Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kualitas permukaan produk hasil proses pemesinan adalah salah satu parameter penting dalam proses manufaktur. Metode yang paling umum untuk mengukur nilai kekasaran permukaan adalah metode kontak mekanik antara pergerakan jarum dengan permukaan produk. Metode ini memiliki banyak kelemahan karena bisa merusak permukaan poduk dan cenderung lama. Untuk itu maka dikembangkan teknologi optik-elektrik yang mampu mengevaluasi kekasaran permukaan berdasarkan image hasil identifikasi kamera digital.Penelitian ini bertujuan untuk mengidentifikasi fitur permukaan produk hasil pemesinan turning dan melakukan analisa korelasi dengan nilai kekasaran rata-ratanya (Ra). Material yang diuji adalah carbonsteel dengan diameter 20 mm dan panjang 100 mm sejumlah 10 sampel. Pengukuran kekasaran rata-rata (Ra) memakai stylus-profile meter. Identifikasi profil permukaan menggunakan kamera digital Canon EOS 350D yang terhubung pada mikroskop dengan perbesaran 100 kali. Pencahayaan yang digunakan adalah 10 buah LED warna putih dengan sudut pencahayaan sebesar 45°. Software yang digunakan untuk melakukan image processing adalah Matlab.Hasil yang dicapai menunjukan adanya pola yang khas pada image berupa garis hitam dan putih yang bervariasi. Lebar garis putih, jarak antar garis putih dan grafik histogram warna menunjukan adanya korelasi dengan nilai kekasaran rata-ratanya.

---

Surface quality of machined-part is an important parameter in manufacturing process. Recently, measuring of surface roughness is commonly performed by mechanical contact between stylus and product surface. However, this method is not fast enough and can potentialy damage the product. Therefore, a different method, which is used here, relied on optic-electric relationship has been developed based on digital camera images.

The objective of current study is to identify the surface features of turned-parts machining and their correlation with respect to Roughness average (Ra) of stylus-profile meter. Ten samples of carbonsteel specimen, i.e., 100 mm length and 20 mm wide, are used during experiment. The identification of surface features is done by Canon EOS 350D digital camera and 100 times microscope magnification using 10 white LED and 45 degrees angle lighting. Sample images produced by the identification is then processed in Matlab.

Finally, a unique pattern, i.e., black and white line, can be observed on the processed images which indicates correlation with roughness average."

"ABSTRAKMicro-milling adalah pemesinan milling dalam skala mikro, dimana terdapat beberapa kesulitan dalam konversi dari skala makro ke skala mikro. Produk berskala mikro belakangan menjadi kebutuhan di bidang kesehatan, energi, manufaktur, bahkan pertahanan Pada umumnya untuk pemesinan pada micro-milling digunakan mata pahat dengan diameter kurang dari 600 μm sampai dengan 100 μm.Penelitian yang dilakukan adalah pembuatan tekstur permukaan (micro-texture) produk mikro berbasis dari citra 2D. Proses dilakukan dengan melakukan rekayasa terhadap suatu citra dimana nilai intensitas warna menjadi nilai level ketinggian. Pada perancangan tool path, dilakukan proses gouging avoidance untuk menhindari terjadinya over cut pada saat pemesinan. Nilai intensitas tersebut yang dijadikan kumpulan CL-Point yang selanjutnya akan dikonversi menjadi NC-File untuk dilakukan pemesinan.Pemesinan menggunakan benda kerja berbahan material aluminium A1100 dengan ukuran 3 x 3 x 3 mm. Dengan tingkat kekerasan 28 HRC, ini menjadi pertimbangan dalam penentuan kedalaman pemakanan (Depth of Cut) dan kecepatan pemakanan (Feed rate). Sebagai masukan data yang menjadi CL-File digunakan citra berukuran resolusi 150 x 127 piksel dan 300 x 254 piksel. Dengan metode rekayasa citra telah dapat dihasilkan 2 micro-texture part berbeda dengan menggunakan metode ini.

---

abstractNowadays, micro products become more demanding in several aspects such as health, energy, manufacturing, even military. One of ways to produce micro products is by using micro-milling process. Micro-milling is machining in micro scale. In general, micro-milling uses cutting tool with diameter less than 600 μm. In some micro products, texturing of the part surface maybe needed. This research conducted the manufacture of micro-texture of micro part based on 2D image. The color intensity values of 2D image were converted or mapped into the contour of the texture of micro product in Cartesian domain. Then, toolpaths are generated based on the contour values with gouging avoidance. The CL-point of generated toolpaths were then post processed into NC-point also known as NC-file. The workpieces used for this micro-texturing are using Aluminium A1100 material size of 3 x 3 x 3 mm dimension. The hardness of this material is 28 HRC, which is for determine the dept of cut and feed rate. The toolpaths generated on different size of image resolution 150 x 127 pixels and 300 x 254 pixels. Two different workpieces were successfully produced using the above developed method."

"Penelitian ini membahas mengenai teknik manufaktur dengan skala mikro yang dilakukan dengan metode micro-milling berbasis kepada olah citra 2D. Tekstur part mikro dihasilkan dengan mesin micro-milling 3 axis. Pada metode olah citra yang dikembangkan pada metode olah citra 2D ini data input citra akan mengalami tiga proses sebelum dilakukan pemesinan. Pertama, data mapping digunakan untuk mengkonversi data yang di dapat dari input citra (intensitas pixel dan resolusi citra) menjadi data ukuran untuk pemesinan: tinggi maksimum, panjang dan lebar (mm) dari tekstur. Pada penelitian ini intensitas citra digunakan sebagai pengontrol kontur dari tekstur mikro dan resolusi sebagai pengatur luas pengerjaan pada benda kerja. Kedua, data intensitas dari citra tersebut dikonversi menjadi data kontur 3D dari tekstur mikro yang telah ditentukan pada langkah pertama. Ketiga, digunakan algoritma smoothing pada data kontur untuk mendapakan permukaan smooth yang dapat dilakukan pemesinan. Untuk koordinat pergerakan pemakanan pada proses pemesinan digunakan metode gouging avoidance sehingga pergerakan pemakanan mengikuti pola citra 2D yang digunakan. Hal ini dilakukan dengan citra beresolusi 127x150 pixel dan 254x300 pixel. Setelah data 3D dari tekstur mikro sudah dapat dihasilkan, perancangan tool path dilakukan untuk mendapatkan part mikro dengan tekstur yang sudah dirancang pada metode olah citra yang dilakukan pada tahapan sebelumnya. Pemesinan sudah dapat dilakukan dan dari metode olah citra 2D yang dibahas pada penelitian ini dapat dijadikan salah satu metode untuk pemesinan permukaan part mikro.

---

This research focuses on developing method to produce 3D micro-texture on micro-part based on 2D image. The micro-texture itself is manufactured by 3-axis micro-milling. In the developed method, a 2D square image with desired pattern is used as input data and a three processing-step is required afterward. First, three prescaled-mapping values are set accordingly and used to convert the image data (pixel intensity and image resolution) into specified dimension: maximum height, length and width (mm) of the texture. In this case, the image intensity is used to control maximum contour height of micro-texture, and the resolution is used to set desired dimension of the texture. Second, pixel intensity data of the image is then converted into 3D contour-height data of micro-texture based on the prescaled-mapping values determined in the first step. Third, smoothing algorithm is then carried out to the contour-height data to obtain a more reasonably smooth surface. The movement coordinate data of the machining process is generated with gouging avoidance methods that follow the pattern of 2D images. 2D input images with different resolution: 127 x 150 pixels and 254 x 300 pixels were used to test the algorithm. Once the 3D micro-texture data is ready, tool path generation is then carried out to produce micro-part with the designated texture on it. The result shows that the developed method can successfully produce 3D micro-texture thus can be further used for micro-texture surface machining."

"Kekasaran suatu produk merupakan salah satu standar keakuratan dan kualitas permukaan produk yang dihasilkan dari suatu proses permesinan. Nilai kekasaran ini sangat bervariatif, dilihat dari proses permesinan dan parameternya. Semakin halus permukaannya, semakin tinggi kualitas permukaan yang dihasilkan. Metode pengukuran kekasaraan dapat dilakukan dengan metode kontak dan metode nonkontak, salah satunya metode pengenalan citra, yaitu identifikasi citra dan pengolahannya. Hal ini disebut dengan sistem metode machine vision.Cakupan penelitian ini meliputi pembuatan sistem pengukuran machine vision dengan menggunakan kamera pocket digital pembesaran 4x, mikroskop pembesaran 20x, pencahayaan (lighting) dan benda kerja CNC bubut 36x50 mm. Selanjutya pemrosesan image/citra dengan perangkat lunak, yaitu identifikasi profil permukaan pelat kalibrator sebagai dasar pengukuran dan pengukuran terhadap benda ujinya. Pengukuran dilakukan dari puncak profil hingga lembah profil, sehingga memberikan kedalaman permukaan ukur. Dengan pengukuran machine vision pengenalan citra ini lebih mendekati nilai analitis, artinya tingkat kepresisian yang dihasilkan lebih mendekati nilai Ra natural, dengan rata-rata persentase penyimpangan yang dihasilkan 6.00%.

---

Roughness of a product is one of the standards of accuracy and surface quality of products resulted from a machining process. The roughness value has variance depends on the machining process used. The finer the surface, the higher the surface quality produced. The roughness measurement method can be performed by contacts and non-contact method. One of non-contact method is image recognition, that is identification and image processing. This is called the machine vision method.

This research includes of making the measurement system of machine vision consists of a pocket digital camera in scale of zoom 4 times, and microscope in scale of zoom 20 times, lighting, and CNC turning of workpiece with dimension 36x50mm. And then development software for image processing, and measuring surface roughness of workpieces. Roughness average is measured from peaks and valleys of surface profile, hence yields depth of average from surface roughness. By machine vision method for measuring depth of average from surface roughness, it is shown that the result more acurate from the contact method with percentage of deviation is 6.00%."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."

"Kendaraan roda dua atau yang biasa disebut sebagai motor merupakan kendaraan yang awam ditemukan khususnya di Negara Indonesia. Kendaraan yang sangat mudah untuk digunakan dan terjangkau harganya menjadikannya kendaraan nomor satu untuk digunakan sehari-hari. Banyak regulasi yang telah mengatur tentang keamanan dan kenyamanan untuk berkendara, namun masih banyak pihak yang melanggar hal tersebut. Oleh karena itu diperlukannya sebuah alat bantu yang dapat mendeteksi dan meregulasi pengendara sepeda motor. Menggunakan deep learning, komputer dapat mengelolah citra dengan tingkat akurasi yang tinggi dalam mendeteksi objek maupun klasifikasi objek. Salah satu metode Deep Learning yang digunakan untuk pengelolahan citra dan klasifikasi objek adalah YOLOv5 sebagai model utama. Tujuan dari Skripsi ini adalah untuk mengimplementasikan sistem detektor pengendara motor tanpa helm berbasi pengolahan citra dengan metode YOLOv5 dan melihat tingkat akurasi yang didapatkan. Hasil percobaan pada penelitian ini membuktikan bahwa sistem mampu melakukan deteksi dan kalkulasi dengan akurasi yang cukup tinggi yaitu sekitar 40 %. Hal ini sangat dipengaruhi dengan adanya jenis metode penentuan ID yang digunakan.

---

Two-wheeled vehicles or commonly referred to as motorbikes are vehicles that are commonly found, especially in Indonesia. A vehicle that is very easy to use and affordable, making it the number one vehicle for everyday use. Many regulations have regulated the safety and comfort of driving, but there are still many parties who violate this. Therefore we need a tool that can detect and regulate motorbike riders. Using deep learning, computers can manage images with a high degree of accuracy in detecting and classifying objects. One of the Deep Learning methods used for image processing and object classification is the YOLOv5. The purpose of this thesis is to implement an image processing-based helmetless motorcycle detector system using the YOLOv5 method and see the level of accuracy obtained. The experimental results in this study prove that the system is capable of performing detection and calculations with a fairly high accuracy of around 40%. This is strongly influenced by the type of ID determination method used."

"Pengecekan segitiga dalam model 3 dimensi berfaset merupakan tahapan penting dalam deteksi gouging dan proses eliminasi. Untuk mengecek apakah permukaan model bersinggungan dengan alat, setiap segitiga pada model harus diperiksa. Akan tetapi, proses ini membutuhkan waktu yang lama. Segitiga-segitiga pada seluruh permukaan model harus diperiksa karena komputer tidak dapat melihat dan tidak mengetahui segitiga mana yang terletak di bawah posisi alat saat ini. Untuk mengurangi konsumsi waktu, pengecekan wilayah pada setiap posisi alat harus dapat dideteksi. Segitiga yang harus diperiksa adalah hanya yang berada pada wilayah tersebut. Cara yang dapat dilakukan untuk menetapkan wilayah adalah dengan menggunakan bucketing. Proses bucketing akan membuat beberapa bucket sebagai representasi dari beberapa wilayah dan setiap bucket akan diisi dengan segittiga yang terletak pada wilayah terkait. Terdapat beberapa metode bucketing. Paper ini akan menjelaskan semua metode yang telah diimplementasikan di dalam riset.

---

AbstractTriangle?s checking in 3D faceted models is an essential step in gouging detection and elimination process. To check whether model surface intersects the tool, every triangle in the model has to be checked. Unfortunately, this process takes much time. Since the computer can?t see and doesn?t know which triangles located under the current tool position, then the triangles all over the surface model should be checked. To reduce the time, region checking at every position of tool has to be detected. Triangles that have to be checked are only in that region. The way of creating the region can be done by bucketing. Bucketing process will make some buckets as representation of regions and each bucket will be filled with triangles that lie in the corresponding region. There are several bucketing methods. This paper will explain all methods which have been implemented in the research. "

"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."

"Makalah ini membahas dua pilihan penerapan struktur basis data citra pada sistem pencarian citra berbasis isi. Pendekatan pertama menggunakan folder untuk menyimpan berkas citra dan Java object serialization untuk menyimpan data citra. Pendekatan kedua menggunakan basis data Data Base Management System MySQL untuk menyimpan berkas dan data citra. Kedua pendekatan dibahas dari aspek penerapan struktur basis data untuk tujuan pengembangan sistem pencarian citra berbasis isi yang efisien. Data yang tidak terstruktur dan proses clustering data lebih mudah ditangani dengan struktur basis data dari pendekatan pertama. Data yang jumlahnya besar dan terstruktur serta proses indexing lebih mudah ditangani dengan struktur basis data dari pendekatan kedua. Sistem pencarian citra berbasis isi lebih banyak melakukan kueri jenis select dibandingkan dengan insert dan update data, dalam hal ini kedua pendekatan dapat memenuhinya dengan baik. Secara umum, pendekatan kedua dianggap memberikan dukungan yang baik dalam penyimpanan dan manipulasi data, serta dapat mengurangi upaya dan waktu yang dibutuhkan pada pengembangan sistem."