Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSkripsi ini membahas mengenai pengukuran kecepatan kendaraan dengan melakukan pendekatan kepada program (software). Pengukuran ini dilakukan dengan video hasil rekaman. Dari video tersebut dijadikan acuan untuk mengolah data melalui beberapa proses di dalam program. Program dibuat dengan anggapan bahwa benda hanya akan bergerak menuju satu arah saja sehingga data posisi objek pada suatu frame akan dibandingkan dengan data posisi pada frame sebelumnya, sehingga program akan hanya mencatat data yang sesuai. Dengan demikian, diharapkan data yang telah diseleksi akan menghasilkan error yang lebih kecil. Program ini akan menghasilkan data nomor frame, posisi pixel dari edge dan perbedaan pixel dari frame sebelumnya. Adanya informasi yang bisa didapatkan dari sebuah data video ini bisa memberikan nilai tambah dari hanya sekedar sebuah data video. Untuk itu keakuratan hasil perhitungan kecepatan kendaraan perlu dihitung juga. Setelah mengolah data video ini dan mendapatkan hasil perbandingan hasil kecepatan secara real dan perhitungan program, tujuan ke depannya adalah untuk dikembangkan lebih lanjut lagi pada estimasi kecepatan kendaraan di dalam rekaman video lalu lintas.

---

ABSTRACTThis thesis discusses the measurement of the speed of the vehicle by approaching the program ( software ). This measurement is done with the video recordings. From the video made ​​reference to process data through several processes in the program. The program is made with the assumption that the object will only move towards one direction only so that the data object's position in a frame will be compared with data on the position of the previous frame, so that the program will only record the appropriate data. Thus, it is expected that the data has been selected to produce a smaller error. This program will generate the data frame number, the position of the edge pixel, and the pixel difference from the previous frame. The existence of information that can be obtained from a video data can provide added value than just a video data. For the accuracy of the results of the calculation speed of the vehicle needs to be calculated as well. After processing the video data and get the results of the comparison results in real speed and calculation of the program, the future goal is to be developed further to estimate the speed of the vehicle in the video recording of traffic."

"Program real time lebih unggul dibandingkan dengan program yang non real time karena memiliki sifat preemptive dan deterministic. Karena kemampuan program real time yang dapat menentukan prioritas pekerjaan dan secara tepat dapat menentukan waktu suatu pekerjaan dilaksanakan maka program real time ini cocok diterapkan dalam aplikasi pengukuran. Tulisan ini membahas perancangan dan penerapan pengukuran kecepatan putar berbasis real time Linux dengan menggunakan metode M sebagai metode pengukurannya. Pengukuran kecepatan putar ini dijalankan dalam sistem operasi RTLinux dan peralatan pengukur yang digunakan adalah incremental rotary encoder yang beresolusi 100 dan kartu akusisi data NI PCI 6024E. Sistem yang akan diukur kecepatan putarnya adalah sebuah motor DC merek Pittman Express model GM87 12-21. Pengukuran kecepatan putar berbasis RTLinux ini terdiri dari tiga buah program yang saling berinteraksi satu sama lain. Tujuan keseluruhan dari ketiga program tersebut adalah melakukan perhitungan kecepatan putar dan menampilkan hasil perhitungan kecepatan putar dan posisi sudut dalam bentuk grafik. Selain itu, program tersebut dapat menyimpan nilai hasil perhitungan kecepatan putar dan posisi sudut dalam fungsi waktu ke dalam suatu file. Berdasarkan hasil pengujian yang dilakukan pada pengukuran kecepatan putar berbasis RTLinux ini, dapat disimpulkan bahwa pengukuran kecepatan putar tersebut dapat diandalkan dalam mengukur kecepatan putar suatu motor. Pengukuran kecepatan putar berbasis RTLinux memiliki persen kesalahan pengukuran sebesar 6,26%. Pengujian ini dilakukan dengan membandingkan hasil pengukuran kecepatan putar oleh pengukuran berbasis RTLinux dengan pengukuran oleh tachometer. Dengan menggunakan metode perhitungan leastsquares regression, diperoleh koefisien determinasi sebesar 99,999% untuk model regresi linear hubungan antara pengukuran kecepatan putar berbasis RTLinux dengan pengukuran kecepatan putar oleh tachometer. Ini membuktikan bahwa hasil pengukuran kecepatan putar berbasis RTLinux linear terhadap hasil pengukuran kecepatan putar oleh tachometer.

---

Real time program has become more powerful than non real time program because of its preemptive and deterministic characteristic. Hence the ability of real time program in deciding the priorities of works and accurately performing the specific work on the precise timing, real time program is suitable for the implementation of measurement applications.

This final assignment studied about the design and implementation of speed measurement based on real time Linux by using M Method as its measuring method. The speed measurement is worked on RTLinux operating system and its measuring device is a 100-resolution incremental rotary encoder and a data acquisition board NI PCI 6024E. This speed measurement will measure the speed of DC motor Pittman Express model GM87 12-21.

The RTLinux speed measurement consists of three programs which are interacting each other. The purpose of the whole three programs is to perform the calculation of speed and put the data of speed and pulse position on graph. Besides, those programs also save the data of speed and pulse position in the time domain to a file.

According to the experimental results, it is concluded that the RTLinux speed measurement is reliable on measuring the speed of motor. The RTLinux speed measurement has the small percentage of error in measurement which is 6.26%. This experiment is performed by comparing the results of the RTLinux speed measurement and the result of tachometer speed measurement. By using leastsquare regression method, the coefficient of determination is 99.999% for the linear model of relationship between RTLinux speed measurement and tachometer speed measurement. It is proved that the result of RTLinux speed measurement is linear to the result of tachometer speed measurement."

"Penelitian ini memafaatkan kamera pengawas dengan pemodelan Deep Learning untuk memprediksi curah hujan. Model dibangun dengan input video serta data referensi curah hujan dari Tipping Bucket yang dipasang berdekatan dengan lokasi kamera pengawas. Penelitian ini memfokuskan prediksi curah hujan dengan input video sebagai representasi curah hujan dalam satuan waktu, serta metode Rain Streak yang muncul sebagai Rain Streak. Informasi spasial yang dimiliki setiap gambar yang ditangkap kamera pengawas ditangkap oleh arstitektur model vR-TCN dan digunakan fungsi Time Distributed agar informasi spasial yang ditangkap diterapkan terhadap deretan gambar.  Penelitian ini membuktikan input Rain Streak dengan metode grayscale memiliki hasil yang lebih baik, disertai dengan pemilihin Region of Interest yang didasari dengan latar paling hitam. Hasil prediksi model dengan konfigurasi besar Region of Interest 120x180 pada latar paling hitam, menggunakan metode Grayscale serta menggunakan jumlah 5 deretan gambar memiliki hasil terbaik dengan nilai RMSE sebesar 0,1391 dan R2 sebesar 0,8800.

---

This research utilizes surveillance cameras and Deep Learning modeling to predict rainfall. The model is built using video input and reference data from nearby Tipping Bucket rain gauges. This research focuses on predicting rainfall using video inputs as a representation of rainfall over a period of time, as well as the Rain Streak method that appears as Rain Streak. The spatial information captured by the surveillance camera in each image is captured by the vR-TCN model architecture, and the Time Distributed function is used to apply the captured spatial information to a sequence of images. This research proves that the Rain Streak method with grayscale produces better results, accompanied by the selection of a Region of Interest based on the darkest background. The predictive model yields the best results with a configuration of a large Region of Interest of 120x180 on the darkest background, using the Grayscale method and a sequence of 5 images, with an RMSE value of 0,1391 and an R2 value of 0,8800."

"ABSTRAKSaat ini, pengukuran dimensi zona inhibisi masih menggunakan alat pengukur manual seperti penggaris atau jangka sorong. Kini dengan perkembangan teknologi memungkinkan pengukuran dilakukan dengan berbasis kamera digital dan pengolahan citra. Adanya perangkat penunjang lain seperti sumber cahaya, dapat menyebabkan posisi kamera tidak tegak lurus terhadap objek pengukuran. Pada penelitian ini diperkenalkan sistem koreksi tilting pada pengukuran zona inhibisi berbasis kamera. Sistem yang dikembangkan terdiri dari perangkat keras (instrumen pengukuran dan kamera) dan perangkat lunak. Teknik pengolahan citra seperti transformasi, deteksi tepi, dan deteksi garis yang digunakan untuk membangun sistem koreksi tilting secara otomatis ini. Pengujian telah dilakukan dengan menggunakan objek kalibrator checkerboard standar dan objek zona inhibisi, pada berbagai variasi orientasi sudut kemiringan dan rotasi objek. Secara umum, berdasarkan hasil pengujian, sistem yang dibangun telah berhasil diimplementasikan untuk pengukuran dimensi zona inhibisi secara tidak tegak lurus. Koreksi tilting mampu memperbaiki performa sistem pengukuran dengan penurunan kesalahan hingga 39,6%. Sudut maksimal dengan tingkat toleransi yang masih dapat diterima adalah 40°.

---

ABSTRAKCurrently, the measurements of the Zone of Inhibition are still using manual measurement tools such as a ruler or caliper. Now with the development of technology enables this measurement based on digital cameras and image processing. The presence of another supporting devices such as light sources, causing the camera position not perpendicular to the object. This study introduces the tilt correction system on camera-based measurement of the inhibition zones, which consists of hardware (measuring instruments and cameras) and software. Image processing techniques such as geometrical transformations, edge detection, and line detection is used to build the automated tilt correction system. The experiments have been conducted using standard checkerboard calibrator objects and Zone of Inhibition objects at various orientations and the angle of rotation of the object. In general, based on experiment results, the system has been successfully implemented for not perpendicular dimensional measurements of zone of inhibition. Tilt correction system improves the measurement system performance with a reduction in estimated errors up to 39,6%. The maximum angle with a tolerance level that is acceptable is 40°."

"Berat jenis urine merupakan kepadatan zat terlalut dalam urine. Nilai berat jenis urine mencerminkan kemampuan ginjal dalam memekatkan urine. Berat jenis yang tinggi menunjukkan bahwa kandungan air pada tubuh belum tercukupi sehingga menyebabkan dehidrasi. Kasus dehidrasi sangat berbahaya apabila dialami oleh ibu hamil, karena dapat menyebabkan ukuran janin yang lebih kecil sehingga dapat beresiko stunting. Oleh karena itu, pengukuran berat jenis diperlukan sebagai pemantauan status hidrasi tubuh. Metode pengukuran berat jenis urine yang umum dilakukan adalah urinalisis kolorimetri menggunakan strip uji urine. Namun, penggunaan strip uji urine dengan membandingkan warna secara manual menghasilkan akurasi yang rendah karena interpretasi warna yang subjektif. Pada penelitian ini sistem instrumentasi kolorimteri berbasis kamera ponsel pintar dibangun untuk melakukan pengukuran berat jenis urine menggunakan strip uji urine. Pengembangan dilakukan pada bentuk strip uji dengan mengatur ulang bentuknya menjadi barcode uji. Pengambilan gambar barcode uji dilakukan menggunakan ponsel pintar Huawei Nova 5T, Samsung A72, dan Vivo Y12. Hasil citra yang didapatkan akan disegmentasi dan dilakukan koreksi warna. Papan warna referensi yang diadaptasi dari warna x-rite ColorChecker digunakan sebagai referensi untuk koreki warna citra dengan pemodelan Polynomial Color Correction (PCC). Hasil citra terkoreksi digunakan pada pengukuran barcode uji dengan melihat fungsi waktu serta digunakan pada pembangunan model klasifikasi dan regresi CNN-GoogleNet. Pengukuran terhadap barcode uji dengan fungsi waktu menunjukkan bahwa strip uji kosong yang berada di suhu ruang selama 10 menit masih layak digunakan dan waktu maksimal pengambilan citra barcode uji yang telah dicelupkan ke sampel adalah 5 menit. Model klasifikasi yang dibangun menghasilkan akurasi pelatihan dan pengujian sebesar 99,73% dan 98,76% dan untuk model regresi menghasilkan nilai RMSE sebesar 0,002 dan R2v sebesar 0,92. Hasil penelitian menunjukkan bahwa pemodelan dengan CNN-GoogleNet dapat digunakan untuk prediksi kelas berat jenis urine dan prediksi kadar berat jenis urine.

---

Specific gravity of urine is the density of too much substance in the urine. The value of the specific gravity of urine reflects the ability of the kidneys to concentrate urine. High specific gravity indicates that the water content in the body is not sufficient, it causing dehydration. The case of dehydration is very dangerous when experienced by pregnant women, because it can cause a smaller size of the fetus so that it can be at risk of stunting. Therefore, measurement of specific gravity is needed as a monitoring of the body's hydration status. The urine specific gravity measurement method that is commonly used is colorimetric urinalysis using urine test strips. However, the use of urine test strips by manually comparing colors results in low accuracy due to subjective color interpretation. In this study a colorimetry instrumentation system based on a smartphone camera was built to measure urine specific gravity using urine test strips. The development is carried out on the shape of the test strip by rearranging its shape into a test barcode. The test barcode image was taken using the Huawei Nova 5T, Samsung A72, and Vivo Y12 smart phones. The resulting image will be segmented and color correction is performed. The reference color board adapted from the x-rite ColorChecker color is used as a reference for image color correction with Polynomial Color Correction (PCC) modeling. The results of the corrected image are used for measuring the test barcode by looking at the time function and used in the construction of the CNN-GoogleNet classification and regression model. The measurement of the test barcode with the time function shows that the blank test strip at room temperature for 10 minutes is still suitable for use and the maximum time for taking the test barcode image that has been immersed in the sample is 5 minutes. The classification model that was built resulted in training and testing accuracy of 99.73% and 98.76% and for the regression model it produced RMSE values of 0.002 and R² of 0.92. The results showed that modeling with CNN-GoogleNet can be used to predict urine specific gravity class and predict urine specific gravity level."

"Perancangan sistem penyeleksi piring cacat ini berfungsi untuk menyeleksi piring berdasarkan kondisinya. Proses seleksi piring dilakukan dengan memproses gambar piring yang diperoleh dari hasil penangkapan kamera kemudian diproses dengan algoritma deteksi tepi penajaman citra dan penghitungan pixel. Kondisi cacat yang akan diseleksi berupa cacat pada permukaan atas dan pecahan pada tepi piring, output hasil seleksi piring akan dikirimkan melalui paralel port untuk menggerakkan panel pemisah ke kiri atau ke kanan, jika kondisi piring normal piring dipisahkan ke selektor kanan sedangkan jika kondisi piring cacat dipisahkan ke selektor kiri. Input Hasil piring yang sudah terseleksi dikirimkan kembali ke komputer melalui paralel port.Design of plate selector system invalids this function to select plate bases its condition. Selection process plate edgewise did by processes acquire plate image of yielding arrest then processed by detection algorithm steps aside pixel's image and extrapolation sharpening. Condition of blemish which will be sorted as blemish on surface up and fraction on steps aside plate, output result to sort plate will send over port parallel to move schism selector to left or to right, if normal plate condition saucer was came to pieces to go to right selector whereas if condition of blemish plate is came to pieces goes to left selector. Edgewise yielding input already most selection is sent returns to computer via parallel port."

"Pengukuran viskositas zat cair merupakan aspek penting dalam berbagai industri. Dalam mengukur viskositas suatu cairan umumnya menggunakan viskometer bola jatuh. Namun penggunaan viskometer bola jatuh memiliki kekurangan dalam ketelitian dalam menentukan kecepatan terminal bola ketika mencapai kedalaman tertentu. Dalam penelitian ini, penulis merancang pendekatan baru yang menggabungkan teknologi pengolahan video dengan metode deep learning, khususnya algoritma You Only Look Once (YOLO), untuk mengukur viskositas zat cair secara efisien dan akurat. Pendekatan ini memungkinkan pengukuran viskositas dilakukan dengan menggunakan kamera sederhana, yang secara otomatis menganalisis pergerakan jatuhnya kelereng dalam suatu fluida. Penulis melatih model deep learning menggunakan dataset video jatuhnya bola pada suatu cairan yang diambil secara langsung menggunakan kamera smartphone, dan menunjukkan bahwa pendekatan ini mampu menghasilkan pengukuran viskositas yang akurat dengan waktu perhitungan yang lebih cepat dibandingkan menggunakan viskometer bola jatuh. Hasil percobaan menunjukkan bahwa model YOLO mampu mendeteksi 11 objek dari total 25 gambar dengan presisi 0,99 dan konsistensi tinggi (mAP50-95 sebesar 0,86). Model ini efektif dalam mendeteksi jatuhnya kelereng, dengan waktu pemrosesan per gambar yang cepat. Meskipun beberapa frame tidak terdeteksi, model menunjukkan akurasi tinggi dalam memprediksi viskositas dengan MAE sebesar 0,13, menjadikannya andal dan efisien untuk pengukuran viskositas dalam aplikasi industri dan laboratorium.

---

Viscosity measurement of liquid substances is an important aspect in various industries. The traditional method of measuring viscosity is by using a falling ball viscometer. However, this method has limitations in accurately determining the terminal velocity of the ball at a certain depth. In this research, the author designed a new approach that combines video processing technology with deep learning methods, specifically the You Only Look Once (YOLO) algorithm, to measure the viscosity of liquid substances efficiently and accurately. This approach allows viscosity measurement to be done using a simple camera, which automatically analyzes the movement of a marble falling in a fluid. The author trained a deep learning model using video datasets of the falling ball in a liquid captured directly using a smartphone camera, and demonstrated that this approach can produce accurate viscosity measurements with faster calculation time compared to using a falling ball viscometer. The experimental results demonstrated that the YOLO model accurately detected 11 objects out of 25 images with a precision of 0,99 and a consistent mAP50-95 score of 0,86. Applied to 7 video frames, it processed images quickly with times of 1,9 ms for preprocessing, 45,7 ms for inference, and 0,6 ms for post-processing. Despite some frames missing detections, the model achieved a high accuracy in predicting viscosity with a Mean Absolute Error (MAE) of 0,13, making it reliable for various industrial and laboratory applications."

"Pengukuran laju pernapasan bayi secara non-kontak menawarkan alternatif inovatif dibandingkan dengan metode konvensional berbasis kontak yang sering kali menyebabkan ketidaknyamanan. Penelitian ini bertujuan untuk mengembangkan metode otomatis yang dapat mendeteksi Region of Interest (ROI) pada tubuh bayi dan menghitung laju pernapasan menggunakan analisis optical flow. Pendekatan ini dirancang untuk mendukung pemantauan bayi dengan penyakit jantung bawaan, yang memerlukan pemantauan rutin terhadap laju pernapasan sebagai indikator kondisi kesehatan mereka. Sistem yang diusulkan memanfaatkan model MediaPipe Pose untuk mendeteksi ROI secara otomatis. Pergerakan dalam ROI dianalisis menggunakan optical flow yang dikombinasikan dengan beberapa filter yaitu Hampel Filter, Moving Average Filter, dan Bandpass Filter. Laju pernapasan diestimasi melalui deteksi puncak dengan parameter tanpa jarak, 1 detik, 1,5 detik, dan 2 detik, serta analisis Fast Fourier Transform (FFT). Pengujian dilakukan pada dataset video AIR-125 yang mencakup berbagai kondisi pencahayaan, pose bayi, resolusi dan frame rate. Hasil pengujian menunjukkan bahwa pendekatan ini mampu mendeteksi ROI pada area torso tubuh bayi serta mengestimasi laju pernapasan dengan kesalahan Mean Absolute Error (MAE) sebesar 3,26 BPM, Root Mean Square Error (RMSE) sebesar 4,87 BPM, dan Limits of Agreement antara -10 BPM hingga 8,97 BPM untuk deteksi puncak dengan parameter jarak 1,5 detik. Untuk estimasi berbasis FFT, MAE tercatat sebesar 4,54 BPM, RMSE sebesar 6,60 BPM, dan Limits of Agreement antara -12,84 BPM hingga 12,95 BPM. Sistem ini menawarkan solusi non-kontak yang fleksibel, mudah diadaptasi, dan relevan untuk pemantauan bayi di rumah sakit maupun dalam pengaturan rawat jalan di rumah, khususnya bagi bayi dengan penyakit jantung bawaan yang memerlukan pengawasan intensif.

---

Measuring the respiratory rate of infants non-contact offers an innovative alternative compared to conventional contact-based methods, which often cause discomfort. This research aims to develop an automatic method that can detect the Region of Interest (ROI) on the infant's body and calculate the respiratory rate using optical flow analysis. This approach is designed to support the monitoring of infants with congenital heart disease, who require routine monitoring of their respiratory rate as an indicator of their health condition. The proposed system utilizes the MediaPipe Pose model to automatically detect the ROI. Movement within the ROI is analyzed using optical flow combined with several filters, namely the Hampel Filter, Moving Average Filter, and Bandpass Filter. The respiratory rate is estimated through peak detection with distance parameters of none, 1 second, 1.5 seconds, and 2 seconds, as well as Fast Fourier Transform (FFT) analysis. Testing was conducted on the AIR-125 video dataset, which includes various lighting conditions, infant poses, resolutions, and frame rates. The test results show that this approach is capable of detecting the ROI in the torso area of the infant and estimating the respiratory rate with a Mean Absolute Error (MAE) of 3.26 BPM, Root Mean Square Error (RMSE) of 4.87 BPM, and the Limits of Agreement were -10 to 8.97 BPM for peak detection with a distance parameter of 1.5 seconds. For FFT-based estimation, the MAE recorded was 4.54 BPM, RMSE was 6.60 BPM, and the Limits of Agreement were -12.84 to 12.95 BPM. This system offers a flexible, easily adaptable, and relevant non-contact solution for monitoring infants in hospitals as well as in outpatient settings at home, particularly for infants with congenital heart disease who require intensive supervision."

"Flotation is animportant process in mining industries. This process employs the bubble andhydrophobic properties of a particle to separate valuable mining particles fromimpurities. The most important phenomenon in determining flotation efficiencyis the bubble-particle interaction; therefore, understanding this phenomenon isvery important. The aim of this research is to study the mechanism ofbubble-particle interactions with and without the addition of a collector. Theexperimental setup consists of a water container, bubble generator, particlefeeding system, and an image capturing system. The water container is made fromtransparent material of a size large enough so that the wall?s effects onbubbles and particles can be neglected. Air bubbles are generated by a bubblegenerator which consists of a small nozzle and programmable syringe pump. Ahigh speed video camera and halogen lamp backlighting system are used as imagecapturing devices. Observation of the images reveals that bubble-particleinteraction follows the stages of bubble-particle collision, particle attachedto the bubble, and particle detached from the bubble. The addition of acollector to the liquid affects the bubble-particle interactions."

"Switch layer 2 dapat mengklasifikasikan incoming packet pada port input berdasarkan access-list yang didefinisikan untuk menandai paket. Ketika paket datang ke port switch layer-2, paket yang sesuai dengan attachment access-list akan diberikan nilai berdasarkan konfigurasi sehingga paket yang kelasnya lebih tinggi akan didahulukan pada saat traffic jaringan telah memenuhi bandwidth yang tersedia. Dalam Tugas Akhir ini digunakan tiga jenis aplikasi untuk uji coba, yaitu Video Conference dengan UDP, Web akses dengan HTTP, Packet Generator dengan TCP dan UDP. Dilakukan uji coba pengkelasan masing-masing aplikasi sehingga didapatkan kondisi terbaik pada saat bandwidth maksimal, 10 Mbps. Pada saat tersebut video conference berada pada kelas 3, website pada kelas 1, dan packet generator pada kelas 2, dimana kelas dengan nilai terbesar memiliki prioritas tertinggi. Untuk melihat berapa bandwidth yang terpakai pada jaringan digunakan - Cacti - dan untuk mengambil jalannya paket pada jaringan digunakan - Wireshark -. Dari hasil pengujian diperoleh Delay sebesar 7086 ms, Jitter sebesar 7400,86 ms untuk video protocol dan 2963,02 ms untuk audio protocol dan Packet Loss sebesar 4000 paket atau 22,22 %. Kondisi ini terjadi pada saat apliaksi video conference diset pada kelas 1, aplikasi website pada kelas 3 dan Packet Generator pada kelas 5.

---

Layer 2 switch can classify the incoming packet based on the input port access-list is defined to mark the packet. When the packet comes into port layer-2 switch, which according to packet access-list attachment will be given based on the value of the configuration so that packets a higher class will take precedence at the network traffic meets the available bandwidth.

This Final Project using three types of aplication, namely Video Conference with UDP, Web access with HTTP, Packet Generator with TCP and UDP. At this time the trial will be conducted classify each packet so that the best conditions obtained at maximum bandwidth, 10 Mbps. That are at the time of video conferencing is in class 3, Web site in class 1, and packet generator in class 2. To see how much bandwidth is used on the network, used 'Cacti' as bandwidth monitoring and to take the course package used 'Wireshark' on the network.

According to the trial, take place Delay about 7086 ms, Jitter about 7400.86 ms for video protocol and 2963,02 ms for audio protocol, and number of Packet loss about 4000 packets from 18000 or 22.22 %. The condition happened when video conference application in class 1, website in class 3, and Packet Generator in class 5."