Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hemoglobin adalah komponen darah yang penting untuk mengikat oksigen di paru paru dan mendistribusikannya ke seluruh tubuh. Metode invasif tidak memungkinkan pengukuran real-time dalam situasi darurat. Pengembangan metode noninvasif untuk pemeriksaan hemoglobin menghadapi tantangan dalam hal akurasi, ketepatan, dan keringkasan alat. Pada penelitian menggunakan sensor MAX30102 sebagai pembaca gelombang merah dan inframerah, OLED sebagai alat yang menampilkan hasil prediksi, dan Nvidia Jetson Nano sebagai processor. Alat juga dilengkapi dengan pembacaan detak jantung, SpO2, dan dua tombol untuk mengulang pembacaan dan mematikan alat. Pelatihan model dilakukan menggunakan dataset yang diperoleh dari riset sebelumnya, "Pengembangan Instrumentasi Pengukur Konsentrasi Hemoglobin Non-Invasif Berbasis Photoplethysmography dan Machine Learning" oleh Ester Vinia (2023). Setelah melakukan pelatihan pada lima jenis model (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, dan Random Forest), didapatkan model dengan metode Dense Neural Network memiliki akurasi R2 sebesar 96%, loss MAE sebesar 0,2 dan MSE sebesar 0,11, metode Decision Tree memiliki akurasi R2 sebesar 90%, loss MAE sebesar 0,27 dan MSE sebesar 0,3, metode Support Vector memiliki akurasi R2 sebesar 17%, loss MAE sebesar 1,2 dan MSE sebesar 2,61, metode Gradient Boosting memiliki akurasi R2 sebesar 89%, loss MAE sebesar 0,43 dan MSE sebesar 0,3, dan metode Random Forest memiliki akurasi R2 sebesar 99%, loss MAE sebesar 0,05 dan MSE sebesar 0,02. Prototipe alat kemudian dibuat menggunakan pembelajaran mesin bermodel Random Forest Regressor. Model kemudian ditanam di Nvidia Jetson Nano sehingga alat dapat dioperasikan dengan efisien dan cepat. Pada pengujian alat, didapatkan nilai akurasi sebesar 93,27%.

---

Hemoglobin is a vital blood component responsible for binding oxygen in the lungs and distributing it throughout the body. Invasive methods do not allow real-time measurement in emergency situations. Developing noninvasive methods for hemoglobin examination faces challenges in accuracy, precision, and device compactness. In this research, a MAX30102 sensor was used for reading red and infrared waves, an OLED for displaying prediction results, and an Nvidia Jetson Nano as the processor. The device also includes heart rate and SpO2 readings, and two buttons for repeating readings and turning off the device. The model was trained using a dataset obtained from previous research, "Development of Non Invasive Hemoglobin Concentration Measurement Instrumentation Based on Photoplethysmography and Machine Learning" by Ester Vinia (2023). After training on five types of models (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, and Random Forest), the Dense Neural Network model achieved an R2 accuracy of 96%, MAE loss of 0.2, and MSE loss of 0.11; the Decision Tree method achieved an R2 accuracy of 90%, MAE loss of 0.27, and MSE loss of 0.3; the Support Vector method achieved an R2 accuracy of 17%, MAE loss of 1.2, and MSE loss of 2.61; the Gradient Boosting method achieved an R2 accuracy of 89%, MAE loss of 0.43, and MSE loss of 0.3; and the Random Forest method achieved an R2 accuracy of 99%, MAE loss of 0.05, and MSE loss of 0.02. The device prototype was then developed using the Random Forest Regressor model. The model was embedded in the Nvidia Jetson Nano, allowing the device to operate efficiently and quickly. During testing, the device achieved an accuracy of 93.27%."

"Pemeriksaan hemoglobin umum dilakukan secara invasif menggunakan berbagai metode, seperti automated hematology analyzer dan hemoglobinometer. Akan tetapi metode tersebut memakan waktu, biaya, dan menyakitkan bagi pasien. Pemeriksaan hemoglonin secara invasif juga tidak memungkinkan untuk dilakukan secara real-time dalam situasi mendesak. Akurasi dan ketepatan pembacaan menjadi tantangan dalam pengembangan sistem pengukur konsentrasi hemoglobin non-invasif. Pada penelitian ini dilakukan pengembangan dua desain sistem pengukur hemoglobin non-invasif (desain prototipe A dan desain prototipe B) menggunakan prinsip photoplethysmography (PPG) menggunakan sensor MAX30102 dan Arduino Uno sebagai mikrokontroler. Pengembangan prototipe dibuat berbasis machine learning dengan menggunakan model Dense Neural Network (DNN) dan menunjukkan akurasi paling maksimal menggunakan MSE loss function sebesar 92,31% untuk desain prototipe A dan 94,70% untuk desain prototipe B. Didapatkan juga hasil pengukuran reliabilitas alat ukur untuk desain prototipe A dan B masing-masing sebesar 84,9% dan 97,3%. Meski sudah memiliki tingkat akurasi yang cukup baik, penelitian ini masih perlu dikembangkan dari segi pemilihan alat referensi pemeriksaan Hb invasif, pengambilan dan pengolahan data yang lebih bervariasi mencakup usia, warna kulit, dan penyakit yang sedang dialami.

---

Hemoglobin examination is commonly conducted invasively using various methods such as automated hematology analyzers and hemoglobinometers. However, these methods are time-consuming, costly, and painful for patients. Invasive hemoglobin examinations also do not allow real-time measurements in urgent situations. Accuracy and precision of readings pose challenges in the development of non-invasive hemoglobin concentration measurement systems. In this study, the development of two designs of non-invasive hemoglobin measurement systems (prototype design A and prototype design B) using photoplethysmography (PPG) principle with MAX30102 sensor and Arduino Uno as the microcontroller was conducted. Prototype development was based on machine learning using a Dense Neural Network (DNN) model and achieved maximum accuracy using MSE loss function of 92,31% for prototype design A and 94,7% for prototype design B. The measurement reliability of the measurement device was also obtained, with 84,9% for prototype design A and 97,3% for prototype design B, respectively. Although the study already achieved a relatively good level of accuracy, further development is still needed in terms of selecting invasive Hb examination reference devices, obtaining and processing more diverse data including age, skin color, and existing diseases."

"Tenaga kerja kesehatan pada masa pandemi bekerja sebagai garda terdepan yang memiliki resiko tertinggi tertular virus corona. Sampai pada hari ini, perawatan dan pemeriksaan kondisi vital pasien COVID-19 masih banyak dilakukan dengan kontak langsung minimal sebanyak empat kali dalam sehari. Hal ini berisiko meningkatkan penyebaran virus hingga menurunkan jumlah tenaga kerja kesehatan. Sampai pada saat ini, hampir seluruh rumah sakit masih menggunakan sphygmomanometer tradisional dengan cuff yang membutuhkan bantuan tenaga medis ataupun tanpa bantuan, namun pengukuran dilakukan secara invasif. Oleh karena itu, dibutuhkan suatu alat yang dapat memonitor kondisi vital pasien tanpa kontak langsung terutama dalam mengukur tekanan darah dan bersifat noninvasif. Penelitian ini bertujuan untuk membuat suatu algoritma pengolahan sinyal plethysmography berbasis ekstraksi fitur dan machine learning untuk prediksi tekanan darah. Dengan menggunakan sensor MAX30102 dan ESP32, sinyal PPG yang didapat dari jari akan dilakukan pre-processing dengan menenerapkan baseline fitting, kemudian deteksi puncak, hingga empat fitur utama sinyal PPG, yaitu systolic peak, diastolic peak, dicrotic notch, dan foot dapat diekstrak. Data ekstraksi fitur sinyal PPG secara ­real-time ini digabungkan menjadi satu dataset dan dimasukkan ke dalam machine learning untuk diprediksi nilai tekanan darahnya. Evaluasi hasil prediksi tekanan darah menunjukkan nilai Mean Absolute Error yang kecil, yaitu 1,56/2,35 yang masih diterima oleh standar ISO 81060-2:2013 sehingga dapat dijadikan fundamental untuk sistem pengukuran tekanan darah noninvasif.

---

Health workers during the pandemic act as the frontliner who have the highest risk of contracting the coronavirus. Most of the treatment and examination of the vital condition of COVID-19 patients is carried out with direct contact at least four times a day. This increases the risk of virus spreading, moreover reducing the number of health workers. To date, almost all hospitals still require medical assistance to measure blood pressure using the traditional cuff sphygmomanometer or without assistance however, the measurements are carried out invasively. Therefore, a device that can monitor the patient's vital condition without direct contact, especially in measuring blood pressure and non-invasive is needed. This thesis aims to develop a plethysmography signal processing algorithm based on feature extraction and machine learning for blood pressure prediction. By using the MAX30102 and ESP32 sensors, the PPG signal obtained from the finger will be preprocessed by applying a baseline fitting and peak detection, thus the four main features of the PPG signal, namely systolic peak, diastolic peak, dicrotic notch, and foot can be extracted. This real-time PPG signal feature extraction data is then combined into a single dataset and by using machine learning, blood pressure values are predicted. Evaluation of the blood pressure predictions shows a small Mean Absolute Error value, 1.56/2.35 which meets the ISO 81060-2:2013 standard. Hence, the results demonstrate the applicability of the proposed algorithm in predicting blood pressure and can be developed as a noninvasive real-time blood pressure measurement system in the future."

"Jakarta sebagai kota besar yang memiliki tingkat kepadatan yang tinggi pada saat jam-jam dan hari-hari kerja memiliki peraturan guna mengurangi kemacetan di jalan. Salah satu peraturannya adalah pemberlakukan plat nomor kendaraan ganjil genap sesuai dengan tanggal. Peraturan ini cukup efektif dalam mengurangi tingkat kemacetan di jalan-jalan protokol. Namun masih saja ada oknum-oknum yang melanggar peraturan ini dikarenakan kemampuan manusia yang terbatas sehingga tidak dapat selalu mengawasi plat nomor kendaraan secara maksimal. Dengan berkembangnya teknologi terutama di bidang computer vision masalah ini dapat dikurangi. Dengan menggunakan bantuan machine learning yaitu computer vision menggabungkan alat fisik yaitu kamera dengan komputer sehingga dapat mendeteksi dan membaca plat nomor pada kendaraan. Perkembangan teknologi membuat machine learning semakin berkembang sehingga proses melakukan deteksi dapat dilakukan dengan lebih cepat dan akurat. Untuk melakukan hal ini algoritma YOLOv7 dilatih untuk melakukan deteksi pada plat nomor kendaraan serta membacanya sehingga dapat diklasifikasian termasuk ganjil / genap sesuai dengan tanggal pendeteksian. Pada penelitian ini dilakukan pembangunan prototype sistem pendeteksi dan klasifikasi ini menggunakan machine learning dan computer vision untuk melakukan deteksi plat nomor pada kendaraan yang lewat di jalan-jalan protokol. Hasil dari penelitan ini adalah dengan menggunakan algoritma YOLOv7, model yang dihasilkan memiliki akurasi sebesar 86%, melakukan pembacaan plat nomor hasil deteksi dengan EeasyOCR memiliki tingkat kesalahan pembacaan per karakter 3.81% dan kesalahan pembacaan per kata sebesar 11.90%, sistem dapat melakukan deteksi dan pembacaan plat nomor secara real time dengan baik, melakukan identifikasi pada jenis tanggal (ganjil  genap) dan memberikan alert ketika ada plat nomor yang tidak sesuai ketentuan tanggal.

---

Jakarta as the big city and the capital of Indonesia that have high density rate in the work hours and days have a special rule to decrease the congestion rate in the road. One of the rules is the enforcement of odd even license plate rules that connect to the real time date. This rule is effective in decreasing the congestion rate in the major arterial roads. but there's still a loophole that makes people violate this rule, the human limited ability makes them can't always observe all the license plate. With the help of technology development in computer vision, can help to reduce the problem. Computer vision combines the video camera and computer to work side by side so it can read and detect the license plate number. Technology development also develops the computer vision ability so detection and recognition can be done with more accuracy and less time. To do this thing YOLOv7 algorithm trains a model to detect the license plate in a car and read the license plate so it can classify the license plate type (odd/even) and compare it with the research date type. This research build the prototype of detection and classifier system with machine learning and computer vision, to do the automatic odd /even license plate detection and recognition at the car in artery road. As the result of the research , the detection model made by YOLOv7 algorithm have a 86 % accuracy, and the character recognition with EasyOCR have a character error rate 3.81 %  and word error rate 11.90 % , the system prototype can run the detection and OCR in real time, the prototype can get the real time date and classified it as odd or even number, and give an alert when the detected license plate number violated the odd even rule."

"Hipertensi merupakan salah satu faktor risiko dari kardiovaskular yang mematikan yang dikenal sebagai “the silent killer” dikarenakan hipertensi tidak menunjukkan gejala apapun dan tidak memiliki keluhan namun hipertensi mampu menyebabkan penyakitpenyakit lain atau komplikasi seperti kerusakan pada organ. Pengukuran parameterparameter fisiologis seperti tekanan darah adalah hal yang vital dalam menunjang pendeteksian dan analisis dari penyakit kardiovaskular. Namun, hingga saat ini beberapa metode-metode pengukuran yang tersedia saat ini membutuhkan instrumen yang canggih dan dibutuhkannya tenaga kesehatan dengan keahlian khusus untuk mengoperasikan instrumen tersebut. Selain itu, penggunaan cuff pada alat sphygmomanometer sangat tidak nyaman untuk digunakan apabila diperlukannya pengukuran tekanan darah secara kontinu serta pengoperasian instrumen membutuhkan kontak fisik sehingga meningkatkan kemungkinan terpaparnya COVID-19. Oleh karena itu, dibutuhkannya metode pengukuran darah tanpa cuff, mampu mengukur tekanan darah secara kontinu, dan mampu mengukur tekanan darah dengan akurat yang mampu dioperasikan dengan mudah. Penelitian ini bertujuan untuk membuat desain rancangan prototipe alat pengukur tekanan darah dengan menggunakan sensor MAX30102 dan ESP32 secara wireless melalui sinyal photoplethysmograph dengan pengolahan sinyal PPG berbasis pada ekstraksi fitur dan machine learning. Sistem pengukuran menggunakan sensor PPG dan microcontroller untuk mendapatkan sinyal PPG dari subjek yang kemudian sinyal melalui tahap preprocessing untuk menghilangkan noise kemudian sinyal diproses dengan peak detection dan ekstraksi fitur. Data tersebut kemudian akan dikumpulkan untuk dilatih pada machine learning untuk mendapatkan model yang mampu memprediksi nilai parameter fisiologis, yaitu tekanan darah. Model terbaik yang didapatkan, yaitu model dengan dataset 6 subjek dengan jumlah baris hasil ekstraksi 4 fitur sinyal PPG berjumlah 20 baris dengan perbandingan data training dan data validation sebesar 90:10 tanpa regularization dengan algoritma XGBoost dengan evaluasi performa sebesar 0,49/0,59 untuk koefisien determinasi dan nilai error sebesar 4,53/4,57 digunakan pada Graphical User Interface (GUI) yang berbasis web sehingga model dapat terintegrasi dengan sistem yang kemudian mampu diimplementasikan secara langsung oleh user.

---

Hipertensi merupakan salah satu faktor risiko dari kardiovaskular yang mematikan yang dikenal sebagai “the silent killer” dikarenakan hipertensi tidak menunjukkan gejala apapun dan tidak memiliki keluhan namun hipertensi mampu menyebabkan penyakitpenyakit lain atau komplikasi seperti kerusakan pada organ. Pengukuran parameterparameter fisiologis seperti tekanan darah adalah hal yang vital dalam menunjang pendeteksian dan analisis dari penyakit kardiovaskular. Namun, hingga saat ini beberapa metode-metode pengukuran yang tersedia saat ini membutuhkan instrumen yang canggih dan dibutuhkannya tenaga kesehatan dengan keahlian khusus untuk mengoperasikan instrumen tersebut. Selain itu, penggunaan cuff pada alat sphygmomanometer sangat tidak nyaman untuk digunakan apabila diperlukannya pengukuran tekanan darah secara kontinu serta pengoperasian instrumen membutuhkan kontak fisik sehingga meningkatkan kemungkinan terpaparnya COVID-19. Oleh karena itu, dibutuhkannya metode pengukuran darah tanpa cuff, mampu mengukur tekanan darah secara kontinu, dan mampu mengukur tekanan darah dengan akurat yang mampu dioperasikan dengan mudah. Penelitian ini bertujuan untuk membuat desain rancangan prototipe alat pengukur tekanan darah dengan menggunakan sensor MAX30102 dan ESP32 secara wireless melalui sinyal photoplethysmograph dengan pengolahan sinyal PPG berbasis pada ekstraksi fitur dan machine learning. Sistem pengukuran menggunakan sensor PPG dan microcontroller untuk mendapatkan sinyal PPG dari subjek yang kemudian sinyal melalui tahap preprocessing untuk menghilangkan noise kemudian sinyal diproses dengan peak detection dan ekstraksi fitur. Data tersebut kemudian akan dikumpulkan untuk dilatih pada machine learning untuk mendapatkan model yang mampu memprediksi nilai parameter fisiologis, yaitu tekanan darah. Model terbaik yang didapatkan, yaitu model dengan dataset 6 subjek dengan jumlah baris hasil ekstraksi 4 fitur sinyal PPG berjumlah 20 baris dengan perbandingan data training dan data validation sebesar 90:10 tanpa regularization dengan algoritma XGBoost dengan evaluasi performa sebesar 0,49/0,59 untuk koefisien determinasi dan nilai error sebesar 4,53/4,57 digunakan pada Graphical User Interface (GUI) yang berbasis web sehingga model dapat terintegrasi dengan sistem yang kemudian mampu diimplementasikan secara langsung oleh user."

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Penelitian yang dilakukan pada laporan ini ditujukan untuk membuat suatu sistem yang dapat melakukan monitoring performa Wi-Fi, sehingga bila ada salah satu jaringan yang memiliki masalah dapat ditindak lanjuti dengan cepat untuk dianalisis lebih lanjut. Dalam penelitian ini juga ditambahkan peerbandingan kinerja machine learning untuk melakukan prediksi tentang bagaimana traffic wifi dapat berjalan ke depannya. Model machine learning yang dipakai pada penelitian ini adalah linear regression, Extreme Gradient Boost XGB regression, dan Light Gradient Boosting Machine (LGBM) regression. XGB dan LGBM merupakan pengembangan dari Gradient Boosting Decision Tree (GBDT). LGBM menerapkan dua Teknik yaitu Gradient-based One-Side Sampling (GOSS) dan Exclusive Features Bundling (EFB). GOSS berguna untuk mengecualikan gradien data kecil, sedangkan EFB berguna untuk memilih fitur eksklusif dengan tujuan pengurangan fitur. Peneliti menggunakan metrik evaluasi untuk mengetahui akurasi prediksi masing-masing model. Dari penelitian yang dilakukan metode machine learning LGBM lebih baik 3,09 % dari XGB regression dan 16,57 % lebih baik dari linear regression.

---

This research in this report is aimed to create a system that can monitor WiFi performance, so that if one of the networks has problems it can be followed up quickly for further analysis. This research also add machine learning performance comparison to make predictions about how the WiFi traffic run in the future. The machine learning models used in this study are linear regression, Extreme Gradient Boost XGB regression, and Light Gradient Boosting Machine (LGBM) regression. LGBM applies two techniques namely Gradient-based One-Side Sampling (GOSS) and Exclusive Features Bundling (EFB). GOSS is useful for excluding small data gradients, whereas EFB is useful for selecting exclusive features with the goal of feature reduction. Researchers use evaluation metrics to determine the prediction accuracy of each model. From research conducted the LGBM machine learning method is 3.09% better than XGB regression and 16.57% better than linear regression."

"

Dalam kehidupan kita sehari-hari umumnya banyak barang yang kita butuhkan dan gunakan dalam rumah tangga kita. Mulai dari bahan pangan, minuman, barang untuk membersihkan rumah, barang untuk mencuci pakaian, kudapan, dan lain sebagainya, Pada masyarakat kini banyak barang keperluan sehari-hari tersebut kita beli dan jumpai di berbagai tempat mulai dari warung di dekat rumah, supermarket, toko sembako, dan lain sebagainya. Akhir-akhir ini jumlah supermarket dan minimarket mulai menjamur. Pada tahun 2021 jumlah minimarket di Indonesia mencapai 38.323 gerai yang merupakan peningkatan sebanyak 21,7% dibandingkan pada tahun 2017 yakni hanya sebanyak 31.488 gerai saja. Dengan jumlah gerai yang semakin banyak, banyak masyarakat yang semakin banyak menggunakan jasanya untuk mendapatkan barang-barang kebutuhan sehari-hari mereka. Apalagi bila barang yang dibeli juga cukup banyak sehingga akan sulit untuk mendata barang-barang apa saja yang telah dibeli. Untuk memudahkan hal tersebut, penulis mengajukan sebuah solusi untuk membuat sebuah rancangan sistem yang akan memanfaatkan teknologi Deep Learning untuk mendeteksi tulisan pada struk belanja dari hasil pembelian barang pada minimarket. Hasilnya dari pengujian yang sudah dilakukan pada penelitian ini, masing-masing model Deep Learning memiliki tingkat akurasi mAP50 99,4% dan mAP50:95 72,9% untuk YOLOv5, tingkat akurasi mAP50 99,61% dan mAP50:95 65,19% untuk Faster R-CNN, dan tingkat akurasi mAP50 61,77% dan mAP50:95 98,09% untuk RetinaNet. Dimana YOLOv5 memiliki tingkat akurasi mAP50:95 tertinggi yakni 72,9% dan Faster R-CNN memiliki tingkat akurasi mAP50 tertinggi yakni 99,61%. Dimana pada proses implementasi sistem YOLOv5 dan Faster R-CNN berhasil melakukan proses pengenalan sedangkan RetinaNet gagal untuk melakukannya.

---

In our daily lives, we generally need and use many items in our households. Starting from food ingredients, drinks, household cleaning items, laundry items, snacks, and so on. Nowadays, many of these daily necessities are bought and found in various places such as small shops near our homes, supermarkets, grocery stores, and so on. Recently, the number of supermarkets and minimarkets has increased. In 2021, the number of minimarkets in Indonesia reached 38,323 branches which is an increase of 21.7% compared to 2017 which was only 31,488 branches. With the increasing number of branches, many people are using their services to obtain their daily necessities. Especially when the purchased items are quite a lot so it will be difficult to record what items have been purchased. To facilitate this matter, the author proposes a solution to create a system design that will utilize Deep Learning technology to detect writing on receipts from purchasing items at minimarkets. The results of testing that have been carried out in this study show that each Deep Learning model has an mAP50 accuracy level of 99.4% and mAP50:95 72.9% for YOLOv5, an mAP50 accuracy level of 99.61% and mAP50:95 65.19% for Faster R-CNN, and an mAP50 accuracy level of 61.77% and mAP50:95 98.09% for RetinaNet. YOLOv5 has the highest mAP50:95 accuracy rate at 72.9%, while Faster R-CNN has the highest mAP50 accuracy rate at 99.61%. Where in the implementation process, YOLOv5 and Faster R-CNN systems were able to perform recognition processes while RetinaNet failed to do so."

"Difusi seringkali ditinjau secara makroskopis namun pada kasus ini, masing masing partikel yang mempengaruhi terjadinya difusi yaitu perataan konsentrasi dalam suatu larutan akan ditinjau. Masing-masing partikel akan bergerak secara bebas akibat interaksi antar partikel dan molekul gas sekitar yang dapat mengakibatkan terjadinya peristiwa Gerak Brown. Melalui studi ini, diamati 3 variasi dari suatu partikel bernama microbead polystyrene yang akan diamati peristiwa gerak Brown yang terjadi pada partikel untuk menghitung koefisien difusi dari partikel tersebut. Digunakan metode Mean Square Displacement (MSD) sebagai metode utama perhitungan koefisien difusi namun untuk mewujudkan hal tersebut, diperlukan data berupa koordinat pergerakan partikel dalam 2 dimensi sehingga dengan bantuan dari 2 instrumen utama berupa machine learning dan Python 3.7, dibuatlah suatu sistem untuk mengukur koefisien difusi suatu partikel microbead polystyrene yang dapat dilakukan secara otomatis dengan memberikan video pergerakan partikel tersebut. Hasil dari penelitian akan menunjukan bahwa semakin besar partikel, semakin kecil koefisien difusi yang dihasilkan.

---

Diffusion has been widely researched macroscopically but, in this case, each particle that influences the diffusion phenomenon which is the spreading of a concentrated liquid will be observed. Each particle will move freely as a result of the interactions between the gasses of the liquid covering the particle and the particle itself in where Brownian motion can occur. Through this study, 3 size variants of a particle known as the polystyrene microbead will be observed under microscope to see how it acts when Brownian motion occurs which in result, will be able to calculate the diffusion coefficient of the particle. The Mean Square Displacement (MSD) is used as the main method for calculating the diffusion coefficient but a specific dataset, the coordinates of the particles center of mass, is required hence needing the help of a system to find its coordinates. This research develops a method for doing so using the help of machine learning and Python 3.7 to create an automated system that is able to calculate the diffusion coefficient of this specific particle with only needing a video input of the particle moving. The result of this research will show that the larger the particle, the smaller the diffusion coefficient. "

"ABSTRAKSynthesis loop merupakan salah satu sistem kritis di pabrik amoniak. Oleh karena itu, ada urgensi untuk menjaga reliability dan availability pada sistem ini. Sebagian besar peristiwa shutdown di pabrik amoniak terjadi tiba-tiba setelah alarm tercapai. Jadi, perlu ada sistem deteksi dini untuk memastikan masalah anomali ditangkap oleh operator sebelum menyentuh set point alarm. Implementasi algoritma machine learning dalam membuat model deteksi potensi kegagalan telah digunakan di berbagai industri dan objek sebagai penelitian. Algoritma yang digunakan adalah classifier dasar dan ensemble untuk membandingkan algoritma mana yang menghasilkan hasil klasifikasi terbaik. Penelitian ini dapat memberikan ide dan perspektif baru ke dalam industri pabrik amoniak untuk mencegah terjadinya shutdown yang tidak terjadwal dengan memanfaatkan data menggunakan algoritma machine learning.

---

ABSTRACTSynthesis loop is one of the critical systems in ammonia plant. Therefore, there is urgency for maintaining the reliability and availability of this system. Most of the shutdown events occur suddenly after the alarm is reached. So, there needs to be an early detection system to ensure anomaly problem captured by the operator beforetouching the alarm settings. The implementation of machine learning algorithms in making fault detection models has been used in various industries and objects. The algorithm used is the basic and ensemble classifier to compare which algorithms generate the best classification results. This research can provide a new idea and perspective into ammonia plant industry to prevent unscheduled shutdown by utilizingdata using machine learning algorithm."