Hasil Pencarian  ::  Simpan CSV :: Kembali

"Terdapat banyak metode pembelajaran mesin menggunakan jaringan saraf tiruan untuk mendeteksi atau mengenali aksi manusia, salah satunya adalah metode pengenalan aksi manusia berdasarkan kerangka (Skeleton-base Action Recognition) PoseC3D dengan arsitektur pembelajaran 3D-CNN (3D Convolutional Neural Network). Pada metode PoseC3D, dilakukan pengenalan aksi manusia berdasarkan kerangka manusia dari data visual RGB dengan mengambil aksi dalam bentuk heatmap 2D dan kemudian dibentuk hingga menjadi heatmap 3D. Heatmap 3D tersebut dilakukan pembelajaran dengan arsitektur 3D-CNN untuk didapatkan keluaran berupa klasifikasi dari aksi manusia. Metode PoseC3D diajukan karena dikatakan mampu untuk melakukan pengenalan aksi manusia yang lebih baik dibandingkan dengan metode lain. Metode ini dikatakan lebih efektif dalam pembelajaran fitur spatiotemporal, lebih mampu menghadapi gangguan estimasi pose, hingga dapat melakukan pengenalan aksi manusia dalam skenario banyak manusia dalam satu bingkai. Oleh karena itu, penelitian ini melakukan percobaan dan pengujian sistem pengenalan aksi manusia dengan metode PoseC3D karena dikatakan mampu memberikan hasil yang baik. Penelitian melakukan percobaan dan pengujian metode sistem menggunakan himpunan data buatan yang berisi video seseorang yang sedang melakukan suatu aksi dengan aksi manusia berbahaya dan tidak berbahaya. Dalam himpunan data aksi manusia buatan ini terdapat delapan aksi manusia yang terdiri dari lima aksi manusia yang tidak berbahaya, yaitu berjalan, duduk, menyapu, berbaring, dan melempar serta terdapat tiga aksi manusia yang berbahaya, yaitu aksi menggunakan pistol, senjata laras panjang, dan pisau. Pada penelitian, dilakukan percobaan dengan melakukan pelatihan model menggunakan himpunan data aksi manusia tadi untuk mendapatkan keluaran berupa model pelatihan dengan akurasi model tersebut dan pada pengujian akan dilakukan pengujian model pelatihan yang diperoleh menggunakan data video yang diujikan untuk mengetahui ketepatan pengenalan aksi manusia. Dari keluaran yang diperoleh, akan dilakukan analisis keberhasilan dan keakuratan metode PoseC3D dengan himpunan data buatan dalam mengenali aksi manusia.......There are many machine learning methods using an artificial neural network to detect or recognize human action, one of them is Skeleton-based Action Recognition using the PoseC3D method with 3D-CNN (3D Convolutional Neural Network) learning architecture. The PoseC3D method does action recognition based on a human skeleton from the RGB visual data by extracting the human pose or action on a 2D heatmap and then transforming it into a 3D heatmap. The 3D heatmap is done by learning with 3D-CNN architecture to obtain output in the form of classification from human action. The PoseC3D method is said to be able to do human action recognition better rather than other methods where this method is said to be more effective in learning spatiotemporal features, can perform human action recognition with multiple people, and is more robust with pose estimation noise. Therefore, this study experiment and testing of human action recognition with the PoseC3D method which is said to be able to obtain an output with a good result. The study experiment and tested human action recognition with a custom dataset of the video containing several humans doing some action with dangerous and harmless actions. In this custom dataset containing human actions, there are eight human actions consisting of five harmless human actions, namely walking, sitting, sweeping, lying down, and throwing and there are three dangerous human actions, namely using a gun, rifle, and knife. In the research, an experiment was carried out by conducting model training using the custom human action dataset earlier to get the output in the form of a training model with the accuracy of the model and in testing the training model obtained using video data was tested to determine the accuracy of recognition of human actions. From the output obtained, an analysis of the success and accuracy of the PoseC3D method with custom datasets will be carried out in recognizing human actions."

"Human action recognition merupakan suatu proses yang bertujuan untuk mengidentifikasi aksi seorang manusia dalam suatu kerangka gambar atau video. Informasi ini nantinya dapat dimanfaatkan untuk berbagai kebutuhan seperti pemantauan keamanan, pemantauan kegiatan, dan lain-lain. Untuk menghasilkan identifikasi yang akurat, sistem human action recognition membutuhkan lingkungan dengan pencahayaan yang baik dan kontras yang tinggi. Namun, dalam beberapa kasus, pencahayaan yang didapatkan oleh sistem human action recognition tidak begitu baik, sehingga hal ini dapat mengganggu proses identifikasi.  Penelitian ini bertujuan untuk merancang sistem human action recognition dengan menggunakan dataset video termal. Model human action recognition yang akan dibangun menggunakan algoritma PoseC3D dari MMAction2. PoseC3D merupakan salah satu metode pendekatan human action recognition berbasis kerangka manusia yang menggunakan 3D heatmap stack sebagai pengganti rangkaian graph sebagai representasi dasar kerangka manusia. Dataset video termal yang digunakan terdiri dari delapan (8) kelas aksi, yaitu aksi jalan, duduk, menyapu, memegang pistol, memegang senapan, berbaring, melempar, dan memegang pisau/senjata tajam. Selain itu, dilakukan juga penelitian pengaruh parameter detection score threshold dan rasio train test split dataset terhadap performa model. Dari hasil eksperimen, dapat dilihat bahwa model human action recognition yang dibangun memiliki performa yang tinggi, baik pada proses pelatihan maupun pengujian.......Human action recognition is a process that aims to identify the actions of a human in an image or video frame. This information can then be utilized for various needs such as security monitoring, activity monitoring, etc. To provide an accurate identification, human action recognition systems require an environment with good illumination and high contrast. However, in several cases, the illumination obtained by the human action recognition system is not so good, which can disrupt the identification process.  This research aims to design a human action recognition system using a thermal video dataset. The human action recognition system will be developed using the PoseC3D algorithm from MMAction2. PoseC3D is one of the skeleton-based human action recognition approach methods that uses a 3D heatmap stack instead of a sequence of graphs as a basic representation of the human skeleton. The thermal video dataset consists of eight (8) action classes, i.e., walking, sitting, sweeping the floor, holding a gun, holding a rifle, lying down, throwing something, and holding a knife/sharp weapon. In addition, a study was conducted to determine the impact of the detection score threshold parameter and the the train test split dataset ratio on model performance. From the experiment results, it can be concluded that the human action recognition model built has a high performance, both in the training and testing processes."