JURNAL QUANCOM: QUANTUM COMPUTER JURNAL

Implementasi Sistem Pendeteksi Penyakit Pada Daun Singkong Dan Daun Cabai Berbasis Machine Learning

Karel Chavez, Luki hernando — Fri, 29 Dec 2023 00:00:00 +0000

The development of artificial intelligence is currently experiencing very rapid growth, both in hardware and software development. Artificial intelligence has succeeded in creating various products that are used in everyday life. These products can be classified into four techniques in artificial intelligence, namely searching, reasoning, planning and learning. This research discusses the implementation of a disease detection system on cassava leaves and chili leaves based on machine learning. The aim of this research is to develop a system that can automatically detect diseases in cassava and chili plants through leaf image analysis using machine learning technology. The method used involves recording digital images and machine learning algorithms to recognize disease patterns and symptoms on plant leaves. In this research, a dataset containing images of disease-infected leaves is used to train a machine learning model. The test results show that the implemented system is able to recognize and differentiate various diseases on cassava and chili leaves with sufficient accuracy. Implementation of this system makes an important contribution in supporting the monitoring and management of plant diseases quickly and efficiently, which in turn can help farmers increase their agricultural productivity.

Sistem Keamanan Penghuni Apartemen Menggunakan Computer Vision Dan Raspberry Pi

Pritami Sergio, Zainul Munir — Fri, 29 Dec 2023 00:00:00 +0000

This research aims to design and implement a security system for apartments that
combines computer vision technology with notifications via the Telegram
application. This system is based on the Raspberry Pi 3 Model B+ to detect the face
of a person in front of the door via a connected camera, and sends notifications to
residents via Telegram messages. Thus, this system effectively and automatically
increases the level of security and provides residents with real-time access to
information about the ongoing security situation in their apartments. This research
explains the technical implementation of this system and its potential to increase the
sense of security of apartment residents. Test results for familiar faces have an
accuracy rate of 96% and for unfamiliar faces they have an accuracy rate of 96%.

IMPLEMENTASI TEKNOLOGI COMPUTER VISION PADA ALAT PENGHITUNG BOTOL AIR MINUM KEMASAN DI INDUSTRI MENGGUNAKAN METODE HSL

Hani Khairiyah, Muhammad Abrar Masril — Fri, 29 Dec 2023 00:00:00 +0000

Industri pengemasan air minum kemasan merupakan sektor yang berkembang pesat
dalam respons terhadap permintaan global akan air minum yang praktis dan bersih.
Alat penghitung botol air minum kemasan adalah komponen kunci dalam proses
produksi yang bertujuan untuk memenuhi standar kualitas dan kuantitas yang
ditetapkan oleh peraturan dan harapan pelanggan. Meskipun berperan krusial, alat
ini seringkali dihadapkan pada sejumlah permasalahan yang memerlukan perhatian
mendalam. Abstrak ini membahas permasalahan utama yang melingkupi alat
penghitung botol air minum kemasan, termasuk ketidaknyamanan pengguna,
kesalahan operasional, kerentanan terhadap gangguan teknis, dan masalah terkait
kepatuhan regulasi. Dalam rangka mengatasi permasalahan ini, metode HSL
digunakan sebagai pendekatan yang holistik. Metode HSL mengintegrasikan
pemahaman tentang aspek manusia (pengguna), sistem (alat dan perangkat lunak),
serta lanskap (lingkungan regulasi dan sosial) untuk mengidentifikasi masalah,
mengukur dampaknya, dan merancang solusi yang tepat. Melalui penerapan metode
HSL, diharapkan bahwa alat penghitung botol air minum kemasan dapat
ditingkatkan dalam hal efisiensi operasional, keandalan, dan kepatuhan terhadap
regulasi yang ketat, sekaligus meminimalkan dampak negatif terhadap pengguna
dan lingkungan. Dengan demikian, industri pengemasan air minum dapat terus
berperan dalam memenuhi tuntutan konsumen akan air minum yang berkualitas,
praktis, dan aman. Adapun hasil data penelitian yang disajikan dengan
menggunakan rumus akurasi yang didapat dari hasil uji coba yang telah di lakukan,
untuk mengetahui berapa persen tingkat keberhasilan dari alat yang telah di buat.
Dan hasil persentase keberhasilan di alat ini sebesar 67% untuk 3 kali percobaan

Rancang Bangun Robot Mobile Pengawasan Berbasis IoT(Internet Of Things) Menggunakan Kamera ESP-32

Andrian Syah, Deosa Putra Caniago — Fri, 29 Dec 2023 00:00:00 +0000

Teknologi Robot kini tidak hanya membantu manusia dalam melakukan segala aktifitas, namun teknologi yang ada sekarang membantu manusia untuk dapat memudahkan di dalam melakukan pengawasan dalam berbagai lingkungan, dari banyak nya kasus kejahatan dan beberapa kasus tindak kriminal yang ada di Tanjungpinang penelitian ini dilakukan di perumahan, untuk membantu keamanan yang sebelumnya konvensional menjadi lebih flexible, dengan metode pada penelitian ini adalah Experiment yang digunakan adalah Robot Kontrol Mobile berbasis IoT(Internet Of Things), robot ini menggunakan Mikrokontroller ESP32Cam dengan Output yang digunakan menggunakan Teknologi WebSocket sehingga pengguna dapat menggunakan secara efisien dan realtime, robot ini dilengkapi juga dengan Pant Tilt Servo yang digunakan untuk menggerakan kamera Sekaligus Mikrokontroller. Pengujian dan pengambilan sample data yang digunakan adalah dengan menguji kekuatan sinyal, jarak tempuh, dan sistem kontrol. Hasil yang diperoleh dalam beberapa pengujian alat adalah pada jarak tempuh 16 Meter dengan Kekuatan Sinyal -70 dbm tanpa adanya halangan, dengan hasil kesimpulan bahwa robot dapat di kendalikan secara nirkabel dan dapat dikontrol menggunakan WebSocket.

Rancang Bangun Alat Bantu Deteksi Warna Bagi Penderita Buta Warna Dengan Output Suara Berbasis Internet Of Things (IoT)

Maranti Nainggolan, Joni Eka Candra — Fri, 29 Dec 2023 00:00:00 +0000

Buta warna adalah gangguan penglihatan yang menyebabkan penderitanya tidak dapat membedakan warna. Penderita buta warna sering mengalami kendala dalam menjalani aktivitas sehari-hari, seperti memilih warna pakaian, kesulitan belajar dengan materi yang membutuhkan perspektif warna seperti tabel dan grafik. Selain itu, ketidakmampuan untuk melihat warna dapat membatasi orang yang menderita buta warna dalam bekerja, seperti pengemudi kendaraan, pelaut, pilot dan teknisi elektronik. Salah satu solusi untuk mengatasi masalah tersebut adalah dengan membangun alat pendeteksi warna dan aplikasi android berbasis Internet Of Things yang bertujuan untuk membantu penderita buta warna mengenali warna. Komponen utama untuk merancang sistem deteksi warna terdiri dari TCS3200 sensor warna dan NodeMCU Esp8266. Penelitian ini menggunakan metode eksperimen dengan pendekatan kuantitatif untuk memperoleh data penelitian. Hasil dari penelitian ini adalah aplikasi buta warna yang dapat menampilkan data warna yang terdeteksi, berupa gambar berwarna, teks dan suara. Pengujian waktu deteksi rata-rata untuk setiap warna adalah merah (2,12 detik), hijau (3,07 detik), biru (3,41 detik), kuning (2,49 detik), coklat (4,5 detik), hitam (3,12 detik), nila (3,07 detik), ungu (2,6), oranye (3,15 detik), magenta (2,42 detik) sedangkan akurasi masing-masing warna adalah merah, hijau, biru, kuning dan coklat sebesar 100%, hitam dan ungu sebesar 70%, nila 90%, oranye 80%, dan magenta 60%.

KLASIFIKASI MENTAL MAHASISWA MENGGUNAKAN METODE MACHINE LEARNING

Raynold — Fri, 29 Dec 2023 00:00:00 +0000

The high level of stress and depression among students is a serious problem that must be faced, there are 971 suicides in Indonesia in 2023. Classifying the mental health conditions of students can provide effective assistance for students who have mental health problems and can also help the campus and family in identifying the condition of the student. In this study, we used an open dataset from kaggle that includes the mental health conditions of students and college students. The methods used are K-Nearest Neighbor (KNN) and Naive Bayes algorithms to find accuracy, precision, recall, and f1-score values. First, students will fill out a questionnaire. Next, the data from the questionnaire will be processed to group students into several different clusters based on pattern similarity. In the dataset there are 100 data that are processed and get the results of KNN measurements of Depression 80%, Panic 70% and Anxiety 85%,the results of Naive Bayes measurements of Depression 70%, Panic 75% and Anxiety 75%.