Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Analisa Sentimen Financial Technology Peer To Peer Lending Pada Aplikasi Koinworks
Get PDFBertambahnya jumlah perusahaan financial technology (fintech) yang terdaftar di Otoritas Jasa Keuangan mengartikan bahwa industri ini semakin dilirik karena dibutuhkan dalam sistem perekonomian di Indonesia. Namun perkembangan Fintech P2PL telah menimbulkan beberapa risiko. Pertama, ada risiko gagal bayar, karena tidak ada jaminan atau persyaratan kontak fisik. Kedua, ada risiko yang terkait dengan keamanan data (risiko cyber), tata kelola, dan privasi pelanggan dan juga karena kerentanan sistem dan penyalahgunaan data, baik sengaja atau tidak sengaja. Ulasan yang terdapat pada kolom komentar Google Play dapat dimanfaatkan sebagai sumber data yang dapat di oleh dengan data mining. Penelitian ini akan menganalisis mengenai permasalahan yang berkaitan dengan beberapa ulasan tentang Fintech P2PL apikasi Koinworks pada ulasan di Google Play Store serta menentukan hasil akurasi analisis sentimen yang dihasilkan algoritma Decision Tree, K-Nearest Neigbor dan Support Vector Machine. Adapun manfaat dari penelitian ini adalah untuk membantu manajemen aplikasi Koinworks mengenai opini positif atau negatif dari pengguna aplikasi serta dapat memberikan bukti secara empiris untuk teori yang berkaitan sehingga dapat dijadikan sumbangan pemikiran untuk pengembangan teori berikutnya. Algoritma SVM dengan Cross Validation + Parameter Optimization menghasilkan Accuracy 91,03% precision tertinggi yaitu dengan 96,73%% , recall 85,34% dan AUC tertinggi yaitu 0,986 yang termasuk dalam excellent classification. AbstractThe increasing number of financial technology (fintech) companies registered with the Financial Services Authority means that this industry is increasingly being looked at because it is needed in the economic system in Indonesia. However, the development of Fintech P2PL has created several risks. First, there is a risk of default, because there are no guarantees or physical contact requirements. Second, there are risks associated with data security (cyber risk), governance, and customer privacy and also because of system vulnerabilities and data abuse, whether intentionally or unintentionally. Reviews contained in the Google Play comments column can be used as a data source that can be shared with data mining. This research will analyze the problems related to some reviews about the Fintech P2PL Koinworks application on reviews on the Google Play Store and determine the results of the accuracy of sentiment analysis produced by the Decision Tree algorithm, K-Nearest Neigbor and Support Vector Machine. The benefits of this research are to help the management of Koinworks applications regarding positive or negative opinions of application users and can provide empirical evidence for related theories so that they can be contributed to the development of subsequent theories. SVM algorithm with Cross Validation + Parameter Optimization produces Accuracy 91.03% of the highest precision with 96.73 %%, 85.34% recall and the highest AUC of 0.986 which is included in excellent classification
Analisis Kemiskinan Digital Indonesia di Era Revolusi Industri 4.0
Get PDFSalah satu tujuan Sustainable Development Goals (SDG’s) 2030 adalah pengentasan kemiskinan, penguatan hak-hak dasar masyarakat dan disrupsi sosial akibat revolusi industri 4.0. Namun di Indonesia masih terdapat individu dengan sedikit atau tanpa akses ke teknologi, inilah yang kemudian disebut sebagai kemiskinan digital. Oleh karena itu sangat penting bagi pemerintah untuk memetakan serta menganalisis kelompok yang terkena dampak inklusi digital. Untuk itulah maka penelitian ini dilakukan. Penelitian ini terdiri dari dua bagian, yaitu memetakan kemiskinan digital menggunakan QGIS kemudian membandingkan kemiskinan digital dengan kemiskinan ekonomi ke dalam empat kuadran. Data yang digunakan bersumber dari data Survei Sosial Ekonomi Nasional (Susenas) tahun 2019 dan 2020. Penggolongan kemiskinan digital dalam penelitian ini diadopsi dari model Barrantes. Hasil penelitian menunjukkan kemiskinan digital di Indonesia secara umum menurun. Kemudahan internet akses dan distribusi infrastruktur yang lebih baik bisa menjadi penyebab turunnya hal tersebut. Provinsi yang kondisi digitalnya lebih baik dalam rentang waktu 2019-2020 tersebut adalah Nusa Tenggara Timur (NTT) dan Aceh. Sedangkan provinsi yang indeks kemiskinan digitalnya tetap tinggi di tahun 2020 adalah Papua dan Papua Barat. AbstractOne of the Sustainable Development Goals (SDGs) 2030 is poverty alleviation, strengthening people’s basic rights and social disruption due to industrial revolution 4.0. However, there are still individuals in Indonesia with little or no access to technology, which this term is then so-called digital poverty. It is therefore very important for the government to do mapping and analyzing groups affected by digital inclusion. For that reason this study is then conducted. This research consists of two parts, firstly is mapping digital poverty using QGIS and secondly is comparing digital poverty with economic poverty into four quadrants. The data used in this study is obtained from the 2019 and 2020 National Socio-Economic Survey (Susenas) data. The digital poverty classification in this study is adopted from Barrantes. The results show that digital poverty in Indonesia is generally decreasing. The ease of internet access and better distribution of infrastructure could be the causes of this decline. Provinces that are getting much better in digital condition within the periode of 2019-2020 are East Nusa Tenggara (NTT) and Aceh. Meanwhile, the provinces which the digital poverty index remain high in 2020 are Papua and West Papua
Sistem Isyarat Bahasa Indonesia (SIBI) Metode Convolutional Neural Network Sequential secara Real Time
Get PDFBahasa isyarat dengan menggunakan gerakan tangan biasanya dilakukan oleh tuna rungu dan tuna wicara. Bahasa isyarat yang digunakan di Indonesia adalah SIBI (Sistem Isyarat Bahasa Indonesia). Namun, penggunaan bahasa isyarat tangan tidak selalu di mengerti oleh manusia normal sehingga dibutuhkan perangkat tambahan yang dapat mempermudah dalam menerjemahkan suatu isyarat. Perangkat tambahan yang dikembangkan dalam penelitian ini melibatkan teknologi visi komputer deep learning sehingga menghasilkan tools untuk menerjemahkan bahasa isyarat tangan. Dalam penelitian ini, gambar isyarat tangan di capture menggunakan webcam kemudian dilakukan pre-processing dengan mengubah gambar ke dalam bentuk HSV. Gambar yang digunakan dalam penelitian berupa citra sebanyak 26 kelas huruf alfabet SIBI dan 3 kelas tambahan, dengan masing-masing kelas memiliki 1000 gambar. Kemudian dilakukan cropping dan thresholding dengan menempatkan isyarat tangan yang berbentuk huruf kedalam kotak yang merupakan area ROI untuk memudahkan pengenalan. Teknologi visi komputer deep learning convolutional neural network (CNN) digunakan untuk feature learning dan mengklasifikasi isyarat tangan pada sebuah obyek. Untuk menguji metode CNN, digunakan berbagai variasi cahaya sebesar 10-200 lux, serta jarak dari tangan ke webcam 50-200 cm. Hasil penelitian dengan metode CNN pada citra isyarat tangan memberikan akurasi sebesar 92%, presisi 91,96%, sensitivitas 91,9%, spesivisitas 91,96% dan f1 score 91,9%. AbstractSign language is usually used by deaf and speech impaired persons. The Sistem Isyarat Bahasa Indonesia (SIBI) is a hand signal language used in Indonesia. The use of hand signals is not always understood by normal humans, such that additional devices are needed to make sign translation easier. The additional device in this study is developed using deep learning and computer vision technology to produce a hand signal translation tool. This study uses 29 sign images for a dataset, consisting of 26 letters of the alphabet and 3 additional signs, namely space, delete, and unclassified. Pre-processing is performed by converting the image into HSV, cropping, and thresholding to make easy recognition. The convolutional neural network (CNN) method is then used as a learning feature and hand signals classifier on an object. The testing phase is performed on various lights ranging from 10-200 lux and the hand distance to the webcam is about 50-200 cm. Experimental results show that the CNN method on the hand signal image could provide an accuracy of 97.2%, precision of 91.96%, sensitivity of 91.9%, specificity of 91.96%, and F1 score of 91.9%, respectively
Fuzzy Inference System Mamdani dalam Prediksi Produksi Kain Tenun Menggunakan Rule Berdasarkan Random Tree
Get PDFKain tenun merupakan salah satu produk yang diminati oleh banyak orang. Hal ini menjadi pemicu produsen untuk meningkatkan pengelolahannya. Salah satu usaha yang dilakukan adalah memprediksi produksi yang dapat dilakukan untuk mendapatkan jumlah optimal yang diperoleh, sehingga mendapatkan keuntungan yang besar. Dalam penelitian ini, untuk mendapatkan prediksi jumlah produksi kain tenun dilakukan dengan perhitungan komputerisasi menggunakan metode logika fuzzy Mamdani. Metode ini menggunakan konsep pohon keputusan random tree dalam membentuk rule. Rule yang dibuat berdasarkan pada kriteria dalam penentuan jumlah produksi kain tenun, diantaranya yaitu biaya produksi, permintaan, dan stok. Konsep pohon keputusan random tree dalam penelitian ini digunakan untuk membuat rule secara otomatis berdasarkan data yang tersedia. Pembentukan rule ini berdasarkan data-data kain tenun dan diimplementasikan dalam random tree, sehingga tidak perlu menggunakan pakar. Penelitian ini membuktikan bahwa prediksi yang dilakukan dapat membangun rule dengan nilai akurasi sebesar 100%. Hasil perbandingan prediksi dengan produksi sesungguhnya memiliki persentase error sebesar 3% dengan nilai kebenaran sebesar 97% (berdasarkan perhitungan Average Forecasting Error Rate (AFER)). Oleh karena itu ketika diimplementasikan dalam fuzzy Mamdani dapat menghasilkan prediksi produksi kain tenun yang optimal. AbstractWoven fabric is a product that is in demand by many people. It triggers producers to improve their management. One of the efforts made is to predict the production that can be done to get the optimal amount obtained, to get a significant profit. In this study, to obtain a prediction of the amount of woven fabric production is done by computerized calculations using the Mamdani fuzzy logic method. This method uses the concept of a random tree decision tree in forming rules. The rules are made based on the criteria in determining the amount of woven fabric production, including production costs, demand, and stock. The concept of a random tree decision tree in this study automatically generates rules based on available data. This rule\u27s formation is based on woven fabric data and is implemented in a random tree, so there is no need to use experts. This study shows that the predictions made can build rules with an accuracy value of 100%. The comparison of predictions with actual production has an error percentage of 3% with a truth value of 97% (based on the calculation of the Average Forecasting Error Rate (AFER)). When implemented in Fuzzy Mamdani, it can produce optimal woven fabric production predictions with predicted results less than the actual production
Pendekatan Soft System Methodology (SSM) untuk membangun SIMOKAUD Holistik Integratif
Get PDFPemerintah Indonesia telah mengeluarkan Peraturan Presiden Nomor 60 Tahun 2013 tentang PAUD Holistik Integratif untuk digunakan oleh sekolah PAUD yang digunakan sebagai aturan dan pedoman dalam menjalankan program kerja PAUD. Salah satu bentuk pengembangan holistik integratif adalah perawatan kesehatan pada anak PAUD yang meliputi kebutuhan pemenuhan gizi, penjadwalan imunisasi dan perawatan perkembangan anak paud. Sistem pendidikan di PAUD Kuntum Mekar telah menggunakan pendekatan Holistik Integratif sesuai dengan arahan pemerintah. Permasalahan yang dihadapi oleh PAUD Kuntum Mekar adalah belum adanya sistem untuk merekam semua kegiatan, hal ini mengakitbatkan guru PAUD kesulitan dalam mengontrol perkembangan kesehatan anak didiknya. Mereka juga kesulitan dalam mendapatkan data tentang kegiatan apa saja yang sudah dan belum dilaksanakan. Metode yang digunakan dalam penelitian ini menggunakan pendekatan Soft System Methodology (SSM). Tujuan dari penelitian ini adalah mempermudah sekolah PAUD dan orang tua PAUD dalam memonitoring perkembangan kesehatan anak didiknya melalui program kegiatan yang ada pada holistik integratif. Kontribusi dari penelitian ini adalah berupa Sistem Informasi Monitoring Kesehatan Anak Usia Dini (SIMOKAUD) Holistik Integratif yang dapat di gunakan oleh PAUD Kuntum Mekar untuk memonitoring perkembangan kesehatan anak didiknya. AbstractThe Government of Indonesia has issued Presidential Regulation Number 60 of 2013 concerning Integrative Holistic PAUD for use by early childhood schools which is used as a rule and guideline in carrying out PAUD work programs. The education system at Kuntum Mekar PAUD has used an integrative holistic approach in accordance with government directives. One form of integrative holistic development is health care for PAUD children which includes nutritional needs, immunization scheduling and early childhood development care. The problem with PAUD Kuntum Mekar is that there is no system to record all activities, this makes it difficult for PAUD teachers to control the health development of their students. They also have difficulty in obtaining data on what activities have and have not been implemented. The method used in this study is the Soft System Methodology (SSM) approach. The purpose of this study is to facilitate early childhood schools and early childhood parents in monitoring the health development of their students through an integrated holistic program of activities. The contribution of this research is in the form of an Integrative Holistic Early Childhood Health Monitoring Information System (SIMOKAUD) which can be used by Kuntum Mekar PAUD to monitor the health development of their students
Sistem Pendeteksi Central Sleep Apnea Menggunakan Metode Neural Network dengan Fitur RR Interval dan Durasi QRS
Get PDFPenyakit Central Sleep Apnea (CSA) adalah gangguan tidur akibat otak gagal memberi tahu otot-otot untuk bernapas sehingga terjadi periode henti napas ketika tidur. Kondisi ini menganggu jumlah, kualitas atau durasi tidur seseorang dan memicu sumber masalah kelelahan di siang hari, masalah jantung, tekanan darah tinggi dsb. Standar diagnosis pemeriksaan kondisi CSA adalah polisomnografi yang terkenal terbatas. Sebab tingginya prevalensi Sleep Apnea dan kurangnya ketersediaan diagnosis pemeriksaan, juga dibutuhkan biaya yang relatif tinggi. Penelitian ini dilakukan untuk mengembangkan sistem portable dalam membantu mendeteksi penyakit CSA. Sinyal ECG jantung dimanfaatkan karena irama jantung berdetak secara berbeda saat periode henti napas tiba-tiba waktu tidur, yang telah dinilai membantu proses diagnosis. Sistem dirancang dengan mikrokontroller Arduino Uno, sensor AD8232 dan modul Bluetooth HC-05. Sensor sebagai pendeteksi aktifitas listrik jantung, dengan 3 buah elektroda menempel pada dada untuk merekam lalu diekstraksi fitur RR interval dan durasi QRS. Kedua fitur pada 18 set data uji diklasifikasi dengan metode Neural network, keluarannya berupa kelas Normal atau Apnea ditampilkan pada smartphone dengan konektivitas Bluetooth. Pengujian kinerja sistem untuk deteksi sensor memperoleh nilai 96.18%, dan presentase akurasi klasifikasi Neural Network menghasilkan 83.3% dengan waktu komputasi 46.44 ms. AbstractCentral sleep apnea (CSA) is a sleep disease in which the brain fails to send signals to the muscles to breathe, resulting in periods of no breathing during sleep. This disorder interferes with a person\u27s sleep quantity, quality, or duration, which can lead to daytime weariness, heart difficulties, high blood pressure, and other issues. Polysomnography is the primary diagnostic technique for Central Sleep Apnea, yet it is notoriously restricted. The expenditures are relatively expensive due to the high incidence of sleep apnea and the paucity of diagnostic methods. The goal of this study was to create a portable device for detecting CSA illness. It has been evaluated to help in the diagnosing process and uses cardiac ECG data since the heart rhythms alter during periods of abrupt stoppage during sleep. The Arduino Uno microcontroller, AD8232 sensor, and HC-05 Bluetooth module are used in the system. With three electrodes attached to the chest to record and then extract the RR interval and QRS duration properties, the sensor is used to monitor the electrical activity of the heart. The Neural network technique classifies the two properties in the 18 test data sets, and the output in the form of Normal or Apnea classes is shown on a smartphone with Bluetooth connectivity. The sensor detection system performance test yielded a result of 96.18%, and the percentage accuracy of Neural Network classification was 83.3% with a processing time of 46.44ms
Implementasi Model Design Thinking pada Prototype Aplikasi E-Growth
Get PDFPesatnya perkembangan teknologi memiliki banyak pengaruh dalam sisi kehidupan manusia. Peran dari perkembangan teknologi ini dapat membantu memperbaiki kualitas kesehatan di Indonesia, salah satunya dalam pencatatan perkembangan anak yang tersimpan pada smartphone. Saat ini pencatatan kesehatan anak mulai dari tumbuh kembang dan kartu status imunisasi dicatat pada buku KIA (Kesahatan Ibu dan Anak). Berdasarkan laporan RISKESDAS 2018 di Indonesia terdapat 34,1% ibu yang memiliki balita tidak memiliki buku KIA, dan pada provinsi Riau 50,2% ibu yang memiliki balita tidak memiliki buku KIA. Pada penelitian sebelumnya didapatkan 75% dari responden tidak mengetahui informasi penting dari buku KIA. Permasalahan tersebut mendorong pemikiran membuat rancang bangun aplikasi untuk pertumbuhan dan perkembangan anak, mulai dari lahir hingga berusia lima tahun sebagai solusi permasalahan pada penelitian ini. Penelitian ini bertujuan merancang aplikasi tumbuh kembang anak berbasis android untuk mempermudah proses pemantauan tumbuh kembang anak sedini mungkin dan kesehatan mental anak yang terdiri dari proses pemantauan imunisasi anak, Edukasi anak, layanan konsultasi sikologi digital, dan grafik pertumbuhan anak . Perancangan aplikasi tumbuh kembang anak menggunakan model design thinking sebagai metode dalam penelitian ini. Metode ini memiliki beberapa tahapan yaitu emphatize, define,ideate, prototype dan test. Keterbaharuan dalam penelitian ini adalah suatu model aplikasi yang dapat digunakan disemua kalangan orangtua dan anak. Kesimpulan penelitian ini berupa hasil yang di dapatkan berbentuk model perancangan aplikasi tumbuh kembang anak dalam bentuk aplikasi android pada smarthphone. AbstractThe rapid development of technology has many influences on the human side of life. The role of this technological development can help improve the quality of health in Indonesia, one of which is in recording child development stored on smartphones. Currently, children\u27s health records starting from growth and development and immunization status cards are recorded in the KIA (Maternal and Child Health) book. Based on the 2018 RISKESDAS report in Indonesia, 34.1% of mothers with toddlers do not have MCH books, and in Riau province 50.2% of mothers with toddlers do not have MCH books. In the previous study, 75% of the respondents did not know important information from the MCH handbook. These problems encourage the thought of designing applications for the growth and development of children, from birth to five years of age as a solution to the problems in this research. The prupose design an android-based child development application to facilitate the process of monitoring child growth and development as early as possible and children\u27s mental health which consists of monitoring child immunization processes, child education, digital psychology consulting services, and child growth charts. This method has several stages, namely empathize, define, ideate, prototype and test. The design of the application for child development uses a design thinking model as a method in this research. The novelty in this research is an application model that can be used by all parents and children. The conclusion of this study is that the results obtained are in the form of a design model for child development applications in the form of an android application on a smartphone
Implementasi Simple Reflex Autonomous Smart Mopping The Floor
Get PDFPenelitian ini bertujuan untuk membuat prototipe atau model robot peralatan rumah tangga pintar mengepel lantai datar (ubin, tembok, kayu) dengan pendekatan penggunaan perangkat elektronika Arduino dan peralatan komponen elektronika serta mekatronika pendukungnya. Penelitian ini merupakan penelitian lanjutan untuk mengimplementasikan konsep robot Simple Reflex Autonomous Smart Mopping the Floor (SRASMF). Implementasi pemodelan robot SRASMF diantaranya adalah proses pengkodean program (coding and debugging) berdasarkan hasil perakitan model. Pengkodean program dilakukan terhadap fungsi persepsi (percepts), fungsi aktuator (actuators), dan fungsi aksi (actions) model robot SRASMF. Robot SRASMF merupakan model robot cerdas (Intelligent Agent) yang dilengkapi sensor dan actuator yang dapat bekerja sendiri dalam lingkungannya (environment) dengan karakteristik bergerak maju mengepel lantai datar, mundur menghindari rintangan, berputar belok kiri, berputar belok kanan, dan berhenti. Hasil pengamatan 7 kali percobaan terhadap kinerja operasi model robot SRASMF, pada lingkungan ruang persegi panjang dengan luas lantai ubin berukuran 2m (lebar) x 5m (panjang) (sekitar 25 jumlah ubin berukuran 60cm2) dapat melakukan fungsi dan pergerakan sesuai yang didefinisikan. Luas ruangan lantai percobaan dengan ukuran sekitar 10 (sepuluh) meter persegi dapat diselesaikan dalam kecepatan rerata waktu 3 menit 39 detik. Dalam hal ini model robot SRASMF membuat sendiri lintasannya sekitar 4 (empat) lintasan imajiner pada ruang berukuran tersebut. AbstractThis study aims to create a prototype or robot model of smart household appliances to mop flat floors (tiles, walls, wood) with an approach using Arduino electronic devices and supporting electronic and mechatronic components. This research is a follow-up study to implement the concept of the Simple Reflex Autonomous Smart Mopping the Floor (SRASMF) robot. The implementation of SRASMF robot modeling includes coding and debugging processes based on the results of model assembly. Program coding is performed on the perception, actuator, and action function of the SRASMF robot model. The SRASMF robot is an intelligent robot model (Intelligent Agent) equipped with sensors and actuators that can work independently in their environment with the characteristics of moving forward, mopping the floor flat, backward avoiding obstacles, turning left, turning right, and stopping. The results of observations from 7 experiments on the operational performance of the SRASMF robot model, in a rectangular room environment with a tiled floor area measuring 2m (width) x 5m (length) (approximately 25 tiles measuring 60cm2) can perform functions and movements as defined. The experimental floor area with a size of about 10 (ten) square meters can be completed in an average of 3 minutes 39 seconds. In this case, the SRASMF robot model creates its own trajectory of about 4 (four) imaginary paths in that sized space
Sistem Monitoring Gelombang Osilometrik Menggunakan Arduino dan Smartphone
Get PDFTekanan darah terjadi ketika arteri pembuluh darah dipompa oleh jantung ke seluruh tubuh. Ada dua elemen penting yang dipertimbangkan untuk mengukur tekanan darah, yaitu sistolik dan diastolik. Sistolik adalah nilai tekanan darah ketika otot-otot di jantung mendorong darah dari jantung itu sendiri ke dinding arteri. Sedangkan diastolik adalah nilai tekanan darah pada saat otot-otot ventrikel jantung dalam keadaan istirahat. Di era modern, pengukuran tekanan darah menggunakan sinyal listrik dari sensor dan dianalisis untuk mengetahui kesehatan organ tubuh. Namun dalam praktiknya, sistem pemantauan tekanan darah hanya dapat didengar oleh dokter, tanpa direkam untuk analisis lebih lanjut. Untuk mengakhiri hal ini, kami mengusulkan sistem pengukuran tekanan darah yang tidak hanya mengukur tekanan darah tetapi juga memantau sinyal osylometric ke dalam smartphone. Sinyal osylometric diproses oleh Arduino UNO R3 dari sensor Tekanan MPX55500DP. Arduino diprogram untuk mengaktifkan pompa udara dan memompanya ke dalam manset. Kemudian, sinyal osilometrik ditransmisikan ke aplikasi smartphone Android. Kami menggunakan Modul Bluetooth HC-05 untuk mengirimkan data dari Arduino ke Smartphone Android. AbstractBlood pressure occures when the arteries of blood vessels is pumped by the heart to the whole body. There are two important elements that is considered to measure the blood pressures, it is called systolic and diastolic. Systolic is a value of blood pressure when muscles on the heart pushes blood from the heart itself to the artery walls. Whereas, diastolic is a value of blood pressure when the heart ventrical muscles in the heart is resting. In the modern era, blood pressure measurement uses electrical signals from the sensor and be analyzed to determine the health of the organs. However, in practice, the blood pressure monitoring system only can be heard by doctor, without recorded it for more advanced analysis. To end this, we propose a blood preasure measurement system that is not only measure the blood pressure but it also monitors the the osylometric signal into smartphone. The osylometric signal is processed by Arduino UNO R3 from MPX55500DP Pressure sensor. The Arduino is programmed for enabling the air pump and pump it into cuff. Then, the osylometric signal is transmitted to a application of Android smartphones. We use a Bluetooth HC-05 Module to transmit data from the Arduino into Android Smartphone
Penggunaan Compressive Sensing pada Pengenalan Huruf dengan Tulisan Tangan Menggunakan Metode K-Nearest Neighbor
Get PDFPengambilan, pengiriman, atau pertukaran informasi berupa data sangat dibutuhkan oleh manusia. Kehidupan manusia membutuhkan informasi dengan cepat dan tepat, maka data dimanfaatkan agar tidak memakan banyak kapasitas bandwidth dan memori saat sampai di server. Dalam penelitian ini, dilakukan kompresi dengan teknik CS (Compressive Sensing). Penggunaan CS difokuskan terhadap pengenalan huruf kapital dan angka tulisan tangan yang didapatkan dari sebelas mahasiswa dengan beberapa skenario. Untuk mengetahui hal tersebut dilakukan pengumpulan data lalu diolah menggunakan preprocessing, CS, rekontruksi dengan Orthogonal Matching Pursuit, dan proses terakhir pendeteksian menggunakan K-Nearest Neighbor yang didalamnya terdapat ekstraksi ciri menggunakan Template Matching. Setelah tahapan dirancang, dilakukan pengujian dengan beberapa skenario untuk memperoleh akurasi deteksi yang paling baik dengan mengubah parameter ukuran setiap blok pada suatu citra, mengubah baris kompresi, dan mengubah dimensi citra. Sehingga didapatkan bahwa skenario yang cocok untuk pengenalan huruf kapital dan angka adalah skenario 1 (perbandingan database citra rekonstruktif pada pengujian dengan database citra asli sebelum akuisisi CS pada pelatihan) dengan akurasi deteksi sebesar 91.95% untuk huruf kapital sedangkan untuk deteksi angka sebesar 93%. AbstractRetrieval, delivery, or exchange of information in the form of data is needed by humans. Human life requires information quickly and precisely, so data are used so it doesn\u27t take up a lot of bandwidth and memory capacity when it arrive at the server. In this study, compression was performed using the CS ( Compressive Sensing) technique. The use of CS is focused on recognizing capital letters and handwritten numbers obtained from eleven students with several scenarios. To find out, the data were collected and then processed using preprocessing, CS, reconstruction with Orthogonal Matching Pursuit, and the last detection process were using K- Nearest Neighbor in which there were feature extraction using Template Matching. After the design stage, several scenarios were tested to obtain the best detection accuracy by changing the size parameters of each block in an image, changing the compression line, and changing the image dimensions. So it is found that the suiTabel scenario for recognizing capital letters and numbers is scenario 1 ( comparison of the reconstructive image database in the test with the original image database before the acquisition of CS in training) with a detection accuracy of 91.95% for capital letters while for number detection it is 93%