Hasil Pencarian  ::  Simpan CSV :: Kembali

"CPTED yang awalnya bertujuan untuk mengurangi tindakan kriminal pada akhirnya secara tidak langsung berdampak menghasilkan desain-desain yang bersifat membatasi atau mengontrol perilaku maupun akses dari suatu individu atau kelompok tertentu. Desain-desain tersebut dikenal dengan istilah desain hostile yang memiliki tujuan untuk mendukung keberhasilan dari konsep CPTED. Oleh karena itu, desain-desain yang bersifat hostile pada ruang publik saat ini banyak yang berasal dari konsep CPTED. Desain hostile yang tercipta karena konsep CPTED ini dibutuhkan untuk menghasilkan keteraturan di dalam ruang publik yang pada akhirnya berakibat terhadap individu di dalam ruang publik. Berdasarkan hasil pengamatan pada studi kasus, desain hostile yang terbentuk karena konsep CPTED menyebabkan individu tertentu merasa tidak nyaman dan berusaha untuk merespon desain hostile tersebut sehingga menghasilkan sebuah perilaku. Perilaku yang dibentuk tersebut menyebabkan terjadinya perubahan pergerakan manusia di ruang publik stasiun.

---

CPTED which initially aims to reduce criminal activity, ultimately has an indirectly impact the creation of designs that limit or control the behavior or access of an individual or a particular group. These designs are known as hostile designs which aim to support the success of the CPTED concept. Therefore, many of the hostile designs in public spaces today stem from the CPTED concept. The hostile design that was created because of the CPTED concept is needed to produce order in public spaces which ultimately affects individuals in public spaces. Based on the observations in the case studies, the hostile design formed due to the CPTED concept causes certain individuals to feel uncomfortable and try to respond to the hostile design resulting in a behavior. The behavior that is formed causes a change in human movement in the public station space."

"ABSTRACTPenelitian ini membahas mengenai pembentukan sense of body awareness penari dalam komunitas Yosakoi Naruko Odori Hyakka Ryouran YHR saat melakukan tari yosakoi, baik dalam latihan maupun dalam pertunjukan. Saya menerapkan pendekatan kualitatif yang bersifat deskriptif dalam studi ini. Pengumpulan data saya lakukan dengan cara autoethnography, wawancara, pengamatan, dan juga studi kepustakaan. Studi ini melihat seni tari dari sudut pandang penari mengenai cara penari melatih tubuhnya untuk melakukan gerakan tari, atau cara membangun relasi antara penari dengan tubuhnya dalam menari, terutama mengenai relasinya dengan penari lain dan juga properti yang digunakan. Penari menyerap sebuah koreografi tari menggunakan sense dari tubuhnya. Sense of body penari berfungsi sebagai alat pengumpul informasi bagi penari dalam melakukan tarian. Hal tersebut membuat tubuh dari penari dapat mengingat bentuk gerakan tari. Sense of body dalam tulisan ini bukan hanya mengacu pada pancaindra saja, namun juga sense lainnya dari tubuh. Pembentukan sense of body penari sendiri dilakukan dengan melakukan latihan tari secara terus-menerus dan juga melakukan banyak pertunjukan tari, sehingga tubuh penari terbiasa dengan gerakan tari tersebut.

---

ABSTRACTThis research focus on dancer growing sense of body awareness in Yosakoi Naruko Odori Hyakka Ryouran community when dancing yosakoi, in their practice or performance. I apply a qualitative approach descriptively. The data was collected by doing autoethnography, interviews, observations, and literacy study. This thesis examines dance from dancer point of view about how dancer train her his body to do dance movement, or the way dancer developing relation between dancer and his body in dance, especially the relationhip of dancer with other dancer and also with the property they used. Dancer memorize the dance used their sense of body. Dancers sense of body have function as a tool to collected information for dancer to dance. Thats making body of dancer can memorize the shape of dance movement. Sense of body, here, is not only refers to five sense, but also to other senses. Growing dancer sense of body done by doing dance practice continueally and doing many performances. So, dancers body get used to it."

"

Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet. Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet. Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements.

"