Pemanfaatan Arduino Uno Untuk Sistem Akuisisi Data Suhu Ruangan Di STMIK AKBA
Bibliographic record
Abstract
Pemanfaatan teknologi arduino yang dikombinasikan dengan personal komputer sebagai sistem akuisisi data dapat digunakan untuk melakukan variasi pengukuran suhu secara bersamaan. Pengukuran, pengumpulan data dan penyimpanan data suhu dpat dilakukan sekaligus sehingga lebih praktis dan efisien. Sistem yang dibangun dalam bentuk prototype menggunakan LM35 dengan pengambilan data suhu pada pada ruang laboratorium perangkat keras STMIK AKBA menggunakan mikrokontroller arduino uno dengan antarmuka Borland Delphi 7, dan database microsoft Access. Metode top down digunakan untuk membangun system. Dibangun mulai dari membangun sistem secara keseluruhan untuk menentukan input dan output sistem, selanjutnya menentukan sub sistem untuk perancangan keseluruhan sub system yang ada. Pada saat sensor-sensor suhu bekerja arduino uno akan memproses data yang diterima dan mengirimkan data dari sensor-sensor suhu untuk ditampilkan pada interface dalam bentuk nilai dan grafik. Hasil penelitian pemanfaatan arduino uno sistem mampu melakukan akuisisi data suhu ruang secara terpisah pada pergerakan 3 titik. Data suhu yang terukur terlihat pada grafik hasil pengukuran tersimpan pada database dengan nilai error sebesar 7,14% dengan selisih 20C dengan suhu acuan termometer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.061 | 0.026 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".