Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data kehadiran adalah data yang penting baik di lingkup sekolah, universitas, maupun perkantoran untuk karyawan. Presensi yang berupa tandatangan dapat dipalsukan oleh siapa saja dan kapan saja. Sehingga dibutuhkan sebuah perangkat yang dapat mempermudah proses absensi sekaligus mendeteksi keterlambatan siswa/pegawai sebelum memasuki ruangan. Skripsi ini mengembangkan Smart Presence System berbasis Face Recognition dengan machine learning yang dirancang dengan komputasi pada awan (Cloud Computing) dan komputasi pada sebuah node/titik (Fog Computing). Skripsi ini melakukan perbandingan performa Smart Presence System yang dibangun dengan Cloud Computing menggunakan layanan AWS Face Rekognition dan Fog Computing yang ditulis menggunakan bahasa Python dengan library OpenCV yang menggunakan perangkat Raspberry Pi sebagai titik komputasi. Penulis telah melakukan pengujian perbandingan waktu komputasi, penggunaan memori, serta penggunaan biaya antara Cloud Computing dan Fog Computing. Pengujian waktu komputasi dilakukan dengan menggeser router/titik uji sejauh 3 meter, 5 meter dan 7 meter dari sensor kamera. Pengujian waktu komputasi pada Cloud Computing didpat sebesar 11.02 detik, 2.99 detik dan 3.02 detik dengan total penggunaan memori sebesar 0.0042 MB dan total biaya yang diperlukan untuk membangun rancangan Cloud Computing sebesar Rp2.819.516 dalam penggunaan 12 bulan. Dan rata-rata waktu untuk komputasi pada fog sebesar 0.723 detik, 0.99 detik, 1.94 detik dengan total penggunaan memori sebesar 540MB dan total biaya untuk membangun rancangan ini sebesar Rp2.220.00 dalam penggunaan 12 bulan.......Attendance document is an important thing in schools, universities, and offices for employees. Attendance is usually done by giving a signature on a piece of paper, and it can be forged by anyone. In school, attendance is usually done manually by the teacher and it takes time. So we need a device that can simplify the attendance process and can not be forged. This thesis has developed a Smart Presence System with machine learing designed with Cloud Computing and Fog Computing. This Thesis compared the performance of The Smart Presence System that built with Cloud Computing using AWS Rekognition and Fog Computing that built in Raspberry pi and written in python and library Opencv. The author has tested the comparison of Cloud Computing and Fog Computing in Computing Time, Memory usage and Cost. Computing time testing is done by shifting the router/test point as far as 3 meters, 5 meters, and 7 meters. The computing time on Cloud Computing were 11.02s, 2.99s, and 3.02s with total memory usage of 0.0042MB and the total cost is Rp.2.819.516 in 12 months of use. And The computing time on Fog Computing were o.72s, 0.99s, and 1.94s with the total memory usage of 540MB and the total cost to build this architecture is Rp2.220.000 in 12 months of use."

"Penggunaan perangkat Internet of Things (IoT) semakin meluas ke berbagai sisi kehidupan manusia. Oleh karena itu, semakin dibutuhkan pendekatan yang efektif untuk mengolah banyaknya data yang dihasilkan. Cloud computing dipercaya sebagai salah satu solusi untuk mengolah data pada jaringan internet dengan sumber daya yang ”tak terbatas”. Namun, hal ini memunculkan isu bandwidth yang terbatas ketika harus mengirimkan data yang besar dengan cepat ke cloud. Stream processing membantu dalam mengolah data yang datang dengan cepat setiap waktu. Fog computing merupakan paradigma pengolahan data pada perangkat yang dekat dengan sistem lokal sebelum diteruskan ke cloud. Penggunaan fog computing dengan stream processing membantu pengolahan data di lokal menjadi lebih efektif. Tidak hanya pemilihan paradigma komputasi, pemilihan model komunikasi untuk stream processing merupakan hal yang penting. Penggunaan Apache Kafka sebagai stream processing platform mendukung model komunikasi FogVerse. Apache Kafka mendukung FogVerse untuk mengolah data yang besar dan cepat, khususnya untuk sistem smart-CCTV. smart-CCTV merupakan salah satu contoh sistem yang membutuhkan pengolahan data yang bersifat besar dan cepat. Upaya untuk mendukung hal tersebut dilakukan dengan mengintegrasikan algoritma preprocessing. Pada penelitian ini, diusulkan pendekatan fog computing melalui empat skenario yang berisi kombinasi fog dan cloud untuk sistem smart-CCTV. Skenario 1 menggunakan Jetson Nano yang terhubung langsung dengan kamera sekaligus pengguna. Skenario 2 menggunakan komponen Jetson Nano dan kamera yang terhubung dengan Kafka lokal. Skenario 3 menggunakan kamera lokal dan mesin di cloud yang terhubung dengan Kafka cloud. Skenario 4 menggunakan fog dan cloud dengan implementasi preprocessing yang terhubung dengan Kafka lokal dan cloud. Evaluasi menghasilkan kesimpulan bahwa Skenario 2 memberikan framerate yang tinggi, delay yang rendah, serta memberikan peluang skalabilitas pada sistem.......The use of Internet of Things (IoT) devices has spread to almost all aspects of human life. This has resulted in an increased need for a distributed system management of IoT devices to process the large amounts of data. Cloud computing is one solution that is often used to process this data on the internet with unlimited resources. However, this results in a bandwidth issue when a large amount of data needs to be sent quickly to the cloud. Stream processing can help process the data that is sent continuously. Fog computing is a paradigm in which the data processing is done on a device close to the local system before forwarding the data to the cloud. Fog computing with stream processing help local data processing become more effective. Aside from the computation paradigm, the model communication for stream processing must be selected carefully. In this research, FogVerse is proposed with Apache Kafka as a stream processing platform for the communication model. Apache Kafka supports FogVerse to process the large amounts of data quickly, specifically for a smart-CCTV system. Smart-CCTV is an example of a system that needs quick processing for a lot of data. The technique to support that is done using data preprocessing. This study compares fog computing for smart-CCTV through four scenarios using a combination of fog and cloud. Scenario 1 uses a Jetson Nano that connected directly to the camera and users. Scenario 2 uses a Jetson Nano and camera connected through local Kafka. Scenario 3 uses local camera and cloud server connected through cloud Kafka. Scenario 4 uses fog and cloud with preprocessing technique connected through local and cloud Kafka. The results show that Scenario 2 gives a high framerate, low delay, and shows the most potential for system scalability."

"Penayangan iklan pada tempat umum cenderung dilakukan secara acak, sehingga pesan yang disampaikan bisa tidak tepat sasaran. Smart-ads billboard dapat menjadi salah satu solusi untuk menampilkan iklan yang sesuai dengan kondisi dan situasi pada suatu area. Smart-ads billboard dapat direalisasi menggunakan sensor secara real-time dengan memanfaatkan internet of things (IoT). Permasalahannya, perangkat IoT bisa saja menghasilkan data yang banyak dan berukuran besar, sedangkan perangkat IoT memiliki kapabilitas komputasi yang sangat terbatas. Penggunaan paradigma cloud computing dapat menjadi salah satu solusi, sebab resource yang terdapat pada cloud berjumlah jauh lebih banyak jika dibandingkan dengan perangkat IoT. Namun, limit bandwidth jaringan dapat meningkatkan latency pada suatu sistem, sehingga diterapkan paradigma fog computing. Untuk dapat mengimplementasikan fog computing pada sistem smart-ads billboard dengan mudah, pengaplikasian FogVerse sebagai basis dari sistem menjadi salah satu pilihan yang baik, sebab FogVerse dirancang khusus untuk menunjang stream data processing dengan menggunakan Apache Kafka. Sistem smart-ads billboard bekerja dengan mende- teksi jumlah orang pada suatu tempat, kemudian menampilkan iklan sesuai dengan jumlah orang yang ada. Untuk itu, dibutuhkan proses object detection secara real-time menggunakan suatu model machine learning. Penggunaan model machine learning YOLO dapat mendukung hal tersebut, karena YOLO dapat melakukan object detection secara real-time menggunakan deep learning. Penelitian ini menyelesaikan permasalahan smart-ads billboard dalam dua tahap. Pertama, dilakukan fine-tuning untuk implementasi YOLO untuk object atau person detection menggunakan crowdhuman dataset. Hal ini dilakukan untuk meningkatkan performa model dalam mendeteksi orang. Selanjutnya, model YOLO ini diadaptasi ke dalam sistem FogVerse untuk smart-ads billboard. Penelitian ini juga menunjukan faktor-faktor lain yang dapat memengaruhi latency dari sistem dan CPU utilization dari perangkat fog, serta bagaimana mengoptimalkan penggunaan perangkat fog dengan suatu scheduling algorithm.......Public advertisements shown on billboards, jumbotrons, and others are commonly randomized. Hence, some of the messages will not reach the targeted audience. Implementing a real-time smart-ads billboard to display advertisements according to the current situation around the sensor. This can be realized by utilizing Internet of Things (IoT) devices as a solution. Unfortunately, common IoT devices have a low computation capability. To avoid this limitation, the cloud computing paradigm can be a solution. But the latency caused by limited data transfer bandwidth from a local to a cloud device should be considered, especially if the application is delay-sensitive such as the smart-ads billboard. To avoid such things, the fog computing paradigm plays a big role by allowing the system to utilize fog resources before using cloud resources. Developing a smart-ads billboard system with FogVerse as its base application is an advantageous thing to do since FogVerse is designed for data stream processing by using Apache Kafka. Smart-ads billboard system works by detecting the number of people in an area and displaying an advertisement according to it. To do so, a real-time object detection process is essential. Since YOLO is capable to detect objects in real-time, it is sufficient for this type of system. This research approaches the problem in two steps. First, a study is conducted regarding object detection with YOLO, where the YOLO model is fine-tuned with the crowdhuman dataset. It is done to improve the model performance for crowd detection. Next, the YOLO model is used in the FogVerse architecture for smart ads billboards, alongside other factors that may affect system latency and CPU utilization of a fog device. This study also shows how to utilize the fog device optimally using a scheduling algorithm."

"Penayangan iklan pada tempat umum cenderung dilakukan secara acak, sehingga pesan yang disampaikan bisa tidak tepat sasaran. Smart-ads billboard dapat menjadi salah satu solusi untuk menampilkan iklan yang sesuai dengan kondisi dan situasi pada suatu area. Smart-ads billboard dapat direalisasi menggunakan sensor secara real-time dengan memanfaatkan internet of things (IoT). Permasalahannya, perangkat IoT bisa saja menghasilkan data yang banyak dan berukuran besar, sedangkan perangkat IoT memiliki kapabilitas komputasi yang sangat terbatas. Penggunaan paradigma cloud computing dapat menjadi salah satu solusi, sebab resource yang terdapat pada cloud berjumlah jauh lebih banyak jika dibandingkan dengan perangkat IoT. Namun, limit bandwidth jaringan dapat meningkatkan latency pada suatu sistem, sehingga diterapkan paradigma fog computing. Untuk dapat mengimplementasikan fog computing pada sistem smart-ads billboard dengan mudah, pengaplikasian FogVerse sebagai basis dari sistem menjadi salah satu pilihan yang baik, sebab FogVerse dirancang khusus untuk menunjang stream data processing dengan menggunakan Apache Kafka. Sistem smart-ads billboard bekerja dengan mende- teksi jumlah orang pada suatu tempat, kemudian menampilkan iklan sesuai dengan jumlah orang yang ada. Untuk itu, dibutuhkan proses object detection secara real-time menggunakan suatu model machine learning. Penggunaan model machine learning YOLO dapat mendukung hal tersebut, karena YOLO dapat melakukan object detection secara real-time menggunakan deep learning. Penelitian ini menyelesaikan permasalahan smart-ads billboard dalam dua tahap. Pertama, dilakukan fine-tuning untuk implementasi YOLO untuk object atau person detection menggunakan crowdhuman dataset. Hal ini dilakukan untuk meningkatkan performa model dalam mendeteksi orang. Selanjutnya, model YOLO ini diadaptasi ke dalam sistem FogVerse untuk smart-ads billboard. Penelitian ini juga menunjukan faktor-faktor lain yang dapat memengaruhi latency dari sistem dan CPU utilization dari perangkat fog, serta bagaimana mengoptimalkan penggunaan perangkat fog dengan suatu scheduling algorithm.......Public advertisements shown on billboards, jumbotrons, and others are commonly randomized. Hence, some of the messages will not reach the targeted audience. Implementing a real-time smart-ads billboard to display advertisements according to the current situation around the sensor. This can be realized by utilizing Internet of Things (IoT) devices as a solution. Unfortunately, common IoT devices have a low computation capability. To avoid this limitation, the cloud computing paradigm can be a solution. But the latency caused by limited data transfer bandwidth from a local to a cloud device should be considered, especially if the application is delay-sensitive such as the smart-ads billboard. To avoid such things, the fog computing paradigm plays a big role by allowing the system to utilize fog resources before using cloud resources. Developing a smart-ads billboard system with FogVerse as its base application is an advantageous thing to do since FogVerse is designed for data stream processing by using Apache Kafka. Smart-ads billboard system works by detecting the number of people in an area and displaying an advertisement according to it. To do so, a real-time object detection process is essential. Since YOLO is capable to detect objects in real-time, it is sufficient for this type of system. This research approaches the problem in two steps. First, a study is conducted regarding object detection with YOLO, where the YOLO model is fine-tuned with the crowdhuman dataset. It is done to improve the model performance for crowd detection. Next, the YOLO model is used in the FogVerse architecture for smart ads billboards, alongside other factors that may affect system latency and CPU utilization of a fog device. This study also shows how to utilize the fog device optimally using a scheduling algorithm."

"In this book, contributors provide insights into the latest developments of Edge Computing/Mobile Edge Computing, specifically in terms of communication protocols and related applications and architectures. The book provides help to Edge service providers, Edge service consumers, and Edge service developers interested in getting the latest knowledge in the area. The book includes relevant Edge Computing topics such as applications; architecture; services; inter-operability; data analytics; deployment and service; resource management; simulation and modeling; and security and privacy. Targeted readers include those from varying disciplines who are interested in designing and deploying Edge Computing.;"

"This book presents solutions to the problems arising in two trends in mobile computing and their intersection: increased mobile traffic driven mainly by sophisticated smart phone applications; and the issue of user demand for lighter phones, which cause more battery power constrained handhelds to offload computations to resource intensive clouds (the second trend exacerbating the bandwidth crunch often experienced over wireless networks). The authors posit a new solution called spectrum aware cognitive mobile computing, which uses dynamic spectrum access and management concepts from wireless networking to offer overall optimized computation offloading and scheduling solutions that achieve optimal trade-offs between the mobile device and wireless resources. They show how in order to allow these competing goals to meet in the middle, and to meet the promise of 5G mobile computing, it is essential to consider mobile offloading holistically, from end to end and use the power of multi-radio access technologies that have been recently developed. Technologies covered in this book have applications to mobile computing, edge computing, fog computing, vehicular communications, mobile healthcare, mobile application developments such as augmented reality, and virtual reality.- Gives readers valuable insights into the future of mobile computing and communication;- Touches on wireless technologies such as 5G, mobile edge computing (MEC), mobile cloud services, and cognition-based networking; - Provides examples throughout the book to provide insight into real world scenarios."

"This textbook presents an end-to-end Internet of Things (IoT) architecture that comprises of devices, network, compute, storage, platform, applications along with management and security components with focus on the missing functionality in the current state of the art. As with the first edition, it is organized into six main parts: an IoT reference model; Fog computing and the drivers; IoT management and applications ranging from smart homes to manufacturing and energy conservation solutions; Smart Services in IoT; IoT standards; and case studies. The textbook edition features a new chapter entitled The Blockchain in IoT, updates based on latest standards and technologies, and new slide ware for professors. It features a full suite of classroom material for easy adoption."