Katalog Abjad [S] (Semua Bidang (Umum))
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetKatalog Abjad [S] (Semua Bidang (Umum))
Menampilkan 5 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
Perancangan Sistem Monitoring Ketinggian Air Sungai Berbasis IoT dan Firebase untuk Peringatan Dini Banjir
Penulis: Sharan Roshan Kalia, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Banjir merupakan permasalahan utama di Perumahan Fontana Lake akibat meluapnya air sungai. Pemantauan ketinggian air yang saat ini dilakukan secara manual dinilai tidak efektif, subjektif, dan terbatas, terutama pada malam hari saat warga beristirahat. Oleh karena itu, penelitian ini bertujuan merancang purwarupa sistem peringatan dini banjir berbasis Internet of Things (IoT) yang mampu beroperasi secara otomatis 24 jam dan memberikan informasi ketinggian air secara objektif dan terukur. Pengembangan perangkat lunak dan keras dalam sistem ini menggunakan metode Prototype yang meliputi tahapan komunikasi, perencanaan singkat, pemodelan, konstruksi purwarupa, serta penyerahan dan evaluasi umpan balik. Perangkat keras utama yang digunakan adalah mikrokontroler NodeMCU ESP32 sebagai pusat kendali dan pengelola komunikasi Wi-Fi, serta sensor ultrasonik tahan air JSN-SR04T yang dipasang untuk mengukur jarak ketinggian air. Sistem ini juga mengintegrasikan platform Blynk untuk pemrosesan data instan, Firebase Realtime Database sebagai media penyimpanan riwayat log pemantauan, dan aplikasi Android bernama “Monitoring Fontana Lake” yang dibuat menggunakan Kotlin di Android Studio sebagai antarmuka pemantauan pengguna. Berdasarkan hasil perancangan dan pengujian, sistem mampu mengklasifikasikan ketinggian air ke dalam tiga status peringatan melalui logika percabangan sederhana (If-Else), yaitu kondisi Aman (hijau) untuk ketinggian air ≤ 15 cm, Waspada (kuning) untuk rentang > 15 cm hingga 25 cm, dan Bahaya (merah) untuk ketinggian > 25 cm. Apabila status mencapai level Waspada atau Bahaya, mikrokontroler akan memicu layanan OneSignal untuk mengirimkan pesan notifikasi secara otomatis ke aplikasi pengguna, di mana status Bahaya akan secara khusus memicu suara alarm heads-up pada ponsel cerdas warga.
#Firebase
#Internet of Things
#Ketinggian Air
#NodeMCU ESP32
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM SCREENING CURRICULUM VITAE BERBASIS SIMILARITY MATCHING MENGGUNAKAN MPNET EMBEDDING DAN COSINE SIMILARITY
Penulis: Fitri Shafirawati, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Proses screening Curriculum Vitae (CV) pada PT Bahagia Sukses Lestari masih dilakukan secara manual, sehingga memerlukan waktu lama, meningkatkan beban kerja HR, serta berpotensi menimbulkan bias subjektif. Berdasarkan hasil observasi, setiap pembukaan satu lowongan pekerjaan di PT Bahagia Sukses Lestari rata-rata menerima sekitar 60 CV, sedangkan proses rekrutmen hanya ditangani oleh dua staf HR. Dari total lamaran tersebut, hanya sekitar 20 lamaran yang benar-benar sesuai dengan kriteria awal pada tahap screening. Penelitian ini bertujuan untuk mengembangkan sistem screening CV berbasis web menggunakan pendekatan semantic similarity. Pengembangan sistem dilakukan menggunakan metode CRISP-DM, sedangkan proses pencocokan CV dengan lowongan pekerjaan menerapkan Natural Language Processing (NLP) menggunakan model MPNet untuk menghasilkan embedding dan cosine similarity untuk menghitung tingkat kesesuaian. Nilai similarity yang diperoleh kemudian diklasifikasikan menggunakan threshold 0.6 dengan kategori recommended untuk nilai ≥ 0.6 dan not recommended untuk nilai < 0.6. Hasil pengujian dilakukan menggunakan 35 dokumen CV yang masing-masing diuji terhadap dua lowongan pekerjaan berbeda sehingga menghasilkan total 70 proses screening yang menunjukkan nilai kemiripan berkisar antara 0.26 hingga 0.81, dengan 22 CV termasuk kategori recommended dan 48 not recommended. Sistem mampu melakukan proses screening CV secara otomatis dengan waktu rata-rata kurang dari 1 menit untuk setiap proses seleksi. Evaluasi model menghasilkan accuracy sebesar 97%, precision 91%, recall 100%, dan F1-score 95%, yang menunjukkan kemampuan sistem dalam mengidentifikasi kandidat yang relevan. Kesimpulannya, sistem berbasis embedding MPNet dan cosine similarity terbukti mampu meningkatkan efisiensi serta objektivitas proses screening CV dan menghasilkan rekomendasi kandidat secara konsisten.
#Curriculum Vitae Screening
#Cosine Similarity
#Natural Language Processing
#Semantic Similarity
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM MONITORING TINGKAT KEBISINGAN DI KELAS MENGGUNAKAN SENSOR SUARA MAX-4466 BERBASIS NODEMCU ESP8266 DENGAN METODE PROTOTYPE
Penulis: Yayuk Sri Rahayu, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Kebisingan di dalam kelas dapat memengaruhi konsentrasi dan kenyamanan dalam proses pembelajaran. Kurangnya sistem pemantauan tingkat kebisingan secara real-time menyebabkan guru kesulitan dalam mengontrol kondisi kelas secara objektif. Penelitian ini bertujuan untuk merancang dan membangun sistem monitoring tingkat kebisingan di kelas menggunakan sensor suara MAX-4466 berbasis Nodemcu ESP8266 dengan metode Prototype. Metode Prototype digunakan melalui tahapan analisis kebutuhan, perancangan sistem, pembuatan prototype, pengujian, dan evaluasi. Sensor suara MAX-4466 digunakan untuk mendeteksi intensitas suara di dalam kelas, kemudian data diproses oleh mikrokontroler Nodemcu ESP8266 dan ditampilkan melalui indikator sebagai informasi tingkat kebisingan. Sistem dirancang untuk memberikan peringatan ketika tingkat kebisingan melebihi ambang batas yang telah ditentukan. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi perubahan intensitas suara dan memberikan respons sesuai dengan ambang batas kebisingan yang ditetapkan. Dengan adanya sistem ini, monitoring kebisingan di kelas dapat dilakukan secara lebih objektif dan membantu menciptakan lingkungan belajar yang lebih kondusif serta nyaman.
#metode prototype
#monitoring kebisingan
#nodemcu ESP8266
#sensor suara MAX-4466
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|