ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Stunting merupakan tantangan kesehatan nasional di Indonesia yang memerlukan pemantauan antropometri secara akurat, namun metode manual di Posyandu sering terhambat oleh faktor subjektivitas petugas dan ketidaknyamanan subjek. Penelitian ini mengembangkan sebuah sistem deteksi dini stunting otomatis berbasis sensor multimodal dan deep learning yang mengintegrasikan sensor load cell dan kamera pada Raspberry Pi 5 melalui antarmuka desktop. Sistem ini mengombinasikan algoritma YOLOv8n untuk lokalisasi objek dan MediaPipe Pose Estimation untuk mengekstraksi landmark tubuh guna mengukur panjang serta berat badan secara non-kontak. Dataset yang digunakan berjumlah 2.200 citra digital dengan pembagian 60% data latih (1.320 citra), 20% data validasi (440 citra), dan 20% data uji (440 citra). Hasil evaluasi model YOLOv8n yang mencapai titik optimal pada epoch ke-35 dengan nilai mAP50 sebesar 0,862, serta nilai precision, recall, dan F1-score dalam mendeteksi citra bayi masing-masing sebesar 86%, 75%, dan 80%. Kemudian hasil pengujian laboratorium dalam mengukur panjang badan manekin bayi dengan variasi posisi sudut, sistem mampu mencapai akurasi tinggi sebesar 98,47% untuk panjang badan (RMSE 1,079 cm). Sedangkan akurasi sensor berat badan yang divalidasi dengan menimbang kembali beban uji terhadap massa acuan menggunakan sensor terkalibrasi sebesar 96,56% untuk berat badan (RMSE 0.01543 kg). Pengujian fungsionalitas menggunakan metode black-box testing, menunjukkan 100% fitur antarmuka sistem berjalan sesuai dengan fungsi yang diharapkan. Penerapan integrasi sistem secara keseluruhan terhadap pengukuran bayi dan manekin secara realtime sebanyak 20 responden di lapangan, mendapatkan nilai akurasi sebesar 94% untuk panjang badan bayi (RMSE 4.87 cm) dan 92% untuk akurasi berat badan bayi (RMSE 0,64 kg), serta akurasi dalam mendeteksi stunting berdasarkan kategori Panjang Badan per Umur (PB/U) 70% dan Berat Badan Per Panjang Badan BB/PB = 35%. Selain itu, hasil skor SUS (System Usability Scale) antarmuka sistem sebesar 45 kategori "Not Acceptable" dengan Grade Scale "F". Hasil pengujian tersebut, menunjukkan bahwa antarmuka desktop masih kurang user-friendly bagi kader Posyandu.
ThesisOpen AccessMetadata saja
2026•
Kebakaran merupakan bencana yang menimbulkan kerugian signifikan terhadap keselamatan jiwa dan harta benda, yang sering diperparah oleh keterlambatan respons akibat deteksi manual. Penelitian ini mengusulkan sistem deteksi dini kebakaran berbasis mobile robot Internet of Things (IoT) yang terintegrasi dengan kamera dan web monitoring. Sistem menggunakan sensor DHT22, MQ-2, sensor api 5 channel, sensor ultrasonik, serta kamera ESP32-CAM, dengan ESP32-S3 sebagai pusat kendali yang mengirimkan data ke web berbasis Laravel melalui HTTP REST API. Metode Rule-Based System (RBS) digunakan untuk mengklasifikasikan kondisi menjadi Aman, Waspada, dan Bahaya, sekaligus mengatur pergerakan robot. Hasil pengujian menunjukkan sistem bekerja secara fungsional dan terintegrasi dengan baik, dengan akurasi keseluruhan sebesar 61,1% dari 18 skenario pengujian. Kinerja sistem lebih optimal pada kondisi indoor (88,9%) dibandingkan outdoor (33,3%), yang dipengaruhi oleh faktor lingkungan. Sistem memiliki keandalan komunikasi yang baik dengan nilai packet loss sebesar 0%, namun masih terdapat delay yang cukup tinggi, yaitu rata-rata 1998,04 ms pada indoor dan 1342,3 ms pada outdoor. Perbedaan nilai delay tersebut dipengaruhi oleh kondisi lingkungan pengujian, di mana pada pengujian indoor terdapat hambatan berupa tembok dan struktur bangunan yang dapat mengganggu transmisi data, sedangkan pada pengujian outdoor lingkungan cenderung lebih terbuka sehingga proses komunikasi data berlangsung lebih baik. Secara keseluruhan, sistem mampu melakukan deteksi dini kebakaran secara otomatis, meskipun masih memerlukan optimasi sensor, navigasi, dan komunikasi data untuk meningkatkan kinerja, khususnya pada kondisi outdoor.
ThesisOpen AccessMetadata saja
2025•
Gizi buruk adalah masalah serius yang bisa menghambat pertumbuhan dan perkembangan anak balita. Di Kota Tarakan, data dari EPPGBM 2020 menunjukkan angka gizi buruk sebesar 9.1% untuk anak yang kurus, 14% anak dengan gizi buruk, dan 4.0% anak yang mengalami wasting. Penelitian ini bertujuan membuat aplikasi mobile berbasis Android untuk mengklasifikasikan kondisi gizi buruk pada balita dengan menggunakan metode Analytical Hierarchy Process (AHP) yang diintegrasikan dengan standar WHO. Penelitian ini menggunakan metode R&D model Borg and Gall. Aplikasi dikembangkan menggunakan Flutter, Dart, dan database Hive. Aplikasi ini mengintegrasikan perhitungan Z-Score sesuai standar WHO dan analisis kuesioner gejala berdasarkan pedoman MTBS. Uji coba dilakukan pada 20 sampel balita, hasilnya menunjukkan aplikasi mampu mendeteksi 70% kasus malnutrisi, terdiri dari 40% kasus gizi buruk dan 30% kasus gizi kurang. Dengan metode AHP, gejala pernapasan dan dehidrasi diberi bobot prioritas tertinggi sebesar 0.248 dengan Consistency Ratio 0.061. Evaluasi kesan pengguna dari 20 responden menunjukkan rata-rata kepuasan sebesar 4.5 hingga 4.65 dari skala 5, dengan kemudahan penggunaan yang tertinggi yaitu 4.65. Uji Blackbox menunjukkan semua fitur aplikasi berjalan sesuai dengan spesifikasi yang ditetapkan. Aplikasi ini bisa memudahkan deteksi dini gizi buruk pada balita dan mendukung upaya pemerintah dalam mengurangi angka gizi buruk pada anak.
ThesisOpen AccessMetadata saja
2021•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Pada penelitian ini telah dirancang sebuah perangkat sistem monitoring dan deteksi dini untuk bencana banjir berbasis mikrokontroler dan menggunakan sistem komunikasi LoRa yang mampu memonitoring tinggi permukaan air pada saluran drainase serta dapat memonitoring tekanan udara sebagai penginformasi cuaca yang akan datang. Sistem yang dirancang memiliki dua bagian yaitu node sensor dan node gateway. Node sensor terdiri dari dua buah sensor yaitu HC-SR04 dan BMP180 yang dikontrol dengan mikrokontroler serta memiliki keluaran berupa data digital dalam satuan sentimeter dan milibar yang telah dikalibrasikan menggunakan alat ukur standar dan nantinya data ini akan dikirimkan menuju node gateway. Node gateway merupakan perangkat penerima data yang dikirimkan oleh node sensor untuk diolah dan dikirimkan menuju Web Server lokal untuk penyimpanan data. Sistem komunikasi LoRa digunakan untuk melakukan pengiriman data dari node sensor ke node gateway sehingga pemantauan dapat dilakukan dari jarak jauh. Pada proses pengiriman data dari node gateway menuju Web Server bersifat localhost sehingga tidak membutuhkan jaringan internet. Penginformasian dini yang diterapkan pada sistem ini ialah memanfaatkan dashboard yang telah dibangun untuk memploting data grafik sensor serta status terkait data sensor. Tingkat keberhasilan dari penelitian ini dapat dilihat pada hasil pengujian, dimana sensor HC-SR04 memiliki akurasi pengukuran sebesar 97,1% serta untuk sensor BMP180 memiliki akurasi pengukuran sebesar 99,99%. Jarak maksimal pengiriman data yang didapatkan sejauh 300m pada daerah padat penduduk (urban). Dari hasil penelitian yang telah dilakukan sistem monitoring yang dibangun cukup efektif dan efisen untuk memonitoring ketinggian permukaan air dan tekanan udara.
