Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian mengenai produksi biomassa Chlorella DPK-01 dalam fotobioreaktor tubular dengan pemaparan gelombang bunyi sine dan square telah dilakukan. Pemaparan gelombang bunyi dalam sistem fotobioreaktor merupakan salah satu cara meningkatkan produksi biomassa mikroalga. Chlorella DPK-01 merupakan mikroalga indigenous Indonesia dari Depok, Jawa Barat. Fotobioreaktor yang digunakan untuk menumbuhkan Chlorella DPK-01 dibedakan atas tiga kelompok perlakuan. Tiga kelompok tersebut, yaitu tidak dipaparkan gelombang bunyi apapun sebagai kontrol (PBR-Kontrol), dipaparkan gelombang bunyi sine dengan frekuensi 279,9 Hz (PBR-A), dan dipaparkan gelombang bunyi square dengan frekuensi 279,9 Hz (PBR-B). Penelitian dilakukan untuk mengukur dan membandingkan kerapatan sel, nilai absorbansi biomassa, dan kadar lipid Chlorella DPK-01 yang dibiakkan dalam sistem fotobioreaktor dengan pemaparan gelombang bunyi sine dan square. Hasil uji Kruskal-Wallis menunjukkan bahwa tidak terdapat perbedaan yang signifikan antara rerata jumlah sel dan rerata absorbansi biomassa Chlorella DPK-01 dalam PBR-Kontrol, PBR-A, dan PBR-B (α=0,05). Meskipun demikian, laju pertumbuhan Chlorella DPK-01 dalam tiap kelompok sistem PBR memiliki nilai yang berbeda, yaitu 0,188 per hari untuk Chlorella DPK-01 dalam PBR-Kontrol, 0,271 per hari untuk Chlorella DPK-01 dalam PBR-A, dan 0,253 per hari untuk Chlorella DPK-01 dalam PBR-B. Selain hal tersebut, terdapat perbedaan kadar lipid dari biomassa Chlorella DPK-01 dalam tiap sistem PBR. Hasil pengukuran kadar lipid dari biomassa Chlorella DPK-01 dalam PBR-Kontrol adalah 48,32%. Kadar lipid dari biomassa Chlorella DPK-01 dalam PBR-A adalah 47,21%. Sementara itu, kadar lipid tertinggi dicapai oleh biomassa Chlorella DPK-01 dalam PBR-B, yaitu sebesar 53,82%.

---

The study about production of Chlorella DPK-01 biomass in tubular photobioreactors with the exposure of sine and square sound wave has been done. Exposure of the sound wave to microalgae in photobioreactor system has known as a way to increase microalgae biomass production. Chlorella DPK-01 is Indonesia’s indigenous microalgae from Depok, West Java. Photobioreactors that were used to grow Chlorella DPK-01 were distinguished into three treatment groups, which are not exposed to any sound wave as control (PBR-Kontrol), exposed to 279.9 Hz sine sound wave (PBR-A), and exposed to 279.9 Hz square sound wave (PBR-B). The study was conducted to measure and compare cell density, biomass absorbance values, and total lipid percentage of Chlorella DPK-01 biomass in tubular photobioreactors with the exposure of sine and square sound wave. The result of Kruskal-Wallis Test showed that there were no significant differences in the number of cells and average absorbance value of Chlorella DPK-01 biomass which were not exposed to sound waves, were exposed to sine sound waves, and were exposed to square sound waves (α =0.05). Meanwhile, the growth rate of Chlorella DPK-01 in each group of PBR systems has different values, which are 0.188 per day for Chlorella DPK-01 in PBR-Kontrol, 0.271 per day for Chlorella DPK-01 in PBR-A, and 0.255 per day for Chlorella DPK-01 in PBR-B. Beside, there are differences in the lipid percentage of Chlorella DPK-01 biomass in PBR systems. The lipid percentage of Chlorella DPK-01 in PBR-Kontrol was 48.32%, the lipid percentage of Chlorella DPK-01 in PBR-A was 47.21%. Meanwhile, the highest lipid content was achieved by Chlorella DPK-01 in PBR-B, which was 53.82%."

"Kamera pengawas sengat penting keberadaannya untuk membantu mengawasi area tertentu. Gambar digital yang direkam biasanya adalah aktivitas yang terjadi atau keberadaan objek di dalamnya, termasuk objek masker, kacamata hitam, helm dan topi yang rawan digunakan sebagai penutup identitas ketika sedang melakukan tindak kejahatan. Kemampuan tersebut dapat mencegah maupun menelusuri kejadian yang tidak diinginkan seperti tindakan criminal. Namun, saat ini kamera pengawas bersifat pasif sehingga berpotensi meningkatkan resiko kelalaian oleh pihak penjaga (user) dalam memantau aktivitas yang sedang terjadi. Penelitian ini bertujuan untuk merancang sistem yang mampu meningkatkan kinerja kamera pengawas dalam mendeteksi objek pada perangkat Raspberry Pi sehingga kamera dapat bersifat aktif serta mampu memberikan hasil yang optimal dan juga mengurangi penggunaan penyimpanan berlebih. Sistem deteksi objek yang digunakan menerapkan teknik Deep Learning dengan MobileNetV2-SSD sebagai model arsitektur jaringannya. Uji coba penelitian dilakukan pada beberapa variasi jarak terhadap objek sejauh 0-1,5 meter. Hasil penelitian didapatkan nilai mAP 70,3% dan saat  pengujian real-time menunjukkan keakurasian pada jarak 0-1 meter sebesar 87,5%. Pada jarak lebih dari 1,5 meter kemampuan deteksi system mulai berkurang.

---

Monitoring cameras are very important to help monitor certain areas. Digital images recorded are usually activities that occur or the presence of objects in them, including masks, sunglasses, helmets and hats which are prone to be used as a cover for identity when committing a crime. This capability can prevent or track unwanted events such as criminal acts. However, currently monitoring cameras are passive so that they have the potential to increase the risk of negligence by the user in monitoring ongoing activity. This study aims to design a system that can improve the performance of monitoring cameras in detecting objects on the Raspberry Pi device so that the camera can be active and able to provide optimal results and also reduce excess storage usage. The object detection system used applies Deep Learning techniques with MobileNetV2-SSD as the network architecture model. Research trials were carried out at several variations of the distance to objects as far as 0-1.5 meters. The results are mAP value is 70.3% and 87.5% accuracy during real-time testing at a distance of 0-1 meter. At a distance of more than 1.5 meters the detection capability of the system begins to decrease."

"Curah hujan tinggi dapat berpotensi mengakibatkan banjir dan tanah longsor yang mengakibatkan kerugian pada masyarakat. Oleh karena itu, informasi sistem monitoring curah hujan menggunakan Automatic Rain Gauge (ARG) dapat menjadi solusi dalam antisipasi bencana hidrometeorologi. Penelitian ini bertujuan untuk membangun alat curah hujan otomatis dan sistem monitoring curah hujan menggunakan ARG berbasis Internet of Things (IoT) di wilayah Provinsi Banten dengan jumlah 10 ARG. ARG yang digunakan dilengkapi dengan sensor reed switch untuk mengukur curah hujan di sekitar dengan metode tipping, kemudian data tersebut diproses menggunakan datalogger dan dikirimkan menggunakan protokol MQTT (Message Queuing Telemetry Transport). Hasil rancang bangun alat penakar hujan otomatis di 10 titik pengamatan dengan performa yang baik, hal ini dibuktikan dengan nilai koreksi pada rentang -0.01 mm hingga 0.09 mm, nilai ketidakpastian 0.12 mm hingga 0.16 mm, dan nilai error 0.14 % hingga 2.86 %. Selain itu, nilai korelasi menunjukkan dalam kategori baik hingga sangat baik (0,79 hingga 0,99) dengan nilai RMSE pada rentang sekitar 1,85 mm hingga 12,64 mm.  Data yang telah dikirimkan dari site pengamatan kemudian disimpan dalam cloud sever serta ditampilkan dalam interface berbentuk sistem informasi website yang dilengkapi dengan historis data pengamatan, data curah hujan secara real time, akumulasi berupa grafik, tabel, dan status intensitas curah hujan. Hasil dari penelitian ini dapat menjadi monitoring dan peta intensitas curah hujan di wilayah Banten.

---

High-intensity rainfall can trigger flooding and landslides and lead to detrimental impact on the community. Therefore, rainfall monitoring system information using Automatic Rain Gauge (ARG) can be a solution in anticipating the hydrometeorological hazards impact. This research aims to make an automatic rain gauge as well as its monitoring system utilizing Internet of Things (IoT) in Banten Province with 10 ARGs in total. The reed switch sensor is installed in the ARG to measure rainfall intensity with tipping method. Then, the data is processed using datalogger and is sent through MQTT (Message Queuing Telemetry Transport) protocol. The installed ARGs show a good performance which is proved by the correction value ranges from -0.01 mm up to 0.09 mm, and the uncertainty ranges from 0.12 mm up to 0.16 mm, and the error value ranges from 0.14% up to 2.86%. In addition, the correction value represents good up to very good condition (0,79 – 0,99) with RMSE value ranges from 1,85 mm up to 12,64 mm. The data sent from the site is stored in a cloud server and presented through an interface of website information system. The website has features such as historical observed data, real time rainfall intensity, accumulation in form of graph, table, and status of rainfall intensity. These findings can be used to monitor and map the rainfall intensity in Banten Province."

"Kerak pipa selalu terjadi pada pipa produksi pada pembangkit listrik yang memanfaatkan panas bumi. Kerak pipa dapat terjadi dalam waktu yang lama maupun dalam hitungan bulan. Hal ini dapat mempengaruhi diameter dalam pada pipa sehingga dapat mengurangi laju alir dan bahkan dapat menyumbat pipa. Pengukuran tebal kerak pipa dibutuhkan untuk dapat mengetahui seberapa besar kerak yang terjadi di dalam pipa. Gamma scanning merupakan teknik yang digunakan untuk menganalisis struktur di dalam suatu objek tanpa merusak atau membuka bagian objek tersebut sehingga dapat digunakan tanpa mengganggu jalannya operasi. Sistem Gamma scanning dalam penelitian ini dapat melakukan pemindaian secara otomatis dan dapat diinstall dengan mudah. Sumber radiasi Gamma Cs-137 digunakan sebagai pemancar foton gamma menembus objek yang kemudian akan dideteksi menggunakan detector sintilasi NaI(Tl). Sistem pengendali menggunakan Arduino dan Raspberry Pi 4 yang akan mengatur pergerakan secara otomatis dan juga pengambilan data serta pengolahan data. Data hasil rekonstruksi akan dianalisis untuk mengetahui ketebalan kerak di dalam pipa.

---

The growth rate of pipe scale always occurs in production pipes at power plants that utilize geothermal energy. This growth rate can occur in a long time or in a matter of months. This can affect the inside diameter of the pipe so that it can reduce the flow rate and can even clog the pipe. Measurement of the growth rate of pipe scale is needed to be able to find out how much scale occurs in the pipe. Gamma scanning is a technique used to analyze the structure inside an object without damaging or opening parts of the object so that it can be used without disturbing the operation. The Gamma scanning system in this study can perform scanning automatically and can be installed easily. Gamma radiation source Cs-137 is used as a gamma photon emitter to penetrate the object which will then be detected using a NaI(Tl) scintillation detector. The control system uses Arduino and Raspberry Pi 4 which will automatically regulate the movement as well as data retrieval and data processing. The reconstructed data will be analyzed to determine the thickness of scale in the pipe."

"Telur ayam kampung atau telur ayam buras adalah telur ayam umum dikonsumsi masyarakat Indonesia sebagai makanan biasa atau juga sebagai obat. Pengklasifikasian kualitas telur ayam kampung. Dilakukan untuk dapat membedakan telur yang layak konsumsi dan tidak layak konsumsi. Beberapa penelitian serupa menggunakan Arduino dan sensor photodioda untuk melakukan klasifikasi, selain itu juga ada beberapa penelitian yang menggunakan machine learning untuk membedakan jenis telur. Dari penelitian yang telah di lakukan dilihat bahwa akurasi masih kecil, dan dirasa masih bisa di ditingkatkan. Dalam penelitian ini dibuat sistem klasifikasi kualitas telur ayam kampung dengan menggunakan algoritma you only look once (YOLO) versi 4. Data set yang digunakan pada penelitian ini berupa data set dari 4 kategori kondisi telur atau 4 class antara lain telur baik, busuk, fertil, dan telur retak. Data set diakuisisi dengan disinari dengan lampu led yang diberikan tegangan 12V pada kotak akuisisi, dan citra ditangkap dengan webcam Logitech c270. Dari pelatihan data set citra telur ayam kampung dihasilkan akurasi sebesar 96.76% di pengujian pada validation set dan sebesar 95.26% pada test set. Dari kasus pendeteksian kualitas telur ayam kampung dengan deep learning berbasis algoritma YOLOv4 ini memungkinkan adanya pengembangan lebih lanjut.

---

Local breed chicken eggs or local breed chicken eggs are chicken eggs that are commonly consumed by Indonesian people as ordinary food or also as medicine. Classification of local breed chicken egg quality. This is done to be able to distinguish eggs that are suitable for consumption and not suitable for consumption. Several similar studies used Arduino and photodiode sensors to carry out classification, besides that there were also several studies using machine learning to distinguish types of eggs. From the research that has been done, the accuracy is still small, and it is felt that it can still be improved. In this research, local breed chicken egg quality classification system was created using you only look once (YOLO) version 4 algorithm. The dataset used in this study was a data set of 4 categories of egg conditions or 4 classes including good eggs, rotten, fertile, and cracked eggs. The dataset was acquired by irradiating it with a led lamp supplied with a 12V voltage on the acquisition box, and the image was captured with a Logitech c270 webcam. From the local breed chicken egg image dataset training, an accuracy of 96.76% was obtained in the validation set test and 95.26% in the test set. From the case of detecting local breed chicken egg quality with deep learning based on the YOLOv4 algorithm, it allows for further development."

"Turbiditas adalah salah satu ukuran yang sering digunakan untuk menilai kualitas air. Pengukuran turbiditas dapat dijadikan estimasi untuk mengetahui parameter fisis lain seperti zat padat tersuspensi total (TSS) atau parameter biologis seperti konsentrasi mikroorganisme. Beberapa penelitian telah mencoba menerapkan metode computer vision untuk memprediksi nilai turbiditas dari citra sebuah sampel air. Kebanyakan penelitian yang dilakukan masih menggunakan ekstraksi fitur secara manual sehingga diperlukan pengetahuan yang mencukupi terkait pengolahan citra dan pengukuran turbiditas. Pada penelitian ini dibuat sistem instrumentasi prediksi nilai turbiditas air berbasis pengolahan citra ponsel dengan ekstraksi fitur dan regresi oleh model deep convolutional neural network (DCNN). Penggunaan DCNN memungkinkan dilakukannya untuk melakukan ekstraksi fitur secara otomatis. Arsitektur DCNN yang digunakan yaitu ResNet-50 dan DenseNet-121. Efektivitas penerapan transfer learning berupa weight initialization pada DCNN juga ditinjau dalam kasus ini. Sampel yang digunakan pada penelitian ini berupa suspensi formazin dengan berbagai nilai turbiditas untuk pelatihan model dan beberapa sampel air untuk validasi model. Sampel disinari oleh LED di dalam kotak akuisisi yang dibuat untuk menampakkan fitur. Citra dari sampel diakuisisi menggunakan ponsel Samsung S20 FE dari dua sudut berbeda yaitu 0° (turbidimetry) dan 90° (nephelometry) terhadap sampel. Hasil terbaik pada penelitian ini diperoleh oleh Model ResNet-50 dengan transfer learning yang memperoleh MAE sebesar 2.44 untuk sampel formazin dan 7.31 untuk sampel air dengan citra turbidimetry. Hasil penelitian menunjukkan potensi menjanjikan penggunaan DCNN pada kasus regresi nilai turbiditas air untuk dikembangkan lebih lanjut.

---

Turbidity is a measure that is often used to assess water quality. Turbidity measurements can be used as estimates to determine other physical parameters such as total suspended solids (TSS) or biological parameters such as the concentration of microorganisms. Several studies have tried to apply computer vision methods to predict the turbidity value from images of water samples. Most of the research conducted still uses manual feature extraction, hence sufficient knowledge regarding image processing and turbidity measurements is needed. In this study, an instrumentation system for predicting water turbidity values based on mobile phone images is made. The feature extraction and regression process are done using a deep convolutional neural network (DCNN) model. The use of DCNN allows it to perform feature extraction automatically. The DCNN architecture used is ResNet-50 and DenseNet-121. The effectiveness of implementing transfer learning in the form of weight initialization on DCNN is also reviewed in this study. The samples used in this study were formazine suspensions with various turbidity values for model training and several water samples for model validation. The sample is illuminated by an LED inside an acquisition box to reveal its features. The images of the samples were acquired using a Samsung S20 FE mobile phone from two different angles, namely 0° (turbidimetry) and 90° (nephelometry) to the sample. The best results in this study were obtained by the ResNet-50 model with transfer learning applied which obtained MAE values of 2.44 for formazine samples and 7.31 for water samples using turbidimetry images. The results show the promising potential for further development of DCNN usage in the case of water turbidity values regression."

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"Pemanasan global merupakan tantangan utama yang menyebabkan perubahan iklim yang menjadi kekhawatiran bagi kehidupan. Upaya mengurangi kenaikan suhu permukaan bumi rata-rata menjadi 1.5 0C menjadi sesuatu yang harus dilakukan. Kenaikan suhu disebabkan oleh gas rumah kaca, salah satunya karbon dioksida yang sebagian besar disebabkan oleh aktivitas manusia dalam pembakaran bahan bakar fosil. Pengamatan yang dilakukan oleh BMKG di GAW (Global Atmosphere Watch) berbiaya mahal. Penelitian yang akan dilakukan adalah pengembangan sistem pemantauan konsentrasi gas karbon dioksida menggunakan low-cost sensor berbasis Non-Dispersive Infrared (NDIR). Data pengukuran diproses oleh Arduino Mega 2560 dan dikirimkan ke IoT platform Firebase realtime database dengan modul wifi dari ESP8266. Komparasi dilakukan dengan alat Thermo 410i di BMKG. Peningkatan akurasi sistem dilakukan dengan deteksi data pencilan dengan Local Outliers Factor dan Savitzky-Golay Moving Average sehingga perlatan yang dikembangkan bisa meningkatkan akurasi rata-rata keseluruhan meningkat dari 91.2% menjadi 98.3 %.

---

Global warming is the main challenge that causes climate change which is a concern for life. Efforts to reduce the average increase in the earth's surface temperature to 1.5 0C must be done. The increase in temperature is caused by greenhouse gases, one of which is carbon dioxide, caused mainly by human activities in burning fossil fuels. Observations made by BMKG on GAW (Global Atmosphere Watch) are expensive. The research will be carried out by developing a monitoring system for carbon dioxide gas concentrations using a low-cost sensor based on Non-Dispersive Infrared (NDIR). The measurement data is processed by Arduino Mega 2560 and sent to the IoT platform Firebase real-time Database with the wifi module from ESP8266. The comparison was made with the Thermo 410i device at BMKG. The system accuracy is increased by detecting outlier data with the Local Outliers Factor and Savitzky-Golay Moving Average so that the developed equipment can increase the overall average accuracy from 91.2 % to 98.3%."

"Dampak wabah COVID yang mempengaruhi sektor pendidikan membuat pelajar dan juga tenaga pendidik diharuskan untuk melakukan pembelajaran secara daring. Penerapan pembelajaran melalui daring ini memberikan dampak terhadap pelajar khususnya pada mahasiswa. Dengan diterapkannya New Normal, dibutuhkan teknologi yang dapat melakukan pemantauan dengan skala yang besar. Penelitian ini bertujuan untuk membuat perangkat presensi mahasiswa berbasis face recognition dengan menambahkan fitur pembacaan suhu tubuh sebagai langkah pengawasan pada lingkungan kampus. Penelitian ini dilakukan pada area kampus FMIPA UI. Bahasa pemrograman yang digunakan untuk membuat perangkat lunak adalah python versi 3.6. Pada proses face recognition, digunakan metode Histogram of Oriented Gradients (HOG) sebagai pendeteksi lokasi wajah dan modul Openface untuk pengambilan fitur pada wajah. Untuk tahap pencocokan wajah, digunakan Euclidean Distance untuk mencari nilai kecocokan pada tiap citra database. Dari hasil pengujian terhadap 30 mahasiswa didapatkan akurasi sebesar 93.3%. Pada pengujian jarak terhadap pendeteksian wajah, didapatkan bahwa sistem dapat mendeteksi wajah hingga jarak 120 cm pada kondisi penerangan ruangan yang normal. Pada pengujian pembacaan suhu dengan menggunakan Thermal Camera AMG8833, didapatkan bahwa nilai akurasi menurun seiring bertambahnya jarak pembacaan. Jarak optimal untuk pembacaan suhu adalah sejauh 30 cm.

---

The impact of the COVID outbreak that has affected the education sector has forced students and educators to study online. The application of online learning has an impact on students, especially college students. With the implementation of the New Normal, technology is needed to perform health monitoring on a large scale. This study aims to create a face recognition-based student presence device by adding a body temperature reading feature. This research was conducted in the FMIPA UI campus area. The programming language used to create the software is python version 3.6. In the face recognition process, the Histogram of Oriented Gradients (HOG) method is used to detect the location of the face and the Openface module is used to capture features of the face. For the face matching stage, Euclidean Distance is used to find the match value for each database image. From the results of testing on 30 students, obtained an accuracy of 93.3%. While testing the distance capability in face detection, it was found that the system can detect faces up to a distance of 120 cm in normal room lighting conditions. While testing the Thermal Camera AMG8833, it was found that the accuracy value decreased as the distance increased. The optimal distance for temperature readings is 30 cm."

"Tantangan utama dari proses komunikasi antara pasien dan perawat adalah adanya ketidakmampuan beberapa pasien untuk menjelaskan secara verbal, seperti pasien dengan gangguan bicara atau juga pasien yang sedang kritis, sehingga diperlukan Bahasa Isyarat. Penelitian ini menggunakan pembelajaran mesin dengan model SSD MobilenetV2 untuk melatih isyarat tangan dan mengimplementasikan pengiriman pesan ke telegram. Isyarat tangan yang digunakan adalah: bantuan, dingin, dokter, duduk, makan, minum, obat, sakit, dan toilet. Pada penelitian ini digunakan data latih sebanyak 8.820 data dan data uji sebanyak 2.520 dan 1.260 data yang masing-masing merupakan data validasi dan data testing. Data tersebut diambil dari 14 orang dengan kategori Anak-anak hingga Lansia. Seluruh isyarat tangan dapat dideteksi dengan mAP sebesar 60.9%. Penelitian ini juga dapat mengenali isyarat secara langsung dengan baik pada jarak antara 0.5 m-1.2 m, dan dapat langsung mengirimkan pesan ke telegram sesuai dengan isyarat yang diperagakan.

---

The use of hand signals is common in medical settings, but of course there are limitations between patients and caregivers who do not understand sign language. As technology advances, this problem can be minimized by creating messaging systems that take input in the form of sign language and output in the form of the message the patient wants to convey, as was done in this study. This study used 9 hand gesture; help, cold, sit, doctor, eat, drink, medicine, sick, and toilet. And used 8,820 training data and 2,520 and 1,260 test data for data validation and testing, respectively. The data comes from his 14 people, with categories ranging from children to elderly people. All hand gestures can be recognized with an mAP (mean Average Precision) of 60.9%. This study can also recognize live gestures well at a distance between 0.5 m - 1.2 m, and can directly send messages to telegrams according to the gestures demonstrated. "