Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia adalah negara yang memiliki lalu lintas penerbangan yang cukup padat setiap harinya. Oleh karena itu, keselamatan penerbangan merupakan hal yang sangat penting untuk diperhatikan, salah satunya adalah keamanan landasan pacu. Landasan pacu merupakan komponen penting dalam kegiatan penerbangan karena pesawat menggunakannya untuk lepas landas dan pendaratan. Benda asing atau FOD (Foreign Object Debris) dapat muncul pada landasan pacu yang dapat menimbulkan kerusakan pada pesawat dan dapat menimbulkan kecelakaan. Oleh karena itu, diperlukan suatu sistem keamanan yang mampu mendeteksi benda-benda asing tersebut secara real-time. Salah satu pendekatan yang dapat dilakukan yaitu menggunakan teknologi Computer Vision dengan menggunakan kamera. Metode ini memanfaatkan teknologi Artificial Intelligence (AI) untuk mendeteksi FOD. Dari berbagai metode atau algoritma yang dikembangkan untuk Computer Vision, SSD dan YOLO merupakan metode yang paling sering digunakan untuk keperluan mendeteksi secara real-time karena performa FPS dan akurasinya yang tinggi. Dimana pada penelitian ini didapatkan SSD MobileNet V2 dapat meraih hingga 12 FPS dengan nilai mAP 0.5 sebesar 86.8% dan untuk YOLOv4 dapat meraih hingga 31 FPS dengan nilai mAP 0.5 sebesar 98.73%.

---

Indonesia is a country that has quite heavy air traffic every day. Therefore, safety is a very important thing to pay attention to, one of them is runway safety. The runway is an important component in aviation activities because aircraft use it for takeoff and landing. Foreign objects or FOD (Foreign Object Debris) could appear on the runway which can cause damage to the aircraft and may result in an accident. Therefore, we need a security system that can detect foreign objects in real-time. One approach that can be done is to use Computer Vision technology by using a camera. This method utilizes Artificial Intelligence (AI) technology for FOD detection. Of the various methods or algorithms developed for Computer Vision, SSD and YOLO are the most frequently used methods for real-time detection because of their high FPS and accuracy performance. Where in this study it was found that SSD MobileNet V2 can reach up to 12 FPS with mAP 0.5 value of 86.8% and for YOLOv4 can reach up to 31 FPS with mAP 0.5 value of 98.73%."

"Indonesia merupakan negara kepulauan terbesar di dunia dengan kegiatan penerbangan yang padat setiap harinya. Dalam hal ini, maka keamanan penerbangan sangat penting diperhatikan oleh berbagai pihak. Salah satu isu utama adalah keamanan pada landasan pacu yang harus terbebas dari berbagai objek (Foreign Object Debris =FOD) yang dapat menimbulkan kecelakaan pada pesawat terbang. Keadaan tersebut berbahaya bagi keselamatan para penumpang dan menimbulkan kerugian bagi operator penerbangan dan pengelola bandara. Adapun teknologi yang dapat digunakan untuk solusi tersebut dengan pendekatan Computer Vision menggunakan kamera long range. Teknologi ini menggunakan deep learning atau biasa dikenal dengan Artificial Intelegent (AI). Sistem deteksi FOD ini telah mampu mendeteksi 13 jenis objek sebagai FOD. Dengan ketinggian kamera kurang lebih 8 meter dari permukaan tanah, sistem dapat mendeteksi FOD sekecil baut mur pada jarak 50 meter, sedangkan pada jarak 200 meter, FOD sebesar botol minum dan kardus masih dapat terdeteksi. Apabila ingin mendeteksi objek yang sangat kecil seperti baut mur pada jarak lebih dari 200 meter maka diperlukan kamera dengan kemampuan perbesaran yang lebih tinggi lagi. Pekerjaan ini telah diselesaikan secara profesional dengan menjalankan prinsip dasar kode etik insinyur dan senantiasa memperhatikan Keamanan, Keselamatan, Kesehatan, dan Lingkungan Hidup (K3L).

---

Indonesia is the largest archipelagic country in the world with heavy flight activities every day. Therefore, aviation security is very important to be considered by various parties. One of the main issues is security on the runway which must be free from Foreign Object Debris (FOD) that can cause accidents to aircraft. This situation is dangerous for the safety of passengers and causes losses for flight operators and airport managers. The technology proposed for this solution is the Computer Vision approach using a long range camera. This technology uses deep learning as part of Artificial Intelligence (AI). This FOD detection system has been able to detect 13 types of FOD. With a camera placed aproximately 8 meters from the ground, the system can detect FOD as small as a bolt at a distance of 50 meters, while at a distance of 200 meters, FOD as large as a drinking bottle and cardboard can still be detected. If a need to detect very small objects such as bolts at a distance of more than 200 meters, a camera with a higher magnification capability is needed. This work has been completed professionally by carrying out the basic principles of the engineer's code of ethics and always paying attention to Security, Safety, Health and Environment."

"Dalam bidang penerbangan, radar banyak digunakan oleh pesawat tempur, menara ATC pada bandara, dan lain-lainnya. Salah satu aplikasi radar yang digunakan pada bandara adalah untuk mendeteksi serpihan objek asing atau FOD (Foreign Object Debris) pada lingkungan bandara, khususnya pada landasan pacu pesawat terbang. FOD atau Foreign Object Debris adalah segala jenis objek asing baik benda hidup maupun mati, besar ataupun kecil, yang tidak semestinya terletak pada lingkungan tersebut, karena berpotensi menyebabkan bahaya kecelekaaan, contohnya plat besi, mur, baut, dan lain-lainnya. FOD menjadi salah satu masalah yang cukup penting untuk diperhatikan, khususnya untuk bandara-bandara di Indonesia karena berpotensi membahayakan pesawat terbang yang sedang melintas, baik saat pesawat lepas landas maupun saat mendarat. Ditambah lagi aktivitas penerbangan domestik di Indonesia telah meningkat sebesar 40%dari tahun 2006 hingga 2019, sehingga perlu dilakukan tindakan pencegahan untuk meninimalisir resiko ini. Mekanisme pendeteksian FOD pada landasan pacu dengan teknologi radar yang telah ada di pasaran umumnya menggunakan modulasi FMCW dan menggunakan frekuensi yang sangat tinggi, berkisar dari 76 GHz (FODetect® by XSight Tech.) hingga yang tertinggi 96 GHz (Tarsier by QinetiQ), karena belum banyak alat penguji yang mampu mencapai frekuensi tersebut di Indonesia, sehingga perlu alternatif lain dengan frekunesi yang lebih rendah. Oleh karena itu, dalam penelitian ini dirancang sepasang antena radar FMCW yang bekerja pada frekuensi 37,5 – 38,5 GHz, gain 32 dB yang di desain untuk memiliki performa serupa dengan produk pasaran yaitu radar FODetect® yang menggunakan modulasi FMCW dengan frekunesi kerja 75.5-76.5 GHz, gain 32 dB. Antena yang di desain ini menggunakan model rectangular waveguide WR-28 dan reflektor parabola sebagai model acuannya dan mampu bekerja pada beberapa rentang frkeuensi di rentang 37.5 – 38.5 GHz yaitu frekuensi 37.5 – 37.55 GHz, 37.64 – 37.72 GHz, 37.82 – 37.88 GHz, 37.95 – 38.39 GHz, dan 38.49 – 38.5 GHz, dengan total bandwidth yang tercapai adalah 0.64 GHz, dan memiliki Isolation Between Port sebesar ≤ −60 dB, dengan hasil lainnya secara simulasi yaitu Gain sebesar 31.9 – 32.2 dB, pola radiasi directional, polarisasi linear dan beamwidth sebesar 3,6°.

---

In an aviation field, radar is widely used for many applications such as the fighter jets, ATC tower in airport, etc. One of the applications of radar technology is used to detect FOD or Foreign Object Debris in the airport environment, especially in the runaway area. FOD or Foreign Object Debris are every kinds of objects, living or inanimate object, small or big, that located in an inappropriate location in airport, which may cause hazard to the aviation operations, i.e.: iron plate debris, nuts, bolts, etc. FOD becomes one of important issue that must be considered, especially in the most airports in Indonesia, because it will potentially dangerous to every aircraft in the runaway, either during take-off or landing moments. Moreover, the activity of domestic flight in Indonesia from 2006 to 2019 increased by 40 %, so it is necessary to take precautions or mitigation act to minimize this risk. The current’s commercials FOD detection mechanism with radar commonly use FMCW modulation of very high frequency, range form 76 GHz (FODetect® by XSight Tech.) to the highest of 96 GHz (Tarsier by inetiQ), because the measuring instruments that can reach those frequencies are rarely found in Indonesia, so it’s necessary to find other alternative which use lower frequency. Therefore, in this research, a pair of antennas is designed which expected to operate with frequency of 37.5 – 38.5 GHz and gain of 32 dB with FMCW operation-mode. This pair of antennas is based from one of the commercial product: FODetect®’s radar that also work with FMCW operation-mode, with operating frequencies are 75.5 – 76.5 GHz, and gain of 32 dB. The designed antenna uses rectangular waveguide and parabolic reflector as the reference model and successfully to work on frequency ranges of 37.5 – 37.55 GHz, 37.64 – 37.72 GHz, 37.82 – 37.88 GHz, 37.95 – 38.39 GHz, and 38.49 – 38.5 GHz with the total bandwidth of 0.64 GHz and Isolation Between Port of ≤ −60 dB, and the others simulated results: gain of 31.4 – 32.2 dB, has directional radiation pattern, linear polarization and beamwidth of 3,6°."

"Tantangan utama dari proses komunikasi antara pasien dan perawat adalah adanya ketidakmampuan beberapa pasien untuk menjelaskan secara verbal, seperti pasien dengan gangguan bicara atau juga pasien yang sedang kritis, sehingga diperlukan Bahasa Isyarat. Penelitian ini menggunakan pembelajaran mesin dengan model SSD MobilenetV2 untuk melatih isyarat tangan dan mengimplementasikan pengiriman pesan ke telegram. Isyarat tangan yang digunakan adalah: bantuan, dingin, dokter, duduk, makan, minum, obat, sakit, dan toilet. Pada penelitian ini digunakan data latih sebanyak 8.820 data dan data uji sebanyak 2.520 dan 1.260 data yang masing-masing merupakan data validasi dan data testing. Data tersebut diambil dari 14 orang dengan kategori Anak-anak hingga Lansia. Seluruh isyarat tangan dapat dideteksi dengan mAP sebesar 60.9%. Penelitian ini juga dapat mengenali isyarat secara langsung dengan baik pada jarak antara 0.5 m-1.2 m, dan dapat langsung mengirimkan pesan ke telegram sesuai dengan isyarat yang diperagakan.

---

The use of hand signals is common in medical settings, but of course there are limitations between patients and caregivers who do not understand sign language. As technology advances, this problem can be minimized by creating messaging systems that take input in the form of sign language and output in the form of the message the patient wants to convey, as was done in this study. This study used 9 hand gesture; help, cold, sit, doctor, eat, drink, medicine, sick, and toilet. And used 8,820 training data and 2,520 and 1,260 test data for data validation and testing, respectively. The data comes from his 14 people, with categories ranging from children to elderly people. All hand gestures can be recognized with an mAP (mean Average Precision) of 60.9%. This study can also recognize live gestures well at a distance between 0.5 m - 1.2 m, and can directly send messages to telegrams according to the gestures demonstrated. "

"Kamera digunakan oleh pengelola jalur lalu lintas kendaraan di jalan besar pada beberapa kota-kota di Indonesia untuk tujuan pengawasan, pengendalian, hingga pengambilan bukti pelanggaran atau kronologi kecelakaan pada ruas jalan tersebut. Namun, penggunaan kamera ini masih dalam tahap menerima data yang kemudian tindakan selanjutnya dilakukan secara manual. Sedangkan, banyak kebutuhan yang dapat dipenuhi dengan adanya perkembangan teknologi pada bidang komputasi. Salah satunya adalah penggunaan kamera tersebut dapat dimaksimalkan dengan mengimplementasikan algoritma pembelajaran mesin untuk menentukan jalur lalu lintas mana yang menjadi prioritas pada persimpangan dengan kuantifikasi kepadatan kendaraan pada ruas jalan. Pada penilitian ini sistem kuantifikasi kepadatan kendaraan melalui data gambar dikaji dengan menggunakan algoritma untuk mendeteksi objek kendaraan pada seperti YOLOv4 yang merupakan state-of-the-art dalam algoritma pendeteksian karena memiliki akurasi yang lebih baik dan juga lebih cepat dibandingkan dengan arsitektur deteksi objek lainnya. Selain itu, diimplementasikan juga algoritma pelacakan objek kendaraan seperti CSRT/KCF sehingga tidak perlu melakukan proses deteksi secara terus-menerus dan dapat mengurangi biaya komputasi. Hasil percobaan pada penilitian ini membuktikan bahwa kombinasi model deteksi dan pelacakan dapat digunakan secara real-time maupun interaktif. Walaupun nilai mAP dari model YOLOv4 mengalami penurunan sekitar 20.65%, namun perbedaan antara hasil kuantifikasi kepadatan kendaraan sistem dan nilai aktual masih tidak terlalu jauh yaitu sekitar 1-5%, tergantung dengan jenis model yang digunakan.

---

Cameras are used by traffic lane managers on major roads in several cities in Indonesia for the purpose of monitoring, controlling, and collecting evidence of violations or chronology of accidents on those roads. However, the use of this camera is still in the stage of receiving data, then further actions are carried out manually. Meanwhile, many needs can be met with the development of technology in the field of computing. One of them is that the use of the camera can be maximized by implementing machine learning algorithms to determine which traffic lanes are the priority at intersections by quantifying the density of vehicles on the road. In this study, the vehicle density quantification system through image data will be studied using an algorithm to detect vehicle objects such as YOLOv4 which is a state-of-the-art detection algorithm because it has better accuracy and is also faster than other object detection architectures. In addition, vehicle object tracking algorithms such as CSRT/KCF will also be implemented so that there is no need to carry out the detection process continuously and can reduce computational costs. To meet the needs of image data processing from the video as well as the configuration of the AI ​​model, one of the libraries, namely OpenCV, will be used to facilitate the creation and optimization of machine learning models/algorithms. This research proves that the combination of detection and tracking models can be used in real-time or interactively. Although the mAP value of the YOLOv4 model has decreased by about 20.65%, the difference between the system vehicle density quantification results and the actual value is still not too far away, around 1-5%, depending on the type of model used."

"

Kemacetan merupakan salah satu masalah yang belum bisa terselesaikan di kota-kota besar di Indonesia. Salah satu cara untuk mengatasi masalah ini, yaitu dengan memanfaatkan teknologi yang dapat memantau lalu lintas secara otomatis, agar dapat dimonitor dan dianalisis untuk pengembangan fasilitas serta kebijakan guna menyelesaikan masalah ini. Teknologi yang dapat diterapkan untuk masalah ini, yaitu teknologi image processing yang dikolaborasikan dengan machine learning dan dengan bantuan library OpenCV. Pendeteksian objek menggunakan MobileNet-SSD dan Caffe model, objek yang dideteksi merupakan kendaraan yang melintas di jalan, pengambilan input menggunakan kamera CCTV yang diakses oleh publik. Kecepatan, performa, akurasi, dan kepadatan jalanan merupakan variabel yang dianalisis pada penulisan ini. Hasil dari pendeteksian memiliki akurasi yang tidak cukup baik sekitar 43% untuk keseluruhan, dan 68% untuk pendeteksian mobil. Terdapat penambahan fitur pada penelitian ini, yaitu pendeteksian motor yang memiliki akurasi 51%

---

Traffic jam is one of many problems that cannot be solved in various cities in Indonesia. One way to overcome this problem is to use technology that can monitor traffic automatically, so that traffic conditions can be monitored, and analyzed for the development of facilities and policies to solve this problem. One of the technologies that can be applied to this problem is image processing technology in collaboration with machine learning, and OpenCV. This research use Mobilenet-SSD and Caffe models for objects detection, objects detected are vehicles that cross the road, input is taken from CCTV cameras that can accessed by public. Speed, performance, accuracy, and road density are the variables analyzed in this paper. The results of the detection have an accuracy that is not good enough only about 43% for the whole detection, and 68% for the detection of the car, and 51% for the detection of the motorcycle

"

"Runway incursion adalah kejadian apapun di landasan pacu yang melibatkan keberadaan yang tidak semestinya oleh pesawat udara, kendaraan, objek, ataupun orang yang dapat mengakibatkan ancaman terjadinya tabrakan atau mengurangi jarak untuk lepas landas atau bermaksud lepas landas dan mendarat atau bermaksud untuk mendarat. Runway incursion dapat terjadi seiring dengan peningkatan frekuensi penerbangan di tiap-tiap bandar udara dan dapat berakibat kecelakaan serius. Kondisi aktual menunjukan kejadian runway incursion di Indonesia dapat dikatakan jarang sekali terlaporkan sehingga database keselamatan di landasan pacu di Indonesia sangat sedikit. Berdasarkan penelitian mengindikasikan lokasi-lokasi bandar udara di Indonesia yang sering terjadi kejadian runway incursion berdasarkan persepsi pilot, khususnya bagi bandar udara dengan kelengkapan landasan pacu sebagai faktor kontribusi utama runway incursion.

---

Runway incursion is any occurrence in a runway involving by incorrect presence of aircraft, vehicle, object, or person which may lead to the threat of a collision or reduce the distance to take off or intends to take-off and landing or intending to land. Runway incursion may occur with increasing frequency of flights at each airport, and can be serious accident. Runway incursion in Indonesian airports are often unreported resulting in unreliable runway safety database. This study indicates airports with high frequency of runway incursion based on pilots perceptions, in particular at airport with runway safety compliance at the primary contributing factor."

"Perkembangan Human Computer Interaction (HCI) dalam dunia medis dapat membantu pasien untuk berkomunikasi dengan keluarga atau perawat agar kebutuhan mereka dapat terpenuhi dengan baik. Pada penelitian ini akan digunakan salah satu aplikasi HCI yaitu pengenalan isyarat tangan melalui web camera sebagai sistem penyampaian pesan. Akuisisi citra dilakukan pada 12 subjek dengan berbagai jenis kelamin dan usia yang memperagakan lima isyarat tangan. Isyarat tangan yang diperagakan berdasarkan pada kebutuhan dasar pasien: makan, minum, ingin ke toilet, butuh bantuan, dan butuh obat-obatan. Citra yang telah dikumpulkan lalu dilakukan pengolahan seperti labelling kelas hingga akhirnya dilatih menggunakan algoritma Single Shot Detector (SSD) MobileNet V2. SSD MobileNet V2 dipilih karena memiliki kemampuan deteksi yang baik dan komputasi yang cukup ringan sehingga cocok diaplikasikan untuk real-time. Pada penelitian ini, didapatkan mean Accuracy Precision (mAP) sebesar 44.7% serta dapat mendeteksi dan mengenali 85 dari 100 citra dengan baik ketika dijalankan pada komputer personal. Hasil mAP yang didapatkan lebih baik dari penelitian sebelumnya. Frame Rate per Second (FPS) yang dihasilkan saat diaplikasikan real-time sebesar ±2 FPS. Model hasil pelatihan kemudian juga diaplikasikan pada Raspberry Pi Model 3 dan 4 untuk mengetahui perbandingannya.

---

The development of Human Computer Interaction (HCI) in medical side can help dissabled patient to communicate well with their relatives and medical helpers. This can help to maintain their needs to be well-fullfilled. In this research study, one of HCI aplication has been used. It is hand gesture recognition using web camera as a notification system. Image acquisition has been done on 12 subjects with various gender and ages. They demonstrated the five gestures: need to eat, need to drink, need to go to the toilet, need help and need medicines. These gestures are based on human’s basic daily needs. The collected images were processed like labelling the images and tarined using Single Shot Detector (SSD) MobileNet V2 algorithm.We chosed SSD because it has good ability in object detection and needs low computation. Therefore, it is suitable to be applied on real-time detection. In this study, we yielded mean Accuracy Precision (mAP) 44.7% and 85 out of 100 images were well-detected when they were run on personal computer (PC). The result provided in this study is considered better than previous study. Frame rate per second (FPS) provided in this study was ±2 FPS. The trained model also was run on Raspberry Pi 3 and 4 to compare their results."

"Issue keselamatan atau safety merupakan salah satu capaian yang paling penting di industri pertambangan. Hal ini dikarenakan adanya kecelakaan kerja dapat berakibat fatal bagi intensitas produksi yang dapat dilakukan hingga berpotensi untuk terjadinya pencabutan izin operasional perusahaan oleh pemerintah. Pada PT X sendiri, pelanggaran atau deviasi yang berisiko sangat tinggi untuk terjadinya kecelakaan kerja yang mengakibatkan kematian adalah terkait dengan adanya manusia di area operasional pertambangan tanpa izin dan jarak tidak aman dari kendaraan-kendaraan yang ada, khususnya kendaraan dengan muatan berat seperti HD (Heavy Duty Dump Truck). Oleh karena itu, pada penelitian ini akan diusulkan metode deteksi objek yang berbasis deep learning YOLOv4 untuk mendeteksi objek manusia dan HD beserta penggunaan jarak Euclidean untuk estimasi jarak tidak aman antar kendaraan HD. Dengan menggunakan sebanyak 2009 gambar sebagai data latih dan sebanyak 201 gambar sebagai data uji, dihasilkan nilai mAP terbaik selama proses pelatihan model sebesar 88,76% dan nilai recall objek manusia dan HD pada sebanyak 10 video uji masing-masing sebesar 56,96% dan 55,73%. Nilai recall tersebut dapat meningkat cukup signifikan manakala teknologi CCTV dilakukan proses zoom in. Adanya penelitian ini diharapkan dapat membantu pengawas untuk mendeteksi deviasi-deviasi yang terjadi di area operasional pertambangan, khususnya untuk deteksi objek manusia dan HD beserta prediksi jarak tidak aman antar HD.

---

The safety issue is one of the most important achievements in the mining industry. This is because work accidents can be fatal for the intensity of production that can be carried out and the government has the potential to revoke the company's operating license. At PT X itself, violations or deviations that pose a very high risk for work accidents resulting in death are related to the presence of humans in the mining operational area without a permit and an unsafe distance from existing vehicles, especially vehicles with heavy loads such as HD. Therefore, in this study, an object detection method based on deep learning YOLOv4 will be proposed to detect human and HD (Heavy Duty Dump Truck) objects along with the estimation of unsafe distances between HD vehicles using euclidean distance method. By using as many as 2009 images as training data and as many as 201 images as test data, the best mAP value during the model training process is 88.76% and the recall value of human and HD objects in 10 test videos are 56.96% and 55.73%. The recall value can increase significantly when CCTV technology is zoomed in. The existence of this research is expected to help supervisors to detect deviations that occur in the mining operational area, especially for the detection of human objects and HD along with predictions of unsafe distances between HD."

"Bencana merupakan hal yang mengancam nyawa manusia dan seringkali memakan korban. Ketika terjadi bencana, SAR dengan sigap mencari, menolong korban, dan memetakan lingkungan dengan cepat. Namun pada waktu-waktu tersebut merupakan saat yang berbahaya untuk mencari korban dan rawan bertambahnya korban. Quadcopter diaplikasikan untuk membantu mencari korban bencana. Pada Quadcopter disematkan sebuah kamera untuk mencari korban. Selama proses pencarian kamera akan mengambil gambar dan mendeteksi korban. Deteksi objek SSD dengan beberapa modifikasi digunakan untuk mendeteksi korban yaitu objek manusia. SSD modifikasi memiliki kemampuan waktu deteksi sebesar 214.37 ms dan tingkat presisi 99.7%. Selanjutnya, quadcopter akan mendekati objek yang terdeteksi. Pengendalian quadcopter untuk mendekati objek menggunakan Proportional Integral Derivative. Selama proses sistem merekam sensor IMU dan GPS pada quadcopter untuk mendapatkan lintasan quadcopter.

---

Disaster is jeopardize for human being and oftentimes cost a risk of human life. After a disaster happened, SAR would be deployed to search victim, help them, and mapping disaster’s area quickly. However, after a disaster happened is a dangerous time to find the victim and prone to more risk of human life. Quadcopter used to help find the victim. The quadcopter is attached a camera to detect the victim. During the finding process, camera will capture an image detect of victim. SSD object detection is used to detect human object with a modification to yield more detection accuracy. Modified SSD have detection time performance 214.37 ms and precision 99.7%. Then quadcopter approach to the detected object. The quadcopter approaching process to object by Proportional-Integral-Derivative (PID). During this process, IMU Sensor and GPS of quadcopter are recorded to be processed and gathered the quadcopter trajectory."