Hasil Pencarian  ::  Simpan CSV :: Kembali

"Komunikasi yang efektif sangat penting untuk penyediaan layanan kesehatan yang berkualitas. Di rumah sakit, pasien yang kemampuan komunikasinya terbatas secara fisik mungkin menghadapi tantangan dalam mengungkapkan kebutuhan dasar mereka kepada penyedia layanan kesehatan. Untuk mengatasi masalah ini, dalam penelitian ini dikembangkan sistem pengenalan isyarat tangan untuk pasien dengan keterbatasan fisik. Sistem ini menggunakan Mediapipe dan long short-term memory (LSTM) model untuk mendeteksi dan mengklasifikasi 24 kelas isyarat tangan. Isyarat tangan untuk pasien yang digunakan berdasarkan kartu single hand sign communication, yang dibuat oleh Derek Tune, seorang intrepeter bahasa isyarat pada tahun 2012. Akuisisi data hand landmark dalam bentuk video sepanjang 10 frame untuk setiap kelas isyarat tangan, yang kemudian diolah dan dianalisis menggunakan model LSTM. Model LSTM dilatih menggunakan teknik early stopping untuk mendapatkan performa optimal, menghasilkan tingkat akurasi model 85,53% dengan presisi 0,911. Model dapat mendeteksi isyarat tangan secara waktu nyata dengan waktu inferensi 130 milidetik. Sistem ini juga dirancang untuk mengirim pesan notifikasi secara otomatis ke penyedia layanan kesehatan melalui bot Telegram. Secara keseluruhan, sistem pengenalan isyarat tangan pasien memiliki potensi untuk meningkatkan komunikasi antara pasien dan penyedia layanan kesehatan dan memungkinkan pasien penyandang disabilitas untuk lebih mudah memenuhi kebutuhan dasar mereka.

---

Effective communication is essential to provide quality health services. In hospitals, patients with physically limited communication skills may face challenges expressing their basic needs to health care providers. To overcome this problem, this research developed a hand signal recognition system for patients with physical limitations. This system uses the Mediapipe model and long shortterm memory (LSTM) to detect and classify 24 classes of hand signals. Hand signals for patients used are based on the single hand sign communication card, which was made by Derek Tune, a sign language interpreter in 2012. Acquisition of hand landmark data in the form of a 10-frame video for each hand signal class, which is then processed and analyzed using LSTM models. The LSTM model minimizes using early stopping techniques to get optimal performance, resulting in a model accuracy rate of 85.53% with a precision of 0.911. The model can detect real-time hand signals with an inference time of 130 milliseconds. The system is also designed to automatically send message notifications to healthcare providers via Telegram bots. Overall, patient hand signal recognition systems have the potential to improve communication between patients and healthcare providers and enable patients with disabilities to meet their basic needs more easily."

"Pada penelitian ini, suatu sistem tangan bionik dirancang dan dibuat berdasarkan batasan-batasan yang dapat ditemukan dalam tangan manusia yang kemudian akan dikontrol dengan serangkaian algoritmayang ditulis dalam Matlab dan kemudian ditanamkan kedalam kontroler Arduino Uno. Algoritma memberikan perintah agar sistem dapat mengikuti beberapa pola gerakan tangan. Algoritma classification berdasarkan ensemble subspace KNN digunakan untuk menentukan gerakan yang dilakukan dan algoritma forward kinematics digunakan untuk menentukan parameter kontrol tangan bionik. Hasil dari penelitian menunjukan bahwa algoritma kontrol yang di rancang sudah memenuhi spesifikasi yang diinginkan namun masih membutuhkan perangkat keras dengan spesifikasi yang cukup tinggi untuk pengaktuasian.

---

In this research, a bionic hand system is designed and created according to the limitations of the human hand, the model is then controlled using computer algorithms written in Matlab and implanted into Arduino Uno as the controller. The algorithm will command the system to follow a few arm movements patterns. Subspace KNN based ensemble algorithm is used to process the users input and a forward kinematics-based algorithm define control parameters for the bionic arm. The experimental result indicate that the designed algorithm already met the desired specification but still requires hardwares with quite a high specification for actuation."

"Telah dibuat suatu robot pengangkut barang dengan metode pengangkutan seperti forklift dengan menggunakan color sensor TCS230 sebagai petunjuk jalan di setiap tikungan dan juga sebagai petunjuk daerah pengangkutan barang maupunpenyimpanan barang. Digunakan pula sebuah sensor jarak sebagai pendeteksi dinding maupun barang yang akan diangkut. Semua rancang bangun alat ini dikendalikan oleh sebuah microcontroller yang mengambil data dari semua sensoryang digunakan, kemudian diaplikasikan dengan mengatur pergerakkan motor dc yang digunakan sebagai penggerak mobilitas robot dan juga sebagai penggerak alat angkut robot. Sistem ini dirancang dengan tujuan untuk membantumemindahan suatu barang produksi dengan sistem otomatis"

"ABSTRAKProstetik merupakan peralatan yang dapat membantu kualitas hidup bagi penyandang disabilitas. Kebutuhan akan sistem yang dapat mengimitasi kemampuan indera manusia diperlukan untuk memberikan kemampuan merasakan kondisi lingkungan sekitar bagi penggunanya. Sehingga diperlukan sistem yang mampu memberikan gambaran keadaan akan kondisi informasi lingkungan sekitar serupa dengan organ anggota gerak manusia. Keseluruhan sistem ini menggunakan rangkaian yang terdiri atas sensor, mikrokontroler dan aktuator. Sistem menggunakan berbagai sensor untuk melakukan imitasi penginderaan, sensor-sensor tersebut adalah DHT11, HX711, dan HC-SR04.  Pengukuran yang dilakukan sensor akan dibaca oleh board mikrokontroler. Sinyal yang dibaca diteruskan ke sistem aktuator untuk melakukan perintah spesifik berdasarkan jenis input data yang diterima. Tugas akhir ini membahas perancangan dari sistem secara menyeluruh mulai dari mendesain sistem sensor hingga sistem aktuator. Pencapaian yang didapat adalah kemampuan dari lengan prostetik yang dapat menyesuaikan dengan kondisi lingkungan sekitar berdasarkan situasi dan mampu memberikan responsi berupa pergerakan pada aktuator dengan biaya terjangkau. Responsi pergerakan didapat berhasil memimik pergerakan sadar maupun pergerakan otonom meski dengan keterbatasan jeda. Didapat nilai jeda rataan waktu pergerakkan aktuator untuk melakukan gerakan flexor adalah 1.699 detik, gerakan extensor adalah 1.322 detik, dan rangsangan taktil 0.457 detik.

---

ABSTRACTProsthetics are equipment that enhances quality of life for people with disabilities. The need for such system which is able to imitate the likes of human senses is critical to give the ability to sense the surrounding environment for its users. Therefore, there is a necessity for a system that is able to pick up what is happening on surrounding environment condition just like human senses are capable of doing. The entirety of system uses circuit compounding of sensor, microcontroller, dan actuator. System utilizes many sensors to imitate human senses, these sensors are DHT11, HX711 and HC-SR04. Measurement made by sensor will read by microcontroller board. Read signals then will be delivered to actuator in order to do specific task based on what kind of input is being given. This final assignment will examine the design of system thoroughly started from designing system of sensor to system of actuator. The achieved goal was prosthetic arm have the ability in which it can adjust according to surrounding environment situationally and able to deliver respond in the form of the movement of actuator with reasonable cost. Movement respond of actuator is able to mimic conscious and unconscious movement even with limiting factor such as delay. Result from measurement yields the average value of time for doing flexor movement for 1.699 second, extensor movement for 1.322 second and tactile sensory feedback for 0.457 second."

"Machine Learning (ML) dan Deep Learning merupakan bidang yang populer pada masa kini. Salah satu ranah tersebut yang menantang untuk diteliti adalah tentang mendeteksi emosi pada teks. Interaksi antara komputer dan manusia dapat menjadi lebih baik apabila komputer dapat mendeteksi emosi, menginterpretasikan emosi tersebut, dan memberikan umpan balik yang sesuai dengan apa yang manusia inginkan. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem pendeteksi emosi pada teks Bahasa Indonesia. Pada penelitian ini, terdapat 2 macam algoritma Deep Learning yang digunakan, yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Convolutional Neural Network merupakan salah satu algoritma Deep Learning dimana karakteristik utamanya menggunakan operasi matriks konvolusi. Long ShortTerm Memory merupakan salah satu algoritma Deep Learning dimana merupakan perkembangan dari algoritma Recurrent Neural Network (RNN). Kedua algoritma tersebut akan didukung dengan Word Embedding Bahasa Indonesia dari fastText dan Polyglot. Package text2emotion akan digunakan sebagai data tambahan untuk evaluasi. Input dataset yang digunakan untuk Deep Learning adalah dataset cerita dongeng yang memiliki emosi "Senang", "Sedih", "Marah", "Takut", "Terkejut", dan "Jijik". Input dataset tersebut akan melalui tahap preprocessing berupa Case Normalization, Stopword Removal, Stemming, Tokenizer, dan Padding. Setelah itu, proses training dijalankan dengan menggunakan RandomizedSearchCV sebagai hyperparameter tuning. Hasil akan dibandingkan dan dianalisis berdasarkan nilai Evaluation Metrics Accuracy, Precision, Recall, dan F1-Score. Sistem berhasil dirancang dengan mencapai hasil Accuracy sebesar 91,60%, Precision sebesar 92,48%, Recall sebesar 91,60%, dan F1- Score sebesar 91,68%.

---

Machine Learning (ML) and Deep Learning is a popular region to be used right now. One of the scopes that challenging to research is about emotion recognition on text. Interaction between computer and human can be better if the computer can recognize the emotion, interpret it, and giving a suitable feedback with the human’s need. Therefore, this research has goal to make an emotion recognition on Indonesian text language. On this research, there’s 2 kind of Deep Learning algorithm that used, that is Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). Convolutional Neural Network is one of Deep Learning algorithm that its main characteristic is using convolution matrix operation. Long Short-Term Memory is one of Deep Learning algorithm which is an improvement from Recurrent Neural Network (RNN) algorithm. Both algorithms will be supported with Indonesian Word Embedding from fastText and Polyglot. Text2emotion package is used for additional data for evaluation. The input dataset that will be used on this Deep Learning is a fairy tale dataset which have “Happy”, “Sad”, “Anger”, “Fear”, “Surprised”, and “Disgust” emotion. That input dataset will be passed to preprocessing stage that consist of Case Normalization, Stop-word Removal, Stemming, Tokenizer, and Padding. After that, training process started with using RandomizedSearchCV as hyperparameter tuning. The result will be compared and analyzed based on Accuracy, Precision, Recall, and F1- Score Evaluation Metrics. System is made with reaching 91.60% Accuracy, 92,48% Precision, 91,60% Recall, and 91,68% F1-Score."

"Bahasa Isyarat Indonesia atau BISINDO adalah bahasa yang sering ditemukan di kalangan Teman Tuli maupun Teman Inklusi dibentuk oleh Teman Tuli dan muncul secara alami berdasarkan pengamatan Teman Tuli yang menyebabkan BISINDO sendiri memiliki variasi atau dialek di berbagai daerah dan BISINDO disampaikan dengan gerakan dua tangan. BISINDO sendiri dapat digunakan sebagai dataset pada metode deep learning seperti LSTM. Di mana pada BISINDO terdapat gerakan dinamis yang membuatnya sulit untuk dilakukan dengan metode CNN. Dengan LSTM dan menggabungkan nya dengan library dari MediaPipe dan Streamlit kita dapat membuat model deep learning yang dapat mendeteksi gerakan secara real-time, akurasi yang baik dan dapat diakses melalui browser. Pada penelitian dibuat rancangan dan pengujian untuk mendeteksi BISINDO secara real-time dengan metode LSTM di bantu dengan library MediaPipe Holistic untuk mendeteksi landmark dari wajah, pose, dan tangan serta Streamlit untuk dapat membuat model diakses melalui browser. Metrik evaluasi yang digunakan pada penelitian ini adalah data dari akurasi, validasi akurasi, loss, validasi loss, confusion matrix, dan classification report untuk mendapatkan data presisi, recall, akurasi, dan f1-score. Pada training model dengan 130 epochs didapat loss 6.19%, akurasi 98.23%, validasi loss 4.58%, dan validasi akurasi 100% serta pengujian model secara real-time yang berhasil dilakukan dengan Visual Studio Code dan browser dengan Streamlit.

---

Indonesian Sign Language or BISINDO is a language that is often found among Deaf Friends and Inclusion Friends formed by Deaf Friends and appears naturally based on the observations of Deaf Friends which causes BISINDO itself to have variations or dialects in various regions. BISINDO is conveyed with two hand gestures. BISINDO itself can be used as a dataset in deep learning methods such as LSTM. Whereas in BISINDO there is a dynamic movement which makes it difficult to do with the CNN method. With LSTM and combining it with libraries from MediaPipe and Streamlit, we can create deep learning models that can detect motion in real-time, have good accuracy, and can be accessed via a browser. In this research, a design and test were made to detect BISINDO in real-time with the LSTM method assisted by the MediaPipe Holistic library to detect landmarks from faces, poses, and hands and Streamlit to be able to make models accessible via a browser. The evaluation metrics used in this study are data from accuracy, accuracy validation, losses, validation losses, confusion matrices, and classification reports to obtain data on precision, gain, accuracy, and f1-score. The training model with 130 epochs obtained 6.19% loss, 98.23% accuracy, 4.58% loss validation, and 100% accuracy validation and real-time model testing which was successfully carried out with Visual Studio Code and a browser with Streamlit."

"Banjir menjadi salah satu bencana alam yang dapat merugikan makhluk hidup sekitarnya. Penyebab banjir umumnya terjadi akibat curah hujan yang ekstrem, kemudian didukung oleh faktor lainnya seperti elevasi, kemiringan lereng, jenis tanah/litologi, tata guna lahan, dan jarak ke sungai. Diperlukan sebuah terobosan baru dalam upaya peramalan untuk mengetahui kawasan kerentanan banjir, sehingga dapat dilakukan tindak pencegahan. Arsitektur deep learning menjadi sebuah solusi dalam permasalahan ini. Long Short-Term Memory (LSTM) merupakan salah satu arsitektur deep learning yang dipakai pada penelitian ini, karena baik dalam memprediksi kejadian jangka panjang. Model LSTM yang dibuat memiliki tren train dan validation loss yang masuk ke zona ideal serta memiliki skor R2 & adjusted R2 sebesar 0,73. Hal tersebut menunjukkan model ini substansial (kuat) dalam memprediksi.Hasil prediksi presipitasi dari model LSTM digunakan sebagai salah satu parameter prediksi wilayah kerentanan bencana banjir di Kota Da Nang, Vietnam yang dikombinasikan dengan parameter pendukung lainnya. Pada prediksi wilayah kerentanan banjir dibagi menjadi lima tingkat kerentanan yakni: sangat rendah, rendah, sedang, tinggi, dan sangat tinggi. Tingkat kerentanan sangat rendah dan rendah berada di bagian barat objek penelitian dengan luas sebesar 17,35% dan 40,97% dari total luas. Tingkat kerawanan sedang, tinggi, dan sangat tinggi berada di bagian timur objek penelitian dengan luas sebesar 31,61%, 9,79%, dan 0,27% dari total luas.

---

Floods are one of the natural disasters that can harm living creatures around them. The cause of flooding occurs due to extreme rainfall, supported by other factors such as elevation, slope, soil type/lithology, land use, and distance to the river. A breakthrough is needed in forecasting efforts to identify flood vulnerability areas so preventive measures can be taken. Deep learning architecture is a solution to this problem. Long Short-Term Memory (LSTM) is a deep learning architecture used in this study because it is good at predicting long-term events. The LSTM model created has a training and validation loss trend that enters the ideal zone and has R2 & adjusted R2 score of 0.73. This shows model has a substantial (strong) category in predicting.

The results of the precipitation prediction from the LSTM model are used as one of the prediction parameters for flood vulnerability areas in Da Nang City, Vietnam, which is combined with other supporting parameters. The prediction of flood vulnerability areas is divided into five levels of vulnerability: very low, low, moderate, high, and very high. Very low and low levels are in the western part of the research object with an area of 17.35% and 40.97% of the total area. The moderate, high, and very high levels are in the eastern part of the research object with an area of 31.61%, 9.79%, and 0.27% of the total area.

"

"Tanaman kelapa sawit (Elaeis guineensis Jacq.) merupakan tanaman perkebunan yang memiliki nilai ekonomi yang tinggi bagi negara Indonesia, karena hasil dari perkebunan kelapa sawit dapat meningkatkan devisa negara.  Perkebunan kelapa sawit dapat menciptakan lapangan pekerjaan bagi masyarakat Indonesia, sehingga dapat mengurangi angka pengangguran di Indonesia. Perkebunan kelapa sawit di Indonesia telah menyebar ke berbagai daerah, selain terdapat di pulau Sumatera dan Kalimantan, kini perkebunan kelapa sawit hampir terdapat di berbagai daerah di Indonesia baik perkebunan berskala kecil maupun perkebunan berskala besar. Periode produksi kelapa sawit yang digunakan adalah dari Januari 1997 hingga Desember 2023 yang diperoleh dari website PT. X atau data dokumentasi di PT. X. Pada penelitian ini data dibagi menjadi 4 skenario data dengan menggunakan metode Time Series Cross Validation (TSCV). Hasil penelitian menunjukkan bahwa Model LSTM (Long Short-Term Memory) dengan skenario data 1 jumlah neuron 32, dan jumlah epoch 50 memiliki performa yang terbaik dengan nilai akurasi 85.91%. Model SARIMA (Seasonal Autoregressive Integrated Moving Average) dengan skenario data 4 dengan model ARIMA(0,1,1)×(1,1,1)₁₂ memiliki performa yang terbaik dengan nilai akurasi 93.72 %. Sehingga berdasarkan hasil penelitian, Model terbaik diperoleh pada penelitian ini adalah Metode SARIMA menunjukkan nilai MAPE (Mean Absolute Percentage Error) yang lebih kecil dibandingkan Metode LSTM. Secara keseluruhan, kedua metode (SARIMA dan LSTM) mendapatkan akurasi yang cukup baik karena kedua model menghasilkan akurasi yang lebih dari 85%.

---

Oil palm plant (Elaeis guineensis Jacq.) is a plantation cropthat has a high economic value forIndonesia, because  the results of oil palm plantations can increase the country's foreign exchange. Oil palm plantations can create jobs for the people of Indonesia, thus reducing unemployment in Indonesia. Oil palm plantations in Indonesia have spread tovarious regions, besides being found on the islands of Sumatra and Kalimantan, now oil palm plantations are almost found in various regions in Indonesia both small-scale plantations and  large-scale plantations. This research uses historical data in the form of monthly palm oil production to predict the price of strategic food commodities. The period of palm oil production used is from January 1997 to December 2023 obtained from the website of PT. X or documentation data at PT. X. In this study the data was  divided into 4 data scenarios using the Time  Series Cross Validation (TSCV) method. The results showed that the Long Short-Term Memory (LSTM) model with data scenario 1, the number of neurons 32, and the number of epochs 50 had the best performance with an accuracy value of 85.91%. The SARIMA (Seasonal Autoregressive Integrated Moving Average) model with data scenario 4 with the ARIMA (0,1,1)×(1,1,1)₁₂ model has the best performance with an accuracy value of 93.72%. So based on the research results, the best model obtained in this study is the SARIMA method which shows a smaller MAPE (Mean Absolute Percentage Error) value than the LSTM method. Overall, both methods (SARIMA and LSTM) get pretty good accuracy because both models produce more than 85% accuracy."

"SIBI merupakan bahasa isyarat resmi yang digunakan di Indonesia. Penggunaan SIBI seringkali ditemukan permasalahan karena banyaknya gerakan isyarat yang harus diingat. Penelitian ini bertujuan untuk mengenali gerakan isyarat SIBI dengan cara mengekstraksi fitur tangan dan wajah yang kemudian diklasifikasikan menggunakan Bidirectional Long ShortTerm Memory (BiLSTM). Ekstraksi fitur yang digunakan dalam penelitian ini adalah Deep Convolutional Neural Network (DeepCNN) seperti ResNet50 dan MobileNetV2, di mana kedua model tersebut digunakan sebagai pembanding. Penelitian ini juga membandingkan performa dan waktu komputasi antara kedua model tersebut yang diharapkan dapat diterapkan pada smartphone nantinya, dimana model tersebut akan diimplementasikan. Hasil penelitian menunjukkan bahwa penggunaan model ResNet50-BiLSTM memiliki kinerja yang lebih baik dibandingkan dengan MobileNetV2-BiLSTM yaitu 99,89%. Namun jika akan diaplikasikan pada arsitektur mobile, MobileNetV2-BiLSTM lebih unggul karena memiliki waktu komputasi yang lebih cepat dengan performa yang tidak jauh berbeda jika dibandingkan dengan ResNet50-BiLSTM.

---

SIBI is a sign language that is officially used in Indonesia. The use of SIBI is often found to be a problem because of the many gestures that have to be remembered. This study aims to recognize SIBI gestures by extracting hand and facial features which are then classified using Bidirectional Long ShortTerm Memory (BiLSTM). The feature extraction used in this research is Deep Convolutional Neural Network (DeepCNN) such as ResNet50 and MobileNetV2, where both models are used as a comparison. This study also compares the performance and computational time between the two models which is expected to be applied to smartphones later, where both models can now be implemented on smartphones. The results showed that the use of ResNet50-BiLSTM model have better performance than MobileNetV2-BiLSTM which is 99.89\%. However, if it will be applied to mobile architecture, MobileNetV2-BiLSTM is superior because it has a faster computational time with a performance that is not significantly different when compared to ResNet50-BiLSTM."

"Akhir-akhir ini kemajuan teknologi robot sangat pesat. Salah satunya adalah robot yang mempunyai kemampuan berinteraksi dengan manusia dan lingkungan secara langsung, tidak membahayakan, dan lebih bersahabat. Pada penelitian ini, akan diimplemetasikan compliance control pada tangan robot dengan mendapatkan informasi force yang diatur dari compliance strategy yang memberikan robot sebuah real intelligent sehingga robot dapat compliance terhadap lingkungan. Pada penelitian ini dimanfaatkan force/torsi (F/T) feedback dari dynamixel rx-24, dan current feedback dari motor DC. Dengan menerapkan Resolved Motion Rate Control (RMRC), trajectory planning dapat dibuat dan setiap waktu, posisi, kecepatan, serta gaya aktual pada setiap joint dapat terekam melalui sensor yang ada pada dynamixel. Untuk memperoleh dinamika sistem digunakan Newton-Euler equation. Hasilnya, Implementasi compliance control pada tangan robot telah berhasil walaupun masih kaku dan kurang presisi.

---

Nowdays, technology of robotic increase rapidly. One of them is robot which have ability to interact with human and environment directly, not dangerous, and more friendly. In this research, designed robot hand using dynamixel as actuator robot arm and DC gearmotor as actuator hand fingers. In this research, implemented compliance control with get force information from compliance strategy which give robot real intelligent to solve the task well.

In this research is used torque feedback from dynamixel rx-24 and current feedback from DC gearmotor. With implement Resolved Motion Rate Control (RMRC), robot hand can move follow instruction given and every time, position, velocity, and actual force every joint can be recorded by dynamixel's sensors. With using Newton-Euler equation about dynamic, so can be gotten force equation in every moving. The result, implementation of compliance control in hand robot is successful although still rough and bad presision."