Liusiani, Kelvin (2020) Sistem Pembuatan Dataset Dengan Metoda Gaussian Mixture Model (GMM) Untuk Pembelajaran Obyek. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07111640000080_Undergraduate_Thesis.pdf Download (6MB) | Preview |
Abstract
Informasi visual sangat diperlukan dalam membangun sistem cerdas termasuk di dalamnya robot cerdas. Khususnya Domestic Service Robot (DSR) dalam menjalankan tugasnya di lingkungan rumah tangga yang kompleks dan dinamis. Pengenalan tersebut bermacam-macam jenisnya, salah satunya adalah pengenalan terhadap obyek (object recognition). Langkah pertama dalam pengenalan obyek adalah pembelajaran terhadap obyek yang belum dikenali, yang selanjutnya akan disebut dengan object learning. Ekstraksi obyek dan pemberian label merupakan bagian dari pembelajaran obyek. Dalam penelitian ini, informasi visual yang dapat diambil dari Kinect V2 akan dimanfaatkan untuk pembelajaran obyek dengan menggunakan metode Unsupervised Learning, yaitu Gaussian Mixture Model (GMM) dimanfaatkan untuk melakukan ekstraksi obyek, aplikasi smartphone dibuat untuk membuat pemberian label nama obyek lebih interaktif dan dikenalkan istilah meja belajar yang digunakan untuk memutar obyek sehingga pembelajaran dapat dilakukan secara 360º dengan ketelitian 9º setiap informasi visualnya. Berdasarkan pengujian yang telah dilakukan, sistem ini dapat melakukan ekstraksi obyek dengan nilai kepresisian 83,1%, dapat bekerja dilingkungan yang dinamis dan dapat mempelajari obyek dengan spesifikasi ukuran lebih besar dari 3 x 3 x 2cm, lebih kecil dari 28 x 28 x 30cm, serta dengan berat tidak melebihi 800 gr. Pada penelitian ini obyek yang telah dipelajari adalah sejumlah 72 obyek. Dengan spesifikasi tersebut, sebagian besar obyek – obyek di rumah tangga dapat dipelajari. Hasil ekstraksi dari obyek akan disimpan bersama label dan pose dari obyek tersebut sehingga menjadi dataset untuk dimanfaatkan pada sistem cerdas, salah satunya adalah DSR.
================================================================================================================================
Visual information is needed in building intelligent systems including intelligent robots. Especially Domestic Service Robot (DSR) in carrying out their duties in a complex and dynamic household environment. The introduction of various types, one of which is the recognition of objects. The first step in object recognition is the learning of objects that are not yet recognized, which will then be referred to as object learning. Object extraction and labeling are part of object learning. In this research, visual information that can be taken from Kinect V2 will be used for object learning by using the Unsupervised Learning method, namely the Gaussian Mixture Model (GMM) used to extract objects, smartphone applications are made to make labeling objects names more interactive and introduce study table used to rotate objects so that learning can be done 360º with accuracy of 9º for each visual information. Based on testing that has been done, this system can extract objects with a precision value of 83.1%, can work in a dynamic environment and can study objects with size specifications greater than 3 x 3 x 2cm, smaller than 28 x 28 x 30cm, and with a weight not exceeding 800 gr. In this study, 72 objects were studied. With these specifications, most objects in the household can be studied. The results of the extraction of objects will be stored with the labels and poses of the object so that it becomes a dataset to be used in intelligent systems, one of which is DSR.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSE 629.892 Liu s-1 2020 |
| Uncontrolled Keywords: | Robotics, Machine Vision, Machine Learning |
| Subjects: | Q Science > QA Mathematics > QA246.8 Gaussian T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Electrical Technology > Electrical Engineering > 20201-(S1) Undergraduate Thesis |
| Depositing User: | Kelvin liusiani |
| Date Deposited: | 19 Jun 2023 09:11 |
| Last Modified: | 19 Jun 2023 09:11 |
| URI: | http://repository.its.ac.id/id/eprint/72773 |
Actions (login required)
 |
View Item |