Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kondisi pasca bencana adalah sebuah kondisi darurat yang membutuhkan pertolongan pertama dari tim penyelamat. Oleh karena itu, dikembangkan pemanfaatan radar yang digunakan untuk mendeteksi manusia dalam kondisi pasca-bencana. Sayangnya, banyaknya parameter yang mempengaruhi pengklasifikasian membatasi pemakaian radar 24 GHz seperti reruntuhan yang menutupi manusia. Oleh karena itu, radar dengan frekuensi yang lebih tinggi dimanfaatkan dengan frekuensi 77 GHz yaitu sinyal milimeter. Metode seperti deep learning dan backpropagation neural network sudah diterapkan pada penelitian-penelitian sebelumnya menggunakan radar sinyal milimeter. Namun, tingkat akurasi dari klasifikasi kelas dari makhluk hidup hanya mencapai 49% dengan jumlah klasifikasi 2 kelas dan 32% dengan jumlah klasifikasi 3 kelas. Oleh karena itu, dikembangkan kembali dengan metode Convolutional Neural Network. Akurasi yang didapatkan meningkat hingga mencapai 99% untuk klasifikasi 2 kelas dan 3 kelas. Namun akurasinya menurun untuk klasifikasi kelas yang lebih banyak hingga 68%. Skripsi ini mengajukan metode 3D-Convolutional Neural Network guna meningkatkan resolusi dari data yang diberikan dalam pelatihan dari model untuk meningkatkan akurasi pada klasifikasi kelas dengan model yang diajukan.

---

The post-disaster condition is an emergency that requires immediate first aid from rescue teams. Therefore, the use of radar has been developed to detect humans in post-disaster conditions. Unfortunately, the numerous parameters affecting classification, such as rubble covering humans, limit the use of 24 GHz radar. Consequently, higher frequency radar, specifically 77 GHz millimeter-wave signals, is utilized. Methods like deep learning and backpropagation neural networks have been applied in previous studies using millimeter-wave radar signals. However, the classification accuracy for living beings reached only 49% for two-class classification and 32% for three-class classification. Therefore, the method was further developed using Convolutional Neural Networks (CNN). The accuracy achieved improved to 99% for both two-class and three-class classifications, but it decreased to 68% for classifications with more classes. This thesis proposes the use of a 3D-Convolutional Neural Network method to enhance the resolution of the data used in model training, aiming to improve the accuracy of class classification with the proposed model."

"Banjir di perkotaan merupakan bencana yang signifikan karena banyaknya penduduk yang terkena dampaknya. Dalam kebanyakan kasus, banjir terjadi bersamaan dengan hujan lebat, sehingga jika diamati dari satelit yang menggunakan sensor optik, daerah tersebut tertutup awan. Penelitan ini mengusulkan framework baru untuk klasifikasi banjir daerah perkotaan menggunakan sensor satelit penginderaan jauh Synthetic Aperture Radar (SAR) yang mempunyai kemampuan menembus awan. Framework ini dikembangkan untuk mengklasifikasi daerah banjir dengan mempertahankan variasi temporalnya. Studi kasus yang digunakan adalah wilayah Jakarta menggunakan metode 3D CNN multi-sensor pada data Sentinel-1 (S-1) multi-temporal dan curah hujan rata-rata Climate Hazard Infrared Precipitation Sensor (CHIRPS). Data terdiri atas 24 scene S-1 dengan polarisasi ganda VV dan VH antara bulan Maret 2019-Februari 2020 yang terdiri dari 20 citra co-polarized dan cross-polarized yang terdiri dari 2 citra co-event, 18 citra pre-event, dan 4 citra post-event sebagai testing data dan data curah hujan dari CHIRPS. Training dilakukan dengan menggunakan hyperparameter 150 epoch, batch size sebesar 100, learning rate sebesar 0,001 dan komposisi data set training/testing digunakan 80/20. Hasil pengujian 3D CNN memberikan rata-rata overall accuracy sebesar 70,3% dengan waktu pemrosesan 113 detik untuk setiap epoch. Dengan hasil tersebut metode 3D CNN diharapkan mampu membantu mengestimasi luas area banjir yang akurat dan mengidentifikasi daerah yang berpotensi mengalami banjir dalam rangka deteksi dini/pencegahan banjir kota-kota lain di masa mendatang.

---

Urban flooding is a significant catastrophe due to its widespread impact on the population. Typically, floods occur concurrently with heavy rainfall, rendering the affected area obscured by clouds when observed through optical sensors on satellites. To address this issue, a novel approach is proposed in this study, aiming to classify flooded urban areas using a remote sensing synthetic aperture radar (SAR) sensor on a satellite. Unlike optical sensors, SAR has the ability to penetrate clouds. The framework was developed by employing the 3D Convolutional Neural Network (CNN) method to preserve the temporal variability, which processed multi-temporal SAR data from Sentinel-1 (S-1) and average rainfall data from the Climate Hazards Infrared Precipitation Sensor (CHIRPS). The dataset used in this research comprised 24 S-1 scenes with Dual VV and VH polarization, covering the period between March 2019 and February 2020 divided into 2 co-event images, 18 pre-event images, and 4 post-event images, along with rainfall data from CHIRPS. The training phase employed hyperparameters of 150 epochs, batch size of 100, and learning rate at 0,001, with training/testing data split of 80/20. The 3D CNN achieved an average overall accuracy of 70.3%, with maximum accuracy at 71,4% and each epoch taking 113 seconds on average to process. These results demonstrate the potential of the 3D CNN method to accurately estimate the extent of flooding and identify areas at risk of flooding, thereby aiding early detection and flood prevention efforts in other cities in the future."

"Pada penelitian ini dirancang High efficiency Concurent Multiband RF Power Amplifier Class-E dengan teknologi CMOS 0.18um type N, yang beroperasi pada frekuensi GSM 900 MHz, GSM 1800 MHz, WIMAX 2300 Mhz, dan LTE 2600 Mhz, dengan menggunakan dua metode perancangan. Rancangan pertama menggunakan metode multiband Class-E Power Amplifier yang konvensional, dan perancangan kedua dengan menambahkan rangkaian Driver Stage untuk menghasilkan Insertion loss yang lebih besar. input matching dan output matching dirancang dengan menggunakan komponen lumped. Tujuan dari perancangan ini adalah untuk mencapai Insertion loss (S21) bernilai lebih besar dari 15 dB dan Return loss (S11) dibawah -15 dB, Tegangan supply 5 Volt, memenuhi standar kestabilan (K > 1), dan Power Added Efficiency >50%, Rancangan ini disimulasikan menggunakan program Advanced Design System (ADS). Hasil simulasi perancangan dengan metode rangkaian driver stage mempunyai nilai S21 sebesar 21.934 dB, 25.581 dB, 21.798 dB, dan 19.997 dB pada frekuensi 900MHz, 1800MHz, 2300MHz, dan 2600MHz. Serta nilai S11 sebesar -15.270 dB, -24.404 dB, -19.974 dB, dan -16.584 dB pada frekuensi 900MHz, 1800MHz, 2300MHz, dan 2600MHz. Dan nilai maksimum PAE sebesar 52.98% pada frekuensi-frekuensi tersebut.

---

In this research is designed High efficiency Concurent Multiband RF Power Amplifier Class-E with 0.18𝜇m CMOS type N, which operates at GSM 900 MHz, GSM 1800 MHz, WIMAX 2300 MHz, and LTE 2600 MHz, using two method of design. First design is using a Conventional Multiband Power Amplifier Class-E and the second design is by adding a Driver Stage to the circuit to achieve much higher Insertion loss. The input matching and output matching is design using lumped component.

The aim of this design is to achieve result of Insertion loss) above 15 dB and Return loss below -15 dB, supply voltage 5 V, power added efficiency above 50%, this design is simulated using Advanced Design System (ADS).

The simulation results using a driver stage circuit shows that S21 of 21.934 dB, 25.581 dB, 21.798 dB, dan 19.997 dB was obtained at 900MHz, 1800MHz, 2300MHz, and 2600MHz. And S11 of -15.270 dB, -24.404 dB, -19.974 dB, and -16.584 dB was obtained at 900MHz, 1800MHz, 2300MHz, and 2600MHz. In terms of maximum PAE was obtain 52.98% at those frequencies."

"ABSTRAKSistem radar untuk aplikasi medis merupakan telah banyak diteliti dan dikembangkan. Salah satu aplikasinya adalah pengukuran kondisi vital manusia seperti tingkat pernafasan dan tingkat detak jantung. Oleh karena itu, diperlukan suatu sistem yang dapat mendeteksi tingkat pernafasan manusia dan tingkat detak jantung manusia. Dalam penelitian ini, dirancang radar continuous-wave dengan LoRa RFM95 sebagai transmitter pada frekuensi kerja 862-1020 MHz dan RTL-SDR sebagai receiver sekaligus analog to digital converter. Antena yang digunakan dalam penelitian ini adalah antena microstrip rectangular satu elemen sebanyak dua buah, masing-masing sebagai antena pengirim dan antena penerima dengan frekuensi tengah 904 MHz dan bandwidth 2,8 dengan gain -1,936 dBi. Melalui persamaan umum radar, dihitung jarak maksimum radar untuk deteksi tingkat pernafasan manusia adalah sebesar 2,002 meter dan untuk deteksi tingkat detak jantung manusia adalah sebesar 0,8954 meter. Pengambilan data dilakukan selama 60 detik tiap pengambilan yang dibagi dalam delapan skenario, yaitu skenario ketika transmitter tidak diaktifkan, skenario ketika tidak ada target, skenario ketika target bernafas normal, skenario ketika target bernafas dalam, skenario target meninggalkan jangkauan radar, skenario target mengayunkan tangan, skenario target bergerak mendekati dan menjauhi radar, dan skenario target selesai berolahraga. Jarak antara target dengan sistem radar adalah sejauh 0,7 meter. Metode yang digunakan untuk mendapatkan tingkat pernafasan dan detak jantung manusia adalah metode sampling langsung, demodulasi amplitudo, dan demodulasi arctangent. Demodulasi amplitudo memiliki performa paling baik dibandingkan dengan metode yang lain. Dengan metode demodulasi amplitudo, sistem radar ini dapat mendeteksi tingkat pernafasan manusia, tetapi belum mampu mendeteksi tingkat detak jantung manusia karena noise dan atenuasi yang besar.

---

ABSTRACTRadar systems for medical applications are widely researched and developed. One application of this radar is to measure human vital conditions such as respiratory rate and heartbeat rate. Therefore, a system that can detect human respiratory rate and human heartbeat rate is in need. In this study, a continuous-wave radar was designed with a LoRa RFM95 as a transmitter at 862-1020 MHz frequency and RTL-SDR as a receiver as well as an analog to digital converter. The antenna used in this study are two single elements rectangular microstrip patch antennas, each for transmitting antenna and for receiving antenna with center frequency of 904 MHz, bandwidth of 2.8, and gain of 1.936 dBi. Using radar range equation, the maximum radar distance to detect humans respiratory rate is 2.002 meters and the maximum radar distance to detect humans heartbeat rate is 0.8954 meters. Data is collected for 60 seconds for each batch and is divided into eight scenarios, namely the scenario when the transmitter is not activated, the scenario when there is no target, the scenario when the target breathes normally, the scenario when the target breathes deeply, the scenario when target leaves radar reach, the scenario when target swings his her arm, the scenario when target moves forward and backward, and the scenario when target has finished excercising. The distance between the target and the radar system is 0.7 meters. The methods used to obtain human respiratory rate and heartbeat rate are direct sampling method, amplitude demodulation, and arctangent demodulation. Amplitude demodulation has the best performance compared to other methods. With amplitude demodulation method, this radar system can detect human respiratory rates, but has not been able to detect the human heartbeat rate due to the presence of noise and attenuation."