Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknik ITS
Yuniarno, Eko Mulyanto
Departemen Teknik Komputer Institut Teknologi Sepuluh Nopember Surabaya
Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Perhitungan Operasi Matematika Sederhana pada Jetson Nano untuk Aplikasi Smart Whiteboard Aminullah Nizaruddin, Achmad Pahlevy; Yuniarno, Eko Mulyanto; Fandiantoro, Dion Hayu
Jurnal Teknik ITS Vol 12, No 2 (2023)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v12i2.115211

Abstract

Dalam era modern revolusi industri 4.0 saat ini, hampir seluruh kegiatan manusia terkait dengan pemanfaatan teknologi informasi sebagai kebutuhan dalam berbagai kegiatan dan layanan. Salah satu contohnya dalam dunia pendidikan. Media pembelajaran interaktif sebagai salah satu media pembelajaran di dunia pendidikan yang menggunakan teknologi informasi dan komunikasi sehingga mempermudah seorang pendidik dalam menyampaikan materi atau informasi kepada siswa. Salah satu bentuk menggunakan teknologi sebagai media pembelajaran adalah Smart Whiteboard. Dalam pembuatan Smart Whiteboard membutuhkan suatu sistem yang dapat mendeteksi dan mengklasifikasi apa yang ditulis pada papan tulis salah satunya adalah menghitung suatu operasi matematika. Untuk dapat mendeteksi dan mengklasifikasi objek digunakan metode yaitu deep learning. YOLO (You Only Look Once) adalah salah satu jenis metode dalam deep learning yang dikembangkan dengan algoritma untuk mendeteksi objek dalam waktu nyata berdasarkan CNN (Convolutional Neural Network). Penelitian ini bertujuan untuk melakukan implementasi sistem yang dapat mendeteksi angka dan operator aritmatika dan menghitung operasi aritmatika pada tulisan pada papan tulis Jetson Nano. Adapun untuk sistem tersebut, jenis YOLO yang digunakan adalah YOLOv4-tiny dengan menggunakan framework Darknet. YOLO dipilih karena akurasi dan kecepatannya. Sistem deteksi bekerja dengan cara mendeteksi huruf, angka, dan operator aritmatika yang ditulis tangan, dan jika suatu operasi matematika terbentuk, hasilnya akan dihitung. Hasil dari penelitian ini adalah suatu sistem yang dapat mendeteksi operasi matematika menggunakan gambar, video yang direkam, atau video dalam waktu nyata.
Prediksi Penyebaran Kasus Demam Berdarah Berdasarkan Tingkat Keparahan di Provinsi DKI Jakarta Menggunakan Metode Deep Learning Kusumastuti, Evelyna Anggita; Yuniarno, Eko Mulyanto
Jurnal Teknik ITS Vol 12, No 3 (2023)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v12i3.108355

Abstract

Demam berdarah Dengue atau DBD merupakan penyakit yang berasal dari infeksi salah satu dari empat virus Dengue, penularan terjadi melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Nyamuk ini sering ditemukan di daerah tropis dan subtropis. Indonesia, sebagai negara kesatuan yang terletak di Asia Tenggara merupakan negara yang beriklim tropis dimana penyakit DBD sudah menjadi penyakit endemik disetiap daerah, terutama pada daerah yang padat penduduk seperti di Jakarta menjadi habitat oleh berbagai jenis nyamuk Aedes. Untuk menekan terjadinya lonjakan kasus DBD maka diperlukan penanganan yang tepat baik dari masyarakat maupun pemerintah Provinsi DKI Jakarta. Oleh karena itu, tidak dapat dipungkiri pemanfaatan kemajuan teknologi juga dilibatkan seperti memprediksi daerah rawan lonjakan kasus DBD di Provinsi DKI Jakarta dengan menggunakan model Deep Learning ANN. Tujuan dari penggunaan metode ini adalah dapat menghasilkan prediksi yang lebih akurat terhadap daerah rawan peningkatan kasus demam berdarah Dengue guna mendapatkan tindakan preventif yang lebih. Hal ini dapat dilihat dari akurasi hasil prediksi probabilitas Stasiun Meteorologi Kemayoran sebesar 95,24; Stasiun Meteorologi Halim Perdana Kusuma sebesar 84,32; Stasiun Maritim Meteorologi Tanjung Priok sebesar 82,61.
Co-Authors Aminullah Nizaruddin, Achmad Pahlevy Fandiantoro, Dion Hayu Kusumastuti, Evelyna Anggita