Garuda - Garba Rujukan Digital

Klasifikasi Tumor Payudara Berbasis Ciri Tekstur pada Citra Mammografi Menggunakan Metode Naive Bayes BELLA JULIA; HENI SUMARTI; HAMDAN HADI KUSUMA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 2 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i2.165-176

ABSTRAKKanker payudara adalah jenis kanker yang terjadi pada sebagian besar wanita. Kanker payudara terjadi akibat pertumbuhan berlebih atau perkembangan sel jaringan payudara yang tidak terkendali. Mammografi merupakan metode terbaik untuk deteksi dini kanker payudara karena dapat menunjukkan lesi secara dini. Namun, analisis terhadap mammogram ini masih dilakukan secara manual oleh ahli medis, sehingga perlu perangkat tambahan. Telah banyak penelitian tentang olah citra untuk deteksi kanker secara otomatis. Pada penelitian ini digunakan metode Naive Bayes untuk klasifikasi citra tumor jinak dan tumor ganas. Tujuan dari penelitian ini untuk mengklasifikasi citra mammografi berdasarkan dua kelas yaitu tumor jinak dan tumor ganas dengan berbasis ciri tekstur menggunakan histogram dan Gray Level Co-occurrence Matrix (GLCM). Penelitian ini menunjukkan hasil akurasi sebesar 80%, sensitivitas sebesar 90%, dan spesifitas sebesar 70%. Oleh karena itu, penelitian ini bisa dijadikan perangkat tambahan untuk klasifikasi tumor payudara ganas dan jinak.Kata kunci: Tumor Payudara, Mammografi, Klasifikasi Naive Bayes.ABSTRACTBreast cancer is a type of cancer that occurs in most women. Breast cancer occurs due to overgrowth or uncontrolled development of breast tissue cells. Mammography is the best method for early detection of breast cancer because it can show lesions early. However, the analysis of this mammogram is still done manually by medical experts, so additional devices are needed. There have been many studies on image processing for automatic detection. In this study, the Naive Bayes method was used to classify images of benign tumors and malignant tumors. The purpose of this study is to classify mammographic images based on two classes, namely benign and malignant tumors based on histogram textures and Gray Level Co-occurrence Matrix (GLCM). This study showed an accuracy of 80%, sensitivity of 90%, and specificity of 70%. Therefore, this study can be used as an additional tool to classify malignant and benign tumors.Keywords: Breast Cancer, Mammografi, Naive Bayes Classification

RESULTANT: Data Preparation Techniques to Improve XGBoost Algorithm Performance KURNIA RAMADHAN PUTRA; SOFIA UMAROH; NUR FITRIANTI; SATRIA NUGRAHA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.42-51

ABSTRAKPrediksi credit scoring saat ini banyak digunakan dalam layanan peer-to-peer lending oleh perusahaan teknologi finansial. Salah satu teknologi yang digunakan untuk credit scoring adalah data mining menggunakan algoritma machine learning XGBoost yang memiliki tingkat akurasi yang tinggi. RESULTANT diusulkan sebagai teknik yang digunakan untuk memaksimalkan hasil dari salah satu tahapan data mining yaitu preparasi data. Dataset yang digunakan adalah data Lending Club dengan total 2.260.701 record dan 151 variabel. Tahapan yang dilakukan pada RESULTANT adalah seleksi fitur, penanganan missing value, penanganan data outlier dan penanganan data ketidakseimbangan. Dari tahap RESULTANT, dihasilkan 44 variabel akhir yang siap digunakan untuk membangun model dengan menggunakan algoritma XGBoost. Hasil menunjukkan bahwa RESULTANT mampu meningkatkan performa algoritma XGBoost dengan akurasi 99,17%, presisi 99,28%, recall 99,05%, spesifisitas 99,29%, ROC/AUC 99,94%, dan skor f1 99,17%.Kata kunci: XGBoost, Preparasi Data, Seleksi Fitur, Missing Value, OutlierABSTRACTCredit scoring predictions are currently widely used in peer-to-peer lending services by financial technology companies. One of the technologies used for credit scoring is data mining using the XGBoost machine learning algorithm which has a high degree of accuracy. We present RESULTANT as a technique used to maximize the results of one of the stages of data mining, namely data preparation. The dataset used is Lending Club data with a total of 2,260,701 records and 151 variables. The stages carried out in RESULTANT are feature selection, handling missing values, handling outlier data and handling imbalance data. From the RESULTANT stage, 44 final variables are produced which are ready to be used to build models using the XGBoost algorithm. The results showed that RESULTANT was able to improve the performance of the XGBoost algorithm with accuracy 99,17%, precision 99,28%, recall 99,05%, specificity 99,29%, ROC/AUC 99.94%, and f1-score 99,17%.Keywords: XGBoost, Data Preparation, Feature Selection, Missing Value, Outlier

Pengukuran Kinerja Sistem Informasi Penerimaan Mahasiswa Baru Menggunakan GTMetrix, WebAIM dan LoadView RANDI RIZAL; RUUHWAN RUUHWAN; ALAM RAHMATULLOH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.107-118

ABSTRAKPerforma website ditandai dengan durasi load dan respon time yang cepat serta kestabilan dari website ketika melayani banyak request dari pengguna. Penelitian ini bertujuan untuk mengetahui dan mengevaluasi tingkat kualitas website berdasarkan PageSpeed dan YSlow menggunakan automated software testing GTmetrix. Metode load view menjadi standard penguji kesetabilan web server dan kecepatan akses website yang diukur dengan bantuan aplikasi berbasis cloud dengan cara kerja yang realtime. Hasil dari penelitian ini, pengujian GTMatrix diperoleh pagespeed dengan Grade D (65%). Namun di Yslow Score mempunyai hasil yang lebih baik dengan Grade C (73%) dengan fully Load 7.2 s dan total page 2.49 MB jumlah request 26. Penyebab kurang maksimalnya PageSpeed dikarenakan Serve Scaled Image, Optimize Image dan Laverage Browser Cache. Sedangkan hasil dari analisis load view bahwa penyebab lambat nya load adalah gambar dengan ukuran yang besar berformat png.Kata kunci: GTMetrix, LoadView, WebAIM, PagespeedABSTRACTWebsite performance is characterized by fast load duration and response time as well as stability of the website when serving many requests from users. This study aims to determine and evaluate the quality level of websites based on PageSpeed and YSlow using GTmetrix automated software testing. The load view method is the standard for testing web server stability and website access speed which is measured with the help of cloud-based applications in a real-time way. The results of this study, the GTMatrix test obtained pagespeed with Grade D (65%). However, the Yslow Score has better results with Grade C (73%) with a full load of 7.2 s and a total page of 2.49 MB, the number of requests is 26. The reason for the lack of maximum PageSpeed is due to Serve Scaled Image, Optimize Image and Leverage Browser Cache. While the results of the load view analysis show that the cause of the slow loading is images with large sizes in png format.Keywords: GTMetrix, LoadView, WebAIM, Pagespeed

Peningkatan Performa MobilenetV3 dengan Squeeze-and-excitation (Studi Kasus Klasifikasi Kesegaran Ikan Berdasarkan Mata Ikan) GALIH ASHARI RAKHMAT; MUHAMMAD FIKRI HAEKAL
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.27-41

AbstrakIkan mengandung banyak nutrisi, protein tinggi yang memiliki banyak manfaat untuk tubuh manusia. Hal tersebut, membuat banyak masyarakat mengkonsumsi ikan sebagai makanan sehari – hari. Sehingga diperlukan ketelitian masyarakat ketika membeli ikan menjadi perhatian serius dalam memilih ikan terkait kesegarannya. Penelitian dilakukan dengan mengklasifikasikan 24 kelas kesegaran ikan berdasarkan mata ikan dengan menguji performa arsitektur MobileNetV3 dengan Squeeze-and-excitation. Hasil yang didapatkan model dengan kinerja terbaik diperoleh pada hyperparameter learning rate 0.00001, batch size train 10 val 10, optimizer ADAM, epochs 100 dengan model arsitektur MobileNetV3-Small. berdasarkan hasil evaluasi performa model didapatkan 68% accuracy, 69% precision, 67% recall dan 68% f1-score pada pengujian 876 data uji dengan 24 kelas yaitu terdiri dari tingkat kesegaran dan jenis ikan yang berbeda.Kata kunci: MobileNetV3, Hyperparameter, Mata Ikan, KlasifikasiAbstractFish contains many nutrients, high protein which has many benefits for the human body. This, makes many people consume fish as daily food. So that people need to be careful when buying fish to be a serious concern in choosing fish related to its freshness. The research was conducted by classifying 24 classes of fish freshness based on fish eye by testing the performance of the MobileNetV3 architecture with Squeeze-and-excitation. The results obtained for the model with the best performance were obtained at hyperparameter learning rate 0.00001, batch size train 10 val 10, ADAM optimizer, epochs 100 with the MobileNetV3-Small architectural model. Based on the results of the model performance evaluation, it obtained 68% accuracy, 69% precision, 67% recall and 68% f1-score on 876 test data with 24 classes consisting of different levels of freshness and types of fish.Keywords: MobileNetV3, Hyperparameter, Fish Eye, Classification

Respon Pengendara Akibat Distraksi Melalui Perancangan Game Driving Simulator Berbasis VR ERWANI MERRY SARTIKA; NOVIE THERESIA BR. PASARIBU; WINDA HALIM; VIERI CANDHYA WIGAYHA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.77-91

ABSTRAKKetika seseorang mengalami distraksi, maka proses penerimaan informasi akan terganggu. Faktor yang mempengaruhi proses berkendara yaitu faktor internal (kemampuan berkendara) dan faktor eksternal (kondisi lalu lintas). Pada penelitian ini dilakukan perancangan dan realisasi Game Driving Simulator untuk mengetahui respon pengendara akibat distraksi. Perancangan dilakukan menggunakan perangkat lunak Unity dan dengan menggunakan Virtual Reality (VR). Tahap perancangan dimulai dari melakukan import asset, perancangan environment, mobil player, MobilBot, UI, program level dan pengambilan data. Analisa dilakukan setelah pengambilan data dengan menggunakan Analysis of Variance (ANOVA). Hasil analisa ANOVA menunjukkan bahwa distraksi berpengaruh terhadap responden, namun responden akan terbiasa jika sering melewati distraksi yang sama. Perbedaan level berpengaruh pada tiap responden.Kata kunci: Kognitif, Virtual Reality, Unity, ANOVA, Distraksi, Berkendara, SimulatorABSTRACTWhen a person experiences distraction, the process of receiving information will be disrupted. Factors that influence the driving process are internal factors (driving ability) and external factors (traffic conditions). In this research, the design and realization of the Driving Simulator Game was carried out to determine the driver’s response due to distraction. The design is done using Unity software and by using Virtual Reality (VR). The design stage starts from importing assets. Designing the environment, player car, bot car, UI, program level, and data retrieval. The analysis was carried out after data collection using Analysis of Variance (ANOVA). ANOVA is used to determine the driver’s response due to distraction in the Driving Simulator Game. The results of the ANOVA analysis show that distraction affects the respondents, but respondents will get used to it if they often pass through distractions. Different levels affect each respondent.Keywords: Cognitive, Virtual Reality, Unity, ANOVA, Distraction, Driving, Simulator

House Prices Prediction : Multiple Linear Regression vs Ridge vs Polynomial JASMAN PARDEDE; RAYYAN RAYYAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.14-26

AbstractThe phenomenon of falling or rising house prices has attracted the interest of researchers as well as many other interested parties. The house not only be used as a place to live, it is also used as an investment instrument. Errors in determining the price of the house can result in losses. However, with data from developers, machine learning models can be applied for price predictive analysis. Several methods are used such as multiple linear regression, ridge, and polynomial. Model performance was measured using evaluation matrices such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and also Mean Absolute Error (MAE). Multiple linear regression models yielding values of 0.0952, 0.3086, 0.2452, ridge yielding values of 0.0952, 0.3086, 0.2453, and polynomial yielding values of 0.0874, 0.2955, 0.2344. These results prove that the polynomial regression model with a value of degree = 2, coupled with a regularization technique using ridge regression with a value of Alpha = 100 can produces the best performance judging from the value of the error matrix it produces, the model will also be used to predict house prices in a web-based applications.Keywords: Multiple Linear Regression, Ridge Regression, Polynomial RegressionAbstrakFenomena turun atau naiknya harga rumah telah menarik minat dari peneliti juga banyak pihak lain yang berkepentingan. Rumah tidak hanya dijadikan sebagai tempat tinggal, rumah juga digunakan sebagai instrumen investasi. Kesalahan menentukan harga rumah dapat mengakibatkan kerugian. Namun, dengan adanya data – data dari pengembang, pembuatan model machine learning dapat diaplikasikan guna keperluan analisis prediktif harga. Beberapa metode yang digunakan seperti regresi linear berganda, ridge, dan polinomial. Performa model diukur menggunakan matriks evaluasi seperti Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan juga Mean Absolute Error (MAE). Model regresi linear berganda menghasilkan nilai 0.0952, 0.3086, 0.2452, ridge menghasilkan nilai 0.0952, 0.3086, 0.2453, dan polinomial menghasilkan nilai 0.0874, 0.2955, 0.2344. Hasil tersebut membuktikan bahwa model regresi polinomial dengan nilai degree = 2, ditambah dengan teknik regularisasi regresi ridge dengan nilai Alpha = 100 dapat menghasilkan performansi terbaik dilhat dari nilai matriks error yang dihasilkannya, model tersebut juga akan digunakan untuk melakukan prediksi harga rumah pada aplikasi yang berbasis website.Kata kunci: Regresi Linear Berganda, Regresi Ridge, Regresi Polinomial

Implementasi ShuffleNet V2 Pada Klasifikasi Penyakit Kulit Benign dan Malignant JASMAN PARDEDE; MUHAMMAD RIFALDI BADU
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.65-76

ABSTRAKPenyakit kulit atau kanker kulit disebabkan oleh adanya pertumbuhan abnormal sel kulit. Kanker kulit dapat diklasifikasikan menjadi dua kategori yaitu tumor kulit benign (jinak) atau malignant (tumor ganas) dengan karakteristik yang hampir sama. Beberapa metode telah dilakukan untuk membantu deteksi penyakit kulit salah satunya menggunakan computer vision. Pada penelitian ini, dirancang sebuah sistem yang dapat mengklasifikasi penyakit kulit benign dan malignant pada citra dermoskopi dengan menggunakan arsitektur ShuffleNet V2. Eksperimen dilakukan menggunakan 5 varian model ShuffleNet V2 berbeda dengan hyperparameter yaitu optimizer adam, learning rate 0.0001, batch size 16 dan epoch 40. Penelitian ini menunjukkan bahwa model ShuffleNetV2_1.0_1_373 menunjukkan performa terbaik dibandingkan dengan varian model lainnya berdasarkan hasil evaluasi accuracy, precision, recall dan f1-score dengan mencapai skor masing-masing sebesar 87,2%, 87,5%, 87,0%, dan 87,2%.Kata kunci: CNN, Lightweight CNN, ShuffleNet V2, Kanker Kulit, benign, malignantABSTRACTSkin disease, or skin cancer, is caused by the abnormal growth of skin cells. Skin cancer can be classified into two categories, namely benign (benign) or malignant (malignant tumor) skin tumors, with almost the same characteristics. With it, early detection and accurate diagnosis are needed to help identify benign and malignant skin cancer. Several methods have been developed to aid in the detection of skin diseases, one of which is the use of computer vision. In this study, a system was designed that could classify skin diseases on dermoscopy images using the ShuffleNet V2 architecture. In the experimental results, 5 variants of the ShuffleNet V2 model were tested using hyperparameters such as adam optimizer with a learning rate of 0.0001, batch size of 16, and epoch 40. The model with the best performance based on the evaluation results was the ShuffleNetV2_1.0_1_373 model, which obtained 87.2% accuracy, 87.5% precision, 87.0% recalls, and an 87.2% F1 score.Keywords: CNN, Lightweight CNN, ShuffleNet V2, Skin Cancer, benign, malignant

Klasifikasi Citra Bibit Tanaman Menggunakan Convolutional Neural Network Dan Improved Feature Pyramid Network MUHAMMAD ICHWAN; RIZKIKA SITI SYIFA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.1-13

AbstrakKlasifikasi bibit tanaman bertujuan untuk membantu mempermudah pengendalian jenis tanaman. Tugas klasifikasi tanaman menggunakan metode manual rentan terhadap kesalahan manusia. Pada penelitian ini, CNN dan Improved FPN diimplementasikan untuk meningkatkan akurasi pada saat melakukan tugas klasifikasi. Peningkatan FPN dilakukan untuk meningkatkan kualitas informasi yang didapatkan fitur, dengan menerapkan Channel Attention Module dan Augmented Bottom-up Pathway. Arsitektur ResNet50 digunakan sebagai backbone konvolusi FPN untuk meningkatkan kemampuan FPN mengekstraksi fitur. CNN kemudian diterapkan pada setiap peta fitur FPN akhir untuk mengklasifikasikan data. Hasil pengujian menunjukkan model memiliki kinerja lebih baik ketika FPN ditingkatkan dengan Channel Attention Module dan Augmented Bottom-up Pathway dengan rasio pengurangan Channel Attention diatur ke nilai 4 dengan akurasi pengujian yaitu 93,11% dan skor F1 yaitu 93%.Kata kunci: bibit tanaman, cnn, fpn, resnet50, channel attention module, augmented bottom-up pathway, klasifikasi citraAbstractPlant seedlings classification aims to help facilitate plant species control. The plant classification task using manual methods is prone to human error. In this study, CNN and Improved FPN were implemented to increase accuracy when performing the classification task. The FPN improvement was done to improve the quality of information obtained by the features, by implementing Channel Attention Module and Augmented Bottom-up Pathway. ResNet50 architecture was used as the convolutional backbone in FPN to enhance the feature extraction capabilities. CNN was then applied to each of FPN final feature maps to classify the data. The test results showed that the model performed better when the FPN was improved with the Channel Attention Module and Augmented Bottom-up Pathway where the Channel Attention reduction ratio was set to 4 with test accuracy of 93.11% and F1 score of 93%.Keywords: plant seedlings, cnn, fpn, resnet50, channel attention module, augmented bottom-up pathway, image classification

Teknik SMOTE Sebagai Solusi Imbalance Class dalam Model Deteksi Intrusi DDoS dengan Metode PCA-Random Forest BACHTIAR RAMADHAN; DIASH FIRDAUS; ARGYA RIJAL RAFI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.52-64

ABSTRAKKeamanan sistem informasi adalah faktor yang harus diperhatikan. Keamanan sistem informasi mampu mendeteksi serangan yang terjadi pada sistem informasi. Salah satunya adalah serangan DDoS. Hal ini disebabkan DDoS dapat menimbulkan ancaman dalam jumlah besar yang dapat menganggu sistem. Serangan DDoS di dunia meningkat 6% setiap tahunnya. Untuk mengatasi hal tersebut, dilakukan penelitian dengan pendekatan machine learning. Dataset yang digunakan adalah CICDDos 2017 dan CICDDoS 2019 dari University of New Brunswick. Untuk menghasilkan data yang baik, dilakukan SMOTE untuk mengatasi imbalance class, dan feature selection menggunakan PCA sehingga menghasilkan 15 fitur pilihan. Kemudian dilakukan pemodelan menggunakan Random Forest Classifier. Hasil penelitian ini adalah nilai akurasi sebesar 99.94%, presisi sebesar 99.90%, recall sebesar 99.97%, dan f1-score sebesar 99.94%. Dari hasil tersebut, dapat disimpulkan teknik PCA-Random Forest dapat mendeteksi serangan DDoS dengan baik.Kata kunci: DDoS, SMOTE, PCA-Random ForestABSTRACTInformation system security is a factor that must be considered. Information system security is able to detect attacks that occur on information systems. One of them is a DDoS attack. This is because DDoS can cause a large number of threats that can disrupt the system. DDoS attacks in the world are increasing 6% every year. To overcome this, we conducted research using a machine learning approach. The dataset used is CICDDoS 2017 and CICDDoS 2019 from the University of New Brunswick. To produce good data, SMOTE is performed to overcome class imbalance, and feature selection uses PCA to produce 15 selected features. Then modeling is done using the Random Forest Classifier. The results of this study are 99.94% accuracy, 99.90% precision, 99.97% recall, and 99.94% f1-score. From these results, it can be concluded that the PCA-Random Forest technique can detect DDoS attacks properly.Keywords: DDoS, SMOTE, PCA-Random Forest

Penerapan Sistem Elektronik Keamanan Lingkungan Berbasis Internet of Things Menggunakan Modul LoRa Garuda ARDI GUNAWAN; ISMASARI NAWANGSIH; SUGENG BUDI RAHARDJO
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 8, No 1 (2023): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v8i1.92-106

ABSTRAKKeamanan lingkungan merupakan isu penting yang mempengaruhi kehidupan manusia. Salah satu bentuk kegiatan masyarakat untuk menjaga keamanan pada lingkungan adalah Ronda Malam. Meskipun kegiatan ronda sudah berjalan rutin, kasus pencurian masih saja kerap terjadi. Selain itu kegiatan patroli kamling yang dilakukan kurang maksimal. Hal tersebut merupakan suatu celah untuk para pelaku tindakan kriminal. Dari permasalah tersebut, penulis memiliki inovasi sistem elektronik keamanan lingkungan menggunakan Internet of Things. Untuk jadwal patroli akan ditentukan oleh sistem berdasarkan 25 area titik yang sudah ditentukan dan akan di acak setiap harinya, dimulai pada pukul 12 malam hingga pukul 5 pagi. Proses verifikasi patroli menggunakan RFID yang di scan pada perangkat IoT, data hasil scan RFID akan dikirimkan ke server melalui modul lora garuda. Dari hasil pengujian yang dilakukan menunjukan bahwa perangkat LoRa Garuda dapat terkoneksi dengan baik pada jaringan Lorawan Antares dan dapat mengirmkan data hasil scan pada setiap area titik.Kata kunci: Keamanan, Lingkungan, IoT, Lora Garuda, Ronda MalamABSTRACTEnvironmental safety is one of the important things that has an influence on people's lives. One form of community activity to maintain security in the environment is night patrol. Although patrol activities have been running regularly, theft cases still often occur. In addition, the kamling patrol activities carried out are not optimal. This is a loophole for perpetrators of criminal acts. From these problems, author has developed an innovation for environmental security electronic systems using the Internet of Things. Patrol schedule will be determined by system based on 25 predetermined point areas and that will be random every day, starting at 12 pm to 5 am. Patrol verification process uses RFID scanning on IoT devices, RFID scanned data will be sent to server via Lora Garuda module. From the results of the testing carried out, it shows that the LoRa Garuda device can be well connected to the Lorawan Antares network and can send scan data at each point area.Keywords: : Security, Environment, IoT, Lora Garuda, Night Patrol

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
-

Contact Email
-

Phone
-

Journal Mail Official
-

Editorial Address
-

Location
Kota bandung,

Jawa barat

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name -

Contact Email -

Phone -

Journal Mail Official -

Editorial Address -

Location Kota bandung, Jawa barat INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
-

Contact Email
-

Phone
-

Journal Mail Official
-

Editorial Address
-

Location
Kota bandung,

Jawa barat

INDONESIA