Claim Missing Document
Check
Articles

Found 5 Documents
Search

Omnidirectional Camera untuk Positioning Robot Soccer dengan Metode 2-Fixed-Point Irwansyah, Arif; Putra, Arie Zuliyan; Akbar, Reesa
Techné : Jurnal Ilmiah Elektroteknika Vol. 22 No. 2 (2023)
Publisher : Fakultas Teknik Elektronika dan Komputer Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31358/techne.v22i2.374

Abstract

Kamera omnidireksional banyak digunakan sebagai sensor utama pada robot soccer yang bertanding dalam kompetisi Robocup Junior League. Hal ini dikarenakan kamera omnidirectional mampu menangkap gambar dari area sekitar robot pada sudut pandang 360 derajat hanya dalam satu frame gambar. Selanjutnya, informasi dari gambar tersebut dapat digunakan untuk menentukan lokasi robot di lapangan. Lokasi yang didapat merupakan data yang sangat penting sebagai dasar untuk menentukan kontrol, strategi, dan koordinasi robot. Pada penelitian ini, sebuah sistem kamera omnidireksional untuk self localization robot soccer dengan metode 2 fixed-point telah berhasil diimplementasikan. Sistem yang dirancang berhasil mendapatkan gambar 360 derajat disekitar robot, sekaligus lokasi robot dilapangan. Dari hasil pengujian, sistem yang dirancang telah berhasil melakukan self localization dengan tingkat akurasi hingga 92,9% pada sumbu x dan 92,1% pada sumbu y.
Pemetaan Area Berbasis LiDAR Menggunakan Metode KPFCNN Irwansyah, Arif; Zazuli, Moh Ismarintan; Akbar, Reesa
The Indonesian Journal of Computer Science Vol. 12 No. 2 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i2.3194

Abstract

Pada pemetaan suatu area menggunakan Light detection and ranging (LiDAR) didapatkan data yang diolah menjadi peta tiga dimensi dari area tersebut, sehingga dapat diketahui bentuk topografi maupun objek di sekitar area tersebut. Namun untuk mengidentifikasi berbagai objek tersebut masih dilakukan dengan cara manual, sehingga pada kasus pemetaan area yang luas dibutuhkan waktu yang lebih lama untuk mengidentifikasi objek-objek tersebut. Untuk itu dibutuhkan sebuah metode yang dapat secara otomatis mengidentifikasi objek-objek pada area yang telah dipindai. Pada penelitian ini dibuat sebuah perangkat yang dapat melakukan scanning pada sebuah area kemudian hasil dari scaning tersebut dibuat bentuk visual tiga dimensinya sekaligus dapat mengklasifikasikan objek-objek yang ada di sekitarnya. Pada penelitian ini dibatasi pada pengenalan obyek bangunan dan pepohonan. Untuk melakukan klasifikasi tersebut dilakukan proses semantic segmentation dengan metode Kernelized Partial Flow Convolutional Neural Network (KPFCNN). Dengan dilakukan training pada framework dari KPFCNN, hasil pengujian pada penelitian ini didapatkan hasil scanning area yang optimal pada jarak 0,5 meter – 30 meter, dengan kerapatan jarak vertikal atar point sebesar 0,039 x radius scanning serta akurasi pada segmentasi objek pepohonan dan bangunan sebesar 94,61%.
Desain Sistem Deteksi Kecelakaan Lalu Lintas Berbasis Suara dengan CNN pada platform Embedded Artificial Intelligence Ahmada Haiz Zakiyil Ilahi; Irwansyah, Arif; Budi Nur Iman; Naufal Mukhfi Robbani
The Indonesian Journal of Computer Science Vol. 13 No. 5 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i5.4363

Abstract

Kecelakaan lalu lintas sering kali mengakibatkan kerugian besar, termasuk kehilangan nyawa. Banyak korban jatuh karena penanganan kecelakaan yang tidak memadai, seperti keterlambatan dalam memberikan informasi dan lokasi kecelakaan yang sulit dijangkau sehingga membuat korban menjadi tidak tertolong. Penelitian ini bertujuan mengatasi permasalahan yang disebabkan oleh kecelakaan lalu lintas dengan merancang dan menciptakan alat deteksi berbasis suara menggunakan metode Convolutional Neural Network (CNN) pada platform embedded artificial intelligence yang memanfaatkan Raspberry Pi 4. Alat ini memanfaatkan usb microphone dan GPS Ublox Neo-m8n untuk menangkap suara serta pengiriman data koordinat secara real-time. Dataset dibagi menjadi dua kelas yaitu crash dan normal, kemudian dataset diolah melalui augmentasi dan divisualisasikan sebagai Mel Spectrogram. Model yang didapat mencapai akurasi 98,63% dan loss 1,37% pada prediksi data testing, sementara implementasi real-time pada Raspberry Pi 4 dengan usb microphone menghasilkan akurasi 82% dari 50 sampel file audio. Sistem ini beroperasi dengan FPS rata-rata sebesar 13.14 untuk proses streaming dan 6.89 untuk proses prediksi serta dihasilkan konsumsi daya rata-rata sebesar 10.069 Watt. Output yang dihasilkan berupa pesan peringatan melalui aplikasi Telegram berupa informasi lokasi dan waktu kecelakaan lalu lintas. Penelitian ini diharapkan dapat meningkatkan respons dalam penanganan kecelakaan, mengurangi kerugian, dan menyelamatkan nyawa.
Real-Time Embedded Vision System for Road Damage Detection Utilizing Deep Learning Putri, Ambarwati Rizkia; Irwansyah, Arif; Arifin, Firman; Purwantini, Elly; Wijaya, Candra Kusuma
JOIV : International Journal on Informatics Visualization Vol 9, No 5 (2025)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.9.5.3661

Abstract

Accidents resulting from road damage are becoming a serious concern, emphasizing the need for efficient monitoring systems and timely government intervention. This research highlights the potential of advanced AI-driven solutions in road safety management, providing a practical approach to efficiently monitoring and maintaining road conditions. It presents a real-time embedded vision system for automatic road damage detection using deep learning techniques. The system is designed to classify six types of road damage and has been implemented on two platforms: Jetson Nano and a personal computer or laptop. A comparative analysis was conducted to evaluate accuracy, computational performance, and power efficiency. The study employs YOLO (v5, v7, v8) and EfficientDet algorithms for detecting road damage. Experimental results indicate that EfficientDet achieves the highest accuracy at 88%, while YOLO attains 63%. In terms of computational performance, YOLOv8 delivers the highest frame rate, reaching 25 FPS on the Jetson Nano. Power efficiency analysis reveals that YOLOv8 on the Jetson Nano is six times more energy-efficient compared to its implementation on a laptop. Likewise, EfficientDet on Jetson Nano demonstrates three times better energy efficiency than on a laptop. These findings underscore the feasibility of deploying AI-powered embedded vision systems for detecting road damage. The use of deep learning models on energy-efficient platforms, such as Jetson Nano, enhances real-time performance while minimizing power consumption. Future research should focus on optimizing these models to enhance performance on edge devices while further assessing their practical applications in real-world environments.
Comparative Study of CNN Architectures for Real-Time Audio-Based Car Accident Detection on Edge Devices Ilahi, Ahmada Haiz Zakiyil; Irwansyah, Arif; Oktavianto, Hary
JOIV : International Journal on Informatics Visualization Vol 9, No 3 (2025)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.9.3.2985

Abstract

Traffic accidents often result in fatalities for both drivers and bystanders. Traditionally, accident information relies heavily on community reports, which can delay the provision of victim assistance. To address this issue, a system capable of detecting accidents responsively in various weather conditions and traffic densities is necessary. One approach involved using audio analysis techniques to evaluate collision sounds. Thus, this study proposed an audio classification system for detecting car accidents using Convolutional Neural Networks (CNNs). The system’s performance was evaluated on personal computers and edge devices, such as the Raspberry Pi 4 and NVIDIA Jetson Nano, to compare inference times and power consumption. To enhance the dataset, segmentation and augmentation techniques were applied before converting the audio data into a 2D Mel-spectrogram. The dataset was then trained and assessed with four CNN architectures: custom sequential, custom with shared input layer, transfer learning EfficientNetB0, and transfer learning MobileNetV2. Both original and Lite models were deployed on experimental devices. Results showed that the custom CNN model had faster inference times across devices in both original and lite forms, though it had a 4% increase in the false positive rate. The Lite MobileNetV2 model recorded the fastest inference time on edge devices at 86 ms. Jetson Nano exhibited faster inference times compared to Raspberry Pi 4. However, Raspberry Pi 4 showed a minor increase in power consumption of 0.6 watts during inference. In future work, this system can be tested in real-time environments using embedded systems to evaluate its robustness against noise and varying environmental conditions.