Claim Missing Document
Check
Articles

Found 23 Documents
Search

IMPLEMENTASI COMPUTER VISION PADA MESIN FILLING CUPCAKE MENGGUNAKAN RASPBERRY PI Desnanjaya, I Gusti Made Ngurah; Hartawan, I Nyoman Buda; Supartha, I Kadek Dwi Gandika; Kombonglangi, Kaleb Charisma
JST (Jurnal Sains dan Teknologi) Vol. 11 No. 1 (2022)
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (346.904 KB) | DOI: 10.23887/jstundiksha.v11i1.39048

Abstract

Revolusi Industri 4.0 memberikan dampak besar pada dunia industri, yatu efisiensi waktu dan tenaga kerja pada tahap produksi namun penerapannya kebanyakan masih pada industri besar. Penelitian ini bertujuan untuk mengimplementasikan teknologi revolusi industri pada industri rumah tangga dalam mengatasi jumlah cup tidak menentu bergantung pada jumlah adonan cupcake yang dibuat menyulitkan mesin filling dalam posisi cup yang akan diisi. Hal ini dapat diatasi dengan mengimplementasikan computer vision untuk mendeteksi posisi cup yang ada pada loyang. Computer vision akan menjalankan fungsi pendeteksian pola HoughCircles pada pustaka OpenCV yang akan dijalankan pada Raspberry Pi. hasilnya HoughCircles dengan nilai dp=1.5, minDist=100, dan maxRadius=100 mampu mendeteksi posisi cup dengan tepat.  
PELATIHAN PEMANFAATAN GOOGLE FORM BAGI TENAGA PENDIDIK DI SMP NEGERI 2 BANGLI Dirgayusari, Ayu Manik; Kusuma, Aniek Suryanti; Putra, Desak Made Dwi Utami; Welda, Welda; Supartha, I Kadek Dwi Gandika
Jurnal Pengabdian Masyarakat Sabangka Vol 1 No 04 (2022): Jurnal Pengabdian Masyarakat Sabangka
Publisher : Pusat Studi Ekonomi, Publikasi Ilmiah dan Pengembangan SDM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62668/sabangka.v1i04.262

Abstract

Sebagai salah satu SMP negeri di Kabupaten Bangli, SMPN 2 Bangli ingin menyiapkan tenaga pendidiknya agar siap untuk pembelajaran secara daring akibat pandemi saat ini. Tenaga pendidik di SMPN 2 Bangli tidak semuanya mampu menggunakan dan mengoperasikan Google Form karena faktor usia dan karena belum terbiasa. Selain itu Google Form merupakan salah satu aplikasi yang disarankan oleh dinas terkait untuk digunakan dalam proses belajar mengajar pada pembelajaran daring saat ini. Dengan Google Form diharapkan setiap guru dapat memberikan tugas, kuisioner, ulangan harian atau pun ujian secara daring. Melalui kegiatan pengabdian masyarakat STIKI Peduli ini, SMPN 2 Bangli bekerja sama dengan STMIK STIKOM INDONESIA (STIKI) untuk melakukan pelatihan pemanfaatan Google Form untuk para tenaga pendidik. Metode pengabdian yang dilakukan adalah pemberian pelatihan dengan menggunakan metode Presentasi, metode Praktek Langsung, Tanya Jawab (Diskusi), dan pemberian Pretest dan Posttest kepada peserta pelatihan sebelum dan sesudah pelatihan dilakukan. Pelatihan ini dilaksanakan di sekolah dengan penerapan protokol kesehatan yang ketat. Kegiatan ini dilakukan selama 2 hari agar jumlah peserta dalam ruangan tidak terlalu banyak. Harapannya semua tenaga pendidik di SMPN 2 Bangli dapat ikut berpartisipasi dan mendapatkan pemahaman tentang Google Form.
Sentiment Analysis of Student Comments on Facilities and Infrastructure at Instiki Using Retrieval Augmented Generation Ni Putu Juliana Dewi; I Kadek Dwi Gandika Supartha; I Putu Yoga Indrawan; Ketut Jaya Atmaja
Indonesian Journal of Data and Science Vol. 6 No. 3 (2025): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v6i3.377

Abstract

This research was conducted to analyze the sentiment of student comments on infrastructure facilities at the Indonesian Institute of Business and Technology (INSTIKI) to overcome the problem of comment analysis that was previously done manually. The data used is in the form of student comments in 2024. The method used in this study is Retrieval Augmented Generation (RAG) with data labeling using Lexicon-Based. The test was carried out on three Large Language Models (LLMs), namely indobenchmark/indobert-base-p1, TinyLlama/TinyLlama-1.1B-Chat-v1.0, and w11wo/indonesian-roberta-base-sentiment-classifier. The test results showed that the indobenchmark/indobert-base-p1 model produced the highest accuracy of 80% in both test sessions compared to other models. The TinyLlama/TinyLlama-1.1B-Chat-v1.0 model produced 60% accuracy in session 1 and 65% in session 2, while the w11wo/indonesian-roberta-base-sentiment-classifier model produced 60% accuracy in both test sessions. The difference in the performance of these three LLMs shows that the model's understanding of Indonesian can affect the results of sentiment predictions.