Claim Missing Document
Check
Articles

IMPLEMENTASI CNN-LSTM BERBASIS MEDIAPIPE UNTUK KLASIFIKASI BODYWEIGHT EXERCISE SECARA REAL-TIME Habibi, Muhammad Rizal; Purnomo, Muhammad Fauzan Edy; Muttaqin, Adharul
Jurnal Mahasiswa TEUB Vol. 14 No. 5 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Inaktivitas fisik merupakan tantangan kesehatan global yang signifikan. Pertumbuhan aplikasi kebugaran digital belum diimbangi kemampuan mengenali jenis gerakan olahraga secara otomatis dan real-time. Penelitian ini mengusulkan model CNN-LSTM berbasis MediaPipe untuk mengklasifikasikan lima jenis bodyweight exercise, yaitu push-up, sit-up, squat, jumping jack, dan lunges, beserta kelas idle secara real-time. Data pose tubuh diekstraksi menggunakan MediaPipe dan diperkaya melalui rekayasa fitur geometris serta fitur dinamika gerakan sehingga menghasilkan representasi spasial-temporal yang lebih informatif. Convolutional Neural Network (CNN) digunakan untuk mengekstraksi pola geometris antar-landmark tubuh, sedangkan Long Short-Term Memory (LSTM) digunakan untuk mempelajari pola temporal gerakan. Studi ablasi dilakukan melalui tujuh skenario konfigurasi (K1–K7) yang mencakup variasi arsitektur, rekayasa fitur, dan augmentasi data. Hasil penelitian menunjukkan konfigurasi terbaik, yaitu K7 (CNNLSTM dengan fitur spasial-temporal dan augmentasi data) memperoleh akurasi ensemble sebesar 94,96%. Pengujian pada 13 subjek dengan tiga variasi sudut kamera menunjukkan sudut 45° dan 90° menghasilkan performa terbaik, sedangkan sudut 0° mengalami penurunan akurasi, khususnya pada push-up. Sistem mampu beroperasi secara real-time dengan rata-rata 17,05 FPS dan waktu inferensi 84,96 ms pada perangkat tanpa GPU khusus. Kata Kunci—Bodyweight Exercise, CNN-LSTM, Human Activity Recognition (HAR), Mediapipe. 
AKSELERATOR 1D CNN BERBASIS FPGA UNTUK KLASIFIKASI ARITMIA JANTUNG Arifin, Gabriel Alexander; Abidin, Zainul; Muttaqin, Adharul
Jurnal Mahasiswa TEUB Vol. 14 No. 6 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Perkembangan kecerdasan buatan dalam instrumentasi biomedis mendorong sistem deteksi penyakit yang lebih cepat dan otomatis, salah satunya deteksi aritmia berbasis sinyal EKG untuk pemantauan jantung real-time. Namun, banyak model dan implementasi AI yang masih kurang efisien untuk perangkat edge karena konsumsi daya dan kebutuhan komputasi yang tinggi. Penelitian ini mengusulkan akselerator klasifikasi aritmia berbasis 1D-CNN pada FPGA menggunakan MIT-BIH Arrhythmia Database dengan tiga variasi arsitektur. Arsitektur Derivative Hybrid Matched Filter memberikan performa terbaik, dengan akurasi 92,69%, macro F1-score 79,63%,  S sensitivity 94,55%, dan V sensitivity 91,59% Setelah diimplementasikan dalam fixed-point 8-bit Q(3,5). Implementasi FPGA menggunakan 2.402 LUT dan 2.410 register pada frekuensi 100 MHz, dengan konsumsi daya total 0,084 W dan latency 75 µs. Hasil ini menunjukkan bahwa akselerator FPGA mampu memberikan klasifikasi aritmia yang cepat dan hemat daya, sehingga lebih efisien untuk perangkat edge dibandingkan SBC.  Kata Kunci—Aritmia, EKG, 1D-CNN, FPGA, Fixed-point, Quantization-Aware Testing, Matched Filter  
PERANCANGAN SISTEM BIOMETRIK WAJAH DENGAN ANTI-SPOOFING DALAM SISTEM IDENTIFIKASI KEHADIRAN Purba, Jonathan Adriel; Muttaqin, Adharul; Sari, Sapriesty Nainy
Jurnal Mahasiswa TEUB Vol. 14 No. 7 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

This study proposes a facial biometric attendance system integrated with an anti-spoofing mechanism to enhance security and reliability. The system employs a Convolutional Neural Network (CNN) to classify real and spoofed faces. The dataset consists of the NUAA Photo Imposter dataset and additional samples collected using a webcam, including various spoofing attacks such as printed photos, masks, and screen displays During preprocessing, image augmentation techniques, including brightness adjustment and filtering, are applied to improve model robustness under different environmental conditions. Furthermore, several training parameters, such as the number of epochs, learning rate, optimizer type, and image size, are evaluated to determine their impact on model performance. Experimental results show that the proposed model achieves 100% accuracy during training with loss of 5,78% and validation accuracy of 97,84% with loss validation of 5,02%. In testing, the system attains 88% accuracy for real face detection and 92% for spoof detection, demonstrating its effectiveness for secure and reliable attendance applications. Keywords: Biometrics, Face Recognition, AntiSpoofing, Convolutional Neural Network (CNN), Attendance System. 
Implementasi Algoritma Pengolahan Data Frekuensi Multi-Sensor Quartz Crystal Microbalance (QCM) Berbasis FPGA Butarbutar, Valentino Delviery; Sulistiyanto, Nanang; Muttaqin, Adharul
Jurnal Mahasiswa TEUB Vol. 14 No. 7 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Sensor Quartz Crystal Microbalance (QCM) menghasilkan sinyal frekuensi yang dapat digunakan untuk mendeteksi perubahan massa pada permukaan sensor. Namun, sinyal yang dihasilkan masih mengandung noise, sehingga diperlukan tahap pemrosesan sinyal untuk meningkatkan kualitas data. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pemrosesan data sensor QCM berbasis FPGA menggunakan Verilog-HDL dengan representasi fixed-point. perhitungan pergeseran Tahap pengolahan meliputi frekuensi (Δf), pemfilteran menggunakan Exponential Moving Average (EMA), dan ekstraksi gradien. Implementasi dilakukan menggunakan representasi fixed-point 5-bit, 9-bit, dan 13-bit pecahan untuk mengevaluasi pengaruh presisi terhadap hasil komputasi FPGA. Hasil pengujian menunjukkan bahwa peningkatan jumlah bit pecahan secara signifikan mengurangi kesalahan komputasi FPGA dibandingkan dengan hasil perangkat lunak Matlab, di mana representasi 13-bit menghasilkan akurasi terbaik tanpa secara signifikan memengaruhi penggunaan sumber daya, konsumsi daya, atau parameter waktu FPGA. Kata kunci—FPGA, QCM, pengolahan sinyal, EMA, ekstraksi gradien 
Co-Authors Abadi, Dendy Satria Abdillah, Zainal Abraham Tesa Putra Achsanul Khabib Adhitya Bhawiyuga Adoram Wirahadi Agung Setiabudi, Agung Ahmad Firmansyah A. Ahmad Habyan Haidar Z. AKbar Rizal Wicaksono Akbar, Muhammad Danar Akbartama, Effan Akmal Hibban Syah Alam Aloysius Andhika Aryadwuputra Angga Septi Suyanto Angger Abdul Razak Angger Dimas Bayu Sadewo Araki, Kakeru Arfa'i Fahrul Khizam Arifin, Gabriel Alexander Aryawiratama, Nauval Asrori Arsyad Attabik Muhammad Amrillah Attabik Mukhammad Amrillah Azzurri, Dean Fachruddin Baehaqi Bagus Ari Prabowo Bagus Esa Pramudya Barlian Henryranu Prasetio Bill Jason Bill Jason Butarbutar, Valentino Delviery Caesario Bima Irfano Cahaya Trinala Kinanti Citra Trilaksana Dahnial Syauqy Dany Primanita Kartikasari Dany Primanita Kartikasari Dany Primanita Primanita Kartikasari Dian Falah J. Dicka Anditya Febrianto Dionysius J. D. H. Santjojo Dwi Fadila Kurniawan Effan Akbartama Eka Prakarsa Mandyartha Ekiawan, Krisna Seiya Eko Setiawan Eko Setiawan Endah Budi Purnomowati Erni Yudaningtyas Erza Pradipta Erza Pradipta, Erza Faris Aulia Ramadhan Fatchur Rizal Hidayat Faza Rosyadan Nandita Pratama Febrian Daniel Dwiputra Ferdy Hendrawan Finnadi, Stefanus Dion Finsa Ferdifiansyah Fuad Sultan Muhammad Gahara, Ahda Gembong Edhi Setyawan Gian Giovani Glanndy Parwati Putra Hadi Suyono Hamas, Muhammad Nafis Hani Khulud Hari Kurniadi Harits Al Furqon Akbar Hasdi Sasandi Hidayat, Rasendriya Agraprana Ion Caesar Oktoga Iqbal Ibrahim Ramadhan Irman Idris Issa Arwani Itsna Az Zahra Itsna Az Zahra Jason Danny Setiawan Kacaribu, Angeline Anabelle Khulud, Hani Lastono Risman Lunde Ardhenta M. Gilang Ramadhan M. Julius St. Maulana, Eka Maulana, Eka Maulani Ghiyas Mochammad Hannats Hanafi Ichsan Mohammad Ilhammudin Toiyib Mudjirahardjo, Panca Muhammad Akbar Muhammad Anwar Sanusi Muhammad Aswin Muhammad Aswin Muhammad Aswin Muhammad Aziz Muslim Muhammad Azril Muttaqin Muhammad Elvir Eriansyah1 Muhammad Farhan Muhammad Fauzan Fadli Nafrizal Muhammad Gilang Ramadhan Muhammad Ilham Akbar Muhammad Khairy Mahdi Muhammad Mursyid Albanani Muhammad Nurrohman Muhammad Rizal Habibi Muhram Muis Muslichin Muslichin Muslichin, n/a Musyahadah, Faiq Arsyad n/a Aditiya n/a Indradianto n/a Soeprapto Najib, Aditya Zulfa Nanang Sulistiyanto Nararya Andika Sujarwo Nathanael, Indra Nauval Aryawiratama Nisa Intan Kumalasari Nizzah Khusnunnisa Novia Alifianti Nurus Sa'adah Nurussa’adah, n/a Onny Setyawati Pambudi, Muhammad Farrel Putra Ponco Siwindarto Ponco Siwindarto Ponco Siwindarto Prastyawan, Hermanto Prihartady, Dion Purba, Jonathan Adriel Purnomo, Muhammad Fauzan Edy R. Arief Setyawan Rachmadwipa Novandri Rachmania Nur Dwitiyastuti Raden Arief Setyawan Rahmadina, Azkiya Ramadhan, Faris Aulia Reinato Teguh Santoso Reyhan Rifqi Ihsan Rif'an, Mochammad Riyanjaya, Ahmad Fadli Rizky Aiman Haniffalah Harijanto Robbith Qosath Al Auhi Romadhona, Nabila Fairuz Royyannuur Kurniawan Endrayanto Runandra, Surya Agni Wahyu Ryoichi Miyauchi Sabriansyah Rizqika Akbar Saif Masharil Huda Samuel Aji Sena Sanusi, Muhammad Anwar Sapriesty Nainy Sari Saputra, Nicky Sari, Sapriesty Nainy Setiawan, Bagus Ilyas Setyawati , Onny Shafina Rifdhayanti Zein Stefanus Dion Finnadi Suyono, Hadi Syafillah, Mohammad Ardian Taftazani, Moch. Aden Titis Hayuning Widya Pramesti Tito Cahyo Prasetyo Cahyo Prasetyo Tomi Putro Utomo Tri Yoga Septianto Trilaksana, Citra Triyogo, Anggun Utaminingrum, Fitri Valentino Ode Anugrah Kristanto Wahyu Adhitiya Rachman Wahyu Adi Prayitno Wahyu Suryo Samudro Waru Djuriatno Waru Djuriatno Waru Djuriatno Widasari, Edita Rosana Wijayanto, Micko Wirawan Hidayat Wisnuaji, Mario Riva Yosef Moscati Kresna Chrisnadi Youssi, Owlena Renaseilla Yudha Nurfalah Yudhistira Nugrahadi Widayat Yuni Kilawati Yunita Maimunah Zainul Abidin Zainul Abidin Zainul Abidin Zainuri, Akhmad Zakiyah Amalia