Hasil Pencarian  ::  Simpan CSV :: Kembali

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

"ABSTRAKSkripsi ini berisi perancangan, pembuatan, dan analisis sistem pemantau lalulintas dengan teknologi computer vision menggunakan OpenCV. Sistemmemberitahukan kondisi kemacetan jalan yang dipantau dalam empat level(lengang, ramai lancar, padat merayap, dan macet). Penelitian dilakukanmenggunakan OpenCV sebagai library pemograman bahasa C++ denganalgoritma Canny dan Blob Detection untuk mendeteksi kendaraan menggunakankamera pemantau pada posisi vertikal dari samping. Berdasarkan pengujianmetode Blob Detection lebih unggul pada kondisi jalan lengang, namun ketikakondisi semakin ramai algoritma Canny lebih unggul. Sistem mendeteksikendaraan yang lewat dengan rata-rata kecepatan pendeteksian 9.8 ms per framedengan input video berukuran 320 x 240 pixel.

---

ABSTRACTThis thesis describes the design, making, and analysis of traffic monitoring systemby using computer vision technology with OpenCV. These systems notify the userabout the state of the monitored road congestion in four levels (quiet, crowded,dense crowded, and congested). The research was conducted using the OpenCVlibrary programming language C++ with the Canny algorithm and Blob Detectionto detect the vehicle using camera on the position of vertical side. Based from thetest results, the Blob Detection method is superior in the deserted road conditions,but when conditions are more crowded the Canny algorithm is superior. Thesystem can detect vehicle with average speed of 9.8 ms per frame with video inputsize 320 x 240 pixels."

"ABSTRAKJejaring Sosial merupakan salah satu gaya hidup yang diminati saat ini. Perkembangan jejaring sosial ini dimulai sejak adanya teknologi Web 2.0, yang memungkinkan para pengembang Web mengembangkan situs yang tidak hanya sekedar memiliki konten, tetapi juga interaksi langsung dengan pengguna Web. Sampai saat ini sudah semakin banyak aplikasi dan layanan yang menyuguhkan tema jejaring sosial. Setiap layanan yang ada tersebut saat ini juga dapat saling berhubungan satu sama lain. Sistem ini dirancang untuk memberikan sebuah layanan yang menampung identitas pengenal utama seseorang yang memiliki berbagai akun jejaring sosial, berupa identitas wajah. Perancangan modul pengenal wajah ini diimplementasikan di layanan komputasi awan Google App Engine berbasis Python dan memanfaatkan API Face.com sebagai pengolah data citra. Selain itu sistem ini memanfaatkan smartphone berbasis Android sebagai divais interaksi dengan pengguna, dan juga menerapkan Augmented Reality sebagai penampil informasi kepada user. Hasil pengujian sistem ini bahwa modul ini dapat mengenali wajah dengan persentasi rata-rata kesuksesan sebesar 85%. Dengan kondisi pencahayaan gelap didapatkan persentase rata-rata kesuksesan 8%, dengan kondisi sedang 86%, dan kondisi terang 100%. Posisi sudut pandang maksimal untuk bisa melakukan pengenalan wajah adalah 60° dari posisi wajah tampak depan.

---

ABSTRACTSocial Networking has become today's lifestyle. Development of social networking started since the deployment of web 2.0 technology. It enables web developers to develop sites that do not only have a content, but also direct interaction with the users. Until now, there are so many applications and services which serve based on social network. The social networking applications also provides features for mutual interconnection between different social network applications. This system is designed to store a person's main identification which has various social networking accounts, in the form of face ID. We design a face recognition modules which will be implemented in the Python-based Google App Engine cloud computing services. We utilized the Face.com API as an image data processor. In addition this systems utilized Android-based Smartphone as an interaction devices with user. We applied the Augmented Reality as an information viewer to the users. The result of the implementation of this system shows that the module is able to recognize face samples with the average percentage of 85%. In the dark room condition, the average percentage is 8%, 86% on average condition, and bright condition is 100%. This module is able to recognize face samples from 0° (complete face) up to the maximum angle of 60°."

"Identitas diri seseorang dalam jejaring sosial menjadi hal penting terutama ketika ingin mengenali siapa sebenarnya orang tersebut. Pencarian identitas diri dapat dengan mudah dilakukan melalui pencarian dalam situs search engine ataupun situs jejaring sosial yang ada pada komputer atau laptop. Metode ini sepertinya bukan merupakan hal yang efektif dan praktis seiring berkembangnya perangkat mobile dalam masyarakat seperti smartphone dan tablet. Untuk itu, dirancang sebuah sistem pengenalan wajah pada perangkat mobile. Sistem ini dirancang dalam bentuk aplikasi yang dikembangkan pada perangkat mobile Android. Penggunaan Android Face Detector API akan bertindak sebagai pustaka dalam proses deteksi wajah pada perangkat mobile sebelum melakukan proses offloading ke layanan komputasi awan. Hasil implementasi berupa modul deteksi wajah pada perangkat mobile dan modul pengenalan wajah (offloading) yang memanfaatkan layanan komputasi awan dengan bantuan komunikasi Representational State Transfer (REST). Hasil pengujian sistem pada perangkat mobile menunjukkan bahwa total waktu pengenalan wajah sebesar 7,45 detik dengan waktu deteksi wajah (onloading) 0,45 detik dan waktu proses offloading 7 detik.

---

The identity of a person in social networking becomes very important especially when we want to identify a person. Search for detailed-identity can be easily conducted through searching using the search engine sites or existing social networking website using computer or laptop. This method is not effective and practical when we consider the development of mobile device technology in the community such as smartphone and tablet. Therefore, designed a face recognition system on mobile devices. The system is designed in the form of an application developed on Android mobile devices.

The use of Android Face Detector API will act as libraries in the process of face detection before performing the offloading stage. This paper describes the implementation of the facial detection module on mobile device and face recognition module (offloading) using cloud computing service with REST communication. The result of testing on mobile device indicates that total computation time for face recognition system reached 7,45 seconds with the onloading process 0,45 seconds and the offloading process 7 seconds."

"Sejak kehadiran jejaring sosial belakangan ini setiap orang dapat dengan mudah memperoleh informasi siapapun. Bahkan persaingan industri IT semakin marak dengan dikembangkannya aplikasi dan layanan yang terhubung dengan jejaring sosial. Oleh karena itu, muncul sebuah ide untuk mengembangkan sistem pengenalan wajah sebagai identitas penghubung jejaring sosial. Selain menggunakan wajah sebagai identitas utama dalam perancangan sistem, wajah juga digunakan sebagai marker untuk menampilkan informasi hasil pengenalan wajah berbasis Augmented Reality. Sistem utuh ini terdiri dari pengenalan wajah pada perangkat mobile Android, pengenalan wajah pada layanan komputasi awan dan tambahan informasi hasil pengenalan wajah berupa Augmented Reality. Modul pengenalan wajah ditanamkan pada layanan Cloud Computing Google App Engine berbasis Python dengan memanfaatkan Face.com API sebagai pengolahan citra wajah. Hasil informasi dari layanan tersebut dikembalikan dalam format JSON. Response JSON itu dimanfaatkan sebagai tambahan informasi yang akan ditampilkan dengan konsep Augmented Reality. Kehadiran Augmented Reality pada sistem ini bertujuan untuk memberikan interaksi yang ramah dengan pengguna. Berdasarkan hasil pengujian, Augmented Reality bekerja dengan cepat ketika menjadikan wajah sebagai marker untuk menampilkan informasi hasil pengenalan wajah, dengan respon rata-rata sebesar 1025.42 ms untuk mendapat informasi lengkap dan 697.7 ms untuk mendapat sedikit informasi dari orang yang dikenal.

---

Recently, since the presence of social networking, anyone can easily receive information of anyone, anytime and anywhere. The competition for IT industry increased with the development of connected applications and services with social networking. Therefore, we proposed a face recognition system as a connector to social networking application. In addition to using face as a primary identity in the system design, face is also used as a marker to display information of the result of the face recognition-based on Augmented Reality. This complete system consists of face recognition on Android mobile devices. Face recognition on cloud computing services and additional information on the results of face recognition in the form of Augmented Reality.

Face recognition module is embedded in the Cloud Computing using Google App Engine services based on Python, and also using Face.com API for facial image processing. The results of the service information is returned in JSON format. Given JSON response used as additional information to be displayed with the concept of Augmented Reality. The presence of Augmented Reality in this system aims to provide a friendly interaction with the user. Based on the results of test, Augmented Reality works quickly when used faces as a marker, with the average response time of 1025.42 ms to get complete information and 697.7 ms to get a little information from people who are known."

"Hemoglobin adalah komponen darah yang penting untuk mengikat oksigen di paru paru dan mendistribusikannya ke seluruh tubuh. Metode invasif tidak memungkinkan pengukuran real-time dalam situasi darurat. Pengembangan metode noninvasif untuk pemeriksaan hemoglobin menghadapi tantangan dalam hal akurasi, ketepatan, dan keringkasan alat. Pada penelitian menggunakan sensor MAX30102 sebagai pembaca gelombang merah dan inframerah, OLED sebagai alat yang menampilkan hasil prediksi, dan Nvidia Jetson Nano sebagai processor. Alat juga dilengkapi dengan pembacaan detak jantung, SpO2, dan dua tombol untuk mengulang pembacaan dan mematikan alat. Pelatihan model dilakukan menggunakan dataset yang diperoleh dari riset sebelumnya, "Pengembangan Instrumentasi Pengukur Konsentrasi Hemoglobin Non-Invasif Berbasis Photoplethysmography dan Machine Learning" oleh Ester Vinia (2023). Setelah melakukan pelatihan pada lima jenis model (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, dan Random Forest), didapatkan model dengan metode Dense Neural Network memiliki akurasi R2 sebesar 96%, loss MAE sebesar 0,2 dan MSE sebesar 0,11, metode Decision Tree memiliki akurasi R2 sebesar 90%, loss MAE sebesar 0,27 dan MSE sebesar 0,3, metode Support Vector memiliki akurasi R2 sebesar 17%, loss MAE sebesar 1,2 dan MSE sebesar 2,61, metode Gradient Boosting memiliki akurasi R2 sebesar 89%, loss MAE sebesar 0,43 dan MSE sebesar 0,3, dan metode Random Forest memiliki akurasi R2 sebesar 99%, loss MAE sebesar 0,05 dan MSE sebesar 0,02. Prototipe alat kemudian dibuat menggunakan pembelajaran mesin bermodel Random Forest Regressor. Model kemudian ditanam di Nvidia Jetson Nano sehingga alat dapat dioperasikan dengan efisien dan cepat. Pada pengujian alat, didapatkan nilai akurasi sebesar 93,27%.

---

Hemoglobin is a vital blood component responsible for binding oxygen in the lungs and distributing it throughout the body. Invasive methods do not allow real-time measurement in emergency situations. Developing noninvasive methods for hemoglobin examination faces challenges in accuracy, precision, and device compactness. In this research, a MAX30102 sensor was used for reading red and infrared waves, an OLED for displaying prediction results, and an Nvidia Jetson Nano as the processor. The device also includes heart rate and SpO2 readings, and two buttons for repeating readings and turning off the device. The model was trained using a dataset obtained from previous research, "Development of Non Invasive Hemoglobin Concentration Measurement Instrumentation Based on Photoplethysmography and Machine Learning" by Ester Vinia (2023). After training on five types of models (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, and Random Forest), the Dense Neural Network model achieved an R2 accuracy of 96%, MAE loss of 0.2, and MSE loss of 0.11; the Decision Tree method achieved an R2 accuracy of 90%, MAE loss of 0.27, and MSE loss of 0.3; the Support Vector method achieved an R2 accuracy of 17%, MAE loss of 1.2, and MSE loss of 2.61; the Gradient Boosting method achieved an R2 accuracy of 89%, MAE loss of 0.43, and MSE loss of 0.3; and the Random Forest method achieved an R2 accuracy of 99%, MAE loss of 0.05, and MSE loss of 0.02. The device prototype was then developed using the Random Forest Regressor model. The model was embedded in the Nvidia Jetson Nano, allowing the device to operate efficiently and quickly. During testing, the device achieved an accuracy of 93.27%."

"ABSTRAKSkripsi ini membahas mengenai pengukuran kecepatan kendaraan dengan melakukan pendekatan kepada program (software). Pengukuran ini dilakukan dengan video hasil rekaman. Dari video tersebut dijadikan acuan untuk mengolah data melalui beberapa proses di dalam program. Program dibuat dengan anggapan bahwa benda hanya akan bergerak menuju satu arah saja sehingga data posisi objek pada suatu frame akan dibandingkan dengan data posisi pada frame sebelumnya, sehingga program akan hanya mencatat data yang sesuai. Dengan demikian, diharapkan data yang telah diseleksi akan menghasilkan error yang lebih kecil. Program ini akan menghasilkan data nomor frame, posisi pixel dari edge dan perbedaan pixel dari frame sebelumnya. Adanya informasi yang bisa didapatkan dari sebuah data video ini bisa memberikan nilai tambah dari hanya sekedar sebuah data video. Untuk itu keakuratan hasil perhitungan kecepatan kendaraan perlu dihitung juga. Setelah mengolah data video ini dan mendapatkan hasil perbandingan hasil kecepatan secara real dan perhitungan program, tujuan ke depannya adalah untuk dikembangkan lebih lanjut lagi pada estimasi kecepatan kendaraan di dalam rekaman video lalu lintas.

---

ABSTRACTThis thesis discusses the measurement of the speed of the vehicle by approaching the program ( software ). This measurement is done with the video recordings. From the video made ​​reference to process data through several processes in the program. The program is made with the assumption that the object will only move towards one direction only so that the data object's position in a frame will be compared with data on the position of the previous frame, so that the program will only record the appropriate data. Thus, it is expected that the data has been selected to produce a smaller error. This program will generate the data frame number, the position of the edge pixel, and the pixel difference from the previous frame. The existence of information that can be obtained from a video data can provide added value than just a video data. For the accuracy of the results of the calculation speed of the vehicle needs to be calculated as well. After processing the video data and get the results of the comparison results in real speed and calculation of the program, the future goal is to be developed further to estimate the speed of the vehicle in the video recording of traffic."

"Skripsi ini bertujuan untuk mengetahui pengaruh dari kepadatan traffic wireless terhadap performa Kismet WIDS dalam mendeteksi spoofed Access Point (AP) dengan parameter kepadatan traffic di channel yang sama dan berbeda yang dihasilkan dari jumlah spoofed AP dan serangan beacon flood serta performa Kismet WIDS dengan GPS untuk mendeteksi posisi spoofed AP dengan metode warwalking. Berdasarkan hasil pengujian dan analisis, kepadatan traffic wireless di channel wifi yang sama mempengaruhi performa Kismet WIDS dalam mendeteksi spoofed AP. Sedangkan kepadatan traffic wireless di channel wifi yang berbeda tidak mempengaruhi performa Kismet WIDS dalam mendeteksi spoofed AP. Kismet dan GPS tidak dapat mendeteksi letak spoofed AP. Kismet hanya mendeteksi posisi dari sinyal pertama yang terdeteksi dan menggunakan SSID pertama yang terlihat untuk mac address tersebut. Perubahan data pada kepadatan traffic di channel yang sama dari jumlah spoofed AP dan beacon flood, jumlah alert -30,17% dan -36,72%, persentase false negative -7,93% dan -7,46%, response time 42,17% dan 53,09%. Perubahan data pada kepadatan traffic di channel yang berbeda dari jumlah spoofed AP dan beacon flood, jumlah alert - 1,38% dan -7,14%, persentase false negative 12,42% dan 9,62%, response time - 41,56% dan 40,14%.

---

This thesis aims to determine the effect of wireless traffic density on the performance of Kismet WIDS to detect spoofed Access Point (AP) with traffic density parameters on the same and different channel produced from the number spoofed AP and the beacon flood attack as well as the performance of Kismet WIDS with GPS to detect spoofed AP position with warwalking method. Based on the results of testing and analysis, wireless traffic density on the same wifi channel affects the performance of Kismet WIDS to detect spoofed AP. While the density of wireless traffic on different wifi channels does not affect the performance of Kismet WIDS to detect spoofed AP. Kismet and a GPS can not detect the location of the spoofed AP. Kismet only detect the position of the detected first signal and using the first SSID visible for that the mac address. Data changes on traffic density in the same channel from the number of spoofed AP and beacon flood attack, the number of alerts -30.17% and -36.72%, the percentage of false negative -7.93% and -7.46%, response time 42.17% and 53.09%. Data changes on traffic density in different channel from the number of spoofed AP and beacon flood attack, the number of alerts -1.38% and -7.14%, the percentage of false negative 12.42% and 9.62%, response time -41.56% and 40.14%."

"Dalam penulisan skripsi ini membahas tentang perbandingan performa protokol routing AODV, AOMDV dan AODV-UU pada mobile ad hoc network dengan menggunakan program Network Simuator 2. Dilakukan perbandingan dengan menggunakan koneksi UDP dan TCP untuk melihat performa yang dihasilkan pada setiap protokol routing. Analisa performa dilakukan dengan menggunakan variasi kecepatan pada setiap node dan topologi dengan pergerakan node yang saling menjauh dan saling mendekat. Pengukuran performa dilakukan dengan menggunakan parameter delay, paket drop, throughput, dan packet delivery ratio. Didapatkan kecepatan pergerakan antar setiap node mempengaruhi performa pada protokol routing yang digunakan. Pengaruh kecepatan memberikan efek yang signifikan terhadap koneksi UDP yang memiliki priotitas kecepatan pada saat menyampaikan paket antar setiap node. Pada AOMDV memiliki nilai throughput tertinggi dan sangat dihandalkan ketika kondisi kecepatan rendah dengan nilai delay 50% dari AODV-UU dan 25% dari AODV. Setiap protokol routing dengan perubahan kecepatan Menghasilkan PDR dengan rentang rasio 0.97% - 0.99% pada TCP dan 0.49% - 0.68% pada UDP.

---

This final project discussed the comparative performance routing protocol AODV, AOMDV, and AODV-UU in mobile ad hoc network using program Network Simulator 2. The comparison performed by using UDP and TCP connection to see the result of performance in each routing protocol. Analysis performance use variation of velocity on each node and variation topology with mobility every node get closer and get away. Performance measurement with using parameter delay, packet drop, throughput, and packet delivery ratio. The result from mobility each node influences performance in routing protocol. Effect velocity most significants in UDP connection with have speed priority to send packet in every node. AOMDV has highest throughput value than others and reliability with low velocity condition had delay value 50% from AODV-UU and 25% from AODV. Each routing protocol with change of velocity produce range ratio in PDR from 0.97%-0.99% in TCP and 0.49%-0.68% in UDP."

"ABSTRAKTeknologi jaringan telekomunikasi seluler merupakan cara paling umum untuk berkomunikasi, khususnya melalui akses internet. Teknologi seluler digital pertama yang memungkinkan akses terhadap internet yaitu pada generasi kedua (2G) bernama GPRS yang merupakan pengembangan dari GSM. Kebutuhan akan akses internet progresif meningkat. Kini, teknologi seluler generasi keempat (4G), LTE, telah komersial dan masif digunakan masyarakat. Evolusi tersebut melibatkan antara lain pemisahan struktur menjadi jaringan akses dan jaringan inti, pemisahakan jalur protokol untuk kontrol dan akses data, serta pengalamatan setiap elemen dalam jaringan berbasis pengalamatan IP.

Pembentukan jaringan telekomunikasi seluler dapat dilakukan menggunakan sebuah komputer. OpenBTS dan OpenAirInterface (OAI) merupakan alternatif membangun jaringan seluler GPRS dan LTE secara portabel dengan bantuan USRP B210 yang dapat mengimplementasikan sistem radio secara fleksibel. Aplikasi open source tersebut memungkinkan modifikasi atau kustomisasi pada source code untuk ekstensibilitas fungsi dalam evaluasi eksperimental. Bekerja berdasarkan standarisasi yang ada, termasuk OAI sepenuhnya berdasarkan Release 10 sehingga memungkinkan pembentukan berbagai komponen seperti UE, eNB, MME, HSS, SGW dan PGW pada peralatan komputasi standar berbasis Linux.

Penelitian berfokus pada studi untuk melakukan evaluasi kinerja komparatif terhadap perkembangan teknologi seluler untuk akses internet. Evaluasi meliputi throughput, delay, jitter, dan persentase packet loss dengan nilai masing-masing untuk GPRS yaitu 62,34 KBps, 1,03 s, 433,47 ms, dan 5,20% sedangkan untuk LTE yaitu 2,17 MBps, 54,44 ms, 12,48 ms, dan 3,12%. Penggunaan GPRS untuk layanan saat ini seperti akses video dan penelusuran tidak dimungkinkan. Hasil persentase kualitas LTE untuk browsing sebesar 69,96% dan streaming sebesar 83,80%.  LTE mengoptmasi QoS dibandingkan GPRS hingga 3492% untuk throughput, 1904% untuk delay, 3473% untuk jitter, dan 166% untuk packet loss.

---

ABSTRACTMobile telecommunications network technology is the most common way to communicate, especially through Internet access. The first digital cellular technology that allows access to the internet is in the second generation (2G) called GPRS, which is the development of GSM. The need for progressive internet access is increasing. Now, fourth generation cellular technology (4G), LTE, has been commercially and massively used by the public. The evolution involves, among others, the separation of structures into access networks and core networks, the separation of protocol paths for data control and access, and addressing each element in the network based on IP addressing.

The formation of cellular telecommunications networks can be done using a computer. OpenBTS and OpenAir Interface (OAI) are an alternative to building portable GPRS and LTE cellular networks with the help of USRP B210 to implement flexible radio systems. This open source application allows modification or customization of the source code for the extension of functions in experimental evaluations. Work based on existing standards, including OAI is fully based on Release 10, allowing the formation of various components such as the EU, eNB, MME, HSS, SGW and PGW on standard Linux-based computing equipment.

The research focuses on studies to conduct comparative performance evaluations of the development of cellular technology for internet access. Evaluation includes throughput, delay, jitter, and percentage of packet loss with their respective values for GPRS, which are 62.34 KBps, 1.03 s, 433.47 ms, and 5.20% while those for LTE are 2.17 MBps, 54 , 44 ms, 12.48 ms, and 3.12%. The use of GPRS for current services such as video access and search is not possible. The percentage results of LTE quality for browsing were 69.96% and streaming was 83.80%. LTE optimizes QoS compared to GPRS up to 3492% for throughput, 1904% for delay, 3473% for jitter, and 166% for packet loss.

"