Andreas Febrian

Accurate visual tracking by combining Bayesian and evolutionary optimization framework

Visual tracking is the process of locating, identifying, and determining of an object within video frames. From a Bayesian perspective, this is done by estimating the posterior density function. On the other hand, evolutionary optimization perspective would like to generate and select sufficiently optimize solution using two major components: diversification and intensification. This research will develop visual tracking algorithm using a Bayesian approach with evolutionary optimization in order to perform accurate tracking. The main idea is to combine Particle Markov Chain Monte Carlo (Particle-MCMC) as representation of Bayesian approach, with evolutionary optimization that is Particle Swarm Optimization (PSO) in each video frame. The visual tracking is regulated by Particle-MCMC filter algorithm and PSO will work within this filter to get more accurate tracking. Based on the dataset groundtruth, we found the accuracy of tracking can be increased considerably comparing to our previous research.

Processing big data with decision trees: A case study in large traffic data

This paper provides a comparison of processing large traffic data by using decision trees. The experiment was tested in three different classifier tools that are very popular and are widely used in the community. These classifier tools are WEKA classifier, MoA (Massive Online Analysis) classifier, and SPARK MLib that runs on Hadoop infrastructure. We tested the traffic data using decision trees because it is one of the best methods for regressing the large data. The experiment results showed that the WEKA classifier fails to classify dataset with a large number of instance, wheras the MoA has successfully regress the dataset as a datastream. The SPARK MLib decision trees algorithm could also successfully resgress the traffic data quickly with a fairly good accuracy.

METODE LOKALISASI ROBOT OTONOM DENGAN MENGGUNAKAN ADOPSI ALGORITMA HEURISTIC SEARCHING DAN PRUNING UNTUK PEMBANGUNAN PETA PADA KASUS SEARCH-AND-SAFE

Permasalahan search-and-safe merupakan salah satu contoh robot otonom dapat disimulasikan untuk menggantikan pekerjaan manusia di lingkungan berbahaya, misalnya pada kegiatan evakuasi manusia dari ruang tertutup yang terbakar. Dalam contoh ini, robot otonom harus dapat menemukan objek manusia untuk diselamatkan, serta objek api untuk dipadamkan. Lebih jauh lagi, untuk dapat menyelesaikan permasalahan seperti ini dengan baik, robot otonom harus dapat mengetahui keberadaannya, bukan hanya posisi dalam sistem koordinat global saja tetapi juga posisi relatif terhadap posisi tujuan dan keadaan lingkungan itu sendiri. Permasalahan ini kemudian dikenal juga sebagai lokalisasi yang menjadi bagian penting dari proses navigasi pada robot otonom. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan lokalisasi adalah dengan menggunakan representasi internal peta lingkungan kerja dalam pengetahuan robot otonom. Pada kondisi ketika tidak tersedia informasi mengenai konfigurasi lingkungan, atau informasi yang tersedia sifatnya terbatas, robot harus dapat membangun sendiri representasi petanya dengan dibantu oleh komponen sensor yang dimilikinya. Pada paper ini kemudian dibahas salah satu metode yang dapat diterapkan dalam proses pembangunan peta seperti yang dijelaskan, yaitu melalui adopsi algoritma heuristic searching dan pruning yang sudah dikenal pada bidang kecerdasan buatan. Selain itu juga akan dijabarkan desain robot otonom yang digunakan, serta konfigurasi lingkungan yang digunakan pada studi kasus search-and-safe ini. Diharapkan nantinya hasil yang diperoleh dari penelitian ini dapat diterapkan untuk skala yang lebih besar.