Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.

---

The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."

"

Kecerdasan buatan atau Artificial Intelligence (AI) banyak berkembang dalam sektor-sektor seperti: speech recognition, computer vision, Natural Language Processing, dll. Salah satu sektor penting yang banyak dikembangkan oleh peneliti adalah Speech Emotion Recognition atau pengenalan emosi berdasarkan suara manusia. Penelitian ini semakin berkembang karena timbul sebuah tantangan bagi manusia untuk memiliki interaksi mesin dan manusia yang lebih natural yaitu suatu mesin yang dapat merespon emosi manusia dengan memberikan balasan yang tepat juga. Perancangan Speech Emotion Recognition pada penelitian ini menggunakan dataset berupa fitur ekstraksi audio MFCC, Spectrogram, Mel Spectrogram, Chromagram, dan Tonnetz serta memanfaatkan metode Transfer Learning VGG-16 dalam pelatihan modelnya. Dataset yang digunakan diperoleh dari pemotongan audio dari beberapa film berbahasa Indonesia dan kemudian audio yang diperoleh diekstraksi fitur dalam kelima bentuk fitur yang disebut sebelumnya. Hasil akurasi model paling baik dalam penelitian ini adalah model transfer learning VGG-16 dengan dataset Mel Spectrogram yaitu dengan nilai akurasi 56.2%. Dalam pengujian model dalam pengenalan setiap emosi, f1-score terbaik diperoleh model transfer learning VGG-16 dengan dataset Mel Spectrogram dengan f1-score yaitu 55.5%. Skala mel yang diterapkan pada ekstraksi fitur mel spectrogram berpengaruh terhadap baiknya kemampuan model dalam mengenali emosi manusia.

---

Artificial Intelligence has been used in many sectors, such as speech recognition, computer vision, Natural Language Processing, etc. There was one more important sector that has been developed well by the scientists which are Speech Emotion Recognition. This research is developing because of the new challenge by human to have a better natural interaction between machines and humans where machines can respond to human’s emotions and give proper feedback. In this research, to create the speech emotion recognition system, audio feature extraction such as MFCC, Spectrogram, Mel Spectrogram, Chromagram, and Tonnetz were used as input, and using VGG-16 Transfer Learning Method for the model training. The datasets were collected from the trimming of audio from several Indonesian movies, the trimmed audio will be extracted to the 5 features mentioned before. The best model accuracy is VGG-16 with Mel Spectrogram dataset which has reached 56.2% of accuracy. In terms of recognizing the emotion, the best f1-score is reached by the model VGG-16 with Mel Spectrogram dataset which has 55.5% of f1-score. Mel scale that is applied to the feature extraction of mel spectrogram affected the model’s ability to recognize human emotion.

"

"Perkembangan Artificial Intelligence (AI) sudah berkembang pesat. Dari ketiga arah pengembangan AI yakni computer vision, speech processing dan natural language processing. Speech processing memiliki tren paling rendah di antara ketiga pengembangan tersebut. Meskipun begitu pengembangan di bidang speech processing seperti speech recognition dan keyword spotting sudah banyak di implementasikan seperti model keyword spotting menggunakan Convolutional Neural Network (CNN) di microcontroller, mobile device dan perangkat lainnya. Namun CNN saja belum tentu menghasilkan akurasi yang tinggi maka dicoba Depthwise Separable Convolutional Neural Network (DSCNN) untuk mendapatkan hasil dengan akurasi yang lebih tinggi. Pengembangan model keyword spotting belum banyak diimplementasikan di edge device lainnya, yang dimaksud dengan edge device yaitu perangkat sederhana di sisi pengguna yang kemampuan komputasinya terbatas. Dengan menggunakan DSCNN menunjukkan nilai F1 score yang dibandingkan dengan model CNN. Model DSCNN menghasilkan model dengan nilai F1 score paling optimal dengan 4 layer konvolusi depthwise separable, menggunakan filter konvolusi sebanyak 256 dengan jumlah filter konvolusi depthwise 512 menggunakan optimizer RMSprop dan menggunakan batch size berukuran 126. Dari hasil pengujian dapat diketahui bahwa secara umum DSCNN menghasilkan F1 score yang lebih baik dibandingkan CNN yaitu sebesar 31,8% dengan CNN sebesar 28,35%. Namun DSCNN menggunakan sumber daya yang lebih banyak dan lebih lama waktu responsnya.

---

The development of Artificial Intelligence (AI) has grown rapidly. Of the three directions of AI development, namely computer vision, speech processing, and natural language processing. Speech processing has the lowest trend among the three developments. However, many developments in speech processing such as speech recognition and keyword spotting have been implemented, such as the keyword spotting model using the Convolutional Neural Network (CNN) in microcontrollers, mobile devices, and other devices. However, CNN alone does not necessarily produce high accuracy, so a Depthwise Separable Convolutional Neural Network (DSCNN) is used to get results with higher accuracy. The development of the keyword spotting model has not been widely implemented in other edge devices, which is meant by edge devices, namely simple devices on the user's side with limited computing capabilities. Using DSCNN shows the F1 score which is compared with the CNN model. The DSCNN model produces a model with the most optimal F1 score with 4 layers of convolution depthwise separable, using a convolution filter of 256 with a convolution depthwise filter of 512 using the RMSprop optimizer and using a batch size of 126. From the test results, in general DSCNN produces F1 score which is better than CNN, which is 31,8% with CNN at 28,35%. However, DSCNN uses more resources and a longer response time."

"Skripsi ini membahas tentang peran dan identitas ilustrator di tengah maraknya penggunaan AI Art. Keberadaan AI Art yang mampu menciptakan ilustrasi secara otomatis telah menimbulkan pertanyaan kritis apakah kehadiran kecerdasan buatan ini akan menggantikan peran tradisional ilustrator di masa depan. Metode penelitian yang digunakan dalam skripsi ini adalah wawancara mendalam dengan tiga subjek yang merupakan ilustrator berpengalaman, serta dilakukan observasi terhadap aktivitas mereka di media sosial. Hasil penelitian ini menunjukkan bahwa pemahaman dan pandangan beragam para ilustrator tentang potensi mereka akan digantikan oleh AI. Ilustrator meyakini memiliki kelebihan tersendiri dibandingkan dengan AI yang mendasari tindakan mereka dalam membuat ilustrasi yang berbeda dengan hasil ilustrasi buatan AI.

---

This paper discusses the role and identity of the illustrator in the midst of the widespread use of AI Art. The existence of AI Art which is able to create illustrations automatically has raised a critical question whether the presence of artificial intelligence will replace the traditional role of the illustrator in the future. The research method used for this paper is in-depth interviews with three subjects who are experienced illustrators, as well as observing their activities on social media. The results of this study show that illustrators has diverse understanding and views of their potential will be replaced by AI. Illustrators believe they have their own advantages compared to AI which underlies their actions in making illustrations that are different from the illustrations made by AI."

"Dewasa ini, tidak dapat dipungkiri bahwa teknologi telah berkembang pesat dan digunakan secara masif di seluruh dunia. Mesin kecerdasan buatan atau AI pada masa ini mampu memenuhi berbagai macam kebutuhan manusia. Saat ini, sudah hadir generative AI dengan bentuk chatbot yang mampu menjawab pertanyaan dalam bentuk prompt dari manusia sebagai pengguna. Namun, tentunya perkembangan pesat kecerdasan buatan ini tidak bersifat sempurna. Dalam beberapa situasi, terjadi kesalahan dalam perkembangan kecerdasan buatan dan hal tersebut justru berpotensi untuk merugikan manusia, contohnya terjadinya pencemaran nama baik dalam chatbot seperti yang terjadi pada tahun 2023 di Amerika Serikat. Situasi tersebut pastinya akan menimbulkan beberapa macam ketidakpastian, salah satunya adalah pihak yang akan bertanggungjawab dalam hal terjadinya kesalahan hasil dari mesin kecerdasan buatan. Perumusan penulisan akan membahas lebih lanjut mengenai kedudukan generative AI di Indonesia dan Amerika Serikat sampai dengan tanggung jawab terhadap performa AI yang dianggap mencemarkan nama baik. Penulisan penelitian ini dilakukan dengan metode penelitian hukum doktrinal yang disusun lebih lanjut dengan pendekatan analisis yuridis normatif, yaitu dengan berfokus kepada kaidah-kaidah norma hukum dan penerapannya.

---

Today, technology has developed rapidly and is used massively throughout the world. Today's artificial intelligence or AI machines are able to fulfil various human needs. Currently, generative AI is available in the form of chatbot which is able to answer questions in the form of prompts from humans as users. However, of course, the rapid development of artificial intelligence is not perfect. In several situations, errors occur in the development of artificial intelligence and has the potential to harm humans, for example defamation in chatbots as happened in 2023 in the United States. Such situation will inevitably create several kinds of uncertainty, one of which is determining who will be held responsible when errors arise as the results of artificial intelligence systems. The formulation of this paper will discuss the standing of generative AI in Indonesia and the United States, including responsibility for AI performance that is considered defamatory. The writing of this study is reviewed with doctrinal research method, developed with a normative juridical analysis approach, focusing on legal norms and the application of legal norms."

"Dewasa ini, tidak dapat dipungkiri bahwa teknologi telah berkembang pesat dan digunakan secara masif di seluruh dunia. Mesin kecerdasan buatan atau AI pada masa ini mampu memenuhi berbagai macam kebutuhan manusia. Saat ini, sudah hadir generative AI dengan bentuk chatbot yang mampu menjawab pertanyaan dalam bentuk prompt dari manusia sebagai pengguna. Namun, tentunya perkembangan pesat kecerdasan buatan ini tidak bersifat sempurna. Dalam beberapa situasi, terjadi kesalahan dalam perkembangan kecerdasan buatan dan hal tersebut justru berpotensi untuk merugikan manusia, contohnya terjadinya pencemaran nama baik dalam chatbot seperti yang terjadi pada tahun 2023 di Amerika Serikat. Situasi tersebut pastinya akan menimbulkan beberapa macam ketidakpastian, salah satunya adalah pihak yang akan bertanggungjawab dalam hal terjadinya kesalahan hasil dari mesin kecerdasan buatan. Perumusan penulisan akan membahas lebih lanjut mengenai kedudukan generative AI di Indonesia dan Amerika Serikat sampai dengan tanggung jawab terhadap performa AI yang dianggap mencemarkan nama baik. Penulisan penelitian ini dilakukan dengan metode penelitian hukum doktrinal yang disusun lebih lanjut dengan pendekatan analisis yuridis normatif, yaitu dengan berfokus kepada kaidah-kaidah norma hukum dan penerapannya.

---

Today, technology has developed rapidly and is used massively throughout the world. Today's artificial intelligence or AI machines are able to fulfil various human needs. Currently, generative AI is available in the form of chatbot which is able to answer questions in the form of prompts from humans as users. However, of course, the rapid development of artificial intelligence is not perfect. In several situations, errors occur in the development of artificial intelligence and has the potential to harm humans, for example defamation in chatbots as happened in 2023 in the United States. Such situation will inevitably create several kinds of uncertainty, one of which is determining who will be held responsible when errors arise as the results of artificial intelligence systems. The formulation of this paper will discuss the standing of generative AI in Indonesia and the United States, including responsibility for AI performance that is considered defamatory. The writing of this study is reviewed with doctrinal research method, developed with a normative juridical analysis approach, focusing on legal norms and the application of legal norms."

"Artificial Intelligence (AI) telah berkembang sangat pesat sehingga sudah sering terlihat dan digunakan secara umum oleh masyarakat. Salah satu jenis AI yang sering digunakan adalah speech recognition terutama keyword spotting yang disebabkan karena pandemi COVID-19. Implementasi keyword spotting dapat diterapkan pada lift sebagai sistem navigasi agar para pengguna lift tidak perlu melakukan kontak pada tombol, melainkan dapat menggerakkan lift hanya dengan mengucapkan lantai yang dituju. Metode untuk melakukan implementasi keyword spotting pada sistem lift dapat dilakukan dengan banyak metode, namun pada skripsi ini, metode yang diujikan adalah CNN (Convolutional Neural Network) dan MHAtt RNN (Multihead Attention Recurrent Neural Network). Penelitian yang dilakukan memiliki batasan untuk setiap metode agar dapat melakukan klasifikasi enam keyword dan melihat performa kedua metode dalam berbagai skenario yang dapat terjadi dalam lift. Dalam pembentukan model dari MHAtt RNN, dapat diketahui bahwa model memiliki performa terbaik ketika dibentuk dengan jumlah head untuk attention sebesar 8 dan LSTM dengan jumlah unit sebanyak 32. Pelatihan pada model dilakukan menggunakan optimizer Adam dengan learning rate sebesar 0.001 dan decay 0.005 agar pelatihan dapat menghasilkan model yang paling baik. Setelah melakukan pengujian pada berbagai skenario yang dapat terjadi di dalam sebuah lift, didapatkan hasil bahwa secara keseluruhan model CNN memiliki performa yang lebih baik dibandingkan model MHAtt RNN karena memiliki nilai F1-score dan precision yang lebih tinggi.

---

Artificial Intelligence (AI) has grown so rapidly that it has often been seen and used in general by the public. One type of AI that is often used is speech recognition, especially keyword spotting caused by the COVID-19 pandemic. The implementation of keyword spotting can be applied to elevators as a navigation system so that elevator users do not need to make contact with buttons but can move the elevator just by saying the intended floor. There are many methods to implement keyword spotting in elevator systems, but in this thesis, the methods tested are CNN (Convolutional Neural Network) and MHAtt RNN (Multihead Attention Recurrent Neural Network). The research conducted has limitations for each method in order to be able to classify six keywords and see the performance of both methods in various scenarios that can occur in an elevator. In forming the model from MHAtt RNN, it can be seen that the model has the best performance when it is formed with the number of heads for attention of 8 and the LSTM with the number of units of 32. The training on the model is carried out using the Adam optimizer with a learning rate of 0.001 and a decay of 0.005 so that the training can produce the best models. After testing on various scenarios that can occur in an elevator, the results show that the CNN model overall has better performance than the MHAtt RNN model because it has a higher F1-score and precision."

"Indonesia merupakan negara maritim terbesar di dunia dengan banyak sekali ikan yang hidup di perairan Indonesia Hal ini membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan kuota untuk operasi penangkapan ikan serta pemasangan kamera pengawas, namun solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan mencegah terjadinya IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi jenis ikan hasil tangkapan. Sistem dirancang menggunakan konsep object detection dan instance segmentation yang merupakan sebuah bidang dari machine learning, menggunakan toolbox MMDetection dengan algoritma Faster R-CNN dan GFL untuk metode object detection dan algoritma Mask R-CNN untuk metode instance segmentation. Dimana sistem tersebut merupakan model kecerdasan buatan yang dapat melakukan pendeteksian ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP @50 0,758, besar F1-Score 0,761, dan membutuhkan waktu untuk pelatihan selama 7 jam 32 menit. Selain itu, model tersebut juga mendapatkan akurasi yang lebih baik sebanyak 20% dari perbandingan dengan model object detection.

---

Indonesia, as the world's largest maritime country, is home to a vast variety of fish species in its waters. This reality poses numerous threats to Indonesia's fisheries sector. One significant challenge is illegal, unreported, and unregulated (IUU) fishing, which has considerable detrimental effects and causes substantial losses to the Indonesian fisheries industry. Several solutions have been proposed to address this problem, including the implementation of fishing quotas and the installation of surveillance cameras. However, these solutions have not yielded significant impacts in reducing and preventing IUU fishing. Hence, this research aims to develop a fish species detection system. The system is designed based on the concepts of object detection and instance segmentation, which are subfields of machine learning. The research utilizes the MMDetection toolbox with the Faster R-CNN and GFL algorithms for object detection, as well as the Mask R-CNN algorithm for instance segmentation. This artificial intelligence-based system enables the detection of captured fish to monitor the quantity of fish caught by fishermen, thereby significantly reducing IUU fishing. The research's best-performing system employs the instance segmentation model, achieving an mAP@50 score of 0.758, an F1-Score of 0.761, and requires a training time of 7 hours and 32 minutes. Moreover, this model also demonstrates a 20% improvement in accuracy compared to the object detection model."