91 research outputs found
A Fall Risk Detection Model for Infants While Sleeping based on Convolutional Neural Networks
Full text linkFalling from a bed is a common problem among infants, often leading to serious injuries such as head trauma, fractures, and even long-term neurological damage. According to data from the World Health Organization (WHO), falls are a leading cause of unintentional injuries among children, especially infants. To prevent these incidents, an effective early detection system is needed. Traditional approaches, such as motion sensors and surveillance cameras, have been employed to monitor infant movements and detect fall risks. However, sensor-based systems face limitations in terms of accuracy and coverage area. As an alternative, computer vision techniques have shown rapid advancements in recent years, with Convolutional Neural Networks (CNNs) proving to be highly effective in recognizing visual patterns, including human motion and posture detection. In this study, we propose a CNN-based model to detect the risk of infants falling from a bed while sleeping. The CNN architecture is designed to accurately recognize movements indicative of fall risks, such as approaching the edge of the bed or sudden changes in posture. Our contributions include (1) the design of a CNN architecture that supports effective and efficient training for fall risk detection, and (2) the creation of a dataset to classify infants as either safe or at risk of falling. Experimental results demonstrate that our proposed system achieves high accuracy in detecting potential fall risks, providing a reliable solution for infant safety monitoring
Klasifikasi Ekspresi Wajah Menggunakan Metode Convolutional Neural Network(Studi Kasus Kuliah Daring)
Full text linkPerubahan cara belajar pada tahun 2020 menjadikan media daring sangat dibutuhkan karena dengan adanya pandemi covid-19 maka semua instansi Pendidikan dan pemerintah hampir di seluruh dunia mulai menuntut agar pembelajaran menggunakan media daring yang disediakan instansi masing-masing maupun media pihak ketiga. cara belajar daring ini memiliki beberapa kekurangan seperti tingkat antusias belajar yang dirasa tidak diketahui, maka dari itu untuk mengetahui tingkat antusias suatu pembelajaran daring tadi diperlukan media untuk mengenali antusiasme dari pengguna video conference guna mendapatkan feedback yang dapat diukur apakah antusiasme pembelajaran sesuai dengan apa yang diharapkan oleh pengajar, maka pembuatan model deep learning untuk klasifikasi ekspresi wajah menggunakan metode Convolutional neural network dilakukan untuk mengetahui antusiasme dari kuliah daring dengan cara melihat real-time webcam yang diklasifikasikan oleh ekspresi yang sudah ditentukan atau dengan meninjau ulang dari rekaman perkuliahan yang sudah terjadi. Hasil akurasi menjadi tolok ukur seberapa akurat pembelajaran yang diterima untuk mengklasifikasikan ekspresi wajah guna mengetahui antusias pada model sebanyak 36.000 dataset dengan 64 % akurasi untuk melakukan deteksi ekspresi wajah pada sebuah frame video, dimana pada studi kasus ini tingkat tidak antusiasnya belajar secara daring lebih tinggi 1% dibandingkan dengan tingkat antusias belajar siswa di masa pandemi covid-19
Penerapan Sistem Automatic Emergency Braking Pada Agen Autonomous Driving : Berbasis Proximal Policy Optimization
Full text linkDalam era industri saat ini, transportasi memegang peran yang sangat penting dalam kehidupan manusia dan mengalami perkembangan pesat seiring dengan kemajuan teknologi. Namun, masih ada sejumlah tantangan yang terkait dengan transportasi, seperti tingkat kemacetan dan kecelakaan yang tinggi yang seringkali terjadi disebabkan oleh faktor kelalaian manusia (human error). Penelitian ini bertujuan untuk menerapkan sistem Avoidance Collision, khususnya Automatic Emergency Braking (AEB) pada agen autonomous driving untuk membantu mengurangi dampak dari kelalaian manusia (human error) dengan menggunakan Deep Reinforcement Learning berbasis algoritma Proximal Policy Optimization (PPO), sehingga agen dapat mengambil tindakan secara optimal untuk mengurangi risiko kecelakaan atau menghindari tabrakan yang disebabkan oleh kelalaian manusia dalam lalu lintas. Model ini diujicobakan dan dijalankan pada dunia simulator CARLA. 
Pengembangan Automatic Emergency Braking (AEB) pada Autonomous Driving Menggunakan Deep Q – Learning dengan PER
Full text linkPenelitian ini membahas tentang kemampuan kendaraan otonom untuk menghindari rintangan, yang merupakan salah satu fitur penting dari sistem navigasi kendaraan otonom. Perancangan sistem pengereman darurat otomatis secara tradisional akan sulit karena membutuhkan biaya yang besar, kompleksitas, dan pertimbangan keamanan. Reinforcement Learning (RL) adalah salah satu metode kecerdasan buatan atau pembelajaran mesin yang dapat belajar langsung dari lingkungan. Penelitian ini menggunakan algoritma RL dengan metode deep q – learning (DQN) dan dioptimalkan dengan prioritized experience replay untuk menghindari rintangan. Simulasi dilakukan pada jalur dengan rintangan yang diposisikan satu jalan dengan model pada simulator CARLA
Pengembangan Automatic Emergency Braking (AEB) pada Autonomous Driving Menggunakan Deep Q – Learning dengan PER
Full text linkPenelitian ini membahas tentang kemampuan kendaraan otonom untuk menghindari rintangan, yang merupakan salah satu fitur penting dari sistem navigasi kendaraan otonom. Perancangan sistem pengereman darurat otomatis secara tradisional akan sulit karena membutuhkan biaya yang besar, kompleksitas, dan pertimbangan keamanan. Reinforcement Learning (RL) adalah salah satu metode kecerdasan buatan atau pembelajaran mesin yang dapat belajar langsung dari lingkungan. Penelitian ini menggunakan algoritma RL dengan metode deep q – learning (DQN) dan dioptimalkan dengan prioritized experience replay untuk menghindari rintangan. Simulasi dilakukan pada jalur dengan rintangan yang diposisikan satu jalan dengan model pada simulator CARLA
Teknik Peningkatan Performa Pelatihan Berbasis Visual Reinforcement Learning
Full text linkKemampuan kendaraan otonom dalam bermanuver dan menghindari tabrakan merupakan aspek penting dalam pengembangan sistem kendaraan otonom. Penelitian ini bertujuan untuk mengimplementasikan metode Reinforcement Learning (RL) berbasis Value Based supaya meningkatkan kemampuan agen dalam bermanuver dan menghindari tabrakan secara mandiri menggunakan hanya sensor visual berbasis kamera. Penelitian ini mencakup proses pengumpulan data dari simulasi kendaraan otonom, pengembangan dan pelatihan model menggunakan algoritma Value Based, serta evaluasi kinerja model dengan metrik seperti reward function, tingkat keberhasilan penghindaran tabrakan, dan manuver. Beberapa Teknik kemudian diusulkan dalam penelitian ini untuk menyempurnakan yang ditemukan pada algoritma value based seperti overestimation, penggunaan pengalaman yang tidak efisien, dan keterbatasan observasi secara parsial yang lazim menjadi masalah pada Value Based Reinforcement Learning. Model ini diujicobakan dan dijalankan pada dunia simulator Enduro. Hasil dari penelitian ini diharapkan dapat meningkatkan ketepatan penghindaran tabrakan kendaraan otonom dan kemampuan bermanuver. Selain itu, penelitian ini memberikan kontribusi bagi pengembangan teknologi kendaraan otonom berbasis kecerdasan buatan, yang dapat diaplikasikan dalam sistem kendaraan di masa depan
Teknik Peningkatan Performa Pelatihan Berbasis Visual Reinforcement Learning
Full text linkKemampuan kendaraan otonom dalam bermanuver dan menghindari tabrakan merupakan aspek penting dalam pengembangan sistem kendaraan otonom. Penelitian ini bertujuan untuk mengimplementasikan metode Reinforcement Learning (RL) berbasis Value Based supaya meningkatkan kemampuan agen dalam bermanuver dan menghindari tabrakan secara mandiri menggunakan hanya sensor visual berbasis kamera. Penelitian ini mencakup proses pengumpulan data dari simulasi kendaraan otonom, pengembangan dan pelatihan model menggunakan algoritma Value Based, serta evaluasi kinerja model dengan metrik seperti reward function, tingkat keberhasilan penghindaran tabrakan, dan manuver. Beberapa Teknik kemudian diusulkan dalam penelitian ini untuk menyempurnakan yang ditemukan pada algoritma value based seperti overestimation, penggunaan pengalaman yang tidak efisien, dan keterbatasan observasi secara parsial yang lazim menjadi masalah pada Value Based Reinforcement Learning. Model ini diujicobakan dan dijalankan pada dunia simulator Enduro. Hasil dari penelitian ini diharapkan dapat meningkatkan ketepatan penghindaran tabrakan kendaraan otonom dan kemampuan bermanuver. Selain itu, penelitian ini memberikan kontribusi bagi pengembangan teknologi kendaraan otonom berbasis kecerdasan buatan, yang dapat diaplikasikan dalam sistem kendaraan di masa depan
A Pembangunan Aspek Estetika Game Edukasi Berbasis Massively Multiplayer Online
No full textCampus online MMO RPG is a game that can be used as a simulation for new students who are unable to come to campus for orientation due to a contagious epidemic. Therefore, the Campus Online MMORPG game also requires visuals that can make new students as players feel what the visuals on campus are like, making players feel comfortable when studying and how the culture on campus can be imagined by new students. Due to the need for visualization in games so that new students can imagine the environment on campus as in the real world, it is necessary to create an aesthetic that can represent the shape on campus so that students themselves can experience being on campus like the real world and feel comfortable when playing and learning through games.
This research was conducted to produce an aesthetic that can describe life on campus. The research was conducted by conducting a literature study through existing research. By doing a combination between FBE and DGBL. As well as conducting testing using the Likert scale success measurement from the questionnaire.
The result of this research is an aesthetic that can describe life on campus virtually through video game media, and increase the convenience of learning for players.Campus online MMO RPG merupakan game yang dapat di gunakan sebagai simulasi bagi mahasiswa baru yang tidak dapat untuk datang ke kampus untuk melakukan orientasi karena adanya wabah menular. Oleh karena itu game Campus Online MMORPG juga memerlukan visual yang dapat membuat mahasiswa baru sebagai pemain merasakan seperti apa bentuk visual pada kampus, sehingga membuat pemain merasa nyaman pada saat belajar dan bagaimana budaya pada kampus yang dapat di bayangkan oleh mahasiswa baru. Dikarenakan perlunya pemvisualan pada game agar mehasiswa baru dapat membayangkan lingkungan pada kampus layaknya di dunia nyata maka perlu dibuatkan estetika yang dapat mewakili bentuk pada kampus agar mahasiswa sendiri dapat merasakan pengalaman berada pada kampus layaknya dunia nyata dan merasa nyaman saat bermain dan belajar melalui game.
Penelitian ini dilakukan untuk menghasilkan estetika yang dapat menggambarkan kehidupan pada kampus. Penelitian dilakukan dengan melakukan studi literature melalui penelitian yang sudah ada. Dengan melakukan kombinasi andatara FBE dan DGBL. Serta melakukan testing yang menggunakan pengukuran keberhasilan skala likert dari kuesioner.
Hasil dari penelitian ini adalah sebuah estetika yang dapat menggambarkan kehidupan di kampus secara virtual melalui media video game, dan meningkatkan kenyamanan pembelajaran kepada pemai
- …
