Claim Missing Document
Check
Articles

Found 3 Documents
Search

Rancang Bangun Quadcopter Drone Untuk Deteksi Api Menggunakan YOLOv4 Made Radikia Prasanta; Muhammad Yoga Pranata; Muhammad Aditya Firnanda; Siti Sendari
CYCLOTRON Vol 5, No 1 (2022): CYCLOTRON
Publisher : Universitas Muhammadiyah Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (941.368 KB) | DOI: 10.30651/cl.v5i1.10013

Abstract

Kebakaran hutan dan lahan berdampak pada rusaknya ekosistem Menurut data dari Kementerian Lingkungan Hidup dan Kehutanan (KLHK), luas hutan Indonesia per tahun 2013 mencapai 128,5 juta hektar. Ironisnya, hutan di Indonesia setiap tahunnya terus menyusut diakibatkan oleh kebakaran hutan. Hal ini dapat dicegah dengan memanfaatkan UAV (Unmanned Aerial Vehicle) untuk melakukan pengamatan secara langsung melalui kamera. Penelitian ini dilakukan untuk mengembangkan prototype quadcopter drone yang dilengkapi dengan sistem deteksi api berbasis YOLOv4. Algoritma YOLOv4 adalah algoritma deep learning yang menerapkan jaringan syaraf konvolusional (CNN). YOLOv4 yang diskalakan adalah jaringan neural yang memiliki akurasi tertinggi dan memiliki kecepatan terhadap akurasi diseluruh rentang akurasi dan kecepatan. Metode penelitian yang dilakukan diawali dengan perancangan hardware quadcopter drone, perancangan sistem pengiriman data citra video, kemudian percancangan sistem deteksi api, dilakukan pengumpulan data citra api, pra processing data, rancangan konfigurasi arsitekutur YOLO, training data dan pengujian. Hasil penelitian menunjukan quadcopter drone yang terintegrasi dengan groundstation menggunakan algoritma YOLOv4 berhasil mendeteksi api dengan menghasilkan rata-rata akurasi sebesar 0.92. Akurasi terbaik didapat pada pengujian ke 3 dengan skor precision sebesar 0.96, skor recall sebesar 0.98 dan skor accuracy sebesar 0.96.
Fitpack Kit Detektor Keputihan Abnormal Secara Praktis dan Nyaman Siti Suci Wahyuni; Fara Zhiniya Amalia; Made Radikia Prasanta; Nadya Erawati; Erti Hamimi
Preventia : The Indonesian Journal of Public Health Vol 7, No 1 (2022)
Publisher : Universitas Negeri Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17977/um044v7i12022p8-13

Abstract

Based on WHO data, vaginal infections every year affect women worldwide, around 10-15 percent of 100 million women. Pathological vaginal infections caused by Bacterial vaginosis (BV), Candidiasis, and Trichomoniasis. Abnormal vaginal discharge is an indication of a reproductive tract infection. Therefore, it is very important for women to make early detection of vaginal discharge that they suffer from. However, many women underestimate the presence of vaginal discharge, this is because women have a sense of shame to carry out their genital examinations at doctors, especially by male doctors. In addition, most women do not like the examination using medical procedures because of the feeling of discomfort with the examination procedure. Because of this, in this expansion research, an ATMega 168-based detection device and an expert system-based application were designed forearly detection of vaginal discharge. The method used in this development research consists of several stages including: 1) needs analysis, 2) design, 3) design of vaginal discharge detection tools and applications, 4) testing, 5) evaluation. The results of this research and development resulted in a vaginal discharge detection tool along with an expert system-based leucorrhoea detection application with the certainty factor method.Berdasarkan data WHO infeksi pada vagina setiap tahunnya menyerang perempuan di seluruh dunia sekitar 10-15 persen dari 100 juta perempuan. Infeksi pada vagina secara patologis yang disebabkan oleh Bacterial vaginosis (BV), Candidiasis, dan Trichomoniasis. Keputihan secara abnormal menjadi suatu indikasi adanya infeksi saluran reproduksi. Oleh karenanya menjadi hal yang sangat penting bagi wanita untuk melakukan pendeteksian dini pada keputihan yang diderita. Namun banyak wanita yang menyepelekan adanya keputihan hal ini dikarenakan wanita memiliki rasa malu untuk melakukan pemeriksaan genitalnya pada dokter terutama oleh dokter pria. Selain itu sebagian besar wanita kurang menyukai pemeriksaan dengan menggunakan prosedur medis karena adanya rasa kurang nyaman dengan prosedur pemeriksaanya. Sebab hal tersebut pada penelitian pembengangan ini dirancang alat pendeteksi berbasis ATMega 168 dan aplikasi berbasis sistem pakar untuk pendeteksian keputihan secara dini. Metode yang digunakan pada penelitian pengembangan ini terdiri dari beberapa tahapan diantaranya yaitu: 1) analisis kebutuhan, 2) desain, 3) perancangan alat dan aplikasi deteksi keputihan, 4) pengujian, 5) evaluasi. Hasil penelitian dan pengembangan ini dihasilkan alat deteksi keputihan beserta aplikasi pendeteksi keputihan berbasis sistem pakar dengan metode certainty factor.
Perancangan Sistem Deteksi Api Menggunakan Framework YOLOv4 Made Radikia Prasanta; Muhammad Yoga Pranata
SEMNASTERA (Seminar Nasional Teknologi dan Riset Terapan) Vol 3 (2021)
Publisher : SEMNASTERA (Seminar Nasional Teknologi dan Riset Terapan)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (413.459 KB)

Abstract

Kebakaran hutan dan lahan berdampak pada rusaknya ekosistem Menurut data dari Kementerian Lingkungan Hidup dan Kehutanan (KLHK), luas hutan Indonesia per tahun 2013 mencapai 128,5 juta hektar. Ironisnya, hutan di Indonesia setiap tahunnya terus menyusut diakibatkan oleg kebakaran hutan. Merujuk pada perhitungan Ditjen Planologi KLHK, angka deforestasi Indonesia periode 2014-2015 mencapai 1,09 juta hektar dan 2015-2016 menjadi 0,63 juta hektar. Hal ini dapat dicegah dengan memanfaatkan UAV (Unmanned Aerial Vehicle) untuk melakukan pengamatan secara langsung melalui kamera. Penelitian ini dilakukan untuk mengembangkan sistem deteksi api menggun YOLOv4. Algoritma YOLOv4 adalah algoritma deep learning yang menerapkan jaringan syaraf konvolusional (CNN). YOLOv4 yang diskalakan adalah jaringan neural paling akurat dan memelikiki kecepatan terhadap akurasi di seluruh rentang akurasi dan kecepatan dari 15 FPS hingga 1774 FPS. Hasil penelitian menunjukan framework YOLOv4 berhasil mendeteksi api dengan menghasilkan rata-rata akurasi sebesar 0.92. Akurasi terbaik didapat pada percobaan video 2 dengan skor precision sebesar 0.94, skor recall sebesar 0.99 dan skor accuracy sebesar 0.95.