Hasil Pencarian  ::  Simpan CSV :: Kembali

"This paper presents a lip and smile detection method based-on the normalized RGB chromaticity diagram. The method employs the popular Viola-Jones detection method to detect the face. To avoid the false positive, the eye detector is introduced in the detection stage. Only the face candidates with the detected eyes are considered as the face. Once the face is detected, the lip region is localized using the simple geometric rule. Further, the the red color thresholding based-on the normalized RGB chromaticity diagram is proposed to extract the lip. The projection technique is employed for detecting the smile state. From the experiment results, the proposed method achieves the lip detection rate of 97% and the smile detection rate of 94%.Paper ini menyajikan medote pendeteksi bibir dan senyum berdasarkan diagram tingkat kromatis RGB ternormalisasi. Metode ini menggunakan metode Viola-Jones yang populer untuk mendeteksi wajah. Untuk menghindari kesalahan positif, detektor mata diperkenalkan pada tahapan deteksi. Hanya kandidat wajah dengan mata yang telah terdeteksi yang dianggap sebagai wajah. Setelah wajah dideteksi, bagian bibir ditempatkan dengan menggunakan aturan geometris sederhana. Selanjutnya, batasan warna merah berdasarkan pada diagram kromatisitas RGB ternormalisasi digunakan untuk mengekstrak bibir. Teknik proyeksi digunakan untuk mendeteksi keadaan tersenyum. Dari hasil percobaan, metode yang diusulkan mencapai 97% untuk tingkat deteksi bibir dan 94% untuk tingkat deteksi senyum."

"Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%.

---

Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%."

"Kebutuhan dunia akan energi untuk aktivitas rumah tangga, industri maupun transportasi dapat terpenuhi oleh sumber-sumber energi. Walaupun telah banyak alternatif sumber energi, minyak bumi masih menjadi sumber energi utama di dunia. Hingga saat ini, kegiatan eksplorasi, eksploitasi, dan pengolahan minyak bumi terus dilakukan untuk memenuhi kebutuhan energi dunia. Karakterisasi reservoir penting dilakukan untuk kegiatan eksplorasi minyak bumi. Karakterisasi reservoir dapat dilakukan dengan menggunakan inversi impedansi akustik. Inversi impedansi akustik menghasilkan parameter lapisan berupa porositas, densitas, yang dapat memperlihatkan litologi batuan. RGB Blend dekomposisi spektral dilakukan untuk menambah akurasi interpretasi seismik. Hasil inversi impedansi akustik pada lapangan “Wasgitell” menunjukkan nilai 21000-33000 ft/s*g/cc. Hasil ini menunjukkan zona karbonat yang poros dengan orientasi timur laut-barat daya. Hasil dari dekomposisi spektral menunjukkan penampang yang terang pada frekuensi 15, 25 dan 35 Hz. Berdasarkan integrasi antara crossplot, sebaran impedansi akustik dan peta atribut RGB Blend dekomposisi spektral menunjukkan reservoir karbonat pada sumur “Well_Gi” yang cukup prospek.

---

The world's need for energy for household, industrial and transportation activities can be met by energy sources. Although there are many alternative sources of energy, petroleum is still the main energy source in the world. Until now, oil exploration, exploitation and processing activities are continuously carried out to meet the world's energy needs. Reservoir characterization is important for petroleum exploration activities. Reservoir characterization can be performed using acoustic impedance inversion. Acoustic impedance inversion results in layer parameters in the form of porosity, density, which can show rock lithology. RGB Blend spectral decomposition is carried out to increase the accuracy of seismic interpretation. The results of the acoustic impedance inversion in the "Wasgitell" field show a value of 21000-33000 ft / s * g / cc. These results indicate a carbonate zone that is axis with a northeast-southwest trend. The results of the spectral decomposition showed a bright cross section at a frequency of 15, 25 and 35 Hz. Based on the integration between the cross plot, the distribution of acoustic impedance and the RGB attribute map Blend spectral decomposition shows that the carbonate reservoir in the well "Well_Gi" is quite prospective."

"Busuk pangkal batang merupakan penyakit utama tanaman kelapa sawit yang disebabkan oleh patogen yaitu jamur Ganoderma sp. terkhusus di Indonesia. Tindakan pengendalian dan metode pengamatan kondisi kelapa sawit yang dilakukan oleh petani secara manual masih belum efektif. Pemanfaatan teknologi drone DJI Air 2S yang dilengkapi kamera RGB (Red, Green, Blue) dapat memberikan solusi untuk pemantauan kondisi kelapa sawit yang lebih efektif menggunakan citra dari hasil perekaman. Kamera RGB masih memiliki kelemahan dalam mendeteksi penyakit kelapa sawit sehingga membutuhkan kamera tambahan dengan variasi panjang gelombang yang berbeda yaitu kamera OCN (Orange, Cyan, NIR). Citra dari hasil perekaman kamera RGB dan OCN memiliki informasi yang dapat digunakan untuk mengidentifikasi penyakit busuk pangkal batang menggunakan citra daun kelapa sawit sehingga membutuhkan metode pengolahan citra yang tepat untuk menggabungkan kedua citra. Metode image fusion dapat menggabungkan informasi dari citra RGB dan OCN sehingga menghasilkan citra baru yang memiliki enam kanal (Red, Green, Blue, Orange, Cyan, NIR). Penelitian ini berfokus untuk membangun metode image fusion (RGB dan OCN) berbasis arsitektur ResNet50 untuk mengidentifikasi penyakit kelapa sawit. Hasilnya didapatkan bahwa metode image fusion berbasis arsitektur ResNet50 dapat digunakan untuk mengidentifikasi penyakit kelapa sawit dengan sangat baik dibuktikan dengan nilai akurasi 99,70%, presisi 98,11%, dan recall 97,19%.

---

Stem base rot is a major disease of oil palm caused by the pathogen Ganoderma sp. especially in Indonesia. Control measures and methods of observing the condition of oil palms carried out by farmers manually are still not effective. The use of DJI Air 2S drone technology equipped with an RGB (Red, Green, Blue) camera can provide a solution for more effective monitoring of oil palm conditions using images from recording results. RGB cameras still have weaknesses in detecting oil palm diseases so they need additional cameras with different wavelength variations, namely OCN (Orange, Cyan, NIR) cameras. Images from RGB and OCN camera recordings have information that can be used to identify stem base rot using oil palm leaf images, so an appropriate image processing method is needed to combine the two images. The image fusion method can combine information from RGB and OCN images to produce a new image that has six channels (Red, Green, Blue, Orange, Cyan, NIR). This research focuses on building an image fusion method (RGB and OCN) based on ResNet50 architecture to identify oil palm diseases. It was found that the image fusion method based on ResNet50 architecture can be used to identify oil palm diseases very well as evidenced by the accuracy value of 99.70%, precision of 98.11%, and recall of 97.19%."

"ABSTRAKPengukuran konsentrasi larutan dapat dilakukan dengan mengukur nilai absorbsi pada panjang gelombang tertentu. Proses pengukuran konsentrasi dengan melihat nilai absorbsi memiliki kelemahan, terutama pada larutan dengan konsentrasi tinggi. Oleh sebab itu, perlu dilakukan penelitian berupa pengukuran konsentrasi larutan dengan mengukur variabel selain nilai absorbsi. Beberapa jenis larutan tampak sebagai larutan berwarna, salah satunya adalah logam kromium Cr yang termasuk jenis logam transisi. Karakteristik warna larutan kromium dipengaruhi oleh besar konsentrasinya. Untuk mengkaji lebih lanjut, dilakukan karakterisasi warna dengan mengambil citra larutan kromium menggunakan kamera. Penggunaan 9 macam variasi konsentrasi larutan kromium memberikan informasi perilaku perubahan nilai RGB dari larutan kromium yang mengalami perubahan konsentrasi. Dengan menggunakan metode regresi multivariabel, didapatkan model matematis yang menunjukan hubungan perubahan warna dengan konsentrasinya. Penghitungan nilai error dilakukan dengan cara menghitung perbedaan nilai hasil pengukuran dengan nilai sebenarnya. Persentase nilai error rata-rata pada penelitian ini sebesar 9,19 . Peningkatan akurasi pengukuran dapat dilakukan dengan memilih larutan standar dengan tingkat akurasi nilai konsentrasi larutan yang tinggi.

---

ABSTRACTMolarity of the solution can be estimate by measuring the absorption value at specific wavelength, but this technique has weakness, especially in high molarity solutions. Therefore, it is necessary to conduct a research in the molarity measurement of the solution by measuring the other variable. Some types of solutions appear as colored solutions, one of which is the chromium metal Cr . The color characteristics of chromium solution are influenced by the molarity value. To examine further, we identify color characteristic by taking image of chromium solution using the camera. The use of 9 different variations of chromium solution molarity provides information on behavioral change of RGB values from chromium solution which undergo molarity change. By using multivariable regression method, we get a mathematical model showing the relationship of color change with its molarity. Error value defined as difference of value of measurement result with actual value. The percentage of mean error value in this research is 9,19 . Measurement accuracy can be optimized by choosing a standard solution with a high accuracy value of the solution molarity."

"ABSTRAKLM1205 buatan National Semiconductor merupakan sistem penguat video frekuensi tinggi yang dirancang untuk digunakan pada aplikasi monitor RGB resolusi tinggi. Sistem penguat video ini terdiri dari liga penguat video dengan rangkaian-rangkaian kontrol, di mana cara kerja dan hubungan ketiga penguat video dengan rangkaian-rangkaian kontrol lainnya adalah identik untuk ketiga channel (red, green, blue).Tugas akhir ini membahas cara kerja sistem penguat video LM1205 serta pengaruh penggantian pasangan transistor bipolar (NPN dan PNP) internal secara seragam terhadap karakteristik DC-nya. Pengaruh penggantian transistor diselidiki dengan membandingkan hasil simulasi menggunakan program PSPICE dengan karakteristik DC sistem penguat video pada databook.

---

"

"Penelitian ini membahas teknik segmentasi warna berbasis RGB Chromaticity Diagram ternormalisasi, untuk ekstraksi simbol dan karakter pada citra rambu lalu lintas. Teknik yang diusulkan adalah memisahkan warna biru pada latar belakang rambu petunjuk lalu lintas. Hal tersebut dilakukan dengan memanfaatkan histogram yang dikembangkan pada diagram kromatisitas untuk penentuan nilai ambang segmentasi secara otomatis. Selain itu, teknik morfologi citra dan proyeksi histogram digunakan untuk ekstraksi simbol dan karakter. Dari hasil eksperimen diperoleh bahwa teknik yang diusulkan dapat mengekstrak simbol dan karakter dengan rata-rata ekstraksi 97.3%.

---

This research describes a normalized color segmentation technique based on RGB Chromaticity Diagram, for the extraction of symbols and characters in the image of the traffic signs. The proposed technique is to separate the blue color of the background traffic signs. This is done by using a histogram that was developed in the chromaticity diagram for the determination of the threshold value segmentation automatically. In addition, the image morphology technique and projection histogram are used for the extraction of symbols and characters. From the experimental results obtained that the proposed technique can extract symbols and characters with an average extraction is 97.3%."

"Klasifikasi aksi multi-objek berdasarkan video RGB aerial merupakan tantangan kompleks yang dapat berguna untuk pengembangan sistem keamanan. Terdapat dua pendekatan jaringan saraf tiruan yang umum digunakan dalam sistem pengenal berbasis kerangka, Convolutional Neural Network (CNN) dan Graph Convolutional Network (GCN). Pendekatan CNN lebih efektif dalam mempelajari fitur spatio-temporal, lebih kuat terhadap noise dalam estimasi pose, dan dapat menangani skenario multi-objek dengan komputasi yang lebih ringan. Penelitian ini meliputi pengembangan pengenal aksi manusia dengan pendeteksi spatio-temporal berbasis kerangka menggunakan pendekatan 3D Convolutional Neural Network (3D-CNN). Pendeteksi spatio-temporal memungkinkan sistem untuk mengenali tiap-tiap aksi yang simultan dilakukan oleh multi-objek dalam satu rekaman video. Percobaan dilakukan menggunakan sejumlah pre-trained dataset dan menggunakan dataset video RGB aerial primer yang dilatih terhadap model pengenal aksi berbasis video frontal, dengan menerapkan metode transfer learning. Proses tranfer learning dilakukan dengan dataset khusus untuk menghasilkan model pelatihan yang memiliki akurasi tinggi. Pelatihan memberi keluaran berupa model jaringan saraf tiruan dengan nilai akurasinya. Pengujian dilakukan menggunakan data video untuk mengetahui ketepatan model. Dari model yang diperoleh, akan dilakukan analisis terhadap keberhasilan dan keakuratan metode dalam mengenali aksi manusia.

---

Multi-object action recognition based on aerial RGB video is a complex challenge that can be useful for security system development. There are two commonly used artificial neural network approaches in skeleton-based recognition systems, Convolutional Neural Network (CNN) and Graph Convolutional Network (GCN). CNN approach is more effective in learning spatio-temporal features, more robust to noise in pose estimation, and can handle multi-object scenarios with lighter computation. This research involves developing a human action recognition with skeleton-based spatio-temporal detection using a 3D Convolutional Neural Network (3D-CNN) approach. Spatio-temporal detection allows the system to recognize each simultaneous action performed by multiple objects in a single video footage. Experiments were conducted using a number of pre-trained datasets and using a primary aerial RGB video dataset trained on a frontal video-based action recognition model, by applying the transfer learning method. The transfer learning process is performed with a specific dataset to produce a high-accuracy training model. The training outputs an artificial neural network model with its accuracy value. Testing is done using video data to determine the accuracy of the model. From the model obtained, the success and accuracy of the method in recognizing human actions will be analyzed."

"Lapangan 'K'; yang berlokasi di Cekungan Kutai memiliki potensi besar dalam hal kandungan hidrokarbon di bawah permukaan. Reservoir hidrokarbon pada Lapangan 'K'; ini memiliki ketebalan yang cenderung tipis sehingga sulit dilihat menggunakan seismik. Salah satu metode untuk menyelesaikan kasus tersebut yaitu dekomposisi spektral. Dekomposisi spektral merupakan suatu metode dalam interpretasi data seismik dengan mengubah trace seismik ke dalam time-frequency domain. Pada penelitian ini, metode dekomposisi spektral yang dipakai adalah continuous wavelet transform CWT . Metode CWT bekerja dengan cara mengkonvolusikan wavelet dengan trace seismik. Bentuk wavelet digunakan adalah Morlet Wavelet yang didalamnya mengandung satu frekuensi dominan. Dekomposisi spektral pada penelitian ini mampu untuk mengidentifikasi dugaan reservoir hidrokarbon dari tiga zone of interest yang berbeda. Reservoir hidrokarbon pada zone of interest K teridentifikasi pada frekuensi 33 Hz, zone of interest L teridentifikasi pada frekuensi 30 Hz, dan pada zone of interest M teridentifikasi pada frekuensi 18Hz. Masing-masing zona tersebut memiliki tuning frequency yang berbeda. Persebaran sistem channel terlihat dengan arah distributary channel ke Timur Laut dan tipe pengendapan berupa mouth bar untuk zone of interest K, zone of interest L, dan zone of interest M di Lapangan 'K'.

---

The 39 K 39 field located in the Kutai Basin has great potential in terms of the hydrocarbon content below the surface. The hydrocarbon reservoir in 39 K 39 field has a thickness that tends to be thin so it is difficult to see using seismic. One method to solve the case is spectral decomposition. Spectral decomposition is a method of interpreting seismic data by converting seismic trace into time frequency domains. In this research, the spectral decomposition method used is continuous wavelet transform CWT . The CWT method works by convolving wavelets with seismic trace. The wavelet form used is Morlet Wavelet which contains one dominant frequency. Spectral decomposition in this study was able to identify suspected hydrocarbon reservoirs from three different zones of interest. The hydrocarbon reservoir at the zone of interest K is identified at 33 Hz, the zone of interest L is identified at a frequency of 30 Hz, and in the zone of interest M is identified at a frequency of 18 Hz. Each zone has a different tuning frequency. Distribution of the channel system is seen with the direction of the distributary channel to the Northeast and the type of deposition in the form of a mouth bar for the zone of interest K, the zone of interest L, and the zone of interest M in the Field 39 K 39 ."

"Dekomposisi spektral dapat digunakan untuk mengidentifikasi zona prospektif pada pendekatan unconventional petroleum play. Dimana dibutuhkan studi kompherensif yang bertujuan mendapatkan area dengan dominasi batupasir. Penelitian ini menggunakan Metode dekomposisi spektral untuk melakukan pemetaan area prospektif secara kualitatif. Hasil dari dekomposisi spektral dapat dikorelasikan dengan amplitudo RMS. Dimana amplitudo RMS dapat membantu menemukan fasies prospektif dengan kehadiran bright spot. Objek penelitian ini ialah area Formasi Brown Shale yang berada di Cekungan Sumatera Tengah. Tujuan pemetaan ini ialah memetakan fasies batupasir dengan tingkat kemenerusan lateral yang tinggi. Penelitian ini juga membandingkan hasil dekomposisi spektral dengan pendekatan short time fourier transform dan continuous wavelet transform. Dimana dekomposisi spektral dengan pendekatan continuous wavelet transform juga dilakukan memakai variasi tipe wavelet seperti morlet, gaussian, dan mexican hat. Hasil penelitian menunjukkan bahwa dengan frekuensi dominan pada Formasi Brown Shale sebesar 17 Hz dapat terlihat area prospektif terdapat pada wilayah utara, tengah, dan selatan top Brown Shale. Hasil dari RGB Blending dan amplitudo RMS juga dapat mengidentifikasi batupasir dengan kemenerusan lateral secara baik. Dimana kemenerusan lateral terbaik ada pada area utara, tengah, dan selatan top Brown Shale. Dekomposisi spektral dan amplitudo RMS juga dapat mengidentifikasi lingkungan pengendapan seperti lakustrin, delta plain, alluvial plain, fluvial dan alluvial fan. Identifikasi lingkungan pengendapan dilakukan berdasarkan gambaran pada peta dekomposisi spektral, amplitudo RMS, dan informasi geologi pada Formasi Brown Shale.

---

Spectral decomposition can be used to identify prospective zones in unconventional petroleum plays. A comprehensive study is needed to target areas dominated by sandstone. This research utilizes the spectral decomposition method to qualitatively map prospective areas. The results of spectral decomposition can be correlated with RMS amplitude, which can help identify prospective facies with bright spots. The study focuses on the Brown Shale Formation in the Central Sumatra Basin. The mapping goal is to identify sandstone facies with high lateral continuity. The study also compares the results of spectral decomposition with the short-time Fourier transform and continuous wavelet transform approaches. The continuous wavelet transform is applied using various wavelet types, such as Morlet, Gaussian, and Mexican hat. These studies show that the dominant frequency in the Brown Shale Formation is 17 Hz, which reveals prospective areas in the northern, central, and southern regions of the top Brown Shale. RGB Blending and RMS amplitude results are also effective in identifying sandstone with good lateral continuity, particularly in the northern, central, and southern areas of the top Brown Shale. Furthermore, spectral decomposition and RMS amplitude analysis can help identify depositional environments, such as lacustrine, delta plain, alluvial plain, fluvial, and alluvial fan. These depositional environments are identified based on the spectral decomposition map, RMS amplitude information, and geological data of the Brown Shale Formation."