Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini melakukan klasifikasi stadium penyakit Diabetik Retinopati (DR) menjadi 2 hirarki, yaitu Global dan Lokal. Hirarki Global hanya terdiri dari normal (0) dan abnormal (1). Sedangkan klasifikasi lokal terdiri dari 4 kategori yaitu kategori normal (R0), early NPDR (R1), advanced NPDR (R3), dan PDR (R4). Kategori early NPDR adalah stadium mild NPDR, sedangkan advanced NPDR adalah gabungan dari moderate dan severe NPDR. Secara umum penelitian ini dilakukan untuk menyelesaikan masalah yang timbul akibat adanya kemiripan citra per kenaikan stadium yang tidak bisa dinilai secara kasat mata. Sehingga membutuhkan sebuah penanganan dimana citra retina dapat digolongkan ke dalam kategori yang tepat. Berdasarkan masalah tersebut, dilakukan 2 mekanisme percobaan untuk setiap hirarki, yaitu melalui pendekatan computer vision yang hanya fokus untuk mengolah citra secara keseluruhan dan pendekatan yang dilakukan oleh medis dimana sebelum menentukan kategori citra, terlebih dahulu dilakukan deteksi fitur penanda DR seperti eksudat, mikroaneurisma, dan pembuluh darah. Data yang digunakan ada 2 jenis yaitu data citra dari RSCM Jakarta dan database publik Diaretdb0. Metode klasifikasi ELM yang diusulkan mampu memberikan performansi yang cukup baik dari sisi waktu dan akurasi, dimana rata-rata klasifikasi menggunakan cross validation mencapai 50% untuk data RSCM dan 60% untuk data DB0. Sedangkan untuk klasifikasi lokal mencapai 50% untuk data RSCM dan 40% untuk data DB0. ......This study determined the classification of the stage of disease Diabetic retinopathy (DR) into two hierarchies , namely the Global and the Local . Global hierarchy consisting only of normal (0) and abnormal (1). While local classification consists of 4 categories: normal category (R0), early NPDR (R1), advanced NPDR (R3), and PDR (R4). Categories early stages of NPDR is Mild NPDR, whereas advanced NPDR is a combination of moderate and severe NPDR. In general, this study was conducted to resolve the problems arising from the similarity image that stage increments can not be assessed by naked eye . Thus require a treatment in which the retinal image can be classified into appropriate categories . Based on these issues, conducted 2 experiments for each hierarchy mechanism, namely through the computer vision approach that only focuses on the image of the overall process and the approach taken by a medical before determining which image category , first detection of features such as bookmarks DR exudates, microaneurysms, and blood vessels . The data used there are 2 types of image data from public databases RSCM Jakarta and Diaretdb0. The proposed classification method ELM is able to provide good enough performance in terms of time and accuracy , where the average classification using cross validation to achieve 50 % for data RSCM and 60 % for data DB0. Whereas for the local classification, data RSCM achieve 50 % and 40 % for data DB0.

Abstrak :
Budidaya ikan merupakan salah satu industri pokok yang dalam pembudidayaan nya memerlukan berbagai parameter terhadap lingkungan hidupnya. Parameter fisik, kimia, dan biologis sangat diperlakukan agar budidaya ikan tersebut menghasilkan ikan yang berkualitas. Ikan memerlukan habitat yang sesuai agar dapat hidup sehat dan tumbuh secara optimal. Ikan memiliki persyaratan tertentu sehingga dalam suatu usaha budidaya ikan kualitas air harus selalu diawasi. Untuk itu, pengelolaan dan pengawasan kualitas air dilakukan untuk menjamin kualitas air tetap terjaga dengan baik. Water quality monitoring system berbasis LoRa akan membantu pembudidaya ikan karena sistem ini memonitor ikan secara terus menerus dan real-time. Parameter yang sangat penting pada air untuk budidaya ikan adalah kekeruhan air dan pH. sensor yang berada pada sisi end-device akan mendeteksi parameter kualitas air yaitu kekeruhan dan pH. Data akan dikirimkan menuju gateway kemudian diteruskan menuju Thingspeak yang akan ditampilkan pada dashboard. Parameter pengujian yang dilakukan pada penelitian ini adalah kinerja sistem dalam membaca dan mengirimkan data menuju Thingspeak. Kemudian, pengujian Quality of Service (QoS) juga dilakukan dengan melihat nilai packet loss, PDR, RSSI, dan SNR. Pengujian ini akan dilakukan dengan kondisi LOS (Line of Sight) dengan jarak 100 m, 250 m dan 500 m dan NLOS (Non-Line of Sight) yang memiliki 4 variasi jarak yaitu: 100 m, 250 m, 500 m. Berdasarkan perancangan desain, sistem ini akan membaca dan mengirimkan data menuju Thingspeak dengan baik serta memiliki QoS yang baik. Sehingga, sistem ini dapat digunakan oleh pembudidaya ikan untuk mengawasi kualitas air agar ikan berkembang secara optimal. Nilai PER (packet error rate) yang diperoleh sebesar 10 % dan keakuratan sensor pH sebesar 3,62%. Nilai PDR yang diperoleh pada kondisi LOS dengan jarak 100 m, 250 m, dan 500 m memiliki interval 82,5 % hingga 95 %. Sedangkan untuk nilai PDR pada kondisi NLOS dengan pengujian jarak 100 m, 250 m, dan 500 m memiliki interval dari 72.,5% hingga 90%. Sehingga dapat disimpulkan sistem dapat diimplementasikan dengan baik pada kolam untuk budidaya ikan sebagai monitoring kualitas air agar ikan tetap berkembang dengan baik. ......Fish farming is one of the main industries which in its cultivation requires various parameters to the environment. Physical, chemical, and biological parameters are highly treated so that the fish farming produces quality fish. Fish need a suitable habitat in order to live healthy and grow optimally. Fish have certain requirements so that in a fish farming business, water quality must always be monitored. For this reason, water quality management and supervision is carried out to ensure that water quality is maintained properly. The LoRa-based water quality monitoring system will help fish farmers because this system monitors fish continuously and in real-time. Parameters that are very important in water for fish farming are water turbidity and pH. The sensor on the end-device will detect water quality parameters, namely turbidity and pH. The data will be sent to the gateway and then forwarded to Thingspeak which will be displayed on the dashboard. The parameters of the test carried out in this research is the system performance in reading and sending data to Thingspeak. Then, Quality of Service (QoS) testing is also carried out by looking at the packet loss, PDR, RSSI, and SNR values. This test will be carried out under LOS (Line of Sight) with 100 m, 250 m, and 500 m distance and NLOS (Non-Line of Sight) conditions which have 4 variations of distance, namely: 100 m, 250 m, 500 m. Based on the design, this system will read and send data to Thingspeak properly and has good QoS. Thus, this system can be used by fish farmers to monitor water quality so that fish develop optimally. The PER (packet error rate) value obtained is 10% and the accuracy of the pH sensor is 3.62%. The PDR values obtained under LOS conditions with a distance of 100 m, 250 m, and 500 m have an interval of 82.5% to 95%. Meanwhile, the PDR value under NLOS conditions with distance testing of 100 m, 250 m, and 500 m has an interval of 72.5% to 90%. So it can be said that the system can be implemented properly in ponds for fish cultivation as a monitoring for water quality so that fish continue to develop properly.

Abstrak :
ABSTRAK
Themes of inclusion, empowerment, and participation are recurrent in development discourse and interventions, implying enablement of agency on the part of communities and individuals to inform and influence how policies that affect them are enacted. This article aims to contribute to debates on participation in rural development and environmental conservation, by applying a structure-agency lens to examine experiences of marginal farm households in three distinct systems of resource allocation in Lao PDRs northern uplands-in other words, three institutional or (in)formal structures. These comprise livelihood development and poverty reduction projects, maize contract farming, and a national protected area. Drawing on qualitative data from focus group discussions and household surveys, the article explores the degree to which farmers may shape their engagement with the different systems, and ways in which agency may be enabled or disabled by this engagement. Our findings show that although some development interventions provide consultative channels for expressing needs, these are often within limited options set from afar. The market-based maize system, while in some ways agency-enabling, also entailed narrow choices and heavy dependence on external actors. The direct regulation of the protected area system meanwhile risked separating policy decisions from existing local knowledge. Our analytical approach moves beyond notions of agency commonly focused on decision-making and/or resistance, and instead revisits the structure-agency dichotomy to build a nuanced understanding of peoples lived experiences of interventions. This allows for fresh perspectives on the everyday enablement or disablement of agency, aiming to support policy that is better grounded in local realities.

Abstrak :
Aplikasi computer vision meliputi pendeteksian objek, klasifikasi citra, dan lain-lain. Performa dari aplikasi computer vision ini biasanya kurang baik jika digunakan pada gambar yang kabur. Gambar kabur disebabkan oleh kondisi lingkungan yang melibatkan mikropartikel di udara sehingga menyebabkan penurunan kualitas gambar. Dehazing gambar tunggal diperlukan untuk menjaga kualitas gambar yang baik. Berbagai metode dehazing citra tunggal telah dikembangkan, baik metode berbasis piksel atau deep learning. Berbagai arsitektur deep learning telah dikembangkan untuk mengatasi masalah single image dehazing, salah satunya adalah PDR-Net. Dalam studi ini, penulis mengusulkan modifikasi arsitektur PDR-Net untuk mendapatkan gambar yang direstorasi secara visual sebaik mungkin. Arsitektur Modified PDR-Net (PDR-Net M) yang diusulkan dilatih dengan dua set data, yaitu O-Haze dan Dense-Haze, dan menjalani uji ketahanan menggunakan dataset NH-Haze, SOTS, dan beberapa gambar kabur yang diunduh dari Google Image. Hasil modifikasi PDR-Net menunjukkan hasil terbaik saat restorasi citra citra kabur pada data uji O-Haze dan Dense-Haze, dengan Structural Similarity (SSIM) 0,8042, Peak Signal-to-Noise Ratio (PSNR) 20,65,00perbedaan warna 9,26 , Root Mean Square Error (RMSE) 0.11 dan Naturalness Image Quality Evaluator (NIQE) 3.94. Meskipun pada uji robustness ketiga, PDR Net-Modified mengalami kesulitan dalam restorasi citra karena karakteristik dataset yang sangat berbeda dengan data latih, PDR-Net Modified masih unggul pada uji robustness pertama dan kedua. ......Computer vision applications include object detection, image classification, and others. The performance of this computer vision application is usually not good when used on blurred images. Blurred images are caused by environmental conditions involving microparticles in the air causing a decrease in image quality. Dehazing a single image is necessary to maintain good image quality. Various methods of single image dehazing have been developed, either pixel-based or deep learning methods. Various deep learning architectures have been developed to overcome the problem of single image dehazing, one of which is PDR-Net. In this study, the authors propose a modification of the PDR-Net architecture to obtain the best possible visually restored image. The proposed Modified PDR-Net (PDR-Net M) architecture was trained with two datasets, namely O-Haze and Dense-Haze, and underwent robustness testing using the NH-Haze dataset, SOTS, and some blurred images downloaded from Google Image. PDR-Net modification results show the best results when restoring blurred images on O-Haze and Dense-Haze test data, with Structural Similarity (SSIM) 0.8042, Peak Signal-to-Noise Ratio (PSNR) 20.65.00 color difference 9.26 , Root Mean Square Error (RMSE) 0.11 and Naturalness Image Quality Evaluator (NIQE) 3.94. Although in the third robustness test, PDR Net-Modified had difficulty in image restoration because the characteristics of the dataset were very different from the training data, PDR-Net Modified was still superior in the first and second robustness tests.

Abstrak :
Saat mengalami kejadian yang sangat terdesak, pastinya akan berfikir untuk meminta pertolongan dan berusaha secepat mungkin agar cepat ditangani oleh pihak keamanan tanpa harus datang untuk melaporkan kejadian tersebut. Seiring teknologi, telah mendorong munculnya sebuah teknologi komunikasi nirkabel yaitu Low Power Wide Area Network (LPWAN) yang memiliki cakupan area yang luas, namun menggunakan daya yang relatif rendah dengan daya tahan baterai yang tinggi, Mekanisme kerjanya adalah panic button mengirimkan data (longitude dan latitude) ke gateway dengan menggunakan protokol komunikasi LoRa. Paket yang diterima dari end device kemudian diteruskan oleh gateway ke network server yang sudah terintegrasi langsung dengan application server. Selanjutnya data ditampilkan dalam sebuah peta pada web. Penelitian ini menerapkan sistem LoRaWAN karena sistem dapat mengirim data ke perangkat lain yang sudah terhubung ke cloud melalui perantara gateway. Pengujian kali ini dibagi menjadi dua yaitu uji sistem dan uji QoS. Untuk pengujian sistem akan diperhatikan apakah panic button-nya berfungsi dengan baik atau tidak. Untuk pengujian QoS, parameter yang diuji adalah Packet Delivery Ratio (PDR), Packet Loss, Signal Noise Ratio (SNR), Received Signal Strength Indicator (RSSI), dan delay. Parameter tersebut diuji terhadap 6 jarak yang berbeda yaitu 100m, 200m, 300m, 1.2km, 1.6km, dan 2km dari gateway NLOS. Untuk pengujian 100m, 200m, 300m gateway terletak pada satu BTS referensi yaitu STO Kranggan, yang keseluruhan PDRnya adalah 100%, sehingga packet loss-nya 0%. Hal ini dikarenakan semua nilai RSSI-nya masih di atas -120dBm. Semakin jauh jarak yang ditempuh mengakibatkan nilai Path Loss (PL) akan semakin besar, berhubungan dengan RSSI yang semakin berkurang karena RSSI menjadi faktor penentu pengiriman data. Pada jarak 1.2km hasil PDR yang diperoleh adalah 100%, dengan packet loss sebesar 0%, nilai SNR rata-rata -0,523dB, nilai rata-rata RSSI -102dBm, dan delaynya 0,011123s. Nilai PDR pada 1,6km adalah 99,5% dengan packet loss sebesar 0,5 %, nilai SNR rata-rata -2,63941dB, nilai rata-rata RSSI sebesar -106,004dBm, nilai delay yang diperoleh sebesar 0,01127detik. Pada jarak 2km adalah 92,5%, packet loss sebesar 7,5%, nilai rata-rata SNR -10,86dB, nilai rata-rata RSSI -110,628571dBm, nilai delay paling besar yaitu 0,013078s. Sehingga semakin jauh jarak yang ditempuh, nilai packet loss dan delay semakin naik, sedangkan nilai PDR, SNR, RSSI semakin turun. Untuk gateway yang menjadi referensinya terdapat di STO Pasar Minggu, namun kenyataan adalah daerah tersebut juga mendapat cakupan dari gateway BTS lain, sehingga walaupun jaraknya lebih dekat, RSSI dan SNRnya menjadi lebih rendah, sebagai contoh nilai minimal SNR dan RSSI pada percobaan 1 jarak 1.2 km lebih kecil dibandingkan dengan percobaan 1 pada jarak 1.6km dan 2km.

---

When experiencing a very urgent event, surely you will think to ask for help and try as fast as possible so that quickly handled by the security forces without having to come to report the incident. Along with technology, it has encouraged the emergence of a wireless communication technology namely Low Power Wide Area Network (LPWAN) which has a wide area coverage, but uses relatively low power with high battery life, its mechanism of action is a panic button sending data (longitude and latitude ) to the gateway using the LoRa communication protocol. Packets received from the end device are then forwarded by the gateway to the network server that is integrated directly with the application server. Then the data is displayed in a map on the web. This study applies the LoRaWAN system because the system can send data to other devices that are already connected to the cloud through an intermediary gateway. This time the test was divided into two namely the system test and QoS test. For testing the system will be considered whether the panic button is functioning properly or not. For QoS testing, the parameters tested are Packet Delivery Ratio (PDR), Packet Loss, Signal Noise Ratio (SNR), Received Signal Strength Indicator (RSSI), and delay. These parameters were tested against 6 different distances namely 100m, 200m, 300m, 1.2km, 1.6km, and 2km from the NLOS gateway. For testing 100m, 200m, 300m gateways are located in one reference base station, namely STO Kranggan, the overall PDR is 100%, so the packet loss is 0%. This is because all RSSI values are still above -120dBm. The farther the distance travelled causes the value of Path Loss (PL) will be greater, related to the decreasing RSSI because RSSI is a determining factor for data transmission. At a distance of 1.2km the PDR results obtained are 100%, with a packet loss of 0%, an average SNR value of -0.523dB, an average RSSI value of -102dBm, and a delay of 0.011123s. The PDR value at 1.6km is 99.5% with a packet loss of 0.5%, the average SNR value is -2.63941dB, the average RSSI value is -106,004dBm, the delay value obtained is 0.01127 seconds. At a distance of 2km is 92.5%, packet loss of 7.5%, the average value of SNR is -10.86dB, the average RSSI value is -110.628571dBm, the highest delay value is 0.013078s. So the farther the distance travelled, the value of packet loss and delay increases, while the value of PDR, SNR, RSSI decreases. For gateways that are referenced in the Pasar Minggu STO, the reality is that the area also receives coverage from other BTS gateways, so that even though the distances are closer, the RSSI and SNR are lower, for example the minimum SNR and RSSI values in trial 1 are 1.2 km smaller than experiment 1 at a distance of 1.6km and 2km.

Abstrak :
Kabut merupakan fenomena atmosfer di mana asap, debu dan partikel kering lainnya berada di atmosfer. Kabut ini tentunya dapat memunculkan efek blur dan buram pada citra sehingga dapat mengurangi informasi yang terkandung di dalamnya. Hal ini dapat menyebabkan penurunan performa dari permasalahan pembelajaran mesin, seperti identifikasi dan klasifikasi. Image dehazing merupakan suatu proses yang bertujuan untuk memulihkan gambar yang jelas dari gambar yang rusak oleh kabut atau asap. Terdapat berbagai metode image dehazing yang telah dikembangkan, baik yang berbasiskan pixel intensity dan deep learning. Salah satu metode deep learning yang telah dikembangkan sebelumnya untuk image dehazing adalah Mod PDR-Net. Pada penelitian ini, penulis mengajukan suatu deep network untuk image dehazing baru dengan menggunakan Mod PDR-Net di dalam suatu Conditional Generative Adversarial Network. Data yang digunakan dalam penelitian ini adalah dataset standar citra berkabut luar ruangan. Untuk mengetahui kualitas dari hasil image dehazing yang didapat, penulis membandingkan hasil metode usulan dengan Mod PDR-Net original dan didapatkan bahwa metode usulan memiliki hasil yang lebih baik dibandingkan dengan Mod PDR-Net berdasarkan metrik yang digunakan, yaitu SSIM, RMSE, Delta E, dan BRISQUE dengan nilai berturut-turut sebesar 0.785, 0.109, 9.750. dan 28.375. ......Haze is an atmospheric phenomenon where smoke, dust, and other dry particles are present in the atmosphere. Haze can create blurring effects in captured images, resulting in reduced information contained in the image. This can lead to performance degradation from machine learning problems, such as identification and classification. Image dehazing is a process that aims to recover a clear image from a hazy image. Various image dehazing methods have been developed, both based on the pixel intensity and deep learning. One of the deep learning methods that has been previously developed for image dehazing is Mod PDR-Net. In this study, the author proposes a deep network for image dehazing by using Mod PDR-Net in a Conditional Generative Adversarial Network. The data used in this study consists of a standard dataset of outdoor hazy images. In order to determine the quality of the obtained image dehazing results, the author compared the result of the proposed method with the original Mod PDR-Net and found that the proposed method has better results than the Mod PDR-Net based on the metric used, namely SSIM, RMSE, !E, and BRISQUE with values respectively 0.785, 0.109, 9.750. and 28.375.

Abstrak :
Pada lingkungan laboratorium sangatlah riskan untuk terjadi sebuah bencana atau kecelakaan yang tidak diinginkan, apalagi dengan laboratorium yang sangat membutuhkan panas atau temperatur yang pas, contohnya lab kimia dan fisika, khususnya pada lab kimia pada saat memanaskan cairan pada tabung reaksi atau semacamnya, dan jika terjadi overheat maka akan berakibat sangat fatal. Oleh karena itu, dibutuhkan suatu sistem yang dapat mencegah hal itu terjadi. Dengan menggunakan sistem berbasis Internet of Things (IoT), monitoring pada laboratorium akan sangat membantu karena sistemnya dapat memonitor secara real-time dan terus menerus. Sistem IoT yang digunakan dalam perancangan smart monitoring system ini adalah berbasis Long Rang (LoRa) yang sangat cocok untuk melakukan suatu kegiatan monitoring karena menggunakan daya yang kecil dan jarak yang cukup jauh. Perangkat yang digunakan pada sistem ini adalah modul Arduino Uno untuk setiap node serta gateway karena penulis menganggap lebih mudah digunakan karena serta pinnya yang cukup banyak untuk menampung colok-colokan kabel untuk sensor dan koneksi lainnya serta mudah didapatkan dan ditambahkan komponen ESP8266 untuk bisa mengakses ke jaringan internet. Sistem jaringan yang digunakan perangkat menggunakan komunikasi LoRa agar bisa dipantau secara remote. Node akan mengambil data dari sensor suhu, kelembaban (humidity), dan smoke detector lalu mentransmisikan nya ke gateway menggunakan protokol LoRa. Gateway akan meneruskan informasi ke web https://thingspeak.com menggunakan HTTP agar bisa disimpan didalam server serta bisa diakses oleh pengguna dengan tampilan dashboard. Kemudian mengekspor data dari web ThingSpeak untuk diolah oleh machine learning dan terlihat grafik perbedaan antara normal data dan anomali data menggunakan algoritma Isolation Forest. Berdasarkan eksperimen, sistem ini dinilai akan berhasil untuk lolos pengujian dan dapat diimplementasikan dengan baik pada lingkungan laboratorium untuk monitoring sesuatu kejadian agar terhindar dari hal-hal yang tidak diharapkan, di sini nanti dimasukkan hasil kuantitas dari hasil eksperimen. ......In a laboratory environment, it is extremely dangerous for an unanticipated disaster or accident to happen, especially in labs that require the proper heat or temperature, like chemistry and physics labs. In the chemistry lab when heating liquids in test tubes or the like, overheating can be extremely fatal. We thus require a mechanism that can stop this from happening. Monitoring in the lab will be greatly aided by the adoption of an Internet of Things (IoT) based system since the system can monitor continuously and in real-time. This smart monitoring system's IoT system is based on Long Rang (LoRa), which is ideal for carrying out monitoring tasks since it needs less power and can be located relatively far away. The Arduino Uno module is used as each node and gateway in this system because the author believes it to be simpler to operate due to the numerous pins that can accommodate cable plugs for sensors and other connections as well as the ease of obtaining and adding the ESP8266 component to enable network access. Internet. The device's network infrastructure makes use of LoRa connectivity to enable remote monitoring. The node will use the LoRa protocol to transfer data to the gateway from the temperature, humidity, and smoke detector sensors. For data to be saved on the server and accessible by users with a dashboard view, the gateway will forward information to the https://thingspeak.com site utilizing HTTP. Then, export data from the ThingSpeak site for machine learning to analyze and use the Isolation Forest technique to graph the distinction between regular data and data abnormalities. Based on the design, this system is thought to have passed the test successfully and can be correctly deployed in a lab environment for monitoring an event to avoid unanticipated outcomes. Based on the experiment, this system is considered to be successful in passing the test and can be implemented properly in a laboratory environment for monitoring an event to avoid unexpected things, here later the quantity results from the experimental results will be included.

Abstrak :
Kasus penyebaran virus COVID-19 sudah menjadi seperti suatu fenomena alam yang sulit dihindarkan oleh setiap manusia di seluruh penjuru dunia. Penyebaran virus COVID-19 ini sering terjadi di tempat yang ramai aktivitas seperti ruang publik. Oleh karena itu, dibutuhkannya suatu sistem pendeteksi suhu tubuh manusia yang terhubung dengan server Internet of Things (IoT) dan dapat mengindikasikan kalau pihak yang diukur mengalami gejala COVID atau tidak. Gejala COVID yang diukur adalah suhu tubuh diatas 37,5 ℃. Perangkat ini akan diimplementasikan di tempat UMKM. Jenis perangkat yang digunakan untuk mengukur suhu tubuh adalah sensor non-contact infrared. Sistem jaringan yang digunakan adalah jaringan LoRa. Data dari end-device akan ditransmisikan ke gateway rakitan menggunakan LoRa, dan akan diunggah ke IoT Server menggunakan protokol TCP/IP. Parameter pengujian dari perangkat ini adalah uji sistem dan uji QoS. Pada pengujian sistem, pengujian error pada pengukuran suhu tubuh di end-device menghasilkan nilai sebesar 1,65 %. Selain itu, nilai Packet Error Rate (PER) pada transmisi data device-to-gateway mencapai 25% Kemudian, pada pengujian QoS dari LoRa, terdapat beberapa parameter yang diuji pada kondisi NLOS dan LOS seperti Packet Delivery Ratio (PDR), RSSI, SNR, delay, dan path loss. Pada kondisi LOS, parameter diuji pada 5 jarak yang berbeda dengan rentang jarak 100 m, 200 m, 300 m, 400 m, dan 500 m. Nilai PDR yang diperoleh berada pada interval 80% sampai 95%. Selanjutnya parameter pada kondisi NLOS hanya diuji pada interval 100 m sampai dengan 450 m. Pada uji PDR, nilai PDR yang diperoleh adalah dari interval 77,5% sampai 87,5%. Oleh karena itu, hasil perancangan arsitektur ini menunjukkan bahwa model tersebut dapat diterapkan di area UMKM untuk pendataan suhu tubuh pelanggan. ......The COVID-19 virus has become a natural phenomenon that is difficult to avoid by every human being in all corners of the world. The spread of the COVID-19 virus often occurs in places full of activity, such as public spaces. Therefore, a human body temperature detection system connected to an Internet of Things (IoT) server is needed to indicate whether a person is experiencing symptoms of COVID or not. The measured COVID symptom is a body temperature above 37.5 ℃. This device will be implemented in the Micro, Small, and Medium Enterprises (MSMEs) area. The type of device used to measure body temperature is a non-contact infrared sensor. The network system used is the LoRa network. The end device data will be transmitted to the assembled gateway using LoRa and uploaded to the IoT Server using TCP/IP protocol. The test parameters of this device are system testing and QoS testing. In the system testing simulation, the percentage error for body temperature measurements at the end device resulted in a value of 1.65%. Moreover, the Packet Error Rate (PER) of the device-to-gateway communication is at 25%. In the LoRa QoS test, several parameters are tested under NLOS and LOS propagation conditions, such as Packet Delivery Ratio (PDR), RSSI, SNR, delay, and path loss. In the LOS conditions, the parameters were tested at five different distances with a range of 100 m, 200 m, 300 m, 400 m, and 500 m. The PDR value is at intervals of 80% to 95%. Furthermore, the parameters in the NLOS condition were only tested at an interval of 100 m to 450 m. In the PDR test, the value gains at intervals 77,5% to 87,5 %. Therefore, this architecture design result indicates that the model is possible to implement in the MSMEs area for collect customer's body temperature.