Garuda - Garba Rujukan Digital

Analisis Klaster Berdasarkan Deret Waktu Menggunakan Dynamic Time Warping Pada Pelanggaran Penggunaan Alat Pelindung Diri Muhammad Radif Aftamaulana; Yohanes Setiawan; Bernadus Anggo Seno Aji
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak —Peningkatan kasus kecelakaan kerja di Indonesia dari 182.835 kasus pada 2019 menjadi 360.635 kasus hingga November 2023 berdasarkan data dari BPJS Ketenagakerjaan. Penelitian ini bertujuan untuk memahami pola pelanggaran APD menggunakan analisis klaster berbasis deret waktu dengan pendekatan Dynamic Time Warping (DTW). Data pelanggaran dikumpulkan dari CCTV di enam area operasional PT Pelindo Marine Service, dengan fokus pada pelanggaran seperti tidak menggunakan helm dan rompi keselamatan. Berdasarkan temuan lapangan di PT Pelindo Marine Service, pelanggaran terjadi secara berulang di hampir seluruh lokasi dimana berjumlah 23.258 kejadian, menunjukkan adanya pola ketidakpatuhan yang konsisten antara area operasional. Hasil evaluasi menunjukkan bahwa konfigurasi dua klaster memberikan hasil terbaik dengan Koefisien Silhouette sebesar 0,4464. Klaster 1 terdiri dari lokasi-lokasi dengan jumlah pelanggaran rendah dan pola yang relatif stabil, sedangkan Klaster 2 mencakup lokasi dengan jumlah pelanggaran tinggi dan pola fluktuatif yang signifikan. Rata-rata pelanggaran harian pada Klaster 2 mencapai 107,10, dengan maksimum 294 pelanggaran/hari. Selain itu, hasil analisis juga menghasilkan matriks jarak antar lokasi berdasarkan kesamaan pola pelanggaran, serta perhitungan total pelanggaran kumulatif per lokasi selama periode observasi. Visualisasi hasil analisis disajikan dalam website visualisasi analitik untuk membantu manajemen dalam memantau, mengidentifikasi pola risiko, dan meningkatkan kepatuhan penggunaan APD. Solusi ini diharapkan dapat memperkuat strategi keselamatan kerja dan menurunkan risiko kecelakaan di lingkungan operasional perusahaan. Kata kunci—Time Series Clustering, Dynamic Time Warping, Alat Pelindung Diri, Keselamatan Kerja, Website Analitik

Deteksi Emosi pada Ekspresi Wajah Manusia Menggunakan Convolutional Neural Network (CNN) Berbasis Android Kristoforus Ferel Viandito; Farah Zakiyah Rahmanti; Yohanes Setiawan
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Pada era teknologi digital saat ini, teknologi pengolahan citra menjadi salah satu yang berkembang pesat. Hal ini bersamaan juga dengan perkembangan pesat pada teknologi bidang Artificial Intelligence (AI) yang relevan pada bidang teknologi pengenalan wajah dan deteksi emosi. Penelitian ini mengembangkan sebuah sistem deteksi emosi pada wajah dengan menggunakan Convolutional Neural Network (CNN) yang didesain untuk mengolah data dua dimensi yang dijalankan pada sistem Android. Dengan mengetahui ekspresi emosi seseorang, maka seseorang dapat dinilai kondisi psikologinya dengan bantuan mesin. Sistem ini dapat digunakan pada beberapa bidang seperti bidang kesehatan. Dengan sistem deteksi emosi maka tenaga medis dapat memantau dan menentukan pemberian dukungan apa yang dibutuhkan pasien. Model pada sistem penelitian ini dijalankan dengan model CNN dengan konfigurasi hyperparameter batch size 256, jumlah epoch 76, dan dropout rate sebesar 50%, serta menggunakan optimizer Adam. Hasil dari pengujian model ini menunjukkan angka akurasi sebesar 84% yang cukup baik. Melalui penelitian ini, diharapkan memberi kontribusi dalam pengembangan teknologi citra digital untuk deteksi emosi manusia menggunakan CNN yang diimplementasikan pada aplikasi Android. Diharapkan juga dengan penelitian ini dapat mendorong motivasi penelitian dengan teknologi yang serupa di masa depan. Kata kunci— Android, CNN, AI, hyperparameter.

Deteksi Kerusakan Badan Kontainer di Gate-In PT Berlian Jasa Terminal Indonesia Menggunakan YOLOv11 Muhammad Najib Miftahul Huda; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Kerusakan pada badan kontainer menjadi tantangan utama dalam industri logistik, terutama bagi perusahaan pelabuhan seperti PT Berlian Jasa Terminal Indonesia (BJTI). Proses verifikasi kerusakan yang masih dilakukan secara manual menyebabkan potensi kesalahan, keterlambatan, dan penurunan kepercayaan pelanggan. Oleh karena itu, penelitian ini bertujuan untuk merancang, mengembangkan, dan mengevaluasi sistem deteksi otomatis kerusakan kontainer. Penelitian ini melakukan studi perbandingan antara YOLOv11 dengan model pembanding lainnya (YOLOv8, YOLOv9, dan YOLOv10) untuk menemukan arsitektur terbaik, yang kemudian diintegrasikan dengan sistem web sebagai antarmuka pemantauan. Model dilatih menggunakan dataset gabungan dari CCTV pelabuhan dan sumber publik. Hasil pengujian menunjukkan bahwa YOLOv11 menjadi model paling unggul, mencapai performa akurasi tertinggi dengan mAP@0.5 sebesar 53.44%, Precision 66.97%, dan Recall 50.69%. Dari sisi kecepatan, sistem yang diuji pada CPU menunjukkan waktu inferensi rata-rata 123.90 ms per gambar, yang juga merupakan kinerja tercepat dibandingkan model pembanding lainnya, membuktikan efisiensinya untuk implementasi operasional. Hasil deteksi secara otomatis diunggah ke server dan ditampilkan pada antarmuka web yang dibangun menggunakan framework CodeIgniter 4. Evaluasi menunjukkan bahwa integrasi antara model deteksi dan sistem web berjalan dengan baik dan stabil. Sistem ini diharapkan dapat menjadi solusi aplikatif berbasis computer vision untuk meningkatkan efisiensi dan akurasi dalam pengawasan kontainer di lingkungan pelabuhan. Kata kunci — Deteksi kerusakan kontainer, YOLOv11, Pelabuhan

Identifikasi Nomor Kontainer Menggunakan Resnet-50 Pada Gate-In PT. Pelindo Berlian Jasa Terminal Indonesia (Bjti) Berbasis Website Muhammad Ali Ridho; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Proses pencatatan nomor kontainer secara manual di area gate-in PT Pelindo Berlian Jasa Terminal Indonesia (BJTI) masih menimbulkan berbagai kendala seperti kesalahan pencatatan, keterlambatan pemrosesan data, dan kesulitan validasi dalam kasus klaim kerusakan. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sistem identifikasi nomor kontainer otomatis berbasis deep learning yang terdiri dari tiga tahap utama, yaitu: deteksi area nomor kontainer menggunakan model YOLOv11, segmentasi karakter dengan model YOLOv11 lainnya, serta klasifikasi karakter menggunakan arsitektur ResNet-50. Dataset pada setiap tahap dikumpulkan dari lingkungan nyata di pelabuhan dan telah dianotasi secara manual. Model deteksi area nomor kontainer yang dilatih dengan optimizer AdamW selama 200 epoch menghasilkan mAP@0.5 sebesar 96.8%, precision 97.1%, dan recall 95.4%. Pada tahap segmentasi karakter, model mencatatkan mAP@0.5 sebesar 94.3%, precision 95.2%, dan recall 93.7%. Sedangkan pada tahap klasifikasi karakter menggunakan ResNet-50, akurasi tertinggi yang diperoleh mencapai 98.6%, dengan precision 98.9%, recall 98.3%, dan F1-score 98.6%. Seluruh sistem kemudian diintegrasikan ke dalam platform berbasis web untuk mendukung operasional, memungkinkan penyimpanan hasil deteksi dalam bentuk teks dan gambar, serta dilengkapi fitur login, pencarian data, dan tampilan statistik. Evaluasi menunjukkan bahwa sistem mampu beroperasi dengan efisien dan akurat di berbagai kondisi pencahayaan dan sudut pandang kamera. Sistem ini diharapkan dapat meningkatkan efisiensi, akurasi, dan transparansi pencatatan nomor kontainer di lingkungan operasional pelabuhan. Kata kunci— sistem deteksi otomatis, YOLOv11, ResNet-50, nomor kontainer, pengolahan citra, pelabuhan, website.

Implementasi Chatbot Berbasis Transformer Dan Pemindaian QR Code Pada Website Inventaris Hendrik Hermawan; Yohanes Setiawan; Mustafa Kamal
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Belum adanya transformasi digital pengolahan data inventaris pada PT Berlian Jasa Terminal Indonesia menyebabkan rawan kesalahan seperti data yang tidak akurat, akses informasi yang lambat, dan pelacakan aset yang tidak efisien akibat proses manual. Metode konvensional berbasis spreadsheet yang lambat dan rawan kesalahan mendorong perlunya solusi teknologi modern untuk meningkatkan efisiensi dan kemudahan akses informasi. Penelitian ini berhasil mengembangkan dan mengimplementasikan sistem inventaris berbasis website yang mengintegrasikan pemindaian QR Code untuk pelacakan aset fisik dan chatbot berbasis model Transformer (IndoBERT) untuk akses informasi melalui Natural Language Processing (NLP). Proses pengembangan mencakup perancangan arsitektur, pelatihan model, dan pengujian sistem secara menyeluruh. Hasil pelatihan model menunjukkan bahwa konfigurasi hyperparameter optimal (Skenario 3) mampu mencapai akurasi 91% untuk klasifikasi intent dan performa nyaris sempurna untuk Named Entity Recognition (NER) pada data uji awal. Namun, pengujian lanjutan menggunakan 100 sampel data uji yang menantang mengungkap bahwa model memiliki keterbatasan dalam menangani permintaan di luar cakupan (intent unknown), di mana banyak di antaranya keliru diklasifikasikan sebagai cari_perangkat. Sistem ini terbukti fungsional dan mampu meningkatkan efisiensi dibandingkan metode manual, dengan chatbot yang berhasil merespons permintaan pengguna secara akurat untuk fungsionalitas inti. Kata kunci— Manajemen Inventaris IT, Pemindaian QR Code, Chatbot dengan Model Transformer, Pemrosesan Bahasa Alami (NLP)

Pengembangan Chatbot Untuk Layanan Satuan Penjaminan Mutu (SPM) Menggunakan Bert (Bidirectional Encoder Representations From Transformers) Zumar Nur Firdaus; Yohanes Setiawan; Mastuty Ayu Ningtyas
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Kendala Satuan Penjaminan Mutu (SPM) dalam penyampaian informasi yang kurang efisien, menyebabkan pelayanan Satuan Penjaminan Mutu (SPM) kurang responsif. Sehingga dibutuhkannya chatbot yang merespon secara cepat dan tepat. Penelitian ini berfokus pada pengembangan chatbot berbasis deep learning dengan arsitektur BERT untuk layanan Satuan Penjaminan Mutu (SPM) sebagai platform pembantu. Tujuannya adalah untuk memaksimalkan pencarian data dan penyampaian informasi yang efisien kepada pengguna. Metodologi yang digunakan meliputi pengumpulan data mentah dari SPM (Penelitian, Pengabdian, Prestasi, Mahasiswa, dan Dosen dari 2019-2024), pra-pengolahan data (tokenisasi, padding, label encoding), dan pengembangan model BERT yang diintegrasikan dengan platform Telegram. Evaluasi model melalui 15 percobaan menunjukkan performa optimal pada konfigurasi tertentu dengan akurasi tinggi dan tingkat kesalahan rendah, terbukti dari F1-score kelas positif mencapai 0.9831. Meskipun terdapat sedikit ketidaksesuaian pada satu skenario pengujian black-box dan adanya cold start pada respons awal chatbot, hasil kuesioner pengguna secara keseluruhan menunjukkan kepuasan tinggi terhadap kemudahan penggunaan dan kecepatan respons. Implementasi chatbot ini diharapkan meningkatkan efisiensi layanan SPM, meskipun perlu penambahan variasi data pelatihan dan deployment ke server untuk optimalisasi lebih lanjut. Kata kunci— Chatbot, Deep Learning, BERT (Bidirectional Encoder Representations from Transformers), Natural Language Processing, Blackbox Testing, Telegram.

Pengenalan Wajah Untuk Sistem Presensi Menggunakan Convolutional Neural Network M. Rafi Hizdarandha Riswant; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Penelitian ini bertujuan mengatasi permasalahan sistem presensi karyawan manual yang rentan terhadap manipulasi dan kecurangan dari setiap individu, serta kebutuhan akan sistem presensi otomatis berbasis pengenalan wajah yang akurat dan andal, khususnya untuk membatasi akses keluar-masuk keruang Server DRC di PT. Pelindo Marine Service. Sebagai solusi, penelitian ini bertujuan untuk merancang dan membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu InceptionV3, ResNet50, dan VGG16, dalam penerapan sistem pengenalan wajah. Dataset wajah yang digunakan diambil pada saat magang dan telah melalui tahap cropping secara otomatis menggunakan metode atau model MTCNN, pada tiga skenario training dataset yang berbeda berdasarkan jumlah epoch: 50, 80, dan 100. Evaluasi dilakukan terhadap akurasi pelatihan, akurasi validasi, serta efisiensi waktu pelatihan dari masing-masing arsitektur. Hasil penelitian menunjukkan bahwa arsitektur VGG16 memberikan performa terbaik dengan akurasi validasi tertinggi sebesar 99,31% pada epoch ke-100, meskipun membutuhkan waktu pelatihan lebih lama. VGG16 menempati posisi kedua dengan akurasi validasi 96,74%, namun lebih efisien dari sisi durasi pelatihan. Namun pada saat ditahap pengujian atau demo hasil arsitektur VGG16 menjadikannya pilihan yang kurang baik untuk implementasi pada dataset yang digunakan, dilanjutkan dengan arsitektur Resnet50 yang sedikit lebih baik dari segi classification pada saat tes pengujian hasil. Untuk hasil yang terbaik didapatkan oleh arsitektur InceptionV3 yang hasil Accuracy nya mendapatkan 78% dari hasil classification report. Dari hasil evaluasi tersebut, dapat disimpulkan bahwa InceptionV3 paling direkomendasikan untuk sistem pengenalan wajah yang membutuhkan akurasi tinggi, hal ini bisa dibuat bahan acuhan untuk mencari mana hasil terbaik untuk sistem pengenalan wajah untuk karyawan. Sistem yang dikembangkan memiliki potensi untuk diterapkan di lingkungan kerja seperti PT. Pelindo Marine Service. Kata kunci—Pengenalan wajah, Computer Vision, InceptionV3, Resnet50, VGG16, Deep learning

Peramalan Penjualan Dan Jumlah Stok Aman Roti Menggunakan Long Short-Term Memory (Studi Kasus Di Efrata Bakery) Dean Igo Wibowo; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Industri roti di Indonesia terus berkembang seiring meningkatnya permintaan roti sebagai alternatif makanan pokok. Namun, usaha roti skala kecil seperti Efrata Bakery kerap menghadapi tantangan dalam meramalkan penjualan akibat fluktuasi permintaan, faktor musiman, dan perubahan preferensi konsumen. Hal ini dapat menyebabkan ketidaktepatan perencanaan stok, risiko overstock, hingga menurunnya kualitas layanan. Penelitian ini mengembangkan sistem peramalan penjualan harian menggunakan metode Long Short-Term Memory (LSTM), teknik deep learning yang efektif untuk data time-series. Model dikembangkan secara univariate per jenis roti dan dilengkapi proses deteksi serta penanganan anomali pada data historis untuk meningkatkan akurasi. Hasil evaluasi menunjukkan rata-rata Mean Absolute Precentage Error (MAPE) sebesar 10.84%, menandakan performa prediksi yang baik. Sistem tidak hanya memprediksi penjualan H+1, tetapi juga merekomendasikan jumlah stok produksi harian dengan mempertimbangkan stok sisa. Pendekatan ini memungkinkan penyesuaian jumlah produksi secara adaptif untuk menghindari overstock maupun stockout. Sistem diimplementasikan dalam bentuk aplikasi web yang memudahkan pemilik toko dalam mengakses informasi prediksi dan rekomendasi stok. Dengan sistem ini, Efrata Bakery dapat mengoptimalkan perencanaan produksi dan meningkatkan kepuasan pelanggan. Kata kunci Peramalan Penjualan, Long Short-term Memory, Industri roti, time-series, deep learning.

RUN-IO: Aplikasi Untuk Rekomendasi Latihan Pelari Menggunakan Random Forest Josey Alexander Takesan; Yohanes Setiawan; Bernadus Anggo Seno Aji
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstrak — Meningkatnya popularitas olahraga lari diiringi dengan tingginya risiko cedera atau running related injuries (RRIs) dimana seringkali kebingungan dalam menentukan program latihan yang aman dan sesuai dengan kemampuan individu. Penelitian ini bertujuan merancang, membangun, dan mengevaluasi RUN-IO, sebuah aplikasi mobile yang memberikan rekomendasi latihan lari yang dipersonalisasi untuk meminimalkan risiko tersebut. Menggunakan algoritma Random Forest Regressor, aplikasi memproses data pengguna (usia, tinggi, berat, jenis kelamin) untuk memprediksi tiga parameter kunci: Kecepatan, Waktu, dan Jarak Lari. Model dilatih menggunakan dataset "Running Calorie Burn" dari Kaggle dan dievaluasi kinerjanya dengan metrik Mean Absolute Error (MAE) dan R-Squared (R²). Hasil evaluasi menunjukkan bahwa model prediksi memenuhi kriteria kelayakan implementasi. Model Running Speed menunjukkan performa paling unggul dengan nilai R² mencapai 0.8990 dan MAE 0.56 km/jam. Pengujian fungsional aplikasi dan evaluasi antarmuka oleh pengguna menunjukkan aplikasi dinilai sangat baik. Penelitian ini berhasil mengimplementasikan model machine learning yang valid ke dalam aplikasi RUN-IO yang fungsional, menyediakan alat bantu praktis bagi pelari untuk berlatih secara lebih aman dan terukur agar dapat menghindari cedera. Kata kunci— Aplikasi mobile, Running Related Injuries, Running, Random Forest Regressor, Personalisasi latihan

Title

Found 9 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 9 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 9 Documents
Search