Garuda - Garba Rujukan Digital

ARSITEKTUR MOBILE LEARNING MANAGEMENT SYSTEM Reny Medikawati Taufiq
JURNAL FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol 8 No 1 (2019): Jurnal Ilmu Komputer
Publisher : Fakultas Ilmu Komputer, Unversitas Muhammadiyah Riau

ABSTRAK Pada tesis ini dihasilkan usulan Arsitektur Mobile Learning Management System (MLMS) Berorientasi Servis sebagai model untuk membangun Mobile Learning Application yang lintas platform. Arsitektur MLMS Berorientasi Servis dirancang sebagai solusi mengenai permasalahan keberagaman platform dan keterbatasan (bandwith, memori, processor, konektivitas, keamanan, display) pada perangkat mobile. Adanya beberapa platform perangkat mobile (Blackberry, Symbian, Windows Mobile, Apple’s iOS, Android, dll) menyulitkan ketika ingin membuat sebuah aplikasi yang dapat bekerja secara lintas platform. Untuk platform yang berbeda, aplikasi harus dibuat ulang, yang tentunya memakan waktu, biaya, serta usaha dan sumber daya yang tidak sedikit. Arsitektur MLMS Berorientasi Servis dihasilkan dengan melakukan analisis terhadap solusi multiplatform yang sudah ada, analisis Service Oriented Architecture (SOA) sebagai solusi multiplatform, analisis keterbatasan perangkat mobile. Analisis pemanfaatan Learning Management System (LMS) pada sisi server. Dari hasil analisis, metode SOA dengan thin native client merupakan solusi yang dapat mengatasi masalah multiplatform. LMS yang sudah ada dapat digunakan sebagai back-end. Dengan diimplementasikannya konsep SOA, maka dibangun servis-servis sebagai perantara logika bisnis dan logika aplikasi. Servis membungkus fitur-fitur LMS untuk menyediakan layanan bagi logika bisnis. Analisis dan perancangan servis dilakukan dengan metode Mainstream SOA Methodology (MSOAM) yang menghasilkan 15 servis. Pengujian dan evaluasi terhadap arsitektur yang telah dirancang dilakukan dengan mengimplementasikannya menjadi sebuah aplikasi MLMS berbasis Android yang memanfaatkan Moodle di sisi server. 15 servis yang ada melayani fungsionalitas MLMS antara lain (1) otentikasi peserta, (2) pendaftaran kursus, (3) mengikuti kursus, (4) melihat informasi nilai, (5) melihat informasi tugas. Hasil pengujian menunjukkan bahwa arsitektur yang diusulkan dapat diimplementasikan dengan baik.

Peramalan Kedatangan Wisatawan Mancanegara Ke Indonesia Menurut Kebangsaan Perbulannya Menggunakan Metode Multilayer Perceptron Harun Mukhtar; Muhammad Rifaldo; Reny Medikawati Taufiq; Yoze Rizki
Jurnal CoSciTech (Computer Science and Information Technology) Vol 2 No 2 (2021): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v2i2.3324

The beauty of tourist attractions in Indonesia has a certain attraction for foreign tourists to serve as a place for vacation. However, the number of visitors needs to be predicted to anticipate an increase or decrease in the number of visitors, so that the state can determine policies regarding changes in the number of visitors in the future. Forecasting is used to predict previous data patterns so that further data patterns can be known. Multilayer Perceptron (MLP) is a neural network development that can be used for modeling time series data. Several researchers have conducted research using the Multilayer Perceptron method in making predictions. Forecasting systems or forecasting are very helpful in the current era, forecasting aims to predict future conditions. Prediction results, obtained 82% accuracy for tourist predictions in Period 7, namely September 2020, 97% for Prediction Period 8, namely December 2020 so that the Number of Tourists for Period 9 is 7,106 people.

Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN Yoze Rizki; Reny Medikawati Taufiq; Harun Mukhtar; Dinia Putri
IT Journal Research and Development Vol. 5 No. 2 (2021)
Publisher : UIR PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25299/itjrd.2021.vol5(2).5831

Motif tenun melayu sangat beragam. Keberagaman ini membuat sulit membedakan motif-motif kain tenun tersebut. Klasifikasi data diperlukan untuk mengidentifikasi karakteristik objek yang terkandung dalam basis data agar kemudian dikategorikan ke dalam kelompok yang berbeda. Tujuan penelitian yang dicapai dalam penelitian ini yaitu untuk mengetahui performa pengenalan dan klasifikasi motif tenun melayu menggunakan Faster R-CNN dengan model arsitektur VGG, dengan cara mengukur persentase dari tingkat akurasi, presisi, dan recall yang akan divalidasi menggunakan K-Fold Cross Validation. Penelitian ini menggunakan algoritma deteksi objek Faster R-CNN sebagai metode pengenalan dan klasifikasi pola kain berbasis citra digital. Faster R-CNN merupakan salah satu metode yang digunakan untuk mengenali objek pada citra digital. Kemampuan pengenalan objek ini digenean untuk mengenali dan mengklasifikasi motif-motif kain tenun melayu. Jumlah dataset yang digunakan berjumlah 100 citra yang diacak untuk masing-masing dari 5 (lima) fold pada K-fold cross validation. Data tersebut dibagi menjadi 80 data train dan 20 data test. Setelah dilakukan persiapan data, pre-processing, serta implementasi, dilakukan pengujian dengan hasil bahwa dari data latih yang berupa citra kain tenun melayu, didapatkan skor rata-rata training loss dari step pertama hingga step terakhir sebesar 1,915. Klasifikasi karakteristik pengenalan motif tenun melayu menggunakan Metode deteksi objek Faster R-CNN melalui validasi K-Fold Cross Validation dengan nilai k=5, didapatkan akurasi 82.14%, presisi 91.38% dan recall 91.36%.

INTEGRATED SMART TRAFFIC CONTROL SYSTEM MENUJU PEKANBARU SEBAGAI SMART CITY Reny Medikawati Taufiq; Sunanto Sunanto; Yoze Rizki
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 7, No 1 (2020): Desember 2020
Publisher : STMIK Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v7i1.942

Abstract: Pekanbaru still using conventional traffic light control system. Pekanbaru as the capital of Riau Province is predicted udergo the increased of urban population by 54.5% in 2025. It is important for Pekanbaru to immediately implement smart and efficient traffic management system, so that traffic congestion can be resolved quickly. This research paper provides a design solution for smart traffic light management (Smart Traffic Control System), based on object detection technology that uses deep learning to detect the number and type of vehicles. The number of vehicle is the basis for determining the green light timer automatically. The Smart Traffic Control System (STCS) is integrated with a web based geographic information system (smart map) that can display the current condition (picture, the number of vehicle, congestion level) of each STCS location. This integrated system has been tested on a traffic light prototype, using a mini computer and a miniature vehicle. This integrated system is able to detect 9 out of 12 vehicles, and able to send data regularly to the smart map. Keywords: deep learning; smart mobility; smart traffic control system Abstrak: Pengaturan lampu lalu lintas di Kota Pekanbaru masih dilakukan secara konvensional. Pekanbaru sebagai ibukota Provinsi Riau diprediksikan akan mengalami peningkatan jumlah penduduk perkotaan sebesar 54,5% pada tahun 2025. Dengan melihat predikisi ini, penting bagi kota Pekanbaru untuk segera memiliki tata kelola lalu lintas yang cerdas dan efisien agar kemacetan dapat ditanggulangi dengan cepat. Penelitian ini memberikan rancangan solusi untuk tata kelola lampu lalu lintas cerdas (Smart Traffic Control System), berbasis teknologi object detection yang menggunakan deep learning untuk mendeteksi jumlah dan jenis kendaraan. Jumlah kendaraan menjadi dasar penentuan timer lampu hijau secara otomatis. Smart Traffic Control System (STCS) terintegrasi dengan sistem informasi geografis berbasis web (smart map) yang secara kontinu menerima informasi kepadatan (gambar terkini, jumlah kendaraan, level kepadatan), kemudian menampilkannya diatas peta Kota Pekanbaru. Solusi sistem terintegrasi ini telah diujikan pada sebuah prototipe lampu lalu lintas, menggunakan komputer mini dan miniatur kendaraan. Sistem terintegrasi ini mampu mendeteksi 9 dari 12 kendaraan, dan mampu mengirimkan data secara berkala kepada smart map. Kata kunci: deep learning; smart mobility; smart traffic control system

Simulasi Deteksi Golongan Kendaraan pada Gerbang Tol Menggunakan YOLOv4 Reny Medikawati Taufiq; Sunanto; Yoze Rizki; M. Rizki Amanda Pratama
Computer Science and Information Technology Vol 3 No 2 (2022): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v3i2.3928

Jalan tol merupakan infrastruktur vital yang membuat pelayanan distribusi barang dan jasa menjadi lebih produktif dan efisien. Namun pada kenyataannya, di kota besar tingginya kemacetan juga terjadi di jalan tol. Salah satu titik rawan kemacetan adalah di gerbang tol. Kemacetan ini tidak hanya terjadi pada jam sibuk, tetapi juga terjadi sepanjang hari. Kemacetan disebabkan waktu tunggu pada proses pembayaran. Kemacetan yang terjadi di Gerbang Tol Otomatis (GTO) Multi Kendaraan salah satunya disebabkan oleh adanya proses penentuan golongan kendaraan secara manual oleh petugas pada control room. Kendaraan yang menggunakan jalan tol digolongkan kedalam 5 golongan berdasarkan jumlah gandar. Petugas melihat satu persatu kendaraan yang melintas dan menentukan golongan kendaraan tersebut, biaya tol yang harus dibayar oleh pengguna jalan tol adalah bedasarkan golongan kendaraan yang digunakan. Kemacetan pada jalan tol menimbulkan dampak negatif seperti seperti pemborosan bahan bakar dan waktu, dan juga dampak lingkungan yang dapat menyebabkan kerugian secara ekonomi. Oleh sebab itu, pada penelitian ini akan dilakukan simulasi deteksi golongan kendaraan pada gerbang tol dengan menggunakan teknologi computer vision dan deep learning, dengan algoritma Yolov4. Dengan adanya pendeteksian golongan kendaraan secara otomatis maka diharapkan waktu tunggu pada gerbang tol dapat memenuhi Standar Pelayanan Minimal (SPM) Jalan Tol yaitu maksimal 5 detik. Dataset berupa 650 gambar golongan kendaraan, setelah di augmentasi menjadi 1547 gambar. Proses training dilakukan menggunakan Google Colabs. Video rekaman lalu lintas kendaraan yang sedang berjalan akan menjadi inputan pada pengujian implementasi aplikasi Python. Dari pengujian yang telah dilakukan dapat dilihat bahwa model sudah dapat mendeteksi golongan kendaraan dengan baik.

Implementasi Logika Fuzzy Inferensi Tsukamoto Pada Preventive dan Predictive Maintenance Sluge Separator Berbasis Smart Meter Sunanto Sunanto; Reny Medikawati Taufiq; Rahmat Febri
JURNAL FASILKOM Vol 13 No 01 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v13i01.5359

The clarifier station is also known as a purification station. Its main function is to obtain palm oil in a very pure condition. There are several machines ready to work to refine Crude Palm Oil from palm oil. One of the machines at the refining station is the Sludge Separator which has the function of extracting oil that is still contained in a centrifugal manner where water and NOS with a specific gravity greater than oil will be thrown out and oil will enter the interior. The Sludge Separator method separates oil from water and NOS, namely by rotating (spinning) the bowl that has been installed and released through the nozzle. This rotation is generated from the conveyor motor. To optimize the work of the clarification station, especially on the Sludge Separator machine, a tool and system was created to monitor traffic flow, record the start time of the active Sludge Separator conveyor motor and schedule Preventive and Predictive Maintenance according to the working conditions of the motor, to make the system use the method/algorithm Fuzzy Tsukamoto. And in this research implementation, testing and results will be carried out on a prototype that utilizes the NodeMCU microcontroller (esp32), current and web sensors using hypertext preprocessor

Deep Learning Untuk Klasifikasi Kematangan Buah Mangrove Berdasarkan Warna Harun Mukhtar; Febrian Alfanico; Hasanatul Fu’adah Amran; Fitri Handayani; Reny Medikawati Taufiq
JURNAL FASILKOM Vol 13 No 3 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v13i3.6292

Plants that live between land and sea, such as mangroves, are influenced by the tides and tides. Indonesia has the largest mangrove forest in the world and a variety of biodiversity and structure. People currently detect mangrove maturity by looking directly at the fruit. This study proposes to classify the maturity of mangrove fruit using artificial intelligence techniques, making it easier for farmers to determine the ripeness of the fruit. This proposal uses data from 200 images for mangroves taken directly from Lukit Village, Merbau District, Meranti Islands Regency. This research improves the Convolutional Neural Network (CNN) method to classify mangrove fruit maturity. The results obtained from this research were by classifying ripe and unripe fruit. Based on this research, accuracy reaches a maximum of 96%.

Title

Found 7 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 7 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 7 Documents
Search