Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 54985 dokumen yang sesuai dengan query
cover
Randy Wibiseno
Penerapan Teknologi Face Recognition Untuk Sistem Deteksi Kehadiran Berbasis Raspberry Pi = Application of Face Recognition Technology for The Raspberry Pi Based Attendance Detection System
"ABSTRAK
Wajah adalah bagian tubuh dari manusia yang mempunyai peranan penting dalam memberikan sebuah ciri khas untuk membedakan satu dengan yang lainnya. Di wajah terdapat 4 indera, dimana itu dapat menjadikan sebuah informasi terkait dengan identitas dari setiap pemilik wajah untuk membedakannya. Pengenalan wajah pada saat ini sangatlah penting untuk melakukan berbagai hal dalam kepentingan yang berbeda-beda. Teknologi pengenalan wajah memiliki sifat yang lebih fleksibel, otomatis, dan mudah dilakukan dibanding dengan teknologi biometrik pengenalan sidik jari atau retina. Oleh karenanya saya merancang sebuah sistem deteksi kehadiran berbasis pengenalan wajah yang bisa digunakan sebagai alternatif dari sistem kehadiran yang sudah ada, seperti finger print, kartu rfid, pemindahan retina, dan sebagainya. Pada sistem ini dirancang sebuah teknologi pemindahan Face Recognition untuk sistem deteksi kehadiran berbasis Raspberry Pi sehingga lebih praktis dalam penerapannya. Dengan menerapkan algoritma dari Haar cascade dan berbagai metode yaitu Histogram of Oriented Gradients (HOG) dan Support Vector Machine (SVM) untuk face detection. Dalam penerapan face recognition menggunakan perbandingan dari deep metric network 128 vector dengan citra wajah sample. Sistem ini menghasilkan nilai Accuracy sebesar 86,67%
ABSTRACT
The face is a part of the human body that has an important role in providing a characteristic to distinguish one from another. On the face there are 4 senses, which can make an information related to the identity of each face owner to distinguish them. Face recognition at this time is very important to do various things in different interests. Face recognition technology has properties that are more flexible, automatic, and easy to do compared to biometric fingerprint or retina recognition technology. Therefore I designed a face recognition system based on face recognition that can be used as an alternative to an existing attendance system, such as finger print, rfid cards, retinal removal, and so on. In this system a Face Recognition removal technology is designed for Raspberry Pi based presence detection systems so that it is more practical in its application. By applying the algorithm of the Haar cascade and various methods namely Histogram of Oriented Gradients (HOG) and Support Vector Machine (SVM) for face detection. The application of face recognition uses a comparison of a 128 vector deep metric network with a sample face image. This system produces an Accuracy value of 86.67%."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Qurratu Aini Hasby
Sistem keamanan rumah dan akses pintu otomatis berbasis Face Recognition via Raspberry Pi = Home security system and automatic door access based on Face Recognition via Raspberry Pi
"Penelitian dilakukan untuk mengembangkan sistem keamanan rumah dengan webcam yang sudah ada saat ini. Sistem keamanan saat ini menggunakan webcam hanya untuk merekam dan menyimpan kejadian dalam bentuk video file. Hal tersebut dirasa kurang cukup aman dikarenakan saat kejadian berlangsung seperti perampokan tidak ada notifikasi kepada pemilik rumah. Maka pada penelitian ini ditambahkan sebuah fitur pada sistem untuk mendeteksi wajah penghuni rumah dan akan memberikan notifikasi ketika ada wajah yang tidak dikenal. Sistem ini juga akan digabungkan dengan akses pintu otomatis menggunakan solenoid door lock. Metode yang digunakan adalah Deep Learning Matric untuk implementasi pada face recognition yang digunakan untuk akses kunci pintu rumah.
Hasil yang didapatkan dari pengujian sistem cukup baik, dimana sistem dapat membedakan penghuni rumah dengan orang asing dengan beberapa kriteria pengujian, diantaranya dengan pengujian jarak webcam dengan orang pada siang sekitar pukul 12.00 sampai 13.00 dan malam hari sekitar pukul 19.00 sampai 20.00 dengan menghadap kearah webcam, pengujian banyaknya wajah yang terdeteksi webcam dalam satu frame, dan notifikasi kepada penghuni rumah. Berdasarkan hasil pengujian dan analisis, banyaknya wajah yang tertangkap bisa lebih dari 3 orang dan untuk persentase akurasi pada pengujian siang hari didapatkan sebesar 91.11% sedangkan pada malam hari sebesar 80%. Dari persentase yang didapatkan, pendeteksian pada siang hari lebih baik dan akurat dibandingkan pada malam hari dikarenakan intensitas cahaya yang mempengaruhi kerja dari algoritma face recognition.
The study was conducted to develop a home security system with a webcam that already exists today. The current security system only uses the camera to record and save events in the form of video files. This is not enough safe because when the incident took place such as a robbery there was no notification to the homeowner. Therefore, in this study added some feature for a system to recognize faces of homeowner and will provide notifications when there are faces that are not known. This system will also be combined with automatic door access using solenoid door lock. The method used is the Deep Learning Matric for the implementation of face recognition which will used for door lock access.
The results obtained from the testing of the system are quite good where the system can distinguish between homeowner and strangers with several testing criteria, including testing the distance of the camera with people at noon around 12:00 to 13:00 and the night around 19:00 to 20:00 by facing the camera, testing the number of faces detected by cameras, and notifications to residents. Based on the results of testing and analysis, many faces can be caught more than 3 people and for the percentage of accurated in daytime testing obtained by 91.11% while at night by 80%. From the percentage obtained, the detection during the day is better and more accurate than at night due to the light intensity that affects the work of the face recognition algorithm.
"
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Suryanoto Negoro
Pengembangan aplikasi sistem absensi untuk mahasiswa dengan masker berbasis face recognition = Development attendance system applications for students based on face recognition
"Dengan beredarnya pandemi corona-virus (Covid-19) menuntut masyarakat untuk menjaga protokol kesehatan saat bepergian, salah satunya adalah menggunakan masker untuk mengurangi risiko terkena virus. Penggunaan masker juga disarankan oleh World Health Organization (WHO) agar digunakan saat beraktivitas dengan orang lain. Dengan mengacu hal tersebut, banyak perubahan yang terjadi pada teknologi yang digunakan sehari-hari, salah satunya adalah untuk sistem absensi. Apabila sebelum adanya Covid-19 absensi mahasiswa masih menggunakan buku tulis atau fingerprint, kini lebih baik beralih ke dalam sistem absensi berbasis face recognition dengan memanfaatkan salah satu algoritma deep learning, yaitu metode Convolutional Neural Network (CNN) untuk mengindentifikasi wajah seorang mahasiswa yang telah terdaftar. Dengan mengaplikasikan sistem absensi ini, memungkinkan mahasiswa untuk melakukan absensi tanpa terjadinya sentuhan langsung melalui media tangan. Bahasa pemrograman yang digunakan pada pengembangan aplikasi sistem absensi merupakan bahasa Python dengan implementasi Single Shot Detection (SSD) dan fitur ekstraksi ResNet. Evaluasi pengukuran pada sistem dilakukan pada situasi yang mempengaruhi kejelasan gambar dan model jumlah titik karakteristik yang berbeda.
With the spread of the corona-virus (Covid-19) pandemic, it requires the public to maintain health protocols when traveling, one of them is to use masks to reduce the risk of infected the virus. The use of masks is also recommended by the World Health Organization (WHO) to be used when doing activities with other people. Because of this, many changes have occurred in the technology that used in daily, one of them is the attendance system. If before Covid-19 student attendance was still using notebooks or fingerprints, now it is better to switch to a face recognition-based attendance system by utilizing one of the algorithm deep learning, namely the Convolutional Neural Network (CNN) method to identify the face of a student who has been recorded in. By applying this attendance system, it allows students to take attendance without direct touch through hand media. The programming language used in making attendance system applications is Python with Single Shot Detection (SSD) implementation and ResNet extraction feature. Evaluation of measurements on the system is carried out on situations that affect image clarity and the model number of different characteristic points."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rafif Fadhilah Ushaim
Rancang Bangun Sistem Presensi Berbasis Teknologi Face Recognition dengan Penerapan Deep Learning Sebagai Teknik Face Anti-Spoofing = Design and Implementation of a Face Recognition-Based Attendance System With Deep Learning as a Face Anti-Spoofing Technique
"Dalam sistem presensi konvensional, seringkali terjadi kecurangan dalam proses presensi baik itu yang menggunakan RFID ataupun manual dengan tanda tangan. Begitu pula dengan presensi menggunakan teknologi pengenalan wajah juga terjadi kecurangan dengan menggunakan foto gambar wajah atau rekaman video,  Oleh karena itu, penelitian ini mengusulkan penggunaan algoritma Deep Learning untuk mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Pada pengimplementasiannya digunakan Raspberry Pi 4 Model B agar lebih efektif dan efisien dalam penerapannya. Metodologi yang digunakan dalam penelitian ini adalah dengan mengumpulkan dataset wajah asli dan palsu, kemudian dilakukan proses pelatihan menggunakan algoritma Deep Learning. Algoritma Deep Learning sudah terkenal efektif dalam mengenali fitur wajah. Dataset yang digunakan dalam penelitian ini adalah kombinasi antara dataset wajah asli dan palsu yang dikumpulkan dari berbagai sumber. Hasil yang diperoleh dari penelitian ini menunjukkan bahwa penggunaan teknologi pengenalan wajah dengan penerapan algoritma Deep Learning sebagai Face Anti-Spoofing (FAS) mampu mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Hal ini terlihat dari tingkat keakuratan yang diperoleh dari proses pengujian yang dilakukan pada sistem presensi yang dikembangkan. Diharapkan sistem presensi ini dapat diimplementasikan secara luas untuk meningkatkan keamanan dan keandalan dalam sistem presensi berbasis wajah.
In conventional attendance systems, cheating often occurs in the attendance process, whether using RFID or manual methods with signatures. Similarly, in attendance systems that utilize facial recognition technology, cheating can occur through the use of facial photos or video recordings. Therefore, this research proposes the use of Deep Learning algorithms to detect face spoofing attacks in facial-based attendance systems. For implementation, Raspberry Pi 4 Model B is employed to enhance effectiveness and efficiency. The methodology utilized in this study involves collecting genuine and fake face datasets, followed by training processes using Deep Learning algorithms. Deep Learning algorithms are renowned for their effectiveness in recognizing facial features. The dataset used in this research is a combination of genuine and fake face data collected from various sources. The results obtained from this research demonstrate that employing facial recognition technology with the application of Deep Learning algorithms as Face Anti-Spoofing (FAS) is capable of detecting face spoofing attacks in facial-based attendance systems. This is evident from the accuracy achieved during the testing process conducted on the developed attendance system. It is hoped that this attendance system can be widely implemented to enhance security and reliability in facial-based attendance systems."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Henry Hendarwin
Rancang bangun sistem akuisi data elektroensefalografi (EEG) berbasis Raspberry Pi = Development electroencephalography (EEG) data acquisition system based on raspberry Pi
"Sistem akuisisi data Electroencephalography (EEG) telah dikembangkan. menggunakan Analog Front End (AFE) ADS1299 EEGFE-PDK berbasis Raspberry Pi. Sistem ini merupakan kelanjutan dari sistem yang dikembangkan sebelumnya, dengan menambahkan fitur Relative Power Ratio (RPR), komunikasi Local Area Networking (LAN) dan GUI (Graphical User Interface). Fitur RPR perlu dipahami Karakteristik sinyal EEG. ADS 1299 memiliki beberapa keunggulan diantaranya Akuisisi data secara simultan, resolusi 24 bit, membutuhkan daya <0,2 mW dan noise <1 μV. Sistem akuisisi data ini terdiri dari 4 unit AFE yang dikonfigurasi secara daisy rantai. Komunikasi antara AFE dan Raspberry Pi menggunakan periferal serial antarmuka (SPI) dengan format RDATA. Bahasa pemrograman C digunakan untuk komunikasi antara Raspberry dengan AFE dan Matlab digunakan untuk pemrosesan sinyal. Data dari Raspberry ditransfer melalui LAN ke Personal Computer (PC). Kemudian disaring menggunakan Butterworth order 5. Data EEG dan perhitungan RPR ditampilkan secara real-time. Perhitungan dilakukan dengan Fast Fourier Transforms (FFT) dan Power Spectral Density (PSD). Sistem ini telah dievaluasi dengan menggunakan simulator EEG (NETECH Mini-Sim EEG) yang menghasilkan sinyal listrik sinusoidal dengan frekuensi 2 Hz, 5 Hz, dan amplitudo tegangan 30, 50 μV. Dengan perbandingan rata-rata FWHM (Full Width at Half Maximum) didapatkan untuk frekuensi 2Hz di sistem akuisisi tersebut memperoleh nilai 4 Hz, dan dalam Neurostyle 4 Hz. Di frekuensi 5 Hz, rata-rata nilai FWHM yang diperoleh untuk sistem akuisisi yang dibuat adalah 13 Hz dan Neurostyle pada 14 Hz.
The systems have been developed to obtain Electroencephalography (EEG) data using the Raspberry Pi based Analog Front End (AFE) ADS1299 EEGFE-PDK. This system is a continuation of a previously developed system, supported by Relative Power Ratio (RPR) features, Local Area Networking (LAN) and GUI (Graphical User Interface) features. EPR. ADS 1299 has several advantages that can be taken from simultaneous data, 24 bit resolution, requires power <0.2 mW and noise <1 μV. This data acquisition system consists of 4 AFE units completed by daisy chains. Communication between AFE and Raspberry Pi uses a serial peripheral interface (SPI) with RDATA format. C programming language is used for communication between Raspberries and AFE and MATLAB is used for signal implementation. Data from Raspberry is transferred via LAN to Personal Computer (PC). Then filtered using Butterworth order 5. EEG data and realtime calculations. The calculations are carried out by Fast Fourier Transforms (FFT) and Power Spectral Density (PSD). This system has been evaluated using an EEG simulator (NETECH Mini-Sim EEG) which produces sinusoidal electrical signals with a frequency of 2 Hz, 5 Hz, and a amplitude of 30, 50 μV. With the average change in FWHM (Full Width at Half Maximum) obtained for the 2Hz frequency in the acquisition system a value of 4 Hz is obtained, and in Neurostyle it is 4 Hz. At a frequency of 5 Hz, the average FWHM value obtained for the acquisition system is 13 Hz and Neurostyle is 14 Hz."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Kevin Darmawan
Pengembangan Sistem Keamanan Internet of Things (IoT) Skala Kecil Berbasis Network Intrusion Detection System (NIDS) dan Secure Access Point Menggunakan Raspberry Pi = Development of Small Scale Internet of Things (IoT) Security System Based on Intrusion Detection System and Secure Access Point on Raspberry Pi
"Pesatnya perkembangan teknologi informasi di era revolusi industri 4.0 memicu berkembangnya paradigma Internet of Things (IoT) yang memudahkan otomasi dan monitoring rumah. Artinya bertambah pula kerentanan pada jaringan rumah yang menyebabkan resiko penurunan performa jaringan, hingga kebocoran data. Penelitian ini mengusulkan sistem keamanan jaringan IoT berbasis Raspberry Pi sebagai solusi IDS beserta tambahan secure access point yang terjangkau. Sistem keamanan yang dikembangkan dipercaya dapat mengisolasi jaringan IoT dengan lebih baik agar serangan tidak mempengaruhi kinerja perangkat IoT, dan memberikan alerting mengenai intrusion kepada pengguna untuk mengambil langkah terhadap resiko yang dapat terjadi. Intrusion Detection System berhasil mendeteksi serangan yang ada pada skenario dengan hasil maksimum: tingkat false alarm dibawah 15%, tingkat keberhasilan deteksi diatas 50% dan akurasi deteksi diatas 75% untuk skenario serangan Evil Twin, Reconnaissance, Distributed Denial of Service (DDoS), dan Man In The Middle (MITM) dan dapat mencegah serangan Evil Twin dan MITM.
The rapid development of information technology in the industrial revolution 4.0 era triggers the development of the Internet of Things (IoT) paradigm in everyday life, facilitating automation and monitoring for home. This phenomenon introduces vulnerabilities in the home network and may lead to the risk of decreased network performance, and privacy leak. This study proposes an IoT network security system implementing Network Intrusion Detection System (NIDS) and secure access point based on Raspberry Pi as an affordable IDS solution. The proposed security system is believed to better isolate the IoT network and not affect the performance of IoT devices in case of attacks, also providing  intrusion alerts to encourage users to take steps against risks that may occur. The system is able to detect a maximum of: false alarm rate under 15%, successful detection rate above 50% and detection accuracy of 75% for Evil Twin, Reconnaissance, Distributed Denial of Service (DDoS), and Man In The Middle (MITM) attack scenarios with increased robustness in case of Evil Twin deauthentication and MITM attacks."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Asep Muhamad Awaludin S
Perancangan geophone berbasis akselerometer mems dengan sistem akuisisi data nirkabel menggunakan mikrokomputer raspberry pi = Development of geophone based mems accelerometer with wireless data acquisition system using a raspberry pi
"Saat ini perekaman gelombang seismik masih menggunakan geophone konvensional, yaitu terdiri dari koil yang digantung oleh pegas. Pada penelitian ini, telah dikembangkan sebuah sistem perekam gelombang seismik menggunakan akselerometer MEMS. Data keluaran akselerometer diakuisisi dengan menggunakan mikrokomputer Raspberry Pi, kemudian data tersebut disimpan di dalam Raspberry Pi dan dikirim ke sebuah komputer host setelah proses akuisisi selesai. Keluaran data dari sistem ini setara dengan data keluaran dari geophone konvensional, yaitu dalam domain kecepatan. Sistem ini menggunakan komunikasi Wi-Fi untuk terhubung ke sebuah server sehingga memungkinkan kegiatan eksplorasi tanpa memerlukan kabel. Hasil rekaman sistem ini dibandingkan dengan geophone konvensional. Uji coba dilakukan di Universitas Indonesia.
Currently recording seismic waves still use conventional geophones, which consists of coils suspended by springs. This research has developed a system of recording seismic waves using MEMS accelerometer. Accelerometer output data acquired using microcomputers Raspberry Pi, then the data is stored in the Raspberry Pi and sent to a host computer after the acquisition is completed. The output data from this system is equivalent to the output data from conventional geophones, which is in the domain of speed. This system uses the Wi-Fi communication to connect to a server making it possible exploration activities without cables. Recording the results of this system compared with conventional geophones. Tests performed at the University of Indonesia."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2015
S60171
UI - Skripsi Membership  Universitas Indonesia Library
cover
Nahrowi
Perancangan sistem akuisisi data seismik portabel berbasis mikrokomputer raspberry Pi = Design of portable seismic data acquisition system using raspberry-Pi microcomputer
"Pengembangan teknologi single-board-computer (SBC) telah diaplikasikan dalam bidang perekaman data geofisika. Dalam penelitian ini digunakan mikrokomputer Raspberry Pi sebagai sistem akuisisi dan perekam data gelombang seismik. Penggunaan sistem operasi Linux dan bahasa pemrograman Python pada Raspberry Pi yang bersifat open-source dan multi-platform menghasilkan sistem yang lebih murah dan sederhana. Sebagai pengolah sinyal analog, digunakan analog to digital converter (ADC) eksternal berupa chip IC ADC MAX186 produk Maxim™. Sinyal tegangan yang dihasilkan pada geophone akibat gelombang seismik (elastik) di dalam permukaan bumi, diperkuat menggunakan penguat instrumentasi dan difilter menggunakan rangkaian low-pass filter sesuai dengan frekuensi gelombang seismik. ADC MAX186 dikomunikasikan dengan mikrokomputer Raspberry Pi untuk mengonversi sinyal dalam bentuk kumpulan data digital 12 bit dan disimpan pada SD-Card. Perancangan ini menghasilkan sistem akuisisi yang bekerja dengan laju pencuplikan 1600 SPS, resolusi data 12 bit, dan kapasitas penyimpanan yang dinamis sesuai media penyimpanan yang dipasang.
Development of single-board-computer (SBC) technology has been applied in the field of geophysical data recording . In this study, the Raspberry Pi microcomputer is used as data acquisition system and seismic waves recorder . The use of the Linux operating system and Python programming language on Raspberry Pi which is open-source and multi-platform produce a cheaper and simpler system. As an analog to a digital signal processor, analog to digital converter ( ADC ) is used in the form of external ADC IC chip MAX186 from Maxim Integrated. Voltage signal generated by seismic waves at geophone on the surface of the earth, amplified using an instrumentation amplifier and filtered using a low-pass filter circuit in accordance with the frequency of the seismic waves. ADC MAX186 communicated with Raspberry Pi microcomputer to convert the analog signal in the form of 12-bit digital data set and stored in the SD-Card. The result of this study is a system that works with the acquisition sampling rate of 0,6 ms, a resolution of 12 bits of data, and data storage capacity dynamically as storage media installed."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2013
S54087
UI - Skripsi Membership  Universitas Indonesia Library
cover
William Yangjaya
Rancang bangun sistem akuisisi data 12-Lead EKG berbasis ADS1298R dan raspberry Pi 4 untuk mendeteksi aritmia = Design and development of 12-Lead ECG data acquisition system based on ADS1298R and raspberry Pi 4 to detect arrhythmia
"Dalam penelitian ini, telah dibangun sebuah sistem akuisisi data elektrokardiograf (EKG) 12-lead berbasis Raspberry Pi 4 yang berbobot rendah, berdaya rendah dan terjangkau. Raspberry Pi 4 digunakan untuk mengakuisisi dan memproses sinyal elektrokardiograf (EKG) dengan performa tinggi, karena memiliki kombinasi antara fleksibilitas dan versality. Sebagai pusat dari sistem akuisisi data yang dibangun, Raspberry Pi menerima, memproses, dan menyimpan data dari Analog Front-End to Digital Converter (ADC) ADS1298RECGFE-PDK. ADS1298 memiliki beberapa kelebihan diantaranya adalah akuisisi data secara simultan, resolusi 24-bit, membutuhkan daya <0.2 mW dan noise<1μV. Komunikasi data yang digunakan dalam sistem yang dibangun adalah Serial Peripheral Interface (SPI). Sistem ini menggunakan sumber daya dari baterai Sony VTC5 18650 untuk mencegah interferensi power line. Untuk bagian pemrosesan sinyal, penulis mengimplementasikan filter low pass Butterworth dengan orde 5 dan Fast Fourier Transform (FFT) pada program Python. Bahasa pemrograman yang digunakan adalah C yang digunakan untuk komunikasi antara Raspberry Pi dengan ADS1298RECGFE-PDK dan Python yang digunakan pemrosesan sinyal. Sistem ini telah dievaluasi menggunakan ProSim 4 yang menghasilkan bentuk gelombang ECG dengan ECG rate 120 BPM, 150 BPM, dan Aritmia, serta pengambilan data partisipan. Dicari juga selisih sinyal yang diperoleh dengan CardioCare 2000 dan hubungannya menggunakan regresi linier pada 120 BPM. Didapatkan nilai error selisih, gradien, dan intercept terbesar adalah 23.615%, 0.062%, dan 9.030%. Sistem ini akan digunakan dalam studi lain untuk mendeteksi Aritmia dengan metode klasifikasi Convolutional Neural Network (CNN). Hasil dari klasifikasi menunjukkan accuracy 100%, specificity 100%, dan sensitivity 100%.
In this study, a low weight, low cost, and affordable Raspberry Pi 4 based 12-lead electrocardiograph (ECG) data acquisition system has been built. Raspberry Pi is used to acquire and process electrocardiograph (ECG) signals in high performance, because it has a combination of flexibility and versality. As the center of the data acquisition system built, Raspberry Pi acquires, processes, and stores data from the ADS1298RECGFE-PDK Analog Front-End to Digital Converter (ADC). ADS1298 has several advantages including simultaneous data acquisition, 24-bit resolution, requires power <0.2 mW and noise <1μV. Data communication used in the system built is the Serial Peripheral Interface (SPI). The system uses the power source of the Sony VTC5 18650 battery to prevent power line interference. For the signal processing section, the authors implement the Butterworth low pass filter in order 5 and Fast Fourier Transform (FFT) in the Python program. The programming language used is C which is used for communication between Raspberry Pi with ADS1298RECGFE-PDK and Python which is used for signal processing. This system has been evaluated using ProSim 4 which produces ECG waveforms with ECG rates of 120 BPM, 150 BPM, and Arrhythmia, as well as participant data collection. This system is also looking for the difference in the signal obtained by CardioCare 2000 and its linear relationship using linear regression.The biggest difference, gradient, and intercept error values are 23.615%, 0.062%, and 9.030%. This system will be used in other studies to predict arrhythmias using the Convolutional Neural Network (CNN) classification method. The results of the classification show 100% accuracy, 100% specificity, 100% sensitivity."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rianto Wibowo
Rancang bangun perangkat lunak sistem absensi digital menggunakan Raspberry Pi 3 dengan koneksi bluetooth = Designing software for digital attendance system using Raspberry Pi 3 with bluetooth connection
"Pada Skripsi ini akan menguraikan tentang rancangan sistem absensi digital berbasis IoT Internet of Things dengan menggunakan Raspberry Pi 3 sebagai detector Mac Address Bluetooth yang dijadikan sebagai pengenal perangkat Smartphone yang digunakan oleh mahasiswa dan dosen dan sebagai tampilan monitoring absensi digunakan Web Service dalam pengimplementasiannya. Pada sistem ini dibutuhkan setidaknya 3 komponen yakni adanya jaringan internet untuk melakukan akses ke Web Service, perangkat smartphone yang menggunakan fitur Bluetooth, dan Raspberry Pi yang mendeteksi Mac address Bluetooth dari Smartphone mahasiswa maupun dosen yang bersangkutan serta mengirimkan Mac Address Bluetooth tersebut ke Web. Pada sistem ini juga dilengkapi dengan sistem monitoring absensi dengan menggunakan empat tampilan interface pada Web Service yang terdiri dari : Tampilan untuk Admin, Tampilan untuk Dosen, Tampilan untuk Mahasiswa, dan Tampilan untuk Pimpinan yang memiliki fitur masing-masing serta tingkat kekuasaan terhadap Web Service yang berbeda satu dengan lainnya. Pada Hasil Pengujian dengan jumlah responden 25 orang dan dengan menggunakan dua scenario maka didapatkan 48 iterasi data yang dilakukan untuk membaca 20 Responden pada scenario pertama dan didapatkan 67 iterasi data yang dilakukan untuk membaca 25 Responden pada scenario kedua hal ini disebabkan adanya kendala pada koneksi internet yang sangat berpengaruh pada sistem absensi ini karena dengan tidak stabilnya koneksi internet maka proses pengiriman data ke Web Service berupa Mac Address Bluetooth yang telah dideteksi oleh Raspberry Pi gagal dan jumlah mahasiswa juga mempengaruhi kecepatan absensi dengan sistem ini.
In this undergraduate thesis will describe the design of IOT based digital absence system Internet of Things by using Raspberry Pi 3 as a Mac Address Bluetooth detector is used as a Smartphone device identifier used by students and lecturers and as a display of attendance monitoring used Web Service in implementing it. In this system required at least 3 components namely the Internet network to access the Web Service, smartphone devices that use Bluetooth features, and Raspberry Pi that detects the Mac Bluetooth address of the student Smartphone and lecturer in question and sends the Mac Bluetooth Address to the Web. In this system is also equipped with attendance monitoring system using four interface display on Web Service which consists of Display for Admin, Display for Lecturer, Display for Students, and Display for Leaders who have their respective features and level of power to Web Service different from each other. In the Test Results with the number of respondents 25 people and by using two scenarios then obtained 48 iterations of data conducted to read 20 Respondents in the first scenario and obtained 67 iterations of data conducted to read 25 Respondents in the second scenario this is due to the constraints on the internet connection very influential on this attendance system because with the unstable internet connection then the process of sending data to Web Service in the form of Mac Address Bluetooth that has been detected by Raspberry Pi failed and the number of students also affect the speed of attendance with this system. "
Depok: Fakultas Teknik Universitas Indonesia, 2018
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>