ThesisOpen AccessMetadata saja
2026•
Nunukan Regency, located in North Kalimantan Province, particularly in Pagar Village, is an area with high plant biodiversity, including the Bajakah plant (Spatholobus littoralis Hassk). This study aims to design and develop a prototype of an automatic image-based Bajakah stem detection system using the Deep Learning method, specifically the Convolutional Neural Network (CNN), in order to make the identification process faster, more effective, and more accurate. The dataset used in this study consisted of Bajakah stem images as the main data and non-Bajakah stem images as comparison data obtained through direct image acquisition in Pagar Village, Nunukan Regency, using a smartphone camera with a resolution of 3024 × 4032 pixels. The total dataset consisted of 500 original Bajakah stem images and 500 non-Bajakah stem images. All datasets then underwent preprocessing stages, followed by dataset splitting into 80% training data, 10% validation data, and 10% testing data to ensure the model could perform the learning and testing processes optimally. The results showed that the VGG16-based CNN model was able to detect and identify Bajakah stems effectively based on digital images. The success of the system was proven by excellent evaluation metrics, achieving accuracy, Precision, and Recall values of 100% on all testing data without any classification errors. In addition, implementation testing on new data showed a detection confidence level ranging from 98.26% to 100.00%. These results indicate that the developed system is highly reliable and valid for use. This study is expected to contribute to the application of image processing and deep learning technologies in the field of traditional herbal plant identification in Kalimantan.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Perkembangan teknologi informasi mendorong dunia pendidikan untuk terus berinovasi salah satunya melalui program Merdeka Belajar Kampus Merdeka (MBKM). Salah satu program MBKM adalah magang mandiri, yang memungkinkan mahasiswa merancang pengalaman belajar sesuai minat dan kebutuhan. C2UKaltara merupakan platform yang mendukung pelaksanaan magang mandiri magang mandiri, namun fitur E-Logbook yang ada belum mampu memvalidasi identitas pengguna. Oleh karena itu, penelitian ini mengembangkan fitur E-Logbook berbasis Face Recognition menggunakan metode Convolutional Neural Network (CNN) pada website c2ukaltara.id Teknologi pengenalan wajah diimplementasikan melalui library face-api.js dengan menggunakan Express.js sebagai framework backend. Pengujian sistem dilakukan sebanyak 180 kali dan menghasilkan akurasi sebesar 98,06%, Precision 100%, recall 96%, dan F1 Score 97,96%. Hasil ini menunjukkan bahwa sistem mampu mengenali wajah mahasiswa dengan sangant baik. Pengembangan ini diharapkan mampu meningkatkan efisiensi, akurasi, dan keamanan dalam pendokumentasian aktivitas logbook mahasiswa MBKM
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Lansia merupakan individu yang telah berusia 60 tahun ke atas, yang umumnya mengalami penurunan fungsi tubuh, termasuk berkurangnya kemampuan penglihatan, termasuk dalam mengenal nominal uang kertas. Ketidakmampuan dalam mengenali nominal uang kertas dapat menimbulkan masalah, baik dalam kegiatan transaksi sehari-hari seperti berbelanja. Penelitian ini mengembangkan sistem identifikasi nilai nominal mata uang kertas rupiah untuk lansia menggunakan Convolutional Neural Network (CNN) berbasis arsitektur VGG16 dengan fitur text to speech. Dataset yang terdiri dari 7 kelas (jenis uang kertas) dengan total 4.200 citra uang kertas diambil dengan menggunakan kamera ponsel, dan kemudian dipisahkan menjadi dua skema anotasi yang masing-masing sebanyak 2.100 citra. Skema pertama dilatih berdasarkan nominal uang, sedangkan skema kedua dilatih berdasarkan keseluruhan area uang kertas. Pembagian data dilakukan dengan proporsi 70% untuk train, 20% untuk valid, dan 10% untuk test. Hasil dari proses pelatihan menunjukkan bahwa skema pertama meraih tingkat akurasi pelatihan sebesar 99,47% dan validasi sebesar 100%, sedangkan skema kedua mencatat 74,37% untuk pelatihan dan 98,45% untuk validasi. Penilaian terhadap data uji menunjukkan bahwa skema pertama menghasilkan precision, recall, dan f1-score yang mencapai 100% tanpa adanya kesalahan klasifikasi, sementara skema kedua mencapai angka 99% dengan sedikit kekeliruan pada nominal Rp10.000 dan Rp20.000. Kemudian, pengujian secara realtime yang dilakukan terhadap sepuluh orang lansia menunjukkan bahwa skema pertama lebih baik dalam mengenali uang dengan nilai Rp1.000 sampai Rp100.000, kecuali untuk Rp50.000, sedangkan skema kedua hanya mampu mengenali Rp2.000 dan Rp10.000 dengan baik. Skor System Usability Scale (SUS) yang diperoleh adalah 70,25 yang termasuk dalam kategori “baik”. Fitur text to speech beroperasi dengan baik dan dapat menyimpan secara otomatis dalam format MP3. Keterbatasan utama adalah ketergantungan CNN standar pada penempatan nominal yang tepat dan kondisi pencahayaan yang sesuai. Pengembangan lebih lanjut dengan teknologi deteksi objek seperti YOLO atau SSD diperlukan untuk meningkatkan fleksibilitas sistem dalam kondisi penggunaan nyata.
