Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem kasir berbasis conveyor belt merupakan inovasi yang bertujuan untuk meningkatkan e siensi proses belanja dengan mengotomatiskan deteksi barang dan perhitungan harga. Penelitian ini bertujuan untuk merancang dan membangun sis- tem kasir otomatis menggunakan algoritma YOLOv8 untuk deteksi barang, beserta DeepSORT dan Ef cientNetV2 untuk pelacakan dan klasi kasi produk berdasarkan citra. Sistem ini memanfaatkan teknologi computer vision untuk mengenali jenis barang yang bergerak di atas conveyor belt dan secara otomatis menghitung harga total pembelian.Proses pengembangan dimulai dengan pengumpulan dataset berupa citra berba- gai jenis produk yang diproses untuk pelatihan model. Model YOLOv8 dilatih untuk mendeteksi keberadaan barang pada citra, sedangkan DeepSORT dan Ef - cientNetV2 bertugas untuk pelacakan dan mengklasi kasikan barang tersebut serta mengidenti kasi detail seperti kategori produk. Sistem kemudian diintegrasikan dengan conveyor belt, sehingga barang yang terdeteksi dapat diproses secara real- time.Metode evaluasi yang digunakan untuk mengukur performa sistem meliputi eval- uasi model dan evaluasi sistem secara real-time. Pada model YOLOv8, terdapat beberapa metrik evaluasi yaitu mean average precision (mAP) untuk mengevaluasi seberapa baik model dapat mendeteksi dan mengklasi kasikan objek, recall un- tuk menentukan seberapa baik model menangkap semua objek yang benar-benar ada, precision untuk menentukan seberapa akurat prediksi positif yang dilakukan oleh model, f1-score untuk menentukan rata-rata harmonis antara precision dan re- call. Pada model terbaik, diapatkan nilai mAP50 sebesar 0.7653, mAP50-95 sebe- sar 0.6355, Nilai precision sebesar 0.7974, dan nilai recall sebesar 0.7504. Pada model Ef cientNetV2 terdapat metrik akurasi untuk mengevaluasi kemampuan untuk mengklasifikasi objek dengan benar. Pada model terbaik diapatkan nilai akurasi sebesar 0.9520. Pada Pengujian sistem secara real-time menunjukkan hasil yang hampir sempurna dengan rata-rata nilai precision sebesar 1 dan rata-rata nilai re- call, dan F1-score sebesar 0,99.

---

The conveyor belt-based cashier system is an innovation that aims to increase the ef ciency of the shopping process by automating item detection and price calcula- tion. This research aims to design and build an automatic cashier system using the YOLOv8 algorithm for item detection, along with DeepSORT and Ef cientNetV2 for item tracking and classi cation. This system utilizes computer vision technol- ogy to recognize the type of products moving on the conveyor belt and automatically calculates the total purchase price.

The development process begins with collecting datasets in the form of various product images for training the model. The YOLOv8 model is used to detect items in the image, while DeepSORT and Ef cientNetV2 are tasked with tracking the items and classifying these items, and identifying details such as product categories. The system is then integrated with a conveyor belt system so that detected products can be processed in real-time.

The evaluation methods used to measure system performance include model evalu- ations and real-time system evaluations. For the YOLOv8 model, there are several evaluation metrics, namely mean average precision (mAP) to evaluate how well the model can detect and classify objects, recall to determine how well the model cap- tures all objects that actually exist, precision to determine how accurate the positive predictions made by the model are, f1-score to determine the harmonic mean be- tween precision and recall. For the best model, the mAP50 value is 0.7653, mAP50- 95 is 0.6355, the precision value is 0.7974, and the recall value is 0.7504. In the Ef cientNetV2 model, there is an accuracy metric to evaluate the ability to classify objects correctly. The best model has an accuracy value of 0.9520. Real-time sys- tem testing showed almost perfect results with an average precision value of 1 and an average recall, and F1-score value of 0.99."

"Conveyor sebagai peralatan pemindah bahan dimanfaatkan untuk membantu sistem transportasi pada proses pengolahan sampah di tabung putar. Sistem transportasi dengan menggunakan conveyor dapat meningkatkan hasil produksi, mengurangi tenaga yang harus dikeluarkan untuk pengangkutan serta mempercepat proses produksi sehingga menghemat waktu dan biaya. Conveyor dengan sistem ban ( belt ) menggunakan tenaga manusia sebagai sumber tenaga penggerak ban. Gerakan yang terjadi pada ban ( belt ) dihasilkan dari pemutaran engkol penggerak yang dilakukan secara manual dengan tangan. Conveyor dengan sistem ban ( belt ) memberikan keuntungan dalam segi kesederhanaan konstruksi, tidak berisik, tenaga penggerak yang relatif rendah, dan perawatan yang mudah. Konstruksi dan dimensi pada rancangan conveyor ini disesuaikan terhadap konstruksi tabung putar dimana peralatan ini akan dipergunakan. Faktor penting lain yang harus disesuaikan dan menjadi pertimbangan dalam perbuatan rancangan conveyor ini adalah jenis dan ukuran material yang diangkut yaitu sampah dalam bentuk sebelum dan sesudah proses pengomposan pada tabung putar. Karena prinsip pengoperasian yang dilakukan secara manual maka conveyor ini diperuntukkan bagi pekerjaan yang padat karya. Parameter seperti kecepatan gerak ban v (m/s), dan berat material yang akan diangkut tiap meter q ( kg/m ) pengaluran besarnya dapat dilakukan sesuai kemampuan dan keinginan operator. Jika nilai q yang mampu diangkut besar, harga kapasitas muatan Q (ton/jam) menjadi besar, maka produktifitas akan naik, tetapi diperlukan penambahan tenaga untuk pemutaran engkol penggerak."

"Sektor pertambangan emas global belakangan ini berkembang menjadi sektor yang menarik karena kenaikan harga emas dan imbal hasil yang tinggi dari waktu ke waktu. Intensitas persaingan yang tinggi, perkembangan teknologi baru, dan perubahan yang cepat di pasar global memaksa perusahaan pertambangan untuk mengidentifikasi strategi untuk meningkatkan produktivitas dan manajemen biaya secara berkelanjutan, salah satunya adalah pemilihan pemasok sebagai bagian dari pengadaan. Proses pemilihan pemasok terdiri dari pendefinisian masalah, pengembangan kriteria dan subkriteria, kualifikasi, dan pemilihan pemasok. Penelitian ini bertujuan untuk memilih supplier conveyor pada operasi pertambangan emas berdasarkan kriteria yang obyektif dan mendapatkan hasil analisis. Hal ini penting karena organisasi perlu memiliki pemasok terbaik mengingat peran besar konveyor dalam kegiatan operasional. Penelitian ini berkontribusi dalam memberikan informasi tambahan seperti kriteria penting yang harus dipertimbangkan oleh pengambil keputusan dalam memilih pemasok dan dari sisi metodologi, penelitian ini memberikan kontribusi berupa penambahan metode yang terintegrasi. Metode TOPSIS diintegrasikan dalam penelitian ini untuk meningkatkan pemilihan pemasok dibandingkan dengan penelitian sebelumnya yang hanya menggunakan AHP. Validasi kriteria berdasarkan studi literatur terhadap penelitian terkait mendapatkan hasil 7 kriteria dan 14 subkriteria dan dari ketiga pemasok yang mengikuti proses tender, dipilih pemasok C karena kemampuannya beradaptasi dengan desain dan teknologi, serta mampu memberikan jaminan dan komitmen untuk memberikan dukungan lapangan setelah proses instalasi.

---

The global gold mining sector has recently developed into an attractive sector due to rising gold prices and high yields from time to time. The high intensity of competition, the development of new technologies, and the rapid changes in the global market force mining companies to identify strategies to increase productivity and cost management in a sustainable manner, one of which is the selection of suppliers as part of procurement. The supplier selection process consists of problem definition, criteria and subcriteria development, qualification, and supplier selection. This study aims to select conveyor suppliers in gold mining operations based on objective criteria and obtain analysis results. This is important because the organization needs to have the best suppliers considering the large role of conveyors in operational activities. This research contributes to providing additional information such as important criteria that must be considered by decision makers in choosing suppliers and from a methodological perspective, this research contributes in the form of adding an integrated method. The TOPSIS method was integrated in this study to improve supplier selection compared to previous studies that only used AHP. Criterion validation based on a literature study of related research resulted in 7 criteria and 14 sub-criteria and from the three suppliers who participated in the tender process, supplier C was selected because of its ability to adapt to design and technology, as well as being able to provide assurance and commitment to provide field support after the installation process."

"Telah dibuat alat pengisi tabung berbasis microcontroller dengan sensortembaga. Pengisian tabung berlangsung dengan cara pergerakan koordinat rak ,tidakdigunakan conveyor pada alat ini. Koordinat rak tabung tempat ke enam tabung akanbergerak sesuai dengan program dan akan dilakukan pengisian terhadap tabungtabungtersebut"

"Permasalahan yang diangkat dalam tugas akhir ini dilatar belakangi oleh permintaan dari suatu perusahaan yang bergerak dalam bidang industri batubara yang menginginkan suatu sistem konveyor yang akan digunakan untuk mentransfer batubara dari stock pile menuju kapal pengangkut (tongkang) dengan kapasitas 1500 ton per jam dan sebagai tambahan adalah analisa terhadap putusnya rantai pada reclaim feeder. Oleh karena itu, penulis bertujuan untuk merancang suatu sistem konveyor yang dapat memenuhi permintaan perusahaan tersebut. Dasar perancangan konveyor menggunakan standard CEMA (Conveyor Equipment Manufacturer?s Association). Dan didalam melakukan analisa kegagalan berdasarkan salah satu teori kegagalan, Distortion Energy Theory, yaitu evaluasi terhadap tegangan yang terjadi (service stress) pada rantai reclaim feeder. Hasil yang diperoleh yaitu dalam bentuk suatu desain dari barge loading conveyor dengan kecepatan 2,58 m/s. Kecepatan belt ini dapat memenuhi kapasitas 1500 ton per jam. Selain itu, melalui analisa kegagalan (DET), bias disimpulkan bahwa pin yang digunakan pada rantai reclaim feeder tidak cukup kuat untuk menerima pembebanan dan tegangan yang terjadi.

---

Problems lifted in this final task background overshadows by request from a peripatetic company in the field of coal industry wishing a conveyor system which will be applied to transfer coal from stock pile towards freighter with capacities 1500 tons per hour and in addition is analysis to the break chain at reclaim feeder.

Therefore, writer aim to design a conveyor system which can fulfill the company request. Scheme base of conveyor applies standard CEMA (Conveyor Equipment Manufacturer's Association). And in doing failure analysis based on one of failure theory, Distortion Energy Theory, that is evaluation to stress happened (service stress) at chain reclaim feeder.

Result obtained that is in the form of a design from barge loading conveyor with speed of 2,58 m/s. Speed of this belt can fulfill capacities 1500 tons per hour. Besides, through failure analysis (DET), can be concluded that pin applied at chain reclaim feeder insufficient strong to receive encumbering and stress happened."

"Tujuan Penulisan tugas akhir ini adalah untuk mengetahui formula yang tepat untuk mendapatkan tenaga penggerak bell conveyor yang efisien dan aman serta pemilihan komponen-komponen belt conveyor yeng tepat. Faktor-faktor yang harus dipcrhatikan dalam perencanaan belt conveyor adalah jenis material, kondisi lapangan lingkungan, scdangkan faktor yang harus diperhitungan adalah kapasilas yang diinginkan. ketinggian inklinasi, panjang conveyor, jenis belt, kapas!tas motor, system transmisi yang digunakrm, dimensi puli dan idler, semua hasH perhitungan yang didapat dianjurkan untuk disesuaikan dengan standart yang berlaku sehingga didapntkan hasil perencanaan yang bisa digunakan dan seefisien mungkin, Metode yang digunakan dalam penulisan togas akhir ini adalah metode teori (theorytycal method) dan rnetode analisis (analytical method) yaitu menemukan rumusan yang tepat dari berbagai buku dan referensi lain yang rncrnang ahli dalam bidang ini kernudian data-data tersebut diolah dan dianalisa sehingga didapat rumusan yang tepat bagaimana mencmi tenaga penggerak conveyor yang aman, tahan lama tapi efisien. Dari hasit penulisan ini pemliis telah melakukan perbandingan terhadap perencanaan belt conveyor pada tempat lain dan didapatkan bahwa banyaknya perencanaan belt conveyor yang tidak efisien dan kemungkinan terlalu mengambil faktor keamanan yang terlalu besar. Dari penultsan ini didapatkan rumusan yang tepat untuk mcndapatkan tenaga penggerak dari conveyor terutama untuk transportasi material curah (bulk handling material)."

"Konsumsi rokok menjadi salah satu isu kesehatan global terbesar di dunia. Organisasi Kesehatan Dunia (WHO) memperkirakan sekitar 1,3 miliar penduduk di seluruh dunia menggunakan produk tembakau. Indonesia juga menempati peringkat ketiga tertinggi jumlah perokok aktif terbanyak di dunia. Tembakau tidak hanya berbahaya bagi yang menggunakannya, tetapi juga berbahaya bagi yang terpapar asapnya. Orang dapat merokok sembarangan dengan mudah jika pengawasan terhadap penggunaan rokok longgar atau bahkan tidak ditegakkan. Untuk mengatasi permasalahan rokok, berbagai penelitian telah dikembangkan, termasuk metode pengenalan orang yang sedang merokok. Berbagai perangkat pencitraan digunakan untuk mendeteksi aktivitas manusia, termasuk merokok. Dengan pesatnya perkembangan kecerdasan buatan dan deep learning dalam beberapa dekade terakhir, termasuk computer vision, berbagai metode telah dikembangkan untuk mendeteksi orang yang sedang merokok. Salah satu metode tersebut adalah MobileNetV3, yang merupakan salah satu arsitektur Convolutional Neural Network (CNN). MobileNetV3 dikembangkan khusus untuk penggunaan pada aplikasi peranti bergerak dan sistem tanam karena sifatnya yang ringan komputasi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi orang sedang merokok berbasis computer vision menggunakan MobileNetV3. Pada arsitektur sistem, layer dropout digunakan untuk mengatasi masalah overfitting sehingga performa model meningkat. Dataset yang digunakan berasal dari Mendeley Data dan Kaggle yang merupakan kumpulan citra orang yang sedang merokok masing-masing sejumlah 2410 citra dan 3275 citra. Melalui simulasi menggunakan konfigurasi dropout senilai 0,5, perbandingan proporsi dataset training : validasi : training menjadi 80 : 10 : 10, model berhasil memperoleh performa terbaik dengan nilai akurasi sebesar 92,08%, nilai loss sebesar 22,87%, nilai presisi sebesar 93,16%, dan nilai recall sebesar 90,83%. Akurasi ini lebih baik dari penelitian Junlong Tang et al. dengan YOLOv5s yang menghasilkan akurasi 85,6%

---

Cigarette consumption is one of the most significant global health issues. The World Health Organization (WHO) estimates that around 1.3 billion people worldwide use tobacco products. Indonesia also ranks third with the world's highest number of active smokers. Tobacco is not only dangerous for those who use it but also for those exposed to the smoke. People can smoke indiscriminately if controls on cigarette use are lax or even not enforced. Various studies have been developed to overcome the problem of smoking, including methods of identifying people who smoke. Different imaging devices are used to detect human activities, including smoking behavior. With the rapid development of artificial intelligence and deep learning in recent decades, including computer vision, various methods have been developed to detect smoking people. One such method is MobileNetV3, one of the Convolutional Neural Network (CNN) architectures. MobileNetV3 was explicitly developed for mobile applications and embedded systems because of its computationally lightweight nature. This study aims to create a computer vision-based smoking detection system using MobileNetV3. In the system architecture, the dropout layer is used to overcome the problem of overfitting so that model performance increases. The datasets used are from Mendeley Data and Kaggle, a collection of images of smoking people, a total of 2410 and 3275 images, respectively. Through simulation using a dropout configuration of 0.5, the proportion of the training dataset: validation: training to 80: 10: 10, the model managed to obtain the best performance with an accuracy value of 92.08%, a loss value of 22.87%, a precision value of 93.16%, and the recall value is 90.83%. This accuracy is better than previous studies by Junlong Tang et al. with YOLOv5s, which resulted in an accuracy of 85.6%"

"Perkembangan teknologi computer vision pada cashier-less store telah banyak diterapkan dalam skala besar oleh berbagai perusahaan besar seperti Amazon Go. Namun, implementasi teknologi ini pada toko berskala kecil seperti kantin sekolahan atau UMKM masih belum banyak dijumpai. Maka dari itu, Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi prototipe sistem computer vision untuk melakukan pengenalan aktivitas pelanggan pada toko guna mendukung implementasi teknologi cashier-less store pada skala kecil dengan mempertimbangkan keterbatasan ruang. Untuk mendeteksi objek produk (pisang, wortel, brokoli dan apel) dikembangkan model berbasis arsitektur YOLOv11 dan YOLOv11 Pose untuk mendeteksi keypoints (sendi) pada pelanggan. Pada tahap pelacakan multi-objek, sistem menggabungkan algoritma linear motion untuk prediksi posisi objek dengan metode hungarian algorithm dalam proses asosiasi data. Di samping itu, digunakan OSNet untuk ekstraksi fitur visual guna mendukung proses ID differentiation dan meminimalisasi kesalahan identifikasi saat objek bergerak atau tertutup sebagian. Evaluasi kinerja sistem dilakukan dengan menggunakan metrik kuantitatif precision, recall, dan f1-score untuk mengukur performa deteksi, serta Multiple Object Tracking Accuracy (MOTA) sebagai indikator evaluasi pelacakan. Pada skenario satu pelanggan, sistem memperoleh rata-rata F1-Score sebesar 91%, precision 98%, dan recall 86%. Sementara pada skenario tiga pelanggan, sistem memperoleh rata-rata F1-Score sebesar 90%, precision 94%, dan recall 90% serta MOTA dengan rata-rata 100% dalam skenario pelacakan pelanggan.

---

The development of computer vision technology in cashier-less stores has been widely implemented on a large scale by major companies such as Amazon Go. However, the implementation of this technology in small scale stores, such as school canteens or MSMEs, is still rarely found. Therefore, this study aims to design, implement, and evaluate a prototype computer vision system for recognizing customer activities in stores, in order to support the adoption of cashier-less store technology on a small scale while considering space limitations. To detect product objects (banana, carrot, broccoli, and apple), the model was developed based on the YOLOv11 architecture and YOLOv11 Pose to detect customer keypoints (joints). In the multi object tracking stage, the system combines a linear motion algorithm for predicting object positions with the Hungarian algorithm for data association. Additionally, OSNet is used for visual feature extraction to support ID differentiation and minimize identification errors when objects are moving or partially occluded. System performance evaluation is conducted using quantitative metrics such as precision, recall, and F1-score to measure detection performance, as well as Multiple Object Tracking Accuracy (MOTA) as an indicator for tracking evaluation. In the single customer scenario, the system achieved an average F1-score of 91%, precision of 98%, and recall of 86%. In the three-customer scenario, the system achieved an ave- rage F1-score of 90%, precision of 94%, and recall of 90%, with MOTA reaching 100% in customer tracking scenarios."