cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
ekrek@gunadarma.ac.id
Editorial Address
Jalan Margonda Raya 100
Location
Kota depok,
Jawa barat
INDONESIA
Jurnal Ilmiah Teknologi dan Rekayasa
Published by Universitas Gunadarma
ISSN : 14109093     EISSN : 20898088     DOI : http://dx.doi.org/10.35760/tr.
Core Subject : Science, Engineering,
Automotive Engineering Computer Science & IT Electrical & Electronics Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology
Jurnal ini diterbitkan secara berkala tiga kali dalam setahun, April, Agustus, dan Desember. Artikel yang dimuat dalam jurnal ini merupakan artikel ilmiah hasil penelitian tentang teknologi dan rekayasa yang meliputi teknik informatika, teknik elektro, teknik mesin, dan teknik industri. Artikel dapat ditulis dalam bahasa indonesia maupun bahasa inggris.
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 7 Documents
 1 
Search results for , issue "Vol 24, No 3 (2019)" : 7 Documents clear
KLASIFIKASI JENIS KENDARAAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) Fadlia, Nur; Kosasih, Rifki
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2397

Abstract

Kemacetan merupakan suatu keadaan padatnya lalu lintas yang dapat disebabkan oleh banyak faktor. Salah satu faktor yang menyebabkan kemacetan adalah banyaknya kendaraan yang melintas di jalan. Salah satu usaha yang dapat dilakukan untuk mengurangi masalah kemacetan yaitu dengan membuat jalur khusus yang hanya boleh dilalui kendaraan roda dua, empat atau lebih. Akan tetapi, terdapat pengendara yang masih menggunakan jalur yang tidak sesuai seperti di jalan Margonda Raya, Depok. Kendaraan roda dua (motor) yang telah disiapkan jalur khusus, sering kali mengambil jalur untuk kendaraan roda empat sehingga diperlukan suatu kegiatan pengawasan penggunaan jalur lalu lintas. Oleh karena itu, pada penelitian ini dibuat pengenalan jenis-jenis kendaraan menggunakan metode Convolutional Neural Network (CNN). Data yang digunakan dalam penelitian ini sebanyak 120 citra yang terdiri dari citra mobil, motor dan sepeda. Hasil uji coba dan evaluasi model terhadap tiga jenis kendaraan menggunakan package Keras menunjukkan akurasi sebesar 94,4% pada tahap pelatihan dan 73,3% pada tahap pengujian.
RANCANG BANGUN PURWARUPA SISTEM PENGUNCI LEMARI DENGAN PENGENALAN SUARA Dzulfikar, Laksamana Akbar; Haryatmi, Emy; Riyadi, Tri Agus
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2398

Abstract

Sistem keamanan berbasis teknologi modern telah banyak diterapkan di kehidupan sehari-hari salah satunya adalah penerapan sistem keamanan pada kunci pintu lemari. Perintah suara merupakan salah satu media pengoperasian sistem home automation yang banyak diminati. Pada penelitian ini  dibuat sistem pengunci lemari dengan metode pengenalan suara. Sistem keamanan ini menggunakan suara untuk membuka kunci pintu lemari dan menguncinya. Alat ini dirancang dengan menggunakan modul elechouse voice recognition v3, Arduino Uno R3 sebagai mikrokontroler, motor servo 9g dan lampu LED. LED berfungsi sebagai indikator tambahan pada saat penguncian lemari. Perancangan sistem pengunci lemari ini menggunakan pengenalan suara dengan dua kondisi pergerakan motor servo. Hasil penelitian menunjukkan kondisi pertama jika suara pengguna terdeteksi sebagai suara dengan signature “on” maka motor servo akan bergerak membuka kunci lemari dan LED sebagai indikator tambahan akan menyala. Kondisi kedua yaitu jika suara pengguna terdeteksi sebagai suara dengan signature “off” maka motor servo akan bergerak menutup kunci lemari dan LED sebagai indikator tambahan akan mati. Baud rate yang memiliki tingkat keberhasilan paling tinggi adalah 2400 bps.
PERBANDINGAN ALGORITMA KLASIFIKASI DALAM PENGKLASIFIKASIAN DATA PENYAKIT JANTUNG KORONER Wibisono, Ardea Bagas; Fahrurozi, Achmad
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2393

Abstract

Penyakit Jantung Koroner (PJK) menjadi penyebab kematian tertinggi pada semua umur setelah stroke. Hal ini mendorong banyak penelitian terhadap penyakit jantung koroner, salah satunya menggunakan metode berbasis komputer. Pengolahan data dalam jumlah besar dapat dilakukan dengan klasifikasi menggunakan algoritma tertentu sehingga hasilnya cepat dan akurat. Metode klasifikasi yang umum digunakan antara lain Naïve Bayes, K-Nearest Neighbor, Decision Tree dan Random Forest. Metode  Naïve Bayes menggunakan probabilitas disetiap data, metode K-Nearest Neighbor menggunakan perhitungan jarak, metode Decision Tree menggunakan pohon keputusan, sedangkan metode Random Forest menggunakan beberapa pohon keputusan yang disatukan. Penelitian ini bertujuan untuk membandingkan keempat algoritma tersebut dalam mengklasifikasikan data penyakit jantung koroner. Perbandingan algoritma akan dilihat berdasarkan performance measure yang terdiri dari tingkatan akurasi, recall disetiap kelas, dan presisi disetiap kelas. Pada setiap algoritma diuji menggunakan cross validation. Berdasarkan hasil perbandingan terhadap 300 dataset penyakit jantung koroner, algoritma Random Forest lebih baik dan optimal dibanding dengan Algoritma Naïve Bayes, K-Nearest Neighbor, dan Decision Tree untuk mengklasifikasikan penyakit jantung koroner. Hasil klasifikasi dengan algoritma Random Forest memiliki rerata tingkat akurasi sebesar 85,668 % dengan recall kelas ’1’ adalah 89 %, recall kelas ’0’ adalah 83,6%, presisi kelas ’1’ adalah 85%, dan presisi kelas ’0’ adalah 85,8%.
OPTIMASI RUTE TRUK PENGANGKUT SAMPAH DI KOTA DEPOK Mappa, Tegar Mujadid; Sudaryanto, Sudaryanto
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2399

Abstract

Kota Depok merupakan salah satu wilayah dengan jumlah populasi penduduk terpadat di Indonesia. Jumlah penduduk yang besar menimbulkan permasalahan salah satunya adalah sampah. Pengelolaan sampah yang baik terutama pada pengangkutan sampah dari TPS hingga TPA harus diperhatikan supaya proses transportasi efektif dan efisien. Masalah ini terkait dengan penentuan rute truk sampah. Pada penelitian ini penentuan rute transportasi truk sampah di kota Depok dilakukan menggunakan metode Nearest Neighbour. Metode ini digunakan karena sesuai dengan permasalahan yang terjadi dimana terdapat kendala yaitu kapasitas muatan yang terbatas. Langkah penyelesaiannya yaitu truk mengawali perjalanan dari depot yang berlokasi di area TPA Cipayung menuju TPS terdekat lalu menuju TPA untuk membongkar muatan dan kembali ke depot. Berdasarkan penyelesaian menggunakan metode Nearest Neigbour didapatkan hasil terjadi pengabungan 6 rute baru. Jarak tempuh seluruh armada dalam satu hari yang sebelumnya 845,6 km menjadi 775,6 km sehingga penghematan jarak tempuh sekitar 8,3%. Jumlah truk untuk mengangkut sampah sebanyak 197 m3 yang sebelumnya 40 armada menjadi hanya 34 armada, sehingga ada penghematan sekitar 15%. Waktu waktu proses yang digunakan seluruh armada truk ke seluruh TPS hingga kembali ke depot sebelumnya adalah 9914 menit, dengan metode Nearest Neighbour didapatkan pengurangan waktu proses menjadi 9457 menit, sehingga menghemat waktu sekitar 4,6%.
SISTEM MONITORING GAS CO PADA PARKIRAN BASEMENT MALL DI JAKARTA MENGGUNAKAN METODE REAL-TIME BERBASIS INTERNET OF THINGS (IoT) Adli, Fikri Faisal; Arifin, Ajib Setyo
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2394

Abstract

Kadar kualitas udara yang ada pada suatu daerah menjadikan tolak ukur keamanan dan kebersihan daerah tersebut. Begitu juga dengan area tertutup seperti parkiran basement. Persentase kadar gas yang terperangkap di parkiran basement jauh lebih tinggi dibandingkan tempat tertutup lainnya. Hal ini dikarenakan pada area tersebut terdapat aktivitas keluar masuk kendaraan sehingga potensi terperangkapnya gas karbon monoksida (CO) yang berasal dari kendaraan sangat tinggi. Berdasarkan kondisi tersebut diperlukan untuk dibuat sistem monitoring kadar gas CO di area parkir. Pada penelitian ini, dibuat sistem monitoring kadar gas CO dengan metode real-time berbasis Internet of Things (IoT). Sensor gas yang dipakai adalah MQ-7 yang digabungkan dengan mikrokontroler Arduino Uno. Untuk jalur pengiriman data secara real-time digunakan WiFi modul ESP8266. Data yang telah diambil oleh sensor akan disimpan dalam ThingSpeak cloud melalui ESP8266. Berdasarkan hasil monitoring didapatkan nilai kadar gas CO parkiran basement cukup tinggi, yaitu dengan nilai rata-rata 15,52 ppm dan nilai tertinggi ada pada 17,27 ppm.
SISTEM PAKAR UNTUK DIAGNOSA AWAL PENYAKIT LAMBUNG MENGGUNAKAN METODE DEMPSTER-SHAFER BERBASIS WEB Ardiansyah, Rizky; Fauziah, Fuziah; Ningsih, Andria
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2395

Abstract

Berdasarkan situs kesehatan Health Line menyebutkan 60% orang dewasa akan mengalami masalah asam lambung. Di Indonesia penderita GERD pada tahun 2018 adalah 27,4% dan menempati urutan 10 besar penyakit dengan penderita terbanyak. Hal ini dipicu juga kurangnya pengetahuan masyarakat terhadap informasi jenis-jenis penyakit serta gejala yang terdapat pada lambung. Selain itu jika gejala penyakit lambung muncul maka masyarakat kadang tidak segera berkonsultasi kepada dokter. Oleh karena itu pada penelitian ini dibuat sistem pakar yang dapat merekomendasikan diagnosa awal penyakit pada lambung berdasarkan gejala yang dipilih. Sistem pakar merupakan sistem computer yang digunakan untuk menyerap pengetahuan dan keahlian manusia. Aplikasi sistem pakar ini dibuat menggunakan bahasa pemograman PHP dan database MySQL. Object pada penelitian ini hanya berfokus pada penyakit lambung yaitu Gastroparesis, GERD, Dispepsia, dan Tukak Lambung. Metode Dempster Shafer merupakan teori matematika berdasarkan fungsi kepercayaan dan pemikiran yang masuk akal. Pengujian akurasi sistem dengan menggunakan 20 sample mendapatkan presentase sebesar 95%.
KLASIFIKASI KERUSAKAN BANGUNAN SEKOLAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN PRE-TRAINED MODEL VGG-16 Rizki, Ade Muhammad; Marina, Nola
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 3 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2019.v24i3.2396

Abstract

Bangunan sekolah merupakan komponen utama penunjang pelaksanaan proses belajar mengajar dan menjadi salah satu faktor penentu peningkatan mutu suatu lembaga pendidikan. Ketersediaan sarana dan prasarana sebagai penunjang kegiatan juga merupakan hal yang penting dalam peningkatan mutu itu sendiri, sehingga dibutuhkan pemeliharaan dan perawatan yang tepat dalam penggunaan bangunan tersebut. Pada proses penggunaanya, banyak bangunan sekolah yang tidak terawat dikarenakan kurangnya perhatian pada kualitas bangunan tersebut, maupun faktor-faktor yang tidak menentu, seperti kesalahan dalam merancang, cuaca, maupun bencana alam. Salah satu upaya yang dilakukan untuk penanganan bangunan rusak adalah dengan dilakukannya rehabilitasi sebagai penentuan penilaian kerusakan bangunan yang salah satunya dengan mengklasifikasi bangunan secara langsung maupun dengan kumpulan citra. Berdasarkan permasalahan tersebut, dibangun sebuah model Convolutional Neural Network (CNN) untuk mengklasifikasi kerusakan bangunan sekolah di Indonesia. Algoritma CNN yang dibangun menggunakan VGG-16 sebagai pre-trained modelnya. Algoritma CNN digunakan karena memiliki performa yang lebih baik untuk mempelajari data citra dibandingkan dengan metode konvensional lainnya. Model ini dilatih dan diuji menggunakan 3000 citra kerusakan bangunan, diantaranya memiliki 3 kelas kerusakan yang masing-masing terdiri dari 1000 citra per kelasnya. Pengujian model menggunakan 200 citra kerusakan bangunan dari setiap kelas kerusakan. Hasil penelitian menghasilkan nilai akurasi terbaik pada proses pelatihan 3000 citra dengan menghasilkan 67,8%.

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2019 2019


Reset
Filter By Issues
All Issue Vol 28, No 2 (2023) Vol 28, No 1 (2023) Vol 27, No 3 (2022) Vol 27, No 2 (2022) Vol 27, No 1 (2022) Vol 26, No 3 (2021) Vol 26, No 2 (2021) Vol 26, No 1 (2021) Vol 25, No 3 (2020) Vol 25, No 2 (2020) Vol 25, No 1 (2020) Vol 24, No 3 (2019) Vol 24, No 2 (2019) Vol 24, No 1 (2019) Vol 23, No 3 (2018) Vol 23, No 2 (2018) Vol 23, No 1 (2018) Vol 22, No 3 (2017) Vol 22, No 2 (2017) Vol 22, No 1 (2017) Vol 21, No 3 (2016) Vol 21, No 2 (2016) Vol 21, No 1 (2016) Vol 20, No 1 (2015) Vol 19, No 3 (2014) More Issue