📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6 dokumenSSISTEM DRONE DENGAN KEMAMPUAN PENGENALAN OBJEK BERBASIS RADAR MICROWAVE IMAGING: PENGOLAHAN CITRA DAN PELATIHAN MODEL CNN
Sistem pengenalan objek visual konvensional pada kendaraan udara nirawak (unmanned aerial vehicle/UAV) dalam misi pencarian dan penyelamatan (search and rescure/SAR) rentan terhadap penfurunan kinerja dalam kondisi cuaca buruk dan pencahayaan yang kurang baik. Untuk mengatasi keterbatasan ini, pencitraan gelombang mikro (microwave imaging) menghadirkan alternatif yang kuat karena kemampuan penetrasinya yang dalam. Penelitian ini mengusulkan kerangka kerja pengenalan objek lokal yang ditujukan untuk aplikasi drone menggunakan sensor pulsed coherent radar (PCR) Acconeer XM112 yang beroperasi pada 60,5 GHz. Saat melakukan scanning, sistem harus dapat mengenali apakah objek yang telah dipindai merupakan bentuk ‘SOS’ atau tidak. Hal ini agar drone dapat mengenali landing pad—yang memiliki tulisan konduktif ‘SOS’ dan digelar oleh korban yang hilang—dan melakukan pendaratan pada landing pad tersebut untuk mengantarkan pertolongan dan mengirimkan koordinat lokasi ke ground station. Sistem pada penelitian ini bekerja dengan melakukan scanning menggunakan modul sensor Acconeer pada bentuk ‘SOS’ yang dibuat, mengolah data mentah yang direkam oleh sensor menjadi citra, dan memasukannya ke dalam model convolution neural network (CNN) yang dilatih untuk melakukan klasifikasi apakah citra input merupakan citra ‘SOS’. Dibuat modul yang berfungsi untuk mengolah data mentah output dari sensor dari bentuk format H5 yang terdiri atas data amplitudo, jarak, timestamp, dan parameter-parameter radar lainnya menjadi citra dalam bentuk matriks. Sensor Acconeer tersebut memiliki half-power beamwidth (HPBW) yang relatif lebar—sekitar 70°—sehingga berpengaruh pada kualitas citra yang dipindai. Untuk mengatasi HPBW yang lebar tersebut, didesain lensa berbahan material dielektrik polylactic acid (PLA) padat yang diintegrasikan untuk memfokuskan berkas elektromagnetik lensa. Untuk mengevaluasi kinerja lensa terhadap kualitas citra yang dihasilkan, dilakukan uji coba scanning dengan dua parameter: status lensa dielektrik terintegrasi (tanpa atau dengan lensa) dan jenis penghalang huruf ‘SOS’ (tanpa penghalang, dedaunan gugur, atau styrofoam). Untuk menguantisasi kemiripan masing-masing citra dengan ‘SOS’ ideal, dibuat modul pembanding menggunakan citra ‘SOS’ ideal yang diekstrak dari file PNG. Perbandingan tersebut dihitung menggunakan metode peak signal-to-noise ratio (PSNR). Hasil menunjukkan PSNR dengan rentang 8,096–12,76 dB, dengan PSNR terendah pada citra dengan parameter tanpa lensa dan jenis penghalang dedaunan gugur. Untuk kecerdasan objek, sebuah model CNN ringan dirancang dan dioptimalkan untuk penerapan Tiny Machine Learning (TinyML) pada mikrokontroler ESP32. Model dilatih pada kombinasi data scanning empiris dan matriks amplitudo sintetis untuk mengenali pola ‘SOS’. Pembuatan dan pelatihan model CNN meliputi pembuatan modul Python yang berfungsi untuk membuat data sintetis yang digunakan sebagai data latih, mendefinisikan arsitektur model CNN, dan melakukan validasi model menggunakan citra hasil scanning. Setelah data mentah H5 yang diambil diolah menjadi matriks, dilakukan tes recognition menggunakan model CNN yang sudah dilatih. Hasil menunjukkan huruf ‘SOS’ berhasil dikenali untuk semua kombinasi parameter, dengan rentang tingkat keyakinan 89,93–100%, kecuali untuk citra dengan parameter tanpa lensa dan jenis penghalang dedaunan gugur, yang memiliki tingkat keyakinan 7,35% sebagai antisipasi klasifikasi yang bersifat false positive. Sistem tertanam ini berhasil mengeksekusi inferensi real-time di tepi jaringan. Integrasi ini menunjukkan subsistem microwave imaging berdaya rendah yang mampu melakukan pengenalan bentuk ‘SOS’ sehingga menyediakan fondasi subsistem yang tahan terhadap gangguan jarak pandang untuk misi SAR.
DETEKSI POLA PERUBAHAN TUTUPAN LAHAN VEGETASI MENGGUNAKAN NDVIDARI CITRA NOAA-AVHRR (STUDI KASUS : PULAU SUMATERA, JAWA DANKALIMANTAN)
Vegetasi merupakan elemen penting dalam ekosistem darat. Tercatat hampir 70 persen tutupan lahan darat merupakan vegetasi. Indonesia sendiri memiliki kekayaan akan vegetasi yang melimpah dan sudah diketahui secara global. Namun tutupan lahan vegetasi di Indonesia telah mengalami perubahan dari waktu ke waktu sehingga dibutuhkan suatu metode untuk mengetahui arah perubahan tersebut. Data citra NOAA-AVHRR (National Oceanic and Atmospheric Administration-Advance Very High Resolution Radiometric) sudah sering digunakan untuk mengidentifikasi tutupan lahan vegetasi. Dengan menggunakan data citra NOAA-AVHRR LAC (Local Area Coverage) 1 km komposit 10 harian maka perubahan tutupan lahan pada area studi yang mencakup Pulau Sumatera, Jawa, dan Kalimantan dapat diketahui perubahannya. Data citra ini nantinya akan diolah dengan indeks vegetasi NDVI (Normalized Difference Vegetation Index) sehingga kerapatan vegetasi dari suatu area dapat diketahui. Rentang nilai NDVI yaitu berkisar antara -1 sampai dengan +1. Untuk mengetahui perubahan tutupan lahan vegetasi secara tahunan, dimana waktu untuk pendeteksian perubahan tutupan lahan adalah antara tahun 2001 sampai dengan 2010, dibutuhkan suatu metode pengompositan untuk menjadikan citra komposit 10 harian menjadi komposit tahunan. MVC (Maximum Value Composite) merupakan metode yang digunakan untuk pembuatan komposit tahunan tersebut. MVC dibuat dengan menggunakan nilai maksimum dari data citra NDVI yang telah diolah. Hal ini dilakukan untuk mengurangi pengaruh dari efek atmosfer seperti awan. Dengan menggunakan metode ini maka didapatkanlah citra komposit tahunan antara tahun 2001 sampai dengan 2010. Dari hasil ini maka dilakukanlah pengurangan nilai dari DN (Digital Number) pada citra awal dan akhir sehingga didapatkanlah pola perubahan tutupan lahan vegetasi yaitu adanya indikasi penurunan tutupan lahan yang disebabkan beberapa faktor.
INTEGRASI FOTOGRAMETRI FOTO UDARA FORMAT KECIL-WAHANA UDARA NIR AWAK DAN KECERDASAN BUATAN UNTUK PERCEPATAN PEMBUATAN PETA DESA
Ketersediaan peta rupa bumi skala besar yang detail dan mutakhir sangat penting untuk mendukung perencanaan pembangunan, pengelolaan lingkungan, dan mitigasi bencana. Metode survei konvensional maupun citra satelit resolusi tinggi memiliki keterbatasan dari sisi biaya, frekuensi akuisisi, dan tingkat detail spasial. Fotogrametri Foto Udara Format Kecil Wahana Udara Nir Awak (FUFK-WUNA) menawarkan alternatif yang lebih fleksibel, terutama untuk wilayah pedesaan (rural) yang luas di Indonesia, karena pemetaan dapat dilakukan secara bertahap sesuai prioritas kebutuhan daerah, berbeda dengan pendekatan satelit yang umumnya dilakukan sekaligus pada cakupan yang luas. Metodologi penelitian ini mencakup akuisisi data menggunakan FUFK-WUNA, pemrosesan fotogrametri untuk menghasilkan ortofoto resolusi tinggi (10 cm), serta penerapan berbagai metode kecerdasan buatan (AI) untuk segmentasi dan klasifikasi tutupan lahan. Model yang diuji meliputi U-Net, DeepLab, CNN-based classifier, SVM, dan Segment Anything Model (SAM) yang dikombinasikan dengan algoritma klasifikasi seperti Random Forest, SVM, LinkNet, dan U-Net. Evaluasi kinerja dilakukan dengan parameter matriks konfusi (akurasi, F1, Kappa), serta analisis kesesuaian bentuk menggunakan Intersection over Union (IoU), berdasarkan data referensi lapangan dan peta resmi. Hasil penelitian menunjukkan bahwa pendekatan berbasis SAM memberikan performa segmentasi terbaik. Model High Quality SAM (HQ-SAM) dengan pendekatan zero-shot mencapai IoU sebesar 0,68 dan Dice Coefficient sebesar 0,81, mengungguli metode segmentasi lainnya. Pada tahap klasifikasi, dua pendekatan terbukti paling efektif: kombinasi OBIA dengan Decision Tree menghasilkan F1- Score 0,772 di Sumedang Kota, sedangkan arsitektur LinkNet–ResNet34 mencapai F1-Score 0,966 di Cimahi. Secara keseluruhan, workflow yang dikembangkan diuji pada enam set data yang merepresentasikan kawasan rural, transisi rural–urban, dan urban, dengan variasi sumber data mulai dari ortofoto FUFK-WUNA hingga citra satelit 50 cm. Tahapan pascapemrosesan merupakan komponen penting dari workflow otomatisasi ini. Proses mencakup pembersihan data untuk mengurangi noise hasil segmentasi, region merging untuk menggabungkan poligon kecil ke dalam kelas yang sesuai, serta penyederhanaan bentuk geometri agar hasil vektor lebih efisien secara topologi. Langkah-langkah ini terbukti meningkatkan keterbacaan hasil peta sekaligus menjaga efisiensi komputasi pada tahap akhir produksi. Evaluasi menyeluruh menunjukkan bahwa akurasi semantik rata-rata (F1) mencapai 70%, sementara kesesuaian spasial vektor (IoU) berada pada 37%. Dari sisi efisiensi, workflow ini mampu menghemat waktu hingga 85% dibandingkan metode manual. Selain itu, Indeks Otomatisasi Pemetaan (IOP) yang dikembangkan memberikan nilai rata-rata 0,61, dengan kinerja terbaik 0,65 pada data Cimahi (ortofoto FUFK-WUNA nonmetrik dengan kombinasi kanal RGB dan nDSM) serta nilai terendah 0,57 di Sumur Bandung berbasis citra satelit 50 cm. Temuan ini memperlihatkan bahwa metode berbasis FUFK-WUNA tidak hanya unggul untuk kawasan rural sebagaimana tujuan awal penelitian, tetapi juga efektif di kawasan urban dengan kompleksitas lebih tinggi. Perbandingan tambahan dengan citra satelit resolusi 50 cm menegaskan bahwa otomatisasi berbasis ortofoto FUFK-WUNA resolusi 10 cm menghasilkan akurasi lebih tinggi, sekaligus lebih fleksibel untuk diimplementasikan bertahap sesuai kebutuhan wilayah. Penelitian juga menunjukkan bahwa penggunaan kamera metrik maupun nonmetrik menghasilkan kualitas radiometrik yang sebanding, asalkan prosedur akuisisi dilakukan dengan tepat, khususnya perencanaan waktu pemotretan untuk meminimalkan bayangan. Kontribusi utama penelitian ini adalah: (1) pengembangan workflow FUFKWUNA untuk pemetaan tutupan lahan skala besar dan otomatisasi vektorisasi, (2) evaluasi komparatif berbagai metode AI untuk segmentasi dan klasifikasi dengan metrik F1, IoU, dan Dice, (3) pembuktian empiris bahwa FUFK-WUNA lebih unggul dibanding citra satelit resolusi tinggi serta efektif di rural maupun urban, (4) integrasi tahapan pascapemrosesan sebagai bagian esensial untuk menjamin kualitas vektor, dan (5) penegasan bahwa prosedur akuisisi yang tepat lebih menentukan kualitas hasil dibanding sekadar jenis kamera yang digunakan. Dengan demikian, penelitian ini memberikan landasan kuat bagi pengembangan sistem pemetaan desa berbasis kecerdasan buatan yang efisien, adaptif, dan berkelanjutan.
PENERAPAN OPTICAL MUSIC RECOGNITION UNTUK PEMBACA CITRA NOTASI MUSIK UMUM BERBASIS WEB
Notasi musik berperan penting dalam pelestarian karya musik melalui representasi visual terstandarisasi. Namun, banyak partitur masih diarsipkan dalam bentuk cetak, sehingga proses digitalisasi notasi musik diperlukan untuk kepentingan dokumentasi, pendidikan, dan distribusi. Penelitian ini mengembangkan sistem Optical Music Recognition (OMR) berbasis web untuk mengonversi citra notasi musik monofonik menjadi representasi digital berupa MusicXML dan MIDI. Tahap prapemrosesan citra diintegrasikan langsung ke dalam aplikasi untuk memperbaiki kualitas citra. Alur sistem meliputi prapemrosesan dan segmentasi citra, prediksi oleh model OMR, konversi dan koreksi hasil ke MusicXML, serta konversi lanjutan ke MIDI. Dua pendekatan pelatihan model diujikan, yaitu pelatihan dari awal menggunakan arsitektur CRNN dengan EfficientNetB0, serta fine-tuning model pralatih dari Calvo-Zaragoza & Rizo (2018) dengan dataset PrIMuS. Model pralatih menunjukkan Character Error Rate (CER) sebesar 3,88% dan Sequence Error Rate (SER) sebesar 58,22%. Untuk meningkatkan kinerja model, diterapkan mekanisme pemungutan suara (voting) yang diadaptasi dari metode ROVER, dengan menghasilkan 5 buah variasi prediksi melalui dropout rate sebesar 0,1 pada tahap inferensi. Pendekatan ini berhasil menurunkan rata-rata CER hingga 2,99% dan SER hingga 41,86%. Pengujian sistem menunjukkan bahwa mekanisme pemungutan suara efektif memperbaiki kesalahan prediksi, khususnya penentuan nada, tetapi kurang optimal pada citra dengan garis paranada tebal dan rapat. Dengan peningkatan kualitas citra masukan, sistem ini berpotensi menjadi solusi yang andal untuk digitalisasi partitur musik cetak.
AUGMENTASI DATA ELECTRONIC NOSE DENGAN GAUSSIAN NOISE UNTUK KLASIFIKASI TEH HITAM MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
Kualitas teh ditentukan oleh atribut seperti penampilan, aroma, warna, dan rasa, yang dipengaruhi senyawa kimia seperti polifenol dan flavonoid. Penilaian tradisional oleh tea tester bersifat subjektif dan tidak konsisten, sementara metode analitik seperti HPLC dan GC akurat tetapi mahal. Teknologi electronic nose (e- nose) menjadi alternatif hemat biaya dengan meniru indera penciuman dan menganalisis senyawa volatil. Deep learning, khususnya CNN, memungkinkan pembelajaran end-to-end dan ekstraksi fitur otomatis, sementara data augmentasi seperti Gaussian noise dapat meningkatkan kinerja model. Eksperimen bertujuan untuk mengevaluasi apakah penambahan Gaussian noise sebagai teknik data augmentation dapat meningkatkan proses pembelajaran model atau justru menambahkan data yang tidak relevan (noise) pada electronic nose. Evaluasi dilakukan dengan melihat dampak data augmentasi terhadap hasil pembelajaran, khususnya dalam skenario dengan peningkatan tingkat noise. Penelitian ini juga membandingkan kinerja klasifikasi model dengan dan tanpa noise augmentation untuk menilai pengaruhnya terhadap generalisasi dan akurasi model. Gaussian noise diterapkan pada enam tingkat varians yang terkontrol (0.01, 0.03, 0.05, 0.1, 0.2, dan 0.3), dan pengaruhnya terhadap klasifikasi dianalisis menggunakan arsitektur 1D-CNN dan 2D-CNN. Analisis statistik mengonfirmasi bahwa noise augmentation efektif pada tingkat rendah, menjaga struktur data asli sambil memperkenalkan variasi realistis. Variasi ini membantu meminimalkan bias model dengan memperluas distribusi data latih. Hasil penelitian menunjukkan bahwa tanpa noise, arsitektur 1D-CNN mencapai akurasi 87%. Dengan penambahan noise, model 1D-CNN dari Zhou menunjukkan akurasi yang konsisten pada tingkat noise rendah hingga sedang, mencapai hingga 96%, yang mengindikasikan ketahanannya terhadap gangguan tambahan. Di sisi lain, model 2D-CNN, khususnya ResNet34 dengan transfer learning, menunjukkan performa terbaik pada tingkat noise rendah (0.01) dengan akurasi sebesar 98.66%, tetapi mengalami penurunan kinerja secara bertahap seiring peningkatan noise. Fenomena ini mengindikasikan bahwa pada tingkat noise tinggi, data menjadi lebih terdistorsi dan kehilangan pola penting, sehingga model kesulitan melakukan iv klasifikasi dengan benar. Penggunaan Gaussian noise terbukti efektif dalam meningkatkan pembelajaran model, meskipun terdapat keterbatasan pada tingkat noise yang lebih tinggi. Perbandingan hasil klasifikasi dengan dan tanpa noise augmentation menunjukkan pentingnya kalibrasi tingkat noise yang tepat untuk menjaga keseimbangan antara variasi data dan integritas pola dalam tugas klasifikasi.
PENGUKURAN KONSENTRASI NITRAT DAN NITRIT BERBASIS IMAGE PROCESSING TECHNIQUE DENGAN PENDEKATAN INTENSITAS WARNA PADA AIR PERMUKAAN
Kualitas air permukaan menjadi perhatian khususnya dengan tingkat pencemaran yang semakin meningkat. Sebelum digunakan sebagai peruntukkan tertentu, diperlukan pengukuran polutan untuk dapat merancang pengolahan yang tepat. Metode pengukuran polutan yang biasanya dipakai, yakni menggunakan spektrofotometer UV-Vis, membutuhkan tahap preparasi sampel serta pengukurannya dilakukan di laboratorium. Cara pengukuran ini dalam waktu tertentu bisa menjadi tidak efisien karena kadar polutan mungkin mengalami perubahan seiring waktu. Untuk mempersingkat waktu yang dibutuhkan dalam pengukuran kadar polutan, dikembangkan pengukuran dengan metode image processing technique dengan preparasi sampel yang lebih mudah dan biaya yang lebih murah. Penelitian ini berfokus pada pengukuran konsentrasi nitrat (NO3 - ) dan nitrit (NO2 - ) dengan pendekatan intensitas warna melalui software Plugable Digital Viewer dan Microsoft Excel untuk memperoleh nilai komponen warna seperti GI, hue, dan saturasi. Didapatkan korelasi tertinggi antara konsentrasi nitrat dengan nilai komponen warna dengan R2 = 0,9963 dan korelasi tertinggi antara konsentrasi nitrit dengan nilai komponen warna adalah R2 = 0,9816. Hasil uji perbandingan dengan metode spektrofotometri menunjukkan tidak ada perbedaan signifikan di antara hasil pengukuran, diamati dari pvalue sebesar >0,05 pada tingkat kepercayaan 95%. Penelitian ini menyimpulkan bahwa image processing technique dapat digunakan sebagai metode pengukuran nitrat dan nitrit yang terpercaya.