Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Sistem Kerja Artificial Intelligence Software Aplikasi Clo 3d Pada Proses Pembuatan Produk Fashion Design
Get PDFPenggunaan teknologi berbasis artificial intelligence menjadi prioritas utama industri, karena tuntutan efektifitas produksi. Industri desain fashion berupaya mengefektifitaskan proses produksi desain berbasis digital menggunakan software aplikasi berbasis artificial intelligence. Software aplikasi CLO 3D merupakan salah satu software yang dapat memvisualisasikan desain fashion dalam bentuk virtual reality dengan menggunakan konsep kerja artificial intelligence. Penelitian ini merupakan jenis penelitian kualitatif studi kasus berfokus mendeskripsikan sistem kerja artificial intelligence pada prosedur pembuatan desain fashion menggunakan software aplikasi CLO 3D. Teknik pengumpulan data dengan wawancara dan observasi. Teknik pemilihan sampel menggunakan purposive sampling. Hasil penelitian bahwa prosedur pembuatan desain fashion menggunakan software aplikasi CLO 3D terdiri dari delapan tahap. Konsep kerja artificial intelligence terdapat pada tahap pertama dan delapan. Tahap pertama dapat membuat avatar berbasis virtual reality dengan menentukan spesifikasi ketentuan bentuk tubuh yang dinginkan. Tahap delapan membuat dan mengubah desain fashion dua dimensi menjadi tiga dimensi berdasarkan pola tubuh avatar yang sebelumnya sudah dibuat. Berdasarkan penelitian tersebut bahwa software aplikasi CLO 3D menerapkan konsep kerja artificial intelligence. Teknologi artificial intelligence pada software aplikasi CLO 3D dapat mempermudah dalam membuat desain fashion dalam bentuk virtual reality dan memberikan efektifitas waktu proses pembuatannya.
Abstract
The use of artificial intelligence-based technology is a top priority for the industry, due to the demands of production effectiveness. The fashion design industry seeks to make the digital-based design production process effective using artificial intelligence-based application software. The CLO 3D application software is one of the software that can visualize fashion designs in virtual reality using the concept of artificial intelligence work. This research is a type of qualitative case study research focused on describing the artificial intelligence work system in the fashion design creation procedure using the CLO 3D application software. Data collection techniques with interviews and observations. The sample selection technique uses purposive sampling. The results of the study show that the fashion design creation procedure using the CLO 3D application software consists of eight stages. The concept of artificial intelligence work is in the first and eighth stages. The first stage can create a virtual reality-based avatar by determining the specifications of the desired body shape. The eighth stage creates and changes two-dimensional fashion designs into three dimensions based on the avatar body pattern that has been previously created. Based on this research, the CLO 3D application software applies the concept of artificial intelligence work. Artificial intelligence technology in the CLO 3D application software can make it easier to create fashion designs in virtual reality and provide effectiveness in the manufacturing process time.Penggunaan teknologi berbasis artificial intelligence menjadi prioritas utama industri, karena tuntutan efektifitas produksi. Industri desain fashion berupaya mengefektifitaskan proses produksi desain berbasis digital menggunakan software aplikasi berbasis artificial intelligence. Software aplikasi CLO 3D merupakan salah satu software yang dapat memvisualisasikan desain fashion dalam bentuk virtual reality dengan menggunakan konsep kerja artificial intelligence. Penelitian ini merupakan jenis penelitian kualitatif studi kasus berfokus mendeskripsikan sistem kerja artificial intelligence pada prosedur pembuatan desain fashion menggunakan software aplikasi CLO 3D. Teknik pengumpulan data dengan wawancara dan observasi. Teknik pemilihan sampel menggunakan purposive sampling. Hasil penelitian bahwa prosedur pembuatan desain fashion menggunakan software aplikasi CLO 3D terdiri dari delapan tahap. Konsep kerja artificial intelligence terdapat pada tahap pertama dan delapan. Tahap pertama dapat membuat avatar berbasis virtual reality dengan menentukan spesifikasi ketentuan bentuk tubuh yang dinginkan. Tahap delapan membuat dan mengubah desain fashion dua dimensi menjadi tiga dimensi berdasarkan pola tubuh avatar yang sebelumnya sudah dibuat. Berdasarkan penelitian tersebut bahwa software aplikasi CLO 3D menerapkan konsep kerja artificial intelligence. Teknologi artificial intelligence pada software aplikasi CLO 3D dapat mempermudah dalam membuat desain fashion dalam bentuk virtual reality dan memberikan efektifitas waktu proses pembuatannya.
Abstract
The use of artificial intelligence-based technology is a top priority for the industry, due to the demands of production effectiveness. The fashion design industry seeks to make the digital-based design production process effective using artificial intelligence-based application software. The CLO 3D application software is one of the software that can visualize fashion designs in virtual reality using the concept of artificial intelligence work. This research is a type of qualitative case study research focused on describing the artificial intelligence work system in the fashion design creation procedure using the CLO 3D application software. Data collection techniques with interviews and observations. The sample selection technique uses purposive sampling. The results of the study show that the fashion design creation procedure using the CLO 3D application software consists of eight stages. The concept of artificial intelligence work is in the first and eighth stages. The first stage can create a virtual reality-based avatar by determining the specifications of the desired body shape. The eighth stage creates and changes two-dimensional fashion designs into three dimensions based on the avatar body pattern that has been previously created. Based on this research, the CLO 3D application software applies the concept of artificial intelligence work. Artificial intelligence technology in the CLO 3D application software can make it easier to create fashion designs in virtual reality and provide effectiveness in the manufacturing process time
Identifikasi Gejala Monkeypox pada Kulit Manusia Menggunakan Arsitektur Efficientnet-B1 dengan Optimalisasi Hyperparameter
Get PDFMonkeypox merupakan penyakit zoonosis yang memerlukan deteksi dini untuk penanganan yang tepat. Penelitian ini merancang model identifikasi gejala Monkeypox pada kulit manusia menggunakan arsitektur EfficientNet-B1 dengan optimalisasi hyperparameter. Dataset yang digunakan terdiri dari 3.192 gambar yang terbagi menjadi dua kelas, yaitu Monkeypox dan Non-Monkeypox. Proses perancangan model melibatkan tahapan identifikasi masalah, pengumpulan data, pre-processing data, perancangan arsitektur model dan pengimplementasian hyperparameter, evaluasi model, hingga analisis hasil. Evaluasi performa dilakukan dengan membandingkan model yang menggunakan optimalisasi hyperparameter dengan model yang tidak dioptimalisasi, menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model dengan optimalisasi hyperparameter mencapai performa yang sangat baik dengan nilai akurasi 99.22%, precision 99.15%, recall 99.43%, dan F1-Score 99.29%, jauh melampaui model tanpa optimalisasi yang mendapat akurasi pada angka 81.88%. Model yang dioptimalisasi hyperparameter juga menunjukkan efisiensi waktu pelatihan yang lebih baik, hanya membutuhkan 9 epoch untuk mencapai konvergensi, dibandingkan dengan 50 epoch pada model tanpa optimalisasi hyperparameter. Penelitian ini membuktikan bahwa optimalisasi hyperparameter berperan penting dalam meningkatkan akurasi dan efisiensi model untuk mengidentifikasi gejala penyakit Monkeypox, serta membuka peluang untuk pengembangan alat bantu diagnostik berbasis kecerdasan buatan.
Abstract
Monkeypox is a zoonotic disease that requires early detection for proper treatment. This study designs a Monkeypox symptom identification model on human skin using EfficientNet-B1 architecture with hyperparameter optimization. The dataset used consists of 3,192 images divided into two classes, namely Monkeypox and Non-Monkeypox. The model design process involves the stages of problem identification, data collection, data pre-processing, model architecture design and hyperparameter implementation, model evaluation, and result analysis. Performance evaluation is done by comparing models that use hyperparameter optimization with models that are not optimized, using confusion matrix. The results show that the model with hyperparameter optimization achieves excellent performance with an accuracy value of 99.22%, precision 99.15%, recall 99.43%, and F1-Score 99.29%, far exceeding the model without optimization which gets accuracy at 81.88%. The hyperparameter optimized model also showed better training time efficiency, requiring only 9 epochs to reach convergence, compared to 50 epochs in the model without hyperparameter optimization. This research proves that hyperparameter optimization plays an important role in improving the accuracy and efficiency of the model to identify Monkeypox symptoms, and opens up opportunities for the development of artificial intelligence-based diagnostic tools.Monkeypox merupakan penyakit zoonosis yang memerlukan deteksi dini untuk penanganan yang tepat. Penelitian ini merancang model identifikasi gejala Monkeypox pada kulit manusia menggunakan arsitektur EfficientNet-B1 dengan optimalisasi hyperparameter. Dataset yang digunakan terdiri dari 3.192 gambar yang terbagi menjadi dua kelas, yaitu Monkeypox dan Non-Monkeypox. Proses perancangan model melibatkan tahapan identifikasi masalah, pengumpulan data, pre-processing data, perancangan arsitektur model dan pengimplementasian hyperparameter, evaluasi model, hingga analisis hasil. Evaluasi performa dilakukan dengan membandingkan model yang menggunakan optimalisasi hyperparameter dengan model yang tidak dioptimalisasi, menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model dengan optimalisasi hyperparameter mencapai performa yang sangat baik dengan nilai akurasi 99.22%, precision 99.15%, recall 99.43%, dan F1-Score 99.29%, jauh melampaui model tanpa optimalisasi yang mendapat akurasi pada angka 81.88%. Model yang dioptimalisasi hyperparameter juga menunjukkan efisiensi waktu pelatihan yang lebih baik, hanya membutuhkan 9 epoch untuk mencapai konvergensi, dibandingkan dengan 50 epoch pada model tanpa optimalisasi hyperparameter. Penelitian ini membuktikan bahwa optimalisasi hyperparameter berperan penting dalam meningkatkan akurasi dan efisiensi model untuk mengidentifikasi gejala penyakit Monkeypox, serta membuka peluang untuk pengembangan alat bantu diagnostik berbasis kecerdasan buatan.
Abstract
Monkeypox is a zoonotic disease that requires early detection for proper treatment. This study designs a Monkeypox symptom identification model on human skin using EfficientNet-B1 architecture with hyperparameter optimization. The dataset used consists of 3,192 images divided into two classes, namely Monkeypox and Non-Monkeypox. The model design process involves the stages of problem identification, data collection, data pre-processing, model architecture design and hyperparameter implementation, model evaluation, and result analysis. Performance evaluation is done by comparing models that use hyperparameter optimization with models that are not optimized, using confusion matrix. The results show that the model with hyperparameter optimization achieves excellent performance with an accuracy value of 99.22%, precision 99.15%, recall 99.43%, and F1-Score 99.29%, far exceeding the model without optimization which gets accuracy at 81.88%. The hyperparameter optimized model also showed better training time efficiency, requiring only 9 epochs to reach convergence, compared to 50 epochs in the model without hyperparameter optimization. This research proves that hyperparameter optimization plays an important role in improving the accuracy and efficiency of the model to identify Monkeypox symptoms, and opens up opportunities for the development of artificial intelligence-based diagnostic tools
Seabank Apps: Niat Penggunaan Berkelanjutan Berdasarkan Extended Expectation Confirmation Model dan Delone & Mclean Model
Get PDFSeaBank Apps, sebagai aplikasi layanan perbankan digital yang cukup populer di Indonesia, masih menghadapi sejumlah tantangan yang ditandai dengan berbagai keluhan dari pengguna, seperti masalah keamanan, keandalan, dan kualitas layanan aplikasi (Suara Konsumen, 2024). Hal tersebut mendasari pentingnya memahami lebih dalam faktor-faktor yang dapat mempertahankan pengguna dalam konteks persaingan aplikasi keuangan digital yang semakin ketat. Penelitian ini bertujuan untuk mengeksplorasi niat penggunaan berkelanjutan aplikasi SeaBank berdasarkan extended Expectation Confirmation Model (ECM) dan DeLone & McLean Model. Metode yang digunakan survei kuantitatif dengan mengumpulkan data sebanyak 115 responden sebagai pengguna SeaBank. Data yang telah terkumpul dianalisis menggunakan teknik analisis data SmartPLS untuk menguji hubungan antar variabel yang dihipotesiskan. Hipotesis yang dikembangkan dalam penelitian ini sebanyak 13 hipotesis, dimana terdapat tiga hipotesis yang ditolak yaitu information quality dan service quality tidak berpengaruh terhadap satisfaction serta satisfaction tidak memediasi antara information quality terhadap continuance use intention. Variabel expectation confirmation menjadi faktor terbesar yang mempengaruhi satisfaction dan continuance use intention. Temuan ini bahwa pengelola aplikasi SeaBank perlu fokus pada peningkatan konfirmasi harapan dan kegunaan yang dirasakan untuk meningkatkan kepuasan dan niat penggunaan keberlanjutan. Penelitian ini memberikan wawasan penting bagi pengembang aplikasi dan manajer dalam merancang strategi yang efektif untuk mempertahankan pengguna. Informasi yang dihasilkan dari penelitian ini diharapkan dapat membantu pengambil keputusan dalam merancang strategi yang lebih efektif untuk meningkatkan user engagement dan retensi pengguna aplikasi perbankan digital.
Abstract
SeaBank Apps, as a relatively popular digital banking service application in Indonesia, still faces several challenges marked by various user complaints, such as issues related to security, reliability, and service quality of the application (Suara Konsumen, 2024). This underlines the importance of gaining a deeper understanding of the factors that can retain users in the increasingly competitive context of digital financial applications. This study aims to explore the continuance intention to use the SeaBank application based on the extended Expectation Confirmation Model (ECM) and the DeLone & McLean Model. The method used is a quantitative survey, collecting data from 115 respondents who are SeaBank users. The collected data were analyzed using SmartPLS data analysis techniques to test the hypothesized relationships between variables. The hypotheses developed in this study number 13, of which three hypotheses were rejected: information quality and service quality do not affect satisfaction, and satisfaction does not mediate the relationship between information quality and continuance use intention. The expectation confirmation variable is the largest factor influencing satisfaction and continuance use intention. The conclusion from these findings is that SeaBank application managers need to focus on improving expectation confirmation and perceived usefulness to enhance satisfaction and continuance use intention. This research provides valuable insights for application developers and managers in designing effective strategies to retain users. The information generated from this study is expected to assist decision-makers in crafting more effective strategies to increase user engagement and retention of digital banking applications.
SeaBank Apps, sebagai aplikasi layanan perbankan digital yang cukup populer di Indonesia, masih menghadapi sejumlah tantangan yang ditandai dengan berbagai keluhan dari pengguna, seperti masalah keamanan, keandalan, dan kualitas layanan aplikasi (Suara Konsumen, 2024). Hal tersebut mendasari pentingnya memahami lebih dalam faktor-faktor yang dapat mempertahankan pengguna dalam konteks persaingan aplikasi keuangan digital yang semakin ketat. Penelitian ini bertujuan untuk mengeksplorasi niat penggunaan berkelanjutan aplikasi SeaBank berdasarkan extended Expectation Confirmation Model (ECM) dan DeLone & McLean Model. Metode yang digunakan survei kuantitatif dengan mengumpulkan data sebanyak 115 responden sebagai pengguna SeaBank. Data yang telah terkumpul dianalisis menggunakan teknik analisis data SmartPLS untuk menguji hubungan antar variabel yang dihipotesiskan. Hipotesis yang dikembangkan dalam penelitian ini sebanyak 13 hipotesis, dimana terdapat tiga hipotesis yang ditolak yaitu information quality dan service quality tidak berpengaruh terhadap satisfaction serta satisfaction tidak memediasi antara information quality terhadap continuance use intention. Variabel expectation confirmation menjadi faktor terbesar yang mempengaruhi satisfaction dan continuance use intention. Temuan ini bahwa pengelola aplikasi SeaBank perlu fokus pada peningkatan konfirmasi harapan dan kegunaan yang dirasakan untuk meningkatkan kepuasan dan niat penggunaan keberlanjutan. Penelitian ini memberikan wawasan penting bagi pengembang aplikasi dan manajer dalam merancang strategi yang efektif untuk mempertahankan pengguna. Informasi yang dihasilkan dari penelitian ini diharapkan dapat membantu pengambil keputusan dalam merancang strategi yang lebih efektif untuk meningkatkan user engagement dan retensi pengguna aplikasi perbankan digital.
Abstract
SeaBank Apps, as a relatively popular digital banking service application in Indonesia, still faces several challenges marked by various user complaints, such as issues related to security, reliability, and service quality of the application (Suara Konsumen, 2024). This underlines the importance of gaining a deeper understanding of the factors that can retain users in the increasingly competitive context of digital financial applications. This study aims to explore the continuance intention to use the SeaBank application based on the extended Expectation Confirmation Model (ECM) and the DeLone & McLean Model. The method used is a quantitative survey, collecting data from 115 respondents who are SeaBank users. The collected data were analyzed using SmartPLS data analysis techniques to test the hypothesized relationships between variables. The hypotheses developed in this study number 13, of which three hypotheses were rejected: information quality and service quality do not affect satisfaction, and satisfaction does not mediate the relationship between information quality and continuance use intention. The expectation confirmation variable is the largest factor influencing satisfaction and continuance use intention. The conclusion from these findings is that SeaBank application managers need to focus on improving expectation confirmation and perceived usefulness to enhance satisfaction and continuance use intention. This research provides valuable insights for application developers and managers in designing effective strategies to retain users. The information generated from this study is expected to assist decision-makers in crafting more effective strategies to increase user engagement and retention of digital banking applications.
Penerapan Feature Engineering dan Hyperparameter Tuning untuk Meningkatkan Akurasi Model Random Forest pada Klasifikasi Risiko Kredit
Get PDF
Risiko kredit adalah hal yang penting untuk dianalisis di awal pengajuan kredit guna mengurangi nilai Non-Performing Loan (NPL) atau risiko gagal bayar. Pola pengetahuan risiko kredit bisa diketahui dari data-data historikal sehingga data pengajuan kredit baru bisa ketahui risikonya lebih awal. Pada penelitian-penelitian terdahulu, model klasifikasi untuk risiko kredit menggunakan Random Forest banyak ditemukan namun tidak mendalam dalam penerapan preprocessing dan akurasinya masih rendah. Maka penelitian ini bertujuan meningkatkan akurasi model klasifikasi algoritma Random Forest dengan menerapkan tuning parameter dan feature engineering yang lebih dalam. Metodologi penelitian yang digunakan adalah Sample, Explore, Modify, Models, dan Assess (SEMMA). Penelitian ini menerapkan berbagai kombinasi parameter dan menerapkan feature engineering untuk memperbaiki kualitas data. Feature engineering yang digunakan meliputi oversampling dan standardisasi. Hyperparameter tuning model Random Forest menggunakan metode Random Search dan Grid Search untuk mencari parameter paling optimal. Dataset penelitian adalah data sekunder (Credit Risk) yang terdiri dari 32.581 baris, 11 variabel prediktor dan 1 variabel respon. Hasil penelitian menunjukkan penerapan feature engineering signifikan meningkatkan akurasi model Random Forest, meningkat dari 92,56% menjadi 97,94% setelah menerapkan oversampling dan standarisasi. Sedangkan hyperparameter tuning tidak begitu signifikan meningkatkan akurasi model yang dibangun menggunakan dataset yang sudah dikenakan preprocessing maupun feature engineering dengan baik.
Abstract
Credit risk analysis is essential for minimizing the value of non-performing loans (NPL). Using historical data to understand credit risk patterns can help identify risks early in new credit applications. Previous research has often used Random Forest classification models for credit risk but found the need for more comprehensive preprocessing of applications and higher accuracy. This research aims to improve the accuracy of the Random Forest algorithm classification model by implementing parameter tuning and feature engineering. The SEMMA (Sample, Explore, Modify, Model, and Assess) methodology is used, which explores different parameters and feature engineering combinations to enhance data quality. Feature engineering techniques, such as oversampling and standardization, are applied. Hyperparameter tuning of the Random Forest model involves using Random Search and Grid Search methods to identify the optimal parameters. The research dataset, consisting of 32.581 lines, 11 predictor variables, and one response variable, is secondary data on Credit Risk. Results show that the application of feature engineering significantly improves the accuracy of the Random Forest model, increasing from 92,56% to 97,94% after applying oversampling and standardization. However, hyperparameter tuning does not significantly increase the accuracy of models built using well-preprocessed datasets or feature engineering.
Risiko kredit adalah hal yang penting untuk dianalisis di awal pengajuan kredit guna mengurangi nilai Non-Performing Loan (NPL) atau risiko gagal bayar. Pola pengetahuan risiko kredit bisa diketahui dari data-data historikal sehingga data pengajuan kredit baru bisa ketahui risikonya lebih awal. Pada penelitian-penelitian terdahulu, model klasifikasi untuk risiko kredit menggunakan Random Forest banyak ditemukan namun tidak mendalam dalam penerapan preprocessing dan akurasinya masih rendah. Maka penelitian ini bertujuan meningkatkan akurasi model klasifikasi algoritma Random Forest dengan menerapkan tuning parameter dan feature engineering yang lebih dalam. Metodologi penelitian yang digunakan adalah Sample, Explore, Modify, Models, dan Assess (SEMMA). Penelitian ini menerapkan berbagai kombinasi parameter dan menerapkan feature engineering untuk memperbaiki kualitas data. Feature engineering yang digunakan meliputi oversampling dan standardisasi. Hyperparameter tuning model Random Forest menggunakan metode Random Search dan Grid Search untuk mencari parameter paling optimal. Dataset penelitian adalah data sekunder (Credit Risk) yang terdiri dari 32.581 baris, 11 variabel prediktor dan 1 variabel respon. Hasil penelitian menunjukkan penerapan feature engineering signifikan meningkatkan akurasi model Random Forest, meningkat dari 92,56% menjadi 97,94% setelah menerapkan oversampling dan standarisasi. Sedangkan hyperparameter tuning tidak begitu signifikan meningkatkan akurasi model yang dibangun menggunakan dataset yang sudah dikenakan preprocessing maupun feature engineering dengan baik.
Abstract
Credit risk analysis is essential for minimizing the value of non-performing loans (NPL). Using historical data to understand credit risk patterns can help identify risks early in new credit applications. Previous research has often used Random Forest classification models for credit risk but found the need for more comprehensive preprocessing of applications and higher accuracy. This research aims to improve the accuracy of the Random Forest algorithm classification model by implementing parameter tuning and feature engineering. The SEMMA (Sample, Explore, Modify, Model, and Assess) methodology is used, which explores different parameters and feature engineering combinations to enhance data quality. Feature engineering techniques, such as oversampling and standardization, are applied. Hyperparameter tuning of the Random Forest model involves using Random Search and Grid Search methods to identify the optimal parameters. The research dataset, consisting of 32.581 lines, 11 predictor variables, and one response variable, is secondary data on Credit Risk. Results show that the application of feature engineering significantly improves the accuracy of the Random Forest model, increasing from 92,56% to 97,94% after applying oversampling and standardization. However, hyperparameter tuning does not significantly increase the accuracy of models built using well-preprocessed datasets or feature engineering
LSTM-IOT (LSTM-based IoT) untuk Mengatasi Kehilangan Data Akibat Kegagalan Koneksi
Get PDFMasalah dalam industri terkait kehilangan data suhu dan kelembaban sering terjadi akibat gangguan perangkat atau hilangnya koneksi. Data ini penting untuk menentukan kelayakan produk yang akan didistribusikan. Untuk mengatasi permasalahan tersebut, dikembangkan inovasi LSTM-IOT, yaitu perangkat IoT yang terintegrasi dengan model Long Short-Term Memory (LSTM) dalam arsitektur Environment Intelligence. Arsitektur ini telah dioptimalkan melalui eksperimen menggunakan berbagai jenis optimizer, seperti Adam, RMSprop, AdaGrad, SGD, Nadam, dan Adadelta. Dari hasil optimasi, kombinasi Nadam Optimizer dengan arsitektur terpilih menunjukkan kinerja unggul dengan nilai Mean Square Error (MSE) sebesar 5,844 x10⁻⁵, Mean Absolute Error (MAE) sebesar 0,005971, dan Root Mean Square Error (RMSE) sebesar 0, 007645. Arsitektur Environment Intelligence versi (a) dengan Nadam Optimizer terbukti paling efektif dalam memproses data sensor, sehingga dipilih untuk integrasi dengan perangkat LSTM-IOT. Implementasi LSTM-IOT dalam skenario dunia nyata dilakukan pada wadah web lokal yang memungkinkan akses real-time ke data suhu dan kelembaban di berbagai lokasi. Halaman web berbasis Streamlit ini menampilkan visualisasi data, performa LSTM, dan hasil prediksi. Uji fungsional menunjukkan bahwa LSTM-IOT memenuhi kebutuhan perusahaan, termasuk penyimpanan data dalam database internal serta prediksi kondisi lingkungan hingga 150 menit ke depan. Dengan fitur prediksi dan pemantauan yang canggih, perangkat ini memberikan solusi efisien dan bernilai tinggi bagi perusahaan dalam memantau kondisi lingkungan secara akurat dan proaktif.
Abstract
Problems in the industry related to temperature and humidity data loss are often caused by device interference or loss of connection. This data is important to determine the feasibility of the product to be distributed. To overcome these problems, an LSTM-IOT innovation was developed, namely an IoT device that is integrated with the Long Short-Term Memory (LSTM) model in the Environment Intelligence architecture. This architecture has been optimized through experiments using different types of optimizers, such as Adam, RMSprop, AdaGrad, SGD, Nadam, and Adadelta. From the optimization results, the combination of Nadam Optimizer with the selected architecture shows superior performance with a mean square error (MSE) value of 5.844 x 10⁻⁵, a mean absolute error (MAE) of 0.005971, and a root mean square error (RMSE) of 0.007645. The Environment Intelligence architecture version (a) with Nadam Optimizer proved to be the most effective in processing sensor data, so it was chosen for integration with LSTM-IOT devices. The implementation of LSTM-IOT in real-world scenarios is carried out on a local web container that allows real-time access to temperature and humidity data in various locations. This Streamlit-based webpage displays data visualizations, LSTM performance, and prediction results. Functional tests show that LSTM-IOT meets the needs of the company, including data storage in an internal database and prediction of environmental conditions for up to the next 150 minutes. With advanced prediction and monitoring features, these devices provide efficient and high-value solutions for companies to monitor environmental conditions accurately and proactively.Masalah dalam industri terkait kehilangan data suhu dan kelembaban sering terjadi akibat gangguan perangkat atau hilangnya koneksi. Data ini penting untuk menentukan kelayakan produk yang akan didistribusikan. Untuk mengatasi permasalahan tersebut, dikembangkan inovasi LSTM-IOT, yaitu perangkat IoT yang terintegrasi dengan model Long Short-Term Memory (LSTM) dalam arsitektur Environment Intelligence. Arsitektur ini telah dioptimalkan melalui eksperimen menggunakan berbagai jenis optimizer, seperti Adam, RMSprop, AdaGrad, SGD, Nadam, dan Adadelta. Dari hasil optimasi, kombinasi Nadam Optimizer dengan arsitektur terpilih menunjukkan kinerja unggul dengan nilai Mean Square Error (MSE) sebesar 5,844 x10⁻⁵, Mean Absolute Error (MAE) sebesar 0,005971, dan Root Mean Square Error (RMSE) sebesar 0, 007645. Arsitektur Environment Intelligence versi (a) dengan Nadam Optimizer terbukti paling efektif dalam memproses data sensor, sehingga dipilih untuk integrasi dengan perangkat LSTM-IOT. Implementasi LSTM-IOT dalam skenario dunia nyata dilakukan pada wadah web lokal yang memungkinkan akses real-time ke data suhu dan kelembaban di berbagai lokasi. Halaman web berbasis Streamlit ini menampilkan visualisasi data, performa LSTM, dan hasil prediksi. Uji fungsional menunjukkan bahwa LSTM-IOT memenuhi kebutuhan perusahaan, termasuk penyimpanan data dalam database internal serta prediksi kondisi lingkungan hingga 150 menit ke depan. Dengan fitur prediksi dan pemantauan yang canggih, perangkat ini memberikan solusi efisien dan bernilai tinggi bagi perusahaan dalam memantau kondisi lingkungan secara akurat dan proaktif.
Abstract
Problems in the industry related to temperature and humidity data loss are often caused by device interference or loss of connection. This data is important to determine the feasibility of the product to be distributed. To overcome these problems, an LSTM-IOT innovation was developed, namely an IoT device that is integrated with the Long Short-Term Memory (LSTM) model in the Environment Intelligence architecture. This architecture has been optimized through experiments using different types of optimizers, such as Adam, RMSprop, AdaGrad, SGD, Nadam, and Adadelta. From the optimization results, the combination of Nadam Optimizer with the selected architecture shows superior performance with a mean square error (MSE) value of 5.844 x 10⁻⁵, a mean absolute error (MAE) of 0.005971, and a root mean square error (RMSE) of 0.007645. The Environment Intelligence architecture version (a) with Nadam Optimizer proved to be the most effective in processing sensor data, so it was chosen for integration with LSTM-IOT devices. The implementation of LSTM-IOT in real-world scenarios is carried out on a local web container that allows real-time access to temperature and humidity data in various locations. This Streamlit-based webpage displays data visualizations, LSTM performance, and prediction results. Functional tests show that LSTM-IOT meets the needs of the company, including data storage in an internal database and prediction of environmental conditions for up to the next 150 minutes. With advanced prediction and monitoring features, these devices provide efficient and high-value solutions for companies to monitor environmental conditions accurately and proactively.
Pengaruh Metode Design Thinking Terhadap Kemampuan Pedagogi Bagi Mahasiswa Calon Guru Informatika
Get PDFDesign thinking menjadi salah satu metode pembelajaran yang dapat digunakan oleh guru dalam mendukung pembelajaran. Hal ini sesuai dengan capaian SDG yang digaungkan oleh PBB, bahwa Pendidikan perlu ditingkatkan kualitasnya. Peningkatan kualitas ini melalui pemilihan metode pembelajaran yang dapat meningkatkan kemampuan abad 21 dan juga termasuk kemampuan pedagogi. Kemampuan pedagogi diharapkan mampu dikuasai oleh mahasiswa lulusan dari program studi Pendidikan Teknologi Informasi Universitas Brawijaya (PTI UB) untuk menjadi guru yang professional. Tujuan dari penelitian ini adalah mengetahui pengaruh design thinking terhadap kemampuan pedagogi. Pendekatan penelitian yang digunakan adalah kuantitatif dengan metode penelitian expost facto melalui survei. Populasi dari penelitian ini semua mahasiswa aktif dari PTI UB dan teknik sampling yang digunakan adalah purposive sampling. Hal ini karena sampelnya adalah mahasiswa PTI UB yang telah melaksanakan praktik lapangan persekolahan. Instrumen penelitian yang digunakan adalah kuesioner dengan skala Likert. Instrumen penelitian ini telah divalidasi dan diuji reliabilitas sebelumnya agar data yang diperoleh nantinya data tidak bias. Teknik validasi yang digunakan adalah content validity dengan ahli Bahasa Indonesia dan juga ahli design thinking. Berdasarkan proses validasi tersebut, instrumen dinyatakan layak untuk digunakan pengambilan data dengan revisi minor terutama pada bagian penyusunan kalimat. Responden yang mengisi berjumlah 26 orang dan menghasilkan data normal, linear dan tidak memiliki heterokedastisitas. Selanjutnya dilakukan uji regresi linear sederhana dan menghasilkan nilai 0.372 yang artinya design thinking memiliki pengaruh pada kemampuan pedagogi mahasiswa calon guru informatika.
Abstract
Design thinking is one of the learning methods that can be used by teachers to support learning. This is in accordance with the achievement of SDGs echoed by the UN, that education needs to be improved in quality. This quality improvement is through the selection of learning methods that can improve 21st century skills and also include pedagogical skills. Pedagogical skills are one of the skills expected to be mastered by graduates of the Information Technology Education study program, Universitas Brawijaya (PTI UB). This ability will later help graduates to become professional teachers. The purpose of this study was to determine the effect of design thinking on pedagogical skills. The research approach used was quantitative with an ex post facto research method through a survey. The population of this study were all active students from PTI UB and the sampling technique used was purposive sampling. This is because the sample was PTI UB students who had carried out school field practice. The research instrument used was a questionnaire with a Likert scale. This research instrument has been validated and tested for reliability before so that the data obtained later is not biased. The validation technique used is content validity with Indonesian language experts and also Design thinking experts. Based on the validation process, the instrument was declared suitable for use in data collection with minor revisions, especially in the sentence structure section. The respondents who filled in were 26 people and produced normal, linear data and did not have heteroscedasticity. Furthermore, a simple linear regression test was carried out and produced a value of 0.372, which means that design thinking has an influence on the pedagogical abilities of prospective informatics teacher students.Design thinking menjadi salah satu metode pembelajaran yang dapat digunakan oleh guru dalam mendukung pembelajaran. Hal ini sesuai dengan capaian SDG yang digaungkan oleh PBB, bahwa Pendidikan perlu ditingkatkan kualitasnya. Peningkatan kualitas ini melalui pemilihan metode pembelajaran yang dapat meningkatkan kemampuan abad 21 dan juga termasuk kemampuan pedagogi. Kemampuan pedagogi diharapkan mampu dikuasai oleh mahasiswa lulusan dari program studi Pendidikan Teknologi Informasi Universitas Brawijaya (PTI UB) untuk menjadi guru yang professional. Tujuan dari penelitian ini adalah mengetahui pengaruh design thinking terhadap kemampuan pedagogi. Pendekatan penelitian yang digunakan adalah kuantitatif dengan metode penelitian expost facto melalui survei. Populasi dari penelitian ini semua mahasiswa aktif dari PTI UB dan teknik sampling yang digunakan adalah purposive sampling. Hal ini karena sampelnya adalah mahasiswa PTI UB yang telah melaksanakan praktik lapangan persekolahan. Instrumen penelitian yang digunakan adalah kuesioner dengan skala Likert. Instrumen penelitian ini telah divalidasi dan diuji reliabilitas sebelumnya agar data yang diperoleh nantinya data tidak bias. Teknik validasi yang digunakan adalah content validity dengan ahli Bahasa Indonesia dan juga ahli design thinking. Berdasarkan proses validasi tersebut, instrumen dinyatakan layak untuk digunakan pengambilan data dengan revisi minor terutama pada bagian penyusunan kalimat. Responden yang mengisi berjumlah 26 orang dan menghasilkan data normal, linear dan tidak memiliki heterokedastisitas. Selanjutnya dilakukan uji regresi linear sederhana dan menghasilkan nilai 0.372 yang artinya design thinking memiliki pengaruh pada kemampuan pedagogi mahasiswa calon guru informatika.
Abstract
Design thinking is one of the learning methods that can be used by teachers to support learning. This is in accordance with the achievement of SDGs echoed by the UN, that education needs to be improved in quality. This quality improvement is through the selection of learning methods that can improve 21st century skills and also include pedagogical skills. Pedagogical skills are one of the skills expected to be mastered by graduates of the Information Technology Education study program, Universitas Brawijaya (PTI UB). This ability will later help graduates to become professional teachers. The purpose of this study was to determine the effect of design thinking on pedagogical skills. The research approach used was quantitative with an ex post facto research method through a survey. The population of this study were all active students from PTI UB and the sampling technique used was purposive sampling. This is because the sample was PTI UB students who had carried out school field practice. The research instrument used was a questionnaire with a Likert scale. This research instrument has been validated and tested for reliability before so that the data obtained later is not biased. The validation technique used is content validity with Indonesian language experts and also Design thinking experts. Based on the validation process, the instrument was declared suitable for use in data collection with minor revisions, especially in the sentence structure section. The respondents who filled in were 26 people and produced normal, linear data and did not have heteroscedasticity. Furthermore, a simple linear regression test was carried out and produced a value of 0.372, which means that design thinking has an influence on the pedagogical abilities of prospective informatics teacher students
Analisis Penerimaan Teknologi Sistem Informasi Manajemen Tugas Menggunakan Model Task Technology Fit (TTF)
Get PDFDalam konteks meningkatkan efisiensi dan produktivitas proyek, pengelolaan tugas yang efektif menjadi kunci. Melalui observasi dan wawancara dengan karyawan dari Departemen Design PT INKA (Persero), ditemukan bahwa sistem manajemen tugas saat ini memiliki keterbatasan dalam hal kustomisasi fitur, terutama dalam hal visualisasi progres pekerjaan melalui kurva-s dan perhitungan beban kerja secara otomatis. Hal ini berpotensi menghambat kemajuan proyek dan mencapai tujuan perusahaan. Untuk mengatasi permasalahan tersebut, dilakukan pengembangan sistem informasi manajemen tugas yang dirancang untuk menggantikan proses manual dengan fungsi otomatis yang lebih efisien. Adapun tujuan dilakukannya penelitian ini yaitu untuk menganalisis bagaimana kesesuaian antara tugas dan teknologi dalam sistem manajemen tugas memengaruhi kinerja karyawan. Metode kuantitatif digunakan dalam penelitian ini dengan pendekatan survei, serta mengadaptasi model Task Technology Fit (TTF). Data dikumpulkan melalui kuesioner yang dibagikan ke semua karyawan Departemen Design PT INKA (Persero), dengan total 32 respon yang dapat digunakan. Dilakukan analisis data menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan SmartPLS sebagai alat bantu untuk evaluasi model pengukuran dan struktural. Hasilnya pengujian hipotesis menunjukkan bahwa Task Technology Fit (TTF) dalam sistem manajemen tugas tidak secara signifikan mempengaruhi Performance Impact (PI) pada karyawan, ditandai dengan nilai t statistik 1,351 (t < 1,96) dan nilai p value 0,177 (p > 0,05).
Abstract
In the context of improving project efficiency and productivity, effective task management is key. Through observations and interviews with employees from the Design Department of PT INKA (Persero), it was found that the current task management system has limitations in terms of feature customization, especially in terms of visualizing work progress through s-curves and automatic workload calculations. This has the potential to hinder project progress and achieve company goals. To overcome these problems, a task management information system was developed to replace manual processes with more efficient automated functions. The purpose of this research is to analyze how the fit between tasks and technology in the task management system affects employee performance. The quantitative method was used in this study with a survey approach, and adapted the Task Technology Fit (TTF) model. Data was collected through questionnaires distributed to all employees of the Design Department of PT INKA (Persero), with a total of 32 usable responses. Data were analyzed using Partial Least Square Structural Equation Modeling (PLS-SEM) with SmartPLS as a tool for evaluating measurement and structural models. The results of hypothesis testing show that Task Technology Fit (TTF) in the task management system does not significantly affect Performance Impact (PI) on employees, characterized by a statistical t value of 1.351 (t < 1.96) and a p value of 0.177 (p > 0.05).Dalam konteks meningkatkan efisiensi dan produktivitas proyek, pengelolaan tugas yang efektif menjadi kunci. Melalui observasi dan wawancara dengan karyawan dari Departemen Design PT INKA (Persero), ditemukan bahwa sistem manajemen tugas saat ini memiliki keterbatasan dalam hal kustomisasi fitur, terutama dalam hal visualisasi progres pekerjaan melalui kurva-s dan perhitungan beban kerja secara otomatis. Hal ini berpotensi menghambat kemajuan proyek dan mencapai tujuan perusahaan. Untuk mengatasi permasalahan tersebut, dilakukan pengembangan sistem informasi manajemen tugas yang dirancang untuk menggantikan proses manual dengan fungsi otomatis yang lebih efisien. Adapun tujuan dilakukannya penelitian ini yaitu untuk menganalisis bagaimana kesesuaian antara tugas dan teknologi dalam sistem manajemen tugas memengaruhi kinerja karyawan. Metode kuantitatif digunakan dalam penelitian ini dengan pendekatan survei, serta mengadaptasi model Task Technology Fit (TTF). Data dikumpulkan melalui kuesioner yang dibagikan ke semua karyawan Departemen Design PT INKA (Persero), dengan total 32 respon yang dapat digunakan. Dilakukan analisis data menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan SmartPLS sebagai alat bantu untuk evaluasi model pengukuran dan struktural. Hasilnya pengujian hipotesis menunjukkan bahwa Task Technology Fit (TTF) dalam sistem manajemen tugas tidak secara signifikan mempengaruhi Performance Impact (PI) pada karyawan, ditandai dengan nilai t statistik 1,351 (t < 1,96) dan nilai p value 0,177 (p > 0,05).
Abstract
In the context of improving project efficiency and productivity, effective task management is key. Through observations and interviews with employees from the Design Department of PT INKA (Persero), it was found that the current task management system has limitations in terms of feature customization, especially in terms of visualizing work progress through s-curves and automatic workload calculations. This has the potential to hinder project progress and achieve company goals. To overcome these problems, a task management information system was developed to replace manual processes with more efficient automated functions. The purpose of this research is to analyze how the fit between tasks and technology in the task management system affects employee performance. The quantitative method was used in this study with a survey approach, and adapted the Task Technology Fit (TTF) model. Data was collected through questionnaires distributed to all employees of the Design Department of PT INKA (Persero), with a total of 32 usable responses. Data were analyzed using Partial Least Square Structural Equation Modeling (PLS-SEM) with SmartPLS as a tool for evaluating measurement and structural models. The results of hypothesis testing show that Task Technology Fit (TTF) in the task management system does not significantly affect Performance Impact (PI) on employees, characterized by a statistical t value of 1.351 (t < 1.96) and a p value of 0.177 (p > 0.05)
Implementasi Convolutional Neural Network untuk Klasifikasi Kanker Usus Besar Dengan Normalisasi Ghostweight
Get PDFKanker usus besar merupakan salah satu kanker yang dapat menyebabkan kematian. Jenis kanker ini merupakan kanker peringkat kedua terbanyak pada wanita dan peringkat ketiga terbanyak pada pria. Akhir–akhir ini, pendekatan Deep Learning (DL) banyak digunakan untuk melakukan proses–proses dalam dunia medis. Salah satu metode yang terkenal yaitu Convolutional Neural Network (CNN). CNN tentunya harus memiliki akurasi yang tinggi untuk dapat diterapkan pada kasus ini. Dataset yang digunakan adalah dataset Lung and Colon Cancer Histopathological Images yang berfokus pada kanker ususnya saja. Salah satu cara yang dapat digunakan untuk meningkatkan akurasi pada CNN adalah dengan menormalisasi bobot. Untuk ini, metode yang diusulkan adalah Ghost Weight Normalization (GWN) dengan normalisasi L1 yang terinspirasi dari GhostNet. Metode ini bekerja dengan cara melakukan pembagian bobot utuh menjadi beberapa bagian yang dinamakan GW dan kemudian dinormalisasi untuk setiap GW-nya, lalu digabung kembali menjadi bobot utuh seperti semula. Pendekatan ini terbukti dapat meningkatkan akurasi CNN dengan sangat baik, yaitu mengalami penambahan akurasi sebesar 14% yang semula CNN biasa memperoleh akurasi sebesar 0.8 menjadi 0.94, presisi 0.8 menjadi 0.94 dan F1-score 0.8 menjadi 0.94. GWN juga dapat mengungguli gaya normalisasi biasa, yaitu normalisasi pada bobot tanpa membaginya menjadi GW. Ukuran GW yang efisien adalah 4 dengan perolehan akurasi, persisi, dan f1-score masing-masing 0.94, dengan epoch 8 dan rata – rata untuk waktu proses training-nya pada setiap epoch-nya adalah 259 detik.
Abstract
Colon cancer is one of the cancers that can cause death. This type of cancer is the second most common cancer in women and the third most common in men. Lately, Deep Learning (DL) approaches have been widely used to perform processes in the medical world. One of the well-known methods is Convolutional Neural Network (CNN). The method should have high accuracy to be applied in this case. The dataset used is the Lung and Colon Cancer Histopathological Images dataset which focuses on Colon Cancer only. One way that can be used to improve accuracy on CNN is by normalizing the weights. Our proposed method is Ghost Weight Normalization (GWN) with L1 normalization inspired by GhostNet. This method works by dividing the whole weight into several parts called GW and then normalized for each GW, then merged back into the whole weight as before. This approach proved to be able to improve the accuracy of CNN very well, which experienced an increase in accuracy by 14% from the usual CNN accuracy of 0.8 to 0.94, precision 0.8 to 0.94, and f1-score 0.8 to 0.94. GWN can also outperform the usual normalization style, which is normalizing the weights without dividing them into GWs. The efficient GW size is 4 with accuracy, precision, and f1-score of 0.94 each, with 8 epochs and the average training time for each epoch is 259 seconds.Kanker usus besar merupakan salah satu kanker yang dapat menyebabkan kematian. Jenis kanker ini merupakan kanker peringkat kedua terbanyak pada wanita dan peringkat ketiga terbanyak pada pria. Akhir–akhir ini, pendekatan Deep Learning (DL) banyak digunakan untuk melakukan proses–proses dalam dunia medis. Salah satu metode yang terkenal yaitu Convolutional Neural Network (CNN). CNN tentunya harus memiliki akurasi yang tinggi untuk dapat diterapkan pada kasus ini. Dataset yang digunakan adalah dataset Lung and Colon Cancer Histopathological Images yang berfokus pada kanker ususnya saja. Salah satu cara yang dapat digunakan untuk meningkatkan akurasi pada CNN adalah dengan menormalisasi bobot. Untuk ini, metode yang diusulkan adalah Ghost Weight Normalization (GWN) dengan normalisasi L1 yang terinspirasi dari GhostNet. Metode ini bekerja dengan cara melakukan pembagian bobot utuh menjadi beberapa bagian yang dinamakan GW dan kemudian dinormalisasi untuk setiap GW-nya, lalu digabung kembali menjadi bobot utuh seperti semula. Pendekatan ini terbukti dapat meningkatkan akurasi CNN dengan sangat baik, yaitu mengalami penambahan akurasi sebesar 14% yang semula CNN biasa memperoleh akurasi sebesar 0.8 menjadi 0.94, presisi 0.8 menjadi 0.94 dan F1-score 0.8 menjadi 0.94. GWN juga dapat mengungguli gaya normalisasi biasa, yaitu normalisasi pada bobot tanpa membaginya menjadi GW. Ukuran GW yang efisien adalah 4 dengan perolehan akurasi, persisi, dan f1-score masing-masing 0.94, dengan epoch 8 dan rata – rata untuk waktu proses training-nya pada setiap epoch-nya adalah 259 detik.
Abstract
Colon cancer is one of the cancers that can cause death. This type of cancer is the second most common cancer in women and the third most common in men. Lately, Deep Learning (DL) approaches have been widely used to perform processes in the medical world. One of the well-known methods is Convolutional Neural Network (CNN). The method should have high accuracy to be applied in this case. The dataset used is the Lung and Colon Cancer Histopathological Images dataset which focuses on Colon Cancer only. One way that can be used to improve accuracy on CNN is by normalizing the weights. Our proposed method is Ghost Weight Normalization (GWN) with L1 normalization inspired by GhostNet. This method works by dividing the whole weight into several parts called GW and then normalized for each GW, then merged back into the whole weight as before. This approach proved to be able to improve the accuracy of CNN very well, which experienced an increase in accuracy by 14% from the usual CNN accuracy of 0.8 to 0.94, precision 0.8 to 0.94, and f1-score 0.8 to 0.94. GWN can also outperform the usual normalization style, which is normalizing the weights without dividing them into GWs. The efficient GW size is 4 with accuracy, precision, and f1-score of 0.94 each, with 8 epochs and the average training time for each epoch is 259 seconds
Prediksi Single-Step dan Multi-Step Data Cuaca Menggunakan Model Long Short-Term Memory dan Sarima
Get PDFPrediksi deret waktu pada parameter data cuaca adalah proses memprediksi nilai masa depan berdasarkan pola data historis cuaca. Penelitian ini mengatasi kelemahan penelitian sebelumnya seperti data yang terbatas, jangka waktu prediksi, keterbatasan parameter yang digunakan dalam penelitian serta tidak menggunakan parameter eksternal yang tentunya dapat membantu proses prediksi model menjadi lebih akurat. Penelitian ini menggunakan metode Long Short-Term Memory (LSTM) dan Seasonal AutoRegressive Integrated Moving Average (SARIMA) untuk memprediksi parameter cuaca, seperti tekanan udara, suhu, dan kelembaban relatif, dengan pendekatan single-step dan multi-step ahead. Data bersumber dari BMKG Stasiun Meteorologi Pinangsori, Sibolga, selama 8 tahun, dengan granularity per jam dan per hari. Hasil eksperimen menunjukkan bahwa LSTM dan SARIMA, memiliki keunggulan dalam konteks tertentu. Untuk pendekatan single-step, model SARIMA lebih baik 49% dari model LSTM untuk prediksi dengan granularity data per jam. Namun, untuk granularity data per hari, performansi LSTM lebih baik 27% dari model SARIMA. Kemudian untuk pendekatan multi-step, SARIMA memberikan performansi yang lebih baik 30% daripada model LSTM untuk data per jam (< =24). Sedangkan untuk granularity data harian, model LSTM lebih baik 30% pada step 30 hari dan lebih baik 27% pada step 60 hari. Dan untuk data ekstrem, LSTM lebih baik 47% daripada SARIMA.
Abstract
Time series prediction of weather data parameters involves forecasting future values based on historical weather patterns. This study addresses the limitations of previous research, such as constrained datasets, short prediction periods, restricted parameters, and the neglect of external factors that could enhance model accuracy. Utilizing Long Short-Term Memory (LSTM) networks and Seasonal AutoRegressive Integrated Moving Average (SARIMA) methods, the research focuses on predicting weather parameters like air pressure, temperature, and relative humidity using both single-step and multi-step approaches. The data is sourced from the BMKG Pinangsori Meteorological Station in Sibolga, covering an 8-year period with both hourly and daily granularity. The experimental findings reveal that LSTM and SARIMA each have their advantages depending on the context. In the single-step approach, the SARIMA model outperforms the LSTM model by 49% for predictions based on hourly data. Conversely, for daily data granularity, the LSTM model surpasses SARIMA by 27%. In the multi-step analysis, SARIMA demonstrates a 30% improvement over LSTM for hourly predictions (up to 24 hours). However, for daily granularity, the LSTM model excels, showing a 30% advantage at the 30-day prediction step and a 27% advantage at the 60-day step. Additionally, LSTM significantly outperforms SARIMA by 47% when dealing with extreme data.Prediksi deret waktu pada parameter data cuaca adalah proses memprediksi nilai masa depan berdasarkan pola data historis cuaca. Penelitian ini mengatasi kelemahan penelitian sebelumnya seperti data yang terbatas, jangka waktu prediksi, keterbatasan parameter yang digunakan dalam penelitian serta tidak menggunakan parameter eksternal yang tentunya dapat membantu proses prediksi model menjadi lebih akurat. Penelitian ini menggunakan metode Long Short-Term Memory (LSTM) dan Seasonal AutoRegressive Integrated Moving Average (SARIMA) untuk memprediksi parameter cuaca, seperti tekanan udara, suhu, dan kelembaban relatif, dengan pendekatan single-step dan multi-step ahead. Data bersumber dari BMKG Stasiun Meteorologi Pinangsori, Sibolga, selama 8 tahun, dengan granularity per jam dan per hari. Hasil eksperimen menunjukkan bahwa LSTM dan SARIMA, memiliki keunggulan dalam konteks tertentu. Untuk pendekatan single-step, model SARIMA lebih baik 49% dari model LSTM untuk prediksi dengan granularity data per jam. Namun, untuk granularity data per hari, performansi LSTM lebih baik 27% dari model SARIMA. Kemudian untuk pendekatan multi-step, SARIMA memberikan performansi yang lebih baik 30% daripada model LSTM untuk data per jam (< =24). Sedangkan untuk granularity data harian, model LSTM lebih baik 30% pada step 30 hari dan lebih baik 27% pada step 60 hari. Dan untuk data ekstrem, LSTM lebih baik 47% daripada SARIMA.
Abstract
Time series prediction of weather data parameters involves forecasting future values based on historical weather patterns. This study addresses the limitations of previous research, such as constrained datasets, short prediction periods, restricted parameters, and the neglect of external factors that could enhance model accuracy. Utilizing Long Short-Term Memory (LSTM) networks and Seasonal AutoRegressive Integrated Moving Average (SARIMA) methods, the research focuses on predicting weather parameters like air pressure, temperature, and relative humidity using both single-step and multi-step approaches. The data is sourced from the BMKG Pinangsori Meteorological Station in Sibolga, covering an 8-year period with both hourly and daily granularity. The experimental findings reveal that LSTM and SARIMA each have their advantages depending on the context. In the single-step approach, the SARIMA model outperforms the LSTM model by 49% for predictions based on hourly data. Conversely, for daily data granularity, the LSTM model surpasses SARIMA by 27%. In the multi-step analysis, SARIMA demonstrates a 30% improvement over LSTM for hourly predictions (up to 24 hours). However, for daily granularity, the LSTM model excels, showing a 30% advantage at the 30-day prediction step and a 27% advantage at the 60-day step. Additionally, LSTM significantly outperforms SARIMA by 47% when dealing with extreme data
Sistem Monitoring Budidaya Melon Melalui Greenhouse Berbasis Internet Of Things
Get PDFPertanian melon merupakan usaha yang menjanjikan namun rentan terhadap perubahan cuaca dan tantangan pengelolaan, seperti kebutuhan air yang tinggi serta risiko serangan hama dan penyakit. Penggunaan greenhouse dapat membantu petani memanipulasi kondisi lingkungan guna mengurangi risiko penyakit yang disebabkan oleh perubahan cuaca. Penelitian ini bertujuan mengembangkan sistem pintar pada greenhouse untuk memantau dan mengontrol perawatan tanaman melon secara efektif dan efisien. Sistem ini memanfaatkan alat seperti pompa air dan lampu, yang dioperasikan berdasarkan data sensor yang diperbarui setiap 10 detik, dengan keputusan pengambilan tindakan dilakukan setiap 1 menit. Keputusan sistem tidak hanya bergantung pada data sensor, tetapi juga mempertimbangkan faktor waktu, karena tanaman tidak selalu membutuhkan penyiraman atau pencahayaan setiap saat. Sensor kelembapan tanah kapasitif ditempatkan pada polibag tanaman di tengah barisan untuk pemantauan yang akurat. Hasil pengujian menunjukkan bahwa sistem otomatis menghasilkan pertumbuhan dan berat buah melon yang lebih baik dibandingkan dengan sistem manual, dengan rata-rata berat melon 2,1 kg pada sistem otomatis, sementara pada sistem manual hanya 1,6 kg. Penerapan Smart Greenhouse ini terbukti mengurangi biaya perawatan dan meningkatkan produksi, menawarkan solusi efektif dalam pertanian modern.
Abstract
Melon farming is a promising business but is vulnerable to weather changes and management challenges, such as high water requirements and the risk of pests and diseases. The use of greenhouses can help farmers manipulate environmental conditions to reduce the risk of diseases caused by weather changes. This study aims to develop a smart system in a greenhouse to monitor and control melon plant care effectively and efficiently. This system utilizes tools such as water pumps and lights, which are operated based on sensor data that is updated every 10 seconds, with decisions to take action every 1 minute. System decisions do not only depend on sensor data, but also consider time factors, because plants do not always need watering or lighting at all times. Capacitive soil moisture sensors are placed on plant polybags in the middle of the rows for accurate monitoring. The test results showed that the automatic system produced better melon growth and fruit weight compared to the manual system, with an average melon weight of 2.1 kg in the automatic system, while in the manual system it was only 1.6 kg. The implementation of Smart Greenhouse has been proven to reduce maintenance costs and increase production, offering an effective solution in modern agriculture.Pertanian melon merupakan usaha yang menjanjikan namun rentan terhadap perubahan cuaca dan tantangan pengelolaan, seperti kebutuhan air yang tinggi serta risiko serangan hama dan penyakit. Penggunaan greenhouse dapat membantu petani memanipulasi kondisi lingkungan guna mengurangi risiko penyakit yang disebabkan oleh perubahan cuaca. Penelitian ini bertujuan mengembangkan sistem pintar pada greenhouse untuk memantau dan mengontrol perawatan tanaman melon secara efektif dan efisien. Sistem ini memanfaatkan alat seperti pompa air dan lampu, yang dioperasikan berdasarkan data sensor yang diperbarui setiap 10 detik, dengan keputusan pengambilan tindakan dilakukan setiap 1 menit. Keputusan sistem tidak hanya bergantung pada data sensor, tetapi juga mempertimbangkan faktor waktu, karena tanaman tidak selalu membutuhkan penyiraman atau pencahayaan setiap saat. Sensor kelembapan tanah kapasitif ditempatkan pada polibag tanaman di tengah barisan untuk pemantauan yang akurat. Hasil pengujian menunjukkan bahwa sistem otomatis menghasilkan pertumbuhan dan berat buah melon yang lebih baik dibandingkan dengan sistem manual, dengan rata-rata berat melon 2,1 kg pada sistem otomatis, sementara pada sistem manual hanya 1,6 kg. Penerapan Smart Greenhouse ini terbukti mengurangi biaya perawatan dan meningkatkan produksi, menawarkan solusi efektif dalam pertanian modern.
Abstract
Melon farming is a promising business but is vulnerable to weather changes and management challenges, such as high water requirements and the risk of pests and diseases. The use of greenhouses can help farmers manipulate environmental conditions to reduce the risk of diseases caused by weather changes. This study aims to develop a smart system in a greenhouse to monitor and control melon plant care effectively and efficiently. This system utilizes tools such as water pumps and lights, which are operated based on sensor data that is updated every 10 seconds, with decisions to take action every 1 minute. System decisions do not only depend on sensor data, but also consider time factors, because plants do not always need watering or lighting at all times. Capacitive soil moisture sensors are placed on plant polybags in the middle of the rows for accurate monitoring. The test results showed that the automatic system produced better melon growth and fruit weight compared to the manual system, with an average melon weight of 2.1 kg in the automatic system, while in the manual system it was only 1.6 kg. The implementation of Smart Greenhouse has been proven to reduce maintenance costs and increase production, offering an effective solution in modern agriculture