Jurnal Tekno Insentif

Penerapan Algoritma Kalman Filter Dan Yolo Mengukur Efektifitas Aruco Marker Bagi Tunanetra

KOKO EDY YULIANTO, RUJIANTO EKO SAPUTRO, FANDY SETYO UTOMO — Wed, 31 Dec 2025 14:46:14 +0700

Abstrak

Mobilitas dan aksesibilitas merupakan tantangan utama bagi individu dengan disabilitas visual. Penelitian ini mengevaluasi efektivitas sistem navigasi berbasis multi-sensor untuk tunanetra dengan menggabungkan Algoritma Kalman Filter dan YOLO dalam mendeteksi Aruco Marker. Fokus penelitian adalah meningkatkan akurasi dan efisiensi navigasi melalui integrasi teknik deteksi deep learning dan prediksi matematis secara real-time. Hasil eksperimen menunjukkan bahwa Kalman Filter memiliki waktu deteksi lebih cepat, dengan rata-rata 0,1090 detik untuk objek Botol Plastik dan 0,1069 detik untuk objek Kombinasi. YOLO mencatat waktu sedikit lebih cepat namun dengan komputasi lebih berat. Kalman Filter mencatat efisiensi waktu 12,5%–13,3% lebih baik pada objek tertentu dan akurasi sebesar 94,50% (Botol Plastik) serta 96,00% (objek Kombinasi), lebih tinggi dibandingkan YOLO. Kombinasi kedua algoritma ini memberikan solusi navigasi yang akurat dan efisien untuk tunanetra, serta berpotensi dikembangkan lebih lanjut sebagai sistem navigasi real-time yang andal.

Kata kunci: Kalman Filter, YOLO, Aruco Marker, Navigasi Tunanetra, Efektivitas Deteksi

Abstract

Mobility and accessibility remain major challenges for individuals with visual impairments. This study evaluates the effectiveness of a multi-sensor navigation system for the visually impaired by integrating the Kalman Filter algorithm and YOLO for Aruco Marker detection. The research focuses on improving the accuracy and efficiency of navigation by combining deep learning-based detection with real-time mathematical prediction. Experimental results show that the Kalman Filter achieves faster detection times, averaging 0.1090 seconds for Plastic Bottle objects and 0.1069 seconds for Combination objects. While YOLO recorded slightly faster raw detection times, Kalman Filter demonstrated 12.5%–13.3% better computational efficiency for certain objects. In terms of accuracy, Kalman Filter achieved 94.50% for Plastic Bottle objects and 96.00% for Combination objects, outperforming YOLO’s 92.00% and 93.50%, respectively. The integration of both algorithms offers a promising and optimal solution for the development of reliable real-time navigation systems for the visually impaired.

Keywords: Kalman Filter, YOLO, Aruco Marker, Blind Navigation, Detection Effectiveness

Evaluasi Kinerja Pelat Ferosemen Berlapis Seng Sebagai Inovasi Material Pelat Lantai Bangunan Bertingkat

Y Djoko Setiyarto — Wed, 31 Dec 2025 14:49:01 +0700

Abstrak

Konstruksi pelat beton konvensional umumnya memerlukan bekisting yang bersifat sementara, waktu yang tidak singkat dan menghasilkan limbah. Dalam konteks kebutuhan konstruksi yang lebih cepat, efisien, dan ramah lingkungan, konstruksi pelat lantai membutuhkan inovasi material struktural yang dapat mengintegrasikan fungsi bekisting dan struktur. Tujuan dari penelitian ini adalah untuk mengevaluasi kinerja mekanik dari pelat ferosemen berlapis seng, sehingga dapat diketahui potensinya sebagai bekisting permanen. Metode penelitian ini menggunakan pendekatan eksperimental yang dilanjutkan dengan kegiatan uji coba konstruksi pada rumah bertingkat. Benda uji pelat ferosemen berlapis seng dibuat dengan ukuran panjang 55 cm, lebar 20 cm, tinggi 4 cm, dan menggunakan mortar dengan perbandingan semen-pasir sebesar 1:3. Dari pengujian lentur, diperoleh hasil pelat ferosemen berlapis seng dapat dibebani hingga 365 kgf dengan lendutan sebesar 0,65 mm. Hasil penelitian ini diharapkan dapat bermanfaat memberikan kontribusi inovasi material pelat lantai yang efisien dan ramah lingkungan.

Kata kunci: bekisting permanen, ferosemen berlapis seng, mortar, pelat lantai

Abstract

Conventional concrete slab construction generally requires temporary formwork, is time-consuming, and produces waste. In the context of faster, more efficient, and environmentally friendly construction needs, construction floor slabs require structural innovation materials that can integrate the functions of formwork and structure. The purpose of this study was to evaluate the mechanical performance of zinc-coated ferrocement plates, so that their potential as permanent formwork can be known. This study uses an experimental approach followed by construction trial activities in a multi-storey house. The zinc-coated ferrocement plate test specimens were made with a length of 55 cm, a width of 20 cm, a height of 4 cm, and using mortar with a cement-sand ratio of 1:3. From the flexural test, the results showed that the zinc-coated ferrocement plate could be loaded up to 365 kgf with a deflection of 0.65 mm. The results of this study are expected to be useful in contributing to innovations in efficient and environmentally friendly floor slab materials.

Keywords: permanent formwork, zinc coated ferrocement, mortar, floor plate

Klasifikasi Kanker Kulit menggunakan Custom CNN dengan SMOTE-Tomek dan Optimizer Nadam

Maylinda Christy Yosefina Talan, Syafrial Fachri Pane, Rd. Nuraini Siti Fathonah — Wed, 31 Dec 2025 14:51:58 +0700

Abstrak

Deteksi dini kanker kulit sangat penting untuk meningkatkan harapan hidup, namun diagnosis konvensional seringkali subjektif. Berbeda dari penelitian sebelumnya, penelitian ini mengusulkan sebuah konfigurasi optimal yang menggabungkan tiga komponen kunci secara simultan: arsitektur Custom Convolutional Neural Network (CNN) yang ringan, penanganan ketidakseimbangan data menggunakan SMOTE-Tomek, dan optimisasi pelatihan dengan optimizer Nadam. Pendekatan terintegrasi yang dievaluasi pada dataset HAM10000 ini terbukti mampu mencapai efisiensi komputasi dan akurasi yang tinggi. Hasil eksperimen menunjukkan model mencapai akurasi validasi hingga 95.63% dan nilai F1-score ≥0.90, bahkan pada kelas minoritas seperti melanoma. Model ini juga berhasil diimplementasikan dalam aplikasi web dengan confidence score di atas 90%, membuktikan bahwa pendekatan yang diusulkan mampu memberikan solusi diagnosis yang objektif dan terukur untuk klasifikasi otomatis kanker kulit.

Kata kunci: Klasifikasi Kanker Kulit; Citra Dermoskopi; Custom CNN; SMOTE-Tomek; Optimizer Nadam.

Abstract

Early detection of skin cancer is critical to improving survival rates, yet conventional diagnosis is often subjective. This study develops an objective dermoscopic image classification system using deep learning. The proposed model utilizes a lightweight Custom Convolutional Neural Network (CNN) architecture, combined with the SMOTE-Tomek method to handle data imbalance in the HAM10000 dataset. The training process was optimized using the Nadam optimizer with a 90:10 data split and 64x64 pixel image inputs. Experimental results show the model achieved a validation accuracy of up to 95.63% and an F1-score ≥0.90, even on minority classes like melanoma. The model, successfully implemented in a web application with confidence scores above 90%, proves to be an effective solution for automatic skin cancer classification.

Keywords: Skin Cancer Classification; Dermoscopic Images; Custom CNN; SMOTE-Tomek; Nadam Optimizer.

Kata kunci: Klasifikasi Kanker Kulit; Citra Dermoskopi; Custom CNN; SMOTE-Tomek; Optimizer Nadam.

Analisis Text Mining terhadap Penggunaan Paylater Menggunakan Naïve Bayes Classifier

M. Bucci Ryando, Muchamad Iqbal, Kurnia Syahidah — Wed, 31 Dec 2025 14:54:33 +0700

Abstrak

Popularitas Paylater sebagai metode pembayaran e-commerce pasca-pandemi di Indonesia meningkat pesat, namun disertai risiko utang konsumtif, khususnya di kalangan Generasi Z. Penelitian ini bertujuan menganalisis sentimen dan opini publik guna memahami faktor yang memengaruhi keputusan adopsi Paylater. Dengan menggunakan metode analisis sentimen berbasis Naïve Bayes Classifier terhadap data Twitter (kini X), penelitian ini mengklasifikasikan tanggapan masyarakat terhadap penggunaan Paylater. Model yang dibangun divalidasi dengan nilai F1-score 0.432 dan Precision 0.508. Hasil analisis menunjukkan mayoritas sentimen (50,75%) bersifat netral atau ambigu, mencerminkan adanya keraguan publik terhadap penggunaan layanan ini. Selain itu, ditemukan dominasi sentimen negatif yang menyoroti isu peningkatan utang, kesulitan mengelola keuangan, serta ketergantungan terhadap fasilitas kredit konsumtif. Penelitian ini berkontribusi dalam pemanfaatan text mining untuk memetakan persepsi Generasi Z terhadap adopsi Paylater, sehingga hasilnya dapat menjadi dasar bagi perusahaan fintech dalam merumuskan strategi pemasaran yang lebih bijak dan bertanggung jawab.

Kata kunci: paylater, analisis sentimen, text mining, generasi z, naïve bayes classifier.

Abstract

The popularity of Paylater as an e-commerce payment method in post-pandemic Indonesia has grown rapidly but is accompanied by the risk of consumptive debt, particularly among Generation Z. This study aims to analyze public sentiment and opinions to understand the factors influencing Paylater adoption decisions. Using a Naïve Bayes Classifier-based sentiment analysis method on Twitter (now X) data, this research classifies public responses toward Paylater usage. The developed model was validated with an F1-score of 0.432 and Precision of 0.508. The results indicate that the majority of sentiments (50.75%) are neutral or ambiguous, reflecting public uncertainty toward the service. In addition, dominant negative sentiments were identified, highlighting issues such as increasing debt, financial management difficulties, and dependency on credit facilities. This study contributes to the use of text mining in mapping Generation Z’s perceptions of Paylater adoption, providing insights that can help fintech companies develop more responsible and ethical marketing strategies.

Keywords: paylater, sentiment analysis, text mining, z generation, naïve bayes classifier.

M Model Klasifikasi Jumlah Kendaraan Area Kampus dengan Peningkatan Algoritma Yolov8

ROFIL M. NUR, Romi Wijaya — Wed, 31 Dec 2025 15:10:07 +0700

Abstrak

Seiring bertambahnya mahasiswa baru menimbulkan tantangan terhadap infrastruktur di Universitas Putra Indonesia YPTK Padang. Ruang lingkup penelitian ini adalah melakukan proses klasifikasi berapa intensitas jumlah kendaaran yang masuk di area kampus pada beberapa waktu dimana kepadatan mahasiswa terjadi yang jika terjadi hal tersebut dapat menyebabkan terganggunya operasional kampus seperti perkuliahan dan lainnya. Kendaraan yang dihihitung adalah yang sering dipakai mahasiswa seperti motor dan mobil. Tujuan penelitian ini untuk menghitung jumlah kendaraan di area kampus menggunakan algoritma deteksi objek You Only Look Once (YOLOv8) dan platform Roboflow yang menggunakan 1657 gambar yang dilabeling. YOLOv8 memiliki peningkatan akurasi dan kecepatan dibandingkan versi sebelumnya, data yang digunakan berupa citra atau video yang diambil dari kamera CCTV. Hasil eksperimen menunjukkan bahwa model ini dapat mendeteksi dan menghitung jumlah kendaraan dengan akurasi tingkat presisi mencapai 96%, recall 82%, mAP50 sebesar 87%, dan mAP50-95 juga 87% dan waktu pemrosesan yang efisien. Kontribusi penelitian ini dapat meningkatkan pengelolaan lalu lintas dan perencanaan fasilitas di area kampus.

Kata kunci: Klasifikasi kendaraan, YOLOv8, deteksi objek, Citra

Abstract

The increase in new students poses challenges to the infrastructure at Universitas Putra Indonesia YPTK Padang. The scope of this research is to classify the intensity of vehicles entering the campus area at certain times when student density occurs, which can disrupt campus operations such as lectures and others. The vehicles counted are those frequently used by students, such as motorcycles and cars. The purpose of this research is to count the number of vehicles in the campus area using the You Only Look Once (YOLOv8) object detection algorithm and the Roboflow platform, which uses 1657 labeled images. YOLOv8 has improved accuracy and speed compared to previous versions. The data used are images or videos taken from CCTV cameras. The results of the experiment show that this model can detect and count the number of vehicles with an accuracy level of 96%, recall of 82%, mAP50 of 87%, and mAP50-95 of 87% as well as efficient processing time. The contribution of this research can improve traffic management and facility planning in the campus area.

Keywords: Vehicle classification, YOLOv8, object detection, Image

Implementasi Naïve Bayes dan Decision Tree Untuk Klasifikasi Jenis Tanaman

Roni Roni, Asrul Abdullah, Rachmat Wahid Saleh Insani — Wed, 31 Dec 2025 16:07:33 +0700

Abstrak

Sektor pertanian berkontribusi penting bagi perekonomian Indonesia, namun pemilihan tanaman masih mengandalkan cara tradisional yang kurang efisien. Penelitian ini mengembangkan sistem klasifikasi tanaman berbasis parameter tanah dan iklim dengan algoritma Naïve Bayes serta Decision Tree. Proses penelitian mengikuti enam tahap CRISP-DM. Data diambil dari Kaggle dengan variabel nitrogen, fosfor, kalium, suhu, kelembapan, pH, dan curah hujan. Evaluasi memakai Confusion Matrix dan Cross-Validation dengan akurasi, presisi, recall, dan F1-score. Hasilnya, Decision Tree akurat pada data latih (97,95%) namun turun di data uji (91,57%), sedangkan Naïve Bayes lebih stabil (95,25%–95,32%) sehingga direkomendasikan karena hasil yang konsisten dan lebih dapat diandalkan. Perbedaan ini terjadi karena kompleksitas struktur Decision Tree membuatnya lebih rentan terhadap overfitting, sedangkan Naïve Bayes yang bersifat probabilistik lebih stabil terhadap variasi data.

Kata kunci: Pertanian, Klasifikasi Tanaman, Naïve Bayes, Decision Tree, CRISP-DM

Abstract

The agricultural sector plays an important role in Indonesia’s economy, yet crop selection still relies on traditional practices that are often inefficient. This study develops a crop classification system based on soil and climate parameters using the Naïve Bayes and Decision Tree algorithms. The research process follows the six stages of CRISP-DM. The dataset, obtained from Kaggle, includes nitrogen, phosphorus, potassium, temperature, humidity, soil pH, and rainfall. Evaluation was conducted with a Confusion Matrix and Cross-Validation using accuracy, precision, recall, and F1-score. Results indicate that Decision Tree achieved 97.95% accuracy on training data but decreased to 91.57% on testing data, while Naïve Bayes remained more stable (95.25%–95.32%), thus recommended for its consistent and more reliable performance. This difference occurs because the complexity of the Decision Tree structure makes it more prone to overfitting, while the probabilistic Naïve Bayes is more stable against data variations.

Keywords: Agriculture, Crop Classification, Naïve Bayes, Decision Tree, CRISP-DM.

Experimental and Simulation Analysis of Single-Pass Solar Air Collector Performance

QUANKUN ZHU, JANOS BUZAS, ISTVAN FARKAS — Wed, 31 Dec 2025 16:11:50 +0700

ABSTRACT

The solar air collector is a key technology for utilizing solar energy, and many studies focus on improving its efficiency to enhance overall solar energy utilization. This study investigates the thermal performance of a single-channel solar air collector through both experimental and simulation methods, aiming to identify ways to enhance its performance. The Multiphysics software is used to model and evaluate the collector’s performance. Computational fluid dynamics (CFD) techniques are applied to simulate heat transfer in both solid and fluid regions, as well as the laminar flow field. The results indicate that the maximum absorber plate temperature of the solar air collector reached 87.8 °C, and the maximum outlet temperature was 52 °C during the experiments. The simulation results show good agreement with the experimental data, with the percentage error within 8.2%, which is considered acceptable.

Keywords: computational fluid dynamics, COMSOL software, thermal efficiency, solar air collector

ABSTRAK

Kolektor surya pemanas udara (kolektur udara surya) merupakan teknologi penting dalam pemanfaatan energi surya, dan berbagai studi umumnya fokus pada peningkatan efisiensinya sebagai representasi meningkatnya pemanfaatan energi surya secara keseluruhan. Studi ini menyelidiki kinerja termal kolektor udara surya saluran tunggal melalui metoda eksperimental dan simulasi, sebagai identifikasi untuk meningkatkan kinerjanya. Perangkat lunak Multiphysics digunakan untuk memodelkan dan mengevaluasi kinerja kolektor. Teknik Komputasi Dinamika Fluida diterapkan untuk mensimulasikan perpindahan panas pada bagian padat (plat) dan fluida, serta medan aliran laminar. Hasil penelitian menunjukkan bahwa suhu pelat penyerap tertinggi yang tercatat dalam eksperimen kolektor udara surya mencapai 87,8 °C, dengan suhu keluaran maksimum 52 °C. Hasil simulasi menunjukkan konsistensi yang wajar dengan data eksperimental, dengan persentase kesalahan dalam kisaran 8,2%, yang dianggap dapat diterima.

Kata kunci: Teknik Komputasi Dinamika Fluida, perangkat lunak COMSOL, efisiensi termal, kolektor udara surya

Multi-Horizon Prediction Of Broiler Mortality With Decision Tree And SVM: A Case Study In Small-To-Medium Farms In Sukabumi

Budi Jejen Zaenal Abidin, Bambang Somantri Wijaya, Ghaida Sandie Hayatus Sahla — Wed, 31 Dec 2025 16:16:00 +0700

Abstrak

Penelitian ini mengembangkan model machine learning untuk memprediksi mortalitas harian (jumlah kematian) ayam broiler 1–7 hari ke depan secara multi-horizon (H+1–H+7) menggunakan data 12 kandang di Sukabumi selama lima siklus produksi (Juli 2024–Juli 2025). Data dipraproses melalui imputasi nilai hilang (Random Forest), penanganan outlier (IQR dan winsorizing), normalisasi Z-score, serta seleksi fitur (Pearson dan ReliefF). Support Vector Regression (SVR) dan Decision Tree Regression (DTR) dibandingkan dengan hasil menunjukkan SVR unggul untuk prediksi jangka pendek (H+1–H+2; R² = 0,842–0,760), tetapi performanya menurun pada horizon yang lebih panjang. Sebaliknya, DTR lebih stabil pada horizon menengah–panjang (H+5–H+7; R² ≈ 0,683–0,696). Faktor dominan yang berkaitan dengan mortalitas adalah umur dan bobot rata-rata, serta kondisi kandang seperti ventilasi/kecepatan angin, kepadatan tebar, NH₃, dan suhu. Evaluasi dilakukan dengan repeated holdout 70/30 (10 repetisi) dan 5-fold cross-validation pada data latih, mendukung prototipe sebagai peringatan dini.

Kata kunci: ayam broiler, decision tree regression, mortalitas, multi-horizon forecasting, support vector regression

Abstract

This study develops a machine-learning model to predict daily broiler mortality (death counts) 1–7 days ahead using a multi-horizon approach (H+1–H+7), based on data from 12 broiler houses in Sukabumi across five production cycles (July 2024–July 2025). Data were preprocessed using missing-value imputation (Random Forest), outlier handling (IQR and winsorizing), Z-score normalization, and feature selection (Pearson correlation and ReliefF). Support Vector Regression (SVR) and Decision Tree Regression (DTR) were compared. Results show that SVR outperformed DTR for short-term prediction (H+1–H+2; R² = 0.843–0.760), but its performance declined at longer horizons. In contrast, DTR was more stable for medium-to-long horizons (H+5–H+7; R² ≈ 0.683–0.696). Dominant factors associated with mortality included age and average body weight, as well as housing conditions such as ventilation/wind speed, stocking density, NH₃, and temperature. Evaluation used repeated 70/30 holdout (10 repetitions) and 5-fold cross-validation on the training data, supporting a prototype as an early warning tool.

Keywords: broiler chicken, decision tree regression, mortality, multi-horizon forecasting, support vector regression