Hasil Pencarian  ::  Simpan CSV :: Kembali

"PNN Teroptimasi dikenal sebagai salah satu metode dalam jaringan saraf tiruan yang sangat baik untuk digunakan dalam pengenalan pola. Salah satu aplikasi yang pernah dikembangkan adalah untuk deteksi dan penentu lokasi wajah di dalam citra. Akan tetapi, sistem tersebut memerlukan waktu yang sangat lama dalam komputasinya, yaitu 0.5 1.5 jam. Dalam skripsi ini, penulis mengajukan sistem deteksi dan penentu lokasi wajah di dalam citra menggunakan PNN Teroptimasi dengan waktu komputasi yang tidak terlalu lama. Dengan sistem ini, sistem dapat melakukan tugasnya dengan waktu rata-rata 29.51 detik. Reduksi waktu komputasi dapat dilakukan dengan modifikasi piramida citra dan perbaikan proses scanning.

---

Optimized PNN is recognized as a method of neural network which is very good for pattern recognition. One developed application from it is detection and position searching of face in an image system. However, that system requires very large time (0.5-1.5 hours).

In this final project, the writer proposes a face detector and position founder system in an image using Optimized PNN with a better time elapsed. Using this system, it can finish its tasks with average elapsed time 29.51 seconds. Reduced elapsed time is reached by image pyramid modification and scanning process improvisation."

"Rasa nyeri yang kerap kali dirasakan oleh bayi dan sulit dideteksi hal ini dikarenakan metode untuk mendeteksi rasa nyeri bersifat self reporting pada kenyataannya bayi sendiri masih belum mampu menjabarkan rasa nyeri tersebut dengan verbal dengan baik. Secara statistic juga tercatat sekitar 80% dari populasi dunia kurang memperhatikan penilaian rasa nyeri terutama terhadap anak-anak padahal rasa nyeri ini memberi pengalaman yang buruk pada anak, sehingga dapat mengganggu respon nyeri di kemudian hari atau trauma psikis. Berdasarkan permasalahan tersebut maka dibuatlah sebuah prototype system untuk mendeteksi rasa nyeri, di mana dalam proses perjalanan pembuatan dan juga pengujian terciptalah 2 versi prototype yaitu versi 1 dibangun dengan Raspberry pi 4.0, dengan framework tensorflow, keras dan haar cascade untuk face recognition dan versi 2 dibangun menggunakan NVIDIA Jetson Nano Developer Kit dengan framework pytorch dan algoritma YOLO. Di mana untuk kedua versi tersebut dilengkapi dengan 2 parameter tambahan yaitu Galvanic Skin Response (GSR) dan Voice Detector. Hasil menunjukan menggunakan Raspberry nilai presisi sebesar 60%, recall 50% dan f1-score 54%. Menggunakan NVIDIA Jetson Nano dilakukan dengan 300 dataset diperoleh untuk nilai rata-rata Confidence sebesar 53.02%, presisi, recall, f1-score dan akurasi 71,4%, 62,5%,66,6%, 70%. Untuk pengujian dengan 600 dataset diperoleh rata-rata confidence 32.02%, presisi, recall, f1-score dan akurasi 75%,42.9%,54,5%,70%.

---

Pain in a baby is difficult to detect is because the method for detecting pain is self-reporting, even though babies themselves cannot describe the pain verbally. Statistically, it is also recorded that about 80% of the world's population pays less attention to pain assessment, especially for children, even though this pain gives children a bad experience so that it can interfere with pain responses in the future or psychological trauma. Based on these problems, a prototype system was made to detect pain, the process of making and testing two prototype versions, version 1 was built with Raspberry pi 4.0, with a TensorFlow framework, Keras and Haar cascade for face recognition, and version 2 was built using NVIDIA Jetson Nano Developer Kit with PyTorch framework and YOLO algorithm. Where both versions are equipped with 2 additional parameters, Galvanic Skin Response (GSR) and Voice Detector. The results show that using Raspberry the precision value is 60%, recall is 50% and f1-score is 54%. Using the NVIDIA Jetson Nano with 300 dataset get everage result of confidence is 53.52%, precision, recall, f1-score and accuracy 71,4%, 62,5%,66,6%, 70%. For testing with 600 dataset get everage result of confidence 32.02%, precision, recall, f1-score and accuracy 75%,42.9%,54,5%,70%. "

"Pada era digital ini, teknologi informasi dan komunikasi berkembang pesat dan berpengaruh signifikan dalam berbagai aspek kehidupan, termasuk keamanan dan pengenalan identitas. Salah satu penerapan teknologi yang menonjol adalah sistem deteksi dan pengenalan wajah yang digunakan di berbagai tempat yang memerlukan keamanan ekstra. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan pengenalan wajah menggunakan arsitektur ResNet dan perangkat ESP-32, dengan fokus pada implementasi dan evaluasi efektivitas sistem tersebut dalam meningkatkan keamanan.Metode yang digunakan dalam penelitian ini meliputi penggunaan ResNet-50 untuk pengenalan wajah dan Cascade Classifier untuk deteksi wajah. Data yang digunakan untuk pelatihan model diperoleh melalui proses augmentasi data untuk meningkatkan variasi dan jumlah sampel. Sistem ini diimplementasikan menggunakan perangkat keras ESP-32 dan perangkat lunak MATLAB, serta diuji pada lingkungan nyata untuk mengevaluasi kinerjanya.Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi dan mengenali wajah dengan akurasi tinggi. Integrasi sistem dengan infrastruktur keamanan yang ada juga memungkinkan peningkatan perlindungan terhadap data dan perangkat keras. Dengan demikian, penelitian ini berhasil menunjukkan bahwa teknologi deteksi dan pengenalan wajah dapat memberikan solusi efektif untuk meningkatkan keamanan di berbagai tempat.

---

In this digital era, information and communication technology has developed rapidly, significantly impacting various aspects of life, including security and identity recognition. One notable application of this technology is the facial detection and recognition system used in various high-security areas. This research aims to develop a facial detection and recognition system using ResNet architecture and ESP-32, focusing on the implementation and evaluation of the system's effectiveness in enhancing security.

The methods used in this study include employing ResNet-50 for facial recognition and Cascade Classifier for facial detection. The data used for model training were obtained through data augmentation processes to increase the variation and number of samples. The system was implemented using ESP-32 hardware and MATLAB software, and tested in real-world environments to evaluate its performance.

The results of the study indicate that the developed system can detect and recognize faces with high accuracy. The system's integration with existing security infrastructure also allows for enhanced protection of data and hardware. Thus, this research successfully demonstrates that facial detection and recognition technology can provide effective solutions for improving security in various locations."

"Hal yang harus diperhatikan dalam penggunaan Probabilistic Neural Network (PNN) adalah penentuan ukuran jaringan dan nilai parameter smoothing. Ukuran jaringan PNN akan semakin besar seiring dengan bertambahnya jumlah data pelatihan yang mengakibatkan biaya komputasi juga semakin tinggi. Sementara nilai parameter smoothing akan mempengaruhi tingkat klasifikasi dimana nilai yang optimal tergantung pada karakteristik data. Algoritma PNN-Terotimasi (PNN-T) adalah algoritma yang dikembangkan untuk menentukan struktur PNN yang optimal. Dalam PNN-T, nilai parameter smoothing yang optimal dipilih dengan menggunakan Algoritma Genetika, sedangkan ukuran jaringan ditekan dengan milikih neuron yang representatif menggunakan Algoritma Orthogonal. Dilakukan perbandingan anata PNN dengan PNN-T dalam masalah pengenalan aroma 2 campuran.Dan hasilnya PNN-T mempunyai kinerja yang lebih baik yaitu tingkat pengenalan lebih tinggi dan penggunaan neuron dengan jumlah lebih rendah dibandingkan PNN"

"Teknologi deep learning dapat menyelesaikan banyak masalah yang sulit dipecahkan oleh rumus matematis biasa. Salah satu masalah yang bisa diatasi adalah bahaya akibat rasa kantuk yang dialami pengemudi saat berkendara. Pada penelitian ini dibuat aplikasi android sistem deteksi kantuk yang memanfaatkan kamera smartphone. Kamera digunakan untuk mendapatkan informasi fitur citra wajah yaitu aspek rasio mata kanan, aspek rasio mata kiri, aspek rasio mulut, percentage of eye closure (PERCLOS), tingkat kejadian microsleep, dan tingkat kejadian menguap. Fitur-fitur tersebut didapat dari proses transformasi titik-titik landmark wajah. Pada penelitian ini, ditemukan bahwa metode terbaik untuk mendapatkan titik landmark wajah adalah dengan pelacakan Lucas-Kanade optical flow dengan 5 jumlah frame yang dilacak. Fitur-fitur yang dikumpulkan dapat digunakan untuk mendeteksi tingkat kantuk dengan memanfaatkan model deep learning yang telah dilatih dengan data yang dikumpulkan dari 10 orang. Pada penelitian ini, ada 2 jenis model deep learning yang dilatih untuk mendeteksi tingkat kantuk yaitu model deep neural network (DNN) dan long short-term memory (LSTM). DNN memiliki keseluruhan performa yang lebih baik dibandingkan LSTM. DNN memiliki accuracy sebesar 0.902538 dan f1 sebesar 0.899563. Sedangkan LSTM memiliki dari accuracy sebesar 0.891857 dan f1 sebesar 0.892689. Aplikasi android sistem deteksi kantuk yang dibuat menggunakan model deep learning DNN dan memiliki performa yang bagus dengan accuracy sebesar 0.844 dan f1 sebesar 0.865052. Aplikasi Android memiliki mekanisme pemberitahuan berupa suara yang dimainkan ketika pengemudi mengantuk. Selain itu, pada aplikasi Android juga terdapat 2 fungsi tambahan yaitu deteksi tidur dan deteksi gangguan konsentrasi pengemudi. Kedua fungsi tersebut akan mengeluarkan suara ketika terdeteksi untuk memberitahukan kepada pengguna. Dengan adanya aplikasi sistem deteksi kantuk yang dibuat pada penelitian ini, diharapkan dapat mendeteksi tingkat kantuk pengemudi sehingga mengurangi risiko kecelakaan akibat mengantuk.

---

Deep learning technology can solve many problems that are difficult to solve by ordinary mathematical formulas. One of the problems that can be overcome is the danger due to drowsiness experienced by the driver while driving. In this study, a drowsiness detection system on Android application that uses a smartphone camera is made. The camera is used to obtain facial image feature informations which is right eye aspect ratio, left eye aspect ratio, mouth aspect ratio, percentage of eye closure (PERCLOS), microsleep rate, and yawning rate. These features are obtained by transforming and processing facial landmark points. In this study, it was found that the best method for obtaining facial landmarks points is from Lucas-Kanade optical flow tracking with 5 frames tracked. The features collected can be used to detect drowsiness by utilzing a deep learning model that has been trained with data collected from 10 volunteers. In this study, there are 2 types of deep learning models that are trained to detect drowsiness that are deep neural network (DNN) and long short-term memory (LSTM). DNN has better overall performance than LSTM. DNN has an accuracy of 0.902538 and f1 of 0.899563. Whereas LSTM has an accuracy of 0.891857 and f1 of 0.892689. The drowsiness detection system Android application is created using the DNN model and has a good performance with an accuracy of 0.844 and f1 of 0.865052. The Android application has a notification mechanism in the form of sound that played when the driver is detected to be drowsy. In addition, the Android application also has an additional function that are sleeping detection and driver distraction detection. Both functions will make a sound when detected to notify the user. With the application of drowsiness detection system made in this study, it is expected to detect the level of drowsiness of the driver thereby reducing the risk of accidents due to drowsiness.

"

"Identitas diri seseorang dalam jejaring sosial menjadi hal penting terutama ketika ingin mengenali siapa sebenarnya orang tersebut. Pencarian identitas diri dapat dengan mudah dilakukan melalui pencarian dalam situs search engine ataupun situs jejaring sosial yang ada pada komputer atau laptop. Metode ini sepertinya bukan merupakan hal yang efektif dan praktis seiring berkembangnya perangkat mobile dalam masyarakat seperti smartphone dan tablet. Untuk itu, dirancang sebuah sistem pengenalan wajah pada perangkat mobile. Sistem ini dirancang dalam bentuk aplikasi yang dikembangkan pada perangkat mobile Android. Penggunaan Android Face Detector API akan bertindak sebagai pustaka dalam proses deteksi wajah pada perangkat mobile sebelum melakukan proses offloading ke layanan komputasi awan. Hasil implementasi berupa modul deteksi wajah pada perangkat mobile dan modul pengenalan wajah (offloading) yang memanfaatkan layanan komputasi awan dengan bantuan komunikasi Representational State Transfer (REST). Hasil pengujian sistem pada perangkat mobile menunjukkan bahwa total waktu pengenalan wajah sebesar 7,45 detik dengan waktu deteksi wajah (onloading) 0,45 detik dan waktu proses offloading 7 detik.

---

The identity of a person in social networking becomes very important especially when we want to identify a person. Search for detailed-identity can be easily conducted through searching using the search engine sites or existing social networking website using computer or laptop. This method is not effective and practical when we consider the development of mobile device technology in the community such as smartphone and tablet. Therefore, designed a face recognition system on mobile devices. The system is designed in the form of an application developed on Android mobile devices.

The use of Android Face Detector API will act as libraries in the process of face detection before performing the offloading stage. This paper describes the implementation of the facial detection module on mobile device and face recognition module (offloading) using cloud computing service with REST communication. The result of testing on mobile device indicates that total computation time for face recognition system reached 7,45 seconds with the onloading process 0,45 seconds and the offloading process 7 seconds."

"Mengemudi dalam keadaan mengantuk merupakan salah satu bentuk kelalaian dalam berkendara yang dapat membahayakan. Oleh karena itu, penelitian ini ditujukan untuk merancang dan membangun sebuah sistem pendeteksi kantuk yang mampu memperingatkan pengemudi apabila sudah berada pada kondisi yang memerlukan istirahat. Sistem yang dikembangkan berupa sebuah aplikasi Android yang memanfaatkan tiga jenis sensor yaitu kamera depan sebagai sumber data citra wajah dengan resolusi 480p, perangkat EEG portabel sebagai sumber data gelombang otak dan MiBand sebagai sumber data detak jantung. Data dari ketiga sensor ini selanjutnya akan digunakan sebagai input bagi sebuah model neural network untuk melakukan deteksi kantuk. Dari penelitian ini didapatkan hasil bahwa arsitektur 1D CNN lebih cocok digunakan sebagai model dalam sistem pendeteksi kantuk dibandingkan dengan LSTM. Interval waktu 4 menit digunakan pada sistem pendeteksi kantuk yang dikembangkan karena dinilai paling optimal untuk digunakan. Dengan menggunakan data dari sepuluh partisipan, model mampu mendapatkan validation accuracy sebesar 96.30%. Sedangkan dari 12 kali percobaan pengujian sistem pendeteksi kantuk yang dikembangkan, sistem mampu melakukan klasifikasi kantuk dengan tingkat akurasi sebesar 83.3%

 

---

Driving in a drowsy condition is one form of carelessness in driving that can be dangerous. Therefore, this research is intended to design and build a drowsy detection system that can warn the driver when they are in a condition that requires to rest. The system was developed in the form of an Android application that utilizes three types of sensors, which are the front camera as a source of face image with 480p resolution, portable EEG devices as a source of brainwaves data and MiBand as the source of heart rate data. Collected data from these three sensors will then be used as input for a neural network model to detect drowsiness. From this study it was found that the 1D CNN architecture is the most suitable to be used as a model in drowsiness detection systems compared to LSTM. A 4-minute time interval is used in the drowsy detection system that was developed because it was considered as the most optimal. By using data from ten participants, the model was able to get a validation accuracy of 96.30%. While from 12 trials of drowsiness detection system testing that was developed, the system can do drowsiness classification with an accuracy rate of 83.3%

 

"

"Salah satu faktor manusia yang dapat menyebabkan kecelakaan lalu lintas adalah pengemudi yang mengantuk dan tidak fokus pada jalan yang ada di hadapannya. Tanda-tanda pengemudi yang mengantuk dapat diamati berdasarkan tiga pengukuran, yaitu uji kinerja, uji fisiologis, dan uji perilaku. Karena uji fisiologis dan kinerja cukup sulit dan mahal untuk dilaksanakan, maka uji perilaku masih menjadi pilihan yang baik untuk digunakan dalam mendeteksi rasa kantuk sejak dini. Salah satu perilaku manusia yang bisa diamati untuk mendeteksi kantuk adalah gerakan mata. Oleh karena itu, penelitian ini akan merancang suatu model untuk mendeteksi rasa kantuk pengemudi secara otomatis berdasarkan uji perilaku yang menganalisis aktivitas mata. Model yang diusulkan akan mendeteksi area mata dan kedipan berdasarkan citra wajah pengemudi menggunakan model deep learning Mask Region Convolutional Neural Network (Mask R-CNN). Kemudian, data kedipan dari masing-masing urutan gambar akan dikalkulasi menggunakan Percentage of Eyelid Closure (PERCLOS) untuk mendeteksi apakah pengemudi dalam keadaan mengantuk atau waspada. Hasil dari penelitian ini menunjukkan hasil akurasi sebesar 0,70. Selain itu, diperoleh nilai precision, recall, dan F1 score dari model Mask R-CNN yaitu 0,667 untuk precision, 0,80 untuk recall, serta 0,727 untuk F1 score.

---

One of the human factors that can cause traffic accidents are the drowsy drivers that do not focus on the road before them. The signs of a drowsy driver can be observed based on three measurements; performance test, physiological test, and behavioural test. Since the physiological and performance test are quite difficult and expensive to implement, the behavioural test is still a good choice to use for detecting early drowsiness. One of the human behaviours that can be observed is the eye movement. Therefore, this study will design a model for automatically detecting driver drowsiness based on a behavioural test, which analyses the eye activity. The proposed model will detect the eye area and state based on drivers’ face images using Mask Region Convolutional Neural Network (Mask R-CNN) deep learning model. Then, the blink data from each image sequence will be calculated using Percentage of Eyelid Closure (PERCLOS) to detect whether the driver is in a drowsy or alert state. The result of this research shows an accuracy score of 0,70. Besides that, the precision, recall, and F1 score are also obtained from the Mask R-CNN model, namely 0,667 for precision, 0,80 for recall, and 0,727 for F1 score."

"Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari sistem keamanan di berbagai bidang. Teknologi biometrik yang ada di sekitar kita ada berbagai macam seperti sistem identifikasi retina, iris mata, telapak tangan, sidik jari dan wajah. Banyak komputer atau laptop yang dilengkapi oleh kamera digital atau webcam yang terintegrasi dengan sistem yang ada di komputer itu sendiri. Teknologi camera digital semakin hari juga semakin canggih dalam pengambilan gambar yang dapat disesuaikan dengan situasi apapun contohnya seperti didalam ruangan atau diluar ruangan. Hal ini memungkinkan untuk pengaplikasian pngenalan wajah sebagai sistem autentikasi pengganti password selain fingerprint. Penelitian ini difokuskan pada perancangan aplikasi system pengenalan wajah menggabungkan dua metode yakni jaringan saraf tiruan dan metode pencocokan pola. Input dari sistem pengenalan wajah ini diambil dari webcam yang sudah melalui proses pre-processing dan sudah difokuskan ke bagian wajah dengan sistem pendeteksi wajah dengan metode pattern matching. Selain itu hasil dari pre-processing juga digunakan sebagai data training atau pelatihan. Gambar wajah hasil dari preprocessing ini kemudian masuk ke proses pengenalan menggunakan algoritma jaringan saraf tiruan. Hasil dari proses pengenalan wajah adalah berupa nama dari wajah orang yang dikenali. Sistem ini telah diuji pada lebih dari 36 sampel wajah yang diambil dari 12 orang.Hasil akhir menunjukan bahwa sistem ini berhasil mengidentifikasi sampel-sampel wajah tersebut dengan tingkat keberhasilan mencapai 86%.

---

Biometric is one of the modern technology features that is used mostly as a part of security system in many types of application. There are so many biometric technology options this day such as retina identification, iris, eye, hand, finger print, and face. Many computers such as laptop are completed with digital camera or webcam which integrated with in the system computer it self. Camera technology is getting more sophisticated in nowadays in capturing image from many situations such as indoor or outdoor environmental. This technology allows the possibility to develop face recognition as an option to authentication system in computer, other than the most popular fingerprint. This final project focuses on the design of face identification application using combination of two methods, neural network method and pattern matching method. The input of the system is taken from face detection algorithm with pattern matching method on webcam images which focused on human face area and already pass preprocessing first. The digital images from preprocessing are also used as a training data. The preprocessed image is then passed into the recognition process using neural network algorithm.The result of the recognition process is the person?s credential which in this case the name. This system has been tested over 36 samples taken from 12 people. Result show that the system has identified the samples with 86% success rate."

"Proses optimasi pada Probabilistic Neural Network (PNN) dapat dilakukan terhadap nilai smoothing parameter maupun struktur neuron. Setiap permasalahan memiliki nilai smoothing parameter optimal yang berbeda. Optimasi struktur neuron bertujuan untuk mereduksi banyak neuron yang digunakan sehingga dapat mempersingkat waktu komputasi. Skripsi ini membahas proses pencarian nilai smoothing parameter optimal menggunakan algoritma genetika dan struktur neuron optimal menggunakan algoritma ortogonal dalam sistem pengenal wajah. Terdapat dua jenis teknik optimasi yang akan dibahas, lalu membandingkan hasilnya dengan PNN struktur utuh dan backpropagation. Data wajah yang digunakan berupa foto infra merah dan cahaya tampak.

---

Optimization of Probabilistic Neural Network (PNN) can be performed to the value of smoothing parameter and neuron structure. Every problem has different value of smoothing parameter. Optimization of neuron structure aims to reduce the number of neurons used, in order to shorten computation time.

This thesis discusses the process of finding the optimal value of smoothing parameter using genetic algorithms and optimal neuron structure using orthogonal algorithms in face recognition system. Two types of optimization techniques which will be discussed, then the results are compared with full structure PNN and backpropagation. Face data used in the form of infrared and visible light images."