Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perpustakaan Universitas Indonesia (UI) merupakan perpustakaan universitas terbesar se-Asia Tenggara. Ada sekitar 1,5 juta koleksi yang tersimpan di Perpustakaan UI dan beberapa perpustakaan fakultas di mana jumlah ini terus bertambah setiap tahunnya. Ukuran Perpustakaan UI tergolong besar, terdiri dari empat lantai dengan desain arsitektur unik, membuat pencarian sebuah lokasi ruangan atau lokasi koleksi didalamnya mengalami kendala yang berdampak pada efisiensi dan efektifitas pencarian lokasi di dalam perpustakaan. Papan petunjuk yang ada di Perpustakaan UI saat ini belum sepenuhnya membantu pengunjung untuk menuju sebuah lokasi ruangan atau lokasi koleksi. Kesulitan yang dirasakan pengunjung berbanding terbalik dengan ekspetasi mereka. Dari sisi sistem pencarian koleksi/buku yang tersedia, pengunjung mendapatkan informasi yang tidak begitu akurat dan tidak begitu detail, hal ini menjadi sangat mengecewakan terutama bagi pengunjung yang datang dari tempat jauh. Keluhan terkait pencarian lokasi ruangan atau lokasi sebuah koleksi menjadi seolah terabaikan, perlu dibuat sebuah aplikasi petunjuk lokasi ruangan atau lokasi sebuah koleksi untuk mempermudah pengunjung dan memenuhi ekspektasi mereka. Untuk mewujudkan hal tersebut, maka ditawarkan sebuah rancangan digital signage berupa clickable prototype yang bisa membantu mengarahkan pengunjung ke sebuah lokasi. Pembuatan rancangan dilakukan dengan high-hidelity prototyping setelah melakukan observasi, survei dan wawancara kontekstual terkait kebutuhan dan permasalahan pengunjung. Hasil rancangan ini kemudian akan dievaluasi dengan memanfaatkan usability testing lalu kuesioner untuk mendapatkan tanggapan responden. Perlu diadakan penelitian lebih lanjut dari segi usability. Hasil survei kemudian dirangkum untuk menjadi acuan pembuatan aplikasi petunjuk lokasi di Perpustakaan UI kedepannya.

---

Universitas Indonesia (UI) Library is the biggest university library in Southeast Asia. There are about 1,5 million collections saved on UI Library and several faculty libraries at the UI, where this number continues to increase regularly per year. The size of the UI Library is quite large, consisting of four floors with unique architectural design, it makes difficult to search location of a room or collection location within the library that affect to the effeciency and effectivity of searching. Existing sign boards in the UI Library are currently not fully helped visitors to get to a room or collection location. The difficulty experienced by visitors is inversely propotional to their expectations. The existing book search system giving the visitors inaccurate information, this becomes very dissapointing especially for visitors who come from far away places. Visitors complaints related to find a location in the UI Library seemed to be ignored, a navigation application needs to be made to direct visitors to get to the locations that they try to find on the library and meet their expectations. To achieve this goal, then offered a digital signage application design in the form of a clickable prototype that can help direct visitors to a location. The design of the application is made by using high-fidelity prototyping after conducting observations, surveys and contextual interviews related to the needs and problems of visitors. The results of the design will be evaluated by using usability testing and then questionnaire to get respondent’s response. The survey results of this research will then be summarized for the next development of Indoor Digital Signage application at the UI Library."

"Skripsi ini membahas mengenai penggunaan model segmentasi semantik UNet sebagai alternatif metode segmentasi wajah dan tangan gerakan isyarat SIBI (Sistem Isyarat Bahasa Indonesia) pada latar belakang kompleks. Penelitian dilakukan terhadap dataset gerakan isyarat SIBI milik Lab MLCV Fakultas Ilmu Komputer Universitas Indonesia. Dalam penelitian ini, dilakukan percobaan dengan tiga jenis konfigurasi UNet, yaitu UNet 4- level tanpa Batch Normalization, UNet 5-level tanpa Batch Normalization, dan UNet 4- level dengan Batch Normalization. Hasil segmentasi dari UNet konfigurasi terbaik kemudian dilakukan tahap pengenalan selanjutnya, yaitu ekstraksi fitur dengan MobileNetV2, penghapusan gerakan transisi dengan TCRF, dan gesture recognition dengan 2-layer biLSTM untuk mendapatkan hasil translasi serta evaluasi akhir. Selain itu, performa sistem dengan menggunakan metode segmentasi UNet dibandingkan dengan performa sistem dengan menggunakan metode segmentasi RetinaNet+Skin Color Segmentation. Hasil dari penelitian didapatkan bahwa konfigurasi UNet 4-level dengan Batch Normalization menghasilkan segmentasi yang sedikit lebih baik dibandingkan konfigurasi lainnya, yaitu dengan nilai IOU 0,9178% pada dataset berlatar belakang kompleks. Performa UNet terlihat baik pada saat kedua tangan berada di depan badan, dan menurun ketika tangan berada di posisi yang berdekatan dengan area kulit lainnya (lengan, leher, wajah). Didapatkan juga bahwa sistem pengenalan isyarat SIBI ke teks bahasa Indonesia dengan menggunakan metode segmentasi UNet berhasil memiliki performa yang lebih baik dibandingkan menggunakan metode segmentasi RetinaNet+Skin Color Segmentation, dengan nilai WER 2,703% dan SAcc 82,424% pada latar belakang kompleks. Didapatkan juga waktu komputasi UNet yang lebih cepat dibandingkan RetinaNet dengan waktu segmentasi 0,19643 detik per frame pada CPU NVIDIA DGX A100

---

This thesis discusses the use of the UNet semantic segmentation model as an alternative to hand and face segmentation methods for SIBI (Indonesian Signing System) on complex backgrounds. This research was conducted on SIBI gesture dataset by MLCV Lab (Faculty of Computer Science, Universitas Indonesia). In this study, experiments were conducted with three types of UNet configurations, namely 4-level UNet without Batch Normalization, 5-level UNet without Batch Normalization, and 4-level UNet with Batch Normalization. Segmentation results from the best UNet configuration is then carried out in the next stage of the system, namely feature extraction with MobileNetV2, epenthesis removal with TCRF, and gesture recognition with 2-layer biLSTM to obtain translation results and the final evaluations. In addition, system performance using the UNet segmentation method is compared to system performance using the RetinaNet+Skin Color Segmentation method. The results of the study showed that the 4-level UNet configuration with Batch Normalization produces slightly better segmentation than the other configurations, with an IOU of 0.9178% on a dataset with a complex background. Based on the sample results, UNet performance is good when both hands are on the front of the body, and it decreases when the hands are in close proximity to other skin areas (arms, neck, face). It was also found that the SIBI gesture recognition system to Indonesian text using the UNet segmentation method managed to have better performance than using the RetinaNet+Skin Color Segmentation, with a WER value of 2.703% and a SAcc of 82.424% on a complex background. It was also found that UNet processing time was faster than RetinaNet with a segmentation rate of 0.19643 seconds per frame on the NVIDIA DGX A100 CPU."