Sensor
klasifikasi getaran normal dan abnormal menggunakan algoritma fast fourier transform (fft)
Klasifikasi Getaran Normal dan Abnormal Menggunakan Algoritma Fast Fourier Transform (FFT)
Klasifikasi getaran normal dan abnormal pada mesin atau sistem mekanik dapat dilakukan dengan menggunakan algoritma Fast Fourier Transform (FFT). FFT adalah metode matematis yang mengubah sinyal dari domain waktu ke domain frekuensi, sehingga memungkinkan analisis lebih lanjut terhadap karakteristik getaran.
1. Pengantar FFT
Fast Fourier Transform (FFT) adalah algoritma yang efisien untuk menghitung Discrete Fourier Transform (DFT) dan inversenya. FFT digunakan untuk menganalisis frekuensi dari sinyal getaran, yang sangat berguna dalam mendeteksi kondisi normal dan abnormal pada mesin. Dengan menggunakan sensor seperti akselerometer, data getaran dapat direkam dan dianalisis untuk mengidentifikasi pola yang menunjukkan kondisi operasional mesin.
2. Metodologi Klasifikasi
2.1. Pengumpulan Data
- Sensor Akselerometer : Digunakan untuk mengukur getaran mesin. Sensor ini dapat mendeteksi percepatan dalam tiga sumbu.
- Prototipe Mesin : Biasanya berupa pompa sentrifugal atau motor listrik yang akan diuji.
2.2. Proses FFT
- Sinyal getaran yang diubah menjadi domain frekuensi menggunakan FFT.
- Output dari FFT adalah spektrum frekuensi yang menunjukkan amplitudo pada berbagai frekuensi.
3. Klasifikasi Kondisi Getaran
Berdasarkan penelitian, terdapat beberapa kondisi yang dapat diklasifikasikan:
| Kondisi | Deskripsi |
|---|---|
| Normal | Amplitudo pada spektrum frekuensi berada dalam rentang normal tanpa adanya puncak yang mencolok pada frekuensi tertentu. |
| Ketidakselarasan | Munculnya harmonik pada frekuensi 2 dan 3, dengan amplitudo yang lebih tinggi dibandingkan kondisi normal. |
| Ketidakseimbangan | Amplitudo pada frekuensi putaran 3 kali lebih tinggi dibandingkan kondisi normal pada frekuensi yang sama. |
4. Analisis Hasil
Setelah mendapatkan spektrum frekuensi dari sinyal getaran:
- Normal : Tidak ada puncak signifikan di luar batas normal.
- Misalignment : Frekuensi harmonik 2 dan 3 terlihat jelas dengan amplitudo yang meningkat.
- Ketidakseimbangan : Puncak amplitudo pada frekuensi putaran menunjukkan peningkatan yang signifikan, menandakan ketidakseimbangan.
5. Implementasi Jaringan Syaraf Tiruan
Untuk meningkatkan akurasi klasifikasi, metode pembelajaran mesin seperti Neural Network Backpropagation dapat digunakan untuk melatih model berdasarkan data getaran yang telah dijelaskan. Model ini kemudian dapat digunakan untuk mendeteksi kondisi abnormal secara real-time.
Kesimpulan
Penggunaan algoritma FFT dalam klasifikasi getaran normal dan abnormal memberikan pengetahuan penting mengenai kondisi operasional mesin. Dengan memanfaatkan teknologi sensor dan analisis berbasis data, deteksi dini terhadap masalah mekanis dapat dilakukan, sehingga memperpanjang umur mesin dan mencegah kerusakan lebih lanjut.
Sekian dulu penjelasan kita kali ini jika inovator membutuhkan bantuan untuk implementasi hebatnya di bidang Teknologi Otomasi yang meliputi Internet Of Things (IoT), Elektronika (Ardunio, STM32, Raspberry, dll), Instrumentasi dan informatika (Pengolahan Citra, Kecerdasan Buatan (AI), Software Aplikasi) langsung saja hubungi akun media sosial kami melalui link WA berikut ini.
Jasa Arduino Bandung Internet of Things Bandung. Jasa Arduino Surabaya Internet of Things Surabaya. Jasa Arduino Jakarta Internet of Things Jakarta. Jasa Arduino Depok. Jasa Arduino Malang. Jasa Arduino Bandung. Jasa Arduino Batam. Jasa Arduino Bekasi. Jasa Arduino Surabaya. Jasa Arduino Semarang. Jasa Arduino Surakarta. Jasa Arduino Pekanbaru. Jasa Arduino Tangerang Selatan. Jasa Arduino Bekasi. Jasa Arduino Makassar. Jasa Arduino Tangerang. Jasa Arduino Medan. Jasa Arduino Palembang. Jasa Arduino Jogja. Jasa Arduino Yogyakarta.
Postingan Terkait
Lihat postingan lainnya disini
![{"id":130,"user_id":1,"title":"sistem kunci kontainer berbasis gps, alarm, dan android","img":"img\/blog\/1733973013png","category":"Sensor","content":"<p><span style=\"color:oklch(0.3040.04213.681);\">Untuk membuat sistem kunci kontainer berbasis GPS, alarm, dan Android, Anda perlu mempertimbangkan beberapa komponen penting yang akan berfungsi secara terintegrasi. Berikut adalah langkah-langkah dan komponen yang diperlukan untuk merancang sistem ini.<\/span><\/p><h4><strong>Komponen Utama<\/strong><\/h4><ol><li><strong>Mikrokontroler<\/strong>:<ul><li>Gunakan Arduino atau Raspberry Pi sebagai otak dari sistem. Mikrokontroler ini akan mengontrol semua fungsi dari sistem.<\/li><\/ul><\/li><li><strong>Modul GPS<\/strong>:<ul><li>Pilih modul GPS seperti Neo-6M untuk mendapatkan koordinat lokasi kontainer secara real-time.<\/li><\/ul><\/li><li><strong>Modul GSM<\/strong>:<ul><li>Modul seperti SIM800L atau GSM SIM 900A untuk mengirimkan informasi lokasi melalui SMS atau notifikasi ke aplikasi Android.<\/li><\/ul><\/li><li><strong>Sensor Alarm<\/strong>:<ul><li>Gunakan sensor gerak atau sensor pintu untuk mendeteksi pembukaan kontainer dan memicu alarm.<\/li><\/ul><\/li><li><strong>Bluetooth Module<\/strong>:<ul><li>Modul seperti HC-05 untuk komunikasi antara aplikasi Android dan mikrokontroler.<\/li><\/ul><\/li><li><strong>Aplikasi Android<\/strong>:<ul><li>Kembangkan aplikasi menggunakan Android Studio yang dapat mengontrol sistem, menerima notifikasi, dan menampilkan lokasi kontainer di peta.<\/li><\/ul><\/li><li><strong>Sumber Daya<\/strong>:<ul><li>Pastikan ada sumber daya yang cukup, seperti baterai yang dapat diisi ulang untuk semua komponen.<\/li><\/ul><\/li><\/ol><h4><strong>Langkah-Langkah Pembuatan<\/strong><\/h4><h4><span class=\"text-small\"><strong>1. Desain Sistem<\/strong><\/span><\/h4><ul><li>Rancang skematik rangkaian yang menghubungkan mikrokontroler dengan modul GPS, GSM, sensor alarm, dan Bluetooth.<\/li><li>Buat layout fisik untuk penempatan komponen di dalam kontainer.<\/li><\/ul><h4><span class=\"text-small\"><strong>2. Pemrograman Mikrokontroler<\/strong><\/span><\/h4><ul><li>Tulis kode untuk mikrokontroler menggunakan Arduino IDE atau platform pemrograman lain.<\/li><li>Implementasikan fungsi-fungsi berikut:<ul><li>Mengambil data dari modul GPS.<\/li><li>Mengirimkan data lokasi melalui SMS menggunakan modul GSM.<\/li><li>Memicu alarm saat sensor mendeteksi pembukaan kontainer.<\/li><li>Menerima perintah dari aplikasi Android melalui Bluetooth.<\/li><\/ul><\/li><\/ul><h4><span class=\"text-small\"><strong>3. Pengembangan Aplikasi Android<\/strong><\/span><\/h4><ul><li>Buat antarmuka pengguna (UI) yang memungkinkan pengguna untuk:<ul><li>Melihat lokasi kontainer secara real-time.<\/li><li>Menerima notifikasi saat alarm aktif.<\/li><li>Mengirim perintah untuk mengunci atau membuka kunci kontainer.<\/li><\/ul><\/li><\/ul><h4><span class=\"text-small\"><strong>4. Pengujian Sistem<\/strong><\/span><\/h4><ul><li>Uji semua fungsi secara menyeluruh untuk memastikan bahwa sistem bekerja dengan baik.<\/li><li>Pastikan bahwa aplikasi dapat berkomunikasi dengan mikrokontroler dan menerima data lokasi dengan akurat.<\/li><\/ul><h4><span class=\"text-small\"><strong>5. Implementasi Keamanan Tambahan<\/strong><\/span><\/h4><ul><li>Pertimbangkan untuk menambahkan fitur keamanan seperti autentikasi pengguna di aplikasi Android dan enkripsi data yang dikirimkan antara perangkat.<\/li><\/ul><h4><strong>Contoh Kode Mikrokontroler (Arduino)<\/strong><\/h4><p><span style=\"color:oklch(0.5020.008106.677);\">cpp<\/span><\/p><p><span style=\"color:rgb(77,77,76);\">#<\/span><span style=\"color:rgb(137,89,168);\">include<\/span><span style=\"color:rgb(77,77,76);\"> <\/span><span style=\"color:rgb(113,140,0);\"><TinyGPS++.h><\/span><span style=\"color:rgb(77,77,76);\"> #<\/span><span style=\"color:rgb(137,89,168);\">include<\/span><span style=\"color:rgb(77,77,76);\"> <\/span><span style=\"color:rgb(113,140,0);\"><SoftwareSerial.h><\/span><span style=\"color:rgb(77,77,76);\"> TinyGPSPlus gps; SoftwareSerial ss(<\/span><span style=\"color:rgb(245,135,31);\">4<\/span><span style=\"color:rgb(77,77,76);\">, <\/span><span style=\"color:rgb(245,135,31);\">3<\/span><span style=\"color:rgb(77,77,76);\">); <\/span><span style=\"color:rgb(142,144,140);\"><i>\/\/ RX, TX<\/i><\/span><span style=\"color:rgb(77,77,76);\"> <\/span><span style=\"color:rgb(137,89,168);\">void<\/span><span style=\"color:rgb(77,77,76);\"> setup() { Serial.begin(<\/span><span style=\"color:rgb(245,135,31);\">9600<\/span><span style=\"color:rgb(77,77,76);\">); ss.begin(<\/span><span style=\"color:rgb(245,135,31);\">9600<\/span><span style=\"color:rgb(77,77,76);\">); } <\/span><span style=\"color:rgb(137,89,168);\">void<\/span><span style=\"color:rgb(77,77,76);\"> loop() { <\/span><span style=\"color:rgb(137,89,168);\">while<\/span><span style=\"color:rgb(77,77,76);\"> (ss.available()) { gps.encode(ss.read()); <\/span><span style=\"color:rgb(137,89,168);\">if<\/span><span style=\"color:rgb(77,77,76);\"> (gps.location.isUpdated()) { Serial.print(<\/span><span style=\"color:rgb(113,140,0);\">\"Latitude= \"<\/span><span style=\"color:rgb(77,77,76);\">); Serial.print(gps.location.lat(), <\/span><span style=\"color:rgb(245,135,31);\">6<\/span><span style=\"color:rgb(77,77,76);\">); Serial.print(<\/span><span style=\"color:rgb(113,140,0);\">\" Longitude= \"<\/span><span style=\"color:rgb(77,77,76);\">); Serial.println(gps.location.lng(), <\/span><span style=\"color:rgb(245,135,31);\">6<\/span><span style=\"color:rgb(77,77,76);\">); <\/span><span style=\"color:rgb(142,144,140);\"><i>\/\/ Kirim data ke GSM<\/i><\/span><span style=\"color:rgb(77,77,76);\"> } } }<\/span><\/p><h4><strong>Kesimpulan<\/strong><\/h4><p><span style=\"color:oklch(0.3040.04213.681);\">Dengan mengikuti langkah-langkah di atas dan menggunakan komponen yang tepat, Anda dapat membangun sistem kunci kontainer berbasis GPS yang aman dan efisien. Pastikan untuk melakukan pengujian menyeluruh agar sistem berfungsi sesuai harapan dalam situasi nyata.<\/span><\/p><figure class=\"media\"><oembed url=\"https:\/\/youtu.be\/6xRldjSEx9E?si=L-cg6ZYFOTTdukTj\"><\/oembed><\/figure><p style=\"text-align:justify;\">Sekian dulu penjelasan kita kali ini jika inovator membutuhkan bantuan untuk implementasi hebatnya di bidang Teknologi Otomasi yang meliputi Internet Of Things (IoT), Elektronika (Ardunio, STM32, Raspberry, dll), Instrumentasi dan informatika (Pengolahan Citra, Kecerdasan Buatan (AI), Software Aplikasi) langsung saja hubungi akun media sosial kami melalui link WA berikut ini.<\/p><figure class=\"image image_resized\" style=\"width:332.516px;\"><a href=\"https:\/\/api.whatsapp.com\/send\/?phone=6282258888984&text&type=phone_number&app_absent=0\"><img src=\"https:\/\/elmechtechnology.com\/img\/tutor\/1692399579[1].png\"><\/a><\/figure><p style=\"text-align:justify;\">Jasa Arduino Bandung Internet of Things Bandung. Jasa Arduino Surabaya Internet of Things Surabaya. Jasa Arduino Jakarta Internet of Things Jakarta. Jasa Arduino Depok. Jasa Arduino Malang. Jasa Arduino Bandung. Jasa Arduino Batam. Jasa Arduino Bekasi. Jasa Arduino Surabaya. Jasa Arduino Semarang. Jasa Arduino Surakarta. Jasa Arduino Pekanbaru. Jasa Arduino Tangerang Selatan. Jasa Arduino Bekasi. Jasa Arduino Makassar. Jasa Arduino Tangerang. Jasa Arduino Medan. Jasa Arduino Palembang. Jasa Arduino Jogja. Jasa Arduino Yogyakarta.<\/p>","slug":"sistem-kunci-kontainer-berbasis-gps-alarm-dan-android","view":"1341","created_at":"2024-12-12T03:10:13.000000Z","updated_at":"2025-11-13T07:13:19.000000Z","deleted_at":null}](http://elmechtechnology.com/img/blog/1733973013png)
Sensor
sistem kunci kontainer berbasis gps, alarm, dan android
>Untuk membuat sistem kunci kontainer berbasis GPS, alarm, dan Android, Anda perlu mempertimbangkan beberapa komponen penting yang akan berfungsi seca..
![{"id":129,"user_id":1,"title":"sistem pengenalan wajah untuk absensi berbasis deeplearning dan fisherface dengan historical","img":"img\/blog\/1733971828png","category":"Sensor","content":"<p><span style=\"color:oklch(0.3040.04213.681);\">Untuk membangun sistem pengenalan wajah untuk absensi berbasis deep learning dan metode Fisherface, berikut adalah langkah-langkah yang dapat diikuti, berdasarkan penelitian dan aplikasi yang ada.<\/span><\/p><h4><strong>Pendahuluan<\/strong><\/h4><p><span style=\"color:oklch(0.3040.04213.681);\">Sistem pengenalan wajah untuk absensi bertujuan untuk meningkatkan akurasi dan efisiensi dalam mencatat kehadiran, menggantikan metode tradisional seperti tanda tangan atau penggunaan sidik jari. Dengan menggunakan teknologi deep learning dan metode Fisherface, sistem ini dapat mengenali wajah siswa secara real-time dan menyimpan data absensi secara otomatis.<\/span><\/p><h4><strong>Metodologi<\/strong><\/h4><h4><span class=\"text-small\"><strong>1. Pengumpulan Data<\/strong><\/span><\/h4><ul><li><strong>Dataset<\/strong> : mengumpulkan gambar wajah dari peserta (misalnya pelajar) dalam berbagai kondisi pencahayaan dan sudut pandang. Pastikan dataset memiliki variasi yang cukup untuk meningkatkan akurasi model.<\/li><li><strong>Labeling<\/strong> : Setiap gambar harus dilabeli dengan identitas yang sesuai (misalnya nama, NIM).<\/li><\/ul><h4><span class=\"text-small\"><strong>2. Praproses Data<\/strong><\/span><\/h4><ul><li><strong>Normalisasi<\/strong> : Lakukan normalisasi gambar untuk memastikan ukuran dan kualitas gambar seragam.<\/li><li><strong>Augmentasi<\/strong> : Terapkan augmentasi data untuk meningkatkan jumlah data pelatihan dengan memodifikasi gambar (misalnya rotasi, zoom).<\/li><\/ul><h4><span class=\"text-small\"><strong>3. Model Pembelajaran Mendalam<\/strong><\/span><\/h4><ul><li>Gunakan <strong>Convolutional Neural Networks (CNN)<\/strong> untuk mengekstraksi fitur dari gambar wajah. CNN efektif dalam mengenali pola visual.<\/li><li>Implementasikan <strong>Fisherface<\/strong> sebagai metode untuk pengenalan wajah. Fisherface bekerja dengan baik dalam kondisi pencahayaan yang beragam dan dapat mengelompokkan wajah berdasarkan fitur yang relevan.<\/li><\/ul><h4><span class=\"text-small\"><strong>4. Implementasi Sistem<\/strong><\/span><\/h4><ul><li>Gunakan bahasa pemrograman Python dengan pustaka seperti OpenCV untuk menangani pemrosesan citra dan Tkinter untuk antarmuka pengguna.<\/li><li>Proses pengenalan wajah dilakukan dengan langkah-langkah berikut:<ul><li>Ambil gambar wajah secara real-time menggunakan webcam.<\/li><li>Deteksi wajah dalam gambar.<\/li><li>Ekstrak fitur wajah menggunakan model CNN.<\/li><li>Bandingkan fitur yang diekstrak dengan database menggunakan metode Fisherface.<\/li><\/ul><\/li><\/ul><h4><span class=\"text-small\"><strong>5. Pencatatan Absensi<\/strong><\/span><\/h4><ul><li>Setelah wajah dikenali, sistem harus mencatat informasi seperti ID, nama, waktu kehadiran, dan menyimpannya dalam format yang mudah diakses (misalnya spreadsheet Excel).<\/li><li>Pastikan sistem memberikan umpan balik kepada pengguna jika wajah tidak dikenal (output \"unknown\").<\/li><\/ul><h4><strong>Evaluasi Sistem<\/strong><\/h4><ul><li>Lakukan pengujian untuk mengukur tingkat akurasi sistem. Penelitian sebelumnya menunjukkan bahwa sistem berbasis Fisherface dapat mencapai akurasi sekitar 80% hingga 90% tergantung pada kualitas data pelatihan dan kondisi saat pengenalan.<\/li><li>Uji sistem dalam berbagai kondisi pencahayaan dan sudut pandang untuk memastikannya.<\/li><\/ul><h4><strong>Kesimpulan<\/strong><\/h4><p><span style=\"color:oklch(0.3040.04213.681);\">Dengan mengikuti langkah-langkah di atas, Anda dapat membangun sistem pengenalan wajah untuk absensi yang efektif menggunakan deep learning dan metode Fisherface. Sistem ini tidak hanya meningkatkan efisiensi proses absensi tetapi juga mengurangi kemungkinan terjadinya kecelakaan.<\/span><\/p><figure class=\"media\"><oembed url=\"https:\/\/youtu.be\/RiKHw1g-SPg?si=t-t7Z4feqXE-Pfi9\"><\/oembed><\/figure><p style=\"text-align:justify;\">Sekian dulu penjelasan kita kali ini jika inovator membutuhkan bantuan untuk implementasi hebatnya di bidang Teknologi Otomasi yang meliputi Internet Of Things (IoT), Elektronika (Ardunio, STM32, Raspberry, dll), Instrumentasi dan informatika (Pengolahan Citra, Kecerdasan Buatan (AI), Software Aplikasi) langsung saja hubungi akun media sosial kami melalui link WA berikut ini.<\/p><figure class=\"image image_resized\" style=\"width:332.516px;\"><a href=\"https:\/\/api.whatsapp.com\/send\/?phone=6282258888984&text&type=phone_number&app_absent=0\"><img src=\"https:\/\/elmechtechnology.com\/img\/tutor\/1692399579[1].png\"><\/a><\/figure><p style=\"text-align:justify;\">Jasa Arduino Bandung Internet of Things Bandung. Jasa Arduino Surabaya Internet of Things Surabaya. Jasa Arduino Jakarta Internet of Things Jakarta. Jasa Arduino Depok. Jasa Arduino Malang. Jasa Arduino Bandung. Jasa Arduino Batam. Jasa Arduino Bekasi. Jasa Arduino Surabaya. Jasa Arduino Semarang. Jasa Arduino Surakarta. Jasa Arduino Pekanbaru. Jasa Arduino Tangerang Selatan. Jasa Arduino Bekasi. Jasa Arduino Makassar. Jasa Arduino Tangerang. Jasa Arduino Medan. Jasa Arduino Palembang. Jasa Arduino Jogja. Jasa Arduino Yogyakarta.<\/p>","slug":"sistem-pengenalan-wajah-untuk-absensi-berbasis-deeplearning-dan-fisherface-dengan-historical","view":"1976","created_at":"2024-12-12T02:50:28.000000Z","updated_at":"2025-11-13T06:06:51.000000Z","deleted_at":null}](http://elmechtechnology.com/img/blog/1733971828png)
Sensor
sistem pengenalan wajah untuk absensi berbasis deeplearning dan fisherface dengan historical
>Untuk membangun sistem pengenalan wajah untuk absensi berbasis deep learning dan metode Fisherface, berikut adalah langkah-langkah yang dapat diikuti..
Komentar
1 komentar
Anda login sebagai Placeholder
ingatlah selalu untuk berkomentar dengan baik dan sopan