Article Per Year (5 Year)
p-Index From 2021 - 2026
2.392
P-Index
This Author published in this journals
All Journal JURNAL PENDIDIKAN TAMBUSAI Jurnal Tekno Kompak Jurnal Abdimas Mandiri Jurnal Rekayasa Elektro Sriwijaya Jurnal Teknologi dan Manajemen Industri Terapan Jurnal Peradaban Masyarakat (JPM) Jurnal Ecotipe (Electronic, Control, Telecommunication, Information, and Power Engineering)
Sari, Melia
Teknik Elektro Universitas Sriwijaya
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Public Health Social Sciences

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Control of Multi-Robot Arms in Object Retrieval Based on Human-Machine Interface Rendyansyah Rendyansyah; Hera Hikmarika; Melia Sari; M. Al Furqon Syaidin Fikri; Ichlasul Akmali Rizky
Jurnal Ecotipe (Electronic, Control, Telecommunication, Information, and Power Engineering) Vol 11 No 2 (2024): Jurnal Ecotipe, October 2024
Publisher : Jurusan Teknik Elektro, Universitas Bangka Belitung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33019/jurnalecotipe.v11i2.4528

Abstract

Multi-robot arm control is the result of the development of advanced robotics technology. With the advancement in the field of human-machine interface, controlling robot arms has become more efficient and can be done intuitively by humans. In this study, we designed three robot arms of 4-DoF, each of which is controlled by a computer in a visual program interface. This research aims to develop a human-machine interface-based multi-robot arm control system that allows humans to interact with the robots directly. The movement method of each robot uses Trajectory Planning, which works when the operator gives motion commands through the interface display. Multi-robot communication with a computer using USB hub serial format. The computer is the master, and each Arduino on the robot is the enslaved. Three robot arms have been tested and controlled by the HMI computer, and all of them move according to the commands of the operator. The time required by each robot to complete its mission is ± 10 seconds. The results of this study are expected to open new opportunities in the application of robotics in various fields, such as the manufacturing industry, health services, and transportation.
Analisis Perbandingan Model Regresi dan Algoritma Ensemble dalam Prediksi Jarak Sensor Inframerah Berdasarkan Sudut dan Material Penghalang Ahmad Firman; Khairunisa; Aprimivi Manda; Melia Sari; Abdul Haris Dalimunthe; Puspa Kurniasari; Iwan Pahendra Anto Saputra; Desi Windisari
Jurnal Rekayasa Elektro Sriwijaya Vol. 6 No. 2 (2025): Jurnal Rekayasa Elektro Sriwijaya
Publisher : Jurusan Teknik Elektro Fakultas Teknik Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36706/jres.v6i2.160

Abstract

Penelitian ini bertujuan untuk menganalisis performa berbagai model regresi dan algoritma ensemble dalam memprediksi jarak sensor inframerah dengan mempertimbangkan sudut dan jenis material penghalang. Sensor inframerah memiliki kelemahan terhadap variasi lingkungan yang dapat menyebabkan error non-linear dalam pengukuran jarak. Data dikumpulkan dari eksperimen yang melibatkan variasi sudut (0°, 30°, 45°, 60°) dan empat jenis material (kayu, kertas, aluminium, plastik). Delapan model digunakan dan dievaluasi menggunakan metrik RMSE dan R-squared. Hasil menunjukkan bahwa algoritma ensemble seperti XGBoost, Random Forest, dan Gradient Boosting secara signifikan lebih akurat dibandingkan model regresi konvensional. Temuan ini menggarisbawahi pentingnya pemilihan model yang mampu menangkap hubungan non-linear kompleks dalam pengembangan sistem pengukuran berbasis sensor inframerah.
Perbandingan Kinerja Algoritma Haar Cascade dan Convolutional Neural Network pada ESP32 Cam dengan Raspberry Pi Sebagai Sistem Presensi Rekognisi Wajah Melia Sari; M. Renaldi Nugraha; Abdul Haris Dalimunthe; Puspa Kurniasari
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 4 No. 2 (2025): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v4i2.687

Abstract

Sistem presensi perkuliahan yang digunakan di Universitas Sriwijaya saat ini menggunakan dua cara, yaitu manual (tanda tangan di buku presensi) dan online melalui sistem e-learning.Kedua metode ini masih memiliki kelemahan, karena masih ada celah bagi mahasiswa untuk melakukan kecurangan pengisian presensi.Mahasiswa dapat mengisi presensi dengan cara diwakilkan oleh mahasiswa lain atau mahasiswa bersangkutan dapat mengisi absensi e-learning tanpa mengikuti kegiatan perkuliahan. Implementasi teknologi deep learning dapat digunakan untuk mencegah kecurangan pada pengisian presensi. Pada penelitian ini, menggunakan mikrokontroller ESP32 Cam karena modul tersebut lebih efisien serta memiliki beberapa koneksi bawaan seperti wifi dan Bluetooth, sehingga dapat dikembangkan menjadi IoT (Internet of Things) dan terintegrasi dengan database. Selain itu dilakukan pula perbandingan kinerja algoritma pada Raspberry PI 4 yang terhubung dengan Web Camera. Untuk pembacaan data diolah dengan algoritma deep learning Haar Cascade dan CNN (Convolutional Neural Network)..Sistem bekerja dengan cara merekam terlebih dahulu identitas wajah seluruh pengguna yang disimpan dalam database. Lalu pada saat pengambilan absen, sistem akan memanggil data yang tersimpan pada database dan mencocokkan data tersebut. Jika pengguna sudah terdaftar maka absen valid dan otomatis tersimpan pada database. Jika belum terdaftar, maka absensi tidak valid. Variable yang tersimpan pada database MySQL seperti id user,nama user, jam saat mengakses sistem presensi, dan rekam wajah. Berdasarkan data pengujian dengan lima metrik yaitu Confusion Matrix, Accuracy, Precision, Recall, dan F1 Score bahwa model CNN bekerja lebih baik dengan menggunakan Raspberry Pi (Web Camera) dibandingakn menggunakan ESP32 Cam. Sistem pengenalan wajah berbasis Convolutional Neural Network (CNN) memiliki kinerja yang bergantung pada perangkat keras yang digunakan.
Co-Authors Abdul Haris Dalimunthe Abdul Haris Dalimunthe Abdul Haris Dalimunthe Abdul Haris Dalimunthe Ahmad Firman Aprimivi Manda Desi Windi Sari Desi Windisari Desi Windisari Hera Hikmarika Ichlasul Akmali Rizky Iwan Pahendra Iwan Pahendra Anto Saputra Iwan Pahendra Anto Saputra Iwan Pahendra Anto Saputra Jaka Naufal Semendawai Kalsum, Umi Khairunisa M. Al Furqon Syaidin Fikri M. Renaldi Nugraha Muhammad Deni Fajri Muhammad Hidayat Nadia Thereza Nadia Thereza Padriyansyah Padriyansyah Pratiwi, Trie Sartika Puspa Kurniasari Puspa Kurniasari Rendyansyah Rendyansyah Rika Henda Safitri Trie Sartika Pratiwi