RANCANG BANGUN SLIDER OTOMATIS UNTUK KAMERA DAN SMARTPHONE MENGGUNAKAN METODE FACE TRACKING
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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 %.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.014 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it