Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 25417 dokumen yang sesuai dengan query
cover
Femilia Hardina Caryn
Deteksi kantuk otomatis pengemudi berdasarkan citra wajah temporal = Early drowsiness detection for drivers based on temporal face image data
"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."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2022
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Alicia Dwi Rosa
Pemodelan Faktor Penyebab Tingkat Kecelakaan Yang Terjadi Berdasarkan Jenis Kendaraan di Sulawesi Selatan = Modelling of Accident Factors Based on Type of Vehicle in South Sulawesi
"Kecelakaan lalu lintas menjadi hal yang sering terjadi di kehidupan sehari-hari. Terutama pada pada road section : Jeneponto - Bantaeng, Bantaeng - Bulukumba, Bulukumba - Tondong, dan Sengkang - Impa Impa, Sulawesi Selatan tingkat kecelakaan terjadi cukup beragam selama beberapa tahun kebelakang. Hal tersebut terjadi dikarenakan berbagai faktor yang bersifat internal ataupun eksternal. Beberapa faktor eksternal yang mempengaruhi terjadinya kecelakaan lalu lintas adalah rata rata lalu lintas harian, standar deviasi kendaraan, dan rata - rata kecepatan pengendara. Penelitian ini bertujuan untuk mendapatkan model yang dapat digunakan untuk mengestimasi seberapa besar tingkat keparahan kecelakaan yang terjadi akibat ketiga faktor tersebut. Metode yang digunakan untuk melakukan analisis, yaitu metode Regresi Logistik Multinomial dengan menggunakan bantuan software SPSS dalam membuat model dan fungsi.
Traffic accidents are common in daily life. Especially in the road section: Jeneponto - Bantaeng, Bantaeng - Bulukumba, Bulukumba - Tondong, and Sengkang - Impa Impa, South Sulawesi, the level of accidents has varied considerably over the past few years. This happens due to various factors that are internal or external. Some external factors that influence the occurrence of traffic accidents are the average daily traffic, the standard deviation of the vehicle, and the average speed of the driver. This study aims to obtain a model that can be used to estimate the severity of accidents that occur due to these three factors. The method used to do the analysis, the Multinomial Logistic Regression method using SPSS software in making models and functions."
Depok: Fakultas Teknik Universitas Indonesia , 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Yogi Ilham
Analisis Karakteristik Kecelakaan Jalan Tol Cikopo-Palimanan Dengan Pendekatan Data Mining = Analyzing Road Accident Characteristic in Cikopo-Palimanan Highway Using Data Mining
"ABSTRAK
Kecelakaan lalu lintas adalah peristiwa yang terjadi secara tidak sengaja dan di luar dugaan. Di Indonesia, angka kecelakaan terus mengalami peningkatan setiap tahun dan merugikan lebih dari satu milyar per tahun serta memakan korban lebih dari 800.000 jiwa dalam periode 2014-2018. Jalan Tol Cikopo-Palimanan adalah ruas terpanjang dari jaringan tol Trans-Jawa yang mengkoneksikan pulau Jawa dari Pelabuhan Merak, Banten hingga Pelabuhan Ketapang, Jawa Timur. Dalam langkah pencegahan dan penurunan kecelakaan, diperlukan strategi untuk mengidentifikasi faktor-faktor kecelakaan. Data mining adalah metode pencarian informasi untuk data berjumlah besar. Metode data mining yang digunakan adalah clustering untuk mengurangi heterogenitas data dan association untuk mengidentifikasi hubungan antara faktor kecelakaan. Penelitian ini menemukan ada tiga belas cluster kecelakaan yang kemudian setiap cluster dianalisis menggunakan metode apriori algorithm dengan parameter minimum support 20% dan nilai lift 1.
ABSTRACT
Traffic accidents are events that occur accidentally and unexpectedly. In Indonesia, the number of accidents continues to increase every year and costs more than one billion per year and claimed more than 800,000 lives in the 2014-2018. Cikopo-Palimanan Toll Road is the longest section of the Tol Trans-Jawa road network that connects Pelabuhan Merak, Banten Pelabuhan Ketapang, East Java. In order to prevent and decrease number of accidents, a strategy is needed to identify accident factors. Data mining is a method of finding information from large amounts of data. Data mining methods used in this study are clustering to reduce data heterogeneity and association to identify the relationship between accident factors. This study found thirteen accident clusters and each cluster was analyzed using apriori algorithm method with a minimum support parameter of 20% and a lift value of 1."
2020
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
M. Alwi Sukra
Rancang bangun sistem pendeteksi kantuk berdasarkan citra wajah berbasis deep neural network pada android = Development of drowsiness detection system using face image based on deep neural network on android
"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.
"
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Silvia Fitriana
Hubungan Faktor Manusia dan Lingkungan dengan Kecelakaan Lalu Lintas pada Pengemudi Sepeda Motor di Kota Jakarta Utara Tahun 2022-2023 = Correlation between Human and Environmental Factors with Traffic Accident among Motorcyclist in North Jakarta City in 2022-2023
"Peningkatan populasi penduduk di suatu perkotaan berdampak pada meingkatnya beban terhadap sistem transportasi, salah satunya adalah kecelaaan lalu lintas. Berada pada urutan kesembilan sebagai penyebab utama kematian di dunia dan diperkiran berada pada urutan keempat pada 2030. Kecelakaan lalu lintas di Jakarta utara memiliki indeks fatalitas tertinggi di Jakarta. Pada tahun 2022-2023, terdapat peningkatan angka kecelakaan lalu lintas dengan penyebab dan korban didominasi oleh pengemudi sepeda motor. Penelitian ini bertujuan untuk menganalisis faktor manusia (usia, jenis kelamin, lengah, mengantuk atau lelah, tidak tertib lalu lintas, penggunaan alat pelindung diri, dan kepemilikan SIM) dan faktor lingkungan (geometri jalan, permukaan jalan, waktu kejadian, dan cuaca) dalam kecelakaan lalu lintas pada pengemudi sepeda motor di Kota Jakarta Utara Tahun 2022-2023. Menggunakan desain strudi cross sectional dengan metode kuantitatif dan total sampling sebagai teknik pengambilan sampel. Analisis statistik dilakukan menggunakan uji chi-square dan regresi logistik dengan tingkat kepercayaan 95% (p-value=0,05). Hasil penelitian ini menunjukkan adanya hubungan antara jenis kelamin (p-value=0,005; OR=2,667), tidak tertib lalu lintas (p-value<0,001; OR=4,108), dan cuaca (p-value=0,001; OR=3,774) dengan kecelakaan lalu lintas. Variabel yang paling berpengaruh terhadap terjadinya kecelakaan lalu lintas adalah tidak tertib lalu lintas. Berdasarkan hasil analisis spasial, titik lokasi kecelakaan lalu lintas terbanyak berada di Jalan Raya Cilincing, Jalan R. E. Martadinata, dan Jalan. Yos Sudarso.
The increasing population of urban areas has resulted in an increasing burden on the trasportation system, including traffic accident. Traffic accident is the ninth leading cause of death in the world and are expected to foruth by 2023. Traffic accident in North Jakarta have the highest fatality index in Jakarta. In 2022-2023, there was an increase in the number of traffic accident with casuse and victims dominated by motorcyclist. This study aims to analyze human factors (age, gender, inattention, drownsiness or fatigue, traffic violation, use of personal protective equipment, and possession of driver’s license) and environmental factors (road geometry, road surface, time of accident, and weather) in traffic accident among motorcyclist in North Jakarta City in 2022-2023. This study used a cross-sectional study design with quantitative methods and total sampling as sampling techniques. Statistical analysis was perfomed using the chi-square test and binary logistic regression with 95% confident level (p-value=0,005). The result showed and association between gender (p-valu=0,005; OR=2,667), traffic violation (p-value<0,001; OR=4,108), and weather (p-value=0,001; OR=3,774) with traffic accident among motorcyclyst. The most influential variabel in the occurrence of traffic accident among motorcyclist is traffic violation. Based on the spatial analysis, the most location of traffic accident are Jalan Raya Cilincing, Jalan R. E. Martadinata, and Jalan Yos Sudarso."
Depok: Fakultas Kesehatan Masyarakat Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Widian Baron Sudharta
Rancang bangun prototipe sistem pengendalian lampu lalu lintas otomatis berbasis Google distance matrix API = Development of adaptive traffic control systems prototype based on Google distance matrix API
"Kemacetan menjadi masalah umum yang sering terjadi di kota besar di dunia. Apabila ditelaah lebih lanjut kita sering menemukan bahwa titik lokasi kemacetan banyak timbul pada persimpangan akibat tidak optimalnya durasi siklus sinyalnya sehingga membuat lampu lalu lintas tersebut tidak efisien. Sistem Pengendalian Lalu Lintas Otomatis ini dikembangkan dengan memanfaatkan Distance Matrix API dari Google Maps Platform sebagai masukan data untuk perhitungan durasi siklusnya. Distance Matrix API adalah layanan yang dapat digunakan untuk menghitung waktu tempuh antara satu lokasi dengan lokasi yang lainnya berdasarkan data historis maupun real-time. Sistem Pengendalian Lalu Lintas Otomatis dibuat menggunakan bahasa pemrograman Java dan algoritmanya diuji pada simulasi yang dibuat pada aplikasi perangkat lunak ProModel. Berdasarkan hasil pengujian, sistem dapat meningkatkan troughput dari sebuah persimpangan sebesar 4-5 dan dapat mengurangi total waktu tempuh yang dibutuhkan sebesar 1-7 jika dibandingkan dengan sistem lampu lalu lintas fixed timing.
Traffic congestion is a common transportation problem that occurs in big cities around the world. If we look further, we often found congestion is centered in an intersection caused by poor cycle time of traffic signal leading inefficiency of the traffic light. This Adaptive Traffic Control Systems used Distance Matrix API from Google Maps Platform as data input to calculate a more efficient cycle time. Distance Matrix API is a service that provides travel time between points based on historical and real time data. This system is built with the programming language Java and the algorithm is simulated within modelling software ProModel. Based on test result, the proposed system is able to increase the throughput of an intersection by 4 5 and can decrease total travel time by 1 7 compared to fixed timing traffic light system. "
Depok: Fakultas Teknik Universitas Indonesia, 2018
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Hoose, Neil
Computer image processing in traffic engineering / Neil Hoose
England: Research Studies Press, 1991
629.895 HOO c
Buku Teks  Universitas Indonesia Library
cover
Hansen Jonathan
Deteksi Pelat Mobil pada Citra Mobil dengan Menggunakan YOLOv7 = Car License Plate Detection on Car Image with YOLOv7
"Electronic traffic law enforcement (ETLE) merupakan solusi yang diharapkan membantu mengurangi pelanggaran lalu lintas. Dengan ETLE, kemacetan akibat tindakan polisi untuk memberhentikan kendaraan langsung di tempat serta terjadinya tindakan suap dapat dihilangkan. Salah satu hal penting pada ETLE adalah identifikasi kendaraan pada citra atau video seperti pelat kendaraan, kondisi pengemudi dan lain sebagainya. Sebelum identifikasi, model harus mendeteksi terlebih dahulu mana bagian yang ingin diidentifikasi. Deteksi pelat mobil pada citra mobil merupakan salah satu tantangan yang berat. Penelitian ini dilakukan dengan data yang tergolong kecil, sehingga terlihat apakah model dapat berjalan dengan baik atau tidak. Analisis kinerja model dapat dilihat dari kurva yang dihasilkan model YOLOv7 beserta hasil uji yang dilakukan. Adanya penelitian ini diharapkan dapat memberi wawasan yang lebih baik dalam pengembangan dan peningkatan model deteksi objek yang efisien dan akurat di masa depan.
Electronic Traffic Law Enforcement (ETLE) is a solution that is expected to help reduce traffic violations. With ETLE, traffic jams due to police action stop vehicles right where they occur and acts of bribery can be eliminated. One of the important things in ETLE is vehicle identification on images or videos, such as vehicle plates, driver conditions, and so on. Before identification, the model must first detect which part it wants to identify. The detection of car plates on car images is a formidable challenge. This research was conducted with relatively small data, so it showed whether the model works well or not. An analysis of the performance of the model can be seen from the curves that are produced by the YOLOv7 model, along with the results of the tests that were carried out. The existence of this research is expected to provide better insight into the development and improvement of efficient and accurate object detection models in the future."
Depok: Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
DP. Nala Krisnanda
Rancang Bangun Sistem Pendeteksi dan Peringatan Kantuk Multi-Sensor Pada Android Menggunakan Pemrosesan Citra Wajah, Data Gelombang Otak, dan Data Detak Jantung Berbasis Convolutional Neural Network = Development of Convolutional Neural Network Based Multi Sensor Drowsiness Detection and Warning System on Android Using Face Image, Brainwaves, and Heart Rate Data
"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%

 

"
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rido Dwi Oktanto
Pengembangan sistem deteksi dan pengenalan wajah menggunakan arsitektur resnet dan ESP-32 = Development of a face detection and recognition system using resnet and ESP-32 architecture
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>