Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini merupakan pengembangan dari teknologi video surveillance system atau sistem pengawasan video. Video surveillance system yang selama ini diterapkan untuk tujuan deteksi objek menggunakan suatu metode umum yaitu dual background model. Model tersebut bekerja dengan memisahkan latar depan dan latar belakang dari suatu video frame dan memposisikan target deteksi di latar depan sebagai output. Salah satu tujuan dari skripsi ini adalah melakukan pengembangan dari sistem tersebut agar dapat mengklasifikasikan objek yang terdeteksi menjadi abandoned, stolen, dan ghost region. Untuk mencapai tujuan tersebut, digunakan metode pemelajaran mesin Mask R – CNN yang dapat melakukan segmentasi objek berbasis pemaskeran. Selain dari Mask R – CNN, terdapat model pemelajaran mesin lain yang cukup umum digunakan untuk deteksi objek dan segmentasi objek yaitu model YOLACT. Penelitian ini menggunakan video situasi natural di tempat umum seperti stasiun atau jalanan yang akan diproses menggunakan dual background model dan kemudian disegmentasi menggunakan Mask R – CNN atau YOLACT. Hasil penelitian ini diharapkan bisa membuka wawasan tentang penggunaan model pemelajaran mesin dalam aplikasi object detection, sekaligus menganalisis model mana yang paling efektif dan efisien berupa hasil kuantitatif yaitu Frame Rate per Seccond ( FPS ), waktu segmentasi, serta Intersection Over Union ( IOU ).

---

This thesis is an advancement in video surveillance technology. The existing video surveillance system commonly employs a dual background model for object detection. This model functions by separating the foreground and background within a video frame and positions the detected target in the foreground as the output. One of the goals of this thesis is to enhance this system to classify detected objects into abandoned, stolen, and ghost regions. To achieve this, the Mask R-CNN machine learning method is used, which can perform object segmentation based on masking. Apart from Mask R-CNN, another commonly used machine learning model for object detection and segmentation is the YOLACT model. This research utilizes natural situation videos in public places like stations or streets, processed using the dual background model and then segmented using Mask R-CNN or YOLACT. The anticipated outcome of this study is to broaden insights into the use of machine learning models in object detection applications while analyzing which model is most effective and efficient for similar applications."

"Implementasi aplikasi teknologi 5G yang saat ini mulai digunakan masih memerlukan pengkajian untuk dapat memastikan performa yang dihasilkan. Mengingat banyaknya pengguna aplikasi pada area perkantoran, karena itu penelitian ini dilakukan untuk mengetahui performa dari aplikasi teknologi 5G di luar ke dalam ruangan (outdoor to indoor) pada area perkantoran dengan menggunakan frekuensi 26 GHz, dengan bandwidth 100 MHz, dan konfigurasi antenna 2 x 2 MIMO ULA (Uniform Linear Array). Penelitian dilakukan melalui simulasi dengan menggunakan tiga skenario terhadap rugi-rugi penetrasi yang terjadi karena penggunaan material gedung dan variasi jarak transmitter dan receiver. Tiga skenario yang diatur dalam penelitian ini diantaranya adalah tanpa adanya rugi-rugi penetrasi, dengan rugi-rugi penetrasi menggunakan material kaca standar dan dengan rugi-rugi penetrasi menggunakan material kaca infrared reflecting (IRR). Jarak yang divariasikan antara lain 50 m, 100 m, 300 m, 500 m, dan 1 km. Dari hasil perhitungan dan simulasi, jarak terjauh yang dapat digunakan untuk aplikasi teknologi 5G adalah 738.02 meter pada skenario dengan rugi-rugi penetrasi menggunakan material kaca standar dengan modulasi QPSK pada kondisi line of sight (LOS). Sementara itu, jarak minimum yang dapat digunakan adalah 57.16 meter pada skenario dengan rugi-rugi penetrasi menggunakan material kaca IRR dengan modulasi QPSK pada kondisi non line of sight (NLOS). Hasil dari penelitian yang dilakukan ini diharapkan mampu menjadi acuan bagi perencana jaringan ketika akan membuat jaringan pada area outdoor to indoor di gedung perkantoran dengan menggunakan material kaca.

---

Implementation of the 5G technology application currently use still requires assessment to ensure the network performance. Considering the number of application users in the office area, this study was conducted to find out the performance of outdoor to indoor 5G technology applications in office areas using 26 GHz frequency, with a bandwidth of 100 MHz, and 2 x 2 antenna configuration MIMO ULA (Uniform Linear Array). The study was conducted through a simulation using three scenarios of penetration losses that occur due to the use of building materials and variations in the distance of transmitter and receiver. Three scenarios arranged in this study include no penetration losses, with penetration losses using standard glass material and with penetration losses using infrared reflecting (IRR) glass material. The varied distances include 50 m, 100 m, 300 m, 500 m, and 1 km. From the results of calculations and simulations, the farthest distance that can be used for 5G technology applications is 738.02 meters in scenarios with penetration losses using standard glass material with QPSK modulation when line of sight (LOS) conditions. Meanwhile, the minimum distance that can be used is 57.16 meters in scenarios with penetration losses using glass IRR material with QPSK modulation at non line of sight (NLOS) conditions. The results of this research are expected to become a reference for network planners when they are going to make networks in outdoor to indoor areas in office buildings using glass material."

"Tingginya tingkat keluhan pelanggan terhadap layanan pusat panggilan (call center) 147 terutama pada proses aktivasi layanan tambahan menjadi sebuah masalah penyebab turunnya penjualan minipack sehingga target revenue tidak tercapai. Minimnya informasi paket tambahan dan proses aktivasi yang dinilai lama dan tidak efisien menjadi dasar penelitian ini. Sehingga dilakukan sebuah perancangan sistem yang disebut Multi-system On Screen Subscription (MOSS) agar pelanggan mampu melakukan aktivasi secara self provisioning dengan metode pembayaran prepaid (prabayar) dan postpaid (pascabayar) untuk mempermudah pelanggan serta menekan biaya yang harus dikeluarkan jika melakukan aktivasi melalui Inboud Call 147. Penelitian ini menggunakan metode fishbone analysis untuk melihat akar masalah dan menggunakan system thinking untuk mengevaluasi solusi yang akan dirancang. Perancangan sistem MOSS bertujuan sebagai inovasi, dinilai dari parameter Micro Thinking, Macro Thinking, dan Mega Thinking.

---

The high level of customer complaints about call center services, especially in activating additional functions, is a problem that causes a decline in minipack sales so that revenue targets are not achieved. The lack of additional package information and the activation process that was considered long and inefficient was the basis of this study. So that all systems are designed called Multi-system On-Screen Subscription (MOSS) so that customers can activate as self-provisioning with prepaid and postpaid methods to facilitate customers and reduce costs to be incurred if activating via Inbound Call 147. This study uses a fishbone analysis method to look at the root of the problem and uses system thinking to evaluate the solution to be designed. MOSS system design aims as innovation, judged by the parameters of Micro Thinking, Macro Thinking, and Mega Thinking."