Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kamera pengawas sengat penting keberadaannya untuk membantu mengawasi area tertentu. Gambar digital yang direkam biasanya adalah aktivitas yang terjadi atau keberadaan objek di dalamnya, termasuk objek masker, kacamata hitam, helm dan topi yang rawan digunakan sebagai penutup identitas ketika sedang melakukan tindak kejahatan. Kemampuan tersebut dapat mencegah maupun menelusuri kejadian yang tidak diinginkan seperti tindakan criminal. Namun, saat ini kamera pengawas bersifat pasif sehingga berpotensi meningkatkan resiko kelalaian oleh pihak penjaga (user) dalam memantau aktivitas yang sedang terjadi. Penelitian ini bertujuan untuk merancang sistem yang mampu meningkatkan kinerja kamera pengawas dalam mendeteksi objek pada perangkat Raspberry Pi sehingga kamera dapat bersifat aktif serta mampu memberikan hasil yang optimal dan juga mengurangi penggunaan penyimpanan berlebih. Sistem deteksi objek yang digunakan menerapkan teknik Deep Learning dengan MobileNetV2-SSD sebagai model arsitektur jaringannya. Uji coba penelitian dilakukan pada beberapa variasi jarak terhadap objek sejauh 0-1,5 meter. Hasil penelitian didapatkan nilai mAP 70,3% dan saat  pengujian real-time menunjukkan keakurasian pada jarak 0-1 meter sebesar 87,5%. Pada jarak lebih dari 1,5 meter kemampuan deteksi system mulai berkurang.......Monitoring cameras are very important to help monitor certain areas. Digital images recorded are usually activities that occur or the presence of objects in them, including masks, sunglasses, helmets and hats which are prone to be used as a cover for identity when committing a crime. This capability can prevent or track unwanted events such as criminal acts. However, currently monitoring cameras are passive so that they have the potential to increase the risk of negligence by the user in monitoring ongoing activity. This study aims to design a system that can improve the performance of monitoring cameras in detecting objects on the Raspberry Pi device so that the camera can be active and able to provide optimal results and also reduce excess storage usage. The object detection system used applies Deep Learning techniques with MobileNetV2-SSD as the network architecture model. Research trials were carried out at several variations of the distance to objects as far as 0-1.5 meters. The results are mAP value is 70.3% and 87.5% accuracy during real-time testing at a distance of 0-1 meter. At a distance of more than 1.5 meters the detection capability of the system begins to decrease."

"Tantangan utama dari proses komunikasi antara pasien dan perawat adalah adanya ketidakmampuan beberapa pasien untuk menjelaskan secara verbal, seperti pasien dengan gangguan bicara atau juga pasien yang sedang kritis, sehingga diperlukan Bahasa Isyarat. Penelitian ini menggunakan pembelajaran mesin dengan model SSD MobilenetV2 untuk melatih isyarat tangan dan mengimplementasikan pengiriman pesan ke telegram. Isyarat tangan yang digunakan adalah: bantuan, dingin, dokter, duduk, makan, minum, obat, sakit, dan toilet. Pada penelitian ini digunakan data latih sebanyak 8.820 data dan data uji sebanyak 2.520 dan 1.260 data yang masing-masing merupakan data validasi dan data testing. Data tersebut diambil dari 14 orang dengan kategori Anak-anak hingga Lansia. Seluruh isyarat tangan dapat dideteksi dengan mAP sebesar 60.9%. Penelitian ini juga dapat mengenali isyarat secara langsung dengan baik pada jarak antara 0.5 m-1.2 m, dan dapat langsung mengirimkan pesan ke telegram sesuai dengan isyarat yang diperagakan.......The use of hand signals is common in medical settings, but of course there are limitations between patients and caregivers who do not understand sign language. As technology advances, this problem can be minimized by creating messaging systems that take input in the form of sign language and output in the form of the message the patient wants to convey, as was done in this study. This study used 9 hand gesture; help, cold, sit, doctor, eat, drink, medicine, sick, and toilet. And used 8,820 training data and 2,520 and 1,260 test data for data validation and testing, respectively. The data comes from his 14 people, with categories ranging from children to elderly people. All hand gestures can be recognized with an mAP (mean Average Precision) of 60.9%. This study can also recognize live gestures well at a distance between 0.5 m - 1.2 m, and can directly send messages to telegrams according to the gestures demonstrated. "

"Perkembangan Human Computer Interaction (HCI) dalam dunia medis dapat membantu pasien untuk berkomunikasi dengan keluarga atau perawat agar kebutuhan mereka dapat terpenuhi dengan baik. Pada penelitian ini akan digunakan salah satu aplikasi HCI yaitu pengenalan isyarat tangan melalui web camera sebagai sistem penyampaian pesan. Akuisisi citra dilakukan pada 12 subjek dengan berbagai jenis kelamin dan usia yang memperagakan lima isyarat tangan. Isyarat tangan yang diperagakan berdasarkan pada kebutuhan dasar pasien: makan, minum, ingin ke toilet, butuh bantuan, dan butuh obat-obatan. Citra yang telah dikumpulkan lalu dilakukan pengolahan seperti labelling kelas hingga akhirnya dilatih menggunakan algoritma Single Shot Detector (SSD) MobileNet V2. SSD MobileNet V2 dipilih karena memiliki kemampuan deteksi yang baik dan komputasi yang cukup ringan sehingga cocok diaplikasikan untuk real-time. Pada penelitian ini, didapatkan mean Accuracy Precision (mAP) sebesar 44.7% serta dapat mendeteksi dan mengenali 85 dari 100 citra dengan baik ketika dijalankan pada komputer personal. Hasil mAP yang didapatkan lebih baik dari penelitian sebelumnya. Frame Rate per Second (FPS) yang dihasilkan saat diaplikasikan real-time sebesar ±2 FPS. Model hasil pelatihan kemudian juga diaplikasikan pada Raspberry Pi Model 3 dan 4 untuk mengetahui perbandingannya.......The development of Human Computer Interaction (HCI) in medical side can help dissabled patient to communicate well with their relatives and medical helpers. This can help to maintain their needs to be well-fullfilled. In this research study, one of HCI aplication has been used. It is hand gesture recognition using web camera as a notification system. Image acquisition has been done on 12 subjects with various gender and ages. They demonstrated the five gestures: need to eat, need to drink, need to go to the toilet, need help and need medicines. These gestures are based on human’s basic daily needs. The collected images were processed like labelling the images and tarined using Single Shot Detector (SSD) MobileNet V2 algorithm.We chosed SSD because it has good ability in object detection and needs low computation. Therefore, it is suitable to be applied on real-time detection. In this study, we yielded mean Accuracy Precision (mAP) 44.7% and 85 out of 100 images were well-detected when they were run on personal computer (PC). The result provided in this study is considered better than previous study. Frame rate per second (FPS) provided in this study was ±2 FPS. The trained model also was run on Raspberry Pi 3 and 4 to compare their results."