Claim Missing Document
Check
Articles

Found 18 Documents
Search

Sistem Deteksi Pelanggaran Penggunaan Alat Pelindung Diri Berbasis Raspberry Pi 4 dengan Multi-Kamera dan Notifikasi Real-Time Menggunakan Algoritma YOLOv8n Primananda Nugraha, Rahmawan; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Keselamatan kerja merupakan faktor krusial dalam lingkungan industri dan konstruksi, di mana kepatuhan terhadap penggunaan Alat Pelindung Diri (APD) seperti helm, rompi keselamatan, masker, kacamata pelindung, dan sarung tangan menjadi aspek penting dalam pencegahan kecelakaan kerja. Namun, tingkat kepatuhan pekerja di lapangan masih sering rendah, sehingga dibutuhkan sistem otomatis yang mampu mendeteksi pelanggaran APD secara real-time dan akurat. Penelitian ini bertujuan untuk merancang serta mengimplementasikan sistem deteksi pelanggaran penggunaan APD berbasis Raspberry Pi 4 Model B menggunakan algoritma You Only Look Once versi 8 nano (YOLOv8n). Sistem ini menggunakan dua kamera, yaitu Logitech C270 HD dan Techgear Sentinel 2K, yang bekerja secara bersamaan dalam mode tampilan split-screen untuk memperluas jangkauan pengawasan. Selain itu, sistem dilengkapi dengan buzzer sebagai notifikasi audio ketika terdeteksi pelanggaran penggunaan APD. Pengujian dilakukan untuk menilai (1) akurasi model YOLOv8n dalam mendeteksi penggunaan dan pelanggaran APD, (2) ketepatan sistem dalam mengambil keputusan pelanggaran berdasarkan kondisi pekerja, (3) performa real-time sistem melalui nilai frames per second (FPS) dan latency, serta (4) efisiensi penggunaan sumber daya Raspberry Pi yang meliputi CPU, RAM, dan suhu operasi. Hasil pengujian menunjukkan bahwa model YOLOv8n mampu mendeteksi kelas utama seperti Hardhat dan Safety Vest dengan tingkat akurasi yang sangat baik, mencapai 100% pada data uji yang relevan. Sistem menghasilkan kecepatan rata-rata sebesar 2,2 FPS dengan latensi 432,06 ms/frame, sedangkan penggunaan sumber daya Raspberry Pi tercatat stabil dengan CPU 85%, RAM 5%, dan suhu maksimum 56,9°C. Berdasarkan hasil tersebut, sistem ini dinilai mampu melakukan deteksi pelanggaran penggunaan APD secara real-time, efisien, dan akurat, serta layak diimplementasikan sebagai solusi pemantauan keselamatan kerja otomatis di lingkungan industri maupun konstruksi.
Pengembangan Sistem Pengecekan Penggunaan Alat Pelindung Diri (Apd) Berbasis Yolov8 Dengan Notifikasi Whatsapp Dan Audio Widihansyah, Wahyu; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kepatuhan penggunaan Alat Pelindung Diri (APD) berperan penting dalam menurunkan risiko kecelakaan kerja di sektor konstruksi. Meskipun kewajiban penggunaan APD telah diatur dalam Permenakertrans No. Per.08/MEN/VII/2010, tingkat kepatuhan pekerja di lapangan masih relatif rendah, sementara pengawasan manual memiliki keterbatasan karena bergantung pada pengamatan manusia. Penelitian ini bertujuan mengembangkan sistem pengecekan penggunaan APD berbasis visi komputer yang dilengkapi notifikasi WhatsApp dan peringatan suara secara real-time. Penelitian ini merupakan penelitian implementatif dengan tipe pengembangan. Metode penelitian meliputi pengumpulan dataset citra pekerja konstruksi sebanyak 3.010 gambar dari data primer dan sekunder, anotasi objek human, helmet, dan vest, serta pelatihan model YOLOv8 menggunakan Google Colaboratory. Model terlatih kemudian diimplementasikan pada PC lokal untuk mendeteksi ketidaklengkapan APD secara real-time melalui kamera IP. Hasil deteksi dianalisis menggunakan logika berbasis aturan untuk menentukan status APD, kemudian memicu notifikasi WhatsApp dan peringatan suara berbasis ESP8266 apabila terjadi pelanggaran. Hasil pengujian menunjukkan model YOLOv8 memiliki performa deteksi yang baik dengan nilai precision 0,898, recall 0,974, F1-score 0,934, dan mAP@0.5 sebesar 0,981. Sistem notifikasi WhatsApp menunjukkan delay rata-rata di bawah 3 detik, sementara peringatan suara bekerja optimal pada jarak 3 meter. Secara keseluruhan, sistem ini layak sebagai dasar pengembangan sistem keselamatan kerja berbasis visi komputer dan Internet of Things (IoT).
Sistem Deskripsi Visual dengan Luaran Suara Pada Tongkat Pembantu Tunanetra Menggunakan Qwen2.5-VL Berbasis Jetson Orin Nano Izzan Ar Rasheed, Nikola; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di JITECS
Integrasi Gemma3 Pada Jetson Orin Nano Untuk Interpretasi Visual dengan Luaran Suara Pada Tongkat Pembantu Tunanetra Alfuadi, Delfikhi; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di JITECS
Sistem Prediksi Kualitas Udara Menggunakan Algoritma Random Forest Regression Berbasis Data Sensor Perangkat Internet of Things Azizah Zharifah, Nasywa; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di JTIIK
Rancang Bangun Sistem Klasifikasi Status Bahaya Kebakaran Hutan Berbasis Edge Computing pada Jaringan Komunikasi LoRa Mesh Kusuma Paramaditya, Thoriq; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 9 (2026): September 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kebakaran hutan di kawasan pedalaman (off-grid) sulit dideteksi secara dini akibat keterbatasan infrastruktur komunikasi seluler dan hambatan Non-Line-of-Sight (NLOS) dari vegetasi lebat. Penelitian ini merancang dan menguji sistem klasifikasi status bahaya kebakaran hutan berbasis edge computing Tiny Machine Learning (TinyML) pada mikrokontroler ESP32 yang terintegrasi jaringan komunikasi multi-hop LoRa Mesh menggunakan pustaka LoRaMesher. Sistem ini memanfaatkan fusi sensor MQ-135 dan BME280 untuk mengukur parameter emisi gas (TVOC), suhu, kelembapan, dan tekanan udara. Model Artificial Neural Network (ANN) dilatih menggunakan dataset sekunder, terkuantisasi INT8, dan diintegrasikan dengan teknik domain alignment hibrida (Z-score dan Mean Alignment) guna meredam domain shift. Hasil pengujian menunjukkan model ANN terkuantisasi mampu mengeksekusi inferensi lokal dengan konsumsi memori Flash sebesar 716,965 KB (54%), alokasi Free Heap RAM sebesar 274,832 KB, serta latensi ultra-rendah sebesar 448,37 µs. Sistem mencatatkan Akurasi sebesar 93,48%, F1-Score 78,57%, Presisi 100% (False Positive Rate 0%), serta Recall kelas kebakaran sebesar 64,71% (mencapai 100% pada kondisi emisi pekat TVOC ≥ 1500 ppb). Protokol LoRaMesher mencatatkan Packet Delivery Ratio (PDR) hingga 90,60% di hutan terbuka (+2 dBm), serta terbukti memperluas jangkauan melalui perutean 2-hop dan mekanisme pemulihan mandiri (self-healing) hingga Link Quality pulih ke 100% saat terhalang bangunan.
Sistem Pendukung Keputusan Penentuan Wilayah Potensial Ekspansi Distribusi LNG Menggunakan Metode AHP-SAW Syafitri, Asti; Andy Soebroto, Arief; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 10 (2026): Oktober 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penentuan wilayah potensial ekspansi distribusi Liquefied Natural Gas (LNG) merupakan proses strategis yang mempertimbangkan potensi konsumen, sebaran cluster konsumen, tingkat persaingan, jarak supplier, dan persaingan harga pasar. Karakteristik pasar tiap wilayah berbeda dan dapat berubah seiring waktu. Penelitian ini mengembangkan sistem pendukung keputusan berbasis AHP-SAW untuk menyusun urutan prioritas wilayah ekspansi distribusi LNG berdasarkan sejumlah kriteria bisnis. AHP diterapkan untuk memperoleh bobot setiap kriteria sekaligus mengevaluasi konsistensi penilaian, sedangkan SAW mengolah nilai alternatif hingga menghasilkan urutan prioritas wilayah. Penelitian ini juga menerapkan Consistency Improvement untuk membantu mengidentifikasi pasangan kriteria yang menyebabkan ketidakkonsistenan matriks perbandingan berpasangan. Sistem dikembangkan berbasis web menggunakan Laravel dan Filament dengan basis data SQLite. Data alternatif yang digunakan merupakan data simulatif berdasarkan hasil wawancara dengan praktisi divisi Business Development and Strategic Planning PT XYZ. Hasil penerapan Consistency Improvement menunjukkan bahwa nilai Consistency Ratio (CR) berhasil menurun sebesar 60,05% dari 0,2203 menjadi 0,0880, sehingga matriks dinyatakan konsisten. Pengujian Spearman Rank Correlation menghasilkan koefisien 0,70 yang menunjukkan hubungan kuat dan positif antara hasil pemeringkatan AHP-SAW dan pertimbangan praktisi. Pengujian fungsionalitas terhadap 19 skenario menggunakan Black-Box Testing memperoleh tingkat keberhasilan 100%. Integrasi AHP-SAW mendukung evaluasi wilayah ekspansi LNG melalui pembobotan kriteria, perbaikan konsistensi, dan pemeringkatan alternatif.
Reduksi Fitur pada Sistem Wearable Alat Latih Otot Bisep dengan Kombinasi Algoritma Principal Component Analysis dan Support Vector Machine Adhitya Wardana, Yudha Giri; Regasari Mardi Putri, Rekyan; Setia Budi, Agung
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 10 (2026): Oktober 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Latihan angkat beban otot bisep, khususnya gerakan standing dumbbell curl, berisiko menyebabkan cedera apabila dilakukan dengan teknik yang kurang tepat, sementara akses terhadap personal trainer sering kali terbatas. Penelitian ini mengembangkan sistem wearable yang mampu memantau dan memberikan umpan balik terhadap gerakan latihan menggunakan kombinasi Principal Component Analysis (PCA) dan Support Vector Machine (SVM). Sensor MPU6050 dipasang pada pergelangan tangan, lengan atas, dan dada untuk mengukur nilai percepatan dan sudut gerakan, yang dikirim antar mikrokontroler ESP32 menggunakan protokol ESP-NOW. PCA digunakan untuk mereduksi dimensi data sensor sebelum diklasifikasikan oleh SVM menjadi gerakan benar atau salah, dengan hasil klasifikasi disampaikan melalui buzzer. Pengujian menunjukkan bahwa penggunaan tujuh principal component menghasilkan akurasi model tertinggi sebesar 90,52%, lebih tinggi dibandingkan model SVM tanpa PCA sebesar 89,47%, dengan ukuran model gabungan yang lebih kecil yaitu 89.127 byte. Pada pengujian klasifikasi keseluruhan sistem terhadap 24 gerakan, sistem mencapai akurasi 87,5% dengan rata-rata waktu komputasi 16 milidetik. Hasil ini menunjukkan bahwa kombinasi PCA dan SVM efektif digunakan untuk mereduksi ukuran model sekaligus mempertahankan akurasi klasifikasi gerakan secara real-time pada perangkat wearable.