Hasil Pencarian  ::  Simpan CSV :: Kembali

"Telah dibuat suatu sistem data akusisi pada sistem telemetri dan monitoring posisi kereta api dan jalur relnya menggunakan sensor GPS (Global Positioning System) dan sensor akselerometer. Dengan kedua sensor tersebut dapat dimonitoring dan disimpan data-data berupa posisi, kecepatan dan arah serta data percepatan pada sumbu X, Y, dan Z. Data tersebut dapat dikirimkan dari RTU (Remote Terminal Unit) ke server menggunakan sarana SMS (Sort Message Service) yang kemudian dimonitor dengan grafik dislplay sebagai antarmuka dengan operator dan juga disimpan dalam logger.

---

Data acquisition has been made for train position data and its track by telemetry and monitoring system. The system bases on GPS (Global Positioning System) sensor and accelerometer sensor. Some data including position data, velocity and direction and also acceleration data in X, Y and Z axes can be monitored and logged. The data can be sent from RTU (Remote Terminal Unit) to server by SMS (Sort Message Service) and then can be monitored and logged too in server side."

"Telah dibuat sebuah sistem absensi kehadiran yang dapat dikendalikan jarak jauh dengan memanfaatkan koneksi internet. Jaringan utama yang dimanfaatkan untuk koneksi adalah jaringan LAN (Local Area Network) dan jaringan GPRS digunakan sebagai pendukung. Pada saat koneksi pada jaringan LAN terputus maka koneksi pada jaringan GPRS akan diaktifkan, sehingga koneksi pengiriman data tidak terhambat. MYSQL 5 dipakai untuk menyimpan database kehadiran yang ada. AET63BioTRUSTKey merupakan smartcard reader yang dilengkapi dengan scanner sidik jari. AET63BioTRUSTKey dikendalikan oleh Visual Basic 6 dipakai sebagai input data kehadiran. Selain untuk mengendalikan smartcard reader, Visual Basic 6 dipakai untuk menginputkan data ke database dengan memanfaatkan webservice yang ditulis dalam bahasa PHP. Data diri pemilik disimpan pada smartcard untuk dicocokan pada database.

---

Has been made an attended system that can be controlled from long distance using internet connection. The main connection is LAN (Local Area Network). GPRS connection is used for back up. When LAN connection is hang out the system will switch directly to GPRS system. MYSQL 5 is used for saving database attendance. AET63BioTRUSTKey is a smartcard reader with fingerprint scanner. Visual Basic 6 is used for controlling AET63BioTRUSTKey, switching connection and for database logger. Webservice that?s used is written in PHP code. The information ID is saved in smartcard to be compare with database data."

"Penelitian ini bertujuan untuk mengoptimalkan performance dari peralatan yang digunakan dalam pembuatan lapisan tipis (film), yang meliputi catu daya evaporator, pengukur tekanan, pengukur temperatur dan pengukur tebal lapisan tipis, agar dapat bekerja secara terintegrasi dan terkendali.Beberapa hal yang dilakukan dalam penelitian ini adalah mendisain dan membuat rangkaian pengendali temperatur, memperbaiki rangkaian pengukur tekanan, serta memodifikasi rangkaian catu daya evaporator agar dapat dikendalikan secara otomatis oleh pengukur laju evaporasi.Pada akhir penelitian ini:1. Temperatur lapisan tipis (film) selama evaporasi dapat dijaga konstan pada temperatur tertentu yang diinginkan dengan fluktuasi ± 5 %.2. Tekanan ruang vakum dapat diukur menggunakan sebuah pengukur tekanan, baik untuk mengukur tekanan yang lebih besar dari 10-3 mbar dengan metode termal maupun tekanan yang lebih kecil dari 10-3 mbar dengan metode ionisasi. Pergantian dua metode pengukuran tekanan tersebut berlangsung secara otomatis.3. Laju evaporasi, proses pemanasan awal (pre deposisi) dan tebal akhir lapisan tipis yang diinginkan dapat diprogram sebelumnya. Daya listrik yang diberikan catu daya ke evaporator diatur sepenuhnya oleh rangkaian pengendali.Oleh karena proses pembuatan lapisan tipis dengan cara evaporasi termal ini bekerja secara otomatis maka kualitas lapisan tipis yang dihasilkannya akan lebih baik dan bersifat repetitif."

"Pola konsumsi pangan masyarakat Indonesia saat ini telah beralih dari sekedar pemenuhan kebutuhan dasar menjadi pola konsumsi makanan sehat yang disebut sebagai pangan fungsional. Beras berpigmen masuk kedalam jenis makanan fungsional karena mengandung banyak antioksidan yang berasal dari antosianin. Namun beras berpigmen dinilai mudah apek jika disimpan terlalu lama. Teknologi iradiasi dapat digunakan untuk mengawetkan makanan secara aman dan efektif sehingga dapat memperpanjang umur simpannya. Penyinaran radiasi gamma dengan dosis tertentu dapat menyebabkan terjadinya perubahan komposisi nutrisi yang terkandung dalam beras. Sehingga perlu dilakukan pengukuran kandungan nutrisi beras berpigmen pasca iradiasi untuk menjamin kesesuaian gizi pada beras tersebut.  Penelitian ini dilakukan untuk membangun sistem multi-output yang mampu memprediksi kadar total antosianin dan kadar air pada beras berpigmen teriradiasi berbasis pencitraan hiperspektral. Evaluasi model dilakukan dengan menghitung nilai root mean square error (RMSE) dan koefisien determinasi R2 dari model multi-output dan membandingkan performanya dengan model single-output. Hasilnya didapatkan bahwa model multi-output Spectral Xception mampu melakukan prediksi yang sangat baik dengan performa pengujian kadar total antosianin menghasilkan nilai RMSE sebesar 0,9105 dan R2 sebesar 0,9963, serta pengujian kadar air bernilai RMSE sebesar 0,2529 dan R2 sebesar 0,9784. Selain itu, model multi-output secara umum lebih efisien dibandingkan single-output karena proses pelatihannya 48% lebih cepat. Pada penelitian ini juga dilakukan evaluasi performa model multi-output Spectral Xception saat menggunakan dataset yang berbeda.

---

Food consumption pattern of the Indonesian people has shifted from merely fulfilling basic needs to becoming a healthy food consumption which is referred to functional food. Pigmented rice can be categorized as a type of functional food because it contains antioxidants derived from anthocyanins. However, pigmented rice is considered to be easily stale when stored for too long. Irradiation technology can be used to safely and effectively preserve food to extend its shelf life. Utilization of gamma radiation irradiation with certain doses can cause changes in the composition of the nutrients contained therein. So it is necessary to measure the nutritional content of post-irradiation pigmented rice to ensure the nutritional suitability of the rice. This research was conducted to develop a multi-output system to predict total anthocyanin content and water content in irradiated pigmented rice based on hyperspectral imaging. Model evaluation has been carried out by calculating the root mean square error (RMSE) value and the coefficient of determination R2 of the multi-output model and comparing its performance with the single-output model. The results showed that the multi-output spectral xception model was able to make very good predictions with test performance at total anthocyanin content RMSE values of 0.9105 and R2 0.9963, as well as testing for water content RMSE values of 0.2529 and R2 0.9784. In addition, the multi-output model is generally more efficient than the single-output model because the training process is 48% faster. This research also evaluates the performance of the multi-output spectral exception model when using different datasets."

"Berdasarkan dari situs arsip Mahkamah Agung, saat ini terdapat 64 laporan kasus penjualan daging ayam bangkai di Indonesia. Hal ini menjadi persoalan karena bisa jadi masih banyak kasus yang tidak terungkap karena belum memiliki instrumen atau alat ukur untuk mengetahui perbedaan dari daging ayam bangkai ataupun sehat. Salah satu teknik pengukuran yang sedang berkembang dengan menggunakan citra. Teknik pengukuran citra sangatlah efisien untuk melakukan pengukuran karena tidak memerlukan alat dan bahan tambahan serta tidak menghancurkan terlebih dahulu sampelnya. Salah satu pengambilan citra dengan menggunakan hiperspektral merupakan teknik yang cukup baik karena hiperspektral memiliki band yang bervariatif dan dapat melakukan pendeteksian multi parameter. Citra hiperspektral memiliki spektrum yang luas dari spektrum citra RGB. Spektrum tersebut dapat menjadikan informasi yang digunakan dalam melakukan pengukuran kadar dalam suatu objek. Namun, dalam pengukuran menggunakan hiperspektral membutuhkan biaya yang tinggi dan membutuhkan penyimpanan data yang besar. Oleh Karena itu, salah satu metode yang di lakukan adalah melakukan rekonstruksi dari bentuk citra RGB menjadi citra Hiperspektral. Citra RGB dapat digunakan dalam kehidupan sehari – hari dan penyimpanan dari citra RGB lebih kecil ukurannya. Maka, Penelitian ini melakukan Implementasi Dual Dense Convolutional Neural Network  untuk Rekonstruksi citra Visible Nearinfrared dan Klasifikasi Daging Ayam Bangkai. Dual Dense CNN merupakan gabungan dari Dense Block CNN untuk melakukan rekontruksi citra hiperspektral dari RGB dan DenseNet untuk klasifikasi citra hiperspektral. Variasi jumlah band target rekonstruksi dilakukan dengan tujuan memperoleh performa model terbaik pada model rekonstruksi dan klasifikasi. Performa model rekonstruksi terbaik diperoleh pada jumlah band 112 dengan nilai RMSE sebesar 0.0012 dan nilai MAE sebesar 0.0269. Sedangkan performa model klasifikasi terbaik direntang band 224 dengan akurasi training varietas ayam 86,00% dan status daging 97,65% serta memiliki nilai presisi dari varietas 91,00% dan 98,00% untuk status daging. Hasil pengujian dengan sistem klasifikasi dan rekonstruksi arsitektur Dual Dense CNN dapat dilakukan dengan citra RGB.

---

Until now, Indonesia has reported 64 cases of selling carcass chicken meat. This is a problem because there may still be many cases that are not uncovered because they do not yet have instruments or measuring instruments to find out the difference between carcass and healthy chicken meat. One measurement technique that is being developed is using imagery. Image measurement techniques are very efficient for making measurements because they do not require additional tools and materials and do not destroy the sample first. One of the image capture using Hyperspectral is a fairly good technique because Hyperspectral has varied bands and can perform multi-parameter detection. Hyperspectral image has a broad spectrum of the RGB image spectrum. The spectrum can make information used in measuring levels in an object. However, measurements using hyperspectral require high costs and require large data storage. Therefore, one of the methods used is to perform a reconstruction from the form of an RGB image to a hyperspectral image. RGB images can be used in everyday life and storage of RGB images is smaller in size. So, this research implements the Dual Dense Convolutional Neural Network for Visible Nearinfrared Image Reconstruction and Classification of Carrion Chicken Meat. Dual Dense CNN is a combination of Dense Block CNN to perform hyperspectral image reconstruction from RGB and DenseNet for hyperspectral image classification. Variation of the number of reconstruction target bands was carried out with the aim of obtaining the best model performance in the reconstruction and classification models. The best reconstruction model performance is obtained in the number of bands 112 with an RMSE value of 0.0012 and an MAE value of 0.0269. While the performance of the best classification model spanned band 224 with a training accuracy of 86.00% for chicken varieties and 97.65% for meat status and had a precision value of 91.00% for varieties and 98.00% for meat status. The results of testing the classification modeling and reconstruction of the Dual Dense CNN architecture can be done with RGB images."

"Senjata genggam kelas pistol, shoutgun, dan rifle sering digunakan dalam kegiatan kriminal. Sering kali objek senjata-senjata tersebut yang terekam sulit terdeteksi pada keramaian, dikarenakan pengawasan masih dilakukan dengan mata telanjang. Proses deteksi senjata-senjata tersebut pada rekaman bisa dibantu dengan menggunakaan Deep Learning. Dalam hal ini penulis mengusulkan menggunakan Deep Learning untuk mendeteksi senjata dan menentukan jenis senjata api yang terdeteksi. Penelitian ini bertujuan untuk mengimplementasikan Deep Learning pada robot deteksi senjata api berenis handgun, rifle, dan shotgun. Algoritma Deep Learning yang digunakan yaitu YOLO dan EfficientDet. YOLO merupakan salah satu metode pendeteksian objek tercepat dan akurat, mengungguli algoritma pendeteksian lainnya. Namun, algoritma YOLO memerlukan arsitektur komputer yang berat. Oleh karena itu YOLOv3-tiny dan YOLOv4-tiny, versi YOLOv3 yang lebih ringan, dapat menjadi solusi untuk arsitektur yang lebih kecil. Penulis menggunakan 3 versi YOLO yaitu YOLOv3-tiny, YOLOv4-tiny, dan YOLOv7. YOLOv -tiny memiliki FPS tinggi, yang seharusnya akan menghasilkan kinerja lebih cepat. Karena YOLOv-tiny adalah versi modifikasi dari YOLO versi aslinya, maka akurasinya meningkat, dan YOLOv3 sudah mengungguli SSD dan R-CNN yang lebih cepat. Sedangkan YOLOv7 sebagai versi modifikasi terbaru dari YOLO diuji performanya lebih baik dari YOLO versi yang lainnya atau tidak. Selain itu penulis menggunakan algoritma pendeteksian lainnya yaitu EfficientDet untuk pengujian apakah YOLO mengungguli algoritma pendeteksian lainnya. Tujuan lain dari penelitian ini yaitu untuk mengetahui performa training model Deep Learning terbaik yang akan diimplementasikan pada robot deteksi senjata api yang telah dirancang. Robot yang dirancang menggunakan Single Board Computer (SBC) yaitu Raspberry Pi model 4B yang kemudian didesain hingga berbentuk robot mars rover. Studi ini menemukan bahwa model YOLOv4-tiny adalah model Deep Learning yang diaplikasikan ke robot karena hasil training model ini menggungguli dari pada hasil training model Deep Learning lainnya. Nilai parameter hasil training model YOLOv4-tiny antara lain yaitu: mAP 82%, F1 score 78%, dan Avg. loss 0.74. Dengan demikian, studi ini juga berhasil megimplementasikan Deep Learning berbasis YOLO pada robot deteksi senjata api dengan nilai confidence pendeteksian rata-rata 99%. serta berhasil mengklasifikasi kelas jenis senjata yang terdeteksi.

---

Pistol, shoutgun and rifle class handheld weapons are often used in criminal activities. Often the objects of these weapons that are recorded are difficult to detect in the crowd, because monitoring is still carried out with the naked eye. The process of detecting these weapons in recordings can be assisted by using Deep Learning. In this case the author proposes using Deep Learning to detect weapons and determine the type of firearm detected. This research aims to design a weapon detection and weapon type classification tool based on Deep Learning algorithms. The Deep Learning algorithms used are YOLO and EfficientDet. YOLO is one of the fastest and most accurate object detection methods, outperforming other detection algorithms. However, the YOLO algorithm requires heavy computer architecture. Therefore YOLOv3-tiny and YOLOv4-tiny, lighter versions of YOLOv3, can be a solution for smaller architectures. The author uses 3 versions of YOLO, namely YOLOv3-tiny, YOLOv4-tiny, and YOLOv7. YOLOv -tiny has a high FPS, which should result in faster performance. Because YOLOv-tiny is a modified version of the original YOLO, its accuracy is improved, and YOLOv3 already outperforms faster SSDs and R-CNN. Meanwhile, YOLOv7 as the latest modified version of YOLO is tested whether its performance is better than other versions of YOLO or not. Apart from that, the author uses another detection algorithm, namely EfficientDet, to test whether YOLO outperforms other detection algorithms. Another aim of this research is to determine the performance of the best training model that will be applied to the tool that has been designed. The tool designed using a Single Board Computer (SBC), namely the Raspberry Pi model 4B, was then designed to take the form of a Mars rover robot. This study found that the YOLOv4-tiny model is a Deep Learning model that is applied to robots because the training results of this model are superior to the training results of other Deep Learning models. The parameter values resulting from the YOLOv4-tiny model training include: mAP 82%, F1 score 78%, and Avg. loss 0.74. Thus, this study also succeeded in designing a weapon detection and weapon type classification tool based on a Deep Learning algorithm with an average detection confidence value of 99%. and succeeded in classifying the class of weapons detected."

"ABSTRAKIsu kesehatan mental merupakan sebuah isu yang sangat berkembang pesat pada masa ini. Remaja dan dewasa muda pada usia 16 hingga 30 tahun adalah korban utama yang menjadi penderita penyakit mentalitas. Isu kesehatan mental merupakan isu yang cukup serius dalam bidang medis dan social. Salah satu penyebab dari penyakit pada mentalitas manusia adalah kurangnya kemawasan diri, yang merupakan salah satu kunci dalam menjaga kestabilan mental pada diri seseorang. Sinyal otak merupakan suatu sinyal yang diduga mampu mendekteksi aktifitas otak manusia, dan dari sinyal tersebut, kita mampu membuat suatu sistem klasifikasi kondisi emosional manusia. Pada penelitian ini, EEG Neurostyle dengan 24 kanal digunakan untuk menangkap sinyal kelistrikan dari otak manusia. Metodenya meliputi reaksi seorang subjek terhadap stimulus berupa audio-visual yang berdurasi kurang lebih 5 menit. Subjek terdiri dari 10 orang manusia berumur 18 hingga 22 tahun, dimana tiap subjek menonton sebuah video pada lingkungan yang sama. Ekspresi mimik wajah akan direkam menggunakan kamera sebagai referensi dan konfirmasi agar sesuai dengan emosi yang dideskripsikan oleh subjek. Fitur emosi berupa RPR kemudian diambil untuk kemudian dimasukan kedalam algoritme classifier. Emosi dibagi berdasarkan 4 jenis yaitu: senang, sedih, takut, dan jijik Menggunakan Supervised Machine Learning, kita dapat menggunakan fitur fitur tersebut untuk klasifikasi. Menggunakan k-NN, didapat akurasi diatas 70% dengan menggunakan 4 kelas.

---

ABSTRACT

Mental health issues are growing rapidly in these recent years. Teenagers and young adult on age 16-30 years old are the most common victims. Mental health is a really serious issue concerning emotional health. One of the causes on emotional health issues is a lack of self-awareness, which is the key cornerstone on maintaining emotional-state. Brain signals has proven that it can read human emotion, and from there we can use brain waves to classify human emotional-state. In this research study, EEG Neurostyle of 24 channels is used to obtain brain electrical signals. The method involves the subject reaction to a set of audio-visual stimuli of approximately 5 minutes, the subject consists of 10 subjects aged 18-22, with each person watched the video-clips in the same environment. The expressions of the subjects were recorded separately to ensure their emotion accordance with the source (i.e. sad clips resulting sad emotion). Then its feature were extracted. The feature were used to classify the emotion into 4 classes: happy, sad, scared, and disgust. Using Supervised Machine Learning Method, we can use these features to identify a new sample to predict which class it belongs to. Using k-NN algorithm as classifier, an accuracy greater than 70% is obtained with 4 classes."