Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 205103 dokumen yang sesuai dengan query
cover
Panggabean, Timothy Christian
Pengembangan Model Deteksi dan Klasifikasi Jenis Ikan Hasil Tangkapan di Atas Kapal untuk Fish Monitoring System Berbasis YOLOv5 = Development of a Fish Detection and Classification Model for Fish Monitoring System on Vessels Based on YOLOv5
"

Salah satu permasalahan utama yang sedang dihadapi oleh Kementrian Kelautan dan Perikanan Republik Indonesia (KKP) adalah maraknya kejadian Illegal, Unreported, and Unregulated (IUU) fishing yang terjadi pada perairan Indonesia. Kejadian ini menimbulkan banyak kerugian bagi Indonesia, terutama dalam aspek sosial, ekologi, dan ekonomi. Untuk mengatasi masalah ini, terutama unreported fishing, dirancanglah sebuah sistem yang dapat digunakan untuk memonitor penangkapan ikan, sekaligus melakukan deteksi dan klasifikasi terhadap jenis ikan hasil tangkapan di atas kapal. Sistem dirancang menggunakan konsep object detection dan instance segmentation, dua bidang dari machine learning, menggunakan model YOLOv5 dan varian-variannya yang merupakan salah satu model dari keluarga YOLO (You Only Look Once) yang paling baik dari segi kecepatan dan akurasi. Dengan adanya sistem tersebut, diharapkan bahwa hasil tangkapan kapal di perairan Indonesia dapat bersifat lebih legal, teratur, dan sesuai dengan yang dilaporkan kepada KKP. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP50 0,834, mAP50-95 0,544, F1-score 0,848, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,797, mAP50-95 0,531, F1-score 0,802, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil bounding box, serta nilai mAP50 0,739, mAP50-95 0,36, F1-score 0,789, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,711, mAP50-95 0,335, F1-score 0,746, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil segmentation mask. Selain itu, model tersebut juga mendapatkan akurasi 60% pada tahapan perbandingan dengan model object detection.

One of the main problems the Indonesian Ministry of Marine Affairs and Fisheries (KKP) is currently facing is the abundance of Illegal, Unreported, and Unregulated (IUU) fishing instances happening in Indonesian waters. This phenomenon creates a lot of problems for Indonesia, mainly in the social, ecological, and economical aspects. To overcome these problems, mainly unreported fishing, a system that can be used to not only monitor the fishing process, but also to detect and classify the types of fish that are caught by that boat was created. This system is based on object detection and instance segmentation, both fields of machine learning, using the YOLOv5 model and its variants, which are some of the fastest and most accurate models from the YOLO (You Only Look Once) family. With this system, it is hoped that fish caught in Indonesian waters can be more legitimate, regulated, and reported correctly to the KKP. The best system from this research is created using an instance segmentation model with mAP50 0.834, mAP50-95 0.544, F1-score 0.848, and inference speed 232.6 fps for validation scores, and mAP50 0.797, mAP50- 95 0.531, F1-score 0.802, and inference speed 250.0 fps for testing scores on the bounding box results, as well as mAP50 0.739, mAP50-95 0.36, F1-score 0.789, and inference speed 232.6 fps for validation scores, and mAP50 0.711, mAP50-95 0.335, F1-score 0.746, and inference speed 250.0 fps on the segmentation mask results. The model also achieved an accuracy of 60% in the comparison phase against the object detection model.

"
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Karenina Kamila
Pengembangan Model Deteksi Objek YOLOv6 dan Segmentasi YOLOv8 untuk Klasifikasi Ikan Hasil Tangkapan pada Sistem Fish Monitoring = Development of YOLOv6 Object Detection and YOLOv8 Segmentation for Fish Classification in Fish Monitoring System
"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.
The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ahmad Zufar Ashshiddiqqi
Pengembangan Model Deteksi dan Segmentasi Ikan Hasil Tangkapan Menggunakan MMDetection Toolbox untuk Sistem Fish Monitoring = Development of Fish Detection and Segmentation Models Using MMDetection Toolbox for Fish Monitoring System
"Indonesia merupakan negara maritim terbesar di dunia dengan banyak sekali ikan yang hidup di perairan Indonesia Hal ini membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan kuota untuk operasi penangkapan ikan serta pemasangan kamera pengawas, namun solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan mencegah terjadinya IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi jenis ikan hasil tangkapan. Sistem dirancang menggunakan konsep object detection dan instance segmentation yang merupakan sebuah bidang dari machine learning, menggunakan toolbox MMDetection dengan algoritma Faster R-CNN dan GFL untuk metode object detection dan algoritma Mask R-CNN untuk metode instance segmentation. Dimana sistem tersebut merupakan model kecerdasan buatan yang dapat melakukan pendeteksian ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP @50 0,758, besar F1-Score 0,761, dan membutuhkan waktu untuk pelatihan selama 7 jam 32 menit. Selain itu, model tersebut juga mendapatkan akurasi yang lebih baik sebanyak 20% dari perbandingan dengan model object detection.
Indonesia, as the world's largest maritime country, is home to a vast variety of fish species in its waters. This reality poses numerous threats to Indonesia's fisheries sector. One significant challenge is illegal, unreported, and unregulated (IUU) fishing, which has considerable detrimental effects and causes substantial losses to the Indonesian fisheries industry. Several solutions have been proposed to address this problem, including the implementation of fishing quotas and the installation of surveillance cameras. However, these solutions have not yielded significant impacts in reducing and preventing IUU fishing. Hence, this research aims to develop a fish species detection system. The system is designed based on the concepts of object detection and instance segmentation, which are subfields of machine learning. The research utilizes the MMDetection toolbox with the Faster R-CNN and GFL algorithms for object detection, as well as the Mask R-CNN algorithm for instance segmentation. This artificial intelligence-based system enables the detection of captured fish to monitor the quantity of fish caught by fishermen, thereby significantly reducing IUU fishing. The research's best-performing system employs the instance segmentation model, achieving an mAP@50 score of 0.758, an F1-Score of 0.761, and requires a training time of 7 hours and 32 minutes. Moreover, this model also demonstrates a 20% improvement in accuracy compared to the object detection model."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ravialdy Hidayat
Implementasi Algoritma Deteksi Objek Berdasarkan Deep Learning Yolov4 dan Jarak Euclidean pada CCTV Di Area Pertambangan PT X = Implementation of Object Detection Algorithm Based on Yolov4 Deep Learning and Euclidean Distance on CCTV in Mining Areas of PT X
"Issue keselamatan atau safety merupakan salah satu capaian yang paling penting di industri pertambangan. Hal ini dikarenakan adanya kecelakaan kerja dapat berakibat fatal bagi intensitas produksi yang dapat dilakukan hingga berpotensi untuk terjadinya pencabutan izin operasional perusahaan oleh pemerintah. Pada PT X sendiri, pelanggaran atau deviasi yang berisiko sangat tinggi untuk terjadinya kecelakaan kerja yang mengakibatkan kematian adalah terkait dengan adanya manusia di area operasional pertambangan tanpa izin dan jarak tidak aman dari kendaraan-kendaraan yang ada, khususnya kendaraan dengan muatan berat seperti HD (Heavy Duty Dump Truck). Oleh karena itu, pada penelitian ini akan diusulkan metode deteksi objek yang berbasis deep learning YOLOv4 untuk mendeteksi objek manusia dan HD beserta penggunaan jarak Euclidean untuk estimasi jarak tidak aman antar kendaraan HD. Dengan menggunakan sebanyak 2009 gambar sebagai data latih dan sebanyak 201 gambar sebagai data uji, dihasilkan nilai mAP terbaik selama proses pelatihan model sebesar 88,76% dan nilai recall objek manusia dan HD pada sebanyak 10 video uji masing-masing sebesar 56,96% dan 55,73%. Nilai recall tersebut dapat meningkat cukup signifikan manakala teknologi CCTV dilakukan proses zoom in. Adanya penelitian ini diharapkan dapat membantu pengawas untuk mendeteksi deviasi-deviasi yang terjadi di area operasional pertambangan, khususnya untuk deteksi objek manusia dan HD beserta prediksi jarak tidak aman antar HD.
The safety issue is one of the most important achievements in the mining industry. This is because work accidents can be fatal for the intensity of production that can be carried out and the government has the potential to revoke the company's operating license. At PT X itself, violations or deviations that pose a very high risk for work accidents resulting in death are related to the presence of humans in the mining operational area without a permit and an unsafe distance from existing vehicles, especially vehicles with heavy loads such as HD. Therefore, in this study, an object detection method based on deep learning YOLOv4 will be proposed to detect human and HD (Heavy Duty Dump Truck) objects along with the estimation of unsafe distances between HD vehicles using euclidean distance method. By using as many as 2009 images as training data and as many as 201 images as test data, the best mAP value during the model training process is 88.76% and the recall value of human and HD objects in 10 test videos are 56.96% and 55.73%. The recall value can increase significantly when CCTV technology is zoomed in. The existence of this research is expected to help supervisors to detect deviations that occur in the mining operational area, especially for the detection of human objects and HD along with predictions of unsafe distances between HD."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Rahardian Kusmono
Evaluasi Usability dan Usulan Desain Alternatif Situs E-Commerce Tinkerlust = Usability Evaluation and Proposed Alternative Design of E-Commerce Website Tinkerlust
"ABSTRAK
PT Tinkerlust merupakan perusahaan e-Commerce yang berfokus pada penjualan pakaian dan aksesoris wanita. Berdasarkan assessment OKR dan funneling November 2017 ditemukan bahwa tampilan antarmuka dan usability situs penjualan daring Tinkerlust belum memenuhi kriteria dan mengalami angka drop-off stage pada halaman product, cart, dan checkout. Penelitian ini bertujuan untuk mengevaluasi usability dan mengembangkan solusi desain alternatif khususnya pada halaman product, cart, dan checkout di situs e-Commerce Tinkerlust.
Evaluasi dilakukan dengan menggunakan kuesioner System Usability Scale (SUS) dan Usability Testing (UT). Open-Ended Questions (OEQ) juga digunakan untuk mengevaluasi prototipe. Sebanyak 300 responden berpartisipasi dalam pengisian kuesioner SUS dan OEQ. Sementara itu 16 dari 300 responden tersebut juga diundang untuk berpartisipasi dalam kegiatan evaluasi secara kualitatif UT. UT dilakukan dua kali dengan melibatkan 16 pelanggan pada masing-masing tahap. UT Fase 1 dilakukan untuk mendapatkan insight solusi desain alternatif dan UT Fase 2 dilakukan untuk menguji solusi desain alternatif yang dikembangkan.
Setelah dilakukan evaluasi usability baik dari segi kuantitatif (SUS) dan kualitatif (UT Fase 1), diusulkan sepuluh solusi desain alternatif tampilan antarmuka pada halaman product, cart, dan checkout. Sepuluh solusi desain alternatif diuji kembali dengan UT Fase 2 yang melibatkan pelanggan yang sama pada UT Fase 1. Hasil evaluasi UT Fase 2 kemudian dibandingkan dengan hasil UT Fase 1.
ABSTRACT
PT Tinkerlust is an e-Commerce company focused on selling women clothes and accessories. Those variables have been including in the Object Key Result (OKR) document on November 2017. Based on the result of assesment OKR and funneling data on November 2017, PT Tinkerlust has several obstacles in many aspects such as: user interface and usability have not fulfill the criteria and target, drop off stage on product, cart, and checkout page. The objective of the research is to evaluate the usability of Tinkerlust website and provide the solution of website development design particularly on product page, cart, and checkout.
Evaluation has been done using System Usability Scale (SUS) dan Usability Testing (UT). Open-Ended Questions (OEQ) also have been using to evaluate prototipe. Quantitative Method has been done by distribute SUS and OEQ questionnaires to 300 customers of e-commerce Tinkerlust website. Meanwhile 16 of 300 these respondents also being invited to participate in qualitative evaluation activity, called UT. UT has been conducted twice which involving 16 respondents for each phase. The objective of UT Phase 1 is to get insight for alternative design solution and the objective of UT Phase 2 is to examine the development of alternative design solution.
The result of the usability evaluation by both Quantitative Method (SUS) and Qualitative Method (OEQ and UT Phase 1) toward e-Commerce Tinkerlust website are ten alternative design solutions on product, cart, and checkout page. The alternative design solutions are being tested by UT Phase 2 with similar respondents of UT Phase 1 test. The results are being compared between UT Phase 1 and UT Phase 2."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2020
TA-Pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Muhammad Daffa Ajiputra
Pengembangan Sistem Deteksi Multi Objek Jenis Ikan pada Video Berbasis YOLOv7 = Development of Fish Variant Multi Object Detection System for Video based on YOLOv7
"Indonesia merupakan salah satu negara pengekspor ikan terbesar di dunia yang membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan teknologi seperti kamera pengawas, tetapi solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan menghilangkan IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi multi objek untuk pendeteksian jenis ikan berbasis YOLOv7, sebuah model kecerdasan buatan yang dapat melakukan pendeteksian jenis ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Dari pengujian yang dilakukan, model YOLOv7 menjadi varian model YOLOv7 terbaik yang dapat digunakan untuk melakukan pendeteksian jenis ikan dengan nilai mAP yang dapat mencapai 86,1% dan inference time hingga 14,5 ms sehingga menghasilkan jumlah FPS yang dapat mencapai 69 FPS. Nilai tersebut berhasil didapatkan dengan menggunakan bentuk data polygon annotation, metode object detection, ukuran citra 800 piksel, dan jumlah epochs sebesar 1000 dengan patience 50. Namun, model YOLOv7 memiliki inference time yang sangat lambat hingga 797.6 ms ketika dipasang pada Jetson Nano meskipun akurasi pendeteksian memiliki hasil yang sama.
Indonesia is one of the world's largest exporters of fish, which exposes Indonesia's fishing sector to many threats. Illegal, unreported, unregulated (IUU) fishing is one of the problems that resulted in a significant impact in a form of a big loss that is created for the Indonesian fisheries sector. To prevent that problem, there are a lot of solutions that have been proposed, one of which is the application of technology such as surveillance cameras, but it still doesn't have a big impact to reduce and eliminate IUU fishing. Therefore, this research is conducted to develop a multi-object detection system for the detection of fish species based on YOLOv7, an artificial intelligence model that can detect a fish to supervise the number of fish that is caught by the fisherman so IUU fishing can reduce significantly. From the testing, the YOLOv7 model becomes the best YOLOv7 model variant that can be used to detect a fish with the value of mAP that can reach up to 86.1% and the value of inference time up to 14.5 ms that can produce an FPS total up to 69 FPS. The value can be achieved by doing some modifications in data annotation, the training model method, image size, and iteration on training. However, the YOLOv7 model has a very slow inference time up to 797.6 ms when it’s installed in Jetson Nano even though the detection accuracy has the same value."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Maciaszek, Leszek A.
Requirements analysis and system design
London: Pearson, 2005
005.117 MAC r
Buku Teks SO  Universitas Indonesia Library
cover
Watulingas, Benedicto Matthew
Rancang Bangun Model Prediksi Berat Ikan Pada Sistem CCTV Deteksi Ikan Menggunakan Algoritma Ensemble Learning = Development of Fish Weight Prediction Model for Fish Detection System from CCTV Using Ensemble Learning Algorithm
"Indonesia, sebagai salah satu negara pengekspor ikan terbesar di dunia, menghadapi tantangan serius dalam sektor perikanan akibat illegal, unreported, unregulated (IUU) fishing. Meskipun telah ada pengawas yang ditugaskan, namun praktik ini masih ditemukan, sehingga perlu teknologi pengawasan di atas kapal. Telah dikembangkan model yang dapat mengklasifikasikan jenis ikan di kapal melalui video CCTV namun masih perlu dilengkapi dengan kemampuan memprediksi berat ikan. Dengan metode ensemble learning yang dipilih karena memiliki kinerja yang lebih baik dibanding model individual, penelitian ini bertujuan untuk membangun model prediksi berat melalui citra dari sistem CCTV. Kemampuan untuk memprediksi berat ikan akan memberikan metode bagi pemerintah untuk melakukan pengecekan apakah hasil tangkapan yang dilaporkan sesuai dengan tangkapan yang terjadi di lapangan. Dari pengujian yang dilakukan, algoritma Catboost Regression menunjukkan kinerja terbaik di antara semua model yang diuji. Pada dataset gabungan, dengan rasio data split 90:10, CatBoost mencapai  score 0.986, MAE 9.794, MSE 293.493, dan RMSE 17.132. Untuk dataset cumi dengan rasio 90:10, nilai metrik yang diperoleh adalah  0.025, MAE 18.451, MSE 660.629, dan RMSE 25.702. Sementara pada dataset ikan dengan rasio 90:10, CatBoost menunjukkan kinerja sangat baik dengan  0.980, MAE 5.825, MSE 146.713, dan RMSE 10.129. Model yang dipilih dengan kinerja yang paling baik adalah model dengan dataset ikan dengan MAE 5.825, yang berarti nilai error dari rata-rata berat ikan yang ditimbang adalah 1.29%. Hasil ini menunjukkan bahwa Catboost Regression mampu memprediksi berat ikan dengan akurasi yang tinggi dibandingkan model regresi lainnya pada dataset yang digunakan, dengan pemilihan rasio data split yang optimal.
Indonesia, as one of the largest fish-exporting countries in the world, faces serious challenges in its fisheries sector due to illegal, unreported, and unregulated (IUU) fishing. Despite having monitoring officers assigned, these practices are still found, necessitating the use of surveillance technology on vessels. A model has been developed that can classify fish species on ships using CCTV footage, but it still needs to be enhanced with the ability to predict the weight of the fish. Ensemble learning methods, chosen for their superior performance compared to individual models, are being used in this research to build a weight prediction model using images from the CCTV system. The ability to predict fish weight will provide the government with a method to verify whether the reported catches match what is caught at sea. From the tests conducted, the Catboost Regression algorithm demonstrated the best performance among all tested models. On the combined dataset with a 90:10 train-test split ratio, CatBoost achieved an  score of 0.986, MAE of 9.794, MSE of 293.493, and RMSE of 17.132. For the squid dataset with a 90:10 ratio, the metrics obtained were an  of 0.025, MAE of 18.451, MSE of 660.629, and RMSE of 25.702. Meanwhile, for the fish dataset with the same ratio, CatBoost showed excellent performance with an  of 0.980, MAE of 5.825, MSE of 146.713, and RMSE of 10.129. The best-performing model is the one with the fish dataset, achieving an MAE of 5.825, which translates to an error rate of 1.29% in the average weight of the fish weighed. These results indicate that Catboost Regression can predict fish weight with high accuracy compared to other regression models used on the dataset, with optimal data split ratio."
Depok: Fakultas Teknik Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ardiati Utami S.
Implementasi portal pembelajaran object oriented programming berbasis Ruby on Rails dan Podcasting = Implementation of object oriented programming learning portal based on ruby on rails and podcasting
"Teknologi informasi menjadi pendorong utama bagi perubahan dan pengembangan di bidang pendidikan. Salah satu implementasi teknologi informasi adalah portal yang menyediakan akses khusus mengenai suatu materi yang disajikan secara 'online' di Internet. Pada tugas akhir ini dibuat suatu portal yang menyajikan materi pembelajaran dengan studi kasus 'Object Oriented Software Engineering' menggunakan PHP.
Dalam implementasinya, portal ini menggunakan Ruby on Rails (RoR) sebagai bahasa pemrograman dan 'framework'-nya. RoR merupakan bahasa pemrograman yang berjalan pada 'framework' Rails. RoR telah menerapkan konsep pemrograman berorientasi object sehingga mempermudah pemeliharaan dan pengembangan aplikasi portal pembelajaran selanjutnya.
Pada tugas akhir ini, materi pembelajaran dikemas dalam bentuk tulisan (teks), 'slide' presentasi, bahan pendukung materi, serta video pembelajaran. Video pembelajaran ditujukan agar dapat diimplementasikan menggunakan alat multimedia sejenis Zune/iPod yang dapat menjadi standar pembelajaran dengan 'podcasting'. Dalam membuat video digunakan 'software' pendukung seperti Total Video Converter, Ulead Video Studio, dan iTunes untuk mengolah video agar dapat didukung oleh media 'player'.
Aplikasi portal pembelajaran ini kemudian diuji coba oleh sepuluh orang pengguna sistem. Hal-hal yang diujikan diantaranya adalah pengetahuan penguji tentang bahasa pemograman, hasil aplikasi dilihat dari karakteristik sistem, dan mengenai pendapat umum penguji terhadap teknologi yang digunakan dalam aplikasi portal pembelajaran ini. Dari hasil pengujian didapatkan informasi bahwa pengetahuan mengenai Ruby on Rails masih sangat sedikit meskipun konsep 'Object Oriented Programming' sudah banyak dipahami. Tetapi untuk pengembangan ke depan, sistem portal berbasis 'Ruby on Rails' dan 'podcasting' ini layak untuk dikembangkan lebih lanjut.
Information technology becomes main factor for regulation and development of education. One of the information technology implementation is portal technology which is provide particular access about particular matery presented online on the Internet. In this Final Project created a portal whish provide learning materials with Object Oriented Software Engineering case study with PHP.
In the implementation of this portal, we use Ruby on Rails (RoR) as programming language and framework. Ruby is a programming language which is run on Rails framework. RoR has implemented object oriented programming which make it easier to maintain and develope for next learning portal application.
In this Final Project, learning material has been packages in the format of text, presentation slide, learning material support, and video content. Video content is designated to be implemented using multimedia devices such as Zune/iPod which is one of the podcasting standar learning. We use video converter to make video such as Total Video Converter, Ulead Video Studio, and iTunes to manage video to be supported by media player.
This learning portal application subsequently tested by ten users. Some features such as basic knowledge about programming language and application result from the characteristic system are tested by user. And finally, general opinion about the technology that has been used on the application. From the testing result show that user knowledge about Ruby on Rails still very low though concept about Object Oriented Programming have comprehended by many user. However, in the case of forward development, this portal system which based on Ruby on Rails and podcasting competent to be developed furthermore."
Depok: Fakultas Teknik Universitas Indonesia, 2008
S51042
UI - Skripsi Open  Universitas Indonesia Library
cover
Alat bantu untuk pemograman berorentasi obyek
Fakultas Ilmu Komputer Universitas Indonesia, 1996
S26914
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>