RANCANG BANGUN SLIDER OTOMATIS UNTUK KAMERA DAN SMARTPHONE MENGGUNAKAN METODE FACE TRACKING
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pembelajaran jarak jauh (PJJ) yang dilaksanakan secara online membutuhkan alat atau perangkat sebagai penunjang interaksi antara tenaga pendidik dengan anak didik atau sebaliknya. Salah satu PJJ yang saat ini dapat dilaksanakan melalui media online yaitu Ujian Praktek dan Sidang Tugas Akhir. Terkadang saat dilakukannya perekaman, ada kecenderungan pembicara tidak bisa diam saat perekaman, atau bergeser dari posisi semula. Oleh karena itu untuk memudahkan proses perekaman vidio dapat menggunakan alat bantu yang disebut slider dengan prinsip kerja yaitu menggerakan kamera atau smartphone dengan bergerak mengikuti pergerakan wajah secara otomatis. Dengan menggunakan kinerja face tracking dan mengaplikasikan webcam yang digunakan sebagai sensor kamera, kemudian citra wajah akan dideteksi dan diproses menggunakan modul library OpenCV dengan menggunakan bahasa pemrograman python dan mikrokomputer Raspberry Pi 4B yang digunakan sebagai sistem operasi pada alat dengan menggunakan LCD TFT 3,5 inch sebagai media kontrol. Hasil Tugas Akhir ini menyimpulkan bahwa faktor intensitas cahaya, jarak, dan kualitas sensor kamera sangat berpengaruh pada saat proses pendeteksian dan pengenalan wajah. Jarak ideal slider agar proses pendeteksian, pengenalan, dan penyelerasan dapat berjalan maksimal yaitu 40 – 100 cm. Penggunaan material pada mekanik slider juga sangat berpengaruh pada pergerakan slider. Semakin kuat material yang digunakan maka pergerakan slider akan semakin kokoh dan stabil. Dengan adanya delay 3 detik per 10 cm gerakan maka slider dapat bekerja menyelaraskan gerak kamera dengan gerak wajah dengan rata – rata keberhasilan penyelarasan sebesar 41,69 %.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle