak :
Pada penelitian ini berkaitan dengan penerapan kemajuan kecerdasan artifisial dengan menggunakan algoritma You Only Look Once (YOLO) dalam tugas deteksi dan segmentasi pada bidang geologi yaitu untuk identifikasi mineral dengan menggunakan data petrografi. Data yang digunakan untuk proses pelatihan model deteksi dan segmentasi berjumlah 500 gambar sayatan tipis batuan beku. 500 gambar sayatan tipis, dilakukan proses anotasi secara manual dan membagi data tersebut ke dalam set pelatihan, set validasi, dan set prediksi. Pada 3 set tersebut, jumlah kelas mineral yang teranotasi adalah 6 yaitu kelas mineral plagioklas, biotit, horblend, piroksen, alkali-feldspar, dan kuarsa. Teknik augmentaasi yang diterapkan untuk mengatasi keterbatasan dataset pada penelitian ini adalah augmentasi geometri (model 1) dan mosaik (model 2). Model dengan augmentasi mosaik, menjadikan model dengan kinerja yang baik dalam tugas deteksi dan segmentasi mineral, dikarenakan augmentasi mosaik menghasilkan 1 image patch memiliki 4 variasi gambar sayatan tipis, sehingga model tersebut memiliki nilai mAP = 82.3% sedangkan model dengan augmentasi geometri nilai mAP 67.5%. Empat kelas mineral yang memiliki nilai mAP diatas 70% pada mode pelatihan dan validasi adalah mineral plagioklas, biotit, alkali-feldspar, dan piroksen. Diharapkan dari penelitian ini dapat membantu identifikasi mineral dalam sayatan tipis dengan lebih efisien dan akurat. ......This research is related to the application of advances in artificial intelligence using the You Only Look Once (YOLO) algorithm in detection and segmentation tasks in the field of geology, namely for mineral identification using petrographic data. The data used for the detection and segmentation model training process consisted of 500 thin section images of igneous rock. 500 thin section images were annotated manually and divided the data into a training set, validation set and prediction set. In these 3 sets, the number of annotated mineral classes is 6, namely the mineral classes plagioclase, biotite, horblend, pyroxene, alkali-feldspar, and quartz. The augmentation techniques applied to overcome the limitations of the dataset in this research are geometric augmentation (model 1) and mosaic (model 2). The model with mosaic augmentation is a model with good performance in mineral detection and segmentation tasks, because mosaic augmentation produces 1 image patch with 4 variations of thin section images, so the model has a mAP value = 82.3% while the model with geometric augmentation has a mAP value of 67.5%. The four mineral classes that have mAP values above 70% in training and validation mode are the minerals plagioclase, biotite, alkali-feldspar, and pyroxene. It is hoped that this research can help identify minerals in thin sections more efficiently and accurately.

Abstrak :
Bahasa Isyarat adalah bahasa yang digunakan kebanyakan oleh kaum tuna rungu dan tuna wicara yang tidak bisa berkomunikasi secara audio, hal ini menimbulkan kesenjangan dalam berkomunikasi terlebih dalam kemampuan tuna rungu dan tuna wicara dalam melaksanakan kehidupannya sehari – hari khususnya saat ingin melamar kerja. Penelitian ini dilakukan untuk mempermudah komunikasi antara pengguna bahasa isyarat dengan mereka yang tidak memahami bahasa isyarat, dimana dengan adanya sistem ini maka translasi bahasa isyarat ke Bahasa Indonesia akan dilakukan secara automatis dan ini akan membantu bagaimana kaum tuna wicara dan tuna rungu berkomunikasi dengan mereka yang tidak memahami bahasa isyarat sehingga ini akan berdampak dimana para pengguna bahasa isyarat bisa memiliki kesempatan yang sama dengan semua orang dalam proses pelamaran kerja dan mendapatkan pekerjaan yang layak. Sistem pengenalan bahasa isyarat ini bekerja dengan menerima bahasa isyarat yang disampaikan oleh seseorang secara real-time dan kemudian mengenalinya sebagai arti kata dari bahasa isyarat tersebut ke Bahasa Indonesia. Pada penelitian ini OpenCV digunakan sebagai metode pengambilan gambar dalam waktu nyata, serta algoritma YOLOv5 yang dibandingkan dengan SSD yang digunakan untuk memroses gambar tersebut serta menandakan yang mana objek yang dianggap sebagai bahasa isyarat dan mendeteksi artinya. Proses training dilakukan dengan dataset yang terdiri dari 463 citra training yang kemudian diaugmentasi sehingga berjumlah 1389 citra training. Model yang dihasilkan dari setiap algoritma yang digunakan dalam penelitian diuji menggunakan dataset testing lalu akan diuji dalam tahap real-time testing dan parameter yang digunakan untuk evaluasi kedua hasil model adalah akurasi atau (confidence score) sistem, precision, recall, dan F1 Score untuk masing – masing model dimana nilai perbandingan untuk nilai confidence score model YOLOv5 dan SSD adalah 100% : 87.66%. Sedangkan perbandingan nilai F1 Score untuk model YOLOv5 dan SSD adalah 1 : 0.9342. Penelitian ini juga menunjukkan bahwa Learning Rate dari Model SSD lebih tinggi dibanding Model YOLOv5 yaitu 0.08 : 0.009. Pada penelitian ini ditunjukkan bahwa algoritma YOLOv5 akan memiliki hasil presisi yang lebih baik dibandingkan algoritma SSD. ......Sign Language is the method used mostly by deaf and mute people which are unable to communicate by audio . This difference in the way of communicating between each other creates a gap in communicating between the deaf and mute with normal people. This research is done with the intent to further make the communication between sign language user those that do not understand sign language by automatically translating the meaning of each sign language to Bahasa Indonesia. By doing this, this will ensure to help the mute and deaf people so that they will have the same opportunity to apply for a job just like those without disability. Sign language recognition works by detecting object in real time using camera and then recognize the sign made and show the meaning of that particular sign. This is made possible using OpenCV to take images in real time and the model SSD and YOLOv5 to process those images and label them using rectangular show which object on the picture is the sign language that needs to be recognized based on the available dataset which is the sign language that have already been taken before the test. The training process of this research is done using 463 training images which then augmented and becomes 1389 training images. The models created from training using both algorithms will be tested using testing images and then further tested using real-time testing and the parameter used for evaluation of those models are the confidence score of the system accuracy, precision, recall, and F1 Score which from this research shows that the comparison of confidence score of the system accuracy betweenYOLOv5 model and SSD model is 100% : 87.66%. On the other hand, the comparison of the F1 Score between YOLOv5 model and SSD model is 1 : 0,9342. This research shows that YOLOv5 model have better learning rate compared to SSD which is 0.08 : 0.009. The result from this research shows that YOLOv5 algorithm will have better score of precision compared to SSD algorithm.

Abstrak :
ABSTRAK
Saat ini, Pengenalan biometrik sangat populer untuk pengenalan individu yang menawarkan keamanan dan akurasi yang lebih besar daripada metode otentikasi secara tradisional. Pengenal kucing adalah salah satu pengenal biometrik karena kucing memiliki pengenal unik yaitu hidung kucing. Penelitian ini mengembangkan sistem untuk pengenalan kucing melalui hidung kucing menggunakan You Only Look Once YOLO untuk mendeteksi hidung gambar kucing dan Scale Invariant Feature Transform SIFT . Tujuan dari pendekatan ini adalah untuk mengenali kucing dengan benar dari setiap kucing secara individu. Selain itu, ia bisa melakukannya di setiap sudut hidung kucing. Sistem yang kami usulkan terdiri dari dua tahap. Pertama, kami mendeteksi hidung gambar kucing menggunakan YOLOv2. Setelah hidung terdeteksi, kami mengenali hidung kucing menggunakan metode SIFT dan memastikan bahwa hidung telah dikenali dengan benar. Akurasi deteksi hidung adalah 99,85 untuk dataset pertama yang berisi 700 gambar dan 91,56 untuk dataset kedua yang berisi 676 gambar. Sistem bekerja dengan beberapa tahap dan sepenuhnya otomatis. Sistem pengenalan diuji oleh 1337 gambar kucing sebagai data asli dan 1356 gambar hidung kucing sebagai data referensi dan akurasi sistem yang diusulkan adalah 90,21 .

---

ABSTRACT
Nowadays, biometric recognition is very popular to individual recognition which offer greater security and accuracy than traditional methods of person authentication. Cat recognition is one of biometrics identifier since cat has a unique identifier like cat nose. This research develops a system for recognition the cat through the nose of cat using You Only Look Once YOLO for detected the nose of a cat image and Scale Invariant Feature Transform SIFT . The objective of this approach is to recognize the cat correctly of every kind of cat. Moreover, it can do it in every angle of the cat nose. Our proposed system contains of two stages. First, we detect the nose of a cat image using YOLOv2. After the nose is detected, we recognize the cat nose using SIFT method and make sure that the nose has been recognized correctly. The accuracy of the nose detection is 99.85 for the first dataset which contains 700 images and 91.56 for second dataset that contains 676 images. The system work with several stage and it fully automatic. The recognition system was tested by 1337 cat images as data original and 1356 cat nose image as reference data and the accuracy of proposed system is 90.21 .