Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan dan Teknologi Indonesia Jurnal Mutiara Elektromedik PULSE — Journal of Energy, Informatics & Biomedicine (JEIB)
Khamdan Annas Fakhryza
Program Studi Teknik Elektromedis, Fakultas Sains & Teknologi, Universitas Muhammadiyah PKU, Surakarta, Indonesia
Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Pengembangan Sistem Pembelajaran Berbasis Deep Learning untuk Interpretasi Display Perangkat Medis Khamdan Annas Fakhryza; Eko Nugroho; Setyo Adi Nugroho; Efa Yumna Purwono
Jurnal Pendidikan dan Teknologi Indonesia Vol 6 No 5 (2026): JPTI - Mei 2026
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.1651

Abstract

Pembacaan manual nilai numerik pada display perangkat medis masih berpotensi menimbulkan kesalahan yang dapat berdampak pada keselamatan pasien dan kualitas layanan kesehatan. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem otomatis berbasis deep learning yang mampu mengenali dan menginterpretasikan digit secara akurat, serta dapat dimanfaatkan sebagai media pembelajaran interaktif. Metode yang digunakan adalah model deteksi objek YOLOv8 yang dilatih pada dataset sebanyak 1.771 citra dengan 13 kelas. Hasil evaluasi menunjukkan bahwa model mencapai precision sebesar 0,881, recall sebesar 0,836, mAP50 sebesar 0,878, dan mAP50–95 sebesar 0,673. Hasil tersebut menunjukkan bahwa model yang diusulkan memiliki kinerja deteksi yang akurat dan andal dalam berbagai kondisi citra. Sistem kemudian diimplementasikan dalam aplikasi berbasis web yang memungkinkan deteksi digit secara real-time. Secara keseluruhan, penelitian ini menegaskan bahwa integrasi deep learning dengan sistem interaktif tidak hanya meningkatkan akurasi interpretasi display perangkat medis, tetapi juga mendukung efektivitas pembelajaran berbasis teknologi secara aplikatif.
ANALISIS KESESUAIAN PENGUKURAN SENSOR SUHU INKUBATOR BAYI MENGGUNAKAN METODE BLAND-ALTMAN Khamdan Annas Fakhryza; Safira Fegi Nisrina; Efa Yumna Purwono; Mahardira Dewantara
JURNAL MUTIARA ELEKTROMEDIK Vol. 10 No. 1 (2026): Jurnal Mutiara Elektromedik
Publisher : Prodi Teknik Elektromedik Universitas Sari Mutiara Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51544/elektromedik.v10i1.6169

Abstract

Latar belakang: Inkubator bayi berfungsi menjaga Neutral Thermal Environment (NTE) pada neonatus, sehingga akurasi sensor suhu menjadi faktor kritis dalam stabilitas sistem kontrol termal. Degradasi sensor akibat penggunaan jangka panjang berpotensi menimbulkan deviasi pengukuran yang tidak terdeteksi melalui kalibrasi rutin. Tujuan: mengevaluasi akurasi dan kesesuaian pengukuran antara sensor suhu internal inkubator dan sensor referensi eksternal. Metode: Bland–Altman serta metrik kesalahan kuantitatif. Studi observasional cross-sectional dilakukan pada enam titik suhu (34°C, 35°C, 36°C, 37°C, 38°C, dan 39°C) dalam kondisi steady-state, menghasilkan 360 pasangan data dengan interval pencuplikan 2 menit. Akurasi dianalisis menggunakan Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE), sedangkan kesepakatan dinilai melalui bias rata-rata dan Limits of Agreement (LoA) 95%. Hasil: menunjukkan sensor internal memiliki MAE 0,0646°C dan RMSE 0,0801°C, lebih rendah dibanding sensor referensi (MAE 0,0917°C; RMSE 0,1173°C). Bias rata-rata sebesar −0,012°C dengan LoA 95% antara −0,21°C hingga +0,19°C, dan 96% data berada dalam batas kesepakatan. Seluruh deviasi berada di bawah ambang ±0,5°C sesuai standar IEC 60601-2-19. Kesimpulan: sensor internal dinyatakan akurat, memiliki kesesuaian kuat, dan layak digunakan untuk pemantauan suhu neonatal intensif.
OPTIMIZATION OF 20 KV FEEDER NETWORKS USING THE GAUSS-SEIDEL METHOD TO REDUCE LOSSES AT PLN UP3 SEMARANG Febi Agus Rubiyanto; Khamdan Annas Fakhryza
PULSE — Journal of Energy, Informatics & Biomedicine Vol 1 No 1 (2025): Inaugural Issue
Publisher : Khamdan Karya Cipta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30659/sbgn6j83

Abstract

The rising demand for electrical energy, driven by population growth and technological advancements, presents challenges for PT PLN (Persero), Indonesia's main electricity provider. One key issue is reducing power losses in the distribution network, which affects both system efficiency and company revenue. This study explores the use of the Gauss-Seidel method for power flow analysis on the 20 kV distribution network at PLN UP3 Semarang, aiming to decrease losses and improve revenue. Using data on line impedance and load from PLN UP3 Semarang, the Gauss- Seidel method is applied via a Python script in Google Colab. The findings show that this method effectively reduces network losses, with potential financial benefits for PLN UP3 Semarang. This research also lays the groundwork for future network optimization strategies and contributes to the field of power flow analysis. The study is focused on the 20 kV network and does not compare the Gauss-Seidel method with other approaches. Growing demand for electricity and the need for reliable distribution motivate continuous improvement of power-flow analysis and loss-reduction strategies in Indonesia’s medium-voltage networks. This paper applies the classical Gauss–Seidel (GS) load-flow to the 20 kV feeders of PLN UP3 Semarang using field parameters (line R/X, substation data, and aggregated loads) and an open computational workflow in Python/Google Colab. We build a Ybus model, adopt the per-unit system, and implement standard GS updates for PQ buses with a practical convergence tolerance. The study evaluates baseline conditions and several optimization scenarios (e.g., modest R/X adjustments reflecting conductor upgrades, improved feeder balancing, and initial-voltage tuning). Results show consistent reduction of technical losses across representative ULPs and at the UP3 level; monthly loss percentages also trend downward during the observation horizon. Voltage profiles improve at non-slack buses while remaining within typical planning limits. The analysis highlights how low- complexity, data-driven GS studies can support day-to-day planning decisions for feeder reconfiguration and targeted reinforcement. We discuss implementation limits (data quality, simplifications, and scenario dependence) and outline follow-up steps, including PV-bus modeling, comparison with Newton–Raphson, and integration with economic screening curves. The findings strengthen the case for using GS-based what-if analyses as a lightweight decision aid for utilities operating medium- voltage distribution networks.
Peningkatan Literasi Kesehatan Masyarakat melalui Edukasi Pemanfaatan Kecerdasan Buatan untuk Pengenalan Citra MRI Alzheimer khamdan Annas Fakhryza; Efa Yumna Purwono
PULSE — Journal of Energy, Informatics & Biomedicine Vol 2 No 2 (2026): July 2026 Issue
Publisher : Khamdan Karya Cipta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30659/pulse-jeib.v2.i2.a11

Abstract

Penyakit Alzheimer dan perkembangan kecerdasan buatan (AI) pada pencitraan medis memerlukan pemahaman yang baik agar teknologi dapat dimanfaatkan secara tepat dan bertanggung jawab. Kegiatan pengabdian kepada masyarakat ini bertujuan meningkatkan literasi kesehatan dan literasi AI melalui edukasi pemanfaatan AI untuk pengenalan citra magnetic resonance imaging (MRI) Alzheimer. Kegiatan dilaksanakan di RSUD dr. Soehadi Prijonegoro Sragen pada 5–26 Agustus 2026 melalui edukasi, demonstrasi, diskusi, dan evaluasi pemahaman peserta. Materi meliputi Alzheimer, fungsi MRI, prinsip convolutional neural network (CNN), klasifikasi citra MRI, serta interpretasi explainable artificial intelligence (XAI) menggunakan Grad-CAM. Bahan demonstrasi menggunakan 23.900 citra MRI dalam empat kategori dengan distribusi kelas yang tidak seimbang. Model CNN menghasilkan akurasi pengujian 80,83%, tetapi menunjukkan perbedaan performa antar kelas, dengan recall Moderate Demented sebesar 0,06 dan Non-Demented sebesar 0,91. Kondisi tersebut digunakan sebagai contoh untuk menjelaskan bahwa akurasi keseluruhan belum cukup dalam memahami kinerja AI. Grad-CAM digunakan sebagai media visual untuk memperkenalkan interpretabilitas model, dengan penegasan bahwa hasil AI merupakan informasi pendukung dan bukan diagnosis klinis. Kegiatan ini diharapkan memperkuat pemahaman peserta mengenai manfaat, keterbatasan, dan penggunaan AI secara kritis serta bertanggung jawab dalam bidang kesehatan.
Co-Authors efa yumna purwono Efa Yumna Purwono Efa Yumna Purwono Eko Nugroho Febi Agus Rubiyanto Mahardira Dewantara Nisrina, Safira Fegi Setyo Adi Nugroho