Garuda - Garba Rujukan Digital

PREDICT URBAN AIR POLLUTION IN SURABAYA USING RECURRENT NEURAL NETWORK – LONG SHORT TERM MEMORY Faishol, Muh. Anas; Endroyono, Endroyono; Irfansyah, Astria Nur
JUTI: Jurnal Ilmiah Teknologi Informasi Vol. 18, No. 2, July 2020
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v18i2.a988

Air is one of the primary needs of living things. If the condition of air is polluted, then the lives of humans and other living things will be disrupted. So it is needed to perform special handling to maintain air quality. One way to facilitate the prevention of air pollution is to make air pollutionforecasting by utilizing past data. Through the Environmental Office, the Surabaya City Government has monitored air quality in Surabaya every 30 minutes for various air quality parameters including CO, NO, NO2, NOx, PM10, SO2 and meteorological data such as wind direction, wind direction, wind speed, wind speed, global radiation, humidity, and air temperature. These data are very useful to build a prediction model for the forecast of air pollution in the future. With the large amount and variance of data generated from monitoring air quality in Surabaya city, a qualified algorithm is needed to process it. One algorithm that can be used is Recurrent Neural Network - Long Short Term Memory (RNN-LSTM). RNN-LSTM is built for sequential data processing such as time-series data. In this study, several analyses are performed. There are trend analysis, correlation analysis of pollutant values to meteorological data, and predictions of carbon monoxide pollutants using the Recurrent Neural Network - LSTM in the city of Surabaya correlated with meteorological data. The results of this study indicate that the best prediction model using RNN-LSTM with RMSE calculation gets an error of 1,880 with the number of hidden layer 2 and epoch 50 scenarios. The predicted results built can be used as a reference in determining the policy of the city government to deal with air pollution going forward.

Inclined Image Recognition for Aerial Mapping using Deep Learning and Tree based Models Muhammad Attamimi; Ronny Mardiyanto; Astria Nur Irfansyah
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 16, No 6: December 2018
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v16i6.10157

One of the important capabilities of an unmanned aerial vehicle (UAV) is aerial mapping. Aerial mapping is an image registration problem, i.e., the problem of transforming different sets of images into one coordinate system. In image registration, the quality of the output is strongly influenced by the quality of input (i.e., images captured by the UAV). Therefore, selecting the quality of input images becomes important and one of the challenging task in aerial mapping because the ground truth in the mapping process is not given before the UAV flies. Typically, UAV takes images in sequence irrespective of its flight orientation and roll angle. These may result in the acquisition of bad quality images, possibly compromising the quality of mapping results, and increasing the computational cost of a registration process. To address these issues, we need a recognition system that is able to recognize images that are not suitable for the registration process. In this paper, we define these unsuitable images as “inclined images,” i.e., images captured by UAV that are not perpendicular to the ground. Although we can calculate the inclination angle using a gyroscope attached to the UAV, our interest here is to recognize these inclined images without the use of additional sensors in order to mimic how humans perform this task visually. To realize that, we utilize a deep learning method with the combination of tree-based models to build an inclined image recognition system. We have validated the proposed system with the images captured by the UAV. We collected 192 images and labelled them with two different levels of classes (i.e., coarse- and fine-classification). We compared this with several models and the results showed that our proposed system yielded an improvement of accuracy rate up to 3%.

Sistem Otomatis Pendeteksi Wajah Bermasker Menggunakan Deep Learning Mufid Naufal Baay; Astria Nur Irfansyah; Muhammad Attamimi
Jurnal Teknik ITS Vol 10, No 1 (2021)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v10i1.59790

COVID-19 merupakan virus yang telah dinyatakan sebagai pandemi oleh WHO, dan di indonesia sendiri menetapkan COVID-19 sebagai bencana nasional melalui Keputusan Presiden Nomor 12 Tahun 2020. Sumber utama transmisi dari virus ini berasal dari percikan pernapasan atau droplet yang salah satu pencegahan penyebarannya adalah dengan penggunaan masker. Saat ini, pemerintah sedang memberlakukan new normal. Walaupun beraktivitas di lingkungan luar, protokol kesehatan wajib diikuti dan seluruh masyarakat harus disiplin dalam menjalaninya. Pada studi ini dirancang sebuah sistem otomatis pendeteksi wajah bermasker menggunakan deep learning dalam menjalankan fungsinya. Sistem yang dirancang menggabungkan model deep learning, detektor wajah, dan program tracking dan counting menjadi sebuah sebuah sistem otomatis yang dibantu oleh Graphic User Interface (GUI) serta sebuah perangkat alarm dan platform Internet of Things dalam pemakaiannya. Berdasarkan hasil pengujian yang dilakukan mengikuti batasan masalah yang telah dirumuskan, model memiliki tingkat akurasi klasifikasi pada dataset test sebesar 99%. Implementasi pada Raspberry Pi 4 menunjukkan sistem berbasis model deep learning yang telah dibuat sukses melakukan deteksi, tracking dan counting yang datanya dikirimkan kepada alarm yang dirancang dan sebuah platform IoT, Ubidots. Performa deteksi maksimal dicapai saat objek deteksi bergerak 0,7 m/s, pencahayaan ≥ 100 lux, dan penggunaan modul TensorFlow Lite pada sistem dengan akurasi sebesar 85,7%. Hasil perbandingan dengan metode deteksi lain menunjukkan karakterisasi model deep learning memiliki akurasi deteksi sebesar 82%, lebih tinggi dari metode Haar Classifier dengan akurasi 53%

Kontrol Himpunan Panel Surya dengan Penyesuaian Diri Otomatis Menggunakan Aktuator dengan Dua Derajat Kebebasan Trulien Jeremiah Elmer; Astria Nur Irfansyah; Muhammad Attamimi
Jurnal Teknik ITS Vol 10, No 2 (2021)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v10i2.67445

Untuk mendapatkan energi listrik dari sinar matahari, kita menggunakan panel surya sebagai alat untuk mengubah energi dari sinar matahari menjadi arus listrik yang dapat mencatu alat-alat elektronika yang kita gunakan sehari-hari. Agar kita dapat membuat suatu sistem yang efisien, kita dapat menggunakan berbagai metode untuk dapat meningkatkan energi yang dapat diserap oleh seluruh sistem. Salah satu metode yang dapat digunakan adalah menggunakan pelacak arah sinar matahari agar sistem dapat mengarahkan panel surya ke arah sinar matahari supaya panel surya dapat terus terpapar dalam kurun waktu yang lebih lama. Ada beberapa metode umum untuk melacak sinar matahari, dua diantaranya adalah dengan mengalkulasikan arah matahari berdasarkan posisi geografis dan waktu setempat dan melacak sinar matahari berdasarkan arah pancaran sinar matahari. Untuk menggerakkan sinar mataharinya sendiri, kita memerlukan aktuator. Tergantung sistemnya, jumlah aktuator yang digunakan akan menentukan energi yang dikeluarkan oleh sistem yang juga menentukan seberapa efisien kinerja dari sistem tersebut. Asumsi awal yang kita bisa dapat adalah semakin banyak aktuator yang digunakan maka semakin banyak energi yang dikeluarkan. Akan tetapi, penelitian ini akan menunjukkan bahwa asumsi tersebut hanya berlaku dalam situasi dimana beban kerja dari keseluruhan sistem memang dapat ditanggung oleh jumlah aktuator yang sedikit, bukan dalam keadaan dimana beban kerja dari aktuator ditumpangkan pada satu atau dua aktuator dalam sistem. Faktor ini lebih dipengaruhi oleh rancangan alat dan jenis aktuator yang digunakan ketimbang jumlah aktuator itu sendiri.

Unmanned Surface Vehicle Untuk Mencari Lokasi Tumpahan Minyak Menggunakan Ardupilot Mega Dedy Permana; Muhammad Rivai; Astria Nur Irfansyah
Jurnal Teknik ITS Vol 7, No 2 (2018)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Minyak adalah sumber energi yang sering digunakan dalam dunia industri. Akhir-akhir ini penggunaan minyak meningkat yang dapat menyebabkan meningkatnya polusi minyak di perairan akibat dari tumpahan minyak mentah. Meningkatnya polusi minyak ini menjadi perhatian yang cukup serius dibidang lingkungan hidup. Akibat adanya polusi minyak ini menyebabkan sektor pariwisata kelautan menjadi tidak optimal dan dapat mencemari lingkungan laut. Pada penelitian ini telah dibuat suatu alat untuk mendeteksi tumpahan minyak di perairan berupa Unmanned Surface Vehicle (USV) yang dapat menyisir area dengan waypoint tertentu untuk mendeteksi lokasi dari tumpahan minyak. USV ini dilengkapi dengan sensor berupa sensor resistif yang digunakan untuk mendeteksi adanya tumpahan minyak di perairan. Agar USV dapat berjalan secara autonomous, maka digunakan Global Positioning System (GPS) untuk mengetahui keberadaan USV dan lokasi tumpahan minyak. GPS yang digunakan adalah tipe ublox neo 6m. IMU sensor MPU6000 digunakan untuk mengetahui arah dan kecepatan dari USV. Untuk mikrokontroler yang digunakan adalah Ardupilot Mega karena memiliki fitur yang meliputi sensor barometer, akselerometer, gyrometer dan magnetometer. USV dapat mendeteksi lokasi tumpahan minyak dengan metode waypoint yang diberikan pada ardupilot mega dengan ketebalan minyak minimal 3mm dan maksimal 40mm. Jarak antara lokasi yang dikirim GPS dengan lokasi sesungguhnya bergeser sejauh 30cm. USV ini mampu mengirimkan data-data tersebut secara real time.

Sistem Autodocking Mobile Robot Berbasis Suara Untuk Pengisian Ulang Baterai Ari Hidayanto; Muhammad Rivai; Astria Nur Irfansyah
Jurnal Teknik ITS Vol 7, No 2 (2018)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Siklus kerja autonomous mobile robot dirancang penuh untuk mampu berjalan dan bekerja secara kontinyu dengan lintasan yang sudah ditentukan oleh waypoint Global Positioning System (GPS) tanpa ada campur tangan manusia. Salah satu sistem yang cukup penting pada mobile robot untuk masalah tersebut adalah sistem autodocking yang digunakan ketika baterai dalam level rendah atau akan habis supaya kembali ke power station untuk mengisi ulang baterai. Dalam proses menuju power station diperlukan keakuratan mobile robot agar posisi antara transmitter dengan receiver baterai berada pada jarak transfer Wireless Power Transmision (WPT). Penelitian ini mengimplementasikan mobile robot yang dirancang menggunakan Arduino Mega 2560 sebagai kontrol utama sistem, GPS Ublox Neo M8N, modul kompas HMC5883L, modul mikrofon kondenser, modul HC-SR04, motor driver L298N dengan 4 buah motor DC, dan LCD. Sedangkan untuk sumber suara menggunakan speaker Polytron Muze (PSP B1) dengan suara sonar yang memiliki rentang frekuensi 900 Hz hingga 1100 Hz. Modul mikrofon ditempatkan pada sisi kanan dan kiri mobile robot dengan metode mencari arah sumber suara pada WPT berdasarkan different level intensity. Hasil pengujian penelitian ini menunjukkan mobile robot yang dirancang memiliki kemampuan menuju titik waypoint dengan error jarak posisi mencapai 6 meter. Penggunaan corong pengarah pada sensor suara memiliki efektifitas sudut directivity 90° dan -90° membuat sensor suara menjadi lebih sensitif. Sedangkan mobile robot dapat mendeteksi suara dan menuju ke sumber suara dengan efektifitas jarak kurang dari 100 cm yang memiliki waktu tempuh kurang dari 60 detik.

Titrator Otomatis untuk Mengukur Kadar Kalsium Karbonat (CaCO3) pada Batu Kapur I Nyoman Rio Indrajaya; Astria Nur Irfansyah; Harris Pirngadi
Jurnal Teknik ITS Vol 10, No 2 (2021)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v10i2.67249

Kadar Kalsium Karbonat pada batu kapur dapat menjadi indikator dalam klasifikasi batu kapur yang nantinya akan diolah lagi dan digunakan dalam berbagai kebutuhan industri, pertanian, maupun kesehatan. Penentuan kadar kalsium karbonat dapat dilakukan melalui metode titrasi. Titrasi merupakan salah satu metode analisis kuantitatif untuk menentukan konsentrasi dari suatu zat yang ada dalam larutan yang mengacu pada proses pengukuran volume titran yang diperlukan untuk mencapai titik ekuivalen. Metode ini dinilai cukup akurat sehingga metode titrasi konvensional sering dipakai hingga saat ini. Namun demikian, ada kelemahan pada metode titrasi konvensional, yaitu hasilnya sangat tergantung dari analis sehingga faktor human error dapat menurunkan akurasi dari pengukuran serta kapasitas kerja yang terbatas. Sebagai alternatif, titrator otomatis (auto titrator) dikembangkan untuk mengatasi keterbatasan tersebut. Rancangan titrator otomatis menetukan hasil titrasi berdasarkan perubahan pH dan perubahan warna saat titik ekuivalen. Titran yang dialirkan oleh pompa peristaltik dikontrol oleh nilai pH larutan hingga sensor warna mendeteksi adanya perubahan warna larutan yang menandakan titik akhir titrasi. Berdasarkan hasil pengujian yang telah dilakukan, titrator otomatis ini dapat mengukur kadar Kalsium Karbonat pada batu kapur menggunakan metode titrasi dengan nilai error 4,2% untuk sampel dengan kadar 10,29%.

Object Extraction Using Probabilistic Maps of Color, Depth, and Near-Infrared Information Muhammad Attamimi; Kelvin Liusiani; Astria Nur Irfansyah; Hendra Kusuma; Djoko Purwanto
JAREE (Journal on Advanced Research in Electrical Engineering) Vol 4, No 1 (2020): April
Publisher : Department of Electrical Engineering ITS and FORTEI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j25796216.v4.i1.106

Object extraction is one of the important and chal-lenging tasks in the computer vision and/or robotics ? elds.This task is to extract the object from the scene using anypossible cues. The scenario discussed in this study was the objectextraction which considering the Space of Interest (SOI), i.e.,the three dimensional area where the object probably existed.To complete such task, the object extraction method based onthe probabilistic maps of multiple cues was proposed. Thanksto the Kinect V2 sensor, multiple cues such as color, depth, andnear-infrared information can be acquired simultaneously. TheSOI was modeled by a simple probabilistic model by consideringthe geometry of the possible objects and the reachability of thesystem acquired from depth information. To model the color andnear-infrared information, a Gaussian mixture models (GMM)was used. All of the models were combined to generate theprobabilistic maps that were used to extract the object fromthe scene. To validate the proposed object extraction, severalexperiments were conducted to investigate the best combinationof the cues used in this study.Keywords: color information, depth information, near-infrared information, object extraction, probabilistic maps.

Deteksi Objek Pada Mobil Otonom dengan Kamera Termal Infra Merah Mannarul Hidayah; Astria Nur I Irfansyah; Djoko Purwanto
Jurnal Teknik ITS Vol 11, No 3 (2022)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v11i3.94793

Mobil otonom adalah mobil yang beroperasi dengan aman dan efektif tanpa adanya kendali manusia. Mobil ini terdiri dari sistem yang dapat berinteraksi dengan lingkungan. Mobil otonom dilengkapi sensor untuk dapat mengetahui kondisi sekitar. Saat ini kamera termal telah banyak diterapkan pada mobil otonom karena kemampuan menerima gelombang cahaya inframerah. Penelitian ini bertujuan untuk mengembangkan riset kamera termal agar dapat diaplikasikan dan digunakan pada I-CAR ITS. Metode utama yang digunakan dengan penginderaan dan pemrosesan visual komputer. pengambilan data dilakukan saat siang dan malam hari untuk mendapatkan perbandingan data yang akan dideteksi dengan menggunakan metode MRCNN (Mask-Regional Based Convolutional Neural Network). Arsitektur yang digunakan adalah FPN dan RESNET 101. Penelitian ini dirancang untuk mendeteksi objek terdiri dari mobil, motor, sepeda, dan manusia. Perancangan perangkat keras penelitian ini diantaranya kamera termal Flir one, laptop, smartphone, dan ONT. Pada penelitian ini matahari dapat mempengaruhi kualitas gambar yang diakibatkan radiasi sinar matahari. Dari hasil evaluasi didapatkan nilai mAP 70.8%, presisi 84,8%,rasio ROI dari tiap kelas adalah 33%,dan rata-rata tingkat kepercayaan 90%. Jarak maksimum deteksi siang hari sampai dengan 10 meter dan 5 meter untuk pengujian malam hari. Sistem mendeteksi dengan kecepatan 4,5 fps, dari acuan tersebut mobil otonom(ICAR) direkomendasikan melaju maksimal adalah 16 km/jam.

Sistem Segmentasi Jalan dan Objek untuk Kendaraan Otonom Menggunakan Kamera RGB-D Aldy Helnawan; Muhammad Attamimi; Astria Nur Irfansyah
Jurnal Teknik ITS Vol 12, No 1 (2023)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v12i1.110848

Kendaraan roda empat yang memiliki kemampuan untuk melakukan perjalanan antar titik tanpa adanya operator manusia yang dimana menggunakan kombinasi antar sensor, kamera, radar, dan kecerdasan buatan (AI). Penggunaan kamera RGBDNIR (Red Green Blue Depth Near Infrared) dengan alat yaitu kamera Intel RealSense D435i yang dapat digunakan baik didalam ataupun diluar ruangan dimana sensor modul depth dan NIR dapat digunakan ketika keadaan kurang pencahayaan atau lingkungan redup. Dilakukannya penelitian ini dikarenakan untuk mencari solusi dari tingginya tingkat kecelakaan di jalan serta mencari solusi atas kelemahannya kamera RGB dalam penangkapan citra untuk yang dipadukan dengan penggunaan machine learning untuk pengambilan keputusan dalam menentukan kelas objek yang terdeteksi dan diproses untuk menghasilkan solusi dalam melakukan segmentasi di lingkungan terbuka (luar ruangan). Untuk perangkat lunak pemprograman yang akan digunakan yaitu Python serta pustaka yang akan digunakan antara lain PyTorch, OpenCV, dan TensorFlow dengan alat komputasi berupa laptop yang memiliki GPU Nvidia RTX 3060 atau sejenisnya. Hasil dari penelitian ini berupa gambar segmentasi dan pengenalan kelas objek yang terdeteksi dengan tingkat keakuratan dengan beberapa model mulai dari 39.60% hingga 63.71% yang dapat digunakan untuk penentuan kelas yang terbaca. Dengan tingkat literasi beragam sampai nilai terkecil 2E-10 dan memiliki waktu pemprosesan untuk setiap citra dari 0.22 detik sampai 0.01 detik.

Title

Found 10 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 10 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 10 Documents
Search