Hasil Pencarian  ::  Simpan CSV :: Kembali

"Banyak informasi yang tersebar pada media sosial. Kehadiran media sosial seperti X (Twitter), Facebook, dan TikTok memfasilitasi persebaran informasi dari seluruh penjuru dunia. Informasi yang ada pada media sosial beragam jenisnya, mulai dari ekspresi diri, opini, atau bahkan informasi terkait suatu kejadian di dunia nyata. Permasalahannya, informasi yang bertebaran di media sosial belum tentu relevan dengan informasi yang diinginkan. Masalah tersebut dapat diselesaikan dengan penggunaan kecerdasan buatan untuk melakukan kurasi data. Namun, dalam menggunakan kecerdasan buatan biaya komputasi yang diperlukan cukup mahal dan banyaknya informasi yang diproses dapat membuat waktu untuk melakukan analisis data menjadi cukup lama. Untuk menanggulangi masalah tersebut, penggunaan paradigma cloud computing dapat digunakan karena sumber daya komputasi cloud umumnya lebih mudah diakses dibandingkan dengan sumber daya komputasi lokal. Sudah terdapat sebuah library bernama FogVerse yang dibangun dengan Apache Kafka untuk melakukan stream data processing, yaitu FogVerse. FogVerse merupakan salah satu solusi untuk digunakan dalam pembangunan aplikasi berbasis stream data processing karena kemampuannya untuk melakukan pemrosesan berbagai sumber data dan menangani aliran informasi yang banyak. FogVerse pada dasarnya digunakan dalam pengaturan sumber daya untuk fog computing, tetapi penelitian ini hanya berfokus pada penggunaan FogVerse sebagai server yang menghubungkan setiap komponen pada sistem. Penelitian ini dilakukan untuk meneliti dua hal utama, yaitu meningkatkan kemampuan dari FogVerse secara keseluruhan dan merancang serta mengimplementasikan sistem deteksi kejadian darurat menggunakan data dari media sosial yang diimplementasikan menggunakan FogVerse yang sudah dimodifikasi. Terdapat tiga pengingkatan pada FogVerse, yaitu dynamic partition, multiprocessing, dan auto scaling. Dari hasil peningkatan FogVerse, penelitian dilakukan untuk menujukan bahwa terjadinya peningkatan dari sisi throughput dan latency terhadap aplikasi yang dibangun menggunakan FogVerse terbaru.

---

A lot of information can be found on social media. The presence of social media such as X (Twitter), Facebook, and TikTok facilitate the spread of information from all over the the world. There are various types of information on social media, ranging from self-expression, opinions, or even information related to an event in the real world. The problem is that the information scattered on social media is not necessarily relevant to the desired information. This problem can be solved by using artificial intelligence to process the data. However, in using artificial intelligence, the cost of computing are quite expensive and the amount of information processed can make the time to analyze the data quite long. The use of cloud computing paradigms can be used because cloud computing resources are generally more accessible than local computing resources. There is a library called FogVerse that is built using Apache Kafka to perform stream data processing, namely Fog-Verse. FogVerse is one of the solutions to be used on building applications that based on stream data processing because of its ability to perform processing from various data sources and handle multiple streams of information. FogVerse is normally used in resource management for fog computing, but this research only focuses on using FogVerse as a server that connects each component in the system. This research was conducted to examine two main things, improving the overall capabilities of FogVerse and designing and implementing an emergency event detection system using data from social media that is implemented using the modified FogVerse. There are three enhancements to FogVerse, namely dynamic partition, multiprocessing, and auto scaling. From the results of the FogVerse upgrade, research was conducted to show that there was an increase in terms of throughput and latency for applications built using the latest version of FogVerse."

"Banyak informasi yang tersebar pada media sosial. Kehadiran media sosial seperti X (Twitter), Facebook, dan TikTok memfasilitasi persebaran informasi dari seluruh penjuru dunia. Informasi yang ada pada media sosial beragam jenisnya, mulai dari ekspresi diri, opini, atau bahkan informasi terkait suatu kejadian di dunia nyata. Permasalahannya, informasi yang bertebaran di media sosial belum tentu relevan dengan informasi yang diinginkan. Masalah tersebut dapat diselesaikan dengan penggunaan kecerdasan buatan untuk melakukan kurasi data. Namun, dalam menggunakan kecerdasan buatan biaya komputasi yang diperlukan cukup mahal dan banyaknya informasi yang diproses dapat membuat waktu untuk melakukan analisis data menjadi cukup lama. Untuk menanggulangi masalah tersebut, penggunaan paradigma cloud computing dapat digunakan karena sumber daya komputasi cloud umumnya lebih mudah diakses dibandingkan dengan sumber daya komputasi lokal. Sudah terdapat sebuah library bernama FogVerse yang dibangun dengan Apache Kafka untuk melakukan stream data processing, yaitu FogVerse. FogVerse merupakan salah satu solusi untuk digunakan dalam pembangunan aplikasi berbasis stream data processing karena kemampuannya untuk melakukan pemrosesan berbagai sumber data dan menangani aliran informasi yang banyak. FogVerse pada dasarnya digunakan dalam pengaturan sumber daya untuk fog computing, tetapi penelitian ini hanya berfokus pada penggunaan FogVerse sebagai server yang menghubungkan setiap komponen pada sistem. Penelitian ini dilakukan untuk meneliti dua hal utama, yaitu meningkatkan kemampuan dari FogVerse secara keseluruhan dan merancang serta mengimplementasikan sistem deteksi kejadian darurat menggunakan data dari media sosial yang diimplementasikan menggunakan FogVerse yang sudah dimodifikasi. Terdapat tiga pengingkatan pada FogVerse, yaitu dynamic partition, multiprocessing, dan auto scaling. Dari hasil peningkatan FogVerse, penelitian dilakukan untuk menujukan bahwa terjadinya peningkatan dari sisi throughput dan latency terhadap aplikasi yang dibangun menggunakan FogVerse terbaru.

---

A lot of information can be found on social media. The presence of social media such as X (Twitter), Facebook, and TikTok facilitate the spread of information from all over the the world. There are various types of information on social media, ranging from self-expression, opinions, or even information related to an event in the real world. The problem is that the information scattered on social media is not necessarily relevant to the desired information. This problem can be solved by using artificial intelligence to process the data. However, in using artificial intelligence, the cost of computing are quite expensive and the amount of information processed can make the time to analyze the data quite long. The use of cloud computing paradigms can be used because cloud computing resources are generally more accessible than local computing resources. There is a library called FogVerse that is built using Apache Kafka to perform stream data processing, namely Fog-Verse. FogVerse is one of the solutions to be used on building applications that based on stream data processing because of its ability to perform processing from various data sources and handle multiple streams of information. FogVerse is normally used in resource management for fog computing, but this research only focuses on using FogVerse as a server that connects each component in the system. This research was conducted to examine two main things, improving the overall capabilities of FogVerse and designing and implementing an emergency event detection system using data from social media that is implemented using the modified FogVerse. There are three enhancements to FogVerse, namely dynamic partition, multiprocessing, and auto scaling. From the results of the FogVerse upgrade, research was conducted to show that there was an increase in terms of throughput and latency for applications built using the latest version of FogVerse."

"Penayangan iklan pada tempat umum cenderung dilakukan secara acak, sehingga pesan yang disampaikan bisa tidak tepat sasaran. Smart-ads billboard dapat menjadi salah satu solusi untuk menampilkan iklan yang sesuai dengan kondisi dan situasi pada suatu area. Smart-ads billboard dapat direalisasi menggunakan sensor secara real-time dengan memanfaatkan internet of things (IoT). Permasalahannya, perangkat IoT bisa saja menghasilkan data yang banyak dan berukuran besar, sedangkan perangkat IoT memiliki kapabilitas komputasi yang sangat terbatas. Penggunaan paradigma cloud computing dapat menjadi salah satu solusi, sebab resource yang terdapat pada cloud berjumlah jauh lebih banyak jika dibandingkan dengan perangkat IoT. Namun, limit bandwidth jaringan dapat meningkatkan latency pada suatu sistem, sehingga diterapkan paradigma fog computing. Untuk dapat mengimplementasikan fog computing pada sistem smart-ads billboard dengan mudah, pengaplikasian FogVerse sebagai basis dari sistem menjadi salah satu pilihan yang baik, sebab FogVerse dirancang khusus untuk menunjang stream data processing dengan menggunakan Apache Kafka. Sistem smart-ads billboard bekerja dengan mende- teksi jumlah orang pada suatu tempat, kemudian menampilkan iklan sesuai dengan jumlah orang yang ada. Untuk itu, dibutuhkan proses object detection secara real-time menggunakan suatu model machine learning. Penggunaan model machine learning YOLO dapat mendukung hal tersebut, karena YOLO dapat melakukan object detection secara real-time menggunakan deep learning. Penelitian ini menyelesaikan permasalahan smart-ads billboard dalam dua tahap. Pertama, dilakukan fine-tuning untuk implementasi YOLO untuk object atau person detection menggunakan crowdhuman dataset. Hal ini dilakukan untuk meningkatkan performa model dalam mendeteksi orang. Selanjutnya, model YOLO ini diadaptasi ke dalam sistem FogVerse untuk smart-ads billboard. Penelitian ini juga menunjukan faktor-faktor lain yang dapat memengaruhi latency dari sistem dan CPU utilization dari perangkat fog, serta bagaimana mengoptimalkan penggunaan perangkat fog dengan suatu scheduling algorithm.

---

Public advertisements shown on billboards, jumbotrons, and others are commonly randomized. Hence, some of the messages will not reach the targeted audience. Implementing a real-time smart-ads billboard to display advertisements according to the current situation around the sensor. This can be realized by utilizing Internet of Things (IoT) devices as a solution. Unfortunately, common IoT devices have a low computation capability. To avoid this limitation, the cloud computing paradigm can be a solution. But the latency caused by limited data transfer bandwidth from a local to a cloud device should be considered, especially if the application is delay-sensitive such as the smart-ads billboard. To avoid such things, the fog computing paradigm plays a big role by allowing the system to utilize fog resources before using cloud resources. Developing a smart-ads billboard system with FogVerse as its base application is an advantageous thing to do since FogVerse is designed for data stream processing by using Apache Kafka. Smart-ads billboard system works by detecting the number of people in an area and displaying an advertisement according to it. To do so, a real-time object detection process is essential. Since YOLO is capable to detect objects in real-time, it is sufficient for this type of system. This research approaches the problem in two steps. First, a study is conducted regarding object detection with YOLO, where the YOLO model is fine-tuned with the crowdhuman dataset. It is done to improve the model performance for crowd detection. Next, the YOLO model is used in the FogVerse architecture for smart ads billboards, alongside other factors that may affect system latency and CPU utilization of a fog device. This study also shows how to utilize the fog device optimally using a scheduling algorithm."

"Penayangan iklan pada tempat umum cenderung dilakukan secara acak, sehingga pesan yang disampaikan bisa tidak tepat sasaran. Smart-ads billboard dapat menjadi salah satu solusi untuk menampilkan iklan yang sesuai dengan kondisi dan situasi pada suatu area. Smart-ads billboard dapat direalisasi menggunakan sensor secara real-time dengan memanfaatkan internet of things (IoT). Permasalahannya, perangkat IoT bisa saja menghasilkan data yang banyak dan berukuran besar, sedangkan perangkat IoT memiliki kapabilitas komputasi yang sangat terbatas. Penggunaan paradigma cloud computing dapat menjadi salah satu solusi, sebab resource yang terdapat pada cloud berjumlah jauh lebih banyak jika dibandingkan dengan perangkat IoT. Namun, limit bandwidth jaringan dapat meningkatkan latency pada suatu sistem, sehingga diterapkan paradigma fog computing. Untuk dapat mengimplementasikan fog computing pada sistem smart-ads billboard dengan mudah, pengaplikasian FogVerse sebagai basis dari sistem menjadi salah satu pilihan yang baik, sebab FogVerse dirancang khusus untuk menunjang stream data processing dengan menggunakan Apache Kafka. Sistem smart-ads billboard bekerja dengan mende- teksi jumlah orang pada suatu tempat, kemudian menampilkan iklan sesuai dengan jumlah orang yang ada. Untuk itu, dibutuhkan proses object detection secara real-time menggunakan suatu model machine learning. Penggunaan model machine learning YOLO dapat mendukung hal tersebut, karena YOLO dapat melakukan object detection secara real-time menggunakan deep learning. Penelitian ini menyelesaikan permasalahan smart-ads billboard dalam dua tahap. Pertama, dilakukan fine-tuning untuk implementasi YOLO untuk object atau person detection menggunakan crowdhuman dataset. Hal ini dilakukan untuk meningkatkan performa model dalam mendeteksi orang. Selanjutnya, model YOLO ini diadaptasi ke dalam sistem FogVerse untuk smart-ads billboard. Penelitian ini juga menunjukan faktor-faktor lain yang dapat memengaruhi latency dari sistem dan CPU utilization dari perangkat fog, serta bagaimana mengoptimalkan penggunaan perangkat fog dengan suatu scheduling algorithm.

---

Public advertisements shown on billboards, jumbotrons, and others are commonly randomized. Hence, some of the messages will not reach the targeted audience. Implementing a real-time smart-ads billboard to display advertisements according to the current situation around the sensor. This can be realized by utilizing Internet of Things (IoT) devices as a solution. Unfortunately, common IoT devices have a low computation capability. To avoid this limitation, the cloud computing paradigm can be a solution. But the latency caused by limited data transfer bandwidth from a local to a cloud device should be considered, especially if the application is delay-sensitive such as the smart-ads billboard. To avoid such things, the fog computing paradigm plays a big role by allowing the system to utilize fog resources before using cloud resources. Developing a smart-ads billboard system with FogVerse as its base application is an advantageous thing to do since FogVerse is designed for data stream processing by using Apache Kafka. Smart-ads billboard system works by detecting the number of people in an area and displaying an advertisement according to it. To do so, a real-time object detection process is essential. Since YOLO is capable to detect objects in real-time, it is sufficient for this type of system. This research approaches the problem in two steps. First, a study is conducted regarding object detection with YOLO, where the YOLO model is fine-tuned with the crowdhuman dataset. It is done to improve the model performance for crowd detection. Next, the YOLO model is used in the FogVerse architecture for smart ads billboards, alongside other factors that may affect system latency and CPU utilization of a fog device. This study also shows how to utilize the fog device optimally using a scheduling algorithm."

"Pencarian korban pada daerah bencana biasanya memiliki kondisi medan yang tidak menguntungkan bagi penyelamat sehingga bisa menyebabkan korban yang ingin diselamatkan tidak mendapatkan penanganan dalam tepat waktu. Sistem pencarian korban berbasis Multi-UAV (Unmanned Aerial Vehicles) muncul sebagai solusi untuk memfasilitasi operasi pencarian yang lebih mudah. Penggunaan perangkat Multi-UAV dalam pencarian korban memerlukan aliran data yang besar, sering kali membebani jaringan dan protokol yang ada, mengakibatkan ketidakstabilan dalam latensi dan penurunan FPS (Frame Per Second). FogVerse, framework dengan model komunikasi Publish-Subscribe, menawarkan solusi dengan sistem yang peka terhadap throughput, sehingga menstabilkan latensi dan meningkatkan FPS, terutama di daerah bencana dengan keterbatasan konektivitas internet. Sistem pencarian korban berbasis Multi-UAV beroperasi dengan mendeteksi manusia di daerah bencana dengan model deep learning. Penelitian ini mengatasi tantangan dalam pencarian korban dengan Multi-UAV dan juga menunjukkan faktor-faktor yang dapat memengaruhi latensi, seperti penggunaan CPU (Central Processing Unit), Memori, dan GPU (Graphics Processing Unit) dari komponen yang terlibat dalam sistem. Di antara berbagai model, model YOLOv8n yang telah dilakukan transfer learning dipilih dan dibandingkan dengan model awal sebelum transfer learning. Model tersebut menunjukkan peningkatan dibanding model aslinya, termasuk peningkatan precision/recall sebesar 0.384/0.562, peningkatan mAP sebesar 0.555, dan pengurangan waktu inferensi sebesar 2.2 ms. Model itu sendiri menunjukkan peningkatan latensi rata-rata sekitar 9.775 milidetik di semua skenario. Meskipun berkinerja sedikit lebih baik dalam hal FPS dengan 1 atau 2 UAV, model awal YOLOv8n umumnya mencapai FPS yang lebih tinggi ketika digunakan 3 atau 4 UAV. Arsitektur Multi UAV FogVerse memberikan FPS yang lebih unggul dan latensi yang lebih stabil dibandingkan dengan arsitektur Centralized, meskipun memiliki memori dan GPU usage yang lebih tinggi. Namun, keunggulan FPS-nya menurun dengan penggunaan UAV yang lebih banyak, menunjukkan tantangan alokasi sumber daya, sementara arsitektur Centralized mempertahankan penggunaan sumber daya yang konsisten tetapi mengalami lonjakan latensi dan frame loss yang lebih tinggi.

---

The search for victims in disaster-stricken areas typically involves challenging terrain conditions for rescuers, potentially resulting in delayed assistance for those in need. A Multi-UAV (Unmanned Aerial Vehicles) based victim search system emerges as a solution to facilitate more efficient search operations. The use of Multi-UAV devices in victim searches generates substantial data streams, often overwhelming existing networks and protocols, leading to instability in latency and decreased FPS (Frame Per Second). FogVerse, a framework with a Publish-Subscribe communication model, offers a solution with a system that is sensitive to throughput, thereby stabilizing latency and improving FPS, especially in disaster-stricken areas with limited internet connectivity. The Multi-UAV based victim search system operates by detecting humans in disaster areas with a deep learning model. This research addresses challenges in victim searches with Multi-UAV, while also shows factors that can influence latency, such as CPU (Central Processing Unit), Memory, and GPU (Graphics Processing Unit) usage of the components involved in the system. Across different models, the transfer-learned YOLOv8n model is chosen and compared to its original model. The transfer-learned model shows enhancements over the original model, including an increase in precision/recall by 0.384/0.562, an mAP improvement of 0.555, and a reduction in inference time by 2.2 ms. The model itself shows an average latency improvement of approximately 9.775 milliseconds across all scenarios. Although it performs slightly better in terms of FPS with 1 or 2 UAVs, the standard YOLOv8n model generally achieves higher FPS when 3 or 4 UAVs are used. The Multi UAV FogVerse Architecture provides superior FPS and more stable latency compared to the Centralized architecture, despite higher memory and GPU usage. However, its FPS advantage decreases with more UAVs, suggesting resource allocation challenges, while the Centralized architecture maintains consistent resource usage but suffers from higher latency and frame loss."