Hasil Pengecekan

Daun herbal merupakan jenis yang sering digunakan oleh masyarakat di sektor kesehatan. Permasalahan yang dihadapi adalah kurangnya pengetahuan tentang jenis-jenis daun herbal dan kesulitan membedakan jenis-jenis daun herbal bagi masyarakat awam yang tidak memahami tumbuhan. Jika jenis tumbuhan yang digunakan salah, akan berdampak negatif pada kesehatan. Klasifikasi otomatis dengan bantuan teknologi akan mengurangi risiko salah identifikasi jenis daun herbal. Untuk melakukan identifikasi, diperlukan proses deteksi daun herbal yang tepat dan akurat. Penelitian ini bertujuan untuk mempermudah model klasifikasi citra daun herbal dengan nilai akurasi yang lebih tinggi dibandingkan penelitian sebelumnya. Oleh karena itu, metode yang diusulkan dalam proses klasifikasi ini adalah salah satu metode Transfer Learning, yaitu Convolutional Neural Network (CNN) dengan model VGG16 yang telah dilatih sebelumnya. Penelitian ini menggunakan dataset daun herbal dengan total 10 kelas: Belimbing Wuluh, Jambu Biji, Jeruk Nipis, Kemangi, Lidah Buaya, Nangka, Pandan, Pepaya, Seledri, dan Sirih. Kinerja hasil metode klasifikasi yang diusulkan pada dataset uji menggunakan Laporan Klasifikasi menunjukkan peningkatan nilai akurasi hasil penelitian sebelumnya dari 82% menjadi 97%. Penelitian ini juga menerapkan Image Data Generator dalam proses augmentasi yang bertujuan untuk meningkatkan citra daun herbal, mengurangi overfitting, dan meningkatkan akurasi.

Abstrak—Seiring dengan perkembangan menuju Internet of Things (IoT), jumlah sensor yang dipasang di seluruh dunia terus meningkat pesat. Riset pasar menunjukkan pertumbuhan signifikan dalam pemasangan sensor selama dekade terakhir dan memprediksi peningkatan signifikan dalam tingkat pertumbuhan di masa mendatang. Sensor-sensor ini terus menghasilkan sejumlah besar data. Namun, untuk menambah nilai pada data mentah sensor, kita perlu memahaminya. Pengumpulan, pemodelan, penalaran, dan distribusi konteks yang berkaitan dengan data sensor memainkan peran penting dalam tantangan ini. Komputasi yang sadar konteks telah terbukti berhasil dalam memahami data sensor. Dalam makalah ini, kami meninjau kesadaran konteks dari perspektif IoT. Kami menyajikan latar belakang yang diperlukan dengan memperkenalkan paradigma IoT dan dasar-dasar sadar konteks di awal. Kemudian kami memberikan analisis mendalam tentang siklus hidup konteks. Kami mengevaluasi subset proyek (50) yang mewakili sebagian besar penelitian dan solusi komersial yang diusulkan di bidang komputasi sadar konteks yang dilakukan selama dekade terakhir (2001-2011) berdasarkan taksonomi kami sendiri. Terakhir, berdasarkan evaluasi kami, kami menyoroti pelajaran yang dapat dipetik dari masa lalu dan beberapa arah yang mungkin untuk penelitian di masa mendatang. Survei ini membahas berbagai macam teknik, metode, model, fungsionalitas, sistem, aplikasi, dan solusi middleware yang terkait dengan kesadaran konteks dan IoT. Tujuan kami bukan hanya untuk menganalisis, membandingkan, dan mengkonsolidasikan karya penelitian masa lalu tetapi juga untuk mengapresiasi temuan mereka dan membahas penerapannya terhadap IoT.

Asam urat (UA) adalah salah satu produk metabolisme purin dan penting dalam diagnosis klinis. Dalam penelitian ini, kami menyajikan studi tentang biosensor elektrokimia dan fotoelektrokimia berbasis nanostruktur ZnS untuk deteksi UA. Melalui metode hidrotermal sederhana dan dengan memvariasikan rasio pelarut reaksi, kami memperoleh nanomaterial ZnS dengan morfologi satu dimensi hingga tiga dimensi dan dikarakterisasi menggunakan mikroskop elektron pemindaian emisi medan (FESEM) dan difraksi sinar-X (XRD). Untuk membuat biosensor UA dan mempelajari pengaruh morfologi material terhadap kinerjanya, nanomaterial ZnS diendapkan pada kaca konduktif indium timah oksida (ITO) dan kemudian dilapisi dengan urikase melalui absorpsi fisik. Tiga jenis elektroda kerja dikarakterisasi dengan metode voltametri siklik. Pengaruh morfologi material terhadap kinerja deteksi UA diselidiki melalui metode elektrokimia berbasis respons amperometrik berdasarkan reaksi enzimatik. Elektroda nanostruktur ZnS berbentuk landak laut menunjukkan sensitivitas yang lebih baik dibandingkan dengan elektroda yang terbuat dari nanopartikel dan nanoflake karena rasio luas permukaan terhadap volume yang tinggi. Metode fotoelektrokimia untuk deteksi UA juga dipelajari. Sensitivitas meningkat 5 kali lipat setelah penyinaran cahaya UV 300 nm. Hasil ini menunjukkan bahwa nanostruktur ZnS merupakan material kandidat yang baik untuk pengembangan biosensor UA berbasis enzim.

Fotovoltaik adalah sistem yang dapat mengubah sinar matahari menjadi energi listrik. Namun, efisiensi fotovoltaik cenderung rendah dan kinerjanya dipengaruhi oleh beberapa parameter lingkungan seperti debu, kecepatan angin, kelembaban, suhu, dan faktor eksternal lainnya. Karena banyak faktor yang dapat memengaruhi daya yang dihasilkan, kita membutuhkan sistem prediksi daya keluaran yang dapat membantu dalam perencanaan dan pengelolaan serta meningkatkan efisiensi sistem fotovoltaik. Dalam penelitian ini, dirancang sebuah sistem yang dapat memprediksi daya keluaran fotovoltaik dalam jangka pendek menggunakan metode Jaringan Saraf Buatan atau yang sering disebut jaringan saraf tiruan. Prediksi dibuat berdasarkan pengaruh beberapa parameter lingkungan seperti kecepatan angin, debu, kelembaban, dan suhu pada sistem fotovoltaik 10 Wp. Data kinerja selama 7 hari digunakan sebagai dataset dan kemudian diproses menggunakan ANN dengan 1 lapisan input, 3 lapisan tersembunyi, 1 lapisan output, dan 3 epoch sampel (10, 100, dan 1000). Hasil penelitian dapat memprediksi keluaran daya fotovoltaik untuk 4 hari ke depan dengan nilai kesalahan Mean Square Error (MSE) sebesar 0,0010, Mean Absolute Error (MAE) sebesar 0,0155, Root Mean Square Error (RMSE) sebesar 0,0229 dengan peningkatan daya mencapai 0,5 hingga 1 watt.