Jurnal Pustaka Robot Sister (Jurnal Pusat Akses Kajian Robotika, Sistem Tertanam, dan Sistem Terdistribusi)

Perancangan dan Evaluasi Kinerja Smart Buoy Berbasis GPS-IoT untuk Monitoring Posisi Real-Time di Perairan Batam

2026-05-09T11:19:30+00:00

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi kinerja sistem smart buoy berbasis Global Positioning System (GPS) dan Internet of Things (IoT) untuk pelacakan posisi real-time di perairan Batam. Berbeda dengan penelitian sebelumnya yang umumnya menggunakan integrasi multi-sensor dengan kompleksitas dan biaya implementasi yang tinggi, penelitian ini mengembangkan smart buoy sederhana berbasis GPS tunggal dan komunikasi seluler sebagai solusi monitoring perairan berbiaya rendah. Metode penelitian menggunakan pendekatan eksperimental berbasis prototipe yang meliputi perancangan sistem, implementasi perangkat keras dan perangkat lunak, serta pengujian lapangan pada kondisi nyata di perairan Batam. Sistem dikembangkan menggunakan modul GPS sebagai sensor utama, mikrokontroler sebagai unit pemrosesan, dan modul SIM808 untuk transmisi data melalui jaringan seluler. Parameter pengujian meliputi akurasi posisi, keberhasilan pengiriman data, dan kemampuan tracking posisi secara kontinu. Hasil pengujian menunjukkan bahwa sistem menghasilkan rata-rata error posisi sebesar 3.32 meter dengan tingkat keberhasilan pengiriman data mencapai 96%. Selain itu, sistem mampu merepresentasikan perubahan posisi secara real-time dengan tingkat konsistensi tracking di atas 95%. Berdasarkan hasil tersebut, sistem smart buoy yang dikembangkan dinilai layak sebagai prototipe awal untuk monitoring posisi perairan berbasis GPS-IoT dengan pendekatan sederhana dan biaya implementasi yang relatif rendah.

Smart Pot Monitor Berbasis Android Menggunakan Sensor Soil Moisture

2026-06-15T13:57:18+00:00

Perkembangan teknologi informasi dan sistem otomasi telah mendorong munculnya berbagai inovasi di bidang pertanian, khususnya dalam pemantauan kondisi media tanam. Salah satu permasalahan yang sering dihadapi pada budidaya tanaman dalam pot adalah menjaga kelembapan tanah serta memantau kondisi media tanam secara berkelanjutan. Penelitian ini bertujuan untuk merancang dan membangun sistem Smart Pot Monitor sebagai alat pemantauan kondisi media tanam pada tanaman dalam pot menggunakan sensor Soil Moisture yang terintegrasi dengan smartphone Android. Metode penelitian yang digunakan meliputi analisis kebutuhan, perancangan perangkat keras dan perangkat lunak, implementasi sistem, serta pengujian menggunakan model pengembangan Waterfall. Sistem dirancang menggunakan mikrokontroler Arduino Mega 2560, sensor Soil Moisture, sensor ultrasonik, modul Bluetooth HC-05, ESP32-CAM, buzzer, dan aplikasi Blynk berbasis Android. Data yang diamati meliputi tingkat kelembapan tanah, kondisi ketinggian air pada media tanam, serta hasil pemantauan visual melalui kamera. Hasil pengujian menunjukkan bahwa sensor Soil Moisture mampu mendeteksi tingkat kelembapan tanah dengan baik, sedangkan sensor ultrasonik mampu mendeteksi kondisi genangan air pada pot tanaman. Informasi kondisi media tanam dapat dikirimkan ke smartphone melalui komunikasi Bluetooth dan pemantauan visual dapat dilakukan secara jarak jauh menggunakan ESP32-CAM. Berdasarkan hasil penelitian, sistem yang dikembangkan mampu membantu pengguna dalam memantau kondisi media tanam secara efektif dan real-time. Dengan demikian, Smart Pot Monitor dapat menjadi solusi alternatif dalam meningkatkan efisiensi perawatan tanaman pot berbasis teknologi Android.

Prediksi Status Kelulusan Mahasiswa pada Mata Kuliah Big Data Berdasarkan Kehadiran dan Nilai Akademik Menggunakan Algoritma Naïve Bayes

2026-06-15T17:57:56+00:00

Prediksi status kelulusan mahasiswa merupakan salah satu upaya yang dapat dilakukan untuk membantu proses evaluasi akademik dan pengambilan keputusan dalam lingkungan pendidikan. Penelitian ini bertujuan untuk menerapkan algoritma Naive Bayes dalam mengklasifikasikan status kelulusan mahasiswa berdasarkan data akademik yang meliputi Kehadiran, Nilai Tugas, Nilai Kuis, Nilai Ujian Tengah Semester (UTS), dan Nilai Ujian Akhir Semester (UAS). Dataset yang digunakan terdiri dari 15 data mahasiswa dengan dua kategori kelas, yaitu Lulus dan Tidak Lulus. Proses penelitian dilakukan melalui tahapan pengumpulan data, perhitungan probabilitas prior, perhitungan probabilitas kondisional setiap atribut, serta penentuan probabilitas posterior menggunakan metode Naive Bayes yang diimplementasikan pada Google Colab menggunakan bahasa pemrograman Python. Hasil perhitungan terhadap data mahasiswa yang diuji dengan atribut Kehadiran Tinggi, Nilai Tugas Sedang, Nilai Kuis Tinggi, Nilai UTS Tinggi, dan Nilai UAS Tinggi menunjukkan nilai probabilitas P(Lulus|X) sebesar 0,0428 dan P(Tidak Lulus|X) sebesar 0,0000. Berdasarkan hasil tersebut, mahasiswa diklasifikasikan ke dalam kategori Lulus karena memiliki probabilitas yang lebih tinggi dibandingkan kategori Tidak Lulus. Selain itu, hasil pengujian model menunjukkan tingkat akurasi sebesar 100%, yang mengindikasikan bahwa model mampu mengklasifikasikan data dengan sangat baik pada dataset yang digunakan. Dengan demikian, algoritma Naive Bayes dapat digunakan sebagai metode klasifikasi yang efektif untuk membantu memprediksi status kelulusan mahasiswa berdasarkan data akademik yang tersedia.

Sistem Pakar Adaptif Berbasis Case-Based Reasoning untuk Monitoring dan Deteksi Kecanduan Game Free Fire pada Remaja

2026-06-23T09:39:55+00:00

Perkembangan pesat game online berbasis mobile, khususnya Free Fire, telah memberikan dampak signifikan terhadap perilaku remaja, termasuk meningkatnya risiko kecanduan. Penelitian ini bertujuan untuk mengembangkan sistem pakar adaptif berbasis case-based reasoning yang mampu melakukan monitoring dan deteksi dini kecanduan game secara efektif. Data penelitian diperoleh melalui kuesioner, observasi, serta data penggunaan (user usage) dan statistik permainan (in game statistics) seperti jumlah permainan, jumlah kill, rata-rata jarak tempuh, rata-rata waktu hidup, dan win rate. Metode case-based reasoning digunakan untuk menghitung tingkat kemiripan antara kasus baru dengan kasus dalam basis pengetahuan guna menentukan tingkat kecanduan pengguna. Hasil penelitian pada pengguna dengan username Dvin DVZ menunjukkan bahwa tingkat kemiripan tertinggi berada pada kategori severe addiction sebesar 60%, diikuti oleh moderate addiction sebesar 31%, sedangkan kategori non addicted dan mild addiction menunjukkan nilai 0%. Temuan ini mengindikasikan bahwa pengguna yang dianalisis cenderung berada pada tingkat kecanduan yang tinggi. Sistem yang dikembangkan terbukti mampu memberikan diagnosis yang akurat serta rekomendasi penanganan, seperti pembatasan durasi bermain, pengaturan aktivitas harian, dan peningkatan interaksi sosial. Dengan demikian, sistem pakar ini diharapkan dapat menjadi alat bantu yang efektif dalam mengidentifikasi serta mengurangi dampak negatif kecanduan game pada remaja.

Developing a Web Based Sales Monitoring and Forecasting System for Digital Transformation of Rural MSMEs

2026-06-16T15:13:16+00:00

Micro, Small, and Medium Enterprises (MSMEs) in Indonesia face significant hurdles in digital adoption, with only 30% to 32% currently utilizing digital management tools. To address this challenge, this research focuses on Dapur Ovaltin, an agribusiness MSMEs in Ciwidey, West Java, that previously relied entirely on manual sales recording. The primary objective of this study is to design and implement a web-based monitoring and forecasting system to enhance operational efficiency. Developed through a hybrid framework integrating Design Thinking and the Prototyping SDLC, the resulting application streamlines sales management and applies Simple Linear Regression to transactional data for precise inventory forecasting. This implementation yielded a comprehensive platform featuring digital product catalogs, transaction management, and interactive data visualization. Ultimately, the deployed system successfully transformed manual operations into a cohesive digital process, replacing fragmented logs with a centralized database that empowers data-driven decision-making for sustainable enterprise growth.

Analisis Komparatif Sentimen Ulasan Google Play Store pada Shopee dan Tokopedia Menggunakan Algoritma Naive Bayes

2026-06-30T16:33:04+00:00

Shopee dan Tokopedia merupakan dua platform niaga elektronik (e-commerce) yang paling mendominasi di Indonesia. Keduanya mengandalkan ulasan konsumen di Google Play Store sebagai indikator keberhasilan layanan. Sebanyak 60.000 data ulasan dikumpulkan selama periode 1 Mei hingga 18 Juni 2026. Untuk efisiensi komputasi tanpa mengurangi validitas statistik, data direduksi menjadi 500 sampel per platform yang dihitung menggunakan pendekatan rumus Slovin dengan margin kesalahan 5%. Tahap prapemrosesan teks dikerjakan menggunakan Python, sementara pemodelan dilakukan secara terintegrasi menggunakan RapidMiner. Algoritma Naive Bayes dipilih karena komputasinya yang ringan namun memiliki akurasi tinggi dalam mengklasifikasikan data teks berskala besar. Pengujian Cross-Validation menghasilkan akurasi sebesar 78,20% untuk Shopee dan 80,00% untuk Tokopedia. Hasil ini menunjukkan bahwa sentimen positif Tokopedia (60,6%) lebih unggul dibandingkan dengan Shopee (49,2%). Visualisasi Word Cloud mempertegas perbedaan ulasan; ulasan positif Shopee didominasi kata "barang" dan "mantap", sedangkan Tokopedia menonjol pada kata "Indonesia" dan "produk". Pada sisi keluhan, pengguna Shopee menyoroti aspek promosi ("buruk", "diskon"), sementara pengguna Tokopedia mengeluhkan kendala teknis ("gabisa", "lama", "ribet"). Hasil ini membuktikan bahwa pendekatan metodologi tersebut efektif dalam memetakan sentimen guna memberikan wawasan strategis bagi perbaikan layanan e-commerce. Berbeda dengan penelitian sebelumnya yang umumnya hanya mengevaluasi satu platform, kebaruan (novelty) dari penelitian ini secara tegas terletak pada analisis komparatif langsung antara kedua platform yang diperkuat dengan penggunaan skema komputasi hibrida serta ekstraksi visual.

Analisis Faktor Impulsive Buying pada Pengguna E-Commerce Menggunakan Regresi Linear Berganda

2026-07-01T19:27:19+00:00

Pesatnya perkembangan bisnis digital di Indonesia telah mengubah perilaku belanja masyarakat dan memicu fenomena online pembelian impulsif di berbagai platform e-commerce. Penelitian ini bertujuan untuk menganalisis pengaruh faktor diskon dan penjualan kilat terhadap pembelian impulsif konsumen, baik secara parsial maupun simultan. Pendekatan penelitian menggunakan metode kuantitatif dengan desain survei. Data primer dikumpulkan melalui kuesioner daring dengan teknik purposive sampling terhadap 100 responden aktif pengguna e-commerce. Data kemudian diolah menggunakan analisis regresi linear berganda melalui perangkat lunak SPSS. Kebaruan (novelty) penelitian ini terletak pada pemberian bukti empiris mengenai pengaruh penjualan kilat terhadap pembelian impulsif menggunakan analisis regresi linear berganda yang menguji aspek keterbatasan waktu secara komparatif dengan efektivitas diskon reguler. Hasil analisis menunjukkan bahwa secara simultan, diskon dan penjualan kilat berpengaruh signifikan dalam memicu pembelian impulsif dengan kontribusi nilai R-Square sebesar 66,9%. Namun secara parsial, penjualan kilat terbukti berpengaruh positif dan sangat signifikan karena manipulasi visual hitung mundur mampu meningkatkan urgensi belanja instan. Sebaliknya, faktor diskon tidak memiliki pengaruh signifikan secara mandiri karena tingginya habituasi membuat konsumen cenderung tetap bertindak rasional. Kesimpulannya, strategi promosi yang membatasi waktu dan stok barang (penjualan kilat) jauh lebih efektif meningkatkan kecenderungan pembelian impulsif konsumen dibandingkan sekadar potongan harga biasa, sehingga memberikan kontribusi penting bagi strategi pemasaran digital.

Peningkatkan Kinerja Gaussian Naive Bayes melalui Hyperparameter Tuning pada Dataset Car Evaluation

2026-06-22T16:53:42+00:00

Evaluasi kelayakan mobil merupakan permasalahan klasifikasi yang penting karena harga beli, biaya perawatan, jumlah pintu, kapasitas penumpang, ukuran bagasi, dan tingkat keamanan berpengaruh terhadap pengambilan keputusan. Penelitian ini menerapkan dan mengoptimalkan algoritma Gaussian Naive Bayes untuk klasifikasi kelayakan mobil menggunakan dataset Car Evaluation dari UCI Machine Learning Repository. Dataset terdiri dari 1.728 data dengan enam atribut input dan empat kelas target, yaitu unacc, acc, good, dan vgood. Tahapan penelitian meliputi transformasi data kategorikal, pembagian data latih dan data uji dengan rasio 90:10, pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi performa menggunakan accuracy, precision, recall, dan F1-score. Model Naive Bayes awal menghasilkan accuracy 69%, macro precision 39%, macro recall 51%, dan macro F1-score 37%. Setelah dilakukan hyperparameter tuning, performa model meningkat menjadi accuracy 81%, macro precision 63%, macro recall 63%, dan macro F1-score 61%. Hasil penelitian menunjukkan bahwa tuning berbasis GridSearchCV mampu meningkatkan kemampuan klasifikasi Naive Bayes, terutama dalam mengenali kelas minoritas yang sebelumnya sulit diprediksi.

Implementasi Hybrid Data Mining Menggunakan DBSCAN, FP-Growth, dan Random Forest pada Analisis Penjualan Soraya Bedsheet di Shopee

2026-06-22T17:29:48+00:00

Pertumbuhan marketplace dalam beberapa tahun terakhir telah menghasilkan data transaksi dalam jumlah besar yang berpotensi dimanfaatkan sebagai sumber informasi bagi pelaku usaha. Namun, sebagian besar data penjualan masih digunakan sebatas laporan operasional sehingga informasi yang ada di dalamnya belum dimanfaatkan dengan optimal. Adapun tujuannya dari penelitian ini guna menganalisa karakteristik penjualan dan memprediksi performa penjualan produk Soraya Bedsheet pada Shopee melalui pendekatan hybrid data mining. Metode yang digunakan mengombinasikan DBSCAN untuk segmentasi produk, FP-Growth untuk analisis asosiasi antarproduk, dan Random Forest untuk prediksi penjualan. Dataset penelitian terdiri atas 120 data produk, jumlah stok, jumlah produk terjual, dan harga awal produk. Tahapan penelitian meliputi pengumpulan data, preprocessing, implementasi model, serta evaluasi dengan digunakannya RapidMiner. Temuan ini mengungkapkan bahwasanya DBSCAN mampu mengklasifikasikan produk sebagaimana karakteristik penjualannya, FP-Growth berhasil menemukan pola keterkaitan antarproduk dalam transaksi, dan Random Forest memperoleh rata-rata accuracy sebesar 91,67% melalui 10-fold Cross Validation. Hasil penelitian menunjukkan bahwasanya pendekatan hybrid data mining mampu menghasilkan informasi yang mendukung pengelolaan stok, penyusunan strategi promosi, dan pengambilan keputusan bisnis secara lebih efektif pada marketplace Shopee.

Implementasi Metode Profile Matching untuk Evaluasi Kinerja Praktik Lapangan pada Sistem SIPRAMA

2026-07-03T16:45:17+00:00

Evaluasi kinerja praktik klinis mahasiswa sering kali bergantung pada penilaian subjektif, yang menyebabkan inkonsistensi pemetaan kompetensi. Penelitian ini menganalisis himpunan data (dataset) 45 mahasiswa kebidanan tahun ajaran 2025/2026 yang diekstraksi dari Sistem Informasi SIPRAMA, dengan mengimplementasikan Sistem Pendukung Keputusan menggunakan metode Profile Matching. Metode ini membandingkan pencapaian individu dengan standar ideal institusi, yang memberikan kecocokan lebih baik dibandingkan algoritma maksimasi seperti SAW atau TOPSIS. Kriteria evaluasi meliputi Asuhan Kebidanan (Askeb), Pre/Posttest, Multi-Source Feedback (MSF), dan Seminar. Kriteria dikategorikan ke dalam Core Factor (60%) untuk keahlian teknis dan Secondary Factor (40%) untuk pendukung kognitif. Dengan menetapkan ambang batas kelayakan klinis ketat sebesar 4.50, sistem berhasil mengidentifikasi 27 mahasiswa layak (60%) dan 18 mahasiswa tidak layak (40%). Selain itu, algoritma sukses menyaring anomali akademik—mahasiswa dengan nilai teori tinggi namun cacat klinis. Validasi sistem yang dikomparasikan dengan keputusan manual pembimbing menghasilkan tingkat akurasi sebesar 100%. Penelitian ini menyimpulkan bahwa Profile Matching memberikan alat pengambilan keputusan berbasis data yang sangat akurat, serta merekomendasikan integrasi real-time ke dalam SIPRAMA untuk pengujian dataset berskala besar di masa mendatang.

Systematic Literature Review: Artificial Intelligence untuk Klasifikasi pada Sistem Manajemen Jaringan Berbasis Web

2026-07-09T14:41:43+00:00

Penelitian ini bertujuan memetakan perkembangan penerapan Artificial Intelligence (AI) berbasis klasifikasi dalam sistem manajemen jaringan berbasis web serta mengidentifikasi kesenjangan antara pengembangan algoritma dan implementasinya pada sistem operasional. Penelitian menggunakan metode Systematic Literature Review dengan protokol Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Artikel ditelusuri melalui IEEE Xplore, MDPI, SpringerLink, ScienceDirect/Elsevier, Nature/Scientific Reports, Wiley Online Library, Frontiers, dan jurnal nasional yang relevan. Dari 60 artikel kandidat yang diterbitkan pada periode 2021–2025, sebanyak 50 artikel memenuhi kriteria inklusi, eksklusi, dan penilaian kualitas. Data dianalisis berdasarkan tema penelitian, metode klasifikasi, jenis dataset, metrik evaluasi, peran web atau dashboard, serta kesenjangan penelitian. Hasil kajian menunjukkan bahwa penerapan AI didominasi oleh deteksi dan klasifikasi intrusi jaringan sebesar 40%, manajemen jaringan dan klasifikasi lalu lintas sebesar 36%, serta klasifikasi serangan web sebesar 24%. Metode yang digunakan berkembang dari Machine Learning klasik menuju Deep Learning, Ensemble Learning, Federated Learning, dan Hybrid Model. Namun, integrasi model dengan dashboard real-time, data jaringan operasional, interpretabilitas, skalabilitas, dan evaluasi kegunaan masih terbatas. Penelitian ini berkontribusi melalui pemetaan terpadu, identifikasi kesenjangan implementasi, serta usulan kerangka pengembangan sistem manajemen jaringan berbasis web yang akurat, informatif, adaptif, dan mudah digunakan untuk mendukung pengambilan keputusan administrator jaringan secara cepat dan tepat.

Sistem Pendukung Keputusan Prioritas Implementasi Pendidikan Inklusif Menggunakan Integrasi Metode Entropy-WASPAS

2026-07-16T12:37:00+00:00

Pendidikan inklusif memerlukan prioritas implementasi yang jelas karena sekolah dan pemangku kebijakan sering menghadapi keterbatasan sumber daya, kapasitas guru, infrastruktur, teknologi bantu, dan dukungan kelembagaan. Penelitian ini bertujuan mengembangkan model sistem pendukung keputusan untuk menentukan prioritas strategi pendidikan inklusif bagi peserta didik penyandang disabilitas menggunakan integrasi metode Entropy dan Weighted Aggregated Sum Product Assessment (WASPAS). Penelitian menggunakan pendekatan kuantitatif berbasis Multi-Criteria Decision Making dengan mengevaluasi delapan alternatif strategi berdasarkan sepuluh kriteria. Data diperoleh dari penilaian tiga pakar dan diagregasi menjadi matriks keputusan. Metode Entropy digunakan untuk menghasilkan bobot objektif berdasarkan keragaman data, sedangkan WASPAS digunakan untuk menentukan peringkat alternatif melalui kombinasi Weighted Sum Model dan Weighted Product Model. Kebaruan penelitian ini terletak pada formulasi model prioritisasi pendidikan inklusif yang mengintegrasikan pembobotan objektif, pemeringkatan multikriteria, dan pengujian kestabilan hasil dalam satu kerangka pengambilan keputusan. Hasil menunjukkan bahwa risiko implementasi memperoleh bobot tertinggi sebesar 0,3110, diikuti biaya implementasi sebesar 0,3055. Strategi penguatan kolaborasi antara sekolah, orang tua, dan komunitas disabilitas menjadi prioritas utama dengan nilai sebesar 0,9693, diikuti pelatihan guru sebesar 0,9125, adaptasi kurikulum dan asesmen sebesar 0,8494, serta peningkatan sistem identifikasi kebutuhan peserta didik sebesar 0,8043. Analisis sensitivitas pada nilai ? 0,00–1,00 menghasilkan urutan peringkat yang identik tanpa rank reversal, sehingga model stabil dan robust terhadap perubahan proporsi WSM dan WPM. Kontribusi ilmiah penelitian ini berupa model komputasional yang objektif, transparan, dan dapat direplikasi sebagai dasar pengembangan aplikasi sistem pendukung keputusan pendidikan inklusif.

Pengembangan Media Pembelajaran Interaktif 60 Sirah Sahabat Berbasis Multimedia Menggunakan Metode MDLC

2026-07-16T12:56:04+00:00

Proses pembelajaran sejarah keislaman, khususnya materi keteladanan para sahabat Rasulullah SAW, memiliki peran penting dalam pembentukan karakter siswa. Namun, sistem pembelajaran pada SD IT ADZKIA 1 PADANG saat ini masih bergantung pada media cetak berupa buku paket dan LKS yang bersifat statis, sehingga memicu kejenuhan dan kurang efektif dalam menarik minat belajar secara optimal. Penelitian ini bertujuan untuk mengembangkan inovasi media pembelajaran interaktif guna memecahkan permasalahan pedagogis tersebut. Pendekatan penelitian menggunakan Research and Development (R&D) dengan integrasi metode Multimedia Development Life Cycle (MDLC). Tahapan pengembangan mencakup pengonsepan, perancangan arsitektur sistem berbasis Unified Modelling Language (UML), pengumpulan bahan, perakitan menggunakan Adobe Flash CS6, pengujian, hingga distribusi. Aplikasi ini memuat fitur navigasi biografi hierarkis, galeri visual, dan modul evaluasi kuis terstruktur yang beroperasi secara penuh secara offline. Evaluasi kelayakan sistem dilakukan melalui Black-box testing yang membuktikan fungsionalitas teknis berjalan tanpa error (100% valid), serta User Acceptance Test (UAT) menggunakan instrumen yang telah tervalidasi. Hasil uji UAT terhadap guru dan siswa memperoleh nilai rata-rata akumulatif sebesar 88,4% (kategori "Sangat Layak"). Secara ilmiah, nilai empiris tersebut membuktikan bahwa rancang bangun multimedia ini bukan sekadar alat peraga digital biasa, melainkan instrumen edukasi yang terbukti efektif mentransformasi pola belajar pasif menjadi pengalaman kognitif yang interaktif. Sistem ini secara signifikan mampu meningkatkan ketertarikan, antusiasme, serta memicu daya ingat siswa dalam memahami sejarah 60 Sirah Sahabat.

Analisis Sentimen Ulasan Pengunjung Rio by The Beach Menggunakan Model IndoBERT

2026-06-28T10:15:02+00:00

Ulasan pengunjung pada Google Maps merupakan sumber informasi yang dapat dimanfaatkan untuk mengetahui persepsi masyarakat terhadap suatu destinasi wisata. Berbagai penelitian analisis sentimen telah menggunakan metode klasifikasi konvensional, namun metode tersebut masih memiliki keterbatasan dalam memahami konteks bahasa Indonesia. Oleh karena itu, penelitian ini bertujuan menganalisis sentimen ulasan pengunjung Rio by The Beach menggunakan model IndoBERT yang mampu merepresentasikan makna kalimat secara kontekstual. Data penelitian diperoleh melalui proses web scraping pada Google Maps yang menghasilkan 2.734 ulasan. Setelah dilakukan proses preprocessing yang meliputi cleaning, case folding, tokenizing, stopword removal, dan stemming, diperoleh 1.390 ulasan yang digunakan dalam proses klasifikasi sentimen. Hasil analisis menunjukkan bahwa 1.044 ulasan (75,11%) termasuk kategori positif, 247 ulasan (17,77%) kategori negatif, dan 99 ulasan (7,12%) kategori netral. Evaluasi model menggunakan ground truth menghasilkan akurasi sebesar 89,21%, dengan nilai weighted average precision sebesar 0,91, recall sebesar 0,89, dan F1-score sebesar 0,90, yang menunjukkan bahwa IndoBERT mampu mengklasifikasikan sentimen ulasan berbahasa Indonesia dengan baik. Temuan penelitian ini memberikan kontribusi berupa evaluasi performa IndoBERT pada ulasan Google Maps destinasi wisata serta menyediakan informasi yang dapat dimanfaatkan oleh pengelola Rio by The Beach untuk meningkatkan kualitas layanan berdasarkan persepsi pengunjung.

Pengembangan Smart Waste Monitoring Berbasis ESP32 dan Notifikasi Telegram untuk Pengelolaan Sampah Rumah Tangga

2026-06-16T14:45:03+00:00

Permasalahan sampah rumah tangga merupakan salah satu isu lingkungan yang intensitasnya semakin meningkat seiring dengan bertambahnya populasi dan aktivitas masyarakat. Pengelolaan sampah secara konvensional masih menimbulkan berbagai permasalahan seperti keterlambatan pengangkutan, penumpukan sampah, pencemaran lingkungan, serta risiko gangguan kesehatan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pengelolaan sampah rumah tangga berbasis Internet of Things (IoT) yang mampu memantau kapasitas tempat sampah secara real time serta memberikan notifikasi otomatis ketika kondisi penuh. Sistem ini menggunakan mikrokontroler ESP32 sebagai pusat kendali, sensor ultrasonik untuk mengukur ketinggian dan volume sampah, serta konektivitas WiFi untuk transmisi data ke dashboard pemantauan dan aplikasi Telegram. Metode penelitian yang digunakan adalah Research and Development (R&D) dengan tahapan identifikasi masalah, studi literatur, perancangan sistem, implementasi perangkat, pengujian, dan analisis hasil. Pengujian dilakukan terhadap akurasi sensor, kestabilan komunikasi, serta kecepatan pengiriman data. Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi pembacaan sensor sebesar ±96,4% dibandingkan pengukuran manual. Sistem juga berhasil mengirimkan notifikasi Telegram dengan tingkat keberhasilan 100% pada 50 kali percobaan, dengan rata-rata waktu pengiriman (latency) sebesar 2,1 detik sejak kondisi penuh terdeteksi. Selain itu, kestabilan koneksi ESP32 ke server menunjukkan tingkat keberhasilan komunikasi data sebesar 98% selama pengujian kontiniu. Dengan demikian, sistem yang dikembangkan terbukti mampu memantau tingkat sampah secara akurat dan mengirimkan notifikasi secara real time, sehingga dapat meningkatkan efisiensi pengelolaan sampah rumah tangga serta mendukung implementasi konsep smart environment berbasis IoT.

Pengembangan Sistem Deteksi Kehadiran Manusia Berbasis AIoT Menggunakan Grove Vision AI V2 untuk Pemantauan Lingkungan Cerdas

2026-07-24T19:43:17+00:00

Sistem deteksi kehadiran manusia konvensional pada infrastruktur lingkungan cerdas saat ini umumnya masih bergantung pada sensor pasif yang rentan terhadap alarm palsu dan tidak memiliki kapabilitas identifikasi visual. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan arsitektur metodologis Artificial Intelligence of Things (AIoT) terdesentralisasi berbasis Embedded AI menggunakan modul Grove Vision AI V2. Kebaruan ilmiah (novelty) penelitian ini terletak pada pemisahan beban (decoupling) antara komputasi inferensi visi spasial berdaya ekstra-rendah pada koprosesor Himax WiseEye2 HX6538 dengan manajemen transmisi jaringan asinkron melalui mikrokontroler XIAO ESP32C3. Pendekatan ini secara struktural mengubah paradigma pengawasan menjadi sistem berorientasi peristiwa (event-driven) menggunakan protokol MQTT. Data inferensi didistribusikan menuju peladen lokal Raspberry Pi 4B untuk divisualisasikan pada dasbor Home Assistant, dicatat secara historis, dan memicu notifikasi Telegram, yang turut didukung pemantauan lokal via antarmuka OLED. Pengujian dievaluasi melalui 300 sampel sesi operasional di bawah variasi intensitas cahaya (100–800 lux) dan degradasi jarak spasial (1–3 meter). Hasil uji statistik menunjukkan performa klasifikasi yang konsisten dengan rata-rata Accuracy 94,00% dan F1-Score 94,96%. Transmisi telemetri mencatatkan latensi yang sangat responsif (54,80 ms) dengan konsumsi daya inferensi aktif yang sangat efisien, yakni hanya sebesar 0,22 W. Penelitian ini membuktikan bahwa arsitektur Edge AI terdesentralisasi mampu menghadirkan pengawasan yang andal, menekan konsumsi energi, serta secara signifikan meningkatkan privasi data visual pengguna dengan mereduksi risiko kebocoran informasi akibat eliminasi komputasi cloud.

Sistem Monitoring Multi-Parameter Tanda Vital Berbasis Internet of Things untuk Mendukung Telemedicine

2026-07-21T15:03:40+00:00

Penelitian ini bertujuan merancang dan mengembangkan sistem monitoring multi-parameter tanda vital berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP32 yang mampu mengukur detak jantung, suhu tubuh, dan tekanan darah secara real-time. Berbeda dengan penelitian sebelumnya yang umumnya hanya memantau satu atau dua parameter fisiologis, penelitian ini mengintegrasikan tiga parameter utama tanda vital ke dalam satu platform embedded berbasis IoT sehingga mampu mendukung akuisisi data, tampilan lokal, dan pemantauan jarak jauh dalam satu sistem terpadu untuk mendukung layanan telemedicine. Penelitian menggunakan metode eksperimen yang meliputi perancangan perangkat keras dan perangkat lunak, integrasi sistem, implementasi prototipe, serta evaluasi kinerja dengan membandingkan hasil pengukuran terhadap alat kesehatan standar. Sistem mengintegrasikan sensor MAX30102 untuk mengukur detak jantung, sensor inframerah MLX90614 untuk mengukur suhu tubuh tanpa kontak, serta sensor HX710B yang dipadukan dengan manset tekanan darah untuk mengukur tekanan darah. Data hasil pengukuran diproses oleh ESP32, ditampilkan pada LCD 16×2 I2C, kemudian dikirim melalui jaringan Wi-Fi ke platform Blynk sehingga dapat dipantau secara jarak jauh. Evaluasi sistem dilakukan pada lima responden dewasa sehat dengan tiga kali pengulangan pengukuran untuk setiap parameter. Hasil pengujian menunjukkan bahwa sensor MAX30102 memperoleh akurasi rata-rata 98,24% dengan rata-rata selisih 1,4 BPM, sensor MLX90614 memperoleh akurasi rata-rata 99,62% dengan rata-rata selisih 1,2°C, sedangkan sensor HX710B memperoleh akurasi rata-rata 95,38% dengan rata-rata selisih tekanan sistolik 5,6 mmHg dan diastolik 4,2 mmHg. Hasil tersebut menunjukkan bahwa sistem yang dikembangkan mampu mengintegrasikan monitoring multi-parameter tanda vital dalam satu platform IoT berbasis ESP32 dengan kemampuan pemantauan secara real-time untuk mendukung telemedicine dan remote patient monitoring. Pengujian pada penelitian ini masih merupakan studi awal yang melibatkan lima responden dewasa sehat.