Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 13 dokumen yang sesuai dengan query
cover
Fadly Ahmad Firdausy
Sistem Pendeteksian Pemakaian Masker Wajah dengan Algoritma YOLOv5 = Face Mask Wearing Detection System with YOLOv5 Algorithm
"SARS-CoV-19 merupakan salah satu virus mematikan yang pernah ada, merenggut 6 juta nyawa di seluruh dunia dan 155 ribu di Indonesia yang dimulai dari tahun 2019 akhir sampai 21 Juni 2022. Virus SARS-CoV-19 yang menyebabkan penyakit COVID-19 ini menyebar melalui udara. Untuk mencegah penyebaran COVID-19, Indonesia telah melakukan banyak cara. Walaupun vaksin sudah tersedia, memakai masker dan menjaga jarak menjadi kunci utama dalam penekanan penyebaran virus tersebut. Dengan diwajibkannya pemakaian masker menjadi sebuah tantangan bagi para peneliti untuk mengembangkan sistem pendeteksian masker wajah secara real-time, untuk mengetahui apakah memakai masker atau tidak. Telah banyak penelitian yang dilakukan untuk membuat sistem deteksi wajah yang bertujuan memiliki sistem yang akurat, cepat, dan efektif. Penelitian yang sudah dilakukan memakai metode yang berbeda-beda. Mulai dari RetinaNet, FaceNet, MobileNet, OpenCV, R-CNN, RefineDet dan YOLOv5. Penelitian ini mengembangkan sistem pengembangan masker wajah menggunakan metode YOLOv5 dimana mampu mendeteksi tiga kelas dan juga mendeteksi objek yang banyak. YOLOv5 sendiri merupakan sebuah framework pada machine learning yang digunakan untuk mendeteksi objek secara real-time. Dataset yang digunakan dikumpulkan dari beberapa dataset lain dengan total 4900 gambar. Beberapa skenario dengan parameter dilakukan dan hasil terbaik didapati dengan menggunakan dataset tanpa augmentasi dengan batch-size 32, dengan presisi sebesar 95,9%, recall sebesar 95,7%, dan mAP sebesar 95,7%.
SARS-CoV-19 is one of the worst viruses that ever exist, claiming the lives of 6 million people globally and 155,000 in Indonesia that started in 2019 until 21 June 2022. SARS-CoV-19 virus that caused COVID-19 is spreading through air. Indonesia has taken a variety of measures to prevent the COVID-19 from spreading. Even while vaccines are available, wearing masks and keeping a safe distance are the most effective ways to prevent the virus from spreading. The mandated use of masks become a challenge for developers to inventing a real-time face mask detection system that can determine whether to employ a mask. Many experiments have been undertaken to improve the effectiveness and accuracy of facial recognition systems, and using a different kind of methods, such as RetinaNet, FaceNet, MobileNet, OpenCV, R-CNN, RefineDet, and YOLOv5. This research will used YOLOv5 algorithm for face mask detection system which can define 3 different classes and multi-object. YOLOv5 is a machine learning framework for object detection in real-time. The datasets that used was collected from several other datasets with total of 4900 images. Different test scenarios with different parameters completed and the dataset without augmentation with batch size 32 scenarios is the best results, with precision score 95,9%, recall score 95,7%, and mAP score 95,7%."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ferro Geraldi Hardian
Deteksi Macbeth ColorChecker pada Citra Berkabut Menggunakan YOLOv4 = Macbeth ColorChecker Detection in Hazy Images with YOLOv4
"Deteksi objek merupakan permasalahan populer pada bidang computer vision yang bertujuan untuk mengidentifikasi dan mencari lokasi objek pada suatu citra. Performa metode-metode deteksi objek tentunya dipengaruhi oleh kualitas citra. Di sisi lain, pada kehidupan sehari-hari terdapat citra berkabut. Citra berkabut adalah citra yang diambil dalam kondisi berkabut. Kabut tersebut dapat menghamburkan sinar cahaya dan menyebabkan citra yang diambil mengalami penurunan kualitas. Dataset-dataset citra yang populer digunakan untuk deteksi objek juga biasanya mengasumsikan citra diambil pada kondisi tanpa kabut. Oleh karena itu kebanyakan metode deteksi objek pada umumnya tidak dapat berperforma dengan baik pada citra berkabut. YOLOv4 merupakan arsitektur deteksi objek state-of-the-art yang memiliki performa tinggi baik dari segi akurasi dan kecepatan. Penelitian ini bertujuan untuk menguji kapasitas YOLOv4 dengan citra yang berkabut dan juga mencari skenario pelatihan terbaik bagi YOLOv4 untuk mendeteksi objek pada citra berkabut. Skenario pelatihan yang diusulkan ada tiga, pelatihan hanya dengan citra tanpa kabut, pelatihan hanya dengan citra berkabut, dan pelatihan dengan kedua tipe citra. Pengujian dilakukan pada dataset Hazy Series dimana permasalahan utamanya adalah untuk mendeteksi satu buah objek Macbeth ColorChecker yang ada pada setiap citra. Hasil penelitian menunjukan bahwa kabut memiliki pengaruh yang besar pada model yang tidak dilatih dengan citra berkabut. Selain itu, ditunjukan bahwa model YOLOv4 yang dilatih dengan citra berkabut dan citra tanpa kabut memiliki performa terbaik, dengan akurasi 0,88 dan Intersection of Union (IOU) 0,71 untuk dataset Hazy.
Object detection is a well known problem in the computer vision field that aims to identify and locate objects in images. The performance of object detection methods is influenced by the quality of the images. However, in real world situations, it is possible to have hazy images. Hazy images are images that are taken in hazy conditions. Haze occurs because of scattering light in a medium that has micro-particles and causes the quality of the image to worsen. Well known object detection datasets also commonly assume that the images are taken in haze-free conditions. As a result, most object detection methods cannot perform well when faced with hazy images. YOLOv4 is a state-of-the-art object detection architecture that has high performance in both accuracy and speed. This research aims to test YOLOv4 capability in handling hazy images while also searching for the best training scenario for YOLOv4 to detect object in hazy images. There are three proposed training scenarios, they are training with only haze-free images, training with only hazy images and training with both. Evaluation is done on Hazy Series dataset where the main task is to detect one Macbeth ColorChecker object in each image. Research’s results indicate that haze has a big effect on models that are not trained with hazy images. They also indicate that the YOLOv4 model that is trained with both haze-free images and hazy images has the best performance, with an accuracy of 0,81 and Intersection of Union (IOU) of 0,71 for hazy images. "
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Alfarih Faza
Kendali SAR-Drone Berbasis Single Shot Multibox Detector (SSD) dan Data Fusion IMU-GPS untuk Trajectory Mapping = SAR-Drone Control Based on Object Detection Single Shot MultiBox Detector (SSD) and Data Fusion IMU-GPS for Trajectory Mapping
"Bencana merupakan hal yang mengancam nyawa manusia dan seringkali memakan korban. Ketika terjadi bencana, SAR dengan sigap mencari, menolong korban, dan memetakan lingkungan dengan cepat. Namun pada waktu-waktu tersebut merupakan saat yang berbahaya untuk mencari korban dan rawan bertambahnya korban. Quadcopter diaplikasikan untuk membantu mencari korban bencana. Pada Quadcopter disematkan sebuah kamera untuk mencari korban. Selama proses pencarian kamera akan mengambil gambar dan mendeteksi korban. Deteksi objek SSD dengan beberapa modifikasi digunakan untuk mendeteksi korban yaitu objek manusia. SSD modifikasi memiliki kemampuan waktu deteksi sebesar 214.37 ms dan tingkat presisi 99.7%. Selanjutnya, quadcopter akan mendekati objek yang terdeteksi. Pengendalian quadcopter untuk mendekati objek menggunakan Proportional Integral Derivative. Selama proses sistem merekam sensor IMU dan GPS pada quadcopter untuk mendapatkan lintasan quadcopter.
Disaster is jeopardize for human being and oftentimes cost a risk of human life. After a disaster happened, SAR would be deployed to search victim, help them, and mapping disaster’s area quickly. However, after a disaster happened is a dangerous time to find the victim and prone to more risk of human life. Quadcopter used to help find the victim. The quadcopter is attached a camera to detect the victim. During the finding process, camera will capture an image detect of victim. SSD object detection is used to detect human object with a modification to yield more detection accuracy. Modified SSD have detection time performance 214.37 ms and precision 99.7%. Then quadcopter approach to the detected object. The quadcopter approaching process to object by Proportional-Integral-Derivative (PID). During this process, IMU Sensor and GPS of quadcopter are recorded to be processed and gathered the quadcopter trajectory."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Khaerul Naim Mursalim
Deteksi dan pelacakan objek bergerak pada UAV (unmanned aerial vehicle) = Detection and tracking of moving objects on a UAV (unmanned aerial vehicle)
"Pesawat tanpa awak (Unmanned Aerial Vehicle atau disingkat UAV) adalah sebuah mesin terbang yang berfungsi dengan kendali jarak jauh secara autopilot. Penggunaan terbesar dari pesawat tanpa awak ini adalah dibidang militer untuk pengintaian, pengawasan, dan penyerangan. Dalam mendeteksi sebuah objek yang bergerak secara real-time oleh sebuah UAV, terdapat proses pengolahan sinyal yang kompleks dibandingkan apabila objeknya dalam keadaan diam. Ada beberapa masalah yang terdapat dalam proses deteksi objek bergerak pada UAV yang disebut uncertainty constraint factor (UCF) yaitu lingkungan, jenis objek, pencahayaan, kamera UAV, dan pergerakan (motion) objek. Salah satu masalah praktis yang menjadi perhatian beberapa tahun ini adalah analisis pergerakan (motion analysis). Pergerakan (Motion) dari sebuah objek pada setiap frame membawa banyak informasi tentang piksel dari objek bergerak yang memainkan peranan penting sebagai image descriptor.
Pada tesis ini digunakan algoritma SUED (Segmentation using edge based dilation) untuk mendeteksi objek bergerak. Inti dari algoritma SUED adalah mengkombinasikan frame difference dan proses segmentasi secara bersama untuk mendapatkan hasil yang optimal dibanding dengan menggunakannya secara terpisah. Hasil simulasi menunjukkan peningkatkan performansi algoritma SUED dengan menggunakan kombinasi wavelet dan sobel operator pada deteksi tepinya yaitu jumlah frame untuk true positive meningkat sebesar 41 frame, kemudian false alarm rate yang didapatkan menurun menjadi 7 % dari 24 % apabila hanya menggunakan sobel operator. Kombinasi kedua metode tersebut juga dapat meminimalisir noise region yang mengakibatkan kesalahan dalam proses deteksi dan pelacakan. Hasil simulasi pelacakan objek bergerak dengan metode kalman filter bisa dilihat pada beberapa sampel yang diuji menunjukkan adanya penurunan kesalahan (error) centroid antara hasil deteksi dan hasil pelacakan objek bergerak.
An unmanned aerial vehicle (UAV), commonly known as a drone and also referred by several other names is an aircraft without a human pilot aboard. The flight of UAVs may be controlled either autonomously by onboard computers or by the remote control of a pilot on the ground or in another vehicle. Unmanned aerial vehicle (UAV) usually is used in military field for reconnaissance, surveillance, and assault. To detect a moving object in real-time, there are complex processes than to detect the object that does not moving. There are some issues that faced in detection process of moving object in UAV, called constraint uncertainty factor (UCF) such as environment, type of object, illumination, camera of UAV, and motion of the object. One of the practical problems that become concern of researcher in the past few years is motion analysis. Motion of an object in each frame carries a lot of information about the pixels of moving objects which has an important role as the image descriptor.
In this thesis, we use SUED (Segmentation using edge-based dilation) algorithm to detect moving objects. The concept of the SUED algorithm is combining the frame difference and segmentation process to obtain optimal results than using them separately. The simulation results show the performance improvement of SUED algorithm using combination of wavelet and Sobel operator on edge detection, the number of frames for a true positive increased by 41 frames, then the false alarm rate decreased to 7% from 24% when only using Sobel operator. The combination of these two methods can also minimize noise region that effect detection and tracking process. The simulation results for tracking moving objects by Kalman filter show that there is error decreasing between detection and tracking process."
Depok: Fakultas Teknik Universitas Indonesia, 2015
T45337
UI - Tesis Membership  Universitas Indonesia Library
cover
Irfan Budi Satria
Sistem driver assistance dengan visualisasi sensor dan objek sekitar menggunakan deep learning pada mini PC = Driver assistance system with visualization of sensor and surrounding objects using deep learning on mini PC
"Dalam proses berkendara, pengemudi memiliki keterbatasan akan informasi selain dari panel instrumen (dashboard) dan penglihatan mereka, sehingga selalu terdapat resiko bahwa pengemudi lengah dan melakukan kesalahan. Untuk membantu pengemudi, salah satu pengembangan terkini di industri otomotif adalah Driver Assistence System atau DAS, yang ditujukan untuk membantu dengan cara memberikan informasi yang komprehensif mengenai kondisi kendaraan maupun kondisi sekitar kendaraan. Informasi yang didapatkan dapat berupa data kendaraan melalui sensor internal, serta data sensor eksternal seperti Kamera. Sebuah kendala dalam menelaah informasi dari Kamera adalah kemampuan untuk mendeteksi jalan dan mengidentifikasi objek yang ada di sekitar, yang umumnya memerlukan biaya komputasi yang cukup besar, sehingga masih tergolong kurang aksesibel.
Dalam penelitian ini, dikembangkan sebuah rancangan sistem gabungan perangkat elektronik dan software, dengan kemampuan membaca data internal kendaraan melalui Sensor Grabber, serta menerima dan menelaah data visual dari Kamera. Algoritma deteksi jalan dan pendeteksian objek dikembangkan menggunakan teknik Image Processing serta Deep Neural Network atau Deep Learning. Data kemudian dapat ditampilkan secara visual melalui Graphical User Interface (GUI) yang dikembangkan dengan bahasa Python.
Sistem dilatih dengan sampel berjumlah 816 gambar. Setelah melakukan pengujian, data internal kendaraan dapat diperoleh secara real-time, pendeteksian jalan dapat dilakukan dengan tingkat akurasi sebesar 84.96%, dan objek di sekitar kendaraan dapat diprediksi serta diketahui jarak dan posisinya menggunakan Deep Learning dengan tingkat kepresisian hingga 63.6%, dengan waktu komputasi total 121.68ms.
During driving, the driver does not have much information regarding the vehicle and its surroundings aside from the instrument panel and their own eyes, therefore there is always the risk of getting caught off-guard and making a mistake. To assist the driver, one of the current breakthroughs in the industry is Driver Assistance System (DAS), which is meant to help drivers by giving them comprehensive information regarding their vehicle or its surroundings. The given information can be the vehicle's data from internal sensors, and data from external sensors such as Cameras. A problem regarding analyzing visual data is how to detect road edges and identify the surrounding objects, which usually requires a sizable amount of computing power, therefore causing the technology to still remain less accessible to the public.
In this research, a system consisting of Electronics and software with the ability to retrieve vehicle data via a Sensor Grabber, as well as obtain and analyze visual data via a camera is designed. A Road Edge Detection an Object Detection Algorithm is developed with Image Processing and Deep Neural Network or Deep Learning Techniques. The data is then visualized through a Graphical User Interface (GUI) developed in Python.
The system is trained using a sample of 816 images. After a testing process, the internal data of the vehicle can be retrieved in real-rime, road edge detection can be achieved with 84.96% accuracy, and object detection with distance calculation using Deep Learning can be done with 63.6% accuracy, using total computation time of only 121.68ms.
"
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Yusuf Abraham Bismo Kristanto
Rancang Bangun Sistem Pendeteksi Makanan Banyak Objek Menggunakan YOLOv5 pada Aplikasi Mobile Berbasis Flutter = Development of a Multi-object Food Detection System using YOLOv5 for Flutter-Based Mobile Applications
"

Seiring dengan perkembangan bidang computer vision terdapat lebih banyak solusi yang dapat diimplementasikan untuk bidang sehari-hari. Salah satu bidang yang paling erat dengan kegiatan sehari-hari adalah kegiatan mengkonsumsi makanan. Dalam memperhatikan pola makan, penting dilakukan proses mengidentifikasi jenis makanan yang dikonsumsi. Dengan memanfaatkan perkembangan model machine learning deteksi objek yang bekerja secara waktu langsung, YOLOv5 dapat digunakan untuk melakukan deteksi objek untuk dapat mengidentifikasi berbagai jenis makanan dalam suatu gambar. Dengan menggunakan YOLOv5, deteksi terhadap makanan yang kerap kali dikonsumsi oleh masyarakat Indonesia dapat dilakukan dan ditingkatkan akurasinya dengan pemrosesan gambar hingga mencapai nilai mAP 94,3%. 

Penggunaan implementasi model ini dalam aktivitas sehari-hari dapat memberikan nilai tambah kepada orang-orang yang ingin lebih memahami jenis makanan yang dikonsumsinya. Dari hasil pengujian user experience yang dilakukan terhadap aplikasi, hasil perbandingan terhadap benchmark mengindikasikan bahwa aplikasi memiliki kualitas penggunaan di atas rata-rata dengan nilai 1,37 untuk daya tarik, 1,58 untuk kejelasan, 1,23 untuk efisiensi, 1,38 untuk ketepatan, 1,13 untuk stimulasi, dan 1,01 untuk kebaruan.
With the advent of computer vision there are more solutions that can be implemented in everyday life. One of the areas most closely related to daily activities is the activity of consuming food. In paying attention to diet, it is important to identify the type of food consumed. By leveraging the development of object detection machine learning models that work in real time, YOLOv5 can be used to perform object detection to identify different foods within a single image. By using YOLOv5, detection of foods that are often consumed by Indonesian people can be carried out and the accuracy is increased by image processing up to a value of mAP 94.3%.
The use of this model's implementation in daily activities can provide added value to people who want to better understand the types of food they consume. From the results of user experience testing carried out on the object detection application, the results of comparisons against benchmarks indicate that the application has above average usage quality with a value of 1.37 for attractiveness, 1.58 for clarity, 1.23 for efficiency, 1.38 for accuracy, 1.13 for stimulation, and 1.01 for novelty."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rista
YOLO dan Middle Level Fusion CNN untuk Deteksi Kesehatan Kelapa Sawit menggunakan Citra Multispektral = YOLO and Middle Level Fusion CNN for Oil Palm Health Detection using Multispectral Images
"

Kegiatan monitoring adalah salah satu hal penting dalam proses perawatan pohon kelapa sawit. Penyakit Ganoderma merupakan salah satu penyakit pada pohon kelapa sawit yang proses penyebarannya cepat. Saat ini kegiatan monitoring kesehatan kelapa sawit masih dilakukan secara manual (konvensional) yaitu dengan melihat secara langsung satu persatu pohon kelapa sawit. Proses ini membutuhkan waktu yang lama serta tenaga yang tidak sedikit. Teknik deteksi menggunakan potongan sampel daun dapat memungkinkan terjadi perubahan biologis pada daun dan proses pengambilan data sampel yang rumit. Pendeteksian menggunakan sampel citra dari drone lebih mudah dilakukan, namun belum dapat menghasilkan informasi terkait vegetasi tanaman. Berdasarkan permasalahan tersebut, pada penelitian ini dilakukan deteksi dan klasifikasi kesehatan pohon kelapa sawit menggunakan sampel citra pohon tampak atas. Pengambil data citra menggunakan drone DJI Air 2S yang dilengkapi dengan kamera multispektral enam kanal (red, green, blue, orange, cyan, dan near infrared) untuk mendapatkan informasi yang lebih lengkap terkait vegetasi tanaman, sehingga prosesnya jauh lebih mudah dan cepat. Data citra yang diperoleh dilakukan pemodelan YOLO dan middle level fusion CNN untuk mendapatkan hasil lokasi pohon dan status kesehatannya. Pengambilan data citra dilakukan di PT Perkebunan Nusantara III (PERSERO) kelapa sawit Cikasungka, Wilayah Distrik Jawa Barat Banten pada pohon kelapa sawit sehat dan pohon kelapa sawit terinfeksi penyakit Ganoderma. Dalam penelitian ini, pemodelan YOLO menggunakan citra RGB mampu mendeteksi banyaknya objek pohon terdeteksi dengan baik (convidence score > 0,75) sebanyak 1426 pohon (703 pohon sehat dan 723 pohon tidak sehat) dengan mAP (mean Average Precision) sebesar 0,911. Pada pemodelan CNN menggunakan metode middle fusion dengan citra multispektral mampu mengklasifikasi kesehatan pohon kelapa sawit lebih baik dibandingkan hanya menggunakan citra RGB maupun citra OCN dengan performa akurasi sebesar 89,72 %.

Monitoring activities is one of the essential things the oil palm maintenance process. Ganoderma disease is one of the fastest spreading diseases of oil palm trees. Currently, monitoring the health of oil palms is still done manually (conventional) by looking directly at each oil palm tree. This process certainly requires a long time and a lot of energy. Detection techniques using leaf sample pieces can allow for biological changes in the leaf and the collection process are too tricky. Detection techniques using image sample captured by drone can be easier, but it does not provide complete information related to plant vegetation. Based on these problems, in this research the detection and classification of oil palm tree health using top view tree image samples. Image data collection using DJI Air 2S drone equipped with a six-band multispectral camera (red, green, blue, orange, cyan, and near infrared) to obtain more complete information related to plant vegetation, so that the process will be much easier and faster. The image data obtained is then performed YOLO modeling and middle level fusion CNN using multispectral images (RGB and OCN) to get the results of tree location and health status. The data was collected at PT Perkebunan Nusantara III (PERSERO) Cikasungka Oil Palm Plantation, West Java District Area Banten on healthy oil palm trees and oil palm trees infected with Ganoderma disease. In this research, YOLO modeling using RGB images was able to detect the number of tree objects detected well (convidence score > 0,75) as many as 1426 trees (703 healthy trees and 723 unhealthy trees) with mAP (mean Average Precision) of 0,911. CNN modeling using the middle fusion method is able to classify the health status of oil palm trees better than only using RGB images and OCN images with an accuracy performance of 89,72%.

"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Virdian Harun Prayoga
Restorasi Citra Bawah Air Untuk Deteksi Objek Menggunakan Metode Hibrida Global-Local Network = Underwater Image Restoration for Object Detection with Hybrid Global-Local Network Approach
"Di dalam air, pergerakan cahaya dipengaruhi oleh partikel tersuspensi dan redaman gelombang cahaya. Hal ini menyebabkan citra bawah air memiliki masalah distorsi warna, kontras rendah, dan visibilitas buruk, sehingga banyak informasi yang hilang dari citra bawah air. Banyak metode restorasi citra bawah air sudah diteliti, baik konvensional dan network-based. Untuk mengatasi keterbatasan dari kedua metode, penelitian ini menggunakan metode hibrida Global-Local Network dan Compressed-Histogram Equalization GLNet-CHE. Pada eksperimen pertama, penulis melakukan restorasi citra bawah air menggunakan GLNet-CHE dan menguji berbagai metode restorasi pada tahap konvensional. Metode restorasi konvensional yang diuji yaitu metode asal Compressed-Histogram Equalization (CHE), dan metode lainnya yaitu Locally Adaptive Contrast Enhancement (LACE) dan Bayesian Retinex. Hasil restorasi citra pada dataset UIEB menunjukkan bahwa GLNet dengan metode konvensional CHE memperoleh nilai terbaik PSNR 21.2101 ± 3.4080 dan SSIM 0.8585 ± 0.0741, mengungguli kombinasi metode lainnya. Pada eksperimen kedua, penulis meneliti pengaruh restorasi citra bawah air terhadap task deteksi objek. Penulis menggunakan model YOLO-NAS untuk mendeteksi objek pada citra bawah air yang belum dan sudah direstorasi. Hasil pada dataset BrackishMOT menunjukkan bahwa deteksi objek pada citra yang telah direstorasi memperoleh nilai precision, recall, dan F1 terbaik dengan nilai 0.6214, 0.3791, dan 0.3901. Sementara itu, nilai mAP tertinggi diperoleh citra bawah air asli dengan nilai 0.3851 yang menandakan performa yang lebih konsisten pada berbagai threshold.
High-quality underwater images are quite difficult to obtain due to light distortion caused by suspended particles and the attenuation of light waves. This causes underwater images to have problems of color distortion, low contrast, and poor visibility, leading to consider- able information loss. Many methods for underwater image restoration, both conventional and network based, have been researched. To overcome the limitation of both methods, this research uses the hybrid Global-Local Network and Compressed-Histogram Equal- ization (GLNet-CHE) approach. In the first experiment, the author conducts underwater image restoration using GLNet-CHE with various restoration methods for the conven- tional step. The conventional restoration methods used are the original Compressed- Histogram Equalization (CHE) and other methods, i.e., Locally Adaptive Contrast En- hancement (LACE) and Bayesian Retinex. The image restoration results on the UIEB dataset shows that GLNet with CHE as the conventional method obtained the best PSNR and SSIM value of 21.2101 ± 3.4080 and 0.8585 ± 0.0741 respectively, outperforming the other combinations. In the second experiment, the author investigated the effect of underwater image restoration on the object detection task. YOLO-NAS is used for object detection on restored and original underwater images. The results on the BrackishMOT dataset show that object detection on the restored images obtained the best precision, re- call and F1 values with values of 0.6214, 0.3791 and 0.3901 respectively. Meanwhile, the highest mAP value was obtained from the original underwater images with a value of 0.3851, which indicates more consistent performance at various thresholds."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Faris Adnan Padhilah
Metode penjejakan posisi bola bergerak dengan prediksi multistep ahead depan menggunakan metode neural network = Tracking of a moving ball position based on multistep prediction using ANN method
"Makalah ini menjelaskan metode pelacakan objek bergerak berdasarkan prediksi 1 hingga 5 langkah di depan. Prediksi menggunakan jaringan syaraf tiruan dengan metode propagasi balik untuk melatih jaringan. Objek bergerak yang digunakan dalam percobaan adalah bola tenis meja kecil. Struktur JST memiliki enam neuron input dan lima neuron output dengan sepuluh neuron di lapisan tersembunyi. Menggunakan data 70 dari posisi pergerakan objek untuk pelatihan, dan 30 data untuk menguji prediksi posisi bola. Itu menunjukkan bahwa pelatihan ANN dapat mencapai berarti kesalahan persegi MSE sekecil 0,0091 untuk koordinat X dan 0,0012 untuk koordinat Y. Pada pengujian prediksi posisi bola, ditunjukkan bahwa metode dapat mencapai MSE sebesar 4,72 untuk koordinat X dan MSE sebesar 2,48 untuk koordinat Y.
This paper described a method of tracking a moving object based on 1 to 5 step ahead prediction. The prediction was using the artificial neural network with back propagation method for training the network. The moving object used in the experiments is a small table tennis ball. The ANN structures have six inputs neurons and five outputs neurons with ten neurons in the hidden layer. Using 70 data of the object movement positions for training, and 30 data for testing the prediction of the ball positions. It was shown that the training of the ANN can achieved means square error MSE as small as 0.0091 for the X coordinate and 0.0012 for the Y coordinate. At the ball position prediction testing, it was shown that the method can achieved the MSE of 4.72 for X coordinate and MSE of 2.48 for Y coordinate."
Depok: Fakultas Teknik Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muflih Fathan Qariba
Sistem pemantauan kepadatan jalan di Jakarta menggunakan single shot multibox detection (ssd) berbasis cloud = Cloud-based single shot multi box detection (ssd) architecture models for Jakarta traffic jam monitoring
"Kemacetan masih menjadi masalah besar di Jakarta, untuk dapat menyelesaikan masalah tersebut, dapat dilakukan monitoring atau pemantauan pada jalan terhadap kecepatan kendaraan dan kepadatan jalan. Untuk mendeteksi objek digunakan model Single Shot Multibox Detection (SSD) yang merupakan model pada deteksi objek yang menggunakan metode single shot. Objek merupakan kendaraan yang diambil dari video yang direkam menggunakan kamera CCTV publik yang berada di Jakarta. Hasil yang diberikan sistem cukup baik dengan rata-rata performa yang diberikan sebesar 20.419 FPS dan rata-rata akurasi 73.569 persen dengan model SSD512 dan GPU Tesla P100.
Traffic jam is still one of the main problems in Jakarta, it happens every day. To solve this problem, we could monitor the road to calculate vehicles speed and road density. To achieve this, we used SSD to detect objects (vehicle) on Jakartas road which we get from public IP Camera. As a result, the program quite useful for monitoring roads condition in real time. As the result, performance system quite good with 20.419 FPS and 73.569 accuracy using SSD512 as model and Tesla P100 as GPU."
Depok: Fakultas Teknik Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2   >>