Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTelah dibuat Alat Takaran Beras dan Air Untuk Menanak Nasi menggunakan 2takaran beras dan air. Untuk membuka dan menutup aliran beras dan airmenggunakan motor servo. Penulis juga menggunakan ATMEGA 8535 sebagai ICmikrocontroller. Penulis juga menggunakan sensor timbangan berupa load cellyang terdapat strain gauge untuk menimbang beras dan air. Selang pipa untukmengalirkan beras dan air dengan cara memberi perintah melalui microcontrollerdengan inputan saklar tekan pilihan beras 3 buah dan 2 saklar tekan tipe pilihanair.

---

ABSTRACTWas made Rice Measuring tool and Water For Menanak Rice utilize 2 rice andwater measuring. To open and closes rice and water flow utilize servo's motor.Writer also utilize ATMEGA 8535 as IC mikrocontroller . Writer also utilizes loadcell found strain gauge's censor as weight sensor to weigh rice and water. Afterpipe to stream rice and water by gives instruction via microcontroller with inputrice switch and 2 waters selection switches."

"Penyakit kulit merupakan penyakit yang sangat umum pada manusia. Penyakit kulit merupakan salah satu penyakit dengan penyebaran paling luas di dunia. Banyaknya jenis penyakit kulit yang ada membuatnya sulit untuk di identifikasi dengan benar. Identifikasi penyakit kulit sangat penting dilakukan untuk mengetahui tindakan medis apa yang akan dilakukan pada penyakit tersebut. Dengan memanfaatkan machine learning, identifikasi penyakit kulit dapat dilakukan dengan lebih cepat dan dapat menjadi bantuan agar menjadi diagnosa awal penyakit kulit. Penelitian ini melakukan pengujian pada model deep learning untuk mengidentifikasi penyakit kulit yang ada di dalam dataset DermNet. AlexNet adalah model deep learning yang telah digunakan untuk mengklasifikasikan objek dengan dataset yang besar. Hasil pengujian pada penelitian ini dapat menjadi salah satu bahan perbandingan dalam perkembangan deep learning. Nilai akurasi validasi yang didapat dari model mencapai 44,25%.

---

Skin disease is a widespread disease in humans. Skin disease is one of the most pervasive diseases in the world. The many types of skin diseases make it difficult to identify correctly. Identifying skin diseases is essential to determine what medical action will be taken for the disease. By utilizing machine learning, the identification of skin diseases can be done more quickly and aid in making an early diagnosis of skin diseases. This study tested a deep learning model to identify skin diseases in the DermNet dataset. AlexNet is a deep learning model used to classify objects with large datasets. The test results in this study can be used as a comparison in developing deep learning. The validation accuracy value obtained from the model reaches 44.25%."

"

Supermarket merupakan tempat pilihan terbaik untuk berbelanja kebutuhan rumah saat ini karena pelanggan dapat memilih produk yang ingin dibelinya tanpa perlu mengantre. Namun untuk melakukan pembayaran saat ini pelanggan masih perlu mengantre di kasir. Oleh karena itu, penelitian ini akan mengimplementasikan sistem cashierless yang dapat melakukan checkout secara otomatis dan efisien sehingga pelanggan tidak perlu mengantre lagi di kasir. Sistem cashierless yang digunakan pada penelitian ini adalah smart trolley, sistem ini dapat melakukan deteksi produk yang masuk atau keluar dari troli pelanggan lalu melakukan checkout secara otomatis saat pelanggan keluar dari supermarket. Untuk dapat melakukan deteksi produk diperlukan model machine learning yang berjenis object detection. Model juga harus dapat diimplementasikan pada edge device karena deteksi akan dilakukan di troli yang memiliki keterbatasan ruang. Maka model yang digunakan adalah YOLOv5 karena memiliki akurasi serta performa tinggi supaya tetap dapat diimplementasikan pada edge device. Hasil pengujian variasi backbone menunjukkan backbone original lebih baik dari backbone Swin Transformer dengan nilai F1-Score sebesar 98.64%, ukuran model sebesar 7.7 MB, dan dapat berjalan dengan 3.87 FPS di komputer pengujian dan 0.74 FPS di Raspberry Pi 4B. Hasil pengujian variasi dataset menunjukkan kombinasi dataset bergerak dengan statis blur dapat menghasilkan model yang memiliki akurasi yang paling baik dengan nilai 99.53% pada fase pelatihan dan 99.44% pada fase testing. Hasil pengujian intensitas cahaya menunjukkan penggunaan lampu untuk meningkatkan pencahayaan di sekitar wilayah deteksi di dalam troli dapat meningkatkan F1-Score hasil deteksi yang dilakukan hingga 63.55%. Hasil pengujian variasi kecepatan produk menunjukkan kecepatan ideal yang dapat digunakan pada saat proses deteksi di komputer pengujian adalah hingga 36 cm/s dan untuk proses yang dilakukan di Raspberry Pi 4B adalah di bawah 7 cm/s. Hasil pengujian dengan penambahan sampling rate dapat mendeteksi produk di komputer pengujian dengan kecepatan hingga 124 cm/s pada produk-produk dengan ukuran yang cukup lebar.

---

Supermarkets are the best place to shop for home needs today because customers can choose what products they want to buy without the need to queue. However, today customers still need to queue at the cashier to make payments. Therefore, this research will implement a cashier-less system that can do checkout automatically and efficiently so that customers don't have to queue at the cashier anymore. The cashier-less system used in this study is a smart trolley, this system can detect products entering or leaving the customer's trolley and then checkout automatically when the customer leaves the supermarket. To be able to perform product detection, a machine learning model of the object detection type is needed. The model must be able implemented on edge devices because the detection will be done in the cart with limited space. So, the model used is YOLOv5 because it has high accuracy and performance so it can implement on edge devices. The backbone variation test results show that the original backbone is better than the Swin-Transformer backbone with an F1-Score value of 98.64%, a model size of 7.7 MB, and can run with 3.87 FPS on a test computer and 0.74 FPS on a Raspberry Pi 4B. The dataset variation test results show that the combination of moving datasets with static blur can produce a model with the best accuracy of 99.53% in the training phase and 99.44% in the testing phase. The light intensity variation test results show that the use of lamps to increase the lighting around the detection area in the trolley can increase the F1-Score of the detection results made up to 63.55%. The product speed variation results show that the ideal speed that can use during the detection process on the testing computer is up to 36 cm/s and for the process carried out on the Raspberry Pi 4B it is below 7 cm/s. The sampling rate addition results can detect products on the test computer at speeds up to 124 cm/s on products with a wide size

"

"Pembelajaran mesin telah mengubah berbagai industri dan aplikasi secara mendasar, membuka era baru dalam pemanfaatan data. Kemampuannya dalam mengenali pola dan menganalisis informasi dari data besar telah menciptakan revolusi dalam berbagai bidang. Namun, seiring dengan pertumbuhan cepat dalam ranah machine learning, model-model yang semakin berkembang menjadi lebih besar dan kompleks, yang pada akhirnya meningkatkan tantangan dalam proses pelatihan dan manajemennya. Hal ini menghadirkan tantangan tersendiri dalam implementasi operasi pembelajaran mesin dalam skala besar. Untuk memenuhi Service Level Objective (SLO) sebuah perusahaan, diperlukan algoritma penjadwalan (scheduling algorithm) yang mampu mempercepat proses tersebut. Selain itu, untuk mengukur efektivitas algoritma scheduling, diperlukan pengujian yang komprehensif. Dalam konteks ini, teknik chaos engineering mampu menguji seberapa baik sistem yang telah dibangun beserta algoritma penjadwalan yang diterapkan.

---

Machine learning has fundamentally transformed various industries and applications, ushering in a new era in data utilization. Its ability to recognize patterns and analyze information from large datasets has revolutionized numerous fields. However, with the rapid growth in the realm of machine learning, increasingly complex and larger models pose challenges in their training and management processes. This presents unique challenges in implementing MLOps on a large scale. To meet a company's Service Level Objective (SLO), a scheduling algorithm capable of expediting these processes is required. Moreover, comprehensive testing is necessary to measure the effectiveness of the scheduling algorithm. In this context, chaos engineering can assess the system's efficacy alongside the applied scheduling algorithm."