Implementasi Keamanan Rumah Cerdas Menggunakan Internet of Things dan Biometric Sistem

Pintu adalah salah satu fitur pertahanan pertama untuk menjaga keamanan fisik rumah. Dalam sebuah rumah, pintu memiliki peranan penting dalam masalah keamanan. Terkadang kelalaian penghuni rumah dalam menjaga keamanan rumah membuat keamanan pintu rumah menjadi tidak terkontrol seperti, lupa mengunci pintu saat keluar rumah, kehilangan kunci rumah, dan mungkin lupa apakah sudah mengunci pintu atau belum. Kelemahan keamanan lainnya adalah mudahnya pencuri membobol pintu rumah yang masih menggunakan kunci manual. Dari masalah-masalah tersebut dalam penelitian ini mengusulkan sebuat sistem keamanan pintu rumah menggunakan sistem kontrol biometric dan sistem kontrol manual berbasis Internet of Things untuk mengendalikan pintu dan meningkatkan keamanan rumah. Dalam penelitian ini menerapkan dua mekanisme pengontrolan pintu rumah yaitu dengan memanfaatkan sensor sidik jari sebagai sistem kontrol biometric, dan sistem kontrol manual berbasis Internet of Things untuk langkah alternatif, apabila terdapat masalah dengan kondisi fisik jari penghuni rumah. Metode implementasi perancangan sistem menggunakan mikrokontroler NodeMCU ESP8266 dengan bahasa pemrograman Arduino dan aplikasi mobile blynk berbasis android. Hasil evaluasi menunjukan bahwa adanya integrasi yang baik antara kontrol menggunakan sensor sidik jari dan kontrol manual berbasis Internet of Things dimana kedua kontrol melakukan respon membuka dan mengunci pintu rumah selama 5 detik sehingga tidak ada celah kelalaian yang dapat berdampak buruk bagi keamanan rumah.

Pengelompokan Penerima Bantuan Sosial Masyarakat dengan Metode K-Means

Pada umumnya bantuan yang di berikan oleh pemerintah kepada masyarakat terkadang tidak tepat sasaran, karena sebagian masyarakat yang mampu secara ekonomi mendapatkan bantuan sedangkan masih banyak masyarakat yang tidak mampu justru tidak menerima bantuan dari pemerintah. Tujuan dari penelitian ini adalah mengelompokan penerima bantuan sosial yang layak menerima bantuan dan kurang layak menerima bantuan. Solusi yang di berikan dengan menggunakan tahapan penelitian yaitu pengumpulan data, data preprossesing, implementasi metode klasifikasi dan analisa hasil untuk mengetahui hasil akhir. Analisis yang di gunakan adalah data penerima bantuan sosial yang belum di kelompokan dan berdasarkan hasil dalam pengelompokan penerima bantuan sosial menggunakan metode K–means, dari 257 data terdapat 196 data yang termasuk cluster 1 dengan status penerima bantuan sosial tepat sasaran dan 61 data yang termasuk cluster 2 dengan status penerima bantuan sosial tidak tepat sasaran. Dari hasil analisis data dapat ditarik sebuah kesimpulan yaitu masyarakat yang menerima bantuan sudah tepat sasaran karena mayoritas penerima bantuan diterima oleh masyarakat yang benar-benar membutuhkan bantuan dari pemerintah, dimana penerima bantuan bekerja sebagai buruh, tidak memiliki aset dan memiliki penghasilan di bawah Rp 500.000.

Pengaruh Cahaya dan Kualitas Citra dalam Klasifikasi Kematangan Pisang Cavendish Berdasarkan Ciri Warna Menggunakan Artificial Neural Network

Buah pisang merupakan komoditas yang memberikan kontribusi besar terhadap angka produksi buah nasional maupun internasional. Pemerintah melalui Badan Standarisasi Nasional menetapkan standar untuk buah pisang, menjaga mutu buah pisang. Tujuan dari penelitian ini adalah menganalisa pengaruh cahaya dan kualitas citra dalam mengklasifikasikan tingkat kematangan buah pisang berdasarkan ciri warna buah pisang di Kebun Pisang Cavendish kabupaten banyumas jawa tengah sesuai dengan SNI 7422:2009[1]. Pisang yang terdapat di Kebun Pisang Cavendish ini beraneka ragam kualitas, sebagai buah lokal yang memiliki nilai ekonomi tinggi dan memiliki potensi pasar yang masih terbuka luas, pisang menjadi salah satu komoditas buah-buahan yang dapat diandalkan. Permasalahan yang sering ditemukan selain resource dan ketelitian yakni kurang tepatnya dan kurang pengetahuannya karyawan dalam membedakan tingkat kematangan pisang terutama karyawan baru. Artificial Neural Network digunakan sebagai metode dalam proses pengklasifikasian. Dataset pada penelitian ini adalah 80 citra buah pisang yang diambil per tandan terdiri dari 40 tandan citra pisang Cavendish yang diambil di pagi hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20, 40 tandan citra pisang Cavendish yang diambil di sore hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20. Tingkat kematangan pisang pada penelitian ini yaitu mentah dan matang. pengujian menghasilkan Akurasi tertinggi dalam proses klasifikasi kategori buah pisang cavendish menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 dengan jumlah akurasi sebesar 100% dengan model trainlm dan waktu 1.6 detik.

Model Jaringan Syaraf Tiruan untuk Variabel tidak Pasti pada Kontrol Putaran Kincir Angin

Pemanfaatan sumber energi angin memberikan keuntungan dalam hal ramah lingkungan, menjadi sumber energi yang bisa diandalkan. Pemanfaatan kincir angin di dalam penggunaannya dibutuhkan kontrol agar penggunaannya dapat efisien. untuk putaran kincir angin. Dalam penelitian ini diimplementasikan pada model Jaringan Saraf Tiruan untuk Variabel Tidak Pasti yang diharapkan dapat memberikan solusi dalam menyelesaikan permasalahan terkait kincir angin. Pemanfatan kincir angain ini sebagai solusi dari pemanfaatan energi baru terbarukan, dari dampak emisi gas berbahaya dari sumber bahan bakar fosil. Serta Penggunaan minyak bumi, batu bara dan sumber energi fosil lainnya yang semakin lama semakin berkurang. Selanjuitnya model Jaringan Saraf Tiruan untuk Variabel Tidak Pasti ini menggunakan teknik probabilitas, derajat keanggotaan, fungsi logika OR, linear programing dan jarak euclidean untuk mengurangi proses pembelajaran. Pada penelitian terkait kontrol kincir angin ini menggunakan variabel tekanan udara, penyinaran matahari dan suhu untuk menentukan apakah kincir angin bergerak atau tidak. Akhirnya penelitian ini dengan model Jaringan Saraf Tiruan untuk Variabel Tidak Pasti ini diharapkan kedepan dapat menghasilkan sistem kontrol putaran kincir angin cerdas yang dapat digunakan untuk memprediksi terkait kontrol putaran kincir angin dengan data input yang bebeda.

Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen danPemeritah

Pemerintah Pekanbaru saat ini sudah menerapkan teknologi dalam sistem pemerintahan, penerapannya saat ini masih mendapat keluhan dari masyarakat seperti layanan publik command center yang hanya sebagian masyarakat mengetahuinya dan penerapan cctv yang ada di Alat Pemberi Isyarat Lalu Lintas (APILL) yang belum berfungsi dengan baik. Penerapan teknologi lainnya oleh Pemerintah Pekanbaru dapat kita lihat dari keberadaan portal-portal web situs resmi Pemerintah. Sedangkan untuk melihat beragam komentar netizen dari twitter. Twitter menjadi tempat untuk mendapatkan data yang diungkapkan masyarakat melalui tweets yang diposting ke timeline. Analisa sentimen dilakukan untuk melihat pendapat atau kecenderungan opini netizen terhadap pemerintah Pekanbaru yang mengandung sentimen positif, negatif, dan netral. Data yang digunakan adalah tweet dengan jumlah dataset sebanyak 150 tweets. Data tersebut kemudian di analisa agar menjadi informasi. Analisa dilakukan menggunakan metode data mining yaitu Naïve Bayes Classifier, K-Nearest Neighbor (KNN), dan Decision tree. Penggunaan ketiga pendekatan ini berupaya untuk mengkategorikan hasil komentar netizen terkait penggunaan teknologi yang telah melalui proses analisis sentimen dan membandingkan keakuratan ketiga cara tersebut. Hasil akurasi yang didapatkan cukup beragam yaitu dari metode Naïve Bayes akurasi 100%, metode KKN akurasi 98,25%, dan metode decision tree akurasi 62,28%.

Ekstraksi Informasi Destinasi Wisata Populer Jawa Timur Menggunakan Depth-First Crawling

Travel Destinations are an inseparable part of human life today. As one of the provinces with a large area, East Java is one of the most visited areas for its tourism. Many people are competing in finding information related to these tourist destinations on the internet, one of which is the Tripadvisor application. Of the many tourist attractions, several tourist attractions have different attractions and experiences each time. Tourists have widely used the Tripadvisor application in determining the location where they will visit on their vacation activities. With various features ranging from reviews and recommendations for sharing photos, TripAdvisor is one of the best applications in the inventory of tourist attractions. Of the many tourist destinations, it is necessary to analyze and evaluate both tourist attractions that have many visitors with tourist attractions that are rarely visited by both local and foreign visitors. This goal, information mining (web mining), was carried out on the TripAdvisor application to obtain information on East Java Province's popular destinations. Crawling results on the TripAdvisor website, obtained various kinds of information such as names of tourist attractions, locations, visitor reviews, photos, and ratings of these tourist attractions. Spatial Analysis, a Tourist Sentiment Analyst on tourist objects, can then be carried out. It can also be developed into the recommendation system for the best tourist attractions in East Java Province

Rancang Bangun Aplikasi Smart Touring Berbasis Android

Perkembangan teknologi saat ini begitu cepat. Teknologi membuat perubahan pada peradaban manusia. Telah banyak kegiatan manusia yang didukung oleh kemajuan teknologi. Tak terkecuali kegiatan touring yang dilakukan bersama-sama. Touring adalah kegiatan berkendara dari suatu tempat ke tempat lain secara bersama-sama. Saat ini komunitas touring terus meningkat, namun masih memiliki beberapa permasalahan saat melakukan aktifitasnya. Saat ini salah satu permasalahan yang ada pada aktifitas touring adalah pengendara satu dengan yang lainnya tidak bisa mengetahui lokasi semua teman touring mereka. Oleh karena itu sangat dimungkinkan ada anggota touring mereka yang tertinggal jauh atau salah jalur. Dengan teknologi smartphone yang sangat pesat, dimungkinkan dibangun sebuah sistem yang dapat mendukung kegiatan touring tersebut. Pada penelitian ini telah berhasil dibangun sistem yang dapat mendukung kelancaran aktifitas touring. Fokus penelitian ini adalah membangun sistem touring yang dapat mendeteksi keberadaan semua member touring ketika sedang melakukan kegiatan touring. Sistem yang dibangun adalah berbasis contextual awareness, yaitu sistem yang mampu memberikan informasi kepada pengguna dengan data yang didapat dari lingkungannya. Dalam hal ini adalah memberikan informasi ketika ada member touring yang berjauhan dengan member touring lainnya.

Neural Network dan Particle Swam Optimization untuk Penunjang Keputusan Antipasi Mahasiswa Pra Lulus Bekerja Sesuai Bidang

Lulusan di Perguruan Tinggi yang bekerja sesuai bidang belum ideal dalam tiga tahun terakhir, salah satunya di Politeknik Harapan Bersama. Hal ini masih menunjukkan keselarasan horizontal. Sehingga pertanyaaan nya adalah kenapa hal tersebut terjadi dan disebabkan oleh apa saja yang dapat menentukan kualitas lulusan yang bekerja tidak sesuai bidang. Untuk itu, dibuat sebuah model yang dapat digunakan untuk dapat melihat pola lulusan, agar lulusan bisa bekerja sesuai bidang keilmuan. Model tersebut menggunakan kombinasi antara Algorithma Neural Network dengan PSO. Diperoleh perbandingan akurasi model kombinasi antara Neural Network dengan PSO sebesar 71.51% untuk PSO, sedangkan dengan menggunakan metode Neural Network sebesar 64.32%.

Convolutional Neural Network With Batch Normalization for Classification of Emotional Expressions Based on Facial Images

Emotion recognition through facial images is one of the most challenging topics in human psychological interactions with machines. Along with advances in robotics, computer graphics, and computer vision, research on facial expression recognition is an important part of intelligent systems technology for interactive human interfaces where each person may have different emotional expressions, making it difficult to classify facial expressions and requires training data. large, so the deep learning approach is an alternative solution., The purpose of this study is to propose a different Convolutional Neural Network (CNN) model architecture with batch normalization consisting of three layers of multiple convolution layers with a simpler architectural model for the recognition of emotional expressions based on human facial images in the FER2013 dataset from Kaggle. The experimental results show that the training accuracy level reaches 98%, but there is still overfitting where the validation accuracy level is still 62%. The proposed model has better performance than the model without using batch normalization.

Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia

Rempah-rempah merupakan salah satu kekayaan alam yang dimiliki oleh Indonesia. Rempah-rempah sendiri memiliki banyak manfaat untuk Kesehatan ataupun hal-hal lain. Dari banyaknya rempah yang berada di Indonesia, ternyata masyarakat Indonesia sendiri masih memiliki pengetahuan yang rendah akan rempah-rembah tersebut. Hal ini menyebabkan banyak orang bahkan petani mengalami kesusahan dalam mengenali jenis rempah terutama remaja. Membedakan rempah satu dengan yang lain merupakan tantangan yang banyak dihadapi oleh masyarakat. Oleh sebab itu, penelitian ini membuat sebuah model klasifikasi dengan menggunakan convolution neural network dengan arsitektur VGG 16 yang dimodifikasi. Arsitektur modifikasi VGG 16 memiliki 10-layer yang terdiri dari 7-layer convolution dan 3-layer fully connected. Untuk fase latih model modifikasi VGG 16 ini menggunakan dataset rempah yang disediakan oleh Kaggle. Validasi model yang digunakan adalah akurasi, loss, precision, dan recall untuk membandingkan model mana yang memiliki nilai yang terbaik. Untuk model modifikasi VGG 16 yang dibuat untuk melakukan klasifikasi, mendapatkan hasil evaluasi rata-rata akurasi sebesar 81%, nilai recall sebesar 76%, dan nilai precision sebesar 81% untuk fase training dan untuk fase validasi, akurasi sebesar 85%, nilai recall sebesar 80%, dan nilai precision sebesar 84%. Jadi dengan model modifikasi VGG 16 dapat disimpulkan bahwa model mampu memprediksi rempah-rempah lebih baik dari model Alexnet.