Garuda - Garba Rujukan Digital

Implementasi Sensor Cahaya Sebagai Pengontrol Keseimbangan Robot Beroda Dua Menggunakan Kontroler PID Henryranu P., Barlian; Kurniawan, Wijaya; Priyambadha, Bayu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1, No 1 (2014)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (633.341 KB)

Abstrak Dengan menggabungkan Sistem Kontrol, sensor dan motor Servo diharapkan Robot segway dapat direalisasikan. Dalam penelitian ini Sistem Kontrol yang digunakan adalah metode PID, sedangkan sensor yang akan digunakan adalah cahaya yang merepresentasikan sudut kemiringan terhadap bumi. Dengan input berupa Error sudut dan Del Error sudut terhadap bumi maka didapatkan hasil PID kontroller berupa angular rate yang digunakan untuk mengontrol kedua rodanya. Robot Segway memiliki rise time/fall time, settling time dan Robot Segway mampu mencapai kesetimbangannya kembali (steady state) setelah mendapatkan gangguan dari luar. Kata kunci: Robot kesetimbangan, sensor cahaya, PID kontroler Abstract By combining the Control System, sensors and Servos motors are expected to Segway can be realized. In this research use the PID method, while the sensor to be used is the light that represents the elevation angle of the earth. With the input is angel Error and angel Del Error of the earth then the results obtained in the form of angular rate PID Controller is used to Control the two wheels. Segway Robot has a rise time / fall time, settling time and Segway Robot can reach the balance again (steady state) after get a outside disturbance. Keywords: Self-balancing robot, light sensor, PID Controller

SPERM ABNORMALITY CLASSIFICATION USING MULTI-PURPOSE IMAGE EMBEDDING AND CLASSICAL MACHINE LEARNING Adinugroho, Sigit; Sari, Yuita Arum; Kurniawan, Wijaya; Arwan, Achmad
JIKO (Jurnal Informatika dan Komputer) Vol 7, No 3 (2024)
Publisher : Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/jiko.v7i3.8938

Since sperm cells have big impact for human welfare in terms of reproduction, there are many studies have been done. In this case, we are attracted to enrich the method in determining the morphological properties of them using machine learning. Most study about it is done using 2-steps action that are feature extraction which is continued by classification. In our work, we aimed to lower the complexity by using image embedding as a general-purpose feature extractor that requires no training. For feature extraction using image, it is found that RGB has better performance compared to grayscale if we want to use Support Vector Machine (SVM). Meanwhile, when a comparation is done between SVM, random forest, Multi-Layer Perceptron (MLP), NaÃ¯ve Bayes, and k-Nearest Neighbour (kNN) for classification process, MLP shows the best performance among them which is around 85%. Moreover, our proposed method has low complexity indicated by the training time around one and a quarter minute s for the most accurate method, compared to hours of training time in similar methods.

Sistem Wearable Deteksi Postur pada Training Lateral Raise menggunakan Sensor MPU6050 dengan Algoritma Random Forest Syauqi, Mohd Alfitra; Syauqy, Dahnial; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 1 (2025): Januari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Olahraga memiliki peran yang sangat penting dalam menjaga kesehatan fisik dan mental. Untuk mendapatkan manfaat maksimal, banyak orang beralih ke latihan beban guna membentuk otot dan meningkatkan kekuatan fisik. Latihan otot deltoid menjadi salah satu pilihan favorit dalam membentuk visual badan yang lebar dan atletis. Salah satu latihan yang sering dilakukan adalah lateral raise. Namun, banyak orang melakukan gerakan ini tanpa pemahaman yang memadai. Kesalahan dalam teknik, postur tubuh yang salah, penggunaan beban yang tidak sesuai, atau keterbatasan akses terhadap pelatih dapat meningkatkan risiko cedera dan hasil yang tidak optimal. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem wearable guna mendeteksi kesalahan teknik gerakan lateral raise secara langsung. Sistem ini terdiri dari modul sensor MPU6050 yang dilengkapi akselerometer dan giroskop untuk mengukur gerakan tubuh, mikrokontroler ESP32 sebagai pemroses data, dan algoritma Random Forest untuk mengklasifikasikan gerakan menjadi benar atau salah. Data sensor dikirim menggunakan protokol komunikasi ESP-NOW dan hasil klasifikasi dikeluarkan melalui buzzer sebagai umpan balik suara kepada pengguna. Hasil penelitian menunjukkan bahwa sistem mampu mencapai akurasi klasifikasi algoritma Random Forest sebesar 95,8%, sedangkan pada pengujian keseluruhan sistem mendapatkan akurasi sebesar 87,5% terhadap 24 kali pengujian yang dilakukan dalam melakukan klasifikasi gerakan benar dan salah dengan waktu komputasi rata-rata 453,08 mikrodetik. Umpan balik suara dengan buzzer yang diberikan sistem membantu pengguna memperbaiki teknik latihan dan mengurangi risiko cedera. Dengan demikian, sistem wearable ini menawarkan solusi yang efektif dan praktis bagi individu yang melakukan latihan lateral raise secara mandiri.

Klasifikasi Kelayakan Konsumsi Air Kelapa Berdasarkan PH dan Kekeruhan Menggunakan Metode Random Forest Berbasis Arduino Sari, Sylvia; Syauqy, Dahnial; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Kualitas air kelapa segar sangat dipengaruhi oleh parameter fisikokimia seperti pH dan kekeruhan, yang dapat berubah selama masa penyimpanan. Metode pengujian manual kualitas air kelapa sering kali tidak efisien dan kurang akurat, sehingga membutuhkan sistem otomatis yang lebih terpercaya. Penelitian ini bertujuan untuk mengembangkan sistem otomatis berbasis Arduino Mega 2560, yang menggunakan sensor pH PH4502C dan sensor kekeruhan SEN0189 yang didukung oleh algoritma Random Forest. Sampel air kelapa diambil selama 6 hari penyimpanan untuk mengevaluasi kualitasnya. Sistem ini mengklasifikasikan air kelapa ke dalam dua kategori, yaitu "Layak Konsumsi" dan "Tidak Layak Konsumsi," berdasarkan nilai pH dan kekeruhan. Hasil klasifikasi ditampilkan secara langsung pada LCD 16×2, memudahkan pengguna dalam memantau kualitas air kelapa. Model Random Forest yang digunakan dalam sistem mencapai akurasi sebesar 95%. Hasil ini menunjukkan bahwa model mampu mengklasifikasikan kelayakan konsumsi air kelapa dengan baik, dengan sebagian besar klasifikasi sesuai dengan kondisi nyata. Sistem ini dapat membantu konsumen dan produsen dalam memastikan kualitas air kelapa sebelum dikonsumsi atau dipasarkan dengan tingkat akurasi yang tinggi.

Klasifikasi Kelayakan Konsumsi Susu Kedelai Berdasarkan PH, Warna, dan Aroma Menggunakan Metode Random Forest Berbasis Arduino Herenda Madi, Matius; Syauqy, Dahnial; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Perubahan pola konsumsi masyarakat yang bergeser ke makanan dan minuman sehat menjadikan produk berbasis nabati seperti susu kedelai sebagai pilihan yang populer di masyarakat. Namun, penyimpanan yang tidak sesuai dapat menyebabkan susu kedelai rentan mengalami degradasi kualitas yang ditandai dengan perubahan pH, warna, dan aroma sehingga menjadi cepat tidak layak untuk dikonsumsi dan berpotensi menimbulkan dampak buruk bagi kesehatan. Kelayakan konsumsi susu kedelai umumnya dinilai secara organoleptik melalui pengamatan rasa, warna, dan aroma, namun metode ini kurang efektif dan sering menimbulkan keraguan dalam menentukan kelayakan konsumsi. Penelitian ini bertujuan untuk merancang sistem berbasis Arduino yang mampu menentukan kelayakan konsumsi susu kedelai berdasarkan parameter pH, warna, dan aroma (kadar gas karbon dioksida). Sistem menggunakan sensor PH4502C, sensor warna TCS3200, dan sensor gas MQ135 untuk mengukur nilai masing-masing parameter yang digunakan untuk mengklasifikasi kelayakan konsumsi susu kedelai menggunakan model Random Forest yang diimplementasikan pada Arduino Mega 2560 ke dalam dua kategori yaitu “Layak” dan “Tidak Layak” konsumsi yang ditampilkan pada layar LCD 16×2. Hasil akurasi pengujian sistem dalam menentukan kelayakan konsumsi susu kedelai berdasarkan parameter pH, warna, dan aroma menggunakan metode Random Forest dengan 40 data latih dan 20 data uji adalah sebesar 95% dan rata-rata waktu komputasi sebesar 1.06 detik.

Klasifikasi Kelayakan Konsumsi Susu Kambing Etawa Pasteurisasi Berdasarkan Warna, Aroma, dan PH dengan Metode Random Forest Berbasis Arduino Fahmi Gymnastiar Gozali, Muhammad; Syauqy, Dahnial; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Peningkatan konsumsi produk sehat dan alami menjadikan susu kambing Etawa pasteurisasi pilihan populer di masyarakat, karena kandungan nutrisinya yang kaya seperti protein, kalsium, dan fosfor. Namun, susu pasteurisasi rentan mengalami penurunan kualitas jika penyimpanan tidak sesuai, yang ditandai dengan perubahan warna, aroma, dan pH. Penilaian manual seperti metode organoleptik, yang melibatkan penciuman aroma, pengamatan warna, dan pengecapan rasa, sering kali bersifat subjektif dan kurang akurat. Penelitian ini bertujuan merancang sistem otomatis untuk menentukan kelayakan konsumsi susu kambing Etawa pasteurisasi berdasarkan parameter warna, kadar gas amonia, dan pH menggunakan algoritma Random Forest berbasis Arduino. Sistem menggunakan sensor warna TCS3200 untuk membaca nilai RGB, sensor gas MQ135 untuk mendeteksi kadar gas ammonia (NH3), dan sensor PH4502C untuk mengukur pH. Data yang diperoleh diproses menggunakan model Random Forest yang sudah diimplementasikan pada Arduino Mega2560 dan diklasifikasikan menjadi tiga kategori: "Layak Konsumsi", "Segera Konsumsi", dan "Tidak Layak". Pengujian dilakukan dengan menggunakan 112 data latih dan 28 data uji untuk mengevaluasi akurasi sistem. Hasil penelitian menunjukkan bahwa sistem mampu mengklasifikasi kelayakan konsumsi susu kambing Etawa dengan akurasi 92% dan waktu komputasi rata-rata 1.076 detik.

Sistem Wearable untuk Training Aerodinamis Pesepeda pada Posisi Drop Bar dengan Metode Random Forest Berbasis Data MPU6050 Merry Hassani, Fadila Muqtadaro; Syauqy, Dahnial; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Penelitian ini mengatasi tantangan dalam mempertahankan postur aerodinamis optimal saat bersepeda, khususnya pada posisi drop bar. Postur yang tidak tepat dapat mengurangi efisiensi latihan dan kinerja aerodinamis pesepeda. Oleh karena itu, penelitian ini mengembangkan sistem wearable menggunakan sensor MPU6050 dan algoritma Random Forest untuk memantau dan mengklasifikasikan postur pesepeda. Sistem ini dirancang untuk memberikan umpan balik mengenai posisi tubuh yang sesuai dengan aerodinamis, terutama untuk pesepeda yang menggunakan posisi tangan di drop bar. Data dikumpulkan menggunakan sensor MPU6050, diproses oleh ESP32, dan dianalisis dengan algoritma Random Forest. Sistem memberikan umpan balik visual berupa LED yang akan menyala jika posisi aerodinamis optimal, atau mati ketika posisi tubuh tidak optimal. Evaluasi dilakukan untuk mengukur akurasi sistem dalam mendeteksi posisi optimal dan tidak optimal. Fungsionalitas sistem diuji secara menyeluruh, termasuk ESP32 sebagai transmitter untuk membaca data sensor dan mengirimkannya kepada ESP32 receiver. Hasil pengujian menunjukkan bahwa model klasifikasi Random Forest mencapai akurasi 98,3%, yang menandakan kemampuan algoritma dalam membedakan posisi tubuh yang optimal dan tidak optimal. Sementara itu, sistem wearable memperoleh akurasi 87,5% dalam mendeteksi posisi optimal dan tidak optimal selama pengujian sebanyak 16 kali. Waktu komputasi rata-rata untuk proses klasifikasi adalah 0,368 ms yang menunjukkan kecepatan dan efisiensi sistem.

Sistem Wearable untuk Deteksi Postur Awal Badan pada Latihan Deadlift Menggunakan Sensor MPU6050 dengan Metode Support Vector Machine (SVM) Grafidi, Alif Akbar; Syauqy, Dahnial; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 4 (2025): April 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Olahraga rutin terbukti efektif dalam menjaga kebugaran, meningkatkan kekuatan fisik, dan mengurangi risiko penyakit fatal. Salah satu olahraga yang mendukung hal tersebut adalah weightlifting atau latihan angkat beban. Latihan angkat beban, khususnya gerakan deadlift, efektif untuk meningkatkan kekuatan dan ketahanan tubuh. Namun, kesalahan postur saat melakukan deadlift, terutama pada posisi awal, dapat meningkatkan risiko cedera, terutama pada punggung bawah. Penelitian ini bertujuan untuk mengembangkan sistem wearable yang dapat mendeteksi dan mengklasifikasikan postur badan pada posisi awal deadlift guna mengurangi risiko cedera. Sistem wearable ini menggunakan sensor MPU6050 yang memanfaatkan akselerometer dan giroskop untuk memperoleh data postur tubuh, yang kemudian diolah menggunakan metode Support Vector Machine (SVM) dengan validasi Stratified K-Fold Cross-Validation. Sistem ini diintegrasikan dengan mikrokontroler ESP32 untuk melakukan klasifikasi postur yang benar, salah, atau idle saat melakukan posisi awal deadlift. Hasil penelitian menunjukkan bahwa model SVM hanya dengan data akselerometer mencapai akurasi 99,23%, sedangkan implementasi sistem wearable yang diintegrasikan dalam ESP32 menunjukkan akurasi 94,44%. Sistem ini juga menunjukkan performa yang baik dalam pembacaan data sensor, komunikasi data, dan waktu komputasi dengan rata-rata waktu 2 ms.

Evaluasi Perbandingan Kinerja Sistem Airbag antara 3 Modular Redundancy dengan 5 Modular Redundancy Musyaffa' Munif, Hilmy; Primananda, Rakhmadhany; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 6 (2025): Juni 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Keandalan sistem airbag sangat penting demi keselamatan penumpang, dan salah satu cara meningkatkannya adalah dengan menerapkan modular redundancy. Penelitian ini membandingkan kinerja sistem airbag menggunakan Triple Modular Redundancy (TMR) dan Five Modular Redundancy (FMR) berbasis sensor MPU-6050, Arduino Mega, serta multiplexer TCA9548A dan algoritma voting. Hasil menunjukkan bahwa FMR lebih unggul dalam hal keandalan, akurasi, waktu respons, dan tingkat kegagalan (failure rate). TMR memiliki akurasi 90,91% dan waktu respons lebih cepat (rata-rata 3,013 detik), namun gagal berfungsi saat dua sensor rusak. Sebaliknya, FMR tetap berfungsi dengan waktu respons stabil (sekitar 3,02 detik) bahkan saat dua sensor rusak, menunjukkan ketahanan yang lebih tinggi dalam situasi kritis. FMR juga memiliki failure rate lebih rendah (0,000005 per siklus) dibanding TMR (0,003 per siklus), yang menunjukkan keunggulan dalam jangka panjang. Secara keseluruhan, FMR lebih andal untuk sistem airbag karena tetap berfungsi saat terjadi beberapa kegagalan sensor, meskipun TMR sedikit lebih cepat dan akurat pada kondisi normal.

Sistem Wearable untuk Deteksi Postur Pada Latihan Upright Row Menggunakan Sensor IMU MPU6050 dan Algoritma Random Forest Safirurrasul Santoso, Mush'ab; Syauqy, Dahnial; Kurniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Latihan upright row merupakan gerakan latihan kekuatan yang bertujuan untuk melatih otot bahu, terutama otot deltoid. Namun, apabila gerakan dilakukan dengan postur yang salah, risiko cedera pada bahu dan punggung atas dapat meningkat. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan sistem wearable yang mampu mendeteksi postur gerakan upright row secara real-time dengan memanfaatkan sensor IMU MPU6050 dan algoritma klasifikasi Random Forest. Sistem dirancang untuk memberikan umpan balik secara langsung melalui buzzer guna membantu pengguna memperbaiki postur latihan tanpa perlu pendampingan pelatih secara langsung. Sistem terdiri dari dua node sensor yang dipasang pada lengan atas dan lengan bawah. Data akselerometer dan giroskop dari kedua node dikirim secara nirkabel menggunakan protokol ESP-NOW, kemudian diklasifikasikan oleh mikrokontroler ESP32 menggunakan model Random Forest. Model klasifikasi dilatih berdasarkan dua kelas, yaitu "benar" dan "salah", menggunakan dataset yang dikumpulkan dari enam partisipan. Hasil klasifikasi digunakan untuk mengaktifkan buzzer sebagai bentuk umpan balik. Hasil pengujian menunjukkan bahwa model Random Forest mencapai akurasi klasifikasi hingga 99%, dan akurasi keseluruhan sistem berdasarkan 24 pengujian mencapai 95,83%. Rata-rata waktu komputasi sistem adalah 206,88 mikrodetik, yang menunjukkan sistem mampu memberikan respons cepat. Hasil ini membuktikan bahwa sistem wearable yang dikembangkan memiliki potensi untuk digunakan sebagai alat bantu latihan yang akurat dan efisien.

Title

Found 10 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 10 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 10 Documents
Search