📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6 dokumenPERSEPSI SPASIAL DAN KLASIFIKASI PERILAKU IKAN BERBASIS COMPUTER VISION UNTUK PENGAMBILAN KEPUTUSAN PEMBERIAN PAKAN ADAPTIF PADA EDGE DEVICE
Pada pemeliharaan ikan budi daya yang ideal memerlukan pemantauan perilaku yang kontinu, namun pendekatan konvensional yang bersifat pemantauan manual serta sistem yang sudah ada sulit diterapkan pada skala rumahan maupun edge device. Tugas akhir ini mengembangkan subsistem Pemberian Pakan Adaptif yang mengintegrasikan persepsi spasial berbasis computer vision (mono-camera) dengan pengambilan keputusan pemberian pakan adaptif pada edge device. Deteksi dan pelacakan ikan dilakukan menggunakan YOLO dan ByteTrack, dikalibrasi dengan marker ArUco, serta digabungkan dengan depth estimation monokular berbasis transformer untuk memetakan posisi ikan ke dalam tensor okupansi volumetrik 3×3×2. Tiga indikator etologis, yaitu varians kinematik, Spatial Deviation Index berbasis Exponential Moving Average, dan mask temporal diurnal, kemudian diklasifikasikan melalui logic tree menjadi lima status (Acute Stress/????????, Lethargic/????????, Quiescent/Q, Feed Anticipatory/F, Normal Foraging/E) perilaku. Status perilaku ini menjadi dasar pengambilan keputusan pemberian pakan: sesi pakan di-trigger apabila mayoritas ikan menunjukkan perilaku mencari makan, dan dihentikan secara otomatis (fail-safe) saat ikan memberikan respons makan negatif. Sistem diuji pada Jetson Orin Nano dan mencapai akurasi persepsi planar 94,00% (F1 96,91%) serta volumetrik 82,16% (F1 90,21%), dengan skema inferensi multi-rate (10 Hz lateral, 1 Hz depth) yang menjaga suhu GPU stabil pada 56,7°C. Pada pengujian fungsi pemantauan dan pengendalian pakan semua spesifikasi tercapai. Alat ini dapat dikembangkan untuk smart aquaculture dan smart agriculture.
IMPLEMENTASI SISTEM OTOMASI INSPEKSI KONTAINER DI PELABUHAN
Proses pemeriksaan kondisi fisik dan identifikasi peti kemas di pelabuhan Indonesia masih dilakukan secara manual oleh petugas, tanpa dukungan sistem otomatis yang terintegrasi. Pemeriksaan visual terhadap kerusakan struktural (penyok, karat, lubang) dan pencatatan nomor identifikasi kontainer bergantung pada interpretasi subjektif, sehingga menyebabkan waktu inspeksi yang lama, potensi kesalahan yang tinggi, serta pencatatan hasil yang sulit dilacak. Pemanfaatan kecerdasan artifisial dan computer vision pada proses ini belum diterapkan, menambah kesenjangan antara kebutuhan operasional pelabuhan modern dengan kapabilitas sistem yang ada. Tugas akhir ini merancang dan mengimplementasikan purwarupa sistem otomasi inspeksi kontainer dari segi program perangkat lunak, dengan ruang lingkup pada inspeksi visual peti kemas (deteksi kerusakan fisik dan pengenalan nomor kontainer melalui OCR). Sistem terdiri dari tiga komponen yang saling terhubung: perangkat tepi (edge device) yang menjalankan inferensi model YOLO11 secara real-time pada citra dari kamera, layanan backend yang mengelola penyimpanan data dan autentikasi, serta dashboard web untuk pemantauan langsung dan manajemen hasil. Perancangan arsitektur sistem secara holistik dan strategi deployment berada di luar cakupan tugas akhir ini. Kontribusi utama sistem mencakup mekanisme agregasi deteksi per sesi pemindaian untuk efisiensi pengiriman data, sinkronisasi nomor kontainer antar kamera, dan penilaian integritas struktural otomatis berdasarkan kelas kerusakan terdeteksi. Evaluasi fungsional terhadap delapan kebutuhan menunjukkan seluruh skenario utama lulus. Model deteksi kerusakan mencapai mAP@50 sebesar 96,8% dengan precision 96,3% dan recall 93,0%, melampaui hasil penelitian sejenis? komponen OCR memanfaatkan model pretrained PP-OCRv5 untuk pengenalan nomor kontainer berformat ISO 6346. Waktu inferensi pada perangkat tepi NVIDIA Jetson Orin Nano rata-rata di bawah 110 milidetik per citra dan seluruh halaman dashboard memuat dalam kurang dari 2 detik. Hasil ini mengonfirmasi kelayakan teknis sistem sebagai alternatif terhadap proses inspeksi manual.
RANCANG BANGUN SISTEM ANALITIK AKTIVITAS DI RUAS JALAN DENGAN OPTIMASI METODE DETEKSI DAN PELACAKAN OBJEK PADA SUDUT PANDANG KAMERA PEMANTAU STATIS
Manajemen lalu lintas di kawasan perkotaan seperti Koridor Kayutangan, Malang, menghadapi tantangan akibat metode pengambilan data manual yang tidak efisien, terbatas, dan rentan terhadap kesalahan manusia. Penelitian ini mengatasi masalah tersebut dengan merancang dan membangun sebuah sistem analitik otomatis berbasis computer vision yang mampu mengekstraksi data volume kendaraan berdasarkan klasifikasi dan metrik aktivitas penyeberangan (jumlah dan durasi) dari input video kamera pengawas statis. Metodologi penelitian mengadopsi pendekatan Design Science Research Methodology (DSRM) yang mencakup serangkaian eksperimen sistematis untuk menemukan pipeline pemrosesan yang paling optimal. Eksperimen dilakukan untuk membandingkan varian arsitektur deteksi YOLO (YOLOv11n, YOLOv11s, YOLOv11m), algoritma pelacakan (multi-object tracking) antara BoT-SORT dan ByteTrack, serta menguji pengaruh metode preprocessing berbasis background subtraction untuk meningkatkan deteksi objek kecil dan teroklusi. Hasil eksperimen menunjukkan bahwa kombinasi paling optimal adalah penggunaan model YOLOv11s yang dipadukan dengan pelacak BoT-SORT dan dioptimalkan dengan preprocessing background subtraction. Konfigurasi ini berhasil meningkatkan akurasi deteksi (mAP50) dari 85,9% menjadi 88% dan secara signifikan mengurangi kesalahan pelacakan (ID switch) dari 19 menjadi 3, sambil mempertahankan kecepatan pemrosesan (25,3 FPS) pada perangkat dengan GPU. Sistem yang dihasilkan berhasil divalidasi dan memenuhi seluruh kebutuhan fungsional dan nonfungsional yang ditetapkan, membuktikan kelayakan penggunaan computer vision untuk menyediakan data analitik lalu lintas yang akurat dan efisien.
PENGEMBANGAN SISTEM PEMINDAIAN DAN EKSTRAKSI DATA DARI BUKTI PEMBAYARAN QRIS, TRANSFER, DAN STRUK BERBASIS COMPUTER VISION DAN DEEP LEARNING TANPA OCR
QRIS menjadi metode pembayaran yang semakin populer di Indonesia, terutama di kalangan Gen Z. Namun, banyak Gen Z yang masih kesulitan dalam mencatat pengeluaran mereka secara manual. Tugas akhir ini bertujuan untuk mengembangkan sistem pencatatan pengeluaran berbasis mobile yang dapat membantu pengguna, yaitu Gen Z, dalam mencatat pengeluaran mereka. Sistem ini menggunakan model Donut untuk mengekstrak informasi penting dari gambar bukti pembayaran dan menyimpannya dalam format yang terstruktur untuk kemudian ditampilkan kepada pengguna. Model Donut adalah model SOTA end-to-end yang dapat digunakan untuk mengekstrak informasi dari dokumen tanpa memerlukan OCR. Metodologi penelitian menggunakan metodologi DSRM. Pengembangan model dilakukan secara bertahap, dimulai dari mengumpulkan data, eksplorasi data, modelling, dan evaluasi terhadap model yang dihasilkan. Model Donut di fine-tune pada dataset CORD-v2 untuk dokumen struk pembayaran kertas dan dataset QRIS-TF untuk dokumen pembayaran QRIS dan transfer. Dengan dua jenis model tersebut, layanan backend DonutAPI dikembangkan dengan FastAPI sebagai antarmuka REST API untuk inferensi model. Aplikasi mobile TrackMyBills dikembangkan dengan Flutter sebagai antarmuka pengguna. Pengujian pengalaman pengguna menunjukkan bahwa aplikasi memiliki tingkat kepuasan pengguna yang baik, dengan nilai SUS di angka 71,83 rata-rata di atas ambang batas nilai SUS, yaitu pada 68. Base model menunjuk F1-score 84,68%, dan mCER 18,85%. Custom model menunjukkan F1-score 81,50%, dan mCER 17,20%. Hasil evaluasi menunjukkan bahwa aplikasi TrackMyBills memiliki tingkat kepuasan pengguna yang baik dan dinilai usable dan tidak membingungkan oleh mayoritas responden. Aplikasi ini dapat membantu Gen Z dalam mencatat pengeluaran mereka dengan lebih mudah dan efisien.
PERANCANGAN DAN PENGEMBANGAN PROTOTIPE SISTEM PENDETEKSI BURUNG BERBASIS COMPUTER VISION
Kasus tabrakan burung dengan pesawat semakin sering terjadi seiring dengan meningkatnya aktivitas penerbangan dan populasi burung di sekitar bandara. Berbagai upaya telah dilakukan untuk mengurangi risiko ini, namun metode konvensional masih memiliki banyak keterbatasan, baik dari sisi akurasi, jangkauan deteksi, maupun efisiensi biaya. Penelitian ini bertujuan untuk merancang dan membangun sistem deteksi burung berbasis computer vision yang mampu beroperasi secara real-time dengan cakupan omnidireksional. Metode yang digunakan meliputi pembuatan prototipe modular yang memanfaatkan Jetson Orin Nano dan empat kamera USB terintegrasi, serta penerapan model deep learning SSD MobileNet. Pengujian dilakukan secara langsung untuk mengevaluasi kinerja sistem berdasarkan parameter precision, skor confidence, FPS, dan display delay. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi burung secara stabil dengan precision 0,83, skor confidence 0,85, FPS 9,95, display delay 0,10 detik, serta dapat mendeteksi objek hingga ukuran kotak pembatas terkecil 113 x 91 piksel. Hasil penelitian ini dapat dikembangkan lebih lanjut dengan penambahan fitur estimasi jarak sehingga berpotensi menjadi solusi deteksi burung yang lebih efektif untuk aplikasi di bandara.
ENSEMBLE DEEP LEARNING UNTUK SISTEM KLASIFIKASI MUTU BIJI KOPI BERBASIS MULTI-WARNA DENGAN PEMANFAATAN SUPER-RESOLUSI BERBASIS JARINGAN SARAF KONVOLUSI TERHADAP CITRA INPUT
Kopi adalah salah satu komoditi utama Indonesia yang mempengaruhi devisa negara. Kualitas biji kopi mempengaruhi rasa dan harga, dengan standar mutu mengacu pada SNI 01-2907-2008. Saat ini, proses penjaminan mutu kopi masih manual, menggunakan klasifikasi visual organoleptik oleh manusia, yang memerlukan waktu lama. Untuk mengatasi kerumitan ini, sistem otomasi berbasis computer vision diperlukan. Computer vision memanfaatkan informasi visual untuk pengambilan keputusan dan memerlukan machine learning untuk mengenali pola visual. Deep learning, terutama Convolutional Neural Networks (CNN), efektif dalam ekstraksi fitur citra dan dapat mencapai akurasi klasifikasi biji kopi di atas 80%. Prosedur pelatihan melibatkan data latih yang diatur oleh penilai tersertifikasi, dengan pencahayaan yang merata untuk menghindari bayangan. Data latih diambil dalam wadah besar berisi 1053 biji kopi. Teknik segmentasi otomatis menghasilkan citra tunggal biji kopi yang kemudian dibersihkan dari fitur tumpang tindih. Citra tunggal tersebut memiliki resolusi dibawah standar yang dibutuhkan oleh state of the art (SOTA) deep learning sehingga diperlukan peningkatan resolusi dengan super-resolusi. Super-resolusi berbasis CNN meningkatkan resolusi citra untuk memperkaya fitur sehingga dapat meningkatkan kemampuan dari SOTA deep learning hasil dari pelatihan. Peningkatan ini dapat dilihat dari generalisasi dan akurasi model. Pelatihan menggunakan empat model deep learning terkini dengan tujuh ruang warna (RGB, HSV, CIE LAB, XYZ, YCrCb, HLS, LUV) untuk memahami fitur cacat biji kopi lebih baik. Hasil pelatihan dikombinasikan dengan teknik soft-voting dari ensemble learning, menghasilkan model yang akurat dan tangguh. Evaluasi model menggunakan confusion matrix menunjukkan akurasi 100% untuk citra super-resolusi dengan metode FSRCNN (Fast Super-Resolution Convolutional Neural Network). Metode ini mengatasi masalah ill-posed dalam metode resize interpolation, menggunakan lapisan konvolusi untuk ekstraksi fitur dan lapisan dekonvolusi untuk perbesaran resolusi. Model tetap akurat pada rentang 99%-100% meskipun skema data latih diturunkan hingga 30%, menunjukkan generalisasi yang baik. Kata kunci: FSRCNN, soft-voting, SOTA deep learning, ruang warna, segmentasi