Publikasi Universitas Mercu Buana
Not a member yet
7303 research outputs found
Sort by
Perbandingan Performa Xception dan InceptionV1 untuk Pengenalan Ekspresi Wajah
No full textPenelitian ini bertujuan untuk menganalisis dan membandingkan performa dua arsitektur Convolutional Neural Network (CNN) populer, yaitu Xception dan InceptionV1, dalam tugas pengenalan ekspresi wajah (Facial Expression Recognition/FER). Penelitian ini dilakukan dengan pendekatan transfer learning dan fine-tuning menggunakan dataset FER-2013 yang berisi 35.887 citra wajah grayscale berukuran 48×48 piksel yang diklasifikasikan ke dalam tujuh emosi dasar. Setiap citra diubah ukurannya menjadi 224×224 piksel, dinormalisasi, dan diproses dengan teknik augmentasi untuk meningkatkan generalisasi model terhadap variasi ekspresi wajah, pencahayaan, dan pose. Proses pelatihan dilakukan selama 30 epoch menggunakan optimizer Adam dengan learning rate 0.0001 dan batch size 64. Strategi fine-tuning dilakukan dengan membuka 30% lapisan atas model untuk mengoptimalkan bobot fitur yang telah dipelajari sebelumnya dari dataset ImageNet. Evaluasi kinerja dilakukan berdasarkan metrik akurasi, presisi, recall, F1-score, serta efisiensi komputasi yang diukur dari waktu pelatihan dan inferensi. Hasil eksperimen menunjukkan bahwa Xception mencapai akurasi validasi 70,69% dengan waktu inferensi rata-rata 20–25 ms, sedangkan InceptionV1 mencapai 65,80% dengan waktu inferensi 43–126 ms. Arsitektur Xception terbukti lebih efisien secara komputasi karena memanfaatkan depthwise separable convolution yang mengurangi jumlah parameter tanpa menurunkan akurasi. Temuan ini menunjukkan bahwa Xception lebih sesuai untuk aplikasi FER real-time dan perangkat dengan sumber daya terbatas, serta memberikan dasar yang kuat bagi penelitian lanjutan dalam pengembangan sistem pengenalan ekspresi wajah berbasis video dan lingkungan dunia nyata
Perencanaan Jaringan 5G New Radio (NR) pada Frekuensi 3,5 GHz di Area Wisata Candi Borobudur Menggunakan Model Propagasi Urban Macro (UMa)
No full textPada penelitian ini, perencanaan jaringan 5G New Radio (NR) dilakukan pada frekuensi 3,5 GHz dengan menggunakan perangkat lunak Atoll 3.4 dengan studi kasus di area Wisata Candi Borobudur. Jaringan 5G New Radio (NR) diharapkan dapat memberikan kecepatan data yang lebih tinggi, latensi yang lebih rendah, dan kapasitas yang lebih besar dibandingkan dengan generasi sebelumnya Tujuan dari perencanaan ini adalah untuk mengestimasi cakupan jaringan di area Wisata Candi Borobudur yang memiliki luas area perencanaan sebesar 0,828 km². Model propagasi Urban Macro (UMa), berdasarkan standar 3GPP TR 38.901, digunakan untuk sinyal downlink. Penelitian ini berfokus pada kondisi downlink Outdoor-to-Outdoor (O2O) yang menganalisis kondisi Line of Sight (LOS) dengan mempertimbangkan dua parameter utama: Secondary Synchronous Reference Signal Received Power (SS-RSRP), dan SS Signal-to-Noise Ratio, and Interference Ratio (SS-SINR). Hasil perhitungan yang telah dilakukan, terdapat pelemahan sinyal sebesar 74,43 dB. Hasil coverage area planning, Wisata Candi Borobudur membutuhkan 18 site. Berdasarkan hasil dari simulasi menunjukkan bahwa nilai SS-RSRP dengan nilai rata-rata -48,56 dBm, dikategorikan sebagai “sangat baik” yang mencakup 100% area. Parameter SS-SINR memiliki nilai rata-rata -2,18 dB, mencakup 81,4% area dengan kategori “buruk”
Viral Marketing, Fear of Missing Out and Impulsive Buying Behavior Among Gen Z in Jakarta
No full textObjectives: This study is aimed at investigating the effects of viral marketing) on impulsive buying behavior mediated by fear of missing out (FoMO) among Gen Z customers in Indonesia.Methodology: This study adopts a quantitative method with cross-sectional design, including 209 Gen Z students from universities in Jakarta which were gathered using Purposive snowball sampling. Data were analyzed using structural equation modeling (SEM) with Partial Least Squares method to evaluate the validity of theoretical framework and to examine the proposed hypotheses.Finding: The findings demonstrate that viral marketing significantly affects the emergence of FoMO which mediates the relationship between viral marketing and impulsive buying behavior.Conclusion: The results are beneficial for marketers who aim to reach Gen Z and deal with the social and economic effects of inappropriate customer behavior that can happen when viral marketing campaigns are used too much. Gen Z will also become more aware and conscious if they learn these facts. This will help them resist the desire to buy things on impulse that viral marketing campaigns use to get customers to buy things
Dynamic Modeling of Lithium-ion Battery Degradation using Data-Driven and Physics-Informed Method
No full textAccurate real‑time prediction of lithium‑ion battery (LIB) capacity degradation is essential for embedded battery‑management systems. Equivalent circuit models (ECMs) execute quickly but lose accuracy with age, whereas purely data-driven networks achieve high precision at a high computational cost. This study introduces a physics‑informed neural network (PINN) that embeds the differential equations of a first‑order Thevenin ECM directly into the loss function. Using only terminal voltage and current as inputs, the network simultaneously estimates internal resistance, polarization resistance, polarization capacitance, open‑circuit voltage, and capacity loss. The model was trained and evaluated on 300 charge–discharge cycles of a 18650 lithium ferrous phosphate (LFP) cell. The resulting capacity degradation estimation achieved a root mean squared error (RMSE) of 0.012 and a mean absolute percentage error (MAPE) of 0.974 %, surpassing a neural ordinary differential equation baseline with RMSE of 0.215. The trained network contains 261 parameters, requires 0.6 ms per sample for inference, and consumes 49 MB of memory. This computation cost is far lighter relative to a long short‑term memory (LSTM) benchmark with comparable accuracy. In addition, the proposed model can also maintain its accuracy under limited dataset conditions. With a fourfold smaller training set, the PINN maintained an RMSE of 0.023, whereas the LSTM error increased to 0.72. The results demonstrate that lightweight neural networks guided by physics-based constraints can provide reliable and real‑time health estimation on resource‑limited hardware
Penerapan SVM dan Regresi untuk Prediksi Intensitas Sentimen Pemilu Presiden Indonesia
No full textDalam konteks pemilihan umum presiden Indonesia, analisis sentimen publik melalui media sosial merupakan alat yang penting untuk memahami persepsi dan reaksi masyarakat terhadap calon presiden dan kebijakan mereka. Studi ini mengembangkan model hybrid yang mengintegrasikan Support Vector Machine (SVM) dan Ridge Regression, menggunakan library BERT untuk memprediksi intensitas sentimen dari data Twitter. Pendekatan ini dirancang untuk mengatasi tantangan variabilitas ekspresi dan ambiguitas bahasa, yang sering kali mempersulit interpretasi data sentimen dengan tepat. Penelitian ini menggunakan teknik preprocessing yang komprehensif, termasuk pembersihan teks dan normalisasi data, serta penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas dalam dataset. Hasil dari penelitian ini menunjukkan bahwa model hybrid dapat mencapai tingkat akurasi, presisi, recall, dan F1-Score yang tinggi dengan tiga rasio yang berbeda, menegaskan keefektifan model dalam mengklasifikasikan dan mengukur intensitas sentimen. Temuan menunjukkan bahwa kombinasi SVM dan regresi, didukung dengan analisis BERT, efektif dalam mengklasifikasikan dan mengukur intensitas sentimen secara akurat. Hasil intensitas yang dijelaskan pada gambar 11 untuk kandidat Anies Baswedan mayoritas sentimen adalah netral sebesar 53.1%. Selanjutnya, pada gambar 12 untuk kandidat Prabowo Subianto netral sebesar 63.5% dan gambar 13 untuk kandidat Ganjar Pranowo dengan 62.9%
Implementasi Metode Perbandingan Eksponensial (MPE) untuk Menentukan Kelayakan Pemberian Kredit pada Usaha Mikro Kecil Menengah
No full textPenilaian kelayakan kredit merupakan langkah penting bagi koperasi simpan pinjam dalam memastikan bahwa dana pinjaman diberikan kepada nasabah yang memiliki kemampuan dan komitmen untuk mengembalikan kredit. Namun, proses penilaian yang dilakukan secara manual sering menimbulkan bias, membutuhkan waktu lama, dan kurang konsisten karena melibatkan banyak kriteria yang bersifat kompleks. Penelitian ini mengimplementasikan Metode Perbandingan Eksponensial (MPE) untuk membantu proses pengambilan keputusan dalam menentukan kelayakan pemberian kredit kepada UMKM. Metode MPE dipilih karena mampu memberikan pembobotan yang lebih sensitif terhadap perubahan nilai setiap kriteria, sehingga menghasilkan perhitungan yang lebih objektif. Data nasabah yang mencakup lima kriteria utama, yaitu character, capacity, capital, collateral, dan condition, diolah menggunakan rumus eksponensial untuk memperoleh nilai total keputusan. Hasil penelitian menunjukkan bahwa MPE mampu membedakan kelayakan kredit secara jelas, ditunjukkan oleh nilai akhir yang memberikan peringkat kelayakan nasabah secara akurat. Dari lima nasabah yang dianalisis, tiga dinyatakan layak menerima kredit dan dua dinyatakan tidak layak berdasarkan batas nilai yang ditetapkan (>50.000). Temuan ini menunjukkan bahwa metode MPE dapat menjadi alat bantu yang efektif bagi koperasi dalam meningkatkan ketepatan dan konsistensi penilaian kelayakan kredit
Implementasi YOLOv8 dan FaceNet untuk Sistem Keamanan Real-Time Berbasis IoT
No full textSistem keamanan CCTV konvensional umumnya hanya berfungsi sebagai perekam pasif tanpa kemampuan analisis otomatis, yang menyebabkan keterlambatan deteksi karena proses identifikasi dilakukan secara manual. Keterbatasan ini menimbulkan latensi tinggi dan akurasi deteksi yang rendah, sehingga menjadi masalah krusial dalam kebutuhan keamanan modern. System keamanan yang baik dapat mencegah tindak kejahatan yang bisa merugikan penghuni rumah baik fisik maupun materiil. Penelitian ini mengusulkan pengembangan sistem keamanan cerdas berbasis Internet Of Things (IoT) dengan integrasi deteksi wajah menggunakan YOLOv8 dan pengenalan wajah FaceNet menggunakan modul ESP32-CAM. Sistem ini dirancang untuk mendeteksi wajah secara real-time, identifikasi individu secara otomatis, serta pengiriman notifikasi instan melalui Telegram ketika terdeteksi wajah yang tidak dikenal. Metode penelitian ini meliputi perancangan arsitektur IoT, pengambilan dataset wajah, preprocessing menggunakan MTCNN, FaceNet untuk menghasilkan facial embeddings, serta implementasi YOLOv8 sebagai detektor wajah real-time. Evaluasi kinerja pengenalan wajah dilakukan dengan menerapkan metode 5-fold cross-validation pada dataset embedding FaceNet menggunakan pengklasifikasi k-NN. Hasil eksperimen menunjukan bahwa sistem mampu mendeteksi wajah dengan tingkat respon tinggi dan mengenali individu dengan akurasi yang konsisten pada pencahayaan dan jarak bervariasi. Hasil pengujian training rata-rata accuracy Top-1 mencapai 0.96 dan rata-rata accuracy Top-5 sebesar 0.99, YOLOv8 menunjukkan kemampuan deteksi wajah yang akurat dan cepat dengan waktu respon 1,86 detik pada server berbasis CPU Intel Core i5 dan GPU Intel UHD Graphics 620. Performa pengujian akurasi FaceNet dengan pengklasifikasi k-NN menghasilkan akurasi 99.35%, presisi 99,35%, recall 98,94%, F1-score 99,11%, dan FPR (False Positive Rate) 0,08%, hal ini menunjukkan bahwa sistem memiliki akurasi pengenalan wajah yang sangat tinggi dan konsisten. Sistem yang dikembangkan mampu memberikan peringatan instan kepada pengguna melalui Telegram saat terdeteksi wajah yang tidak dikenal, sehingga meningkatkan waktu respons terhadap potensi ancaman. Dengan performa yang stabil dan tangguh serta biaya implementasi yang rendah, sistem ini menawarkan solusi keamanan modern yang lebih adaptif, proaktif, efektif, dan efisien dibandingkan CCTV konvensional
Experimental investigation of PWHT and normalizing effects on SMAW low-carbon steel joint properties
No full textThe influence of post-weld heat treatment (PWHT) followed by normalizing on the mechanical properties of AH36 low-carbon steel is significant, particularly in the context of marine applications, such as shipbuilding welded joints. According to the extant literature, PWHT has been demonstrated to reduce residual stresses and enhance microstructural uniformity. However, the suitable PWHT temperatures for AH36 steel welds to balance strength, ductility, and toughness prior to normalizing remain underexplored. The objective of this study is to ascertain the suitable PWHT temperatures prior to normalizing, with the aim of improving weld performance in marine environments. A parametric study was conducted on AH36 steel specimens welded using shielded metal arc welding. The specimens were subjected to PWHT at 0°C (as-welded), 450°C, 600°C, and 750°C, followed by normalizing. Tensile, bending, and Charpy impact tests were utilized to assess the mechanical properties against established maritime safety standards. The results show that 600°C is the optimal PWHT temperature, effectively reducing residual stresses and promoting microstructural homogeneity. This, in turn, ensures that welds meet safety standards while preserving mechanical integrity. Higher temperatures increased the risk of brittleness, while lower temperatures provided insufficient stress relief. This study demonstrates that precise selection of PWHT temperature prior to normalizing is critical for ensuring reliable welds in marine structures. It identifies the optimal condition that maximizes strength, ductility, and impact toughness of AH36 steel while satisfying the Indonesian Classification Bureau (BKI) maritime safety standards.
Penerapan Fuzzy Logic Tsukamoto untuk Meningkatkan Efisiensi Produksi Tahu dan Tempe
No full textPenentuan jumlah produksi yang optimal merupakan aspek penting dalam pengelolaan usaha agar dapat menyeimbangkan antara permintaan pasar dan kapasitas produksi. Penelitian ini bertujuan untuk menentukan jumlah produksi tahudan tempe yang optimal pada Usaha Mandiri dengan menggunakan metode Fuzzy Logic Tsukamoto. Metode ini dipilih karena mampu mengolah data yang bersifat tidak pasti dan memberikan hasil yang lebih fleksibel berdasarkan variabel-variabel linguistik. Data yang digunakan meliputi jumlah permintaan, persediaan, dan kapasitas produksi. Proses analisis dilakukan melalui empat tahapan utama, yaitu fuzzifikasi, pembentukan basis aturan, inferensi fuzzy, dan defuzzifikasi. Berdasarkan hasil perhitungan yang dilakukan, diperoleh bahwa jumlah produksi tahu yang optimal pada tanggal 1 November 2025 adalah sebanyak 16.064 potong. Hasil ini diharapkan dapat menjadi acuan bagi Usaha Mandiri dalam pengambilan keputusan produksi yang lebih efisien dan adaptif terhadap perubahan permintaan pasa