Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengukuran viskositas zat cair merupakan aspek penting dalam berbagai industri. Dalam mengukur viskositas suatu cairan umumnya menggunakan viskometer bola jatuh. Namun penggunaan viskometer bola jatuh memiliki kekurangan dalam ketelitian dalam menentukan kecepatan terminal bola ketika mencapai kedalaman tertentu. Dalam penelitian ini, penulis merancang pendekatan baru yang menggabungkan teknologi pengolahan video dengan metode deep learning, khususnya algoritma You Only Look Once (YOLO), untuk mengukur viskositas zat cair secara efisien dan akurat. Pendekatan ini memungkinkan pengukuran viskositas dilakukan dengan menggunakan kamera sederhana, yang secara otomatis menganalisis pergerakan jatuhnya kelereng dalam suatu fluida. Penulis melatih model deep learning menggunakan dataset video jatuhnya bola pada suatu cairan yang diambil secara langsung menggunakan kamera smartphone, dan menunjukkan bahwa pendekatan ini mampu menghasilkan pengukuran viskositas yang akurat dengan waktu perhitungan yang lebih cepat dibandingkan menggunakan viskometer bola jatuh. Hasil percobaan menunjukkan bahwa model YOLO mampu mendeteksi 11 objek dari total 25 gambar dengan presisi 0,99 dan konsistensi tinggi (mAP50-95 sebesar 0,86). Model ini efektif dalam mendeteksi jatuhnya kelereng, dengan waktu pemrosesan per gambar yang cepat. Meskipun beberapa frame tidak terdeteksi, model menunjukkan akurasi tinggi dalam memprediksi viskositas dengan MAE sebesar 0,13, menjadikannya andal dan efisien untuk pengukuran viskositas dalam aplikasi industri dan laboratorium.......Viscosity measurement of liquid substances is an important aspect in various industries. The traditional method of measuring viscosity is by using a falling ball viscometer. However, this method has limitations in accurately determining the terminal velocity of the ball at a certain depth. In this research, the author designed a new approach that combines video processing technology with deep learning methods, specifically the You Only Look Once (YOLO) algorithm, to measure the viscosity of liquid substances efficiently and accurately. This approach allows viscosity measurement to be done using a simple camera, which automatically analyzes the movement of a marble falling in a fluid. The author trained a deep learning model using video datasets of the falling ball in a liquid captured directly using a smartphone camera, and demonstrated that this approach can produce accurate viscosity measurements with faster calculation time compared to using a falling ball viscometer. The experimental results demonstrated that the YOLO model accurately detected 11 objects out of 25 images with a precision of 0,99 and a consistent mAP50-95 score of 0,86. Applied to 7 video frames, it processed images quickly with times of 1,9 ms for preprocessing, 45,7 ms for inference, and 0,6 ms for post-processing. Despite some frames missing detections, the model achieved a high accuracy in predicting viscosity with a Mean Absolute Error (MAE) of 0,13, making it reliable for various industrial and laboratory applications."

"Pengukuran viskositas zat cair merupakan aspek penting dalam berbagai industri. Dalam mengukur viskositas suatu cairan umumnya menggunakan viskometer bola jatuh. Namun penggunaan viskometer bola jatuh memiliki kekurangan dalam ketelitian dalam menentukan kecepatan terminal bola ketika mencapai kedalaman tertentu. Dalam penelitian ini, penulis merancang pendekatan baru yang menggabungkan teknologi pengolahan video dengan metode deep learning, khususnya algoritma You Only Look Once (YOLO), untuk mengukur viskositas zat cair secara efisien dan akurat. Pendekatan ini memungkinkan pengukuran viskositas dilakukan dengan menggunakan kamera sederhana, yang secara otomatis menganalisis pergerakan jatuhnya kelereng dalam suatu fluida. Penulis melatih model deep learning menggunakan dataset video jatuhnya bola pada suatu cairan yang diambil secara langsung menggunakan kamera smartphone, dan menunjukkan bahwa pendekatan ini mampu menghasilkan pengukuran viskositas yang akurat dengan waktu perhitungan yang lebih cepat dibandingkan menggunakan viskometer bola jatuh. Hasil percobaan menunjukkan bahwa model YOLO mampu mendeteksi 11 objek dari total 25 gambar dengan presisi 0,99 dan konsistensi tinggi (mAP50-95 sebesar 0,86). Model ini efektif dalam mendeteksi jatuhnya kelereng, dengan waktu pemrosesan per gambar yang cepat. Meskipun beberapa frame tidak terdeteksi, model menunjukkan akurasi tinggi dalam memprediksi viskositas dengan MAE sebesar 0,13, menjadikannya andal dan efisien untuk pengukuran viskositas dalam aplikasi industri dan laboratorium.......Viscosity measurement of liquid substances is an important aspect in various industries. The traditional method of measuring viscosity is by using a falling ball viscometer. However, this method has limitations in accurately determining the terminal velocity of the ball at a certain depth. In this research, the author designed a new approach that combines video processing technology with deep learning methods, specifically the You Only Look Once (YOLO) algorithm, to measure the viscosity of liquid substances efficiently and accurately. This approach allows viscosity measurement to be done using a simple camera, which automatically analyzes the movement of a marble falling in a fluid. The author trained a deep learning model using video datasets of the falling ball in a liquid captured directly using a smartphone camera, and demonstrated that this approach can produce accurate viscosity measurements with faster calculation time compared to using a falling ball viscometer. The experimental results demonstrated that the YOLO model accurately detected 11 objects out of 25 images with a precision of 0,99 and a consistent mAP50-95 score of 0,86. Applied to 7 video frames, it processed images quickly with times of 1,9 ms for preprocessing, 45,7 ms for inference, and 0,6 ms for post-processing. Despite some frames missing detections, the model achieved a high accuracy in predicting viscosity with a Mean Absolute Error (MAE) of 0,13, making it reliable for various industrial and laboratory applications."

"SAR (Search and Rescue) menjadi topik yang menarik dibahas di seluruh dunia karena urgensinya untuk menyelamatkan nyawa manusia. Bencana alam baru-baru ini di Palu, Sulawesi Tengah Indonesia menunjukkan kurangnya mobilitas yang dapat menyebabkan masalah bagi tim SAR untuk menjangkau korban di daerah terpencil. Pekerjaan yang tidak nyaman bagi tim SAR menjadi lebih menantang dalam waktu tanggap dan dalam menemukan dan menyelamatkan korban bencana. Melihat kenyataan tersebut, perlu dikembangkan cara-cara yang lebih efisien dan efektif untuk menemukan dan menyelamatkan korban. Penggunaan Quadcopter dapat mengatasi masalah tersebut. Sayangnya Quadcopter masih dikendalikan secara konvensional dengan remote dan untuk selanjutnya harus berada di tanah statis setiap kali lepas landas atau mendarat. Studi ini melaporkan bahwa Quadcopter dilengkapi dengan sistem lepas landas dan mendarat otonom yang dinamis. Dengan demikian dapat memanfaatkan kendaraan SAR taktis atau platform seluler lainnya. Menggunakan pendekatan deteksi objek, sistem navigasi berbasis gambar di Quadcopter atau disebut visual servoing adalah penggunaan visi mesin sebagai kontrol posisi loop tertutup untuk gerakan. Gambar dapat dideteksi menggunakan YOLO v3 Real Time Object Detector, dan melacaknya dengan memperkirakan gerakan objek dalam bingkai video yang berurutan. Menggunakan rekonstruksi 3D, jarak dan posisi target yang ditentukan dan Quadcopter dapat ditentukan. Kemudian estimasi posisi relatif objek tersebut digunakan sebagai input untuk sistem kontrol pada Quadcopter menggunakan kontroler PID. Controller menginstruksikan Quadcopter untuk mendekati target, sedangkan image processing memeriksa posisi relatif antara keduanya. Jika posisi memenuhi parameter pendaratan minimum, maka pengontrol memerintahkan pendaratan. Sementara untuk lepas landas kami menerapkan kontrol untuk menjaga keseimbangan dan kekuatan yang cukup untuk memperlambat......SAR (Search and Rescue) is an interesting topic discussed around the world because of its urgency to save human lives. The recent natural disaster in Palu, Central Sulawesi Indonesia demonstrated a lack of mobility which could cause problems for SAR teams to reach victims in remote areas. An inconvenient job for the SAR team becomes more challenging in response time and in finding and rescuing disaster victims. Seeing this reality, it is necessary to develop more efficient and effective ways to find and save victims. The use of Quadcopter can solve this problem. Unfortunately the Quadcopter is still conventionally controlled by remote and henceforth must be on static ground every time it takes off or lands. The study reports that the Quadcopter is equipped with a dynamic autonomous take-off and landing system. Thus can take advantage of tactical SAR vehicles or other mobile platforms. Using object detection approach, image based navigation system in Quadcopter or called visual servoing is the use of machine vision as closed loop position control for movement. Images can be detected using the YOLO v3 Real Time Object Detector, and track them by estimating the motion of objects in successive video frames. Using 3D reconstruction, the distance and position of the specified target and the Quadcopter can be determined. Then the estimated relative position of the object is used as input for the control system on the Quadcopter using a PID controller. The controller instructs the Quadcopter to approach the target, while image processing checks the relative position between the two. If the position meets the minimum landing parameters, then the controller orders a landing. While for takeoff we apply controls to maintain balance and enough force to slow down"

"Peningkatan jumlah kendaraan beserta pelanggaran lalu lintas setiap tahunnya membuat semakin sulit bagi pihak berwenang untuk mendeteksi dan menindak pelanggaran tersebut. Salah satu pelanggaran yang menantang untuk dideteksi adalah penggunaan plat palsu pada mobil. Implementasi Intelligent Transportation System (ITS) dalam sistem lalu lintas dapat memberikan kontribusi signifikan dalam mendeteksi jenis pelanggaran ini. Beberapa studi sebelumnya telah sukses menerapkan ITS untuk mendeteksi dan mengklasifikasikan kendaraan menggunakan deep learning, memberikan solusi dalam penanganan pelanggaran lalu lintas. Penerapan teknologi ini dapat memberikan dukungan yang efektif bagi pihak berwenang dalam mengambil tindakan yang tepat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi tipe mobil dan plat nomornya. Dalam pendekatan ini, model deep learning YOLO-NAS dan EfficientNet digunakan untuk mendeteksi dan mengklasifikasikan jenis mobil serta plat nomornya. Sebagai pendukung, model SRGAN digunakan untuk meningkatkan resolusi citra plat mobil. Untuk tujuan mendeteksi penggunaan plat palsu pada kendaraan, maka selanjutnya hasil dari sistem ini dapat diintegrasikan dengan database plat dan jenis kendaraan untuk mendeteksi plat yang palsu. Performa terbaik pada masing-masing model adalah 92% untuk akurasi validasi model EfficientNet dengan menggunakan layer dense sebesar 1024 dan dropout sebesar 0.2, 93% pada nilai mAP dan 1.24 pada nilai validasi loss untuk model YOLO-NAS dengan melakukan training sebanyak 30 epoch, serta nilai PSNR sebesar 19.5 dan nilai validasi loss sebesar 2.8 untuk model SRGAN dengan learning rate generator sebesar 0.001 dan learning rate discriminator sebesar 0.0001. Dibutuhkan pengembangan lebih lanjut pada model ini agar dapat dipakai secara real-time.......The increasing number of vehicles and traffic violations each year makes it increasingly challenging for authorities to detect and address these violations. One of the challenging offenses to detect is the use of fake license plates on cars. The implementation of Intelligent Transportation Systems (ITS) in traffic can significantly contribute to detecting such violations. Several studies have successfully applied ITS for vehicle detection and classification using deep learning, providing a solution for handling traffic violations. The adoption of this technology can effectively support authorities in taking appropriate actions. Based on existing literature, this research aims to develop a system for detecting the type and license plates of vehicles. In this approach, deep learning models, YOLO-NAS, and EfficientNet are used to detect and classify the type of vehicles and their license plates. As a supportive model, SRGAN is utilized to enhance the resolution of license plate images. This research is expected to contribute to improving the effectiveness of traffic violation detection, particularly concerning the use of fake plates on vehicles. Furthermore, the results from this system can be integrated with license plate and vehicle type databases to detect fake plates. The best performance of each model is 92% for the validation accuracy of the EfficientNet model using a dense layer of 1024 and a dropout of 0.2, 93% for the mAP value and 1.24 for the validation loss value for the YOLO-NAS model after training for 30 epochs, and a PSNR value of 19.5 and a validation loss value of 2.8 for the SRGAN model with a generator learning rate of 0.001 and a discriminator learning rate of 0.0001. Further development of this model is needed for real-time application."

"Sambungan las pada material perlu diuji dengan metode Non-Destructive Testing untuk memastikan spesifikasi desain dan fungsi material terpenuhi serta menjamin keamanan dan keandalan, karena cacat pada sambungan las dapat terjadi selama proses pengelasan. Deteksi cacat las merupakan bagian dari evaluasi citra radiografi yang dilakukan oleh ahli radiografi. Evaluasi citra radiografi dengan metode konvensional memiliki beberapa kekurangan, di antaranya proses pengolahan citra secara konvensional kompleks dan lama, hasil interpretasi yang terlalu subjektif, kurang konsisten terutama pada jumlah citra yang banyak, dan bias pada cacat yang serupa. Kekurangan ini dapat dikompensasi melalui otomatisasi evaluasi menggunakan algoritma deep learning dan computer vision berbasis YOLO. Penelitian ini membangun model deteksi dan segmentasi cacat las menggunakan arsitektur YOLOv8. Dataset yang digunakan adalah citra radiografi dengan bentuk penampang las horizontal dari database GDXRay dan citra radiografi elips (DWDV) dari hasil akuisisi dengan metode computed radiography. Penerapan teknik augmentasi citra geometri dan mosaik diterapkan untuk mengatasi keterbatasan dataset. Keluaran yang dihasilkan dari penelitian ini adalah model yang dibangun dapat melakukan deteksi dan segmentasi sebanyak 10 jenis cacat las, yaitu crack, cavity, excessive penetration, incomplete penetration, lack of fusion, porosity, slag inclusion, tungsten inclusion, undercut, dan worm-hole dengan nilai mAP untuk model yang dibangun dengan teknik augmentasi geometri adalah mAP50 = 0.798 dan mAP50-95 = 0.603 untuk bounding box, serta mAP50 = 0.790 dan mAP50-95 = 0.530 untuk mask. Sementara nilai mAP pada model yang dibangun dengan teknik augmentasi mosaik adalah mAP50 = 0.907 dan mAP50-95 = 0.743 untuk bounding box, serta mAP50 = 0.896 dan mAP50-95 = 0.648 untuk mask. Model deteksi dan segmentasi yang telah dibangun diharapkan dapat membantu operator dan ahli radiografi, serta calon operator dan ahli radiografi dalam mengevaluasi cacat las dengan lebih efisien dan akurat.........Non-Destructive Testing needs to be performed on welded joints in materials to ensure that design specifications and material functions are fulfilled, as well as safety and reliability, due to defects in welded joints that may occur during the welding process. The evaluation of radiographic images includes the detection of weld defects by radiographers. Conventional radiographic image evaluation is more complex and time-consuming, subjective, inconsistent, especially in large numbers of images, and occasionally biased with respect to defects with similar features. This limitation can be compensated for by using YOLO-based deep learning and computer vision algorithms for evaluation automation. Using the YOLOv8 architecture, this study develops a detection and segmentation model for weld defects. A radiographic image with a horizontal weld region from the GDXRay database and an elliptical radiographic image (DWDV) from the acquisition using the computed radiography method represent the dataset. In order to overcome the limitations of the dataset, the geometric and mosaic image augmentation techniques were utilized. The mAP values for models built using the geometric augmentation are mAP50 = 0.798 and mAP50-95 = 0.603 for bounding boxes, and mAP50 = 0.790 and mAP50-95 = 0.530 for masks. Meanwhile, the mAP values for the model built using the mosaic augmentation are mAP50 = 0.907 and mAP50-95 = 0.743 for bounding boxes, and mAP50 = 0.896 and mAP50-95 = 0.648 for masks. The proposed model is able to detect and segment up to ten classes of weld defects, including cracks, cavities, excessive penetration, incomplete penetration, lack of fusion, porosity, slag inclusion, tungsten inclusion, undercut, and worm-hole. It is expected that the proposed detection and segmentation model will aid radiographers in evaluating weld defects more precisely and efficiently."

"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."

"Pandemi Coronavirus Disease-19, saat ini masih merupakan sebuah permasalahan di Negara Indonesia, dengan nilai infeksi yang mencapai 6 juta dan nilai kematian mencapai 156 ribu. Permasalahan ini juga turut menghambat dilakukannya kegiatan pembelajaran secara tatap muka, dikaerenakan pelaksanaan pembelajaran secara tatap muka dapat meningkatkan risiko mengingkatnya nilai infeksi Covid-19 di Indonesia. Salah satu metode pencegahan penyebaran virus ialah protokol Social Distancing, yang memiliki efektivitas hingga 84% dalam mencegah kemunculan kasus infeksi baru dan 66% untuk mencegah kematian akibat Covid-19. Efektivtias tersebut menyebabkan wajibnya implementasi protokol tersebut dalam pelaksanaan pembelajaran tatap muka. Skripsi ini bertujuan untuk mengembangkan sistem berbasis kecerdasan buatan untuk mendukung penerapan pembatasan jaga jarak fisik dengan berfungsi sebagai pemantau dan pemberi notifikasi pelanggaran jaga jarak di dalam lingkup kampus atau sekolah menggunakan teknologi computer vision dan IoT. Sistem ini dikembangkan dikarenakan sulitnya menegakan dan memantau pelanggaran jaga jarak. Arsitektur sistem terdiri dari sistem pengambilan citra, sebuah unit komputer pemrosesan, dan server pusat. Deteksi pelanggaran jaga jarak fisik dilakukan dengan melakukan prediksi terhadap jarak antar siswa menggunakan image processing dan pendekatan matematis. Basis dari unit komputer pemrosesan ialah arsitektur YOLO-v5, serta komunikasi antar perangkat menggunakan HTTP dan MQTT. Peringatan akan disampaikan dengan cara notifikasi melalui media sosial telegram agar tidak terlalu mengganggu kegiatan pembelajaran di kelas. Server yang digunakan juga menggunakan jasa cloud agar keamanan data serta reliabilitas sistem dapat terjamin. Uji coba dilaksanakan dalam dua jenis ruangan belajar, yakni ruang kelas dan ruang komputer dengan metode akuisisi dataset secara real-time dan non-real time. Hasil uji coba dari implementasi sistem menunjukan F1 Score sebesar 95.02% dan 92.98% dalam ruang kelas dan F1 Score sebesar 84.63% dan 62.64% dalam ruang komputer, serta total keterlambatan yang berada dibawah 3 detik. Sehingga sistem cocok untuk segera diimplementasikan di lingkungan sekolah khususnya dalam ruang kelas.......The Covid-19 Pandemic currently is still a problem to Indonesia, with infection numbers going up to 6 million and covid-related deaths up to 156 thousand. This threat is the main reason why Offline/Synchronous Learning has not been fully implemented, as it could increase the number of infections in Indonesia. One of the main means to prevent the spread of virus is the Social-Distancing Protocol, which proves to have 84% effectivity on preventing new cases, and 66% on preventing deaths. The high effectivity is the reason why it is mandatory for Educational Institution to implement those protocols during Offline Learning. This thesis aims to develop new means to improve social distancing watch and violations notification using the Computer Vision and IoT Technology. The system is developed as it is very hard to watch and notify of any ongoing violations in every classroom. The system is consisted of Cameras, Image Procesor, and Server. The Image Processor backend relies on the YOLOv5 architecture and the communication protocol behind devices is MQTT and HTTP. Alerts will be sent using telegram as it is efficient on not disturbing the school teaching processes. And the server will be based on cloud-services to ensure reliability. Tests are done using two types of study room, the regular classroom and computer laboratory, datas are acquired with two methods, real-time and non-real time. Implementations show 95.02% and 92.98% F1 Score on classroom, and tests on computer laboratory shows 84.63% and 62.64% F1 Score on detecting social distancing violations and delay under 3 seconds. Which shows that the system is capable of being deployed in schools especially on regular classrooms."