Hasil Pencarian  ::  Simpan CSV :: Kembali

"Deteksi objek merupakan permasalahan populer pada bidang computer vision yang bertujuan untuk mengidentifikasi dan mencari lokasi objek pada suatu citra. Performa metode-metode deteksi objek tentunya dipengaruhi oleh kualitas citra. Di sisi lain, pada kehidupan sehari-hari terdapat citra berkabut. Citra berkabut adalah citra yang diambil dalam kondisi berkabut. Kabut tersebut dapat menghamburkan sinar cahaya dan menyebabkan citra yang diambil mengalami penurunan kualitas. Dataset-dataset citra yang populer digunakan untuk deteksi objek juga biasanya mengasumsikan citra diambil pada kondisi tanpa kabut. Oleh karena itu kebanyakan metode deteksi objek pada umumnya tidak dapat berperforma dengan baik pada citra berkabut. YOLOv4 merupakan arsitektur deteksi objek state-of-the-art yang memiliki performa tinggi baik dari segi akurasi dan kecepatan. Penelitian ini bertujuan untuk menguji kapasitas YOLOv4 dengan citra yang berkabut dan juga mencari skenario pelatihan terbaik bagi YOLOv4 untuk mendeteksi objek pada citra berkabut. Skenario pelatihan yang diusulkan ada tiga, pelatihan hanya dengan citra tanpa kabut, pelatihan hanya dengan citra berkabut, dan pelatihan dengan kedua tipe citra. Pengujian dilakukan pada dataset Hazy Series dimana permasalahan utamanya adalah untuk mendeteksi satu buah objek Macbeth ColorChecker yang ada pada setiap citra. Hasil penelitian menunjukan bahwa kabut memiliki pengaruh yang besar pada model yang tidak dilatih dengan citra berkabut. Selain itu, ditunjukan bahwa model YOLOv4 yang dilatih dengan citra berkabut dan citra tanpa kabut memiliki performa terbaik, dengan akurasi 0,88 dan Intersection of Union (IOU) 0,71 untuk dataset Hazy.......Object detection is a well known problem in the computer vision field that aims to identify and locate objects in images. The performance of object detection methods is influenced by the quality of the images. However, in real world situations, it is possible to have hazy images. Hazy images are images that are taken in hazy conditions. Haze occurs because of scattering light in a medium that has micro-particles and causes the quality of the image to worsen. Well known object detection datasets also commonly assume that the images are taken in haze-free conditions. As a result, most object detection methods cannot perform well when faced with hazy images. YOLOv4 is a state-of-the-art object detection architecture that has high performance in both accuracy and speed. This research aims to test YOLOv4 capability in handling hazy images while also searching for the best training scenario for YOLOv4 to detect object in hazy images. There are three proposed training scenarios, they are training with only haze-free images, training with only hazy images and training with both. Evaluation is done on Hazy Series dataset where the main task is to detect one Macbeth ColorChecker object in each image. Research’s results indicate that haze has a big effect on models that are not trained with hazy images. They also indicate that the YOLOv4 model that is trained with both haze-free images and hazy images has the best performance, with an accuracy of 0,81 and Intersection of Union (IOU) of 0,71 for hazy images. "

"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."

"Telur ayam kampung atau telur ayam buras adalah telur ayam umum dikonsumsi masyarakat Indonesia sebagai makanan biasa atau juga sebagai obat. Pengklasifikasian kualitas telur ayam kampung. Dilakukan untuk dapat membedakan telur yang layak konsumsi dan tidak layak konsumsi. Beberapa penelitian serupa menggunakan Arduino dan sensor photodioda untuk melakukan klasifikasi, selain itu juga ada beberapa penelitian yang menggunakan machine learning untuk membedakan jenis telur. Dari penelitian yang telah di lakukan dilihat bahwa akurasi masih kecil, dan dirasa masih bisa di ditingkatkan. Dalam penelitian ini dibuat sistem klasifikasi kualitas telur ayam kampung dengan menggunakan algoritma you only look once (YOLO) versi 4. Data set yang digunakan pada penelitian ini berupa data set dari 4 kategori kondisi telur atau 4 class antara lain telur baik, busuk, fertil, dan telur retak. Data set diakuisisi dengan disinari dengan lampu led yang diberikan tegangan 12V pada kotak akuisisi, dan citra ditangkap dengan webcam Logitech c270. Dari pelatihan data set citra telur ayam kampung dihasilkan akurasi sebesar 96.76% di pengujian pada validation set dan sebesar 95.26% pada test set. Dari kasus pendeteksian kualitas telur ayam kampung dengan deep learning berbasis algoritma YOLOv4 ini memungkinkan adanya pengembangan lebih lanjut.......Local breed chicken eggs or local breed chicken eggs are chicken eggs that are commonly consumed by Indonesian people as ordinary food or also as medicine. Classification of local breed chicken egg quality. This is done to be able to distinguish eggs that are suitable for consumption and not suitable for consumption. Several similar studies used Arduino and photodiode sensors to carry out classification, besides that there were also several studies using machine learning to distinguish types of eggs. From the research that has been done, the accuracy is still small, and it is felt that it can still be improved. In this research, local breed chicken egg quality classification system was created using you only look once (YOLO) version 4 algorithm. The dataset used in this study was a data set of 4 categories of egg conditions or 4 classes including good eggs, rotten, fertile, and cracked eggs. The dataset was acquired by irradiating it with a led lamp supplied with a 12V voltage on the acquisition box, and the image was captured with a Logitech c270 webcam. From the local breed chicken egg image dataset training, an accuracy of 96.76% was obtained in the validation set test and 95.26% in the test set. From the case of detecting local breed chicken egg quality with deep learning based on the YOLOv4 algorithm, it allows for further development."