Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam era digital, video menjadi bentuk konten utama di berbagai platform media sosial seperti TikTok. Dengan jutaan video yang diunggah setiap hari, diperlukan sistem klasifikasi otomatis yang mampu memproses dan mengkategorikan konten secara cepat dan efisien untuk mendukung moderasi konten. Penelitian ini bertujuan untuk merancang dan mengevaluasi sistem inferensi real-time berbasis deep learning untuk klasifikasi video TikTok, dengan fokus pada efisiensi sistem, akurasi model, serta kestabilan proses pelatihan. Metodologi yang digunakan melibatkan modifikasi arsitektur Long-term Recurrent Convolutional Network (LRCN) dengan menggantikan LSTM menggunakan State Space Model (SSM) sebagai drop-in replacement untuk pemodelan sekuens temporal. Arsitektur sistem terdiri dari CNN untuk ekstraksi fitur spasial, jaringan saraf 3-lapisan untuk koneksi antar modul, serta penggunaan ZeroMQ dan Docker untuk mengurutkan data dan isolasi proses inferensi. Evaluasi dilakukan pada skenario batch dan real-time, mencakup pengukuran akurasi, F1-score, jumlah parameter, latensi inferensi, dan kestabilan pelatihan. Hasil penelitian menunjukkan bahwa SSM dan LSTM memiliki akurasi klasifikasi yang setara (sekitar 76%), namun SSM memiliki parameter yang lebih sedikit (50% parameter LSTM) kestabilan pelatihan, khususnya pada hidden size besar. Meskipun latensi inferensi keduanya serupa, SSM terbukti lebih ringan secara komputasi dan mudah dioptimasi, menjadikannya alternatif yang lebih praktis untuk sistem inferensi real-time berskala besar. Temuan ini mengindikasikan bahwa SSM merupakan alternatif yang efisien dan praktis untuk diterapkan dalam sistem inferensi real-time.

---

In the digital era, video has become the primary form of content across various social media platforms such as TikTok. With millions of videos uploaded daily, there is a need for an automated classification system capable of quickly and efficiently processing and categorizing content to support content moderation. This research aims to design and evaluate a real-time inference system based on deep learning for TikTok video classification, focusing on system efficiency, model accuracy, and training stability. The methodology involves modifying the Long-term Recurrent Convolutional Network (LRCN) architecture by replacing the LSTM with a State Space Model (SSM) as a drop-in replacement for modeling temporal sequences. The system architecture consists of a CNN for spatial feature extraction, a 3-layer neural network for intermodule connections, and the use of ZeroMQ and Docker for data sequencing and inference process isolation. Evaluation is conducted under both batch and real-time scenarios, including measurements of accuracy, F1-score, parameter count, inference latency, and training stability. The results show that SSM and LSTM achieve comparable classification accuracy (about 76%), but SSM have fewer parameter (50% of LSTM) and training stability, especially at larger hidden sizes. Although their inference latencies are similar, SSM is computationally lighter and easier to optimize, making it a more practical alternative for large-scale real-time inference systems. These findings indicate that SSM is an efficient and practical alternative for implementation in real-time inference systems."

"Kecerdasan buatan (artificial intelligence, AI) merupakan teknologi yang sedang berkembang dengan cepat pada masa ini. Adanya teknologi AI membuat banyak permasalahan sederhana dan kompleks dapat diatasi dengan program komputer. Salah satu penerapan dari teknologi AI yang memiliki perkembangan yang besar adalah pada computer vision, yang mana dapat dibuat program yang dapat mendeteksi dan mengklasifikasi objek pada suatu gambar. Pada bidang ini, computer vision dapat digunakan untuk mendeteksi rokok. Algoritma dapat dibuat untuk mengetahui jika ada objek rokok dan lokasi dari rokok tersebut pada gambar. Hal ini dapat berguna untuk menyensor rokok pada media video yang dikonsumsi oleh anak-anak. Pada media video, biasanya sensor dilakukan dengan cara manual dan dengan bantuan tracking. Cara ini dapat melelahkan karena walaupun dengan tracking, harus ada orang sebagai pendeteksi yang menunjukkan lokasi objek rokok secara berkala. Terdapat banyak arsitektur dan model algoritma untuk deteksi objek, salah satunya adalah YOLOv8 (You Only Look Once version 8). YOLOv8 adalah versi terbaru dari algoritma YOLO, yang mana merupakan salah satu algoritma state-of-the-art dalam deteksi objek. YOLO merupakan model dari Convolutional Neural Network (CNN) yang melakukan deteksi dengan konsep single stage detector, yaitu algoritma ini melakukan deteksi objek dengan menggunakan keseluruhan gambar sekaligus untuk menjadi masukan input neural network-nya. Cara ini membuat YOLO memiliki tingkat kecepatan yang tinggi mendekati real-time. Selain deteksi objek, diterapkan juga algoritma tracking yang berfungsi untuk menandai pergerakan objek rokok pada video. Sehingga objek rokok akan tetap disensor walaupun terjadi perubahan cahaya, terhalang objek lain, dan gangguan visual lainnya pada video. Algoritma tracking yang digunakan pada penelitian ini adalah ByteTrack. ByteTrack adalah algoritma tracking yang menggunakan komputasi yang minim karena dapat melakukan tracking dengan hanya memproses lokasi bounding box tiap frame video. Perbedaan algoritma ini dibandingkan yang lain adalah ByteTrack akan memanfaatkan semua hasil deteksi objek walaupun terdapat nilai confidence yang kecil. Pada penelitian ini didapatkan model training terbaik dari YOLOv8 dengan nilai presisi sebesar 86,5%, nilai recall sebesar 86,1%, nilai mAP 50 sebesar 88,1%, dan nilai mAP 50:95 sebesar 58,3%. Lalu pada konfigurasi confidence ByteTrack didapatkan hasil terbaik dengan pada confidence tahap pertama sebesar 0,247 dan tahap kedua sebesar 0,01. Hasil tracking ini mendapatkan nilai presisi sebesar 62,3%, nilai recall sebesar 62,7%, nilai akurasi sebesar 45,5%, dan nilai F1 sebesar 62,5%.

---

Artificial intelligence (AI) is a technology that is developing rapidly and popular in this era. AI technology creates the possibility to solve and overcome many simple complex problems. One example of the application of AI technology that has great development is computer vision, which is a concept that can make a computer program to detect and classify objects in an image.  Using computer vision, this technology can be used to detect cigarette. From image or video media, the algorithm can check if there is any cigarette and then locate the object in the image. This is useful to censor cigarette from media that consumed by children. On video medium, censorship usually done manually with the help of object tracking. This method can be tiring because even if object tracking is used, there must be a person as a detector that locate the cigarette every few frames. There are many architectures and models for object detection, YOLOv8 (You Only Look Once version 8) is one of them. YOLOv8 is the latest version of YOLO algorithm. YOLOv8 is considered as one of the state-of-the-art algorithm for object detection.  YOLO model is based from Convolutional Neural Network (CNN). The concept of this algorithm to detect object is called single stage detector, which means that it takes the whole image as input for its neural network thus only single image process needed. This concept makes YOLO fast to detect objects. Object tracking algorithm is also used to keep track detected cigarette even if there is a change in light, occlusion from other object, and other visual changes in the video. ByteTrack is used for the tracking algorithm in this study. ByteTrack works by processing bounding box location of each frame in video, making it use little computation. The main difference of this algorithm is that it process all bounding boxes from the object detection, including detected object with low confidence score. In this study, the YOLOv8 model managed to obtain the best performance with precision value of 86.5%, recall value of 86.1%, mAP 50 value of 88.1%, and mAp 50:95 value of 58.3%. For the confidence configuration of ByteTrack, best performance is achieved with 0.247 confidence score for the first association and 0.01 confidence score for the second association. The result of this configuration is a precision value of 62.5%, a recall value of 62.7%, an accuracy value of 45.5%, and a F1 score of 62.5%."

"Sistem deteksi korban SAR menggunakan UAV semakin mendapat perhatian penting dalam kegiatan SAR karena manfaatnya yang signi kan. UAV itu sendiri merupakan entitas Internet of Things (IoT). IoT pada umumnya memiliki resource komputasi yang terbatas, sehingga mengintegrasikan teknologi machine learning menjadi sebuah tantang- an. Untuk mengatasi masalah ini, pendekatan fog computing yang menempatkan re- source komputasi tambahan di dekat UAV dapat menjadi solusi yang potensial. Selain itu, model komunikasi publish/subscribe diperlukan untuk memungkinkan penggunaan lebih dari satu UAV. Dengan begitu, resource komputasi tambahan menjadi tidak terlalu dibu- tuhkan. Penelitian ini mengusulkan sistem deteksi korban SAR menggunakan UAV yang merupakan hasil adaptasi terhadap sistem FogVerse yang diusulkan oleh Basyar (2022). FogVerse adalah sistem smart-CCTV berbasis fog computing, menggunakan Kafka, se- buah alat yang menunjang model komunikasi publish/subscribe dan diintegrasikan de- ngan YOLOv5 untuk melakukan object detection. Penelitian ini juga bertujuan untuk mengukur kinerja sistem usulan dalam hal latency dan FPS pada konteks kegiatan SAR. Penelitian dilakukan secara quasi-eksperimental. Eksperimen dilakukan pada berbagai skenario, yaitu pengujian sistem secara lokal dan dengan bantuan cloud resource. Hasil eksperimen menunjukkan bahwa sistem yang diusulkan berhasil mengadaptasi FogVerse dengan latency kurang dari 1 detik pada skenario lokal dan kurang dari 5 detik pada ske- nario dengan bantuan cloud resource. Hasil tersebut lebih unggul dibandingkan dengan performa sistem FogVerse milik Basyar (2022) yang memiliki latency lebih dari 1 de- tik untuk skenario lokal. Untuk skenario dengan bantuan cloud resource, nilai latency FogVerse kurang lebih serupa, namun perlu diperhatikan bahwa FogVerse lebih banyak menggunakan wired communication, sedangkan sistem usulan penulis melibatkan lebih banyak wireless communication. Sehingga, performa sistem usulan memiliki latency lebih baik. Selain itu, sistem usulan memiliki nilai FPS lebih dari 9 FPS pada setiap skenario. Oleh karena itu, sistem usulan juga lebih baik daripada sistem deteksi korban SAR menggunakan UAV yang diusulkan oleh Martinez-Alpiste, Golcarenarenji, Wang, dan Alcaraz-Calero (2021), yang memiliki nilai FPS sebesar 6.8 FPS. Penelitian ini mem- berikan kontribusi dalam pengembangan sistem deteksi korban SAR menggunakan UAV yang e sien dan berpotensi membantu mewujudkan kegiatan SAR yang lebih baik.

---

SAR victim detection system using UAV has garnered signi cant attention due to its sub- stantial bene ts. UAV itself is an Internet of Things (IoT) entity. IoT often has limited computational resources, so integrating machine learning technologies become a chal- lenge. To address this issue, the fog computing approach, the approach in which addi- tional computational resources are placed near UAVs, emerges as a potential solution. Moreover, implementing the publish/subscribe communication model is necessary to en- able the use of multiple UAVs. By that, additional computation resources are not really needed. In this study, the author proposes an adaptation of the FogVerse system intro- duced by Basyar (2022) for the SAR victim detection system using UAV. FogVerse is a smart-CCTV system leveraging fog computing, utilizing Kafka, a tool that supports pub- lish/subscribe communication model and is integrated with YOLOv5 for object detec- tion. The research aims to evaluate the system’s performance in terms of latency and FPS within the context of SAR activities. The research was conducted in a quasi-experimental manner. Experiments are conducted with various scenarios, namely local testing and test- ing with cloud resource utilization. The experimental results demonstrate the successful adaptation of the proposed system, achieving latency of less than 1 second in the local scenario and less than 5 seconds in the cloud-assisted scenario. These results outperform Basyar’s (2022) FogVerse system, which exhibits latency exceeding 1 second in the local scenario. While the cloud-assisted scenario shows similar latency values for both Fog- Verse and the proposed system. It is noteworthy that the proposed system relies more on wireless communication, while FogVerse relies more on wired communication. So, the proposed system has better latency performance. Additionally, the proposed system achieves an FPS value of over 9 in all scenarios, surpassing the FPS of 6.8 exhibited by the SAR victim detection system using the UAV proposed by Martinez-Alpiste et al. (2021). This research contributes to the development of an ef cient SAR victim detection system using UAV and has the potential to enhance SAR activities."

"Sistem tata udara presisi merupakan sistem multivariabel yang mempunyai beberapa masukan dan keluaran (MIMO). Hal ini menyebabkan mencari model fisik dari sistem ini menjadi relatif sulit. Sehingga diperlukan identifikasi sistem yang bersifat black box. Selain itu, dibutuhkan identifikasi model yang bersifat adaptif, sehingga model yang didapat lebih baik dalam merepresentasikan sistem tata udara presisi. Identifikasi model ruang keadaan multivariabel pada sistem tata udara presisi dilakukan dengan menggunakan metode 4SID. Sistem tata udara presisi direpresentasikan dalam model linear dan sistem tidak linear. Model linear didapat dari model ruang keadaan, sedangkan sistem tidak linear didapat dari persamaan matematis sistem tersebut. Metode 4SID yang digunakan adalah MOESP rekursif dan PO-MOESP rekursif. Setelah didapat model ruang keadaan menggunakan kedua metode tersebut, selanjutnya dilakukan tes validasi dari model ruang keadaan yang didapat. Parameter yang digunakan untuk mengetahui tingkat validasi identifikasi adalah menggunakan nilai kesalahan (Jee). Selain itu, pada penelitian ini juga dituliskan hasil identifikasi model ruang keadaan menggunakan metode linearisasi dan N4SID offline. Hasil identifikasi secara offline yang terbaik dari model linear yang dilakukan adalah menggunakan metode N4SID. Untuk identifikasi secara rekursif, metode MOESP rekursif dan PO-MOESP rekursif pada penelitian ini belum dapat merepresentasikan sistem tidak linear. Metode-metode identifikasi rekursif ini relatif baik dalam mengidentifikasi model tidak linear dari sistem tata udara presisi berdasarkan nilai kesalahan (Jee). Pada penelitian ini, MOESP rekursif untuk identifikasi model linear menghasilkan model yang lebih baik disbanding PO-MOESP rekursif berdasarkan nilai kesalahan (Jee) juga.

---

Precision Air Conditioning System is a multivariable system with multi input and multi output (MIMO). It makes difficult to find out physical model of this system. Therefore, it is necessary to identify system using black box model. Besides, it is also necessary to identify model adaptively, so that it could represent the system better.

Identification of multivariable state space model in precision air conditioning system uses 4SID method. PAC system is represented by linear model and nonlinear system. Linear model of PAC is formed by state space model, and nonlinear system is formed by mathematical modeling of such system. 4SID methods that used are recursive MOESP and recursive PO-MOESP. After state space model is formed, the state space model is validated. Parameter that used for this validation is lost function (Jee). In this research, there are also identifications of state space model using linearization method and offline N4SID method.

The best result of offline identification of linear model in this research is N4SID method. In recursive identification, recursive MOESP and recursive PO-MOESP could not represent nonlinear system well. These recursive algorithms could represent linear model well based on criterion of lost function (Jee). In this research, the result of recursive MOESP identification is better than recursive PO-MOESP based on criterion of lost function (Jee) also."

"Rancangan awal real-time data pipeline sebelum optimasi dilakukan menggunakan sistem PubSub pada cloud yang menyimpan retensi data selama minimum 24 jam. Hal ini menyebabkan data yang telah terkumpul pada broker akan terus dikirimkan. Hal ini dapat mengakibatkan terjadinya pengulangan pengiriman data yang meningkatkan biaya overhead serta biaya operasional, waktu yang lebih lama untuk mentransmisikan data, dan duplikasi data yang menyebabkan tidak akuratnya data yang terkirim. Optimasi arsitektur yang diusulkan menggunakan database NoSQL dengan tujuan untuk memenuhi kebutuhan QoS level 2, latency, dan cost pada real-time data monitoring untuk healthcare. Hasil riset yang dicapai memenuhi kebutuhan monitoring data healthcare secara real-time dengan rancangan arsitektur yang diusulkan dan diimplementasikan pada cloud.

---

The initial design of real-time data transmission architecture was carried out using the PubSub system in the cloud which stores data retention for a minimum of 24 hours so that data that has been collected at the broker will continue to be sent. This can result in repeated data transmissions that increase overhead and operational costs, longer time to transmit data, and data duplication which causes inaccurate data sent. The proposed architecture optimization uses a NoSQL database designed to meet QoS level 2, latency, and cost in real-time data monitoring for healthcare. The research results were achieved to meet the needs of monitoring healthcare data in real-time with the proposed architecture design and implemented in the cloud. "

"Sistem tata udara presisi atau yang lebih dikenal dengan Precision Air Conditioning (PAC) merupakan mesin refrigerasi yang dapat mengendalikan temperatur dan kelembaban dari suatu data center sesuai dengan yang diinginkan, yaitu pada temperatur 20-25oC dan kelembaban relatif (RH) 40-55%. Pengendali yang digunakan adalah pengendali cerdas yang mengacu pada model state space. Pengendali jenis ini membutuhkan nilai state dalam desainnya. Namun pada realisasinya, sulit untuk menentukan state sistem tata udara presisi ini karena berbagai macam faktor, seperti keterbatasan peralatan elektronik, serta alasan ekonomi. Dalam kegiatan penelitian ini, akan diimplementasikan suatu metode yang digunakan untuk mengestimasi state. Metode yang digunakan adalah metode yang menggunakan algoritma identifikasi MOESP secara rekursif. Melalui proses dekomposisi nilai tunggal dan perhitungan matematis sederhana, akan diperoleh informasi estimasi state untuk waktu sekarang N N x? dan estimasi state untuk satu langkah ke depan pada waktu sekarang N N x 1 ? + . Proses validasi dilakukan cara membandingkan hasil estimasi state dengan state keluaran dari model yang diperoleh dari hasil identifikasi offline. Hasil estimasi state terbaik diperoleh melalui sistem tata udara presisi yang bersifat linier. Hasil estimasi state sangat bergantung dari model sistem yang diperoleh.

---

Precision Air Conditioning (PAC) is a refrigeration machine that can control temperature and humidity of a data center. The ideal temperature and Relative Humidity (RH) is 20-25oC and 40- 55%. The controller used is a smart controller that refers to the state space model. Controller of this type requires the value of states and parameters needed in the designing. But in its realization, it is difficult to determine the accurate states and parameters of the Precision Air Conditioning because of variety of factors, such as the limitations of electronic equipment, as well as economic reasons.

In this research, will implement a method used to estimate the state. The method used is a method that uses a recursive identification algorithm MOESP. Through the Single Value Decomposition (SVD) process and simple mathematical calculations , it will obtain the current state estimation N N x? and state estimation for the next step at the present time N N x 1 ? + . The validation process carried out to compare the estimated state with state from model obtained from offline identification. The best state estimation obtained through the linier system of Precision Air Conditioning value. State estimation results are dependent of the system model that is obtained."

"Skripsi ini membahas identifikasi sistem pendingin dalam bentuk model ruang keadaan. Data masukan dan keluaran diperoleh dari simulasi penurunan model matematis linier sistem ke dalam blok - blok simulink. Model yang dihasilkan adalah orde empat dengan 4 state variable; Suhu beban, suhu dinding evaporator, kapasitas pendingin (cooling capacity) evaporator, dan tekanan pada suction manifold. Identifikasi sistem dengan N4SID menghasilkan model ruang keadaan yang lebih baik dibandingkan dengan MOESP. Uji validasi model didapatkan dari kriteria loss function, nilai VAF, AIC, dan FPE. Efek pembobotan pada algoritma identifikasi tidak mengubah karakteristik keluaran model. Uji controllability dan observability diperlukan untuk membantu perancang untuk mendisain pengendali maupun observer.

---

This final project focus on identification of refrigeration system in state ' space form. Input and output data is given from linier mathematics reduction into a simulink block. The model has four state variable included; goods temperature, wall temperature, cooling capacity, and suction manifold pressure. N4SID model gives better performance than MOESP. Weighting in identification don't influence the model output.Validation test like loss function, VAF, AIC, and FPE criterion has given for both model. Controllability and observability test of the model has been taken to help engineer to design the controller and the observer."

"Sistem pengenalan wajah (face recognition system) merupakan salah satu sistem yang dibangun berdasarkan pre-trained model. Sistem ini memanfaatkan teknik biometrik yang menggunakan wajah sebagai pengenalan atau identifikasi seseorang. Implementasi sistem pengenalan wajah dapat diaplikasikan dalam berbagai macam aplikasi seperti sistem absensi untuk mengecek kehadiran, sistem monitoring pengunjung di tempat wisata ataupun tempat-tempat publik, hingga dapat digunakan untuk mengenali tingkah laku seseorang untuk analisis-analisis yang dibutuhkan di berbagai bidang. Dalam penelitian ini, akan diimplementasikan sistem pengenalan wajah untuk sistem absensi menggunakan metode pembelajaran deep learning. Proses training data dan validasi hasil pengenalan wajah akan dibandingkan antara model CNN (Convolutional Neural Network) berarsitektur ResNet-50 dengan VGG16 yang telah dilatih sebelumnya menggunakan dataset Open Data Science (ODSC) untuk mendapatkan model perancangan sistem wajah terbaik. Simulasi real-time dilakukan dengan menggunakan model latih dengan validasi akurasi tertinggi sebesar 98.2%. Model latih yang digunakan dalam simulasi adalah ResNet-50 dengan dataset B sebagai data training serta learning rate sebesar 0.01. Hasil analisis menunjukkan bahwa proses training menggunakan model ResNet-50 jauh lebih ringan dan memberikan hasil model pelatihan dengan validasi akurasi yang lebih tinggi dibanding dengan model VGG16 yang membutuhkan banyak resource selama proses training berlangsung. Pengujian real-time yang dilakukan menunjukkan bahwa model ResNet-50 akan akurat jika memperhatikan beberapa kondisi yang diperlukan seperti jarak deteksi harus 50 hingga 100 cm dari kamera deteksi dan posisi wajah harus lurus menghadap kamera deteksi.

---

The face recognition system is a system that is built based on a pre-trained model. This system utilizes biometric techniques that use the face as an identification or authentication of a person. The facial recognition system can be applied in various applications such as attendance systems to check attendance, visitor monitoring systems at tourist attractions or public places, and to identify a person's behavior for the analyzes needed in various fields. In this study, a facial recognition system will be implemented for the attendance system using deep learning methods. To obtain the best system design, training, and validation of facial recognition results will be compared between the CNN (Convolutional Neural Network) model with the ResNet-50 and VGG16, which has been previously trained using the Open Data Science (ODSC) dataset. Real-time simulations were carried out using a training model with the highest validation accuracy of 98.2%. The training model used in the simulation is ResNet-50 with dataset B as training data and a learning rate of 0.01. The analysis results show that the training process using the ResNet-50 model is much lighter and provides results with higher accuracy validation than the VGG16 model, which requires a lot of resources during the training process. Real-time testing has shown that the ResNet-50 model will be accurate if it considers several conditions, such as the detection distance must be 50 to 100 cm from the detection camera, and the face position must be in a straight facing towards the detection camera."

"Pemilik akun login umumnya sering mengalami kesulitan dalam mengatasi ketika akunnya dibobol oleh orang lain, bahkan untuk orang awam mereka tidak tahu kalau akun logi yang dia miliki telah dibobol orang lain. Kurangnya pengetahuanterhadap keamanan jaringan menimbulkan permasalahan yang banyak dialami oleh pemilik akun login yang minim pengetahuannya terhadap keamanan jaringan mulai dari aktifitas sehari-hari sampai masalah pendidikan. Salah satu solusi untuk membantu permasalahan tersebut adalah dengan menggunakan teknik keamanan jaringan dan menerapkan teknologi SMS gateway. Dalam implemenentasi system bantuan tersebut, penelitian ini difokuskan pada perancangan pengguna system bantuan pemilik akun login dan pengembangan sistem akun login berbasis SMS gateway. Perancangan pengguna sistem bantuan pemilik akun login serta pembuatan system tertanam. Perancangan pengguna system bantuan pemilik akun login berbasis SMS gateway diimplementasikan menggunakan GAMMU . Pengujian dilakukan berbasis web yang menggunakan PHP. Analisis pengujian system ini membuktikan bahwa penerapan metode berbasis SMS gateway untuk system pemilik akun login memberikan hasil akurasi tinggi dengan persentase 100% dari 10 kali pengujian. Metode pelumpuhan akses login memberikan hasil yang optimal untuk menolak akses login illegal.

---

Login account owner generally often have difficulty in overcoming compromised when their account by others, even to the layman they do not know if the account logy that he had been broken into someone else. lack of knowledge cause network security problems experienced by owners login account minimal knowledge of network security ranging from everyday activities to educational problems. One solution to help this problem is to use network security techniques and technologies apply the SMS gateway. In implemenentasi aid system, this research focused on designing user login account owner of the aid system and the development of systems-based SMS gateway account login. The design of the system user login account owner assistance and manufacture of embedded systems. Design aid system users login account owner based SMS gateway is implemented using Gammu. Web-based testing is done using PHP. Analysis of system testing is to prove that the application of methods based SMS gateway for system login account owner provide high accuracy results with the percentage of 100% of the test 10 times. Disabling login access method to provide optimal results to deny access to illegal logging."