Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Supermarket merupakan tempat pilihan terbaik untuk berbelanja kebutuhan rumah saat ini karena pelanggan dapat memilih produk yang ingin dibelinya tanpa perlu mengantre. Namun untuk melakukan pembayaran saat ini pelanggan masih perlu mengantre di kasir. Oleh karena itu, penelitian ini akan mengimplementasikan sistem cashierless yang dapat melakukan checkout secara otomatis dan efisien sehingga pelanggan tidak perlu mengantre lagi di kasir. Sistem cashierless yang digunakan pada penelitian ini adalah smart trolley, sistem ini dapat melakukan deteksi produk yang masuk atau keluar dari troli pelanggan lalu melakukan checkout secara otomatis saat pelanggan keluar dari supermarket. Untuk dapat melakukan deteksi produk diperlukan model machine learning yang berjenis object detection. Model juga harus dapat diimplementasikan pada edge device karena deteksi akan dilakukan di troli yang memiliki keterbatasan ruang. Maka model yang digunakan adalah YOLOv5 karena memiliki akurasi serta performa tinggi supaya tetap dapat diimplementasikan pada edge device. Hasil pengujian variasi backbone menunjukkan backbone original lebih baik dari backbone Swin Transformer dengan nilai F1-Score sebesar 98.64%, ukuran model sebesar 7.7 MB, dan dapat berjalan dengan 3.87 FPS di komputer pengujian dan 0.74 FPS di Raspberry Pi 4B. Hasil pengujian variasi dataset menunjukkan kombinasi dataset bergerak dengan statis blur dapat menghasilkan model yang memiliki akurasi yang paling baik dengan nilai 99.53% pada fase pelatihan dan 99.44% pada fase testing. Hasil pengujian intensitas cahaya menunjukkan penggunaan lampu untuk meningkatkan pencahayaan di sekitar wilayah deteksi di dalam troli dapat meningkatkan F1-Score hasil deteksi yang dilakukan hingga 63.55%. Hasil pengujian variasi kecepatan produk menunjukkan kecepatan ideal yang dapat digunakan pada saat proses deteksi di komputer pengujian adalah hingga 36 cm/s dan untuk proses yang dilakukan di Raspberry Pi 4B adalah di bawah 7 cm/s. Hasil pengujian dengan penambahan sampling rate dapat mendeteksi produk di komputer pengujian dengan kecepatan hingga 124 cm/s pada produk-produk dengan ukuran yang cukup lebar.

---

Supermarkets are the best place to shop for home needs today because customers can choose what products they want to buy without the need to queue. However, today customers still need to queue at the cashier to make payments. Therefore, this research will implement a cashier-less system that can do checkout automatically and efficiently so that customers don't have to queue at the cashier anymore. The cashier-less system used in this study is a smart trolley, this system can detect products entering or leaving the customer's trolley and then checkout automatically when the customer leaves the supermarket. To be able to perform product detection, a machine learning model of the object detection type is needed. The model must be able implemented on edge devices because the detection will be done in the cart with limited space. So, the model used is YOLOv5 because it has high accuracy and performance so it can implement on edge devices. The backbone variation test results show that the original backbone is better than the Swin-Transformer backbone with an F1-Score value of 98.64%, a model size of 7.7 MB, and can run with 3.87 FPS on a test computer and 0.74 FPS on a Raspberry Pi 4B. The dataset variation test results show that the combination of moving datasets with static blur can produce a model with the best accuracy of 99.53% in the training phase and 99.44% in the testing phase. The light intensity variation test results show that the use of lamps to increase the lighting around the detection area in the trolley can increase the F1-Score of the detection results made up to 63.55%. The product speed variation results show that the ideal speed that can use during the detection process on the testing computer is up to 36 cm/s and for the process carried out on the Raspberry Pi 4B it is below 7 cm/s. The sampling rate addition results can detect products on the test computer at speeds up to 124 cm/s on products with a wide size

"

"Pemerintah Indonesia telah menerapkan kebijakan wajib menggunakan masker di ruang publik untuk mencegah penularan Covid-19. Sebagai dukungan terhadap inisiatif ini, petugas bekerja untuk memastikan kepatuhan, terutama di area ramai seperti mal dan gedung perkantoran. Namun, mengandalkan penegakan secara manual menimbulkan tantangan karena potensi kesalahan dan kelalaian manusia. Untuk mengatasi hal ini, penelitian ini berfokus pada pengembangan sistem deteksi masker menggunakan YOLOv5, yang mampu mendeteksi tiga kelas masker yang berbeda. Penulis mengumpulkan dan menyusun dataset dari berbagai sumber, yang terdiri dari total 1500 bounding box, dengan sekitar 500 bounding box per kelas. Selain itu, penulis melakukan perbandingan dengan model CNN sederhana untuk menemukan praktik terbaik sehingga mendapatkan model YOLOv5 yang paling optimal. Melalui berbagai eksperimen dengan parameter yang berbeda, penulis menemukan bahwa hasil terbaik dicapai menggunakan dataset dengan ukuran gambar 640px dan ukuran batch 8. Model menunjukkan nilai precision sebesar 0,864, nilai recall sebesar 0,824, dan nilai mAP50 sebesar 0,877. Penelitian ini memberikan kontribusi dalam upaya kesehatan masyarakat dengan menyediakan sistem deteksi masker otomatis yang dapat membantu pihak berwenang dalam memantau kepatuhan penggunaan masker secara efektif dan efisien, sehingga dapat mengurangi penyebaran Covid-19.

---

The Indonesian government has implemented a mandatory mask-wearing policy in public spaces to prevent the transmission of Covid-19. In support of this initiative, officials are working to ensure compliance, particularly in crowded areas such as malls and office buildings. However, relying solely on manual enforcement poses challenges due to the potential for human error and negligence. To address this, this research focuses on developing a mask detection system using YOLOv5, capable of detecting three different classes of masks. We collected and curated a dataset from various sources, comprising a total of 1500 bounding boxes, with approximately 500 bounding boxes per class. In addition, we conducted a comparison with a CNN model to find best practice so as to get the most optimal YOLOv5 model. Through various experiments with different parameters, we found that the best results were achieved using a dataset with 640px image size and a batch size of 8. The model demonstrated a precision value of 0.864, recall value of 0.824, and Map50 value of 0.877. This research contributes to the ongoing efforts in public health by providing an automated mask detection system that can assist authorities in monitoring mask compliance effectively and efficiently, thereby mitigating the spread of Covid-19"

"

Seiring dengan perkembangan bidang computer vision terdapat lebih banyak solusi yang dapat diimplementasikan untuk bidang sehari-hari. Salah satu bidang yang paling erat dengan kegiatan sehari-hari adalah kegiatan mengkonsumsi makanan. Dalam memperhatikan pola makan, penting dilakukan proses mengidentifikasi jenis makanan yang dikonsumsi. Dengan memanfaatkan perkembangan model machine learning deteksi objek yang bekerja secara waktu langsung, YOLOv5 dapat digunakan untuk melakukan deteksi objek untuk dapat mengidentifikasi berbagai jenis makanan dalam suatu gambar. Dengan menggunakan YOLOv5, deteksi terhadap makanan yang kerap kali dikonsumsi oleh masyarakat Indonesia dapat dilakukan dan ditingkatkan akurasinya dengan pemrosesan gambar hingga mencapai nilai mAP 94,3%. 

Penggunaan implementasi model ini dalam aktivitas sehari-hari dapat memberikan nilai tambah kepada orang-orang yang ingin lebih memahami jenis makanan yang dikonsumsinya. Dari hasil pengujian user experience yang dilakukan terhadap aplikasi, hasil perbandingan terhadap benchmark mengindikasikan bahwa aplikasi memiliki kualitas penggunaan di atas rata-rata dengan nilai 1,37 untuk daya tarik, 1,58 untuk kejelasan, 1,23 untuk efisiensi, 1,38 untuk ketepatan, 1,13 untuk stimulasi, dan 1,01 untuk kebaruan.

---

With the advent of computer vision there are more solutions that can be implemented in everyday life. One of the areas most closely related to daily activities is the activity of consuming food. In paying attention to diet, it is important to identify the type of food consumed. By leveraging the development of object detection machine learning models that work in real time, YOLOv5 can be used to perform object detection to identify different foods within a single image. By using YOLOv5, detection of foods that are often consumed by Indonesian people can be carried out and the accuracy is increased by image processing up to a value of mAP 94.3%.

The use of this model's implementation in daily activities can provide added value to people who want to better understand the types of food they consume. From the results of user experience testing carried out on the object detection application, the results of comparisons against benchmarks indicate that the application has above average usage quality with a value of 1.37 for attractiveness, 1.58 for clarity, 1.23 for efficiency, 1.38 for accuracy, 1.13 for stimulation, and 1.01 for novelty."

"Internet adalah hal yang sangat umum saat ini. Untuk memenuhi kebutuhan akses internet, banyak rumah maupun kantor yang memilih untuk menggunakan jaringan nirkabel karena fleksibilitasnya yang lebih baik dibandingkan dengan jaringan berkabel. Namun pada setiap jaringan selalu ada ancaman serangan yang dapat mengganggu konektivitas, hingga membahayakan perangkat dan data pengguna. Salah satu cara yang dapat digunakan untuk mendeteksi adanya serangan-serangan seperti ini adalah dengan menggunakan Intrusion Detection System (IDS) yang dapat memantau lalu lintas jaringan dan mendeteksi adanya aktivitas mencurigakan/berbahaya pada jaringan.Pada penelitian ini, dilakukan pengembangan sistem IDS portable dengan menggunakan Raspberry Pi, sebagai solusi IDS yang terjangkau dan efektif untuk jaringan kecil dan menengah. Kemudian dilakukan perbandingan antara 2 jenis open source IDS, yaitu Snort dan Suricata. Hasil dari 2 skenario pengujian menunjukkan bahwa pada skenario 1, Snort berhasil mendeteksi 18 dari 20 serangan, dengan persentase penggunaan RAM 11.86% dan CPU 10.16%, serta waktu deteksi 203.92 detik. Sedangkan Suricata berhasil mendeteksi seluruh serangan, dengan persentase penggunaan RAM 8.44% dan CPU 13.07%, serta waktu deteksi 178.79 detik. Sementara itu, pada skenario 2, Snort berhasil mendeteksi seluruh serangan, dengan persentase penggunaan RAM 12.18% dan CPU 8.64%, serta waktu deteksi 72.6 detik. Sedangkan Suricata berhasil mendeteksi seluruh serangan, dengan persentase penggunaan RAM 7.96% dan CPU 13.5%, serta waktu deteksi 45.33 detik.

---

Internet is a very common thing nowadays. To fulfill the need of internet access, most of households and offices choose to use wireless network rather than wired network due to its better flexibility. However, regardless of the kind of network, there is always a threat of attacks which could disrupt the connectivity, and even harm the device or user’s data. One way to detect an attack to a network is by using Intrusion Detection System (IDS) to monitor the network traffic and to detect abnormal and dangerous activities.

---

This study is about a development of a portable IDS using Raspberry Pi, and two open source IDSs, Snort and Suricata, as a cost-efficient and effective portable IDS for small and medium network. The results of 2 test scenarios show that in scenario 1, Snort managed to detect 18 out of 20 attacks, with 11.86% RAM usage, 10.16% CPU usage, and detection time of 203.92 seconds. While Suricata managed to detect all the attacks, with 8.44% RAM usage and 13.07% CPU usage, and detection time of 178.79 seconds. Meanwhile, in scenario 2, Snort managed to detect all the attacks, with 12.18% RAM usage, 8.64% CPU usage, and detection time of 72.6 seconds. While Suricata managed to detect all attacks, with 7.96% RAM usage 13.5% CPU usage, and detection time of 45.33 seconds."

"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."

"Pada penelitian kali ini telah dirancang dan dibangun Sistem Akuisisi Data Elektrokardiograf (ECG) 12-Lead dengan ADS1298RECGFE-PDK sebagai analog front end dan Raspberry Pi 4 secara ringan, hemat daya, dan harga yang terjangkau. Rancangan sistem juga dikembangkan dengan baterai internal Sony VTC 5 dengan tujuan untuk reduksi noise dari power line. Pengambilan data dilakukan dengan menggunakan Prosim4 Fluke dengan data yang diambil adalah 60bpm, 80bpm, 90bpm dan partisipan dalam kondisi berbaring. Rancangan sistem ini akan dibandingkan dhasilnya dengan Bionet Cardiocare 2000 Hasil rekaman kemudian diolah dengan melakukan baseline wander removal, LPF, dan FFT. Data yang telah diproses pada rancangan sistem kemudian akan disimpan dalam format WFDB. Penelitian ini kemudian melakukan penghitungan selisih sinyal yang diperoleh dari Cardiocare dengan rancangan sistem yang dibuat. Metode regresi linier juga dilakukan untuk komparasi kedua rekaman. Regresi linier dilakukan pada sinyal rekaman 80 bpm. Dari hasil tersebut didapat error paling besar pada v1 dengan error selisih, gradien, dan intercept masing-masing 25.257, 0.132%, dan 3.641%. Rancangan sistem akan digunakan untuk identifikasi Myocardial Infarction menggunakan dataset dari PTB Diagnostic. Metode yang digunakan adalah convolutional neural network (CNN). Hasil dari klasifikasi diperoleh akurasi 96.28%, spesifisitas 94.07%, dan sensitivitas 96.89%.

---

This study has designed and built a 12-Lead Electrocardiograph Data Acquisition System with ADS1298RECGFE-PDK as an analog front end and Raspberry Pi 4 in a lightweight, power-saving, and affordable price. The system was also developed with the Sony VTC 5 battery in order to reduce noise from the power line. Data retrieval is done using Prosim4 Fluke with data taken are 60bpm, 80bpm, 90bpm and participants lying down. The system will be compared with the results of Bionet Cardiocare 2000. The results are then processed by performing a baseline wander removal, LPF, and FFT. Data that has been processed will be saved in WFDB format. This study then calculate the difference of signal obtained from Cardiocare with the system created. Linear regression method was also used to compare the records. Linear regression was performed on 80 bpm signal. From these results, the largest error was obtained in v1 with error difference, gradient, and intercept of 25.257, 0.132%, and 3.641%, respectively. This system will be used to identify Myocardial Infarction using dataset from PTB Diagnostic. The method used is convolutional neural network (CNN). The results have an accuracy of 96.28%, specificity of 94.07%, and sensitivity of 96.89%."

"Penelitian ini membahas rancang bangun sistem komunikasi menggunakan spektrum cahaya tampak secara nirkabel untuk mengirimkan informasi berupa informasi temperatur dan kelembapan ruangan berbasis Raspberry Pi dan IC Analog to Digital Converter (ADC) seri MCP3008. Sistem komunikasi cahaya tampak yang dibangun menggunakan LED pada sisi pengirim untuk mengirimkan sinyal. Fotodiode digunakan pada sisi penerima sebagai penangkap sinyal dengan bantuan MCP3008, sinyal analog dapat dikonversi menjadi sinyal elektrik untuk diproses. Mikrokontroler Raspberry Pi digunakan sebagai pemroses sinyal informasi pada kedua sisi dengan implementasi teknik sinkronisasi dan teknik modulasi On-Off Keying. Penelitian dilakukan pada kondisi ruangan gelap dan konfigurasi Array LED 2x2 untuk meminimalisir efek pencahayaan dari ruangan sekitar terhadap kinerja dari sistem komunikasi cahaya tampak. Pada penelitian ini juga melakukan variasi jenis LED yang digunakan, variasi metode sinkronisasi alat yang dilakukan, dan variasi laju pengiriman data bit untuk melihat pengaruh performa sistem komunikasi cahaya tampak dan nilai BER yang dihasilkan. LED yang digunakan berwarna biru dengan rata-rata voltase 0.0423V untuk nilai 1 dan 0.00448V untuk nilai 0. Kecepatan transmisi yang dapat dilakukan berjarak dari 1bps hingga 10kbps dengan parameter BER ≤ 0.5 sebagai threshold. Implementasi metode sinkronisasi yang dilakukan menurunkan nilai BER sebesar 0.0945 dengan implementasi sinkronisasi kalibrasi transmisi, dan penurunan nilai BER sebesar 0.1221 menggunakan sinkronisasi dengan protokol komunikasi MQTT. Pada penelitian berikutnya Adapun pengembangan dapat dilakukan dengan implementasi Forward Error Correction (FEC) untuk memilimalisir error yang terjadi pada transmisi, dan bekerja sama dengan vendor dengan penelitian di bidang yang sama.

---

.

This study discusses the design of a communication system using the visible light spectrum wirelessly to transmit information in the form of room temperature and humidity information based on Raspberry Pi and the MCP3008 series Analog to Digital Converter (ADC). The visible light communication system is built using LEDs on the sending side to transmit signals. The photodiode is used on the receiving side as a signal catcher with the help of MCP3008, analog signals can be converted into electrical signals for processing. The Raspberry Pi is used as an information signal processor on both sides with the implementation of synchronization techniques and On-Off Keying modulation techniques. The research was conducted in a dark room and a 2x2 LED Array configuration to minimize the effect of lighting from the surrounding room on the performance of the visible light communication system. This study also varies the type of LED used, the variation of the synchronization method of the tool, and the variation of the data transmission rate to see the effect of the visible light communication system performance and the resulting BER value. The LED used is blue with an average voltage of 0.0423V for value of 1 and 0.00448V a for value of 0. The transmission speed that can be done is from 1bps to 10kbps with BER 0.5 as a threshold parameter. The implementation of the synchronization method reduces the BER value by 0.0945 with the implementation of transmission calibration synchronization and decreases the BER value by 0.1221 using synchronization with the MQTT communication protocol. In the next research, development can be done by implementing Forward Error Correction (FEC) to minimize errors that occur in transmission and collaborating with vendors with research in the same field."

"Teknologi SMS sebagai media komunikasi dapat digunakan untuk mengendalikan perangkat IoT seperti SCADA Supervisory Control and Data Acquisition untuk pengontrolan suatu proses dalam sistem kendali industri berbasis computer . Serta sebagai alternatif yang handal pengganti media Internet untuk kendali jarak jauh. Namun, teknologi SMS masih memiliki kekurangan terhadap aksi penyadapan. Oleh karena itu pada penelitian ini dirancang pengendalian jarak jauh melalui SMS berbasis algoritma enkripsi NTRU dan kompresi GZIP yang di implementasikan pada Raspberry Pi dan perangkat Android.Dari hasil uji coba penerapan algoritma NTRU dan GZIP pada Raspberry pi menghasilkan parameter bilangan prima 5 sampai 23 untuk membangun public key dan dalam proses enkripsi dekripsinya. Dengan rentang parameter tersebut membuat perintah dapat dikirim dalam 1 kali SMS tidak lebih dari 160-byte . Dengan menggunakan parameter optimal yaitu 23, implementasi enkrispi dan kompresi dilanjutkan pada hasil performa untuk menggerakan 3 aktuator relay, servo, dan LED PWM dengan 100 perintah yang dikirim berhasil diterjemahkan untuk dieksekusi pada aktuator.

---

SMS Technology as a communication medium can be used to control the IoT device for example, SCADA Supervisory Control And Data Acquisition . However, SMS technology still has a disadvantage of wiretapping. Therefore, in this study designed remote control system via SMS based NTRU Encryption and GZIP compression algorithm that is implemented on Raspberry Pi and Android devices to control the actuator.

Based on the result, the best parameter size of NTRU encryption and GZIP compression algorithm is 5 until 23 to build public key and encryption decryption process that can be sent in one time SMS not more than 160 bytes. Using the optimum parameter of 23, the encryption and compression implementation are continued on the performance result to drive three actuators relay, servo and LED PWM with 100 of the commands sent successfully decrypted for control the actuator."