Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Sistem dan Informatika

Penerapan Radio-Frequency Identification pada Absensi Portable Menggunakan Mode Online dan Offline Made Liandana; IGKG Puritan Wijaya ADH; Ahmad Mirlan
Jurnal Sistem dan Informatika (JSI) Vol 15 No 1 (2020): Jurnal Sistem dan Informatika (JSI)
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v15i1.314

Abstract

Radio-Frequency Identification banyak diimplementasikan dalam sistem absensi. Penerapan teknologi RFID untuk absensi perkuliahan yang diselenggarakan dengan banyak kelas tentu akan banyak memerlukan perangkat RFID Reader. Permasalahan seperti ini dapat disiasati dengan menggunakan perangkat absensi portable sehingga penggunaannya dapat dilakukan secara berpindah-pindah. Akan tetapi, penggunaan perangkat absensi dengan berpindah-pindah dapat menyebabkan gangguan koneksi ke server basis data karena penggunaan jaringan nirkabel. Oleh karena itu, absensi portable yang memiliki mode online dan offline dapat dijadikan salah satu solusi. Penelitian ini bertujuan untuk menghasilkan absensi portable yang dapat digunakan secara berpindah-pindah tanpa harus terkendala dengan koneksi jaringan ketika proses absensi dilakukan. Absensi portable yang dikembangkan memiliki fitur mode online dan offline, mode online diaktifkan ketika ada koneksi sedangkan mode offline berfungsi ketika koneksi ke server basis data tidak tersedia. Perangkat yang dikembangkan menggunakan modul RFID Reader MFRC522 sebagai pembaca tag RFID, platform Arduino Mega 2560 sebagai pemroses, sedangkan pencatatan data absensi disimpan sementara pada sebuah memori SD card saat mode offline, dan pencatatan data absensi akan disinkronkan ke server basis data ketika mode online aktif. Fungsi utama seperti, pembacaan ID dosen, ID mahasiswa, pencatatan kehadiran, dan sinkronisasi data ke server basis data telah berfungsi dengan baik. Proses absensi mode online memerlukan waktu rata-rata selama 2,1 detik, sedangkan untuk fitur mode offline memerlukan waktu rata-rata sebesar 0,24 detik dari 19 orang subjek untuk masing-masing mode.
Pengaruh Jumlah Fitur pada Algoritma Machine Learning dalam Memprediksi Aktivitas Jatuh Made Liandana; I Made Darma Susila
Jurnal Sistem dan Informatika (JSI) Vol 17 No 2 (2023): Jurnal Sistem dan Informatika (JSI)
Publisher : Direktorat Penelitian,Pengabdian Masyarakat dan HKI - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v17i2.589

Abstract

Mendeteksi terjadinya jatuh sangat penting dilakukan karena jatuh dapat memberikan dampak yang serius bagi kesehatan. Salah satu perangkat sensor yang dapat digunakan untuk menyediakan data aktivitas jatuh adalah sensor accelerometer. Data sensor tersebut perlu diektraksi menjadi fitur dan diklasifikasi menggunakan algoritma machine learning. Selain itu, untuk memilah dan memilih fitur, dan mengetahui kombinasi fitur yang relevan diperlukan algoritma seleksi fitur. Pada penelitian ini, jatuh dideteksi berdasarkan data sensor accelerometer tiga sumbu (x, y, dan z), data yang digunakan merupakan data publik. Data diekstraksi menggunakan fungsi statistik yang terdiri dari: minimum, maksimum, rata-rata, nilai tengah, dan standar deviasi. Terdapat 15 fitur yang akan dievaluasi oleh algoritma machine learning. Algoritma machine learning yang digunakan adalah: k-Nearest Neighbors (KNN), Decision Tree (D-Tree), Random Forest (RF), Support Vector Machine (SVM), AdaBoost, dan Gradient Boosting. Untuk mengevaluasi jumlah fitur yang paling optimal pada algoritma machine learning, seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA). Penggunaan fitur sebanyak 7, 8, 9, 10, dan 11 fitur menghasilkan performa machine learning yang paling optimal yang dicapai oleh machine learning: Decision Tree (D-Tree), Random Forest (RF), dan Gradient Boosting. Secara berturut-turut, ketiga classifier ini memiliki nilai accuracy, F-1, precision, recall, dan specificity adalah 1.000, 1.000, 1.000, 1.000, dan 1.000.
Pengenalan Aktivitas Manusia dengan Seleksi Fitur Analysis of Variance (ANOVA) dan Mutual Information (MI) pada Data Sensor Accelerometer Berbasis Machine Learning Made Liandana; I Made Darma Susila; Yohanes Priyo Atmojo
Jurnal Sistem dan Informatika (JSI) Vol 18 No 2 (2024): Jurnal Sistem dan Informatika (JSI)
Publisher : Direktorat Penelitian,Pengabdian Masyarakat dan HKI - Institut Teknologi dan Bisnis (ITB) STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/jsi.v18i2.606

Abstract

Pengenalan aktivitas manusia telah banyak dikembangkan untuk berbagai keperluan, seperti kesehatan, olahraga, hingga pengawasan lanjut usia. Penggunaan perangkat sensor menjadi salah satu pilihan dalam melakukan pengenalan aktivitas manusia. Sensor accelerometer adalah salah satu perangkat yang umum digunakan dalam pengenalan aktivitas. Data sensor ini memerlukan teknik dan algoritma yang tepat sehingga menghasilkan hasil pengenalan aktivitas yang sesuai. Penggunaan tradisional machine learning menjadi salah satu teknik yang dapat digunakan, teknik ini memerlukan proses ekstraksi fitur, dan seleksi fitur. Teknik seleksi fitur mana dan berapa jumlah fitur yang tepat untuk mendapatkan performa machine learning yang optimal perlu dilakukan investigasi lebih lanjut. Pada penelitian ini, dilakukan evaluasi terhadap kombinasi sejumlah fitur menggunakan algoritma machine learning: Extreme Gradient Boosting (XGB), Gradient Boosting (GBoost), Random Forest (RF), Decision Tree (DT), dan Support Vector Machine (SVM. Dataset publik yang digunakan yaitu FORTH-TRACE. Sensor yang digunakan adalah sensor accelerometer. Fitur yang digunakan meliputi nilai minimum, nilai maksimum, nilai rata-rata, nilai tengah, standar deviasi, dan nilai interkuartil. Sedangkan seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA) dan Mutual Information (MI). Performa machine learning yang paling optimal ketika jumlah fitur 17 sampai dengan 18 fitur dengan akurasi 0,875, sedangkan performa machine learning paling optimal dicapai dengan menggunakan Extreme Gradient Boosting (XGB).