Blockchain merupakan sebuah jenis teknologi buku besar terdistribusi yang menerima banyak perhatian pada dunia digital saat ini. Pada jaringan blockchain ini memungkinkan adanya lebih dari satu pihak untuk membuat transaksi melalui protokol peer-to-peer yang transparan dan dapat diverifikasi. Jaringan blockchain terbagi menjadi dua jenis yaitu public dan permissioned. Salah satu contohnya adalah melalui jaringan Hyperledger Fabric, di mana pada jaringan terautentikasi ini setiap peserta saling mengenal dan dapat mengidentifikasi, tetapi tidak sepenuhnya percaya satu sama lain. Pada penelitian sebelumnya sebuah arsitektur blockchain diterapkan pada sistem informasi bank sampah dengan mengadopsi konsep transaksional Hyperledger Fabric, dengan tujuan untuk menyelesaikan masalah transparansi anggaran dan validasi transaksi pada proses pembelian dan penjualan. Tetapi pada penelitian tersebut masih terdapat kekurangan dimana belum jelasnya bagaimana proses pembuatan channel dan pemanggilan chain code dilakukan, termasuk adanya masalah pada performa dan skalabilitas yang berkurang seiring bertambahnya jumlah data. Berdasarkan hasil temuan tersebut, kontribusi penelitian ini adalah mengembangkan arsitektur blockchain berdasarkan penelitian sebelumnya dengan menambahkan metode broadcast service, dan pipeline & chunking untuk menangani proses pembuatan channel, pemanggilan chain code, peningkatan performa, dan skalabilitas. Dengan hasilnya adalah peningkatan performa penyebaran pembaruan data dengan kecepatan rata-rata antara 0,28 - 0,36 detik yang diuji menggunakan 1.020 baris data pada 30 database berbeda.

Virus COVID-19 menyebar melalui droplet dari mulut dan hidung yang dapat menyebar melalui sentuhan. Sistem absensi yang biasa digunakan berbasis sentuhan seperti sidik jari maupun Radio-frequency identification (RFID). Untuk mengurangi penyebaran virus COVID-19 diperlukan absensi yang tidak berbasis sentuhan, karena itu dipilih sistem absensi menggunakan wajah. Untuk dapat mengenali wajah dibutuhkan metode guna mendeteksi keberadaan wajah, kemudian mendapatkan data orthoghonal dari wajah. Data orthogonal dari 2 foto orang yang sama akan memiliki kesamaan 60-80%, sedangkan orang yang berbeda akan dibawah 60%. Program mempunyai akurasi 95% saat melihat orang yang terdaftar pada database namun akurasi berkurang saat melihat orang yang tidak terdapat pada database menjadi sebesar 80% saat dilakukan uji coba menggunakan 20 orang yang tidak terdaftar. Lebih susah bagi sistem untuk mengenali bahwa orang tersebut tidak terdaftar karena apabila batas bawah kecocokan ditingkatkan akan berpengaruh dengan kemampuan sistem mendeteksi wajah orang yang terdaftar. Untuk meningkatkan akurasi dapat dilakukan dengan cara memiliki database foto resolusi tinggi, pencahayaan mencerminkan ruangan yang digunakan untuk absensi, dan menggunakan gambar terbaru.

Dewasa ini, proses otomatisasi telah berkembang dan banyak digunakan dalam berbagai aspek, salah satunya dapat diterapkan pada dispenser yang banyak digunakan oleh masyarakat. Sejauh ini sudah banyak yang mengembangkan metode-metode pada dispenser menggunakan perintah suara. Metode-metode tersebut bisa beragam, baik menggunakan Google Voice, handphone, ataupun dengan metode lainnya. Dalam penelitian ini, dikembangkan dispenser dengan menggunakan perintah suara yang menggunakan Voice Recognition Module (VRM) v3 tanpa menggunakan jaringan internet. Modul VRM menerima input suara dari mikrofon dan mengirimkan hasil pengenalan pada mikrokontroler Arduino Uno. Berdasarkan hasil pengenalan dari VRM, mikrokontroler Arduino Uno menggerakkan relay dan motor pompa, untuk mengeluarkan air. Flow sensor digunakan untuk mengukur volume air yang sudah dikeluarkan. Berdasarkan hasil pengujian, Voice Recognition Dispenser dapat menerima perintah dari pengguna dengan cukup baik dengan tingkat keberhasilan tertinggi 90%.

Sistem sekuriti dengan kamera pengawas telah banyak diaplikasikan untuk menjamin keamanan suatu lokasi baik dalam skala besar maupun kecil seperti pada bandar udara, pusat perbelanjaan, stasiun, dan tempat umum lainnya. Sistem sekuriti tersebut melakukan pemantauan secara live dengan diamati secara periodik oleh tenaga sekuriti, maupun dalam bentuk rekaman video aktivitas yang dapat dianalisis pada waktu yang berbeda. Seiring dengan perkembangan teknologi, sistem pelacakan objek secara otomatis dapat dilakukan dalam waktu cepat dan efisien. Sistem yang dibahas pada makalah ini adalah sistem pencatat lintasan objek bergerak dalam ruangan dengan Kalman Filter. Luaran dari sistem berupa visualisasi lintasan pergerakan objek sehingga pengguna dapat menganalisis aktivitas yang dilakukan target objek tersebut jika terjadi kejadian yang mencurigakan. Eksperimen dilakukan terhadap 20 skenario dengan latar lokasi yang berbeda serta titik henti dengan lintasan yang berbeda menggunakan Kalman Filter. Hasil eksperimen dari sistem pencatat lintasan objek bergerak dengan Kalman Filter juga dibandingkan terhadap metode standar lain yaitu Background Substraction. Hasil eksperimen menunjukkan bahwa sistem yang dikembangkan dengan Kalman Filter mampu mencatat lintasan objek bergerak dalam ruangan dengan nilai akurasi terbaik mencapai 88% dengan nilai presisi 89% dan nilai recall sebesar 80%.

Kegiatan Tridharma merupakan kewajiban setiap dosen perguruan tinggi berdasarkan Undang-undang Republik Indonesia Nomor 12 Tahun 2012, kegiatan ini meliputi penyelenggaraan kegiatan pendidikan, penelitian dan pengabdian kepada masyarakat. Pada setiap perguruan tinggi, unit yang bertugas untuk mengatur kegiatan Tridharma Perguruan Tinggi, terutama pada kegiatan penelitian dan pengabdian kepada masyarakat adalah unit LPPM. Pengelolaan data di LPPM direkap secara keseluruhan setiap semester. Meskipun ketika ada laporan masuk selalu dicatat melalui Microsoft Excel, tetapi di akhir semester akan dilakukan pengecekan apakah data yang dimasukkan sudah sesuai atau belum. Kendala yang ditemukan adalah ketika ada permintaan data dari unit lain maupun dosen, maka tidak jarang pihak LPPM melakukan rekap data kembali meskipun telah dilakukan proses rekap data sebelumnya. Untuk mempermudah proses tersebut, maka dibuatlah Sistem Informasi Manajemen Lembaga Penelitian dan Pengabdian Kepada Masyarakat Menggunakan Metode Extreme Programming (XP). Sistem ini berfungsi untuk membantu unit LPPM terkait pengolahan data penelitian dan pengabdian kepada masyarakat, mempermudah proses pengusulan kegiatan dan membantu kaprodi dan pimpinan dalam merekap data. Dengan adanya sistem ini diharapkan dapat meringankan kegiatan penelitian dan pengabdian kepada masyarakat dari sisi pengguna.

Kesehatan tubuh mencakup kesehatan fisik dan mental. Salah satu faktor penentu kesehatan mental adalah stres. Selama ini, telah tersedia alat pendeteksi stres dengan memanfaatkan indikator fisiologis akibat reaksi yang muncul dari symphatetic nervous system, namun alat cenderung mahal dan masih bekerja secara terpisah. Dalam penelitian ini, dibuat dua buah prototipe pendeteksi tingkat stres menggunakan Galvanic Skin Response, DS18B20, dan Raspberry Pi. Skenario sistem dirancang untuk dua orang pasien dari dua rumah sakit berbeda yang ditangani oleh satu orang tenaga medis. Untuk memastikan reliabilitas jaringan dalam transmisi data, mempertimbangkan pengolahan database dan visualisasi pengguna, implementasi Elastic Stack dilakukan pada sistem. Data dikirimkan dari Raspberry Pi sebagai client menggunakan Beat dan ditampung ke dalam Logstash sebelum dimasukkan ke dalam database (Elasticsearch). Hasil pengolahan data divisualisasikan menggunakan Kibana dashboard. Dalam penelitian, kalibrasi sensor GSR menunjukkan percentage difference sebesar 0,79% dan sensor DS18B20 sebesar 0,095%. Rata-rata delay dalam proses transmisi data berlangsung sekitar 3-4 detik. Hal ini terjadi karena Filebeat akan menyesuaikan kecepatan pengiriman data agar tidak membebani server. Mekanisme harvester dan prospector pada Filebeat juga memastikan semua data terkirim dan tersimpan dalam registry file, sehingga sistem akan melakukan pengiriman kembali sekalipun server down. Secara kesuluruhan, hasil pengujian QoS menggunakan standar TIPHON menunjukkan bahwa transmisi data dari Beat menuju Logstash berkategori memuaskan.

Industri pertanian memiliki berbagai cara dalam memproses produk mulai dari proses bertani hingga ke pemasaran produk. Salah satu proses yang terlibat di dalamnya adalah penyimpanan produk yang belum dipasarkan melalui beberapa media, contohnya karung untuk menyimpan komoditi. Karung memiliki ketahanan tertentu namun juga dapat memiliki kerusakan, baik ketika digunakan secara berlebihan ataupun ketika berada dalam kondisi penyimpanan secara bertumpuk. Guna membantu mengobservasi keadaan karung komoditi pada suatu penyimpanan, penelitian ini menggagas konsep program deteksi objek berupa karung dan lubang kerusakan yang ada pada suatu frame gambar. Penelitian ini mengusung dua metode sebagai perbandingan berupa You Only Look Once (YOLO) versi 4 dan Mask R-CNN. YOLOv4 merupakan metode deteksi objek yang menekankan konsep one-stage object detection dengan keunggulan pada waktu pemrosesan dan akurasi yang dihasilkan. Keluaran YOLOv4 berupa bounding box yang teridentifikasi pada objek. Mask R-CNN menggunakan konsep two-stage object detection dimana selain identifikasi objek dengan menghasilkan bounding box, terdapat masking terhadap objek yang merepresentasikan segmentasi terhadap objek yang dideteksi. Dataset yang digunakan merupakan hasil akuisisi kamera dengan jumlah yang disamakan pada masing-masing algoritma senilai 700 data training, 100 data validasi. Kelas objek yang dideteksi pada penelitian ini yaitu karung dan lubang pada karung. Pengujian terhadap kedua algoritma tersebut dilakukan terhadap sejumlah 20 data uji dengan perbandingan terhadap kalkulasi secara manual oleh mata manusia. Hasilnya didapatkan bahwa model dari YOLOv4 dapat memberikan performa lebih baik dengan akurasi 96,8%, sedangkan model Mask R-CNN mengalami kinerja yang kurang dapat diandalkan dengan akurasi 65,78% pada data uji yang sama.

Internet of things (IoT) tidak terlepas dari perangkat yang memiliki fungsi dan tujuan yang saling bekerja sama dan berintegrasi secara tepat dan cepat melalui internet. Sistem monitoring yang selalu menampilkan data secara realtime memerlukan data yang banyak setiap detiknya. Pemrosesan ini membutuhkan suatu sistem yang dapat menangani permintaan data yang banyak dan juga penyimpanan ke dalam database. Penelitian ini bertujuan untuk menghasilkan rancangan dan mengimplementasikan ActiveMQ untuk antrean data serta membandingkan dua buah metode pengambilan data Realtime Polling dan Realtime Handshake pada sistem telemonitoring multikontrol berbasis internet of things. Hasil penelitian ini diharapkan dapat membantu menyelesaikan permasalahan permintaan data sensor yang banyak agar dapat menyelesaikan secara tepat dan cepat. Sistem monitoring secara realtime ditampilkan dalam bentuk website. Hasil Penelitian ini berhasil mengimplementasikan ActiveMQ untuk antrean data dengan tingkat keberhasilan data sukses diterima sebesar 96%, dibandingkan dengan tidak menggunakan antrean dengan tingkat keberhasilan data sukses diterima sebesar 83%. Metode Realtime Handshake jauh lebih tepat dan cepat dengan waktu tunda antara permintaan data masuk hingga di tampilkan sebesar 63,6 ms, dibandingkan dengan metode Realtime Polling dengan waktu tunda antara permintaan data masuk hingga ditampilkan sebesar 669,95 ms.

Pada era digital saat ini masyarakat sangat terbantu dengan kehadiran transportasi online berbasis aplikasi. Pemanfaatan aplikasi transportasi online membuat masyarakat dapat mengakses kemudahan dalam kegiatan sehari-hari dengan lebih praktis dan murah. Namun kita harus menyadari bahwa pemenuhan kebutuhan itu tidak akan terlaksana dengan baik tanpa adanya peran dari para mitra dalam hal ini adalah driver transportasi online. Menyadari pentingnya peran para mitra maka pada penelitian ini mengambil topik penelitian untuk mengukur motivasi dan kepuasan kerja dengan dimediasi oleh model penerimaan teknologi (TAM) yang dalam hal ini adalah aplikasi manajemen mitra yang mereka gunakan sehari-hari. Metode pengolahan data menggunakan analisis Structural Equation Modelling, dengan data primer yang didapatkan melalui pengambilan sampel penelitian menggunakan metode purposive sampling terhadap 115 responden merupakan mitra Gojek dan 115 responden mitra Grab dengan cronbach alpha 95%, pengambilan sampel penelitian ini dilakukan khusus bagi mitra Gojek dan Grab yang berdomisili di Surabaya. Hasil yang diperoleh adalah variabel motivasi tidak berpengaruh terhadap variabel kepuasan kerja pada mitra Gojek namun berpengaruh pada mitra Grab dan model penerimaan teknologi berperan sebagai mediasi dalam memberikan pengaruh yang signifikan terhadap mitra Gojek dan mitra Grab dalam membentuk hubungan antara motivasi dan kepuasan kerja mereka.

Soal tipe esai banyak dipilih oleh pengajar pada ujian dikarenakan mampu mengeksplorasi pemahaman peserta didik akan suatu topik atau materi. Saat mengoreksi jawaban peserta didik, para pengajar akan membaca jawaban dengan cermat dan teliti, sehingga proses penilaian menjadi akurat. Salah satu cara yang dilakukan oleh pengajar dalam mengoreksi soal esai adalah melihat pola jawaban dan menemukan kata kunci dari jawaban tersebut. Akan tetapi, ketelitian dan kecermatan dalam mengoreksi tersebut akan menurun karena kejenuhan dan kelelahan yang terjadi, sehingga mengakibatkan kekeliruan dalam memberikan nilai. Oleh karena itu, penelitian ini bertujuan untuk membuat suatu sistem berbasis web yang dapat mengoreksi jawaban peserta didik secara otomatis dengan association rules. Dengan menggunakan association rules, akan didapatkan pola-pola dari jawaban esai peserta didik berdasarkan kunci jawaban yang diberikan oleh pengajar. Selain itu, sistem juga menggunakan metode cosine similarity dalam mengoreksi jawaban, apabila tidak ditemukan pola-pola jawaban dengan metode association rules. Pengujian dilakukan dengan membandingkan hasil koreksi sistem dengan koreksi manual yang dilakukan oleh pengajar. Berdasarkan hasil pengujian yang dilakukan, sistem memiliki akurasi tertinggi sebesar 62,5%.