Claim Missing Document
Check
Articles

Found 3 Documents
Search

Pelatihan Perancangan Papan Skor Pertandingan Olahraga dengan Tampilan Seven Segment Sarmayanta Sembiring; Hadir Kaban; Jorena Jorena; Kemahyanto Exaudi
GERVASI: Jurnal Pengabdian kepada Masyarakat Vol 6, No 2 (2022): GERVASI: Jurnal Pengabdian Kepada Masyarakat
Publisher : LPPM IKIP PGRI Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31571/gervasi.v6i2.3231

Abstract

Pengabdian pada masyarakat bertujuan untuk memberikan pelatihan perancangan papan skor pertandingan olahraga pada siswa SMA. Metode pelaksanaan kegiatan yaitu ceramah, tanya jawab dan praktik. Kegiatan dilaksanakan dalam dua bentuk yaitu secara online melalui Zoom Meeting sebanyak 10 pertemuan dan secara offline sebanyak 3 pertemuan di lokasi SMAN 2 Banyuasi I. Kegiatan ini menghasilkan prototipe papan skor sederhana menggunakan IC CMOS CD4029 sebagai counter, IC CD4511 sebagai decoder BCD ke praga 7 segmen serta tampilan menggunakan seven segment. Pelatihan ini juga menjadi bahan edukasi siswa SMA yang menjadi peserta pelatihan tentang bidang rangkaian digital serta aplikasinya. Hasil pelatihan menunjukkan antusias peserta terhadap pelatihan ini dengan kehadiran mencapai 93.5% saat pelatihan online dan 98.3% saat pelatihan offline. Peningkatan skor sebesar 51.69%  dari skor pre-test dan posttest menunjukkan peningkatan pengetahuan peserta terhadap materi rangkaian digital dan aplikasinya.
Perancangan Kunci Pintu otomatis dengan Personal Identification Number (PIN) Berbasis Mikrokontroler ATMega8535 untuk Siswa SMA Negeri 2 Banyuasin I Sarmayanta Sembiring; Hadir Kaban; Jorena Bangun; Beta Susanto Barus; Muhammad Ali Buchari
E-Dimas: Jurnal Pengabdian kepada Masyarakat Vol 13, No 4 (2022): E-DIMAS
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/e-dimas.v13i4.5902

Abstract

Telah dilaksanakan pelatihan perancangan kunci pintu otomatis dengan personal identification number (PIN) berbasis Mikrokontrler  ATMega8535 pada hari sabtu, tanggal tanggal 2 november tahun 2019 yang dilaksanakan di SMA Negeri 2 Banyuasin I. Kegiatan pelatihan ini bertujuan untuk menambah wawasan, minat, kreativitas dan inovasi kepada siswa dan menjadikan kegiatan pelatihan ini sebagai pemicu bagi siswa untuk berpartisipasi dalam kompetisi inovasi di bidang teknologi menggunakan mikrokontroler. Perangkat keras yang digunakan dalam pelatihan ini terdiri dari solenoid door lock, relay, keypad 3x4, LCD 16 x 2, push button switch, buzzer dan mikrokontroler ATMega8535. Perangkat lunak yang digunakan dalam pelatihan ini menggunakan Basic Compiler AVR. Pelatihan ini menghasilkan prototipe kunci pintu otomatis menggunakan PIN dan meningkatkan pemahaman siswa tentang aplikasi mikrokontroler. Peningkatan kemampuan siswa untuk menjawab pertanyaan dengan benar pada post test 45,5% dari sebelumnya hanya mampu menjawab dengan benar 21,5% pada pre test menunjukkan peningkatan pemahaman siswa tentang mikrokontroler dan aplikasinya.
TinyML-Based Stress Detection Using Time-Domain HRV Features and a Lightweight DNN on ESP32: Deteksi Stres Berbasis TinyML Menggunakan Fitur HRV Domain Waktu dan DNN Ringan pada ESP32 Sarmayanta Sembiring; Kemahyanto Exaudi; Abdurahman -; Jorena; Hadir Kaban; M. Buffon Prima; Rahmat Fadli Isnanto
NUANSA INFORMATIKA Vol. 20 No. 2 (2026): Nuansa Informatika 20.2 July 2026
Publisher : FKOM UNIKU

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25134/ilkom.v20i2.624

Abstract

Stress is a psychophysiological condition that requires continuous and objective monitoring. However, existing wearable stress detection systems often rely on cloud-based processing or computationally intensive algorithms, limiting their applicability for real-time inference on resource-constrained embedded devices. This study presents a TinyML-based framework for real-time stress detection using the MAX30102 sensor and an ESP32 microcontroller. The proposed framework integrates four time-domain Heart Rate Variability (HRV) features (BPM, SDNN, RMSSD, and pNN50), a lightweight Deep Neural Network (DNN), full INT8 TensorFlow Lite quantization, and on-device inference to enable efficient edge-based stress classification. The DNN model was trained and evaluated using the WESAD dataset. Experimental results showed that a decision threshold of 0.70 yielded the best classification performance, achieving an accuracy of 82% and an F1-score of 0.63 for the stress class. The quantized TensorFlow Lite INT8 model preserved 100% prediction compatibility between the Python and ESP32 implementations. Furthermore, the MAX30102 sensor achieved a BPM measurement accuracy of 98.74%, while the HRV feature extraction implemented on the ESP32 produced results consistent with the reference calculations. These findings demonstrate that the proposed end-to-end TinyML framework enables accurate and computationally efficient HRV-based stress detection on resource-constrained microcontrollers, providing a practical foundation for real-time wearable edge-health monitoring