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
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Beban listrik umumnya menunjukkan pola yang dinamis dan berfluktuasi mengikuti karakteristik pemakaian harian. Penelitian ini memberikan kontribusi baru studi prediksi beban listrik jangka pendek berbasis data time series pada salah satu independen power plant di Kota Tarakan, Provinsi Kalimantan Utara. Penelitian ini bertujuan untuk membandingkan dua pendekatan metode neural network (NN), yaitu NN tanpa pengolahan data time series dan NN berbasis data time series (NN-TS). Data yang digunakan berupa data historis beban listrik harian yang berasal dari sumber data pembangkit. Proses prediksi dilakukan melalui tahap stasioneri sehingga diperoleh model terbaik. Melalui model terbaik NN-TS diperoleh Arsitrektur NN yang berbeda. Pada pola NN diperoleh layer 24-10-1 sedangkan NN-TS 24-2-1. Hasil prediksi beban listrik jangka pendek menggunakan metode NN mendapatkan MAPE sebesar 6,0846% dan dengan menggunakan metode NN-TS sebesar 4,33%.
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.
ThesisOpen AccessMetadata saja
2024•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Energi surya yang berasal dari cahaya matahari merupakan salah satu jenis sumber energi terbarukan yang melimpah di alam. Salah satu masalah dalam penggunaan panel surya atau PV (photovoltaic) adalah fluktasi daya listrik yang dihasilkan, bergantung pada kondisi cuaca seperti intensitas cahaya matahari dan suhu, akibatnya daya keluaran panel sering kali tidak mencapai kapasitas maksimum, untuk lebih meningkatkan daya dan tegangan dari keluaran panel surya maka diperlukan penggunaan metode kontrol yang dikenal sebagai Maximum Power Point Tracking (MPPT). Tujuan penelitian ini dapat mendesaian dan mensimulasikan Maximum Power Point Tracking metode algoritma dapat digunakan untuk menerapkan Neural Network dengan converter boost converter yang dapat menaikkan tegangan. Hasil penelitian dengan pengujian boost converter dimana ketika duty cycle diatur sebesar 40% arus keluaran yang dihasilkan adalah 2.053 A, tegangan keluaran 484.9 V dan daya keluaran sebesar 995.5 W, semakin besar nilai duty cycle diatur maka semakan besar juga keuaran arus, tegangan dan daya yang dihasilkan. Ketika intensitas cahaya divariasikan dari 100 hingga 1,000W/m² pada suhu 25°C MPPT menghasilkan tegangan keluaran 73.8 V hingga 293.2 V dengan suhu yang tetap.
ThesisOpen AccessMetadata saja
2023•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Generator sinkron mempunyai permasalahan yaitu Ketidak stabilan tegangan pada generator sinkron menyebabkan sistem secara keseluruhan terutama kualitas sistem, kemampuan transfer daya dari pembangkit ke konsumen, kondisi terparah terjadinya mekanisme pelepasan beban dengan demikian maka diperlukan peralatan yang dapat mengendalikan kestabilan tegangan generator sinkron yaitu Automatic Voltage Regulator (AVR). AVR adalah suatu perangkat yang dipasang pada generator yang dapat bekerja secara otomatis mengatur tegangan yang dihasilkan oleh generator agar tetap stabil. Pada tugas akhir ini mengontrol tegangan generator agar stabil menggunakan metode Neural Network (NN). Data pelatihan NN diambil dari input dan output kendali PID dengan Sistem AVR yang sama. AVR sederhana dengan respon delay time (t_d) 1,129s, rise time (t_r) 2,469s, peak time (t_p) 5,039s, settling time (t_s) 4,427s, max overshoot (M_p) 0% dan untuk error steady state (e_ss) 0%. AVR sederhana respon tidak terdapat overshoot dan respon waktunya lebih lambat 5,039s, konvensional terdapat overshoot yang tinggi dan lebih cepat 0,715s, NN respon yang didapatkan overshoot pada waktu 2,456s dan adanya usaha perbaikan respon tegangan kembali ke Vref.
ThesisOpen AccessMetadata saja
2022•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Motor induksi tiga fasa merupakan peralatan penggerak yang paling banyak digunakan dalam dunia industri karena mempunyai konstruksi yang kuat dan sederhana, salah satu kelemahan motor induksi tiga fasa adalah tidak dapat menpertahankan kecepatan jika terjadi perubahan beban sehingga dibutuhkan suatu pengontrol, sehingga perancang tugas akhir ini bertujuan untuk mengatur kecepatan motor jika diberi beban dan tidak berbeban dengan mengunakan metode PID-NN. Adapun training data yang digunakan diperoleh dari PID kemudian data tersebut di jadikan input dan targer pada metode PID-NN. PID-NN bekerja dengan baik berdasarkan respon yang di hasilkan dilihat dari erro steady state sebesar 0,06% sedangkan respon error steady state PID dan NN 0,2% dan untuk percobaan PID-NN yang diberi beban didapatkan hasil respon error steady state sebesar 2,53% yang lebih baik dari percobaan PID dan NN terbukti dari respon error steady state sebesar 5,2%.
ThesisOpen AccessMetadata saja
2020•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Abstrak: Penelitian ini menguji tingkat efisiensi pasar modal Indonesia. Penelitian ini diperlukan bagi para pembuat kebijakan investasi untuk meminimalkan kesalahan keputusan. Model yang dibandingkan adalah DEA dan ANN. Setelah memeriksa dua model, kita menemukan bahwa Artificial Neural Network (ANN) model yang lebih baik yang Data Envelopment Analysis (DEA). Kami menggunakan data perusahaan yang terdaftar Indonesia. Pengamatan data untuk penelitian diambil dari bursa Indonesia dengan 28 pengamatan dari 2017 ke 2018. Pembaharuan penelitian ini adalah dengan menggunakan laporan terbaru, data untuk item 2 tahun terakhir, yaitu 2017 dan 2018 laporan serta masih jarang membahas pasar modal Indonesia. Hasil menunjukkan bahwa model ANN lebih baik dari DEA ditunjukkan dengan nilai RMSE lebih kecil.
