Articles
<![CDATA[Rancang Bangun Sistem Pengisian Baterai Nirkabel Menggunakan Mikrokontroler Teensy ]]>
<![CDATA[Muhamad Amirul Haq]]>;
<![CDATA[Muhammad Rivai]]>;
<![CDATA[Tasripan Tasripan]]>
<![CDATA[ Jurnal Teknik ITS Vol 7, No 2 (2018) ]]>
Publisher : <![CDATA[Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (102.585 KB)
|
DOI: 10.12962/j23373539.v7i2.31323
<![CDATA[Saat ini pemanfaatan transfer daya nirkabel sudah semakin marak. Hal ini dikarenakan transfer daya nirkabel memiliki kelebihan dimana penggunaannya lebih mudah dikarenakan tidak perlu terjadi kontak secara langsung. Pada penelitian ini, telah dibuat suatu sistem transfer daya secara nirkabel yang diperuntukkan pada stasiun pengisian baterai. Sistem transfer daya yang telah terealisasi berupa prototype fungsional yang mampu mengisi daya baterai lead-acid 6 Volt dengan kapasitas 4,5 Ah. Metode transfer daya nirkabel yang digunakan adalah metode resonant inductive coupling yang dapat bekerja secara optimal pada frekuensi 91 kHz. Pembangkitan listrik AC dengan frekuensi tersebut menggunakan H-Bridge yang dikontrol dengan microcontroller Teensy. Transfer daya nirkabel dapat berfungsi secara optimal pada jarak 20 cm. Pada sistem pengisian daya terdapat kontrol pengisian daya constant current-constant voltage (CC-CV). Dengan adanya metode kontrol CC-CV, maka diharapkan sistem dapat mengisi daya lebih cepat dan menjaga keawetan baterai lebih lama jika dibandingkan dengan metode kontrol CC atau CV saja. Pada penelitian ini parameter transfer daya nirkabel antara lain jenis rangkaian kompensasi, jarak, dan duty cycle dari sumber D, telah diuji hingga didapatkan efisiensi mencapai 52 persen pada jarak sejauh 20 centimeter.]]>
<![CDATA[Automatic Self-checkout System Using SURF, Brute Force Matcher, and RFID for Payment Process Optimization at Supermarket ]]>
<![CDATA[Jeff L. Gaol]]>;
<![CDATA[Muhamad Amirul Haq]]>;
<![CDATA[Sigit Armiyanto]]>;
<![CDATA[Hendra Kusuma]]>;
<![CDATA[Tasripan Tasripan]]>
<![CDATA[ IPTEK Journal of Proceedings Series No 1 (2019): 4th International Seminar on Science and Technology 2018 (ISST 2018) ]]>
Publisher : <![CDATA[Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (271.701 KB)
|
DOI: 10.12962/j23546026.y2019i1.5128
<![CDATA[A long queue is common at a conventional supermarket. It is caused by inability of cashier to handle the task. Cashier could have an inconsistent performance, untrained skill, and fatigue. In addition, odd price tags could engage unnecessary conversation in giving change. This resulted on the service provided to be longer. The current solution for this problem is Radio Frequency Identification (RFID) and debit card usage. As per our survey at local supermarket, the usage of RFID could extend cashier service by up to five minutes fifteen seconds for the purchase of six test goods, meanwhile the cash took up to three minutes 23 seconds. Intelligent self-checkout system has been proposed but requires a high-end graphics card. In this study, we propose an automatic self-checkout system based on Speeded Up Robust Features (SURF), brute force matcher, and RFID for payment process optimization at supermarket. The system consists of an image scanner, a conveyor set which moves the customer’s goods into scanning area. After the goods is detected, customer pay the displayed price using RFID card. The result of our experiment has 77.78% detection rate and 16 seconds of payment process. Compared to traditional method, our system is twenty times faster]]>
<![CDATA[Penerapan Image Processing Menggunakan Convolutional Neural Network Untuk Klasifikasi Luka Kaki Pada Diabetes ]]>
<![CDATA[Ilhaam Syafruddin Akbar]]>;
<![CDATA[Tining Haryanti]]>;
<![CDATA[Muhamad Amirul Haq]]>
<![CDATA[ Computing Insight : Journal of Computer Science Vol 4 No 2 (2022) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30651/comp_insight.v4i2.22529
<![CDATA[Penelitian ini mengeksplorasi penerapan pemrosesan citra menggunakan Convolutional Neural Network( CNN) untuk klasifikasi luka kaki pada penderita diabetes mellitus. Diabetes dapat menyebabkan komplikasi serius, termasuk luka pada kaki, yang memerlukan identifikasi cepat untuk pencegahan lebih lanjut. Metode ini melibatkan pengambilan citra luka kaki dengan perangkat medis dan pengolahan awal( preprocessing) untuk mempersiapkannya untuk analisis CNN. Eksperimen menunjukkan bahwa CNN mampu mengklasifikasikan jenis luka dengan tingkat akurasi tinggi. Keunggulan utama terletak pada kemampuan CNN untuk mengekstrak fitur penting dari citra, memungkinkan pengenalan pola kompleks. Hasil penelitian ini menunjukkan bahwa penerapan image processing dengan CNN dapat menjadi pendekatan efektif dalam klasifikasi luka kaki diabetes. Teknologi ini memiliki potensi sebagai alat bantu diagnostik yang handal, mempercepat identifikasi dan pengelolaan luka pada pasien diabetes, serta mengurangi risiko komplikasi serius. Dengan demikian, penelitian ini memberikan kontribusi penting pada bidang pengembangan sistem kesehatan yang dapat meningkatkan kualitas hidup penderita diabetes. Model klasifikasi dilatih menggunakan dataset berlabel yang terdiri dari citra kaki dengan status luka yang diketahui.Hasil ini berpotensi membantu tenaga medis dalam intervensi dan langkah pencegahan yang tepat, sehingga dapat mengurangi risiko komplikasi yang serius bagi penderita diabetes.]]>
<![CDATA[Sistem Identifikasi Wajah Personal dan Hemat Daya dengan ESP32 dan OV2640 Berbasis Model ResNet-29 ]]>
<![CDATA[Muhamad Amirul Haq]]>;
<![CDATA[Aswin Rosadi]]>;
<![CDATA[Farid Wahyu Wicaksono]]>
<![CDATA[ CYCLOTRON Vol 7 No 02 (2024): CYCLOTRON ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30651/cl.v7i02.23286
<![CDATA[Sistem identifikasi wajah memiliki peran penting dalam kehidupan sehari-hari dan banyak diintegrasikan di berbagai aplikasi. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi wajah yang hemat daya, terjangkau, dan dapat dikustomisasi menggunakan device ESP32-CAM dan metode jaringan syaraf tiruan. Metode tradisional identifikasi wajah sering kali menghadapi kesulitan dalam menangani variasi pose, pencahayaan, dan ekspresi wajah. Dengan menggunakan model jaringan syaraf tiruan, ResNet-29, sistem ini mampu menghasilkan embedding wajah yang akurat dan efisien untuk aplikasi real-time. Evaluasi sistem menunjukkan bahwa penggunaan ESP32-CAM sebagai perangkat pengambil gambar dan server video stream, serta komputer sebagai pemroses data, dapat meningkatkan akurasi dan keandalan sistem pengenalan wajah. Eksperimen kami menunjukkan model dapat mencapai akurasi 80% pada kondisi ekstrim.]]>
<![CDATA[Improving YOLO Object Detection Performance on Single-Board Computer using Virtual Machine ]]>
<![CDATA[Haq, Muhamad Amirul]]>;
<![CDATA[Huy, Le Nam Quoc]]>;
<![CDATA[Fahriani, Nuniek]]>
<![CDATA[ Emerging Information Science and Technology Vol 5, No 1 (2024): May ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.18196/eist.v5i1.22486
<![CDATA[Single-board computers have gained popularity in the recent decade, largely due to the immense advancements in deep learning. Deep learning involves complex computational processes that are beyond the capabilities of regular microcontrollers, thus necessitating the use of single-board computers. However, single-board computers are primarily designed to operate efficiently in low-power environments. Therefore, optimization is crucial for running deep learning algorithms effectively on single-board computers. In this work, we explore the impact of utilizing the DeepStream framework to run deep learning algorithms, specifically the YOLO algorithm, on NVIDIA Jetson single-board computers. The DeepStream framework can be executed in virtual machines, notably Docker, to improve the performance and portability of the model. Additionally, deploying the Docker virtual machine from removable disks can further enhance its portability and even increase the algorithm's speed. Our benchmarks indicate that real-time streaming of the YOLO algorithm can operate up to 8.5 times faster when deployed from a Docker virtual machine.]]>
<![CDATA[Deteksi Pelecehan Seksual dan Predator Obrolan Media Sosial Menggunakan Naive Bayes ]]>
<![CDATA[Riyadi, Muhammad Akmal Fijar]]>;
<![CDATA[Andana, Erie Kresna]]>;
<![CDATA[Haq, Muhamad Amirul]]>
<![CDATA[ Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) 2024: SNESTIK IV ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31284/p.snestik.2024.5882
<![CDATA[Dalam beberapa tahun terakhir, kemajuan teknologi media telah memfasilitasi interaksi antara jutaan orang melalui platform-platform jejaring sosial dan game online. Namun, di balik kemudahan yang ditawarkan oleh internet, terdapat tantangan besar terkait keselamatan anak-anak yang menggunakan internet. Penelitian ini bertujuan untuk mengembangkan sistem cerdas yang dapat mengidentifikasi perilaku predator dan pelecehan seksual online. Dengan memanfaatkan analisis teks, kecerdasan buatan, dan Naive Bayes, penelitian ini memperkenalkan pendekatan orisinal dan berpotensi efektif untuk mendeteksi perilaku yang mencurigakan. Meskipun demikian, penelitian ini memiliki batasan tertentu, termasuk keterbatasan sumber daya dan teknologi saat ini dalam mengidentifikasi perilaku online yang mencurigakan. Diharapkan penelitian ini dapat memberikan kontribusi yang signifikan dalam meningkatkan keselamatan anak-anak dalam menggunakan internet.]]>
<![CDATA[Penerapan Algortima YOLO yang Efektif Digunakan Untuk Deteksi Citra Fundus Retina ]]>
<![CDATA[Nurdin, Farid Rahman]]>;
<![CDATA[Haryanti, Tining]]>;
<![CDATA[Haq, Muhamad Amirul]]>
<![CDATA[ Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) 2024: SNESTIK IV ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31284/p.snestik.2024.5875
<![CDATA[Mata merupakan aset berharga manusia dalam setiap melakukan aktifitas, namun tingkat pengelihatan mata dapat semakin berkurang apabila tidak dirawat dengan baik. Bagi penderita diabetes, kemampuan dalam hal pengelihatan dapat terancam jika terindikasi penyakit Retinopati Diabetik. Bahaya yang ditimbulkan akibat tidak segeranya penanganan dini pada penderita retinopati dibetik adalah hilangya pengelihatan secara bertahap yang berujung pada kebutaan. Dalam diagnosis melalui dokter mata, hasil didapatkan berdasarkan interpretasi dan pengalaman sehingga masih memungkinan adanya kesalahan diagnosis. Tujuan dari penelitian ini adalah menyajikan tabel tentang kriteria yang harus dipenuhi dalam penerapan algoritma YOLO terhadap deteksi dan klasifikasi citra sehingga diharapkan mampu menggambarkan tahapan yang seharusnya dilakukan, dan dalam penyajian kriteria tersebut didasarkan pada perangkuman dari penelitian sebelumnya. Metode yang digunakan adalah penerapan dari algoritma YOLO dengan berbagai versi yang telah dikembangkan, sehingga versi yang akan digunakan pada penelitian ini adalah versi 8 dikarenakan merupakan versi yang kemunculannya masih terbarukan dan memiliki pengembangan algortima yang lebih baik dibandingkan versi sebelumnya. Hasil yang didapat dari penelitian ini adalah hasil pengujian terhadap nilai accuracy, precision, recall dan F1-score dari implementasi algoritma YOLO versi 8 untuk klasifikasi beberapa citra fundus.]]>
<![CDATA[Deteksi Gangguan Depresi Menggunakan Machine Learning: Tinjauan Pustaka ]]>
<![CDATA[Dina, Dinda Franciska Mey]]>;
<![CDATA[Haryanti, Tining]]>;
<![CDATA[Haq, Muhamad Amirul]]>
<![CDATA[ Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) 2024: SNESTIK IV ]]>
Publisher : <![CDATA[Institut Teknologi Adhi Tama Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31284/p.snestik.2024.5876
<![CDATA[Gangguan depresi adalah suatu kondisi seseorang merasa sedih, kecewa saat mengalami suatu perubahan, kehilangan ketika terjadi patologis tidak dapat beradaptasi dengan sekitar. Menurut World Health Organization depresi merupakan penyakit yang dialami oleh sekitar 264 juta orang. Mahasiswa adalah kelompok yang sangat rentan terhadap berbagai gangguan mental yang dipengaruhi berbagi lingkup kehidupan. Gangguan depresi akhir-akhir ini sangat menjadi perhatian khusus karena memiliki kecenderungan menyakiti diri sendiri ( self harm ). Metode yang digunakan dalam penelitian ini adalah menggunakan studi literature review dengan menggunakan 3 database yaitu Google Scholar, PubMed dan Neliti yang dipublikasi dalam rentang tahun 2021 sampai 2024 dan di dapatkan hasil 19.696 artikel. Dari 19.696 artikel kemudia di lakukan alanisa lebih dalam dengan menghasilkan 573 artikel, dimana seluruh metode memiliki nilai keakurasian 80%, namun ada satu metode yaitu certainly factor banyak digunakan dan memiliki keakurasian diatas 90% dengan menggunakan random sample.]]>
<![CDATA[Deteksi Kecelakaan Lalu Lintas Berbasis Algoritma Jaringan Syaraf Tiruan YOLO ]]>
<![CDATA[Binuri, Moch. Ghulam Abrari]]>;
<![CDATA[Haryanti, Tining]]>;
<![CDATA[Haq, Muhamad Amirul]]>
<![CDATA[ Computing Insight : Journal of Computer Science Vol 4 No 2 (2022) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30651/comp_insight.v4i2.22524
<![CDATA[Penerapan algoritma YOLOv7 dalam deteksi kecelakaan lalu lintas menggunakan google colab pada data training dari dataset robolow "accident 1" yang terdiri dari total 1522 gambar, dengan parameter batch size 1, epoch 40 dan menggunakan optimizer SGD menghasilkan model dengan tingkat precision sebesar 65.1%, recall 45.3%, mAP@.5 52.1%, dan mAP@.5:.95 26.4%, dengan waktu pelatihan 2.319 hours berdasarkan hasil tersebut untuk deteksi kurang memuaskan. Analisis pada grafik training data menunjukkan bahwa untuk mencapai hasil yang lebih memuaskan, diperlukan jumlah epoch yang lebih besar saat melatih data. Dari hasil grafik training data, terlihat bahwa semakin banyak epoch pelatihan, semakin akurat data trainingnya. Oleh karena itu, disarankan untuk melatih data lebih dari 40 epoch guna meningkatkan kualitas model dan deteksi kecelakaan lalu lintas.]]>
<![CDATA[Cascaded Context-Aware Instance Segmentation with Transformer-Encoder for Adverse Weather Condition: Segmentasi Instansi Berbasis Konteks Bertingkat dengan Transformer-Encoder untuk Kondisi Cuaca Buruk ]]>
<![CDATA[Haq, Muhamad Amirul]]>;
<![CDATA[Huy, Le Nam Quoc]]>
<![CDATA[ JOINCS (Journal of Informatics, Network, and Computer Science) Vol. 7 No. 2 (2024): November ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Sidoarjo ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21070/joincs.v7i2.1654
<![CDATA[Localizing objects from an image has been a vital part in autonomous driving since object localization performance directly correlate with the safety of the passenger. Robust and accurate object localization that can adapt to any driving environment has always been improved to ensure a safe and reliable system. In this work, we propose CBNet, a two-stage instance segmentation network for an autonomous driving environment. The network leverages a powerful transformer network as the feature extractor to improve performance. In addition, our proposed network utilizes a cascade design for both the object proposal network and the region-of-interests classifier. The cascade design addresses the issue of degrading detections over a high detection threshold. Moreover, we implement shape and edge-aware losses for the segmentation mask and end-to-end knowledge distillation strategy during training to improve the robustness of the network in extreme conditions. Our proposed network achieves 6.5 AP and 5.7 mIoU improvement from the prior methods in Cityscapes driving dataset. Furthermore, we evaluate our network in Foggy Cityscapes dataset to ensure the robustness of our network in extreme conditions. CBNet is able to improve the performance of prior methods by 7.7 AP and 6.7 mIoU in Foggy Cityscapes dataset.]]>
