Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sitem pengenal aksi manusia saat ini sudah mulai menarik perhatian bannyak orang. Salah satu modalitas yang digunakan dalam sistem pengenal aksi manusia adalah sistem pengenal aksi manusia berbasis kerangka manusia. Banyak pendekatan yang menggunakan metode GCNs untuk melakukan klasifikasi aksi yang mana ini merupakan salah satu bagian terpenting dari sistem pengenal aksi mansia. Walaupun banyak hasil positif yang telah dihasilkan dari penelitian yang menggunakan pendekatan berbasis GCNs, GCNs memiliki keterbatasan dalam ketahanan, interoperabilitas, dan skalabilitas. Penelitian ini menggunakan PoseConv3D dalam sistem pengenal aksi manusia untuk bagian aksi klasifikasi. PoseConv3D yang berbasis 3D-CNN dapat mengatasi keterbatasan yang terjadi pada pendekatan berbasis GCNs. Sistem pada penelitian yang telah ada sebelumnya memiliki kekurangan dimana sistem tidak dapat melakukan ekstraksi pose terhadap video dengan ketinggian dan sudut kamera pengambilan video thermal yang berbeda. Kekurangan sistem juga terjadi pada kemampuan pengenalan aksi, sistem tidak dapat mengenali aksi masing-masing manusia yang berada dalam video thermal. Pada penelitian kali ini, penulis mengembangkan model sistem pengenal aksi manusia penelitian yang telah dilakukan sebelumnya, dengan menggabungan metode spasial-temporal dan PoseConv3D pada tahapan klasifikasi aksi. Penelitian ini juga menggunakan metode CenterNet pada tahapan ekstraksi pose. Model hasil pelatihan memiliki akurasi yang bagus dalam melakukan pengenalan aksi masing-masing aksi dan ekstraksi pose terhadap video dengan ketinggian dan sudut kamera pengambilan video yang bervariasi.

---

Human action recognition systems have started to attract the attention of many people. One of the modalities used in human action recognition systems is the human skeleton-based human action recognition system. Many approaches use GCNs method to perform action classification which is one of the most important parts of human action recognition system. Although many positive results have been generated from research using GCNs-based approaches, GCNs have limitations in robustness, interoperability, and scalability. This research uses PoseConv3D in the human action recognition system for the action classification part. PoseConv3D which is based on 3D-CNN can overcome the limitations that occur in GCNs-based approaches. The system in previous research has shortcomings where the system cannot extract poses from videos with different heights and camera angles of thermal video capture. System deficiencies also occur in action recognition capabilities, the system cannot recognize the actions of each human in a thermal video. In this research, the author develops a human action recognition system model of research that has been done before, by combining spatial-temporal methods and PoseConv3D at the action classification stage. This research also uses the CenterNet method in the pose extraction stage. The trained model has good accuracy in performing action recognition and pose extraction for videos with varying heights and camera angles."

"Dalam Arkeologi salah satu jenis temuan non-artefak yang mempunyai relevansi dengan kebudayaan secara langsung adalah rangka manusia. Temuan rangka manusia sebagai data arkeologi mempunyai bagian-bagian yang tingkat keterawetannya berbeda. Salah satu bagian dari rangka manusia yang besar kemungkinannya untuk terawetkan dengan haik adalah gigi, karena susunan struktur zat organik pembentuknya lebih kuat dan keras dibandingkan dengan bagian rangka yang lain. Hal ini menyebabkan temuan gigi dalam situs-situs arkeologi. Hiasanya ditemukan dalam keadaan lebih lengkap kualitasnya dari pada. Jenis tulang lainnya. Banyak informasi dapat diperoleh dari analisis terhadap gigi, salah satunya dibicarakan dalam skripsi ini, yaitu penelitian terhadap keausan gigi pada komunitas pantai., untuk melihat interaksi biologis budaya manusia serta secara tidak langsung lingkungannya. Selain itu dari penelitian terhadap keausan gigi dapat diperoleh gambaran tentang makanan pada masa itu. Dari hasil penelitian terhadap rangka manusia Hari situs Gilimanuk dan Plawangan dapat diambil kesimpulan: Tingkat presentase keawetan gigi pada situs Gilimanuk dan Plawangan dapat dikatakan sama baik. Faktor-faktor yang berpengaruh terhadap unsur gigi antara lain: faktor kebudayaan, faktor sumber daya lingkungan yang dimafaatkan sebagai makanan."

"SIBI (Sistem Isyarat Bahasa Indonesia) merupakan bahasa isyarat resmi yang digunakan oleh penyandang tunarungu di Indonesia untuk berkomunikasi sehari- hari baik dengan sesama penyandang tunarungu maupun orang non-tunarungu. Adanya aplikasi penerjemah gerakan Bahasa isyarat ke teks akan sangat membantu proses komunikasi antara tunarungu dan non-tunarungu. Salah satu fitur yang dibutuhkan untuk pengembangan model penerjemah SIBI adalah informasi kerangka manusia (skeleton). Penelitian ini bertujuan untuk mengembangkan metode ekstraksi fitur kerangka manusia dari citra video telepon pintar untuk melatih model pembelajaran mesin LSTM (Long Short-Term Memory) pengenal gerakan kata dasar SIBI. Metode ekstraksi fitur yang dikembangkan menggunakan Haar Cascade untuk identifikasi titik bahu, algoritma Lucas-Kanade untuk melacak titik tangan, dan menggunakan interpolasi antara titik bahu dan tangan untuk mengidentifikasi titik siku. Dari titik-titik skeleton tersebut, dihitung sudut antara bahu dan lengan atas, serta bahu dan lengan bawah. Hasil ekstraksi digunakan sebagai input untuk model pembelajaran mesin LSTM yang telah dikembangkan sebelumnya. Penelitian ini berhasil mengembangkan metode ekstraksi skeleton yang saat dimasukkan ke model LSTM menghasilkan model dengan akurasi terbaik hingga 84.64%. Model dengan akurasi terbaik tersebut adalah model LSTM 2 layer dan dilatih dengan parameter jumlah hidden unit 512, jumlah batch 100, dan iterasi training 1800 epoch.

---

SIBI (Indonesian Language Sign System) is the official sign language system used by deaf people in Indonesia to communicate with each other and with non-deaf people. An application that can translate the sign language movement from video to text would be very useful to help communication between deaf and non-deaf people. One of the features needed to develop a model to translate sign language gesture is the subject’s skeleton. This research aims to develop a method to extract skeleton feature from smartphone video image to be used to train an LSTM (Long Short-Term Memory) machine learning model to translate gestures of SIBI base words. The developed method used Haar Cascade to identify shoulder points, Lucas-Kanade Algorithm to track hand points, and interpolate elbow points based on the location of previously known shoulder and hand points. From those skeleton points, the angles between shoulder and upper arm, and the shoulder between upper and lower arm are computed. This extraction result is then fed into a previously- developed LSTM machine learning model as training data. This research successfully develops a skeleton extraction method that when fed into LSTM model resulted in a model that can achieve accuracy up to 84.64%. This best model is LSTM with 2 layers, and trained with 512 hidden units, 100 batch size, and 1800 training epoch."

"Klasifikasi aksi multi-objek berdasarkan video RGB aerial merupakan tantangan kompleks yang dapat berguna untuk pengembangan sistem keamanan. Terdapat dua pendekatan jaringan saraf tiruan yang umum digunakan dalam sistem pengenal berbasis kerangka, Convolutional Neural Network (CNN) dan Graph Convolutional Network (GCN). Pendekatan CNN lebih efektif dalam mempelajari fitur spatio-temporal, lebih kuat terhadap noise dalam estimasi pose, dan dapat menangani skenario multi-objek dengan komputasi yang lebih ringan. Penelitian ini meliputi pengembangan pengenal aksi manusia dengan pendeteksi spatio-temporal berbasis kerangka menggunakan pendekatan 3D Convolutional Neural Network (3D-CNN). Pendeteksi spatio-temporal memungkinkan sistem untuk mengenali tiap-tiap aksi yang simultan dilakukan oleh multi-objek dalam satu rekaman video. Percobaan dilakukan menggunakan sejumlah pre-trained dataset dan menggunakan dataset video RGB aerial primer yang dilatih terhadap model pengenal aksi berbasis video frontal, dengan menerapkan metode transfer learning. Proses tranfer learning dilakukan dengan dataset khusus untuk menghasilkan model pelatihan yang memiliki akurasi tinggi. Pelatihan memberi keluaran berupa model jaringan saraf tiruan dengan nilai akurasinya. Pengujian dilakukan menggunakan data video untuk mengetahui ketepatan model. Dari model yang diperoleh, akan dilakukan analisis terhadap keberhasilan dan keakuratan metode dalam mengenali aksi manusia.

---

Multi-object action recognition based on aerial RGB video is a complex challenge that can be useful for security system development. There are two commonly used artificial neural network approaches in skeleton-based recognition systems, Convolutional Neural Network (CNN) and Graph Convolutional Network (GCN). CNN approach is more effective in learning spatio-temporal features, more robust to noise in pose estimation, and can handle multi-object scenarios with lighter computation. This research involves developing a human action recognition with skeleton-based spatio-temporal detection using a 3D Convolutional Neural Network (3D-CNN) approach. Spatio-temporal detection allows the system to recognize each simultaneous action performed by multiple objects in a single video footage. Experiments were conducted using a number of pre-trained datasets and using a primary aerial RGB video dataset trained on a frontal video-based action recognition model, by applying the transfer learning method. The transfer learning process is performed with a specific dataset to produce a high-accuracy training model. The training outputs an artificial neural network model with its accuracy value. Testing is done using video data to determine the accuracy of the model. From the model obtained, the success and accuracy of the method in recognizing human actions will be analyzed."

"Human action recognition merupakan suatu proses yang bertujuan untuk mengidentifikasi aksi seorang manusia dalam suatu kerangka gambar atau video. Informasi ini nantinya dapat dimanfaatkan untuk berbagai kebutuhan seperti pemantauan keamanan, pemantauan kegiatan, dan lain-lain. Untuk menghasilkan identifikasi yang akurat, sistem human action recognition membutuhkan lingkungan dengan pencahayaan yang baik dan kontras yang tinggi. Namun, dalam beberapa kasus, pencahayaan yang didapatkan oleh sistem human action recognition tidak begitu baik, sehingga hal ini dapat mengganggu proses identifikasi.  Penelitian ini bertujuan untuk merancang sistem human action recognition dengan menggunakan dataset video termal. Model human action recognition yang akan dibangun menggunakan algoritma PoseC3D dari MMAction2. PoseC3D merupakan salah satu metode pendekatan human action recognition berbasis kerangka manusia yang menggunakan 3D heatmap stack sebagai pengganti rangkaian graph sebagai representasi dasar kerangka manusia. Dataset video termal yang digunakan terdiri dari delapan (8) kelas aksi, yaitu aksi jalan, duduk, menyapu, memegang pistol, memegang senapan, berbaring, melempar, dan memegang pisau/senjata tajam. Selain itu, dilakukan juga penelitian pengaruh parameter detection score threshold dan rasio train test split dataset terhadap performa model. Dari hasil eksperimen, dapat dilihat bahwa model human action recognition yang dibangun memiliki performa yang tinggi, baik pada proses pelatihan maupun pengujian.

---

Human action recognition is a process that aims to identify the actions of a human in an image or video frame. This information can then be utilized for various needs such as security monitoring, activity monitoring, etc. To provide an accurate identification, human action recognition systems require an environment with good illumination and high contrast. However, in several cases, the illumination obtained by the human action recognition system is not so good, which can disrupt the identification process.  This research aims to design a human action recognition system using a thermal video dataset. The human action recognition system will be developed using the PoseC3D algorithm from MMAction2. PoseC3D is one of the skeleton-based human action recognition approach methods that uses a 3D heatmap stack instead of a sequence of graphs as a basic representation of the human skeleton. The thermal video dataset consists of eight (8) action classes, i.e., walking, sitting, sweeping the floor, holding a gun, holding a rifle, lying down, throwing something, and holding a knife/sharp weapon. In addition, a study was conducted to determine the impact of the detection score threshold parameter and the the train test split dataset ratio on model performance. From the experiment results, it can be concluded that the human action recognition model built has a high performance, both in the training and testing processes."

"Dampak wabah COVID yang mempengaruhi sektor pendidikan membuat pelajar dan juga tenaga pendidik diharuskan untuk melakukan pembelajaran secara daring. Penerapan pembelajaran melalui daring ini memberikan dampak terhadap pelajar khususnya pada mahasiswa. Dengan diterapkannya New Normal, dibutuhkan teknologi yang dapat melakukan pemantauan dengan skala yang besar. Penelitian ini bertujuan untuk membuat perangkat presensi mahasiswa berbasis face recognition dengan menambahkan fitur pembacaan suhu tubuh sebagai langkah pengawasan pada lingkungan kampus. Penelitian ini dilakukan pada area kampus FMIPA UI. Bahasa pemrograman yang digunakan untuk membuat perangkat lunak adalah python versi 3.6. Pada proses face recognition, digunakan metode Histogram of Oriented Gradients (HOG) sebagai pendeteksi lokasi wajah dan modul Openface untuk pengambilan fitur pada wajah. Untuk tahap pencocokan wajah, digunakan Euclidean Distance untuk mencari nilai kecocokan pada tiap citra database. Dari hasil pengujian terhadap 30 mahasiswa didapatkan akurasi sebesar 93.3%. Pada pengujian jarak terhadap pendeteksian wajah, didapatkan bahwa sistem dapat mendeteksi wajah hingga jarak 120 cm pada kondisi penerangan ruangan yang normal. Pada pengujian pembacaan suhu dengan menggunakan Thermal Camera AMG8833, didapatkan bahwa nilai akurasi menurun seiring bertambahnya jarak pembacaan. Jarak optimal untuk pembacaan suhu adalah sejauh 30 cm.

---

The impact of the COVID outbreak that has affected the education sector has forced students and educators to study online. The application of online learning has an impact on students, especially college students. With the implementation of the New Normal, technology is needed to perform health monitoring on a large scale. This study aims to create a face recognition-based student presence device by adding a body temperature reading feature. This research was conducted in the FMIPA UI campus area. The programming language used to create the software is python version 3.6. In the face recognition process, the Histogram of Oriented Gradients (HOG) method is used to detect the location of the face and the Openface module is used to capture features of the face. For the face matching stage, Euclidean Distance is used to find the match value for each database image. From the results of testing on 30 students, obtained an accuracy of 93.3%. While testing the distance capability in face detection, it was found that the system can detect faces up to a distance of 120 cm in normal room lighting conditions. While testing the Thermal Camera AMG8833, it was found that the accuracy value decreased as the distance increased. The optimal distance for temperature readings is 30 cm."

"ABSTRAK

Untuk menunjang pemantauan konsentrasi manusia, perlu adanya pemahaman mengenai respon sinyal dari EEG terhadap dua kondisi manusia ya itu saat sedang konsentrasi penuh dan konsentrasi tidak penuh (adanya distraksi). Dalam mengolah data sinyal EEG tersebut, dibutuhkan metode algoritma dan klasifikasi sinyal untuk mendapatkan hasil data sinyal dari dua kondisi tersebut. Pada penelitian ini akan dijelaskan tentang sistem perancangan pendeteksian konsentrasi manusia berdasarkan sinyal EEG. Metode yang digunakan adalah Fast Fourier Transform (FFT) dan Discrete Wavelet Transform (DWT) sedangkan dalam algoritma klasifikasinya menggunakan Support Vector Machine (SVM). Hasil yang telah didapatkan dalam pengujian ini adalah SVM lebih mampu untuk mengklasifikasikan sistem dengan kernel RBF menggunakan 30% holdout validation. Keakurasian dari sistem ini adalah 91% pada metode DWT dan 72% pada metode FFT. Sehingga, dari kedua ekstraksi metode FFT dan DWT, yang memiliki nilai ekstraksi terbaik adalah DWT.

---

ABSTRACTTo support the monitoring focused human concentration, there is a need to understand the response of signals from EEG in two conditions which are when human is in full concentration and less concentration (presence of distraction).  To process those EEG signal data, an algorithm method and classification is needed to get the results of signal data from these two conditions In this research, the system of detecting design of human concentration levels based on EEG signals will be explained. The used methods are Fast Fourier Transform (FFT) and Discrete Wavelet Transform (DWT) while the classification algorithm uses Support Vector Machine (SVM).  The result of this research shows that by using SVM, a much more reliable result is achieved when a kernel RBF is used with 30% holdout validation. The result of the aforementioned method yields a 91% accuracy with DWT method and a 72% accuracy with FFT. 

 

"

"Kanker kolorektal diketahui berhubungan dengan massa otot yang rendah. Massa otot yang rendah dihubungkan dengan luaran klinis yang buruk. Telah diketahui bahwa asupan protein adalah salah satu faktor yang berperan dalam mempertahankan massa otot. Namun, studi-studi yang ada mengenai efek pemberian protein tinggi pada pasien kanker kolorektal terhadap massa otot belum dapat disimpulkan karena kurangnya bukti dari penelitian berkualitas baik dan intervensi pada studi yang berbeda-beda. Tujuan dari penelitian ini adalah untuk mengetahui korelasi antara asupan protein dengan indeks massa otot skelet pada pasien kanker kolorektal yang dirawat inap di Rumah Sakit Umum Pusat Nasional Dr. Cipto Mangunkusumo (RSCM). Penelitian menggunakan desain potong lintang pada subjek dewasa kanker kolorektal yang dirawat inap di RSCM. Asupan protein dinilai menggunakan multiple 24 hour recall. Indeks massa otot skelet didapatkan dari pengukuran massa otot skelet dalam kilogram menggunakan BIA multifrequency, lalu dibagi dengan tinggi badan dalam meter yang dikuadratkan. Sebanyak 52,5% subjek berjenis kelamin perempuan dan 50% subjek berada pada stadium IV. Terapi yang paling banyak telah dijalani subjek adalah kombinasi pembedahan dan kemoterapi (n=16, 40%). Tidak ditemukan korelasi antara asupan protein dan indeks massa otot skelet (r = -0,04, P=0,795).

---

Colorectal cancer is known to be associated with low muscle mass. Low muscle mass is associated with poor clinical outcome. It is known that protein intake is one of the factors that play a role in maintaining muscle mass. However, the existing studies on the effect of administering high protein in colorectal cancer patients on muscle mass have not been definitively concluded due to the lack of evidence from good quality studies and differences of intervention in existing studies. The purpose of this study was to determine the correlation between protein intake and skeletal muscle mass index in colorectal cancer patients who were hospitalized at the RSUPN Dr. Cipto Mangunkusumo (RSCM). The study used a cross-sectional design on adult subjects with colorectal cancer who were hospitalized at RSCM. Protein intake was assessed using multiple 24 hour recalls. Skeletal muscle mass index was obtained from the measurement of skeletal muscle mass in kilograms using BIA multifrequency, then divided by height in meters squared. A total of 52.5% of the subjects were female and 50% of the subjects were in stage IV. The most common therapy that the subject had undergone was a combination of surgery and chemotherapy (n=16, 40%). No correlation was found between protein intake and skeletal muscle mass index (r = -0.04, P=0.795)."