Hasil Pencarian  ::  Simpan CSV :: Kembali

"Setiap pekerja untuk dapat melaksanakan tugas dan tanggung jawabnya dengan baik, efisien, serta kenyamanan dalam bekerja, maka diperlukan kemampuan tajam penglihatan yang baik. Snellen Chart merupakan instrumen yang biasa digunakan untuk pemeriksaan tajam penglihatan. Namun pada Snellen Chart harus membutuhkan jarak 6 meter, penerangan harus cukup. Pada saat ini banyak permintaan dari perusahaan untuk melakukan MCU di tempat kerjanya, sedangkan tempat yang disediakan terbatas. Maka perlu dicari alternatif untuk pemeriksaan tajam penglihatan jauh. Di USA, Optec Vision Tester telah digunakan untuk menguji berbagai fungsi penglihatan, termasuk tajam penglihatan. Di Indonesia sampai saat ini belum digunakan dan belum diketahui tingkat kesesuaiannya. Tujuan penelitian ini adalah untuk mengetahui tingkat kesesuaian pemeriksaan tajam penglihatan jauh antara Optec Vision Tester dengan Snellen Chart. Desain penelitian yang digunakan adalah potong lintang dengan analisis kesesuaian menggunakan pengujian Cohen’s Kappa. Penelitian ini menggunakan data sekunder hasil MCU pada pekerja di suatu Perusahaan. Data yang diambil adalah hasil dari pemeriksaan tajam penglihatan jauh pada mata binokuler tanpa koreksi dari kedua instrumen. Hasilnya sebanyak 61 subyek yang hasilnya abnormal pada pemeriksaan vision tester, ternyata terdapat 27 subyek memberikan hasil normal pada pemeriksaan Snellen chart. Sedangkan dari 105 subyek yang hasilnya normal pada pemeriksaan vision tester, terdapat 4 subyek pada pemeriksaan Snellen chart hasilnya abnormal. Kemudian data diolah ke dalam SPSS untuk memperoleh nilai Kappa. Secara statistik, diperoleh nilai Kappa 0,564, yang termasuk kategori "fair to good" menurut Fleiss. Kesimpulan yang diperoleh dalam penelitian ini adalah Optec Vision Tester mempunyai nilai kesesuaian tingkat sedang dengan Snellen Chart.

---

Every worker to be able to carry out its duties and responsibilities properly, efficiently, and comfort in the work, it needs a good sharp vision capabilities. Snellen Chart is an instrument commonly used for inspection of visual acuity. But on the Snellen Chart shall require a distance of 6 meters, lighting should be sufficient.

At this time a lot of requests from companies to do the MCU in the workplace, while the limited space provided. Then it is necessary to find an alternative to distant visual acuity examination. In the USA, Optec Vision Tester was used to test a variety of visual function, including visual acuity. In Indonesia has yet to be used and the level of compliance is unknown.

The purpose of this study was to determine the level of compatibility between the distant visual acuity examination Vision Tester with Snellen Chart. The study design uses a cross sectional analysis of the suitability of using Cohen's Kappa test. This study uses secondary data from MCU to workers in a company. The data taken is the result of the examination from binocular visual acuity without correction of both instruments.

The result is a total of 61 subjects in the examination results are abnormal vision tester, it turns out there were 27 subjects in the examination gave normal results Snellen chart. While the 105 subjects who were normal on examination vision tester, there are 4 subjects in the examination abnormal results Snellen Chart. Then the processed data into SPSS to obtain the value of Kappa. Statistically, Kappa value of 0.564 is obtained, which is categorized as "fair to good" according to Fleiss.

Conclusions obtained in this study is the Optec Vision Tester has a value of moderate conformity with the Snellen Chart."

"Autonomous car atau kendaraan tanpa awak merupakan salah satu bagian dari sistem transportasi cerdas yang kelak akan digunakan. Kendaraan tanpa awak memungkinkan kendaraan dapat bergerak dan mengontrol dirinya secara mandiri tanpa bantuan manusia. Salah satu fitur yang paling penting pada kendaraan tanpa awak adalah sistem navigasi. Beragam sistem navigasi yang sudah berkembang ialah metode SLAM dengan LiDAR, penggunaan odometer, ataupun dengan sensor GPS dan gyroscope. Namun, metode-metode tersebut masih perlu pengaturan ulang (tuning) dan penentuan trajectory yang masih dilakukan manual. Oleh karena itu, perlu dilakukan pengembangan sehingga sistem navigasi kendaraan otonomus yang terhubung dengan sistem pemetaan. Pada penelitian ini, diujicobakan sebuah sistem yang mengintegrasikan antara GPS, Google Maps, dan sensor vision sehingga kendaraan dapat berjalan sesuai dengan trajectory yang mudah diatur. Sensor GPS dan Google Maps akan bekekerja sama untuk melakukan mapping lokasi dan mengatur tujuan perjalanan. Sedangkan sensor vision yang menggunakan kamera akan berfungsi sebagai pengatur kesesuaian jalan dengan marka jalan. Hasil penelitian ini didapatkan bahwa keberhasilan pendeteksian jalan mencapai 93,37 %, ketepatan Google Maps dalam mengenali jalan 97,54 % dengan rata-rata kecepata 0,2205 detik, serta kecepatan pemrosesan pembuatan trajectory adalah 0,155 detik.

---

Autonomous cars or unmanned vehicles are one part of the intelligent transportation system that will be used in the future. Unmanned vehicles allow vehicles to move and control themselves independently without human assistance. One of the most important features of unmanned vehicles is the navigation system. Various navigation systems that have been developed are the SLAM method with LiDAR, the use of an odometer, or GPS and gyroscope sensors. However, these methods still need tuning and trajectory determination is still done manually. Therefore, it is necessary to develop an autonomous vehicle navigation system that is connected to the mapping system. In this research, a system that integrates GPS, Google Maps, and vision sensors is tested so that the vehicle can run according to a manageable trajectory. GPS sensors and Google Maps will work together to map locations and set travel destinations. While the vision sensor that uses a camera will function as a regulator of road conformity with road markings. The results of this study found that the success of road detection reached 93.37%, the accuracy of Google Maps in recognizing roads was 97.54% with an average speed of 0.2205 seconds, and the processing speed of making trajectories was 0.155 seconds."