Hasil Pencarian  ::  Simpan CSV :: Kembali

"Segmentasi tiga dimensi merupakan task yang pada awalnya sulit digunakan yang disebabkan keterbatasan spesifikasi perangkat. Segmentasi tiga dimensi memanfaatkan point cloud sebagai input dan point cloud dihasilkan dari sensor LiDAR yang kepemilikannya sangat terbatas. Dahulu, LiDAR hanya ada pada perangkat industri, berguna untuk mendapatkan informasi tiga dimensi lahan. Sekarang, LiDAR sudah terdapat pada perangkat ponsel, namun hanya pada yang spesifikasinya termasuk golongan high-end atau mewah. Berangkat dari permasalahan tersebut, muncul pertanyaan mengenai kemungkinan segmentasi tiga dimensi tanpa menggunakan sensor LiDAR, tujuannya agar fitur tersebut tidak eksklusif ke suatu kelompok, melainkan semua orang yang memiliki ponsel dengan kamera bisa melakukan segmentasi tiga dimensi. Dirumuskanlah penghasil point cloud dengan menggunakan 3D Gaussian Splatting. Model segmentasi yang digunakan juga merupakan state-of-the-art, yaitu Point Transformer v2 dan v3, serta sebuah metode segmentasi tiga dimensi unik yang memanfaatkan 3DGS secara langsung, yaitu SAGA. Hasil penelitian menemukan bahwa SAGA merupakan model segmentasi tiga dimensi yang paling baik. Selain hasil kemampuannya mensegmentasi 3DGS, SAGA juga mampu mensegmentasi objek tanpa batasan kelas sehingga membuat SAGA unggul pada konteks penelitian ini.

---

Three-dimensional segmentation is a task that was initially difficult to use due to limited device specifications. Three-dimensional segmentation utilizes the point cloud as input and the point cloud is generated from the LiDAR sensor, which has very limited ownership. In the past, LiDAR only existed in industrial devices, useful for obtaining three-dimensional information of land. Now, LiDAR is available on mobile devices, but only on those whose specifications are included in the high-end or luxury class. Starting from this problem, the question arises about the possibility of three-dimensional segmentation without using a LiDAR sensor, the goal is that the feature is not exclusive to a group, but everyone who has a cellphone with a camera can do three-dimensional segmentation. A point cloud generator using 3D Gaussian Splatting was formulated. The segmentation models used are also state-of-the-art, namely Point Transformer v2 and v3, and a unique three-dimensional segmentation method that utilizes 3DGS directly, namely SAGA. The results found that SAGA was the best three-dimensional segmentation model. In addition to the results of its ability to segment 3DGS, SAGA is also able to segment objects without class constraints, which makes SAGA superior in the context of this research."

"Teknologi pemindaian dan rekonstruksi model tiga dimensi (3D) telah mengalami evolusi yang pesat, terutama dengan meningkatnya tren perkembangan teknologi LiDAR yang lebih portabel dan mudah dijangkau oleh pengguna awam, seperti yang terlihat pada perangkat genggam. Terlepas dari kemajuan di bidang perangkat keras, perkembangan perangkat lunak sebagai antarmuka pengguna dengan teknologi tersebut masih sangat terbatas dan belum dapat mengakomodasi kebutuhan dan pengetahuan yang dimiliki oleh masyarakat luas. Penelitian ini mengusulkan pengembangan sistem \textit{end-to-end} yang mampu memindai, memvisualisasikan, serta melakukan segmentasi aset 3D dari hasil rekaman lingkungan 3D. Pendekatan menggunakan teknik terbaru seperti 3D Gaussian Splatting dan Point Transformer tidak hanya dapat meningkatkan kualitas dan aksesibilitas segmentasi objek 3D, tetapi juga membuka jalan untuk adopsi yang lebih luas di berbagai bidang yang menargetkan pengguna awam.

---

Three-dimensional (3D) model scanning and reconstruction technology has undergone rapid evolution, especially with the increasing trend of developing LiDAR technology that is more portable and easily accessible to ordinary users, as seen in handheld devices. Despite the progress in hardware, the development of software as a user interface for the technology is still very limited and has not been able to accommodate the needs and knowledge possessed by the wider community. This research proposes the development of an end-to-end system capable of scanning, visualizing, and segmenting 3D assets from recorded 3D environments. The approach of using the latest techniques, such as 3D Gaussian Splatting and Point Transformer, can not only improve the quality and accessibility of 3D object segmentation but also pave the way for wider adoption in various fields targeting lay users."

"Teknologi pemindaian dan rekonstruksi model tiga dimensi (3D) telah mengalami evolusi yang pesat, terutama dengan meningkatnya tren perkembangan teknologi LiDAR yang lebih portabel dan mudah dijangkau oleh pengguna awam, seperti yang terlihat pada perangkat genggam. Terlepas dari kemajuan di bidang perangkat keras, perkembangan perangkat lunak sebagai antarmuka pengguna dengan teknologi tersebut masih sangat terbatas dan belum dapat mengakomodasi kebutuhan dan pengetahuan yang dimiliki oleh masyarakat luas. Penelitian ini mengusulkan pengembangan sistem \textit{end-to-end} yang mampu memindai, memvisualisasikan, serta melakukan segmentasi aset 3D dari hasil rekaman lingkungan 3D. Pendekatan menggunakan teknik terbaru seperti 3D Gaussian Splatting dan Point Transformer tidak hanya dapat meningkatkan kualitas dan aksesibilitas segmentasi objek 3D, tetapi juga membuka jalan untuk adopsi yang lebih luas di berbagai bidang yang menargetkan pengguna awam.

---

Three-dimensional (3D) model scanning and reconstruction technology has undergone rapid evolution, especially with the increasing trend of developing LiDAR technology that is more portable and easily accessible to ordinary users, as seen in handheld devices. Despite the progress in hardware, the development of software as a user interface for the technology is still very limited and has not been able to accommodate the needs and knowledge possessed by the wider community. This research proposes the development of an end-to-end system capable of scanning, visualizing, and segmenting 3D assets from recorded 3D environments. The approach of using the latest techniques, such as 3D Gaussian Splatting and Point Transformer, can not only improve the quality and accessibility of 3D object segmentation but also pave the way for wider adoption in various fields targeting lay users."

"Perancangan model 3 Dimensi dari sebuah kampus untuk keperluan visualisasi lokasi dapat dilakukan dengan pemindaian secara 3 dimensi. 3D Gaussian Splatting merupakan teknik pemindaian objek 3 Dimensi menggunakan 3D Gaussian sebagai representasi data volumetric dari proses Structure-from-Motion yang di konversi menjadi splats sebagai representasi objek yang memiliki data warna dan intensitas yang membentuk sebuah citra digital dengan akurasi warna dan posisi, dan detail objek yang tinggi. Untuk melihat render dari 3D Gaussian viewer berbasis web yang dapat menggunakan library ThreeJS. Menggunakan metode 3D Gaussian Splatting sebuah model kampus virtual 3D dapat diciptakan dan dilihat melalui aplikasi web dengan library ThreeJS . Hasil dari pembuatan model 3D Gaussian Splatting tersebut adalah rata-rata waktu training 9,49 menit dan hasil dari pengembangan aplikasi web tersebut menghasilkan rata-rata framerate 111 FPS.

---

Designing a 3 dimensional model of a campus for location visualization needs can be done using 3 dimensional scanning. 3D Gaussian Splatting is a 3 dimensional scanning technique using 3D Gaussians as a representation of volumetric data from Structure-from-Motion process that is converted into splats as the representation of objects with color and intensity that creates a digital view with high accuration of color, position, and object detail. To see the render of 3D Gaussian Splatting a web based viewer can be used using the ThreeJS library. Using the 3D Gaussian Splatting method a 3D model for virtual campus can be created and viewed using a web application by utilizing ThreeJS library. The result of creating the 3D model using 3D Gaussian Splatting is an average training time of 9,49 minutes and the result of the development of the web based application is an average framerate performance of 111 FPS."

"Segmentasi semantik adalah sebuah task pada bidang computer vision yang dewasa ini menjadi semakin penting. Segmentasi semantik sendiri dapat dipakai untuk memisahkan satu benda dengan benda yang lainnya, baik pada dua dimensi maupun tiga dimensi. Segmentasi semantik tiga dimensi umumnya mengutilisasikan sebuah point cloud yang dapat diambil menggunakan sensor Light Detection and Ranging (LIDAR). Sejak 2020, Apple menyertakan sensor LIDAR pada beberapa model iPhone. Hal tersebut memungkinkan orang awam untuk merekonstruksi berbagai objek dan keadaan di sekitarnya. Berdasarkan hal tersebut, dapat dirumuskan sebuah aplikasi yang dapat membantu penggunanya untuk melakukan scan terhadap benda rumah tangga untuk mengetahui panjang, lebar, tinggi, dan volume melalui kombinasi dari segmentasi semantik dan beberapa metode lainnya. Dibandingkan juga performa beberapa model yang menjadi kandidat integrasi dengan aplikasi tersebut, yaitu Dynamic Graph Convolutional Neural Network (DGCNN), Kernel Point Convolutional Neural Network (KPConv), Point Transformer, dan Point Transformer dengan Contrast Boundary Learning (CBL). Hasil pengujian menujukkan bahwa Point Transformer dengan CBL memiliki Intersection over Union yang paling baik. Didapatkan juga bahwa DGCNN adalah model yang paling baik untuk diimplementasikan sepenuhnya pada iPhone untuk edge computing.

---

Semantic segmentation is a computer vision task that has become increasingly important in recent years. Semantic segmentation can be utilized to separate one object from another in a two dimensional or three dimensional environment. Semantic segmentation normally utilizes a point cloud that can be obtained using a Light Detection and Ranging (LIDAR) sensor. As of 2020, Apple has packaged a built-in LIDAR sensor on a few iPhone models. This allows everyday users to reconstruct all sorts of objects around them. Owing to that

fact, there can be formulized an application that helps its users to find the length, width, height, and volume of an object through a combination of semantic segmentation along with a few other methods. We also compared the performance of different models as candidates to be integrated into the application, which are Dynamic Graph Convolutional Neural Network (DGCNN), Kernel Point Convolutional Neural Network (KPConv), Point Transformer, and Point Transformer with Contrast Boundary Learning (CBL). We found that Point Transformer with CBL has the best Intersection over Union result. We also found that DGCNN is the best model to be fully implemented on an iPhone for edge computing."

"Penyakit kardiovaskular merupakan penyebab utama kematian global, termasuk di Indonesia. Evaluasi kesehatan dini, menggunakan heart rate variability (HRV) melalui pengukuran root mean square of successive RR interval differences (RMSSD) dan percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50), menjadi penting untuk merefleksikan respons relaksasi, stres, kualitas tidur, dan aktivitas fisik. Evaluasi ini sebaiknya dilakukan saat seseorang masih dalam kondisi sehat. Sejalan dengan itu, penelitian ini bertujuan mengevaluasi kesehatan pasien dengan irama jantung normal melalui metode clustering pada variabel RMSSD, pNN50, dan usia, yang diambil dari rekaman elektrokardiogram milik online database Physionet. Setiap cluster yang terbentuk dapat memberikan informasi unik, memungkinkan penentuan risiko penyakit kardiovaskular serta penanganan yang tepat. Namun, karena pola data yang digunakan tidak jelas, mengandung outlier, dan berdimensi rendah, maka dilakukan perbandingan antara metode Hierarchical clustering dan Gaussian Mixture Models (GMM) clustering yang mampu mengatasi hal tersebut. Mengingat GMM clustering yang sangat sensitif terhadap inisialisasi awal, penelitian ini menggunakan dua pendekatan inisialisasi, yaitu acak dan K-Means. Penentuan metode terbaik dilakukan dengan mempertimbangkan metrik evaluasi (efektivitas) dan waktu komputasi metode (efisiensi). Hasil penelitian menunjukkan bahwa GMM clustering dengan inisialisasi K-Means adalah metode terbaik dengan membentuk tiga cluster. Meskipun alat EKG menilai pasien dalam kondisi sehat, namun analisis clustering dapat mengungkapkan informasi penting, terutama bagi pasien yang teridentifikasi memiliki tingkat HRV yang relatif rendah.

---

Cardiovascular diseases are a leading cause of global mortality, including in Indonesia. Early health evaluation, utilizing heart rate variability (HRV) through root mean square of successive RR interval differences (RMSSD) and percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50) measurements, is crucial to reflect responses to relaxation, stress, sleep quality, and physical activity. This evaluation is ideally conducted while an individual is still in a healthy condition. In line with that, this research aims to evaluate the health of patients with a normal sinus rhythm through clustering methods on variables like RMSSD, pNN50, and age, extracted from electrocardiogram recordings from the online Physionet database. Each cluster can provide unique information, enabling the identification of cardiovascular disease risks and appropriate interventions. However, due to unclear data patterns, the presence of outliers, and is low-dimensiona, a comparison is made between Hierarchical clustering and GMM methods, capable of addressing these issues. Given GMM clustering's sensitivity to initializations, this study employs two approaches, random and K-Means. The determination of the best method is based on considerations of evaluation metrics (effectiveness) and computational time (efficiency). Research results indicate that GMM clustering with K-Means initialization is the most effective and efficient method, forming three clusters. Despite ECG assessments indicating healthy conditions, clustering analysis can reveal crucial information, especially for patients identified with relatively low HRV levels."