To see the other types of publications on this topic, follow the link: Deteksi objek.
Journal articles on the topic 'Deteksi objek'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 journal articles for your research on the topic 'Deteksi objek.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse journal articles on a wide variety of disciplines and organise your bibliography correctly.
1
Setiyani, Atyka, Maison Maison, and Samratul Fuady. "Perancangan Sistem Deteksi Objek Bola dengan Metode Coloring HSV Berbasis VB.Net untuk Robot Sepak Bola Beroda." Jurnal Engineering 4, no. 2 (2022): 67–73. http://dx.doi.org/10.22437/jurnalengineering.v4i2.19835.
Full textAbstract:
Metode coloring HSV merupakan cara untuk memfilter warna obyek yang di deteksi dengan warna yang lain berdasarkan lingkup warna hue, saturation, dan value. Metode ini relatif sederhana dengan waktu pemrosesan yang cepat sehingga sangat cocok untuk diterapkan pada robot sepak bola untuk sistem deteksi objek, dalam hal ini adalah deteksi objek bola berwarna orange. Tujuan dari penelitian ini ialah merancang sistem pendeteksi objek bola menggunakan metode coloring HSV dan mengetahui performa sistem dalam mendeteksi objek bola dengan tingkat akurasi deteksi warna orange. Dari penelitian ini didapatkan hasil bahwa sistem yang dibangun dapat mendeteksi objek dengan intensitas cahaya diatas 316 dan jarak objek dibawah 250 cm.
2
Nurcipto, Dedi. "Deteksi Objek Tangan Robotik." Setrum : Sistem Kendali-Tenaga-elektronika-telekomunikasi-komputer 9, no. 1 (2020): 92. http://dx.doi.org/10.36055/setrum.v9i1.8069.
Full text
3
Saubari, Nahdi, Mukhaimy Gazali, and Rudy Ansari. "Metode HLF untuk Deteksi Objek Terapung pada Permukaan Sungai Martapura." JISKA (Jurnal Informatika Sunan Kalijaga) 4, no. 2 (2019): 43. http://dx.doi.org/10.14421/jiska.2019.42-06.
Full textAbstract:
Haar Like Feature (HLF) merupakan metode deteksi objek terbaru yang dapat menghasilkan kualitas visual yang lebih baik. Bila dibandingkan dengan metode deteksi objek lainnya, HLF cenderung lebih sering digunakan untuk mendeteksi wajah manusia, dan baru beberapa kali digunakan untuk deteksi objek bergerak. Objek pada permukaan sungai memiliki kecenderungan mengapung, bergerak, rata-rata berupa transportasi air maupun objek lainnya seperti sampah yang dapat mengganggu perairan sungai. Penelitian ini bertujuan menerapkan metode HLF untuk deteksi objek terapung pada permukaan sungai Martapura dengan menggunakan dua kamera yang memiliki kualitas hasil citra yang berbeda. Objek terapung yang terdeteksi dapat menjadi data yang berguna untuk menjaga keamanan perairan sungai. Citra pertama diambil menggunakan kamera smartphone, spesifikasi 16 Megapixel, sedangkan citra kedua menggunakan kamera mirrorless, spesifikasi 24 Megapixel. Hasil penelitian menunjukkan bahwa deteksi objek terapung dengan menggunakan kamera smartphone, memiliki persentase keberhasilan 0%. Deteksi objek dengan menggunakan kamera mirrorlesss memiliki keberhasilan 65,5%. Kualitas hasil pixel pada citra sangat berpengaruh terhadap tingkat keberhasilan metode HLF untuk deteksi objek terapung pada sungai Martapura.
4
Hapsari, Dewi Anggraini Puspa, Widya Khafa Nofa, and Sugeng Santoso. "Analisis Performa Deteksi Objek Bergerak pada Algoritma Background Subtraction dan Algoritma Frame Difference." ICIT Journal 8, no. 1 (2022): 98–107. http://dx.doi.org/10.33050/icit.v8i1.2177.
Full textAbstract:
Penelitian ini bertujuan untuk membandingkan performa dari dua buah algoritma deteksi objek, yaitu algoritma background subtraction dan algoritma frame difference. Performa yang dibandingkan dari kedua algoritma ini adalah hasil akurasi deteksi objek dan waktu pemrosesan. Data diambil dari hasil akuisisi video kamera pengawasan. Langkah penelitian diawali dengan melakukan akuisisi video kemudian memecah menjadi frame sequential dan selanjutnya dilakukan deteksi objek pergerakan kamera. Hasil dari deteksi objek berupa sebuah foreground mask untuk masing-masing frame sequential. Dari analisis pengujian didapatkan untuk performa berdasarkan akurasi deteksi objek dan waktu pemrosesan dari dataset yang diambil menunjukkan jika algoritma frame difference lebih unggul dibandingkan algoritma background subtraction.
 Kata Kunci— Deteksi Objek Bergerak, Algoritma Background Subtraction, Algoritma Frame Difference
5
Tiyar, Ridho Iman, and Dhomas Hatta Fudholi. "Kajian Pengaruh Dataset dan Bias Dataset terhadap Performa Akurasi Deteksi Objek." Petir 14, no. 2 (2021): 258–68. http://dx.doi.org/10.33322/petir.v14i2.1350.
Full textAbstract:
Deteksi objek merupakan kemampuan sistem yang dapat mengenali objek tertentu yang berada dalam suatu gambar atau video. Dalam proses deteksi objek, sistem bisa memberikan hasil yang tidak sesuai atau tidak dapat mendeteksi suatu objek yang disebabkan oleh dataset yang tidak optimal. Penelitian ini bertujuan mengkaji proses pembuatan dataset dan bias yang muncul. Pencarian dan analisis dilakukan terhadap literatur yang berkaitan dengan dataset deteksi objek. Proses pencarian literatur dilakukan pada Google Scholar, Science Direct, dan DSpace Repository dengan memasukkan kata kunci utama “data centric”, “object detection dataset”, dan “dataset bias”. Hasil analisis literatur meliputi dataset dan bias dataset. Pada penelitian sebelumnya terdapat kekurangan seperti belum adanya peningkatan performa sistem deteksi objek melalui pengoptimalan dataset. Dari kajian literatur, pembuatan dataset yang baik dapat dilakukan dengan cara menyesuaikan kondisi pengambilan gambar saat pengumpulan data dan pengujian di lapangan. Selain itu, untuk dapat menambah kemampuan generalisasi sistem dengan cara menambahkan variasi gambar dalam dataset melalui teknik augmentasi. Selanjutnya, dalam proses pembuatan dataset pasti akan selalu ada bias dalam data sehingga mempengaruhi kemampuan deteksi objek. Oleh karena itu, dalam proses pembuatan sistem deteksi objek, data memiliki pengaruh yang cukup besar terhadap performa akurasi deteksi objek.
6
Herwandi, Aditya, Alfian Aditya Ramadhan, Nova Teguh Sunggono, and Ferawati Ferawati. "Analisis Kinerja ESP32-CAM Dalam Mendeteksi Objek." bit-Tech 7, no. 3 (2025): 1014–21. https://doi.org/10.32877/bt.v7i3.2296.
Full textAbstract:
Deteksi objek merupakan salah satu komponen kunci dalam sistem visi komputer yang banyak digunakan pada berbagai aplikasi seperti pengawasan, otomasi, dan sistem berbasis Internet of Things (IoT). Namun, penerapan algoritma deteksi berbasis deep learning umumnya memerlukan sumber daya komputasi tinggi yang tidak sesuai untuk perangkat berbiaya rendah seperti ESP32-CAM. Penelitian ini bertujuan untuk menganalisis kinerja ESP32-CAM dalam mendeteksi objek menggunakan algoritma YOLOv3, serta mengkaji pengaruh berbagai kondisi lingkungan terhadap hasil deteksi. Studi ini menggunakan pendekatan eksperimental dengan lima skenario pengujian yang mencakup variabel pencahayaan (siang dan malam), gerakan kamera (bergerak dan tidak bergerak), resolusi gambar (800×600 dan 1280×1024 piksel), serta ukuran objek (kecil, sedang, dan besar). Evaluasi dilakukan dengan mengukur tingkat akurasi deteksi, waktu pemrosesan per frame, serta kejernihan citra pada masing-masing skenario. Hasil pengujian menunjukkan bahwa ESP32-CAM mampu mendeteksi objek dengan akurasi tertinggi sebesar 73% pada kondisi siang hari dengan pencahayaan optimal dan kamera statis. Akurasi menurun secara signifikan dalam kondisi gelap, saat kamera bergerak, serta ketika objek berukuran kecil. Penelitian ini menegaskan bahwa keberhasilan deteksi sangat dipengaruhi oleh pengaturan lingkungan dan karakteristik objek. Meskipun ESP32-CAM memiliki keterbatasan dalam daya komputasi dan memori, hasil penelitian ini membuktikan bahwa perangkat ini tetap layak digunakan untuk sistem deteksi objek sederhana dalam lingkungan terkendali. Penelitian ini memberikan kontribusi praktis dalam pengembangan sistem deteksi visual berbasis perangkat ringan, dan menawarkan rekomendasi teknis untuk meningkatkan performa melalui pengaturan lingkungan dan pemilihan parameter yang tepat.
7
Anzari, Yandi, Fitra Novriadi, Noni Rahmawati, Rizky Nurman Aktan, Fattachul Huda Aminuddin, and Teuku Djauhari. "DETEKSI OBJEK REAL TIME DENGAN YOLOV4-TINY DAN ANTARMUKA GRAFIS MENGGUNAKAN OPENCV PYTHON." SENTRI: Jurnal Riset Ilmiah 3, no. 6 (2024): 2711–27. http://dx.doi.org/10.55681/sentri.v3i6.2893.
Full textAbstract:
Penelitian ini menggambarkan implementasi integrasi model deteksi objek YOLOv4-tiny ke dalam sistem pendeteksian objek real-time yang dilengkapi dengan antarmuka grafis pengguna menggunakan OpenCV. YOLOv4-tiny dipilih untuk efisiensi deteksi objek dalam setiap frame kamera, sementara antarmuka pengguna memungkinkan interaksi melalui tombol-tombol yang dapat diaktifkan atau dinonaktifkan. Metode ini dirancang untuk memberikan solusi yang mudah digunakan untuk mendeteksi dan memvisualisasikan objek-objek dalam waktu nyata, sambil memberikan kontrol jenis objek kepada pengguna. Inisialisasi model YOLOv4-tiny, pengelolaan antarmuka pengguna dengan tombol-tombol, dan proses deteksi objek diintegrasikan dengan harmonis. Hasil eksperimen menunjukkan bahwa sistem ini dapat mendeteksi dan menampilkan objek-objek sesuai dengan preferensi tombol yang diaktifkan oleh pengguna, memberikan pengalaman interaktif dan informatif. Penelitian ini berkontribusi pada pengembangan sistem deteksi objek real-time yang mudah dioperasikan dan dapat diadaptasi untuk berbagai keperluan aplikasi.
8
Rasjid, Azka Avicenna, Basuki Rahmat, and Andreas Nugroho Sihananto. "Implementasi YOLOv8 Pada Robot Deteksi Objek." Journal of Technology and System Information 1, no. 3 (2024): 9. http://dx.doi.org/10.47134/jtsi.v1i3.2969.
Full textAbstract:
Pendeteksian objek merupakan salah satu tantangan utama dalam pengembangan robotika, khususnya untuk aplikasi yang membutuhkan identifikasi berbagai objek dalam lingkungan yang beragam. Penelitian ini ditujukan untuk implementasi YOLOv8 pada Robot Deteksi Objek. Metode penelitian mencakup pelatihan YOLOv8 menggunakan dataset yang terdiri dari 150 gambar untuk setiap kelas objek. Kinerja model dievaluasi berdasarkan metrik presisi (P), recall (R), mean Average Precision (mAP) pada threshold 50% (mAP50), dan mAP50-95. YOLOv8 bertujuan untuk mendeteksi objek dengan 7 sampel kelas objek yaitu: botol, kursi, manusia, pot, galon, tong sampah, dan ember. Hasil evaluasi menunjukkan bahwa model YOLOv8 memberikan kinerja yang sangat baik dengan presisi dan recall mendekati 1 untuk semua kelas objek. Secara khusus, kursi, manusia, dan tong sampah mencapai nilai P dan R sebesar 0.994 atau lebih, dengan mAP50-95 masing-masing sebesar 0.891, 0.874, dan 0.894. Botol dan ember juga menunjukkan hasil yang baik dengan mAP50-95 masing-masing sebesar 0.857 dan 0.905. Sementara itu, galon dan pot masing-masing memiliki mAP50-95 sebesar 0.908 dan 0.705.
9
Sugandi, Budi. "Studi Komparasi Deteksi dan Pelacakan Objek Menggunakan Filter Warna." Journal of Applied Sciences, Electrical Engineering and Computer Technology 1, no. 1 (2020): 12–17. http://dx.doi.org/10.30871/aseect.v1i1.1942.
Full textAbstract:
Dalam artikel ini dibahas tentang studi komparasi deteksi dan pelacakan(tracking) objek menggunakan filter warna. Filter warna yang digunakan adalah filter warna RGB, HSL dan YCbCr. Proses pelacakan diawali dengan proses pengambilan citra dengan kamera secara real time. Proses kedua adalah proses deteksi menggunakan salah satu filter warna. Pada proses ini, objek dipisahkan dari latarnya menggunakan nilai ambang (threshold) pada tiap komponen filter. Sehingga object dengan warna tertentu saja yang terdeteksi. Proses selanjutnya adalah proses pelacakan oleh tiap filter warna. Komparasi dilakukan dengan menganalisa hasil deteksi dan pelacakan tiap filter warna.. Hasil eksperimen menunjukkan urutan akurasi deteksi objek dengan filter warna adalah HSL, YCbCr dan RGB dengan error rata-rata 7%, 9% dan 10%. Sementara untuk akurasi pelacakan objek dengan filter warna adalah HSL, YCbCr dan RGB dengan error rata-rata 11%, 13% dan 22%. Nilai maksimum error baik untuk deteksi maupun pelacakan terjadi pada objek dengan warna yang mirip dengan warna latar. Ini terjadi pada filter warna RGB
10
Anggara Trisna Nugraha and Elmi Hidayana. "Object Detection of Track Using YOLO Method in Fast Unmanned Vessel Application." Jurnal Teknologi Maritim 7, no. 1 (2024): 52–62. http://dx.doi.org/10.35991/jtm.v7i1.10.
Full textAbstract:
Metode YOLO (You Only Look Once) digunakan dalam pembacaan lintasan buoy melalui webcam, sebuah pendekatan deteksi objek berbasis deep learning yang unggul dalam kecepatan dan presisi. Dalam deteksi lintasan, citra digital diambil melalui kamera atau dataset dan diubah menjadi format matriks piksel yang dapat diterima oleh model CNN. Jaringan CNN kemudian mengekstraksi fitur dari citra untuk deteksi buoy merah dan hijau melalui operasi konvolusi, pooling, dan aktivasi. Sistem menggunakan pengklasifikasi objek yang dianalisis di berbagai lokasi dan skala pada gambar, dilanjutkan dengan post-processing untuk menyaring kotak pembatas dan menghilangkan deteksi ganda. Dengan webcam yang memiliki akses baik, tingkat akurasi pendeteksian buoy mencapai hampir 100%, terutama ketika buoy ditempatkan dekat dengan perangkat. Pengguna mendapatkan informasi real-time tentang objek-objek terdeteksi melalui tampilan webcam dengan menampilkan kotak pembatas pada objek tersebut. Metode YOLO berhasil mendeteksi buoy dengan akurasi sesuai dengan hasil dari proses pelatihan, mencapai rata-rata 41,42%. Sistem ini menunjukkan ketepatan dalam deteksi objek lintasan, memberikan kemampuan yang baik bahkan ketika webcam digunakan selama proses pelatihan dan labeling objek menggunakan metode YOLO.
11
Muhammad Rosyan Amanullah, Ronny Makhfuddin Akbar, and Yesy Diah Rosita. "SIMULASI DETEKSI DAN HITUNG JUMLAH KENDARAAN MENGGUNAKAN YOLOV4 PADA CCTV PERSIMPANGAN JALAN RAYA." SEMINAR NASIONAL FAKULTAS TEKNIK 2, no. 1 (2023): 96–101. http://dx.doi.org/10.36815/semastek.v2i1.128.
Full textAbstract:
Kendaraan merupakan sarana yang memungkinkan manusia untuk melakukan perjalanan atau berpindah dari satu tempat ke tempat lain, baik dalam jarak dekat maupun jarak jauh. Berbagai jenis kendaraan digunakan oleh orang, seperti sepeda motor, mobil empat roda, truk, dan bus. Deteksi kendaraan merupakan salah satu tugas untuk merekam aktifitas kendaraan pada jalan raya. Saat ini, penggunaan algoritma pembelajaran mendalam dengan jaringan saraf konvolusi (Convolutional Neural Network/CNN) memiliki dampak yang signifikan dalam kinerja deteksi objek. Sistem deteksi objek YOLO (You Only Look Once) merupakan salah satu yang terbaik saat ini dalam mendeteksi objek secara real-time dibandingkan dengan sistem lainnya. Salah satu tantangan utama dalam deteksi objek real-time adalah mencapai kecepatan tinggi tanpa mengorbankan akurasi. Untuk meningkatkan kecepatan, biasanya dilakukan pengurangan resolusi input ke model, namun hal ini dapat mengurangi akurasi karena beberapa fitur objek dapat hilang. Model yang digunakan dalam deteksi objek ini adalah versi keempat dari YOLO, yang dilatih menggunakan dataset yang disusun secara khusus, sehingga menghasilkan performa deteksi dengan tingkat keakuratan yang tinggi dan dapat berjalan secara real-time dalam mendeteksi kendaraan.Hasil tingkat akurasinya adalah 94,3% untuk video siang, 53,3% untuk video malam,hasil dari perhitungan confusion matrix 100% untuk video siang,video malam 93,7%.
12
Hatta, Moch, and Moh Mahmudi. "PENGGUNAAN ALGORITMA TRANSFORMASI HOUGH UNTUK PROTOTYPE APLIKASI MOBILE PERHITUNGAN JUMLAH PIPA PADA BAGIAN GUDANG PT SPINDO Tbk." Teknika: Engineering and Sains Journal 3, no. 2 (2019): 89. http://dx.doi.org/10.51804/tesj.v3i2.797.89-94.
Full textAbstract:
Dalam perusahaan pipa baja, ujung dari pipa berbentuk lingkaran, untuk itu dibutuhkan suatu aplikasi agar dalam proses perhitungan jumlah pipa dapat lebih efektif. Dalam sistem ini dibutuhkan suatu citra RGB dari pengambilan ujung pipa yang terdapat objek lingkaran, kemudian diubah menjadi citra grayscale dan selanjutnya diikuti 4 proses lainnya yaitu : operasi morfologi dengan teknik dilasi agar objek lingkaran dapat terlihat lebih jelas, deteksi tepi menggunakan metode canny untuk memperbaiki detail dari citra yang blur serta mengurangi noise, selanjutnya deteksi lingkaran menggunakan algoritma transformasi hough agar objek lingkaran dalam citra dapat terdeteksi berdasarkan nilai minimal radius dan maksimal radius yang sudah diatur, dari deteksi tersebut menghasilkan sebuah identifier yang diinisialisasikan menjadi variabel untuk digunakan dalam proses perhitungan jumlah objek lingkaran pipa menggunakan looping. Hasil dari sistem ini berupa citra awal, citra hasil deteksi dan jumlah pipa yang terdeteksi. Nilai rata-rata dari deteksi objek lingkaran pipa tersebut adalah 87,36%.
13
Budiyanta, Nova Eka, Melisa Mulyadi, and Harlianto Tanudjaja. "Sistem Deteksi Kemurnian Beras berbasis Computer Vision dengan Pendekatan Algoritma YOLO." Jurnal Informatika: Jurnal Pengembangan IT 6, no. 1 (2021): 51–55. http://dx.doi.org/10.30591/jpit.v6i1.2309.
Full textAbstract:
Penelitian ini bertujuan untuk menerapkan sistem deteksi kemurnian beras terhadap campuran kotoran untuk dapat digunakan sebagai parameter nilai untuk mensortir kotoran yang terdeteksi pada proses kontrol kualitas beras. Sistem yang dikembangkan pada penelitian ini berbasis computer vision menggunakan kamera sebagai sensor. Data citra yang didapat dari kamera selanjutnya diproses untuk mengenali objek beras yang murni dan objek kotoran yang tercampur pada kumpulan beras. Penelitian ini berfokus pada algoritma deteksi objek batu atau kerikil (gravel) pada proses produksi beras. Proses deteksi objek pada penelitian ini menggunakan metode You Only Look Once (YOLO) v3. Secara keseluruhan sistem deteksi objek pada penelitian ini berjalan baik. Proses pelatihan model berhasil meminimalisir loss secara signifikan dengan nilai loss sebesar 1.89 di iterasi ke 1000 menjadi 0.16 di iterasi ke 15000. Seiring dengan keberhasilan proses pelatihan model, pengujian model pada penerapan proses deteksi juga berjalan baik yang ditunjukkan dengan nilai rerata akurasi sebesar 86.11%.
14
Yudha, Yudha Febrian, Aditya Ari Yudha Aditya, Rasyid Ammary Yahya Rasyid, Naufal Indra Ardhana Indra, and Melati Wangi Windari Melati. "Perancangan Sistem Deteksi Objek Pada Robot Transporter Menggunakan Metode Darknet YOLOv8." Electrician : Jurnal Rekayasa dan Teknologi Elektro 18, no. 2 (2024): 161–70. http://dx.doi.org/10.23960/elc.v18n2.2595.
Full textAbstract:
Perkembangan teknologi robotika, khususnya pada robot transporter dapat meningkatkankualitas maupun kuantitas produksi berbagai pabrik. Robot transporter merupakan salah satu jenisrobot yang bertujuan untuk mengambil benda dan memindahkannya ke tempat lain. Pada penelitianini, metode darknet YOLOv8 diterapkan pada robot transporter untuk memberikan kemudahan dalamproses pelatihan dan deteksi objek. Algoritma YOLO (You Only Look Once) merupakan salah satumetode dalam bidang deep learning yang saat ini sangat populer dalam pendeteksian objek, danmemungkinkan deteksi objek dengan tingkat keakuratan tinggi. Dalam penelitian ini, ESP32 CAMdigunakan sebagai kamera deteksi objek dan modul WiFi pada robot transporter. Tujuan utama dalampenelitian ini adalah mengatasi tantangan deteksi objek dalam situasi dinamis, seperti perubahan objekdi sekitar robot transporter. Dengan demikian, diharapkan robot dapat merespons dengan cepatterhadap perubahan lingkungan, dan meningkatkan efisiensi tugas transportasi.
15
Rahmawati, Lailia. "Deteksi Abnormality Dengan Menggunakan Algortima KLT Pada Citra Video CCTV." Jurnal Intake : Jurnal Penelitian Ilmu Teknik dan Terapan 8, no. 2 (2017): 67–72. http://dx.doi.org/10.32492/jintake.v8i2.693.
Full textAbstract:
Deteksi Abnormality pada citra video CCTV yang ditunjukan pada individu tertentu atau suatu objek tertentu dimana gerakan diangkap minoritas. Penggunaan Algoritma KLT (Kanade-Lucas-Tomasi) sebagai Algortima Tracing hasil video yang sudah dilakukan proses Spektral Residual yang bertujuan menghasilkan gerakan global yang mengalokasikan daerah yang menarik. Dari hasil perbandingan tersebut diketahui bahwa jumlah piksel pada deteksi bergerak lebih kecil dari deteksi yang tidak bergerak. Maka hasilnya adalah yang ,minoritas abnormal adalah ada objek yang bergerak sendiri dibandingkan dengan objek-objek yang lainnya
16
Jalil, Abdul. "DETEKSI GERAK OBJEK BERBASIS PENGOLAHAN CITRA MENGGUNAKAN METODE BINARY-IMAGE COMPARISON." Electro Luceat 6, no. 1 (2020): 109–16. http://dx.doi.org/10.32531/jelekn.v6i1.207.
Full textAbstract:
Tujuan penelitian ini adalah membangun sistem deteksi gerak objek berbasis teknik pengolahan citra menggunakan metode Binary-Image Comparison (BIC). Fungsi metode BIC pada penelitian ini adalah sebagai pengambil keputusan pada saat sistem mengirim data message sebagai hasil dari deteksi gerak objek. Adapun gerak objek yang dideteksi pada penelitian ini adalah objek dengan warna merah, kuning, hijau, dan biru. Pada penelitian ini, proses segmentasi citra biner diproses menggunakan perangkat lunak Library OpenCV yang dieksekusi didalam node Robot Operating System 2 (ROS2). Terdapat beberapa node ROS2 yang digunakan untuk membangun sistem deteksi gerak objek pada penelitian ini, yaitu node untuk membaca input kamera RGB, node untuk mendeteksi gerak objek warna merah, node untuk mendeteksi gerak objek warna kuning, node untuk mendeteksi gerak objek warna hijau, node untuk mendeteksi gerak objek berwarna biru, dan node untuk menerima hasil proses deteksi warna. Setiap node pada sistem tersebut dapat saling terhubung melalui topic untuk dapat saling bertukar data message menggunakan protokol Data Distribution Service (DDS) yang ada pada ROS2. Hasil dari penelitian ini adalah sistem dapat mendeteksi gerak objek warna merah, kuning, hijau, dan biru kemudian mengirimnya sebagai data message berdasarkan hasil keputusan dari metode BIC.
17
Randy Moh Yusup, Aldof Faris Anugrah, Dinda Desmonda Muslimah, Sri Mentari Widya Ningrum Permana, and Shindi Yuliani. "PENDETEKSIAN OBJEK MENGGUNAKAN OPENCV DAN METODE YOLOv4-TINY UNTUK MEMBANTU TUNANETRA." Journal of Computer Science and Information Technology 1, no. 2 (2024): 59–68. http://dx.doi.org/10.59407/jcsit.v1i2.532.
Full textAbstract:
Deteksi objek adalah tugas mendasar dalam computer vision dan memiliki banyak aplikasi di berbagai bidang seperti autonomous vehicles, sistem pengawasan, dan robotika. Jurnal ini menyajikan studi komprehensif tentang deteksi objek menggunakan kombinasi dari OpenCV dan YOLOv4-Tiny, yang merupakan sebuah algoritma pembelajaran mendalam yang canggih. OpenCV adalah perpustakaan computer vision sumber terbuka secara luas yang dikenal dengan koleksi fungsi dan algoritma yang luas. Di sisi lain , YOLOv4 Tiny adalah varian ringkas dari algoritma deteksi objek YOLO (You Only Look Once), yang dirancang untuk mencapai performa waktu nyata tanpa mengurangi akurasi. Dalam studi ini, kami memanfaatkan kemampuan OpenCV dan YOLOv4-Tiny untuk mengembangkan sistem deteksi objek yang kuat. Pertama, kami memberikan tinjauan mendetail tentang arsitektur YOLOv4-Tiny, barpusat pada komponen utamanya, termasuk backbone network, feature pyramid, dan detection layers. Kesimpulannya, jurnal ini memberikan eksplorasi komprehensif tentang deteksi objek menggunakan OpenCV dan YOLOv4 Tiny. Studi tersebut menyoroti keuntungan dari kombinasi ini dalam hal kecepatan dan akurasi dan menghadirkan implementasi praktis dari sistem tersebut. Hasilnya menampilkan potensi sistem untuk aplikasi deteksi objek real-time, berkontribusi pada kemajuan visi komputer dan berbagai domainnya. Selain itu, kami mengevaluasi kinerja sistem kami pada kumpulan data tolok ukur standar, seperti COCO (Common Objects in Context), untuk menilai akurasi pendeteksian dan efisiensi komputasinya.
18
Wakhidah, Nur, Prind Triajeng Pungkasanti, and Agusta Praba Ristadi Pinem. "Deteksi Objek menggunakan Deep Learning untuk Mengetahui Tingkat Kerumunan Mahasiswa." Jurnal Edukasi dan Penelitian Informatika (JEPIN) 9, no. 3 (2023): 465. http://dx.doi.org/10.26418/jp.v9i3.70132.
Full textAbstract:
Penyebaran Covid 19 varian Delta di Kota Semarang pada bulan Juni – November 2021 mengakibatkan terjadinya kembali lonjakan. Hal ini menjadi pertimbangan Dinas Kesehatan terkait pembelajaran tatap muka (PTM) terbatas. Universitas Semarang (USM) yang memiliki mahasiswa terbanyak di Kota Semarang dengan jumlah mahasiswa terdaftar sejumlah 21644. Banyaknya mahasiswa yang dimiliki USM akan sangat rentan terjadinya pelanggaran protokol kesehatan dilingkungan universitas seperti adanya kerumunan mahasiswa. Salah satu yang dapat dilakukan dalam pencegahan yaitu deteksi objek untuk menentukan kerumunan menggunakan teknologi deep learning. Penerapan deep learning pada model pendeteksi objek menggunakan metode Convolutional Neural Network (CNN) berfungsi untuk melakukan ekstraksi fitur ciri objek yang tertangkap kamera, lalu akan disimpan sebagai fitur ciri objek. Setelah fitur disimpan, model melakukan pendeteksian dan menghitung banyaknya objek pada citra yang ditangkap untuk menentukan tingkat kerumunan mahasiswa. Model yang dibangun secara keseluruhan memiliki F1-Score 0.91 yang berarti kegagalan False Negative maupun False Positive tidak berbeda jauh. Model deteksi ini mampu melakukan penghitungan obyek manusia dengan MAPE 17% dan RMSE 2.68.
19
Moelya, Muhammad Syafwanalif, Puji Sari Ramadhan, and Mhd Gilang Suryanata. "Perbandingan Metode Canny, Sobel, Dan Laplacian of Gaussian Dalam Mendeteksi Tepi Citra Objek Bergerak." Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) 3, no. 4 (2024): 450–60. http://dx.doi.org/10.53513/jursi.v3i4.6466.
Full textAbstract:
Pengolahan citra adalah bagian penting yang mendasari berbagai aplikasi nyata seperti pengenalan pola, pengindraan jarak jauh melalui satelit, pesawat udara, dan Computer Vision. Salah satu bagian dari pengolahan citra yang paling awal dan paling banyak diteliti yaitu penentuan tepian atau deteksi tepi. Deteksi tepi pada citra adalah proses yang menghasilkan tepi-tepi dari objek-objek citra yang dilakukan untuk menemukan garis pemisah dari suatu objek pada citra. Terdapat banyak metode yang bisa digunakan untuk melakukan pendeteksian tepi, antara lain metode Canny, Sobel, dan Laplacian of Gaussian. Penelitian ini akan membandingkan penggunaan metode Canny, Sobel, dan Laplacian of Gaussian untuk mendeteksi tepi citra bergerak berbentuk video singkat. Ketiga metode tersebut layak untuk dibandingkan karena masing-masing memiliki kelebihan dan kekurangan dalam pendeteksian tepi citra. Penelitian ini juga digunakan untuk mengetahui metode mana yang paling optimal dalam melakukan pendektesian tepi citra objek bergerak. Objek yang digunakan dalam penelitian ini adalah video bergerak, yang nantinya akan dilakukan pengukuran tingkat pengenalan hasil deteksi tepi dari setiap metode yang akan digunakan. Hasil deteksi tepi algoritma Canny memiliki hasil deteksi yang paling optimal, dengan hasil tepi yang tebal, detail, dan minim noise. Hasil deteksi tepi algoritma Sobel menghasilkan tepi yang halus dan putus-putus, serta terdapat banyak noise. Hasil deteksi tepi algoritma Laplacian of Gaussian memiliki hasil deteksi yang sangat detail dengan garis yang tebal tetapi terdapat beberapa garis yang putus dan terdapat lumayan banyak derau.
20
Ahadi, Ahmad Husna, Gustina Gustina, Muhammad Farhan Syawal, Fattachul Huda Aminuddin, and Yandi Anzari. "IMPLEMENTASI SISTEM PENDETEKSI WARNA OBJEK DENGAN OPENCV-PYTHON." SENTRI: Jurnal Riset Ilmiah 3, no. 7 (2024): 3573–78. http://dx.doi.org/10.55681/sentri.v3i7.3185.
Full textAbstract:
Deteksi warna merupakan salah satu metode yang dapat digunakan untuk tracking objek maupun klasifikasi benda dalam robotic dan aplikasi lainnya. Dalam paper ini dibahas mengenai deteksi warna primer dengan memanfaatkan webcam yang terdapat pada laptop. Inisialisasi awal variable HSV amatlah penting untuk menentukan warna yang diinginkan. Berdasarkan variable warna dapat didefinisikan dan dilakukan deteksi lebih lanjut. Dari hasil percobaan, terdapat non objek yang tedeteksi akibat system yang bersifat real-time sehingga diperlukan tambahan machine learning sebagai penstabil data yang ditangkap kamera
21
Hatta, Moch., and Moh. Mahmudi. "PENGGUNAAN ALGORITMA TRANSFORMASI HOUGH UNTUK PROTOTYPE APLIKASI MOBILE PERHITUNGAN JUMLAH PIPA PADA BAGIAN GUDANG PT SPINDO Tbk." Teknika: Engineering and Sains Journal 3, no. 2 (2019): 89–94. https://doi.org/10.5281/zenodo.4301624.
Full textAbstract:
Dalam perusahaan pipa baja, ujung dari pipa berbentuk lingkaran, untuk itu dibutuhkan suatu aplikasi agar dalam proses perhitungan jumlah pipa dapat lebih efektif. Dalam sistem ini dibutuhkan suatu citra <em>RGB </em>dari pengambilan ujung pipa yang terdapat objek lingkaran, kemudian diubah menjadi citra <em>grayscale </em>dan selanjutnya diikuti 4 proses lainnya yaitu : operasi morfologi dengan teknik dilasi agar objek lingkaran dapat terlihat lebih jelas, deteksi tepi menggunakan metode <em>canny </em>untuk memperbaiki detail dari citra yang blur serta mengurangi <em>noise, </em>selanjutnya deteksi lingkaran menggunakan algoritma transformasi hough agar objek lingkaran dalam citra dapat terdeteksi berdasarkan nilai minimal radius dan maksimal radius yang sudah diatur, dari deteksi tersebut menghasilkan sebuah <em>identifier </em>yang diinisialisasikan menjadi variabel untuk digunakan dalam proses perhitungan jumlah objek lingkaran pipa menggunakan <em>looping. </em>Hasil dari sistem ini berupa citra awal, citra hasil deteksi dan jumlah pipa yang terdeteksi. Nilai rata-rata dari deteksi objek lingkaran pipa tersebut adalah 87,36%.
22
Amrozi, M. Ali, Denni Figo SW, and Retno Wahyusari. "Perbandingan Segmentasi Ruang Warna HSV dan YCbCr untuk Deteksi Objek." Infomatek 26, no. 2 (2024): 217–22. https://doi.org/10.23969/infomatek.v26i2.19025.
Full textAbstract:
Salah satu langkah penting dalam pengenalan objek adalah segmentasi gambar, proses memisahkan objek yang relevan dari latar belakangnya, Segmentasi gambar yang efektif meningkatkan akurasi dan efisiensi seluruh sistem deteksi objek. Pada dasarnya, ruang warna RGB yang umum digunakan tidak selalu optimal untuk analisis visual, terutama dalam lingkungan yang bervariasi pencahayaannya atau warna yang harus diidentifikasi secara spesifik. Oleh karena itu Dalam penelitian ini, membandingkan kinerja segmentasi ruang warna HSV dan YCbCr untuk deteksi objek. HSV (Hue, Saturation, Value) terdiri dari Hue mewakili warna dasar, Saturation mengukur kejelasan warna (intensitas atau kejenuhan), Value menunjukkan kecerahan warna. YCbCr (Luma, Blue-difference, Red-difference), Y adalah komponen luma yang merepresentasikan tingkat kecerahan, Cb dan Cr adalah komponen chrominance yang merepresentasikan informasi warna (biru dan merah), yang dapat mengisolasi aspek warna, intensitas, dan kecerahan.. Tujuan penelitian ini memberikan kontribusi penting untuk memahami keunggulan YCbCr dibandingkan HSV dalam konteks deteksi objek, serta memberikan pedoman praktis untuk penerapan teknik deteksi objek secara lebih efektif dan efisien. Hasil analisis dan eksperimen yang dilakukan, nilai PSNR (Peak Signal-to-Noise Ratio) paling besar pada citra 1 hasil segmentasi menggunakan ruang warna YCbCr dengan nilai 14,0627 dB dan nilai HSV paling besar bernilai 10,2397 dB. Berdasarkan nilai PSNR ruang warnaYCbCr memberikan kinerja unggul dalam hal segmentasi, , dan efisiensi komputasi. Kata kunci : Deteksi objek, segmentasi ruang warna, HSV, YCbCr, PSNR
23
Fahriannur, Ahmad, Rakhmad Gusta Putra, and Dedy Eko Rahmanto. "PERANCANGAN KONTROL ZOOM PADA KAMERA PTZ UNTUK APLIKASI OBJECT TRACKING." Transmisi: Jurnal Ilmiah Teknik Elektro 25, no. 2 (2023): 58–63. http://dx.doi.org/10.14710/transmisi.25.2.58-63.
Full textAbstract:
Pengembangan penggunaan kamera PTZ masih terfokus pada tracking posisi obyek dan kalibrasi kamera. Kamera akan melakukan bergerak mengikuti posisi pergerakan obyek. Namun ketika obyek bergerak menjauhi kamera, ukuran akan mengecil dan akan sulit terdeteksi oleh kamera. Sehingga diperlukan perbesaran obyek (zoom) untuk membesar ukuran obyek. Penggunaan fitur zoom pada kamera PTZ saat ini masih dilakukan secara manual oleh user. Penelitian ini bertujuan untuk membangun sistem kontrol ukuran objek dengan memanfaatkan fitur zoom pada kamera PTZ. Ukuran benda dikendalikan secara otomatis menggunakan modifikasi sistem kontrol proporsional dengan mempertimbangkan nilai Kp dan toleransi dalam bentuk persamaan linier. Sehingga, objek tetap terlihat jelas meskipun bergerak terlalu jauh atau terlalu dekat dengan kamera. Pengguna memilih objek menggunakan mouse dan menentukan ukuran objek yang diinginkan. Kombinasi algoritma optical flow dan deteksi tepi digunakan untuk memilih dan mendeteksi ukuran objek. Hasil penelitian menunjukkan bahwa sistem dapat mengontrol ukuran objek dengan waktu respon kurang dari 1.1 detik.
24
Nugroho, Anan. "SIMPLIFIKASI MODEL CV BERPADU OPERASI MORFOLOGI UNTUK DETEKSI OBJEK KANKER PADA CITRA USG." Jurnal Informatika Polinema 8, no. 2 (2022): 49–56. http://dx.doi.org/10.33795/jip.v8i2.923.
Full textAbstract:
Saat ini, Computer Aided Diagnosis (CAD) tengah dikembangkan secara masif sebagai second opinion reader di berbagai modalitas pencitraan medis, salah satunya ultrasonografi (USG). Untuk skrining otomatis citra USG yang banyak, berulang-ulang dan terus-menerus, teknik deteksi objek memainkan peran krusial pada sistem CAD. Deteksi objek kanker pada citra USG tidak mudah karena objek-objek tersebut berkontras rendah dan bertepi kabur akibat gangguan derau speckle dan artifak. Studi ini mengatasi tantangan ini dengan mengusulkan metode deteksi berbasis model active-contour Chan-Vese (CV) tersimplifikasi diikuti operasi morfologi. Adapun performa kuantitatif diperoleh menggunakan skor Intersection of Union (IoU) antara objek-objek terdeteksi dengan ground truth-nya. Usulan metode divalidasi menggunakan 20 citra USG tiroid dan payudara dengan hasil rerata skor IoU mencapai 92,36%. Performa yang menjanjikan ini menunjukkan bahwa usulan metode layak diimplementasikan pada sistem CAD.
25
Rudolf Huizen, Laurentius Andre Cornelis. "Optimalisasi Klasifikasi Objek Melalui Integrasi Metode Ensemble dan Teknik Ekstraksi Fitur Deteksi Tepi." Jurnal Sistem dan Informatika (JSI) 18, no. 1 (2023): 58–63. http://dx.doi.org/10.30864/jsi.v18i1.601.
Full textAbstract:
Peningkatan volume lalu lintas dan kepadatan kendaraan di perkotaan menimbulkan tantangan besar dalam menjaga kelancaran dan efisiensi sistem transportasi. Identifikasi objek yang akurat untuk pengelolaan lalu lintas yang efektif. Penelitian ini mengombinasikan metode ensemble dalam klasifikasi objek dengan menggunakan teknik ekstraksi fitur deteksi tepi dan histogram. Tujuan dari penelitian ini adalah untuk meningkatkan akurasi dan efisiensi dalam deteksi objek. Teknik ekstraksi fitur deteksi tepi digunakan untuk mengidentifikasi karakteristik penting dari objek yang dapat memfasilitasi proses klasifikasi. Fitur histogram untuk mengekstrak informasi dari distribusi intensitas piksel dalam citra, yang memberikan gambaran mengenai kontras, kecerahan, dan distribusi warna dalam citra. Hasil eksperimen menunjukkan bahwa kombinasi metode ensemble dengan ekstraksi berbasis deteksi tepi dan histogram secara signifikan meningkatkan performa klasifikasi dibandingkan dengan penggunaan metode klasifikasi tunggal. Metode kombinasi tanpa penambahan fitur histogram mencapai akurasi 72.78%, presisi 72.37%, recall 72.61%, dan F1-Score 72.45%. Penambahan fitur histogram mencapai peningkatan akurasi, presisi, recall, dan F1-Score yang luar biasa menjadi 99.75%. Hasil penelitian memberikan kontribusi dalam meningkatkan akurasi dan efisiensi sistem pengenalan objek, serta menunjukkan bahwa pendekatan multi-metode yang menggabungkan berbagai jenis fitur dapat memberikan hasil yang lebih akurat dan andal dalam pengenalan objek. Integrasi teknik deteksi tepi dan histogram dengan algoritma ensemble seperti Random Forest terbukti sangat efektif dalam meningkatkan performa model klasifikasi gambar secara keseluruhan.
26
Setiawan, Dionisius Reinaldo Ananda, Yosefina Finsensia Riti, and Nathanael Christian Perkasa Trisuwita. "Perbandingan Performa Model SSD Mobilenet V2 dan FPNLite dalam Deteksi Helm Pengendara Sepeda Motor." Komputika : Jurnal Sistem Komputer 13, no. 1 (2024): 131–38. http://dx.doi.org/10.34010/komputika.v13i1.10333.
Full textAbstract:
Salah satu aspek penting dalam computer vision adalah deteksi objek yang bertujuan untuk mengidentifikasi dan menentukan posisi objek dalam gambar. Dalam konteks keselamatan, deteksi objek helm pada pengendara sepeda motor menjadi sangat penting untuk mengurangi risiko kecelakaan dan melindungi pengendara. Helm merupakan alat pelindung utama bagi pengendara sepeda motor dan melindungi kepala dari cedera serius saat terjadi kecelakaan. Dalam penelitian ini, mengimplementasikan deteksi objek helm menggunakan Framework TensorFlow dengan model pralatih menggunakan arsitektur Single Shot Multibox Detector (SSD) yang didasarkan pada model Mobilenet V2 dan Mobilenet V2 FPNLite. Model Mobilenet V2 dan Mobilenet V2 FPNLite telah dilatih menggunakan dataset yang berupa citra gambar pengendara sepeda motor memakai helm dan tidak memakai helm. Hasil evaluasi kinerja kedua model dengan menggunakan matrik mean Average Precision (mAP) menunjukkan bahwa model yang diusulkan mencapai tingkat mAP sebesar 71,59% pada model Mobilenet V2 FPNLite dan 80,12% pada model Mobilenet V2. Kata Kunci – Deteksi Objek, Helm, Tensorflow, SSD, Citra
27
Adrezo, Muhammad, and Muhamad Erlan Ardiansyah. "Deteksi Jenis Kelamin Berdasarkan Wajah Menggunakan Metode YOLOv8." INTECOMS: Journal of Information Technology and Computer Science 7, no. 5 (2024): 1757–62. http://dx.doi.org/10.31539/intecoms.v7i5.12482.
Full textAbstract:
Deteksi objek merupakan salah satu penerapan dalam cabang computer vision yang mengalami banyak pengembangan. Penerapan deteksi objek telah banyak dilakukan, salah satunya adalah deteksi wajah dan pengenalan wajah. Wajah dapat berisi informasi karakteristik seseorang. Penelitian ini bertujuan untuk mendeteksi jenis kelamin berdasarkan citra wajah dengan metode YOLOv8. Dataset yang digunakan terdiri dari 94 data citra dimana dalam satu citra dapat mengandung lebih dari satu wajah sehingga terkumpul 119 data termasuk dalam kelas Pria, dan 127 data termasuk dalam kelas Wanita. Hasil performa model yaitu, nilai precision sebesar 0.85 dan recall sebesar 0.86. Serta nilai mAP50 sebesar 0.89 dan nilai mAP50-95 sebesar 0.68. Hasil penelitian berdasarkan performa menunjukkan bahwa model yang dibuat mampu mendeteksi dan membedakan jenis kelamin dengan cukup baik. Kata Kunci: Deteksi Objek, Computer Vision, Deteksi Jenis Kelamin, YOLO
28
Usman, Iqbal F., Riska K. Abdulah, and Stephan A. Hulukati. "Rancang Bangun dan Analisa CCTV Online Berbasis Android dengan Deteksi Objek Menggunakan Metode YOLO di Laboratorium Teknik Elektro Gorontalo." Jurnal Electrichsan 13, no. 2 (2024): 181–86. https://doi.org/10.37195/electrichsan.v13i2.1078.
Full textAbstract:
Penelitian ini bertujuan untuk merancang sistem CCTV online berbasis Android yang dilengkapi dengan fitur deteksi objek menggunakan metode YOLO (You Only Look Once) di Laboratorium Teknik Elektro Gorontalo. Sistem ini dirancang untuk meningkatkan efektivitas pengawasan keamanan laboratorium dengan memanfaatkan kemampuan YOLO dalam mendeteksi objek secara real-time. Aplikasi Android dikembangkan sebagai antarmuka yang memungkinkan pengguna untuk mengakses video dari CCTV secara online, dengan kemampuan mendeteksi objek penting seperti manusia, kendaraan, atau peralatan di area pengawasan. Modul YOLO diintegrasikan secara langsung ke dalam sistem untuk memastikan deteksi yang cepat dan akurat. Metodologi yang digunakan dalam penelitian ini meliputi perancangan sistem secara menyeluruh, pengembangan aplikasi Android, serta pengujian terhadap akurasi deteksi objek dan kecepatan respons sistem. Pengujian dilakukan di lingkungan laboratorium untuk memastikan sistem dapat berfungsi dengan baik dalam situasi nyata, serta untuk menilai stabilitas dan efektivitas sistem dalam mengirimkan notifikasi real-time saat objek tertentu terdeteksi. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi objek dengan akurasi yang baik dan memberikan notifikasi secara real-time melalui aplikasi Android ketika objek sesuai kriteria terdeteksi. Selain itu, sistem ini juga menunjukkan kinerja yang stabil dan mudah diakses melalui jaringan internet. Dengan demikian, sistem CCTV online berbasis Android yang dilengkapi deteksi objek menggunakan YOLO ini berhasil memenuhi kebutuhan pengawasan yang lebih efisien, meminimalkan intervensi manual, dan secara signifikan meningkatkan keamanan di laboratorium. Implementasi teknologi deteksi objek berbasis YOLO menunjukkan bahwa sistem CCTV online dapat menjadi solusi pengawasan yang lebih cerdas, responsif, dan efektif dalam lingkungan laboratorium atau area lain yang membutuhkan pengawasan ketat
29
Rio, Unang, Susi Erlinda, and Dwi Haryono. "Implementasi Model Mobile Augmented Reality e-Booklet untuk Mempromosikan Object Wisata Unggulan Provinsi Riau dengan metode 3D Object Tracking." INOVTEK Polbeng - Seri Informatika 1, no. 2 (2016): 177. http://dx.doi.org/10.35314/isi.v1i2.137.
Full textAbstract:
Intisari - Provinsi Riau terletak di lokasi yang strategis dan memiliki kekayaan keindahan alam dan budaya yang unik, Riau menawarkan banyak tempat wisata baik alam dan budaya. Tujuan dari penelitian ini untuk membuat aplikasi yang membantu masyarakat untuk mendapatkan informasi objek wisata unggulan di Provinsi Riau. Salah satu faktor yang menyebabkan kurang berkembangnya sektor pariwisata di Provinsi Riau saat ini adalah karena pengelolaan informasi yang bersifat promosi dan belum mampu memaksimalkan ketersediaan teknologi informasi yang tersedia. Penggunaan teknologi augmented reality adalah teknologi yang menggabungkan benda maya tiga dimensi ke dalam sebuah lingkungan tiga-dimensi nyata dan kemudian memproyeksikan benda-benda maya secara real time. Markerless objek wisata unggulan adalah bono surfing, balap alur, tongkang bahan bakar, pantai Rupat, istana siak dan Candi Muara Takus. pembuatan obyek dan membaca penanda scan dari kamera menggunakan teknik markerbase dan Markerless dengan objek Pelacakan metode 3D dan algoritma SIFT (Skala Fitur invarian Transform). Proses yang terkandung dalam deteksi obyek membaca gambar, mempertajam gambar dengan memanfaatkan High Pass Filter; membaca gambar dari metode SIFT bahwa proses akan menghasilkan deteksi titik. Hasil pengujian untuk melihat efek dari jarak antara smartphone kamera dengan spidol, jarak yang diperoleh sangat ideal untuk menampilkan objek 3D, sampai 40 cm. pengujian aplikasi ARRiauTouris mampu mendeteksi penanda dengan jarak dekat 10 cm dan jarak maksimum 67 cm, dan memperoleh waktu rata-rata untuk objek (mean) antara 0,80 detik menjadi 0,93 detik. Kata kunci: obyek wisata, augmented reality, 3D pelacakan objek, provinsi riau
30
Riyadi, Agung Slamet, Ire Puspa Wardhani, Maria Sri Wulandari, and Susi Widayati. "Perbandingan Metode ResNet, YoloV3, dan TinyYoloV3 pada Deteksi Citra dengan Pemrograman Python." PETIR 15, no. 1 (2022): 135–44. http://dx.doi.org/10.33322/petir.v15i1.1302.
Full textAbstract:
Pengolahan citra (image processing) adalah teknik mengolah citra yang mentransformasikan citra masukan menjadi citra lain agar keluaran memiliki kualitas yang lebih baik dibandingkan kualitas citra masukan. Deteksi objek dalam digital image processing adalah suatu proses yang digunakan untuk menentukan keberadaan objek tertentu di dalam suatu citra digital. Proses deteksi tersebut dapat dilakukan dengan berbagai macam metode yang umumnya melakukan pembacaan fitur-fitur dari seluruh objek pada citra input. Pada pendeteksian objek tersebut terdapat beberapa metode beberapa diantaranya yaitu metode ResNet, YOLOv3 dan TinyYOLOv3. Dalam penelitian ini akan dilakukan perbedaan ketiga metode tersebut. Tujuan dari ujicoba dalam penelitian ini adalah mengetahui lebih jauh hasil deteksi objek pada citra dengan tingkat keakuratan yang baik. Dan penelitian ini dapat membutkikan bahwa hasil pendeteksian objek dengan menggunakan model Yolov3, hasil keakuratannya lebih tinggi dibandingkan dengan model ResNet dan model Tiny Yolo.
31
Jihad Taqwana, Friendly, Ivana Lucia Kharisma, and Kamdan Kamdan. "Implementasi deteksi objek pada fitur permainan tebak gambar di website kursus online bahasa inggris dengan Ml5.js." Jurnal CoSciTech (Computer Science and Information Technology) 4, no. 3 (2024): 812–20. http://dx.doi.org/10.37859/coscitech.v4i3.6314.
Full textAbstract:
Penelitian ini bertujuan untuk meningkatkan pengalaman pengguna dalam pembelajaran bahasa Inggris pada website kursus online Hanna Hersop dengan mengusulkan penambahan fitur permainan tebak gambar yang dilengkapi dengan deteksi objek. Hanna Hersop adalah Lembaga Kursus dan Pelatihan (LKP) Bahasa Inggris, menyediakan materi pembelajaran bahasa Inggris secara offline maupun online. Hasil penelitian menunjukkan bahwa penambahan fitur permainan tebak gambar dengan objek deteksi secara signifikan meningkatkan pengalaman pembelajaran para pengguna. Fungsi deteksi objek pada permainan tebak gambar tidak hanya memberikan tantangan tambahan dalam pembelajaran, tetapi juga memberikan pengalaman interaktif yang lebih menarik. Permainan tebak gambar ini memanfaatkan M15.js sebagai library machine learning JavaScript yang menyediakan akses ke algoritma ML di browser yang dibangun di atas Tensorflow.js dan JavaScript, CSS, HTML sebagai kerangka untuk perancangan pada permainan tebak gambar pada website. Hasil dari penelitian ini memberikan wawasan berharga bagi pengembang dan penyelenggara kursus bahasa Inggris online, serta berkontribusi pada pemahaman lebih lanjut tentang bagaimana teknologi digital, khususnya deteksi objek, dapat digunakan secara efektif untuk meningkatkan kualitas pembelajaran. dengan begitu para peserta kursus dapat memperoleh manfaat tambahan dalam memahami dan mempraktikkan bahasa Inggris, menciptakan lingkungan pembelajaran yang inovatif dan efektif. Integrasi deteksi objek pada fitur permainan tebak gambar menjadi solusi inovatif dalam menciptakan lingkungan pembelajaran yang lebih menarik dan efektif.
32
Salamah, Ketty Siti, Imelda Uli Vistalina, and Muklas Iqbal Danifan. "SISTEM DETEKSI MODEL MENGGUNAKAN METODE BACKGROUND SUBTRACTION." Jurnal Informatika dan Rekayasa Elektronik 5, no. 1 (2022): 103–10. http://dx.doi.org/10.36595/jire.v5i1.520.
Full textAbstract:
Sistem pengawasan atau superveilance system dapat menunjang produktifitas dan sebagai alat identifikasi serta pelengkap sistem pengawasan produk agar tidak tercampur dengan objek lain yang berbeda pada suatu sektor industri. Sebagian besar permasalahan pada pendeteksian objek adalah banyaknya gangguan karena sifat dinamis latar yang memiliki gangguan seperti perubahan intensitas cahaya dan pergerakan benda kecil yang tidak boleh dianggap sebagai objek. Gangguan ini dapat mempengaruhi hasil identifikasi sehingga diperlukan suatu metode untuk dapat memisahkan background dan objek yang akan dideteksi dengan benar. Permasalahan tersebut dapat diatasi dengan menambahkan sistem pendeteksi objek dengan menggunakan metode background subtraction dengan mempertimbangkan nilai piksel dari semua bingkai secara berurutan. Metode background subtraction mampu membedakan antara objek yang diamati dengan background objek (master image) secara jelas. Dalam menunjang sistem ini dibutuhkan Raspberry Pi sebagai minicomputer untuk pengolahan dan pengendalian sistem yang akan dibangun. Raspberry Pi membangun aplikasi/program menggunakan bahasa pemograman Python. Hasil dari penelitian ini diharapkan sistem dapat mendeteksi objek yang nantinya akan digunakan untuk menggantikan peran manusia dalam melakukan pengecekan serta setting parameter sistem secara manual, mengurangi potensi kesalahan setting sehingga dapat meningkatkan kualitas dan mengurangi ketidaksesuaian model karena kesalahan di dalam suatu proses.
33
Ahmad Azzam Alhanafi and Arrie Kurniawardhani. "Deteksi Objek untuk Produk Retail dengan TensorFlow 2." JITSI : Jurnal Ilmiah Teknologi Sistem Informasi 5, no. 4 (2024): 144–52. https://doi.org/10.62527/jitsi.5.4.298.
Full textAbstract:
Ketersediaan barang di rak (on-shelf availability) merupakan aspek penting dalam industri retail yang berdampak langsung pada kepuasan konsumen dan penjualan. Teknologi deteksi objek berbasis Kecerdasan Buatan dapat meningkatkan efisiensi dalam memantau ketersediaan produk. Penelitian ini mengkaji penerapan TensorFlow 2 untuk deteksi objek produk retail di rak, menggunakan arsitektur SSD MobileNetV2 FPNLite. Tiga variasi model dikembangkan berdasarkan ukuran input gambar, yaitu 320x320, 640x640, dan 1024x1024. Model dilatih menggunakan metode transfer learning dengan dataset yang berisi 128 kelas produk retail. Hasil evaluasi menunjukkan bahwa model dengan ukuran gambar 640x640 memberikan performa terbaik dalam hal trade-off antara presisi dan kecepatan, dengan mAP sebesar 0.72049 dan waktu inferensi 0.283 detik. Model 320x320 memiliki waktu inferensi tercepat sebesar 0.073 detik, menjadikannya cocok untuk aplikasi real-time. Penelitian ini menawarkan solusi untuk meningkatkan pengelolaan stok produk retail dengan deteksi objek otomatis, guna mengurangi risiko out-of-stock.
34
Setiawan, Pami Ruli, and Sri Ratna Sulistiyanti. "Deteksi Pelanggaran Zebra Cross Pada Traffic Light Menggunakan Metode Adaptif Background Subtraction." Electrician 12, no. 3 (2018): 104. http://dx.doi.org/10.23960/elc.v12n3.2083.
Full textAbstract:
Abstrak. Pelanggaran zebra cross sering terjadi di Indonesia. Salah satu jenis pelanggaran zebra cross yang sering mengakibatkan kecelakaan lalu lintas adalah pengendara melanggar atau menerobos Traffic Light saat lampu merah menyala. Untuk mengatasi masalah pelanggaran tersebut ialah dengan sebuah sistem pendeteksi pelanggaran zebra cross. Pada penelitian ini dibuat sistem deteksi zebra cross dengan menggunakan metode adaptive Background Subtraction menggunakan Raspberry Pi 3. Metode adaptive Background Subtraction digunakan untuk memproses citra berisi objek yang ditangkap pada traffic light menggunakan kamera, citra yang diperoleh dapat menangkap objek yang melanggar garis line deteksi. Kemudian hasil objek yang ditangkap saat melanggar akan diberikan peringatan berupa buzzer. Hasil pengujian menunjukan bahwa model deteksi pelanggaran zebra cross berhasil mengklasifikasikan objek yang melanggar, mampu memberikan peringatan objek yang melangggar melalui buzzer secara otomatis.Kata Kunci: Pelanggaran, Adaptif Background Substraction, Traffic Light, Raspberry Pi 3.
35
Effendi, T. Rahmad, Tesa Asmita, Mirna Adelia, and Nurul Fadillah. "Sistem Deteksi Kualitas Gula Aren Berbasis Warna Menggunakan Algoritma Fuzzy C-Means Clustering." Jurnal Telekomunikasi dan Komputer 10, no. 2 (2020): 57. http://dx.doi.org/10.22441/incomtech.v10i2.8214.
Full textAbstract:
Kemajuan teknologi informasi dan komunikasi sekarang ini memungkinkan untuk mengembangkaan deteksi dan pengenalan objek pada citra. Melalui bentuk, warna dan tekstur objek yang setiap objek memiliki perbedaan, pengenalan tersebut dapat terjadi. Sebagai contoh, warna buah cokelat muda dengan buah cokelat tua, bentuk angka 0 dan angka 1, dan tekstur cangkang kulit telur dengan kulit pepaya juga berbeda. Namun, bukan sebuah hal yang mudah untuk mendeteksi dan menentukan kualitas sebuah objek berdasarkan berbagai pertimbangan tertentu. Penelitian ini menggunakan salah satu algoritma, yaitu Fuzzy C-Means Clustering (FCM) untuk sistem deteksi kualitas berbasis warna untuk objek gula aren. Parameter yang digunakan dalam mendeteksi penentuan warna gula aren dengan membagi cluster gula aren menjadi dua, yaitu gula aren yang bagus dan tidak bagus. Dari hasil penelitian yang dilakukan, dapat dikatakan bahwa proses deteksi dan clustering berjalan secara baik dan memiliki akurasi yang tinggi.
36
Mujahidin, Syamsul, Muhammad Insan Kamil, and Riska Kurniyanto Abdullah. "Pengembangan Deteksi Objek Dalam Rumah Bagi Tunanetra Berbasis Optimasi YOLOv8 Menggunakan Metode Ghost Module dan Attention Mechanism." JURNAL FASILKOM 14, no. 3 (2024): 646–53. https://doi.org/10.37859/jf.v14i3.8179.
Full textAbstract:
Penyandang tunanetra sering menghadapi kesulitan dalam mobilitas sehari-hari karena keterbatasan alat bantu yang tersedia saat ini. Meskipun tongkat khusus dapat membantu dalam berjalan, namun masih sulit bagi mereka untuk mendeteksi objek secara real-time. Kemajuan dalam pengenalan objek berbasis citra, terutama dengan penggunaan machine learning, menawarkan solusi yang menjanjikan. Untuk mewujudkan sistem pendeteksi objek yang efektif, diperlukan menjalankan deteksi objek pada perangkat kecil seperti Raspberry Pi 4. Perangkat tersebut ringan dan kompatibel untuk kebutuhan mobilitas tinggi sehingga memberikan kenyamanan bagi penyandang tunanetra ketika melakukan aktivitas sehari-hari. Namun, keterbatasan kemampuan komputasi Raspberry Pi 4 menjadi tantangan, mengingat deteksi objek membutuhkan daya komputasi besar. Penelitian terbaru menunjukkan bahwa meskipun telah dilakukan optimasi pada model deteksi objek seperti YOLOv8, namun beban komputasinya masih cukup besar untuk diimplementasikan pada Raspberry Pi 4. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model YOLOv8 versi nano dengan beban komputasi yang lebih ringan. Metode yang diusulkan melibatkan penggunaan ghost module, downsampling, dan attention mechanism. Hasil penelitian menunjukkan bahwa penggunaan ghost module dan downsampling efektif mengurangi GFLOPS model YOLOv8n dari 8.09 GFLOPS menjadi 1.77 GFLOPS, menurunkan waktu inference model hingga 57,6%, dari 401,56 ms menjadi 170,33 ms pada perangkat keras Raspberry Pi 4, tanpa mengorbankan performa deteksi. Selain itu, integrasi attention mechanism melalui attention max pooling meningkatkan akurasi model dengan peningkatan mAP sebesar 1,3% dibandingkan max pooling standar. Model ini berhasil memberikan deteksi yang lebih akurat dan efisien, menjadikannya solusi yang potensial dalam membangun sistem benam untuk membantu penyandang tunanetra dalam mendeteksi objek secara real-time.
37
Lionnie, Regina, and Mudrik Alaydrus. "Studi Proses Deteksi Objek dalam Analisis Biometrik." Jurnal Telekomunikasi dan Komputer 9, no. 1 (2019): 33. http://dx.doi.org/10.22441/incomtech.v9i1.5962.
Full textAbstract:
Penelitian pola rambut androgenik pada penelitian ini dilakukan dengan menggunakan metode watershed segmentation berbasis gradien sobel dengan alasan pola rambut androgenik yang diteliti lebih menyerupai pola acak seperti pola pohon dan pertanian serta pola peta jaringan komunikasi dibandingkan dengan pola biometrik pada umumnya seperti pola wajah maupun pola sidik jari. Selain itu untuk mengatasi problem oversegmentation, dilakukan penapisan lolos bawah sebelum proses transformasi watershed menggunakan tapis linear jenis Gaussian dan tapis non linear jenis median. Hasil penelitian menunjukkan dengan menggunakan tapis lolos bawah, hasil deteksi terlihat lebih baik dibandingkan tidak menggunakan tapis. Tapis Gaussian memberikan hasil yang lebih baik dibandingkan tapis median dalam mendeteksi objek rambut androgenik.
38
Herdianto, Herdianto, Hafni Hafni, Darmeli Nasution, and Syahrul Ramadhan. "Implementasi Metode Yolo pada Deteksi Objek Manusia." METHOMIKA Jurnal Manajemen Informatika dan Komputerisasi Akuntansi 8, no. 2 (2024): 234–40. http://dx.doi.org/10.46880/jmika.vol8no2.pp234-240.
Full textAbstract:
Until now, the problem of theft of motorbikes and livestock in North Sumatra is still quite high. Locations for motorbike theft can occur in many places such as schools, homes, parking lots, offices and so on, while for livestock it can occur on pastures and in pens during the day or night and the perpetrators are men. To make this theft a success, various modes are used in varying human positions, from sitting, squatting to standing. To help overcome this, several object detection methods have been developed such as Background Subtraction, Template Matching, Histogram Oriented Gradient (HOG), Deformable Part-based Model (DPM) and Viola Jones (VJ). Of the many methods that have been used, there are still shortcomings, namely in terms of time, accuracy and various human positions. For this reason, research was carried out with the aim of improving the time and level of accuracy in detecting human objects using the YOLO method. The research stages carried out in this research include literature study, collecting data, determining training and test data, creating programs, training, and testing. From the trials carried out, it is known that YOLO can detect humans in various positions with a mAP value of 0.99 and an average detection time of 810.01 ms.
39
Kevin Pratama, Novandi. "DETEKSI LAMPU LALU LINTAS DAN ZEBRA CROSS MENGGUNAKAN MOBILENETV2 SINGLE SHOT DETECTOR." Jurnal Informatika Kaputama (JIK) 7, no. 2 (2023): 225–32. http://dx.doi.org/10.59697/jik.v7i2.140.
Full textAbstract:
Penglihatan normal memungkinkan melaksanakan aktivitas sehari-hari seperti menyeberang jalan dengan mudah, tetapi individu dengan gangguan penglihatan, seperti kebutaan parsial, menghadapi kesulitan dalam hal tersebut. Deteksi objek lampu lalu lintas dan zebra cross dapat dilakukan dengan model pembelajaran mesin. Tujuan penelitian ini adalah mengembangkan model deteksi lampu lalu lintas dan zebra cross yang akurat dan efisien menggunakan ponsel sebagai platform deteksi. Metode yang digunakan adalah MobileNet V2 Single Shot Detector. Evaluasi model dilakukan dengan metrik mAP dan loss, dengan nilai total loss sebesar 11%. Untuk meningkatkan efisiensi model pada penggunaan ponsel, dilakukan proses kuantisasi. Setelah kuantisasi, model mengalami penurunan sedikit pada mAP dari 92% menjadi 91% pada ambang batas IoU 0.5. Selain itu, model juga mengalami penurunan ukuran yang signifikan. Hasil penelitian ini menunjukkan bahwa model deteksi lampu lalu lintas dan zebra cross menggunakan metode MobileNet V2 Single Shot Detector mampu secara akurat dan efisien mendeteksi objek-objek tersebut dengan menggunakan ponsel sebagai platform deteksi.
40
Harahap, Mawaddah. "Deteksi objek manusia pada image dengan metode Thinning nerdasarkan local maxima." JATISI (Jurnal Teknik Informatika dan Sistem Informasi) 7, no. 3 (2020): 617–27. http://dx.doi.org/10.35957/jatisi.v7i3.370.
Full textAbstract:
Tujuan dari deteksi objek manusia adalah untuk mengidentifikasi objek manusia dalam image. Adanya perubahan objek manusia yang dipengaruhi oleh faktor-faktor internal seperti ekspresi wajah, bentuk tubuh, warna kulit, dan pergerakan badan serta dipengaruhi oleh faktor eksternal seperti kondisi pencahayaan, latar belakang yang bervariasi dan sudut pengambilan image. Mendeteksi objek manusia terhadap beberapa kondisi seperti didapatkan pada image yang berisi lebih dari satu objek, dan ukuran objek yang bervariasi didalam image. Penelitian ini bertujuan untuk menganalisis dan merancang aplikaasi untuk mendeteksi objek manusia yang ada dalam image. Algoritma thinning digunakan untuk pengenalan pola objek manusia dari satu image untuk gambar yang lain agar menyamakan objek piksel untuk pendeteksian yang maksimal. Local maxima digunakan sebagai fungsi untuk memaksimumkan pencarian piksel pada objek dalam image untuk mempermudah dan mempercepat deteksi image.
41
Gelar Guntara, Rangga. "Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning YOLOv7." Jurnal Teknologi Dan Sistem Informasi Bisnis 5, no. 1 (2023): 55–60. http://dx.doi.org/10.47233/jteksis.v5i1.750.
Full textAbstract:
Deteksi masker wajah berdasarkan metode deteksi objek Deep Learning memainkan peran penting dalam perang melawan COVID-19, yang mencapai hasil yang baik dengan akurasi yang tinggi. Dari tinjauan komprehensif teknik deteksi masker wajah [2], ada beberapa algoritma berbasis deep learning, yakni You Only Look Once (YOLO) [3], Single Shot Detector (SSD) [4], RetinaFace [5], and (Faster Recurrent Convolutional Neural Network) Faster R-CNN [6]. Studi sebelumnya berfokus pada akurasi deteksi masker wajah menggunakan model deteksi dua tahap (yaitu, Faster R-CNN), sementara detektor satu tahap (yaitu, YOLO) tercapai waktu inferensi yang cepat tetapi akurasi lebih rendah. Hasil training pada penelitian ini menunjukkan nilai Precision konsisten berada pada angka 0,4 – 0,8. Sedangkan nilai Recall maksimum pada angka 0,6. Untuk penelitian kedepannya akan berfokus pada pemanfaatan YOLOv7 untuk deteksi objek lainnya.
42
Bintang raihan, Alvin aditya. "PENGEMBANGAN SISTEM RADAR PENDETEKSI OBJEK BERBASIS ARDUINO UNO: A REVIEW." Journal Of Power electric And Renewable Energy 2, no. 2 (2025): 10–14. https://doi.org/10.59811/b5h05w40.
Full textAbstract:
Penelitian ini bertujuan untuk merancang sistem radar berbasis mikrokontroler yang mampu mendeteksi dan memonitoring objek secara otomatis dengan biaya yang lebih terjangkau dibandingkan radar konvensional. Sistem menggunakan mikrokontroler Arduino Uno, sensor ultrasonik, dan ESP32-CAM untuk deteksi objek, dengan metode Pulse Width Modulation (PWM) untuk mengatur intensitas perangkat output berdasarkan jarak objek yang terdeteksi. Hasil menunjukkan bahwa sistem dapat mendeteksi objek dalam rentang jarak 2–100 cm dengan tingkat akurasi tinggi dan tingkat kesalahan minimal. Sistem ini juga dilengkapi antarmuka grafis (GUI) untuk menampilkan data hasil deteksi, seperti jarak, ketinggian, dan visualisasi garis sudut pandang. ESP32-CAM digunakan untuk streaming video real-time, memungkinkan pemantauan pergerakan objek secara dinamis hingga 180°. Kesimpulan menunjukkan bahwa sistem radar berbasis mikrokontroler ini bekerja dengan baik, memberikan solusi efisien untuk aplikasi pengawasan dan keamanan. Kelemahan seperti delay pada sensor ultrasonik dan deteksi objek non-spesifik dapat diatasi dengan algoritma pemrosesan sinyal yang lebih canggih dan integrasi sensor tambahan. Sistem ini memberikan alternatif radar yang fleksibel dan hemat biaya untuk berbagai kebutuhan di masa depan.
43
Susena, I. Gede Ardika, Ni Luh Putu Sri Utami, I. Made Agus Oka Gunawan, and Gede Indrawan. "Deteksi Gerak Dan Alarm Pemberitahuan Untuk Keamanan Laboratorium INSTIKI Menggunakan Metode Background Substraction." Jurnal RESISTOR (Rekayasa Sistem Komputer) 6, no. 2 (2023): 76–82. http://dx.doi.org/10.31598/jurnalresistor.v6i2.1462.
Full textAbstract:
Laboratorium memiliki kepentingan besar karena menyimpan barang berharga yang sangat penting untuk mendukung praktikum bagi mahasiswa. Sistem pengawasan secara konsisten didorong oleh kebutuhan untuk memantau dan merekam semua aktivitas di dalam fasilitas, dengan tujuan untuk segera menangani keadaan darurat apapun. Penelitian ini mengimplementasikan sistem pengawasan yang menggunakan kamera webcam untuk deteksi gerakan dan alarm peringatan sebagai metode alternatif untuk meningkatkan langkah-langkah keamanan. Sistem deteksi gerakan ini dikembangkan menggunakan bahasa pemrograman Python dan perpustakaan OpenCV untuk pengolahan citra. Metode yang digunakan melibatkan substraksi latar belakang, sebuah proses yang dirancang untuk mengidentifikasi perbedaan signifikan dan memisahkan objek dari latar belakang, memungkinkan deteksi gerakan objek. Hasil uji menunjukkan bahwa sistem dapat berhasil mengidentifikasi keberadaan objek bergerak dengan tingkat keberhasilan rata-rata sebesar 90%, terutama di bawah kondisi cahaya terang, dan ketika objek berada dalam jarak maksimum 5 meter di depan kamera.
44
Ginting, Rajali, Raditiana Patmasari, and Suci Aulia. "Sistem Orientasi Objek Dengan Metode Stereo Vision Berbasis Raspberry Pi." IT JOURNAL RESEARCH AND DEVELOPMENT 4, no. 1 (2019): 72–85. http://dx.doi.org/10.25299/itjrd.2019.vol4(1).3562.
Full textAbstract:
Pengukuran estimasi jarak sebuah objek dapat dilakukan dengan berbagai cara, antara lain dengan memanfaatkan sensor pengukur jarak seperti sensor ultrasonik, sensor infra merah dan laser. Tetapi cara tersebut memiliki kekurangan seperti memiliki batasan-batasan karakteristik bahan yang digunakan dan memiliki kesulitan tersendiri jika dikaitkan dengan orientasi dimana objek tersebut berada. Berdasarkan kelebihan tersebut maka pada penelitian ini akan dirancang suatu sistem pengukuran orientasi objek menggunakan metode Stereo vision yang berbasis Raspberry pi. Sistem orientasi objek ini mengacu pada estimasi jarak dan dimensi objek. Metode Stereo vision melakukan pengukuran jarak dan dimensi secara visual dengan menggunakan dua buah kamera webcam. Akusisi citra dilakukan dalam interval waktu yang bersamaan, sehingga akan terdapat dua citra yang memiliki objek yang sama tetapi dari sudut pandang yang berbeda. Kedua citra akan digunakan untuk menghitung nilai disparitas yang akan digunakan sebagai salah satu parameter dalam melakukan pengukuran jarak. Menghitung nilai disparitas citra dilakukan menggunakan beberapa metode image processing yaitu menggunakan deteksi tepi Canny edge, deteksi garis Hough line transform dan deteksi sudut Harris corner. Penelitian ini dapat digunakan sebagai alat pengukuran jarak dan dimensi objek yang bergerak secara real time dengan tingkat akurasi diatas 95% dengan tingkat presisi 100%.
45
Winata Sakti, Widhi, Muhammad Zainal Roisul Amin, Charis Fathul Hadi, Muhamad Khoirul Anam, and Siti Tsaniyatul Miratis Sulthoniyah. "Pengembangan Sistem Deteksi Otomatis FOD dengan YOLOv5 di Lingkungan Landasan Bandara." SKYHAWK : Jurnal Aviasi Indonesia 3, no. 2 (2023): 286–96. http://dx.doi.org/10.52074/skyhawk.v3i2.192.
Full textAbstract:
FOD (Foreign Object Debris) merupakan aspek kritis dalam operasi penerbangan di landasan bandara. FOD merujuk pada segala jenis benda asing yang dapat ditemukan di landasan pacu, taxiway, dan area di sekitar bandara. Seiring berjalannya waktu, teknologi deteksi FOD terus ditingkatkan untuk memastikan keselamatan dan keamanan penerbangan yang lebih baik. Salah satu komponen utama dari sistem deteksi FOD yang canggih adalah kamera visual yang dapat mendeteksi benda-benda asing pada landasan pacu dengan tingkat akurasi yang tinggi sehingga memungkinkan tindakan pencegahan yang tepat waktu. Metode pendeteksian objek asing di landasan bandara menggunakan YOLOv5 (You Only Look Once version 5) adalah pendekatan yang menggabungkan kecerdasan buatan (AI) dengan teknologi visualisasi komputer untuk mendeteksi objek. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan model deteksi FOD menggunakan YoloV5 dalam upaya meningkatkan keamanan di landasan bandara. Pengumpulan data dilakukan dengan menggunakan action camera untuk menangkap berbagai objek yang dapat ditemukan di landasan bandara. Kemudian, melatih model YoloV5 menggunakan data yang didapatkan untuk mengidentifikasi dan melacak objek-objek tersebut secara otomatis. Hasil penelitian menunjukkan bahwa YoloV5 memiliki tingkat akurasi yang tinggi sebesar 70% dalam mendeteksi objek-objek di landasan bandara tanpa terpengaruh oleh berbagai kondisi pencahayaan dan cuaca.
46
Pratama, Aditya, Charley Orilya Grasselly Alfa Delfiny Hartoyo Uray, and Mille Joss. "Implementasi Deteksi Tepi menggunakan Metode Quadrant Tree Classifier pada Pemisahan Objek Berbasis Digital Image Processing (Studi Kasus Objek Bendera Negara)." Journal of Information Technology 2, no. 2 (2022): 28–36. http://dx.doi.org/10.46229/jifotech.v2i2.519.
Full textAbstract:
Deteksi tepi adalah segmentasi input citra yang bertujuan untuk menentukan tepi dengan menandai bagian detail dari suatu citra. Dari beberapa penelitian sebelumnya belum menunjukkan hasil deteksi untuk dapat memisahkan objek dari pusat citra masukan citra itu sendiri.
 Tujuan dari penelitian ini adalah melakukan fungsi deteksi tepi dengan membagi menjadi node menggunakan konsep metode Quadran Tree Classifier untuk diterapkan pada studi kasus objek citra berwarna menggunakan bendera negara. Beberapa gambar masukan memiliki tingkat kerumitan dan piksel yang berbeda, antara lain bendera Korea, bendera Wales, dan bendera Indonesia yang berkibar.
 Metode yang digunakan adalah adopsi struktur data pohon, dimana masing-masing memiliki 4 node dengan jumlah child node yang sama. Jika node memiliki anak, jumlah node harus 4, secara rekursif melakukan loop. Konsep kerja dari metode split and merge segmentation ini. Hasil segmentasi objek digabungkan sesuai dengan homogenitas warna, terutama yang memiliki kerancuan.
 Penelitian ini menunjukkan bahwa mampu mengamati pemindaian piksel pada citra bendera Korea dan bendera Indonesia yang berkibar, namun level piksel 520 x 347 seperti bendera Wales, metode ini tidak dapat memisahkan antara objek garis yang tidak senggol. Resolusi piksel berpengaruh terhadap total waktu eksekusi segmentasi (menit/detik), total segmentasi yang teridentifikasi dan total warna.
47
BAGUS ADHI WICAKSONO, Intan Yuniar Purbasari, and Yisti Vita Via. "Deteksi Objek Mobil dan Motor pada Lalu Lintas Berbasis Deep Learning." Jurnal Informatika dan Sistem Informasi 2, no. 2 (2021): 334–42. http://dx.doi.org/10.33005/jifosi.v2i2.284.
Full textAbstract:
Wilayah pemerintah atau kota yang memiliki aturan masing - masing untuk membina penduduknya, terutama dalam hal berkendara atau beraktifitas di jalan raya. Pemerintah harus siaga kondisi atau keadaan di suatu wilayah tertentu dalam aturan yang diberlakukan oleh anggota. Oleh karena itu, diperlukan sistem yang dapat digunakan untuk membantu membantu dan melihat kondisi atau keadaan wilayah tertentu. Hal tersebut dapat dilakukan dengan memanfaatkan salah satu bidang pada computer vision dan Artificial Intellegence yaitu Deteksi Objek . Penelitian ini dilakukan untuk menerapkan sistem deteksi objek pada kendaraan mobil dan motor dengan menggunakan Algoritma Convolutional Neural Network (CNN) padaYou Only Look Once (Yolov3) menggunakan jaringan syaraf konvolusional untuk melakukan deteksi pada objek. Drone berfungsi sebagai alat bantu untuk mengambil citra pada suatu wilayah, yang selanjutnya di proses menggunakan algoritma Convolutional Neural Network (CNN) pada komputer. Hasil penelitian menunjukkan bahwa pemanfaatan Convolutional Neural Network (CNN) pada You Only Look Once (YOLOv3) untuk mendeteksi kendaraan dengan cukup baik. Hasil penguji menggunakan 50 citra yang dibagi menjadi 2 berdasarkan lokasi penguji pada masing - masing ambang batas menghasilkan nilai rata - rata presisi sebesar 0,945, nilai recall sebesar 0,95, dan f1-scoresebesar 0,95, serta nilai mean Average Precicison (mAP) sebesar 97,315%.
 Kata Kunci : Deteksi Objek, Convolutional Neural Network (CNN), You Only Look Once (YOLO)
48
Pusparina A, Rianda, and Reni Rahmadewi. "DETEKSI OBJEK BERBASIS YOLOV8 UNTUK MENDUKUNG KESELAMATAN KERJA DI LOKASI KONSTRUKSI." JATI (Jurnal Mahasiswa Teknik Informatika) 9, no. 2 (2025): 3188–95. https://doi.org/10.36040/jati.v9i2.13257.
Full textAbstract:
Industri konstruksi memiliki risiko tinggi terhadap kecelakaan akibat kurangnya pengawasan dan kepatuhan terhadap prosedur keselamatan. Pekerja sering mengabaikan penggunaan alat pelindung diri (APD), sementara pengelolaan mesin berat yang tidak tepat meningkatkan potensi bahaya. Teknologi deteksi objek menjadi solusi inovatif untuk meningkatkan pengawasan di lingkungan kerja. Penelitian ini mengembangkan model YOLOv8 untuk mendeteksi dua kategori utama, yaitu APD dan mesin konstruksi, guna meningkatkan keselamatan di lokasi kerja. Berdasarkan data uji, model mencapai akurasi deteksi sebesar 0.85 untuk kelas keselamatan dan 0.87 untuk kelas mesin konstruksi. Percobaan deteksi berulang menunjukkan konsistensi yang baik dalam mengenali objek, meskipun terdapat sedikit variasi nilai confidence. Hasil ini membuktikan bahwa YOLOv8 mampu mendeteksi objek secara akurat dan stabil, sehingga dapat membantu dalam pemantauan kepatuhan terhadap prosedur keselamatan serta pengelolaan risiko penggunaan mesin berat. Implementasi sistem ini diharapkan dapat meningkatkan standar keselamatan kerja dan efisiensi operasional di industri konstruksi.
49
Derisma, Derisma. "Perbandingan Kinerja Metode Deteksi Tepi Pada Pengenalan Objek Menggunakan Open CV." Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer 11, no. 2 (2016): 17. http://dx.doi.org/10.30872/jim.v11i2.209.
Full textAbstract:
Deteksi tepi secara luas digunakan dalam pengolahancitra untuk menemukan batas-batas obyek dalam gambar. Dalam makalah ini akan dipelajari teknik deteksi tepi yang paling umum digunakan yaitu metode Sobel, Canny, Laplace dibawah kondisi yang berbeda dengan menggunakan perangkat lunak Visual Studio dan Library OpenCV dan Fltk. Dari percobaan dan pengujian yang dilakukan, maka dapatlah disimpulkan bahwa kecepatan konversi suatu objek dipengaruhi oleh variasi gambar, resolusi gambar, format gambar, spesifikasi kamera, dan spesifikasi laptop yang digunakan. Secara keseluruhan untuk pendektesian tepi lebih efektif menggunakan metode Canny karena output lebih detail dan jelas serta waktu eksekusi paling cepat.
50
Jatmoko, Cahaya, De Rosal Ignatius Moses Setiadi, Danu Hartanto, et al. "UJI IMPLEMENTASI ALGORITMA VIOLA-JONES DALAM PENGENALAN WAJAH." Dinamik 25, no. 2 (2020): 68–76. http://dx.doi.org/10.35315/dinamik.v25i2.8071.
Full textAbstract:
Salah satu algoritma yang sering digunakan untuk melakukan deteksi pada wajah yaitu Viola-Jones. Metode ini merupakan gabungan dari 3 buah fitur yaitu integral image, adaboost dan cascade classifier. Masing-masing fitur mempunyai fungsi tersendiri dan saling melengkapi. Integral image digunakan dalam penentuan ada dan tidaknya gambar, adaboost untuk memilih dan mengatur nilai threshold, sedangkan cascade classifier untuk mengklasifikasi daerah yang akan di deteksi. Untuk memudahkan deteksi, terurtama pada bagian mata maka digunakan Haar like feature. Proses pengenalan wajah telah dilakukan pada gambar dengan satu objek dan beberapa objek. Hasil impelemntasi juga dapat mengenali objek foto lukisan dan foto tampak samping. Dari seluruh percobaan di dapatkan nilai rata-rata sebesar 65% dengan sebaran nilai akurasi tertinggi 70%, sensitivitas 55% dan spesifitas 71%.