ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Penelitian ini mengusulkan mengembangkan sistem pakar berbasis metode Certainty Factor untuk mendiagnosis hama pada tanaman kelapa sawit secara cepat dan akurat. Sistem dirancang untuk membantu petani mengidentifikasi jenis hama berdasarkan gejala yang diamati dan memberikan rekomendasi pengendalian. Data dikumpulkan melalui wawancara mendalam dengan pakar pertanian, studi literatur, dan observasi lapangan di perkebunan kelapa sawit seluas 2,5 hektar di Tanjung Selor. Perancangan sistem mengidentifikasi 4 jenis hama utama dengan 18 gejala spesifik yang diintegrasikan dalam basis pengetahuan dengan nilai kepercayaan pakar. Pengguna dapat menentukan tingkat keyakinan melalui lima skala yaitu tidak ada, sedikit yakin, cukup yakin, yakin, dan sangat yakin. Metode Certainty Factor diterapkan untuk menghitung tingkat kepercayaan diagnosis dengan mengintegrasikan berbagai gejala yang diamati. Sistem diimplementasikan menggunakan framework PyQt5 dengan Python sebagai aplikasi desktop yang dapat beroperasi offline. Pengujian fungsionalitas menggunakan Black Box Testing terhadap 14 skenario menunjukkan seluruh fitur berfungsi sesuai spesifikasi. Evaluasi performa melibatkan tiga aspek: akurasi diagnosis melalui Confusion matrix, validasi metode Certainty Factor melalui verifikasi perhitungan manual, dan usabilitas menggunakan System Usability Scale. Hasil pengujian menunjukkan sistem mencapai akurasi, presisi, Recalll, dan F1-Score sebesar 100 persen terhadap 20 kasus sampel. Pengukuran usabilitas terhadap 40 responden menghasilkan skor rata-rata 85,125 kategori Acceptable mendekati Excellent, menunjukkan kemudahan penggunaan dan minimalisasi kebutuhan dukungan teknis. Kesimpulannya, sistem pakar Certainty Factor berhasil dikembangkan dengan kinerja unggul untuk diagnosis hama kelapa sawit. Sistem terbukti efektif sebagai instrumen pendukung keputusan bagi petani dan penyuluh dalam diagnosis dini dan respons cepat terhadap serangan hama. Implementasi desktop memungkinkan aksesibilitas di daerah dengan keterbatasan konektivitas. Pengembangan lanjutan disarankan mencakup ekspansi basis pengetahuan dengan hama sekunder dan penyakit tanaman, serta diversifikasi platform web dan mobile.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Udang windu merupakan salah satu komoditas ekspor unggulan Indonesia yang memiliki nilai ekonomi tinggi. Namun, proses identifikasi kesegaran udang secara manual sering kali memerlukan waktu yang cukup lama serta membutuhkan keahlian khusus. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kesegaran udang windu berbasis citra digital dengan metode Gray Level Co-occurrence Matrix (GLCM) dan Artificial Neural Network (ANN). Sistem tersebut diintegrasikan ke dalam interface desktop menggunakan PyQt5 sehingga dapat mempermudah pengguna dalam menilai kualitas udang secara efektif. Total dataset yang digunakan sebanyak 400 dataset dengan rincian 200 untuk udang segar dan 200 untuk udang tidak segar. Dari dataset tersebut kemudian dibagi proporsi 85% (340 data) untuk data latih dan 15% (60 data) untuk data uji. Proses pelatihan dilakukan dengan epoch sebanyak 200 dan batch size 35 dengan latar belakang putih pada setiap pengambilan dataset. Hasil terbaik diperoleh pada epoch ke-199 dengan nilai loss sebesar 0,0199 dan accuracy sebesar 0,9971. Hasil pengujian terhadap 60 data uji menunjukkan bahwa sistem mampu mengidentifikasi kesegaran udang dengan nilai precision 1,00, recall 1,00, dan F-measure 1,00 pada kelas udang segar. Sedangkan pada kelas udang tidak segar diperoleh nilai precision 1,00, recall 0,90, dan F-measure 0,95. Hal ini menandakan bahwa sistem berhasil mendeteksi kedua kelas udang windu dengan tingkat keakuratan yang tinggi. Hanya saja perlu ada perbaikan pada pengambilan dataset citra udang tidak segar .Dengan adanya aplikasi ini, proses identifikasi kesegaran udang dapat dilakukan dengan lebih baik sehingga membantu dalam pemilihan udang segar dan tidak segar secara lebih efektif.
ThesisOpen AccessMetadata saja
2025•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Human error is still a major cause of accidents, including drivers' negligence in paying attention to and recognizing traffic signs on the road. Traffic signs serve to provide clear guidance for drivers, but it is often difficult for drivers to recognize these signs quickly, especially in non-ideal environmental conditions such as bad weather, low lighting, or unclear sign positions. This increases the risk of traffic accidents. This research proposes an automatic traffic sign detection system using YOLOv8 to recognize warning, prohibition, and command signs in real-time. The system is focused on recognizing various types of signs such as warnings, prohibitions, and commands in real-time in one image display, and the user interface is built with PyQt5 to display real-time detection results. The dataset used amounted to 2,210 images consisting of 780 primary datasets and 1,430 secondary datasets. After passing the annotation and augmentation stages, the dataset to be processed becomes 3,629 images with a division into 87% training data and 13% validation data. Testing the results of the training model shows excellent detection performance with a precision value of 99.8%, recall of 98.2%, and a mean average precision (mAP) value of 98.7% for IoU 50 89.7%.The system was also evaluated using 78 real-time images with various lighting conditions and angles.
ThesisOpen AccessMetadata saja
2025•
Stasiun Meteorologi BMKG Kota Tarakan menghadapi tantangan dalam perekapan dan analisis data radiosonde yang masih dilakukan secara manual, menyebabkan inefisiensi dan potensi kesalahan. Penelitian ini bertujuan mengembangkan sistem perekapan otomatis dan analisis data radiosonde (RASON) menggunakan metode random forest untuk meningkatkan efisiensi dan akurasi pengolahan data. Sistem terdiri dari modul impor data, analisis dengan random forest, visualisasi data, dan antarmuka pengguna berbasis GUI. Hasil penelitian menunjukkan bahwa sistem ini mampu meningkatkan efisiensi perekapan data hingga 99%, dengan waktu perekapan otomatis hanya 8 detik untuk 20 baris data, dibandingkan 10 menit 24 detik pada metode manual. Akurasi klasifikasi menggunakan random forest mencapai 100% untuk indeks stabilitas atmosfer (KI, LI, SI, TT) dan 99,93% untuk CAPE, dengan nilai Precision, Recall, dan F1-Score yang tinggi, seperti 1,0000 untuk KI dan TT, serta 0,9938 untuk LI dan 0,9965 untuk CAPE. Klasifikasi keseluruhan (AllData_Class) mencapai Precision 0,9030, Recall 0,9877, dan F1-Score 0,9369. Evaluasi usabilitas dengan skor SUS rata-rata 90 menunjukkan bahwa sistem mudah digunakan dan diterima dengan baik oleh pengguna. Sistem ini diharapkan dapat meningkatkan efisiensi kerja BMKG Kota Tarakan, mendukung pengambilan keputusan terkait kondisi cuaca, serta menjadi solusi modern dalam analisis data meteorologi. Pengembangan lebih lanjut dapat dilakukan dengan integrasi sistem prediksi cuaca ekstrem dan klasifikasi curah hujan untuk memperluas manfaatnya.
