Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Rancang Bangun Robot Lengan 4-DOF Pemindah Objek Otomatis Menggunakan Metode Inverse Kinematics dan Yolo
Get PDFKebutuhan akan otomasi robot lengan di berbagai industri menjadi alasan utama untuk pengembangan sistem robot lengan cerdas. Penggunaan robot lengan dalam dunia industri sangat mengandalkan akurasi posisi dalam pemindahan objek. Akurasi ini ditentukan oleh kemampuan sistem dalam menghitung konfigurasi sudut tiap sendi robot secara tepat, yang dapat dicapai melalui metode inverse kinematics. Selain itu, kemampuan dalam mengenali dan memilah objek secara otomatis menjadi hal yang penting, sehingga diperlukan integrasi dengan sistem pengolahan citra. Penelitian ini mengembangkan sistem robot lengan 4-DOF yang menggunakan metode inverse kinematics utnuk pergerakan dan algoritma YOLO (You Only Look Once) sebagai pendeteksi objek secara real-time. Dataset citra terdiri dari 2128 citra yang dibagi menjadi 1706 citra pelatihan, 294 citra validasi, dan 128 citra pengujian. Dataset citra diperoleh melalui proses ekstraksi frame dari video yang diambil langsung dari atas (top-view) terhadap objek. Sistem ini terdiri dari kamera, Raspberry Pi, Arduino, dan robot lengan. Kamera menangkap area kerja, kemudian Raspberry Pi memproses citra dan mengirimkan data koordinat serta jenis objek ke Arduino untuk menghitung konfigurasi inverse kinematics. Robot lengan selanjutnya bergerak untuk mengambil dan memindahkan objek. Hasil pengujian menunjukkan bahwa deteksi objek mencapai tingkat kesesuaian 100% terhadap 4 kategori objek yang digunakan. Pada pengujian koordinat objek, hasil pengukuran kesalahan dalam ruang Euclidean 3 dimensi sebesar 0,77 cm. Penelitian ini menunjukkan kombinasi metode inverse kinematics dan algoritma YOLO dapat diterapkan secara efektif dalam robot lengan untuk memindahkan objek secara otomatis dengan tingkat akurasi yang baik.
Abstract
The need for automation of arm robots in various industries is the main reason for the development of intelligent arm robot systems. The use of arm robots in the industrial world relies heavily on positional accuracy in moving objects. This accuracy is determined by the system\u27s ability to calculate the exact angular configuration of each robot joint, which can be achieved through the inverse kinematics method. In addition, the ability to recognize and sort objects automatically is important, so integration with image processing systems is needed. This research develops a 4-DOF robotic arm system that uses the inverse kinematics method for movement and the YOLO (You Only Look Once) algorithm for real-time object detection. The image dataset consists of 2128 images divided into 1706 training images, 294 validation images, and 128 testing images. The image dataset is obtained through the process of extracting frames from videos taken directly from the top-view of objects. The system consists of a camera, Raspberry Pi, Arduino, and robot arm. The camera captures the work area, then the Raspberry Pi processes the image and sends the coordinate data and object type to the Arduino to calculate the inverse kinematics configuration. The robot arm then moves to pick up and move the object. The test results show that object detection achieves a 100% match rate for the 4 object categories used. In the object coordinate test, the error measurement result in 3-dimensional Euclidean space is 0.77 cm. This research shows that the combination of inverse kinematics method and YOLO algorithm can be effectively applied in a robot arm to move objects automatically with a good level of accuracy.Kebutuhan akan otomasi robot lengan di berbagai industri menjadi alasan utama untuk pengembangan sistem robot lengan cerdas. Penggunaan robot lengan dalam dunia industri sangat mengandalkan akurasi posisi dalam pemindahan objek. Akurasi ini ditentukan oleh kemampuan sistem dalam menghitung konfigurasi sudut tiap sendi robot secara tepat, yang dapat dicapai melalui metode inverse kinematics. Selain itu, kemampuan dalam mengenali dan memilah objek secara otomatis menjadi hal yang penting, sehingga diperlukan integrasi dengan sistem pengolahan citra. Penelitian ini mengembangkan sistem robot lengan 4-DOF yang menggunakan metode inverse kinematics utnuk pergerakan dan algoritma YOLO (You Only Look Once) sebagai pendeteksi objek secara real-time. Dataset citra terdiri dari 2128 citra yang dibagi menjadi 1706 citra pelatihan, 294 citra validasi, dan 128 citra pengujian. Dataset citra diperoleh melalui proses ekstraksi frame dari video yang diambil langsung dari atas (top-view) terhadap objek. Sistem ini terdiri dari kamera, Raspberry Pi, Arduino, dan robot lengan. Kamera menangkap area kerja, kemudian Raspberry Pi memproses citra dan mengirimkan data koordinat serta jenis objek ke Arduino untuk menghitung konfigurasi inverse kinematics. Robot lengan selanjutnya bergerak untuk mengambil dan memindahkan objek. Hasil pengujian menunjukkan bahwa deteksi objek mencapai tingkat kesesuaian 100% terhadap 4 kategori objek yang digunakan. Pada pengujian koordinat objek, hasil pengukuran kesalahan dalam ruang Euclidean 3 dimensi sebesar 0,77 cm. Penelitian ini menunjukkan kombinasi metode inverse kinematics dan algoritma YOLO dapat diterapkan secara efektif dalam robot lengan untuk memindahkan objek secara otomatis dengan tingkat akurasi yang baik.
Abstract
The need for automation of arm robots in various industries is the main reason for the development of intelligent arm robot systems. The use of arm robots in the industrial world relies heavily on positional accuracy in moving objects. This accuracy is determined by the system\u27s ability to calculate the exact angular configuration of each robot joint, which can be achieved through the inverse kinematics method. In addition, the ability to recognize and sort objects automatically is important, so integration with image processing systems is needed. This research develops a 4-DOF robotic arm system that uses the inverse kinematics method for movement and the YOLO (You Only Look Once) algorithm for real-time object detection. The image dataset consists of 2128 images divided into 1706 training images, 294 validation images, and 128 testing images. The image dataset is obtained through the process of extracting frames from videos taken directly from the top-view of objects. The system consists of a camera, Raspberry Pi, Arduino, and robot arm. The camera captures the work area, then the Raspberry Pi processes the image and sends the coordinate data and object type to the Arduino to calculate the inverse kinematics configuration. The robot arm then moves to pick up and move the object. The test results show that object detection achieves a 100% match rate for the 4 object categories used. In the object coordinate test, the error measurement result in 3-dimensional Euclidean space is 0.77 cm. This research shows that the combination of inverse kinematics method and YOLO algorithm can be effectively applied in a robot arm to move objects automatically with a good level of accuracy
Implementasi Adaptive Neuro-Fuzzy Inference System PadaSistem Deteksi Kelelahan Mental Berbasis Sinyal Electroencephalogram
Get PDFKelelahan mental merupakan fenomena umum pada pelajar dan pekerja yang ditandai dengan penurunan energi, motivasi, kemampuan kognitif dan lainnya. Jika tidak segera ditangani, maka dapat menyebabkan berbagai gangguan kesehatan fisik maupun mental dan meningkatkan resiko kecelakaan. Psikolog mengidentifikasi kelelahan mental melalui pengukuran secara subjektif dengan kuesioner atau pengukuran secara kognitif dengan tes kognitif. Namun, proses tersebut memerlukan waktu yang lama dan hasil pengukuran cenderung bersifat subjektif, rentan terhadap kesalahan dan kurang valid untuk pasien yang terbiasa dengan aktivitas kognitif. Oleh karena itu, penelitian ini mengusulkan implementasi metode Adaptive Neuro-Fuzzy Inference System pada sistem deteksi kelelahan mental berbasis sinyal electroencephalogram satu kanal untuk meningkatkan keakuratan diagnosis, efisiensi waktu dan kenyamanan pengguna. Sistem menggunakan metode normalisasi min-max, segmentasi, dekomposisi Discrete Wavelet Transform, dan ekstraksi fitur Power Percentage, Standard Deviation, Mean Absolute Value dari sinyal theta. Sistem dikemas dalam aplikasi Graphical User Interface berbasis MATLAB sehingga dapat menampilkan keluaran berupa grafik sinyal theta, nilai-nilai ekstraksi fitur, dan hasil diagnosis pada laptop pengguna. Sistem ini menghasilkan akurasi klasifikasi sebesar 90% dan rata-rata waktu komputasi mencapai 0,45 detik. Sistem ini dapat diandalkan dan digunakan sebagai alat validator tambahan untuk psikolog dalam mendiagnosis kelelahan mental.
Abstract
Mental fatigue is a common phenomenon in students and workers characterized by decreased energy, motivation, cognitive ability and more. If left untreated, it can lead to various physical and mental health problems and increase the risk of accidents. Psychologists identify mental fatigue through subjective measurements with questionnaires or cognitive measurements with cognitive tests. However, the process takes a long time and the measurement results tend to be subjective, prone to errors and less valid for patients who are accustomed to cognitive activities. Therefore, this study proposes the implementation of the Adaptive Neuro-Fuzzy Inference System method on a single-channel electroencephalogram signal-based mental fatigue detection system to improve diagnosis accuracy, time efficiency and user convenience. The system uses min-max normalization, segmentation, Discrete Wavelet Transform decomposition, and Power Percentage, Standard Deviation, Mean Absolute Value feature extraction methods from theta signals. The system is packaged in a MATLAB-based Graphical User Interface application so that it can display output in the form of theta signal graphs, feature extraction values, and diagnosis results on the user\u27s laptop. The system produced a classification accuracy of 90% and an average computation time reached 0.45 seconds. The system is reliable and can be used as an additional validator tool for psychologists in diagnosing mental fatigue.Kelelahan mental merupakan fenomena umum pada pelajar dan pekerja yang ditandai dengan penurunan energi, motivasi, kemampuan kognitif dan lainnya. Jika tidak segera ditangani, maka dapat menyebabkan berbagai gangguan kesehatan fisik maupun mental dan meningkatkan resiko kecelakaan. Psikolog mengidentifikasi kelelahan mental melalui pengukuran secara subjektif dengan kuesioner atau pengukuran secara kognitif dengan tes kognitif. Namun, proses tersebut memerlukan waktu yang lama dan hasil pengukuran cenderung bersifat subjektif, rentan terhadap kesalahan dan kurang valid untuk pasien yang terbiasa dengan aktivitas kognitif. Oleh karena itu, penelitian ini mengusulkan implementasi metode Adaptive Neuro-Fuzzy Inference System pada sistem deteksi kelelahan mental berbasis sinyal electroencephalogram satu kanal untuk meningkatkan keakuratan diagnosis, efisiensi waktu dan kenyamanan pengguna. Sistem menggunakan metode normalisasi min-max, segmentasi, dekomposisi Discrete Wavelet Transform, dan ekstraksi fitur Power Percentage, Standard Deviation, Mean Absolute Value dari sinyal theta. Sistem dikemas dalam aplikasi Graphical User Interface berbasis MATLAB sehingga dapat menampilkan keluaran berupa grafik sinyal theta, nilai-nilai ekstraksi fitur, dan hasil diagnosis pada laptop pengguna. Sistem ini menghasilkan akurasi klasifikasi sebesar 90% dan rata-rata waktu komputasi mencapai 0,45 detik. Sistem ini dapat diandalkan dan digunakan sebagai alat validator tambahan untuk psikolog dalam mendiagnosis kelelahan mental.
Abstract
Mental fatigue is a common phenomenon in students and workers characterized by decreased energy, motivation, cognitive ability and more. If left untreated, it can lead to various physical and mental health problems and increase the risk of accidents. Psychologists identify mental fatigue through subjective measurements with questionnaires or cognitive measurements with cognitive tests. However, the process takes a long time and the measurement results tend to be subjective, prone to errors and less valid for patients who are accustomed to cognitive activities. Therefore, this study proposes the implementation of the Adaptive Neuro-Fuzzy Inference System method on a single-channel electroencephalogram signal-based mental fatigue detection system to improve diagnosis accuracy, time efficiency and user convenience. The system uses min-max normalization, segmentation, Discrete Wavelet Transform decomposition, and Power Percentage, Standard Deviation, Mean Absolute Value feature extraction methods from theta signals. The system is packaged in a MATLAB-based Graphical User Interface application so that it can display output in the form of theta signal graphs, feature extraction values, and diagnosis results on the user\u27s laptop. The system produced a classification accuracy of 90% and an average computation time reached 0.45 seconds. The system is reliable and can be used as an additional validator tool for psychologists in diagnosing mental fatigue
Pengontrolan Lampu Lalu Lintas Menggunakan Teknologi Deteksi Kendaraan YOLOV4
Get PDFDeteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%.
Abstract
Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm\u27s performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%.Deteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%.
Abstract
Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm\u27s performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%
Implementasi Load Balancing pada Google Cloud Platform Untuk Membangun Online Learning
Get PDFDalam era digital, institusi pendidikan menghadapi tantangan dalam menyediakan sistem pembelajaran daring yang andal, skalabel, dan responsif terhadap lonjakan pengguna. Salah satu permasalahan utama yang sering terjadi adalah bottleneck pada server web dan database, yang dapat menyebabkan penurunan performa saat jumlah pengguna meningkat secara signifikan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengimplementasikan load balancing pada Google Cloud Platform (GCP) guna membangun platform pembelajaran daring berbasis Moodle yang optimal. Metode yang digunakan dalam penelitian ini mencakup perancangan dan implementasi infrastruktur berbasis layanan GCP, termasuk Compute Engine untuk hosting server web, Cloud SQL sebagai database terkelola, Cloud Memorystore Redis untuk caching guna mengurangi beban query pada database, serta Cloud Filestore untuk penyimpanan data. HTTPS Load Balancer digunakan untuk mendistribusikan lalu lintas pengguna secara merata ke beberapa instance server, sementara autoscaler diaktifkan untuk menyesuaikan kapasitas sumber daya secara dinamis sesuai kebutuhan pengguna. Hasil pengujian menunjukkan bahwa bottleneck utama pada sistem e-learning terjadi pada beban tinggi di database dan server web, yang dapat diatasi dengan caching dan load balancing. Implementasi ini memungkinkan sistem menangani lonjakan lalu lintas hingga 5.000 pengguna simultan. dengan penggunaan moodle data base mencapai 80,28 %, penggunaan autoscaling mencapai level 1,916. Utilisasi mulai menurun dan menunjukkan stabilisasi mendekati nilai 1. Stabilitas ini mengindikasikan bahwa autoscaler berhasil menyesuaikan jumlah instance dengan kebutuhan beban kerja, menjaga performa optimal aplikasi. Dengan demikian, penggunaan load balancing pada GCP terbukti meningkatkan keandalan, skalabilitas, dan efisiensi platform pembelajaran daring, serta memberikan panduan praktis bagi institusi pendidikan dalam mengadopsi teknologi cloud untuk mendukung kegiatan belajar-mengajar secara daring.
Abstract
In the digital era, educational institutions face the challenge of providing a reliable, scalable and responsive online learning system to the surge of users. One of the main problems that often occurs is bottleneck on the web server and database, which can cause performance degradation when the number of users increases significantly. This research aims to overcome this problem by implementing load balancing on Google Cloud Platform (GCP) to build an optimal Moodle-based online learning platform. The method used in this research includes the design and implementation of GCP service-based infrastructure, including Compute Engine for web server hosting, Cloud SQL as a managed database, Cloud Memorystore Redis for caching to reduce query load on the database, and Cloud Filestore for data storage. HTTPS Load Balancer is used to distribute user traffic evenly across multiple server instances, while autoscaler is enabled to dynamically adjust resource capacity according to user needs. The test results show that the main bottleneck in the e-learning system occurs at high loads on the database and web server, which can be addressed by caching and load balancing. This implementation allows the system to handle traffic spikes of up to 5,000 simultaneous users. with moodle data base utilization reaching 80.28%, autoscaling utilization reaching a level of 1.916. This stability indicates that the autoscaler successfully adjusts the number of instances to the needs of the workload, maintaining optimal application performance. Thus, the use of load balancing on GCP is proven to improve the reliability, scalability, and efficiency of the online learning platform, and provides practical guidance for educational institutions in adopting cloud technology to support online teaching and learning activities.Dalam era digital, institusi pendidikan menghadapi tantangan dalam menyediakan sistem pembelajaran daring yang andal, skalabel, dan responsif terhadap lonjakan pengguna. Salah satu permasalahan utama yang sering terjadi adalah bottleneck pada server web dan database, yang dapat menyebabkan penurunan performa saat jumlah pengguna meningkat secara signifikan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengimplementasikan load balancing pada Google Cloud Platform (GCP) guna membangun platform pembelajaran daring berbasis Moodle yang optimal. Metode yang digunakan dalam penelitian ini mencakup perancangan dan implementasi infrastruktur berbasis layanan GCP, termasuk Compute Engine untuk hosting server web, Cloud SQL sebagai database terkelola, Cloud Memorystore Redis untuk caching guna mengurangi beban query pada database, serta Cloud Filestore untuk penyimpanan data. HTTPS Load Balancer digunakan untuk mendistribusikan lalu lintas pengguna secara merata ke beberapa instance server, sementara autoscaler diaktifkan untuk menyesuaikan kapasitas sumber daya secara dinamis sesuai kebutuhan pengguna. Hasil pengujian menunjukkan bahwa bottleneck utama pada sistem e-learning terjadi pada beban tinggi di database dan server web, yang dapat diatasi dengan caching dan load balancing. Implementasi ini memungkinkan sistem menangani lonjakan lalu lintas hingga 5.000 pengguna simultan. dengan penggunaan moodle data base mencapai 80,28 %, penggunaan autoscaling mencapai level 1,916. Utilisasi mulai menurun dan menunjukkan stabilisasi mendekati nilai 1. Stabilitas ini mengindikasikan bahwa autoscaler berhasil menyesuaikan jumlah instance dengan kebutuhan beban kerja, menjaga performa optimal aplikasi. Dengan demikian, penggunaan load balancing pada GCP terbukti meningkatkan keandalan, skalabilitas, dan efisiensi platform pembelajaran daring, serta memberikan panduan praktis bagi institusi pendidikan dalam mengadopsi teknologi cloud untuk mendukung kegiatan belajar-mengajar secara daring.
Abstract
In the digital era, educational institutions face the challenge of providing a reliable, scalable and responsive online learning system to the surge of users. One of the main problems that often occurs is bottleneck on the web server and database, which can cause performance degradation when the number of users increases significantly. This research aims to overcome this problem by implementing load balancing on Google Cloud Platform (GCP) to build an optimal Moodle-based online learning platform. The method used in this research includes the design and implementation of GCP service-based infrastructure, including Compute Engine for web server hosting, Cloud SQL as a managed database, Cloud Memorystore Redis for caching to reduce query load on the database, and Cloud Filestore for data storage. HTTPS Load Balancer is used to distribute user traffic evenly across multiple server instances, while autoscaler is enabled to dynamically adjust resource capacity according to user needs. The test results show that the main bottleneck in the e-learning system occurs at high loads on the database and web server, which can be addressed by caching and load balancing. This implementation allows the system to handle traffic spikes of up to 5,000 simultaneous users. with moodle data base utilization reaching 80.28%, autoscaling utilization reaching a level of 1.916. This stability indicates that the autoscaler successfully adjusts the number of instances to the needs of the workload, maintaining optimal application performance. Thus, the use of load balancing on GCP is proven to improve the reliability, scalability, and efficiency of the online learning platform, and provides practical guidance for educational institutions in adopting cloud technology to support online teaching and learning activities
Pendekatan Hybrid F-AHP Dan WSM Untuk Optimalisasi Seleksi Mobile Developer
Get PDFDalam era digital yang berkembang pesat, peran mobile developer menjadi semakin penting untuk mendukung transformasi digital melalui aplikasi berbasis mobile. Namun, proses seleksi mobile developer menghadapi tantangan kompleks akibat banyaknya kriteria teknis dan non-teknis yang harus dipertimbangkan secara bersamaan, sehingga diperlukan metode seleksi yang lebih efektif. Penelitian ini bertujuan untuk mengembangkan dan menguji model terpadu yang menggabungkan Fuzzy Analytic Hierarchy Process (F-AHP) dan Weighted Sum Model (WSM) guna mengoptimalkan proses seleksi mobile developer. Model ini dirancang untuk menangani ketidakpastian dan ambiguitas dalam evaluasi kandidat dengan memberikan pembobotan kriteria yang objektif dan terstruktur. Pendekatan kuantitatif dengan desain deskriptif-eksploratif diterapkan dalam penelitian ini, melibatkan tiga pengambil keputusan dan analisis dokumen serta portofolio dari 15 kandidat. F-AHP digunakan untuk menghitung bobot relatif kriteria utama dan sub-kriteria, sementara WSM menggabungkan bobot tersebut dengan skor kandidat untuk menentukan peringkat akhir. Hasil penelitian menunjukkan bahwa model ini meningkatkan akurasi seleksi dari 72% menggunakan metode konvensional menjadi 100%. Uji sensitivitas membuktikan bahwa model ini cukup robust terhadap perubahan kecil pada bobot kriteria dan sub-kriteria (±5% hingga ±10%). Analisis lebih lanjut mengungkapkan bahwa sub-kriteria seperti Penguasaan Bahasa Pemrograman dan Pengalaman Pengembangan Aplikasi memberikan kontribusi signifikan terhadap hasil seleksi. Model ini direkomendasikan untuk diimplementasikan dalam seleksi mobile developer, karena menawarkan fleksibilitas dan akurasi yang lebih tinggi sekaligus meminimalkan bias dalam penilaian.
Abstract
In the rapidly evolving digital era, the role of mobile developers has become increasingly crucial in supporting digital transformation through mobile-based applications. However, the selection process for mobile developers faces complex challenges due to the need to consider multiple technical and non-technical criteria simultaneously, requiring more effective selection methods. This study aims to develop and evaluate an integrated model combining the Fuzzy Analytic Hierarchy Process (F-AHP) and Weighted Sum Model (WSM) to optimize the selection process for mobile developers. The model is designed to address uncertainty and ambiguity in candidate evaluations by providing objective and structured criteria weighting. A quantitative approach with a descriptive-exploratory design was employed in this study, involving three decision-makers and an analysis of documents and portfolios from 15 candidates. F-AHP was used to calculate the relative weights of main criteria and sub-criteria, while WSM combined these weights with candidate scores to determine the final ranking. The study results show that the model improved selection accuracy from 72% using conventional methods to 100%. Sensitivity tests demonstrated that the model is robust to minor changes in the weights of criteria and sub-criteria (±5% to ±10%). Further analysis revealed that sub-criteria such as Programming Language Proficiency and Application Development Experience significantly influenced the selection outcomes. This model is recommended for implementation in mobile developer selection as it offers higher flexibility and accuracy while minimizing assessment bias.Dalam era digital yang berkembang pesat, peran mobile developer menjadi semakin penting untuk mendukung transformasi digital melalui aplikasi berbasis mobile. Namun, proses seleksi mobile developer menghadapi tantangan kompleks akibat banyaknya kriteria teknis dan non-teknis yang harus dipertimbangkan secara bersamaan, sehingga diperlukan metode seleksi yang lebih efektif. Penelitian ini bertujuan untuk mengembangkan dan menguji model terpadu yang menggabungkan Fuzzy Analytic Hierarchy Process (F-AHP) dan Weighted Sum Model (WSM) guna mengoptimalkan proses seleksi mobile developer. Model ini dirancang untuk menangani ketidakpastian dan ambiguitas dalam evaluasi kandidat dengan memberikan pembobotan kriteria yang objektif dan terstruktur. Pendekatan kuantitatif dengan desain deskriptif-eksploratif diterapkan dalam penelitian ini, melibatkan tiga pengambil keputusan dan analisis dokumen serta portofolio dari 15 kandidat. F-AHP digunakan untuk menghitung bobot relatif kriteria utama dan sub-kriteria, sementara WSM menggabungkan bobot tersebut dengan skor kandidat untuk menentukan peringkat akhir. Hasil penelitian menunjukkan bahwa model ini meningkatkan akurasi seleksi dari 72% menggunakan metode konvensional menjadi 100%. Uji sensitivitas membuktikan bahwa model ini cukup robust terhadap perubahan kecil pada bobot kriteria dan sub-kriteria (±5% hingga ±10%). Analisis lebih lanjut mengungkapkan bahwa sub-kriteria seperti Penguasaan Bahasa Pemrograman dan Pengalaman Pengembangan Aplikasi memberikan kontribusi signifikan terhadap hasil seleksi. Model ini direkomendasikan untuk diimplementasikan dalam seleksi mobile developer, karena menawarkan fleksibilitas dan akurasi yang lebih tinggi sekaligus meminimalkan bias dalam penilaian.
Abstract
In the rapidly evolving digital era, the role of mobile developers has become increasingly crucial in supporting digital transformation through mobile-based applications. However, the selection process for mobile developers faces complex challenges due to the need to consider multiple technical and non-technical criteria simultaneously, requiring more effective selection methods. This study aims to develop and evaluate an integrated model combining the Fuzzy Analytic Hierarchy Process (F-AHP) and Weighted Sum Model (WSM) to optimize the selection process for mobile developers. The model is designed to address uncertainty and ambiguity in candidate evaluations by providing objective and structured criteria weighting. A quantitative approach with a descriptive-exploratory design was employed in this study, involving three decision-makers and an analysis of documents and portfolios from 15 candidates. F-AHP was used to calculate the relative weights of main criteria and sub-criteria, while WSM combined these weights with candidate scores to determine the final ranking. The study results show that the model improved selection accuracy from 72% using conventional methods to 100%. Sensitivity tests demonstrated that the model is robust to minor changes in the weights of criteria and sub-criteria (±5% to ±10%). Further analysis revealed that sub-criteria such as Programming Language Proficiency and Application Development Experience significantly influenced the selection outcomes. This model is recommended for implementation in mobile developer selection as it offers higher flexibility and accuracy while minimizing assessment bias
Model Hibrida CNN Berbobot dan Model Adaboost Decision Tree untuk Klasifikasi Penyakit Kubis pada Dataset Tidak Seimbang
Get PDFMetode klasifikasi berbasis gambar banyak digunakan dalam bidang pertanian untuk mendeteksi penyakit pada berbagai tanaman, termasuk jenis yang rentan terhadap infeksi seperti kubis. Namun, performa optimal dalam klasifikasi gambar sangat dipengaruhi oleh jumlah dan keseimbangan data. Ketidakseimbangan data dalam klasifikasi penyakit tanaman kubis dapat menyebabkan model lebih memfokuskan perhatian pada kelas mayoritas, sehingga mengabaikan kelas minoritas, terutama pada klasifikasi multi-kelas. CNN sering digunakan dalam klasifikasi gambar, tetapi memiliki kelemahan dalam menangani data tidak seimbang karena cenderung lebih fokus pada kelas mayoritas. Untuk mengatasi permasalahan ini, dikembangkan model Hybrid yang mengombinasikan metode pembobotan pada CNN untuk ekstraksi fitur, model estimasi menggunakan Decision Tree, serta teknik ensemble Adaboost pada tahap klasifikasi. Pendekatan ini dirancang untuk meningkatkan kemampuan generalisasi terhadap kelas minoritas serta menghasilkan distribusi prediksi yang lebih seimbang. Hasil penelitian menunjukkan bahwa model Hybrid yang diusulkan mampu meningkatkan performa klasifikasi sebagaimana terlihat dari peningkatan Weighted Average F1-score menjadi 97%, dibandingkan model CNN tunggal dengan pembobotan yang hanya mencapai 63%. Peningkatan ini menunjukkan bahwa model Hybrid tidak hanya lebih efektif dalam menangani ketidakseimbangan data, tetapi juga mampu melakukan generalisasi yang lebih baik.
Abstract
Image-based classification methods are widely used in agriculture to detect diseases in various plants, including those susceptible to infections, such as cabbage. However, achieving optimal performance in image classification is highly influenced by the quantity and balance of the data. Data imbalance in cabbage disease classification can cause the model to focus more on the majority class while neglecting the minority class, especially in multi-class classification. CNN is commonly used for image classification but struggles with imbalanced data, as it tends to prioritize the majority class. To address this issue, a hybrid model has been developed by combining weighting techniques in CNN for feature extraction, a Decision Tree for estimation, and the Adaboost ensemble technique for classification. This approach is designed to enhance generalization for minority classes and produce a more balanced prediction distribution. The results of the study indicate that the proposed Hybrid model is capable of improving classification performance, as evidenced by an increase in the Weighted Average F1-score to 97%, compared to the weighted CNN model, which achieved only 63%. This improvement demonstrates that the Hybrid model is not only more effective in addressing data imbalance but also better at generalizing the data.Metode klasifikasi berbasis gambar banyak digunakan dalam bidang pertanian untuk mendeteksi penyakit pada berbagai tanaman, termasuk jenis yang rentan terhadap infeksi seperti kubis. Namun, performa optimal dalam klasifikasi gambar sangat dipengaruhi oleh jumlah dan keseimbangan data. Ketidakseimbangan data dalam klasifikasi penyakit tanaman kubis dapat menyebabkan model lebih memfokuskan perhatian pada kelas mayoritas, sehingga mengabaikan kelas minoritas, terutama pada klasifikasi multi-kelas. CNN sering digunakan dalam klasifikasi gambar, tetapi memiliki kelemahan dalam menangani data tidak seimbang karena cenderung lebih fokus pada kelas mayoritas. Untuk mengatasi permasalahan ini, dikembangkan model Hybrid yang mengombinasikan metode pembobotan pada CNN untuk ekstraksi fitur, model estimasi menggunakan Decision Tree, serta teknik ensemble Adaboost pada tahap klasifikasi. Pendekatan ini dirancang untuk meningkatkan kemampuan generalisasi terhadap kelas minoritas serta menghasilkan distribusi prediksi yang lebih seimbang. Hasil penelitian menunjukkan bahwa model Hybrid yang diusulkan mampu meningkatkan performa klasifikasi sebagaimana terlihat dari peningkatan Weighted Average F1-score menjadi 97%, dibandingkan model CNN tunggal dengan pembobotan yang hanya mencapai 63%. Peningkatan ini menunjukkan bahwa model Hybrid tidak hanya lebih efektif dalam menangani ketidakseimbangan data, tetapi juga mampu melakukan generalisasi yang lebih baik.
Abstract
Image-based classification methods are widely used in agriculture to detect diseases in various plants, including those susceptible to infections, such as cabbage. However, achieving optimal performance in image classification is highly influenced by the quantity and balance of the data. Data imbalance in cabbage disease classification can cause the model to focus more on the majority class while neglecting the minority class, especially in multi-class classification. CNN is commonly used for image classification but struggles with imbalanced data, as it tends to prioritize the majority class. To address this issue, a hybrid model has been developed by combining weighting techniques in CNN for feature extraction, a Decision Tree for estimation, and the Adaboost ensemble technique for classification. This approach is designed to enhance generalization for minority classes and produce a more balanced prediction distribution. The results of the study indicate that the proposed Hybrid model is capable of improving classification performance, as evidenced by an increase in the Weighted Average F1-score to 97%, compared to the weighted CNN model, which achieved only 63%. This improvement demonstrates that the Hybrid model is not only more effective in addressing data imbalance but also better at generalizing the data
Analisis Penerimaan Pengguna 5G Di Jabodetabek Dengan Metode Kombinasi UTAUT-TTF
Get PDFPenerapan jaringan 5G di Indonesia, khususnya di wilayah Jabodetabek (Jakarta, Bogor, Depok, Tangerang, dan Bekasi), merupakan langkah penting dalam mengakomodasi kebutuhan akan layanan internet yang lebih cepat dan lebih andal. Namun, adopsi teknologi ini tidak hanya bergantung pada kemampuan teknologinya, tetapi juga pada faktor-faktor yang mempengaruhi persepsi dan penerimaan pengguna. Dengan demikian, penelitian ini bertujuan untuk menganalisis perilaku penggunaan jaringan 5G dengan mengidentifikasi faktor-faktor yang mempengaruhi masyarakat dalam menggunakan jaringan 5G berdasarkan metode UTAUT-TTF. Hasil survei melibatkan 113 responden serta analisis data dilakukan menggunakan metode SEM-PLS pada pengguna jaringan 5G di Jabodetabek. Hasil penelitian ini menunjukkan bahwa berbagai faktor dalam model integrasi UTAUT-TTF memainkan peran penting dalam menentukan adopsi teknologi 5G di wilayah Jabodetabek. Faktor-faktor seperti kondisi yang memfasilitasi, kinerja yang diharapkan, kesesuaian antara tugas teknologi, dan karakteristik teknologi memiliki pengaruh yang signifikan dan positif terhadap adopsi pengguna, sementara kemudahan penggunaan dan pengaruh sosial menunjukkan pengaruh yang lebih kompleks atau tidak signifikan. Hal ini menyoroti pentingnya tidak hanya fokus pada kemudahan penggunaan teknologi, tetapi juga memperhatikan faktor-faktor eksternal dan kecocokan teknologi dengan tugas-tugas spesifik yang dilakukan oleh pengguna. Dengan memahami dinamika ini, penyedia layanan serta pengembang kebijakan dan teknologi dapat lebih efektif dalam merancang strategi adopsi yang sesuai dengan kebutuhan dan preferensi pengguna, serta memastikan bahwa infrastruktur yang mendukung tersedia dan memadai untuk mendukung penggunaan teknologi 5G secara optimal.
Abstract
The deployment of 5G networks in Indonesia, especially in the Jabodetabek area (Jakarta, Bogor, Depok, Tangerang, and Bekasi), is a significant step in meeting the demand for faster and more reliable internet access. However, its adoption depends not only on technological capabilities but also on user perceptions and acceptance. This research explores factors influencing public adoption of 5G networks using the UTAUT-TTF method. A survey of 113 respondents in Jabodetabek was analyzed using the SEM-PLS method. The results of this study indicate that various factors in the UTAUT-TTF integration model play an important role in determining the adoption of 5G technology in the Jabodetabek area. Factors such as facilitating conditions, performance expectancy, task technology fit, and technology characteristics have a significant and positive influence on user adoption, while ease of use and social influence show a more complex or insignificant influence. This highlights the importance of not only focusing on the ease of use of technology, but also paying attention to external factors and the suitability of technology to specific tasks performed by users. By understanding these dynamics, service providers and policy and technology developers can be more effective in designing adoption strategies that are in accordance with user needs and preferences, and ensuring that supporting infrastructure is available and adequate to support optimal use of 5G technology.Penerapan jaringan 5G di Indonesia, khususnya di wilayah Jabodetabek (Jakarta, Bogor, Depok, Tangerang, dan Bekasi), merupakan langkah penting dalam mengakomodasi kebutuhan akan layanan internet yang lebih cepat dan lebih andal. Namun, adopsi teknologi ini tidak hanya bergantung pada kemampuan teknologinya, tetapi juga pada faktor-faktor yang mempengaruhi persepsi dan penerimaan pengguna. Dengan demikian, penelitian ini bertujuan untuk menganalisis perilaku penggunaan jaringan 5G dengan mengidentifikasi faktor-faktor yang mempengaruhi masyarakat dalam menggunakan jaringan 5G berdasarkan metode UTAUT-TTF. Hasil survei melibatkan 113 responden serta analisis data dilakukan menggunakan metode SEM-PLS pada pengguna jaringan 5G di Jabodetabek. Hasil penelitian ini menunjukkan bahwa berbagai faktor dalam model integrasi UTAUT-TTF memainkan peran penting dalam menentukan adopsi teknologi 5G di wilayah Jabodetabek. Faktor-faktor seperti kondisi yang memfasilitasi, kinerja yang diharapkan, kesesuaian antara tugas teknologi, dan karakteristik teknologi memiliki pengaruh yang signifikan dan positif terhadap adopsi pengguna, sementara kemudahan penggunaan dan pengaruh sosial menunjukkan pengaruh yang lebih kompleks atau tidak signifikan. Hal ini menyoroti pentingnya tidak hanya fokus pada kemudahan penggunaan teknologi, tetapi juga memperhatikan faktor-faktor eksternal dan kecocokan teknologi dengan tugas-tugas spesifik yang dilakukan oleh pengguna. Dengan memahami dinamika ini, penyedia layanan serta pengembang kebijakan dan teknologi dapat lebih efektif dalam merancang strategi adopsi yang sesuai dengan kebutuhan dan preferensi pengguna, serta memastikan bahwa infrastruktur yang mendukung tersedia dan memadai untuk mendukung penggunaan teknologi 5G secara optimal.
Abstract
The deployment of 5G networks in Indonesia, especially in the Jabodetabek area (Jakarta, Bogor, Depok, Tangerang, and Bekasi), is a significant step in meeting the demand for faster and more reliable internet access. However, its adoption depends not only on technological capabilities but also on user perceptions and acceptance. This research explores factors influencing public adoption of 5G networks using the UTAUT-TTF method. A survey of 113 respondents in Jabodetabek was analyzed using the SEM-PLS method. The results of this study indicate that various factors in the UTAUT-TTF integration model play an important role in determining the adoption of 5G technology in the Jabodetabek area. Factors such as facilitating conditions, performance expectancy, task technology fit, and technology characteristics have a significant and positive influence on user adoption, while ease of use and social influence show a more complex or insignificant influence. This highlights the importance of not only focusing on the ease of use of technology, but also paying attention to external factors and the suitability of technology to specific tasks performed by users. By understanding these dynamics, service providers and policy and technology developers can be more effective in designing adoption strategies that are in accordance with user needs and preferences, and ensuring that supporting infrastructure is available and adequate to support optimal use of 5G technology
Klasifikasi Emosi Pada Raut Wajah Pelajar Menggunakan Ekstraktor Fitur Face Mesh Dan Metode Support Vector Machine
Get PDFDalam lingkup pembelajaran, rasa emosional dan perhatian memegang peranan penting dalam keterlibatan pelajar terhadap proses pembelajaran yang sedang berlangsung. Emosi pelajar menimbulkan reaksi afektif terhadap proses pembelajaran, seperti boredom, engagement, confusion, dan frustration. Reaksi afektif tersebut dapat digunakan sebagai tolok ukur dalam melakukan evaluasi kegiatan pembelajaran. Pengenalan emosi dapat dilakukan dengan pengamatan citra wajah, namun pemrosesan sebuah citra memerlukan sebuah model yang dapat melakukan klasifikasi emosi berdasarkan raut wajah secara tepat. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk membangun sebuah sistem pengenalan emosi melalui raut wajah pelajar dengan ekstraktor fitur Mediapipe Face Mesh dan Support Vector Machine (SVM). Proses ekstraksi frame dan ekstraksi fitur dilakukan untuk mendapatkan total 1404 titik tiga dimensi facial landmark untuk kemudian diklasifikasikan dengan menggunakan SVM. Untuk meningkatkan kinerja klasifikasinya, dilakukan optimasi algoritma SVM melalui hyperparameter tuning dan Grid Search Cross Validation untuk menghasilkan kombinasi parameter model dengan kinerja terbaik. Hasil yang diperoleh adalah 53%, mengalami peningkatan 25% dibandingkan dengan model standar tanpa proses hyperparameter tuning yang menunjukkan bahwa hyperparamter tuning memiliki pengaruh terhadap kinerja model. Selain itu, terdapat titik-titik facial landmark yang berperan dalam klasifikasi emosi berdasarkan hasil analisis, yaitu titik yang berada di sekitar mata.
Abstract
In the context of learning, emotion and attention are significant factors influencing the learner\u27s engagement with the ongoing learning process. The affective reactions of learners to the learning process, which may include boredom, engagement, confusion, or frustration, can be influenced by their emotional state. Such affective reactions may be employed as benchmarks for the evaluation of learning activities. The emotions can be rcognized by analyzing the image of human face. However, image processing needs a model that can accurately categorize emotions based on facial expressions. This research aims to address these issues through the construction of an emotion recognition system based on student facial expressions using the Mediapipe Face Mesh feature extractor and Support Vector Machine. First, a frame extraction and feature extraction process was conducted to obtain a total of 1,404 three-dimensional facial landmark points as input data. Subsequently, the SVM algorithm was optimized through hyperparameter tuning and Grid Search Cross Validation to produce a combination of model parameters with the best performance. The resulting value was 53%, representing a 25% increase compared to the standard model without hyperparameter tuning, which demonstrates that hyperparameter tuning has a significant impact on model performance. Additionally, the analysis revealed that certain facial landmark points, particularly those around the eyes, play a crucial role in emotion classification.Dalam lingkup pembelajaran, rasa emosional dan perhatian memegang peranan penting dalam keterlibatan pelajar terhadap proses pembelajaran yang sedang berlangsung. Emosi pelajar menimbulkan reaksi afektif terhadap proses pembelajaran, seperti boredom, engagement, confusion, dan frustration. Reaksi afektif tersebut dapat digunakan sebagai tolok ukur dalam melakukan evaluasi kegiatan pembelajaran. Pengenalan emosi dapat dilakukan dengan pengamatan citra wajah, namun pemrosesan sebuah citra memerlukan sebuah model yang dapat melakukan klasifikasi emosi berdasarkan raut wajah secara tepat. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk membangun sebuah sistem pengenalan emosi melalui raut wajah pelajar dengan ekstraktor fitur Mediapipe Face Mesh dan Support Vector Machine (SVM). Proses ekstraksi frame dan ekstraksi fitur dilakukan untuk mendapatkan total 1404 titik tiga dimensi facial landmark untuk kemudian diklasifikasikan dengan menggunakan SVM. Untuk meningkatkan kinerja klasifikasinya, dilakukan optimasi algoritma SVM melalui hyperparameter tuning dan Grid Search Cross Validation untuk menghasilkan kombinasi parameter model dengan kinerja terbaik. Hasil yang diperoleh adalah 53%, mengalami peningkatan 25% dibandingkan dengan model standar tanpa proses hyperparameter tuning yang menunjukkan bahwa hyperparamter tuning memiliki pengaruh terhadap kinerja model. Selain itu, terdapat titik-titik facial landmark yang berperan dalam klasifikasi emosi berdasarkan hasil analisis, yaitu titik yang berada di sekitar mata.
Abstract
In the context of learning, emotion and attention are significant factors influencing the learner\u27s engagement with the ongoing learning process. The affective reactions of learners to the learning process, which may include boredom, engagement, confusion, or frustration, can be influenced by their emotional state. Such affective reactions may be employed as benchmarks for the evaluation of learning activities. The emotions can be rcognized by analyzing the image of human face. However, image processing needs a model that can accurately categorize emotions based on facial expressions. This research aims to address these issues through the construction of an emotion recognition system based on student facial expressions using the Mediapipe Face Mesh feature extractor and Support Vector Machine. First, a frame extraction and feature extraction process was conducted to obtain a total of 1,404 three-dimensional facial landmark points as input data. Subsequently, the SVM algorithm was optimized through hyperparameter tuning and Grid Search Cross Validation to produce a combination of model parameters with the best performance. The resulting value was 53%, representing a 25% increase compared to the standard model without hyperparameter tuning, which demonstrates that hyperparameter tuning has a significant impact on model performance. Additionally, the analysis revealed that certain facial landmark points, particularly those around the eyes, play a crucial role in emotion classification
Implementasi Artificial Intelligence DanInternet Of Things Untuk Mendeteksi Penggunaan Helm Proyek
Get PDFBPJS Ketenagakerjaan mencatat bahwa jumlah kecelakaan kerja di Indonesia meningkat dari 221.740 kasus pada tahun 2020 menjadi 234.370 kasus pada tahun 2021, dan terus meningkat hingga mencapai 256.334 kasus pada November 2022. Berdasarkan data dari Kementerian Ketenagakerjaan Indonesia, pada tahun 2020, 57,5% dari total 126,51 juta pekerja di Indonesia memiliki tingkat pendidikan rendah, yang berkontribusi pada rendahnya kesadaran akan pentingnya budaya Keselamatan dan Kesehatan Kerja (K3) serta penggunaan Alat Pelindung Diri (APD) yang sesuai standar. Pemantauan penggunaan APD, termasuk helm proyek di area konstruksi, masih dilakukan secara manual, yang dirasa kurang efisien. Penelitian ini bertujuan untuk mengembangkan alat berbasis Artificial Intelligence (AI) dan Internet of Things (IoT) yang dapat memantau penggunaan helm proyek secara real-time dengan akurasi tinggi dan dapat dipantau melalui dashboard. Alat ini terbukti lebih efektif dalam meminimalisir kecelakaan kerja, dengan rata-rata akurasi deteksi sebesar 84,65% untuk pekerja yang memakai helm dan 71,5% untuk yang tidak memakai helm. Penelitian ini menggunakan metode Agile yang melibatkan observasi, identifikasi kebutuhan, perancangan, pembuatan sistem, implementasi, dan pengujian. Hasil penelitian ini menunjukkan bahwa sistem yang dikembangkan mampu memberikan kemudahan bagi petugas K3 dalam melakukan pengawasan, sehingga dapat mengurangi risiko kecelakaan kerja.
Abstract
The Workers Social Security Agency (BPJS Ketenagakerjaan) recorded that the number of work accidents in Indonesia increased from 221,740 cases in 2020 to 234,370 cases in 2021, and continued to rise, reaching 256,334 cases by November 2022. According to data from the Indonesian Ministry of Manpower, in 2020, 57.5% of the total 126.51 million workers in Indonesia had a low level of education, which contributed to a lack of awareness of the importance of Occupational Safety and Health (OSH) culture and the use of Personal Protective Equipment (PPE) that meets standards. The monitoring of PPE usage, including project helmets in construction areas, is still conducted manually, which is considered inefficient. This study aims to develop a tool based on Artificial Intelligence (AI) and the Internet of Things (IoT) that can monitor the use of project helmets in real-time with high accuracy and can be monitored through a dashboard. This tool has proven to be more effective in minimizing work accidents, with an average detection accuracy of 84.65% for workers wearing helmets and 71.5% for those not wearing helmets. The study utilized the Agile method, involving observation, needs identification, system design, system development, implementation, and testing. The results of this study show that the developed system can provide ease for OSH officers in conducting supervision, thereby reducing the risk of work accidents.
BPJS Ketenagakerjaan mencatat bahwa jumlah kecelakaan kerja di Indonesia meningkat dari 221.740 kasus pada tahun 2020 menjadi 234.370 kasus pada tahun 2021, dan terus meningkat hingga mencapai 256.334 kasus pada November 2022. Berdasarkan data dari Kementerian Ketenagakerjaan Indonesia, pada tahun 2020, 57,5% dari total 126,51 juta pekerja di Indonesia memiliki tingkat pendidikan rendah, yang berkontribusi pada rendahnya kesadaran akan pentingnya budaya Keselamatan dan Kesehatan Kerja (K3) serta penggunaan Alat Pelindung Diri (APD) yang sesuai standar. Pemantauan penggunaan APD, termasuk helm proyek di area konstruksi, masih dilakukan secara manual, yang dirasa kurang efisien. Penelitian ini bertujuan untuk mengembangkan alat berbasis Artificial Intelligence (AI) dan Internet of Things (IoT) yang dapat memantau penggunaan helm proyek secara real-time dengan akurasi tinggi dan dapat dipantau melalui dashboard. Alat ini terbukti lebih efektif dalam meminimalisir kecelakaan kerja, dengan rata-rata akurasi deteksi sebesar 84,65% untuk pekerja yang memakai helm dan 71,5% untuk yang tidak memakai helm. Penelitian ini menggunakan metode Agile yang melibatkan observasi, identifikasi kebutuhan, perancangan, pembuatan sistem, implementasi, dan pengujian. Hasil penelitian ini menunjukkan bahwa sistem yang dikembangkan mampu memberikan kemudahan bagi petugas K3 dalam melakukan pengawasan, sehingga dapat mengurangi risiko kecelakaan kerja.
Abstract
The Workers Social Security Agency (BPJS Ketenagakerjaan) recorded that the number of work accidents in Indonesia increased from 221,740 cases in 2020 to 234,370 cases in 2021, and continued to rise, reaching 256,334 cases by November 2022. According to data from the Indonesian Ministry of Manpower, in 2020, 57.5% of the total 126.51 million workers in Indonesia had a low level of education, which contributed to a lack of awareness of the importance of Occupational Safety and Health (OSH) culture and the use of Personal Protective Equipment (PPE) that meets standards. The monitoring of PPE usage, including project helmets in construction areas, is still conducted manually, which is considered inefficient. This study aims to develop a tool based on Artificial Intelligence (AI) and the Internet of Things (IoT) that can monitor the use of project helmets in real-time with high accuracy and can be monitored through a dashboard. This tool has proven to be more effective in minimizing work accidents, with an average detection accuracy of 84.65% for workers wearing helmets and 71.5% for those not wearing helmets. The study utilized the Agile method, involving observation, needs identification, system design, system development, implementation, and testing. The results of this study show that the developed system can provide ease for OSH officers in conducting supervision, thereby reducing the risk of work accidents.
Pengembangan Sistem Pemantauan Dan Pengendalian Daya Listrik Penyewa Kos Berbasis Lora Dengan Integrasi Android
Get PDFPengelolaan daya listrik di kamar kos sering kali menimbulkan ketidakadilan karena biaya listrik disamaratakan, meski pemakaian berbeda. Untuk mengatasi masalah ini, dirancang sebuah sistem pemantauan daya listrik dengan teknologi LoRa. Sistem ini memanfaatkan mikrokontroler ESP32, sensor PZEM-004T, LoRa, dan Arduino IDE. Data penggunaan daya listrik yang dikumpulkan oleh sensor dikirim ke pemilik kos melalui jaringan LoRa. Data penggunaan daya listrik dikirim melalui jaringan LoRa hingga 150 meter (RSSI -107 dBm) dalam kondisi NON-LOS dan 600 meter (RSSI -111 dBm) dalam kondisi LOS, kemudian diintegrasikan ke aplikasi Android untuk pengelolaan dan pemantauan daya listrik. Hasil pengujian menunjukkan akurasi 99%, menjadikan sistem ini solusi efektif dan efisien untuk pengelolaan daya listrik di kamar kos.
Abstract
Electricity management in boarding rooms is often unfair because electricity costs are shared equally, even though each room uses different amounts of electricity. To address this issue, an electricity monitoring system was developed using LoRa technology. The system uses an ESP32 microcontroller, a PZEM-004T sensor, LoRa, and Arduino IDE. The sensor collects electricity usage data and sends it to the landlord via the LoRa network. This data can be transmitted up to 150 meters (RSSI -107 dBm) in NON-LOS conditions and 600 meters (RSSI -111 dBm) in LOS conditions. The system is also integrated with an Android application for easier management and monitoring. Testing results show an accuracy of 99%, making this system an effective and efficient solution for managing electricity in boarding rooms.Pengelolaan daya listrik di kamar kos sering kali menimbulkan ketidakadilan karena biaya listrik disamaratakan, meski pemakaian berbeda. Untuk mengatasi masalah ini, dirancang sebuah sistem pemantauan daya listrik dengan teknologi LoRa. Sistem ini memanfaatkan mikrokontroler ESP32, sensor PZEM-004T, LoRa, dan Arduino IDE. Data penggunaan daya listrik yang dikumpulkan oleh sensor dikirim ke pemilik kos melalui jaringan LoRa. Data penggunaan daya listrik dikirim melalui jaringan LoRa hingga 150 meter (RSSI -107 dBm) dalam kondisi NON-LOS dan 600 meter (RSSI -111 dBm) dalam kondisi LOS, kemudian diintegrasikan ke aplikasi Android untuk pengelolaan dan pemantauan daya listrik. Hasil pengujian menunjukkan akurasi 99%, menjadikan sistem ini solusi efektif dan efisien untuk pengelolaan daya listrik di kamar kos.
Abstract
Electricity management in boarding rooms is often unfair because electricity costs are shared equally, even though each room uses different amounts of electricity. To address this issue, an electricity monitoring system was developed using LoRa technology. The system uses an ESP32 microcontroller, a PZEM-004T sensor, LoRa, and Arduino IDE. The sensor collects electricity usage data and sends it to the landlord via the LoRa network. This data can be transmitted up to 150 meters (RSSI -107 dBm) in NON-LOS conditions and 600 meters (RSSI -111 dBm) in LOS conditions. The system is also integrated with an Android application for easier management and monitoring. Testing results show an accuracy of 99%, making this system an effective and efficient solution for managing electricity in boarding rooms