Article Per Year (5 Year)
p-Index From 2021 - 2026
1.512
P-Index
This Author published in this journals
All Journal Jurnal Keteknikan Pertanian Jurnal Informatika dan Teknik Elektro Terapan Spektra: Jurnal Fisika dan Aplikasinya Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Abdi Masyarakat Indonesia PROSISKO : Jurnal Pengembangan Riset dan observasi Rekayasa Sistem Komputer JUSIFOR : Jurnal Sistem Informasi dan Informatika Journal Of Artificial Intelligence And Software Engineering Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer ILKOMEDIA: Jurnal Ilmu Komputer dan Multimedia Journal of Applied Science, Technology & Humanities
Dodik Ariyanto
Computer Engineering Technology, Vocational School, IPB University, Indonesia
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mechanical Engineering Neuroscience Physics Public Health Social Sciences Transportation

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Pengembangan Metode Akuisisi Data Kandungan Unsur Hara Makro Secara Spasial dengan Sensor EC dan GPS Dodik Ariyanto; I Wayan Astika; Radite P.A. S.
Jurnal Keteknikan Pertanian Vol. 4 No. 1 (2016): JURNAL KETEKNIKAN PERTANIAN
Publisher : PERTETA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1673.155 KB) | DOI: 10.19028/jtep.04.1.%p

Abstract

AbstractSpatial data of soil properties which are accurate and inexpensive is necessary to improve yields and to plan precision farming strategies. Currently the problem lies in the data that are not always updated, because the conventional soil testing is costly and relatively time consuming. This is due to the location of the soil testing laboratory which is far away from the location of the farm. So that the map information soilnutrient content is usually renewed in certain interval of time. In addition, available data are still global and not location specific. Electrical conductivity (EC) can be used as an indicator for measuring the condition of the soil in precision farming applications because of its fast and efficient. This study aims to develop an acquisition method of spatial macro nutrient content as reference for recommendation of fertilizer dossage. The study was conducted on 0.1 ha of land which was divided into 40 grid with a size of 5 x 5 m and planted with peanuts. There was an increase in the average EC 1.40 mS/m (period 1) and 1.36 mS/m (period 2) after tillage with a rotary plow. EC decreased after peanuts cultivation with an average of 4.27 mS/m (period 1) and 0.03 mS/m (period 2). Yields and EC values of each grid had a linear correlation with R2: 0.7005.AbstrakData spasial sifat-sifat tanah yang akurat dan murah sangat diperlukan untuk meningkatkan hasil panen dan merencanakan strategi pertanian presisi. Saat ini permasalahannya terletak pada data yang tidak selalu diperbarui, karena pengujian tanah secara konvensional membutuhkan biaya yang mahal dan waktu yang relatif lama. Hal ini disebabkan lokasi laboratorium pengujian tanah yang letaknya jauh dari lokasi pertanian, sehingga peta yang memberikan informasi kandungan unsur hara tanah biasanya diperbaharui dalam interval waktu tertentu. Selain itu data yang tersedia masih bersifat global dan tidak spesifik lokasi.Nilai konduktivitas listrik tanah (EC) dapat digunakan sebagai indikator untuk mengukur kondisi tanah dalam aplikasi pertanian presisi karena pengukurannya yang cepat dan efisien. Penelitian ini bertujuan untuk mengembangkan metode akuisisi data kandungan unsur hara makro secara spasial sebagai acuan rekomendasi dosis pemupukan. Penelitian ini dilakukan pada 0.1 ha lahan yang dibagi dalam 40 grid dengan ukuran 5 x 5 m dan ditanami kacang tanah. Terjadi peningkatan EC rata-rata 1.40 mS/m (periode1) dan 1.36 mS/m (periode 2) setelah pengolahan tanah dengan bajak rotari. EC mengalami penurunan setelah budidaya dengan rata-rata 4.27 mS/m (periode 1) dan 1.34 mS/m (periode 2). Hasil dan nilai-nilai EC setiap grid memiliki korelasi linear dengan R2: 0,7005.
Dashboard Web Real-Time untuk Monitoring Sortasi Biji Kopi Berbasis Computer Vision Muhammad Rizky Caesar; Baracahya Panata Cendikia Rahayu; Gesit Tri Nugroho; Ahmad Farrell Raafii Alaiyya Al-Attas; Faldiena Marcelita; Inna Novianty; Dodik Ariyanto
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 6 (2025): Desember 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.10120

Abstract

Abstrak - Sortasi biji kopi pasca-sangrai merupakan tahapan krusial dalam quality control untuk menjamin konsistensi produk. Namun, proses manual rentan terhadap subjektivitas dan ketidakkonsistenan, khususnya bagi UMKM kopi dengan keterbatasan infrastruktur. Penelitian ini mengembangkan PiKopi, sistem monitoring sortasi terintegrasi dengan dashboard web untuk visualisasi dan pengambilan keputusan berbasis data. Sistem mengintegrasikan tiga komponen utama: (1) modul deteksi cacat berbasis Convolutional Neural Network (CNN) pada perangkat edge computing Raspberry Pi untuk identifikasi real-time, (2) backend API RESTful berbasis Flask dengan database PostgreSQL untuk manajemen data klasifikasi, dan (3) dashboard web responsif berbasis React.js untuk visualisasi data real-time. Arsitektur API-driven memisahkan frontend dan backend, memungkinkan akses monitoring dari berbagai perangkat tanpa instalasi aplikasi. Dashboard menampilkan statistik sortasi real-time, grafik distribusi kualitas, riwayat batch, dan log aktivitas dengan interface yang user-friendly. Model CNN mencapai akurasi deteksi 92% dengan sensitivity dan specificity yang seimbang. Hasil pengujian fungsional menunjukkan sistem mampu melakukan klasifikasi otomatis dan menyajikan data sortasi secara real-time kepada pengguna. Sistem ini memfasilitasi pengambilan keputusan berbasis data, meningkatkan konsistensi mutu produk, serta mengurangi ketergantungan pada inspeksi visual manual bagi pelaku UMKM kopi.Kata kunci: dashboard web; monitoring real-time; sortasi kopi pasca-sangrai; quality control; arsitektur API-driven; Abstract - Post-roasting coffee bean sorting is a crucial stage in quality control to ensure product consistency. However, manual sorting processes are prone to operator subjectivity and inconsistency, particularly for small and medium enterprises (SMEs) with limited infrastructure. This research develops PiKopi, an integrated coffee sorting monitoring system with a web dashboard for visualization and data-driven decision making. The system integrates three main components: (1) a defect detection module based on Convolutional Neural Network (CNN) on Raspberry Pi edge computing devices for real-time identification, (2) a RESTful API backend based on Flask with PostgreSQL database for classification data management, and (3) a responsive web dashboard based on React.js for real-time data visualization. The API-driven architecture separates frontend and backend, enabling monitoring access from various devices without application installation. The dashboard displays real-time sorting statistics, quality distribution charts, batch history, and activity logs with a user-friendly interface. The CNN model achieves detection accuracy of 92% with balanced sensitivity and specificity. Functional testing results demonstrate that the system successfully performs automated classification and presents real-time sorting data to users. This system facilitates data-driven decision making, improves product quality consistency, and reduces reliance on manual visual inspection for coffee SMEs. Keywords: web dashboard; real-time monitoring; post-roast coffee sorting; quality control; API-driven architecture;
License Plate Recognition pada Sistem Parkir Berbasis YOLO11s dan Fast Plate OCR Fadilla Julianifa Putri; Irham Maulana Johani; Muhammad Mahardicka Alfattah Zelda; Mayanda Mega Santoni; Dodik Ariyanto; Faldiena Marcelita
JUSIFOR : Jurnal Sistem Informasi dan Informatika Vol 5 No 1 (2026): JUSIFOR - Juni 2026
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70609/jusifor.v5i1.10013

Abstract

Pengelolaan parkir pada berbagai lingkungan operasional masih banyak dilakukan secara manual sehingga berpotensi menimbulkan antrean kendaraan dan kesalahan pencatatan data. Penelitian ini bertujuan mengembangkan sistem parkir otomatis berbasis computer vision menggunakan YOLO11s dan Fast Plate OCR untuk mendukung deteksi dan pengenalan plat nomor kendaraan secara real-time. Pengembangan sistem dilakukan menggunakan metode Scrum dengan memanfaatkan dataset plat nomor kendaraan Indonesia untuk proses pelatihan dan evaluasi model. Hasil pengujian menunjukkan model YOLO11s memperoleh mean Average Precision sebesar 98.95%, sedangkan Fast Plate OCR menghasilkan word accuracy sebesar 90.36% dan character accuracy sebesar 98.01%. Sistem diimplementasikan melalui dashboard berbasis web yang mendukung identifikasi kendaraan, pencatatan waktu masuk dan keluar, estimasi biaya parkir, serta notifikasi overstay secara otomatis. Hasil penelitian menunjukkan bahwa sistem mampu mendukung pengelolaan parkir secara lebih terintegrasi dan responsif pada implementasi real-time.
MycoTrack: An Integrated Web and YOLOv5-Based Intelligent System for Monitoring and Predicting Wood Ear Mushroom Maturity Wuliddah Tamsil Barokah; Dwi Putra Kunto Anggoro; Nabil Kurnia Rozano; Ariel Mughnika Beers; Inna Novianty; Dodik Ariyanto; Lathifunnisa Fathonah
Journal of Applied Science, Technology & Humanities | JASTH Vol. 3 No. 2 (2026): March 2026
Publisher : Batrisya Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62535/kfkect89

Abstract

Wood ear mushroom (Auricularia auricula-judae) cultivation requires strict environmental control and accurate harvest monitoring. To overcome the shortcomings of labor-intensive and error-prone manual inspection, this research developed MycoTrack, an intelligent system integrating rail-based robotics, YOLOv5 computer vision, and IoT sensors. MycoTrack utilizes a rail-based robot powered by a Raspberry Pi 4. The robot carries a Pi Camera for visual data acquisition and DHT-22 sensors to measure environmental temperature and humidity. This environmental data is continuously monitored and transmitted to a web-based dashboard for real-time visualization, providing instantaneous decision support to farmers. The YOLOv5 model is specifically trained to detect three critical growth phases—incubation, pinning, and fruiting—which enables the prediction of optimal harvest timing. System validation showed DHT-22 sensor accuracy of 96.4% and the YOLOv5 model achieved a mAP@50 of 0.782 with inference speeds suitable for edge devices. The rail robot demonstrated minimal positional deviation (less than 2.3 cm). MycoTrack offers an accessible, automated solution, representing an advancement in precision agriculture for mushroom cultivation. The system is modularly designed for easy adaptation to other mushroom environments and species.
Calibration of Dissolved Oxygen Sensors in IoT Systems for Water Quality Monitoring in Aquaculture Gema Parasti Mindara; Walidatush Sholihah; Inna Novianty; Lathifunnisa Fathonah; Faldiena Marcelita; Ridwan Siskandar; Dodik Ariyanto; Bayu Widodo; Aep Setiawan; Naufal Rizqullah Firdaus
Spektra: Jurnal Fisika dan Aplikasinya Vol. 10 No. 3 (2025): SPEKTRA: Jurnal Fisika dan Aplikasinya, Volume 10 Issue 3, December 2025
Publisher : Program Studi Fisika Universitas Negeri Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/SPEKTRA.103.06

Abstract

Dissolved Oxygen (DO) is an important parameter for maintaining water quality in aquaculture systems. The accuracy of DO sensors significantly affects the reliability of Internet of Things (IoT)-based monitoring systems. This study aimed to calibrate the DO sensor using a two-point calibration method and evaluate the accuracy of the sensor readings compared with those of a reference device (standard DO meter). A key novelty of this study lies in its multi-media calibration, performed directly on six distinct aquaculture water types, providing field-realistic validation conditions not commonly explored in previous studies. Furthermore, the accuracy of the calibrated sensor is evaluated quantitatively using MAE, RMSE, and percentage deviation to ensure rigorous performance assessment. The system was developed using an ESP32 microcontroller, DO sensor (SEN0237), DS18B20 temperature sensor, and ADS1115 ADC module. Testing was performed on six types of aquaculture water media and compared with a standard DO meter using a comparative approach. In total, n = 6 field measurement points (one stabilized reading per water medium) were used to compute MAE, RMSE, and percentage deviation. The comparison results showed that the calibrated sensor had high accuracy, with a Mean Absolute Error (MAE) of 0.1083 mg/L and a Root Mean Square Error (RMSE) of 0.2654 mg/L. Significant deviations occurred only in one type of water medium, whereas the other five showed results consistent with the reference device, indicating stable sensor readings. These findings confirm that proper calibration can improve the accuracy and reliability of IoT systems used for water-quality monitoring. Regular calibration is required to maintain the sensor performance, particularly for long-term use in dynamic aquaculture water environments.
Pengembangan Sistem Pendeteksi dan Penghitungan Uang Rupiah Otomatis Menggunakan YOLOv8 Achmad Fauzal Khobir; Muthiah Hamidah; Mayanda Mega Santoni; Dodik Ariyanto; Faldiena Marcelita
PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer Vol. 13 No. 2 (2026): Prosisko Vol. 13 No. 2 Juli 2026
Publisher : Pogram Studi Sistem Komputer Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/g16vzn71

Abstract

Perkembangan teknologi computer vision dan deep learning telah mendorong pengembangan sistem deteksi objek secara otomatis pada berbagai bidang, termasuk pengenalan mata uang. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi dan penghitungan uang rupiah otomatis menggunakan algoritma YOLOv8. Penelitian dilakukan dengan membandingkan performa dua varian model, yaitu YOLOv8n dan YOLOv8s, dalam mendeteksi nominal uang rupiah berdasarkan metrik evaluasi precision, recall, mAP50, dan mAP50-95. Tahapan penelitian meliputi pengumpulan dataset, preprocessing data, pelatihan model, pengujian model, evaluasi kinerja, serta analisis hasil. Dataset yang digunakan terdiri dari citra uang rupiah dengan tujuh kelas nominal, yaitu Rp1.000, Rp2.000, Rp5.000, Rp10.000, Rp20.000, Rp50.000, dan Rp100.000. Hasil penelitian menunjukkan bahwa kedua model mampu mendeteksi nominal uang rupiah dengan baik serta melakukan penghitungan total nominal uang secara otomatis. Model YOLOv8s menunjukkan performa yang lebih baik dalam mendeteksi objek secara umum dan menghasilkan deteksi yang lebih akurat, sedangkan YOLOv8n memiliki kemampuan lokalisasi objek yang lebih stabil berdasarkan nilai mAP50-95 yang lebih tinggi serta ukuran model yang lebih ringan. Beberapa kesalahan deteksi masih ditemukan pada kondisi uang yang bertumpuk (overlap), pencahayaan yang kurang optimal, dan kemiripan warna antar-nominal uang. Secara keseluruhan, penelitian ini menunjukkan bahwa algoritma YOLOv8 memiliki potensi yang baik untuk diterapkan pada sistem pendeteksi dan penghitungan uang rupiah otomatis berbasis computer vision serta dapat diimplementasikan pada aplikasi berbasis web.
Implementasi Model YOLOv8 dan OCR pada Sistem ANPR untuk Monitoring Smart Drop-off Zone Zafira A’idah Gunawan; Mauladi Fadhillah; Anargya Rabbani Aslam; Mayanda Mega Santoni; Dodik Ariyanto; Faldiena Marcelita
Jurnal Ilmu Komputer dan Multimedia Vol. 3 No. 1 (2026): ILKOMEDIA Edisi Juni 2026
Publisher : Akademi Komunitas Negeri Putra Sang Fajar Blitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46510/ilkomedia.v3i1.97

Abstract

Area drop-off pada lingkungan publik sering mengalami kemacetan akibat kendaraan berhenti melebihi batas waktu yang ditentukan. Proses pengawasan yang masih dilakukan secara manual dinilai kurang efisien karena membutuhkan tenaga tambahan dan memperlambat penindakan pelanggaran. Penelitian ini bertujuan mengimplementasikan sistem Automatic Number Plate Recognition (ANPR) berbasis YOLOv8 dan Optical Character Recognition (OCR) untuk monitoring Smart Drop-off Zone secara otomatis. Dataset penelitian diperoleh dari Roboflow Universe sebanyak 1.870 gambar kendaraan dan ditingkatkan menjadi 3.275 gambar melalui proses augmentasi seperti perubahan pencahayaan, rotasi, blur, dan penambahan noise. Proses augmentasi hanya diterapkan pada data training, sedangkan data validation dan testing tetap menggunakan data asli untuk menjaga objektivitas evaluasi. Model YOLOv8 Nano dilatih menggunakan 100 epoch dengan dua konfigurasi ukuran input, yaitu 640×640 piksel dan 416×416 piksel, untuk membandingkan performa model pada kondisi implementasi nyata. Hasil pengujian menunjukkan bahwa Eksperimen 1 dengan input 640×640 piksel memperoleh nilai mAP50 sebesar 0.9214, precision sebesar 0.9347, dan recall sebesar 0.8795, sedangkan Eksperimen 2 dengan input 416×416 piksel memperoleh mAP50 sebesar 0.8084. Meskipun Eksperimen 1 menghasilkan nilai evaluasi yang lebih tinggi, model Eksperimen 2 dipilih untuk implementasi karena menunjukkan stabilitas deteksi yang lebih baik pada berbagai kondisi lingkungan seperti pencahayaan rendah dan sudut kamera dari atas. Setelah proses deteksi plat nomor dilakukan, sistem OCR menggunakan PaddleOCR berhasil membaca karakter pada plat kendaraan secara otomatis. Sistem kemudian diintegrasikan ke dalam aplikasi berbasis web yang mampu melakukan pencatatan durasi kendaraan, deteksi pelanggaran, dan pengiriman notifikasi otomatis kepada pengguna. Hasil implementasi menunjukkan bahwa sistem ANPR yang dikembangkan mampu mendukung monitoring kendaraan pada area Smart Drop-off Zone secara lebih efektif dan efisien pada berbagai kondisi lingkungan.
Automated Student Card Detection and Identity Verification System for Laboratory Management Using YOLOv8n and OCR Muhammad Raihan Zaldiputra; Raffa Danendra Pramono; Keisyah Zahra Anatasya; Dodik Ariyanto; Faldiena Marcelita; Mayanda Mega Santoni
Journal of Artificial Intelligence and Software Engineering Vol 6, No 2 (2026): Juni (OnProgress)
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v6i2.9208

Abstract

Pengelolaan peminjaman laboratorium komputer di Sekolah Vokasi IPB University masih dilakukan secara manual, sehingga menimbulkan inefisiensi operasional, ketidakakuratan pencatatan, dan ketidakmampuan pemantauan secara real-time. Penelitian ini bertujuan mengembangkan sistem peminjaman laboratorium berbasis web yang mengotomatisasi proses verifikasi identitas mahasiswa melalui integrasi tiga teknologi utama, yaitu You Only Look Once version 8 Nano (YOLOv8n), Optical Character Recognition (OCR) menggunakan PaddleOCR, dan verifikasi wajah menggunakan ArcFace. Metodologi penelitian meliputi pengumpulan 110 citra Kartu Tanda Mahasiswa (KTM), anotasi bounding box pada empat region, preprocessing dan augmentasi hingga menghasilkan 780 citra, pelatihan model selama 150 epoch menggunakan GPU Tesla T4, serta integrasi ke dalam platform web menggunakan FastAPI dan Next.js. Hasil evaluasi menunjukkan model YOLOv8n mencapai mAP@0,5 sebesar 0,976, precision 0,977, dan recall 0,979. Sistem ini berhasil mengintegrasikan seluruh pipeline verifikasi KTM secara otomatis dan real-time, menghilangkan ketergantungan pada proses manual dalam pengelolaan peminjaman laboratorium.
Komparasi Arsitektur Densenet121, MobilenetV2, dan Resnet50 Untuk Klasifikasi Awan Menggunakan Transfer Learning Yashin Al Fauzy Sabara; Carissa Fathinah Balti; Ahmad Hasan Faqih Aulia; Dodik Ariyanto; Faldiena Marcelita; Mayanda Mega Santoni
BETRIK Vol. 17 No. 02 (2026): Jurnal Ilmiah BETRIK : Besemah Teknologi Informasi dan Komputer
Publisher : PPPM Institut Teknologi Pagar Alam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36050/6hwf0s96

Abstract

Cloud image classification plays an important role in supporting atmospheric analysis and the development of artificial intelligence-based weather prediction systems. However, visual similarities among cloud types and variations in lighting conditions remain major challenges in automatic classification tasks. This study aims to compare the performance of three Convolutional Neural Network (CNN) architectures, namely DenseNet121, MobileNetV2, and ResNet50, for cloud image classification using a transfer learning approach. The dataset used in this study was the TJNU Ground-based Cloud Dataset, consisting of seven cloud classes with a total of 19.000 images; after removing the Mixed Clouds category with the total of 18.047 images; after removing. The research stages included pre-processing, data augmentation using the Color Jitter technique, model training through feature extraction and fine-tuning, and evaluation using Accuracy, Precision, Recall, and F1-Score metrics. Experimental results showed that ResNet50 achieved the best performance with an accuracy of 90,58% and an F1-score of 91,38%, followed by DenseNet121 with 89,53% accuracy and MobileNetV2 with 85,10% accuracy. In addition to obtaining the highest classification performance, ResNet50 also demonstrated good computational efficiency with the fastest training time of 20.9 minutes. These findings indicate that architectures based on residual learning are more effective in capturing the visual characteristics of cloud images compared to the other architectures evaluated in this study.
PENGEMBANGAN SISTEM GERBANG OTOMATIS MENGGUNAKAN PENGENALAN PLAT NOMOR KENDARAAN BERBASIS COMPUTER VISION DI IPB UNIVERSITY Puti Aisyah Lailatulrahmi; Muhammad Faiq Fawwaz; Ghaniyy Fattah Ramadhan; Dodik Ariyanto; Faldiena Marcelita
Jurnal Informatika dan Teknik Elektro Terapan Vol. 14 No. 3 (2026)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v14i3.9838

Abstract

Sistem pencatatan kendaraan manual di gerbang IPB Univesity berpotensi menyebabkan antrean dan kesalahan data. Penelitian ini mengembangkan sistem gerbang otomatis berbasis Automatic License Plate Recognition (ALPR) menggunakan YOLOv11 untuk deteksi plat nomor dan OCR berbasis Compact Convolutional Transformer (CCT) untuk pengenalan karakter. Dataset yang digunakan sebanyak 349 citra plat nomor kendaraan Indonesia dengan rasio 80:20. Fine-tuning model OCR selama 30 epoch berhasil meningkatkan plate accuracy dari 75,71% menjadi 82,86% dengan character accuracy mencapai 98,14%. Metode Consecutive Result juga meningkatkan kestabilan pembacaan OCR pada video real-time. Sistem berhasil diintegrasikan dengan kamera, database kendaraan, dan frontend monitoring untuk identifikasi kendaraan otomatis.
Co-Authors Achmad Fauzal Khobir Ahmad Farrell Raafii Alaiyya Al-Attas Ahmad Hasan Faqih Aulia Anargya Rabbani Aslam Ariel Mughnika Beers Baracahya Panata Cendikia Rahayu Bayu Widodo Carissa Fathinah Balti Dwi Putra Kunto Anggoro Fadilla Julianifa Putri Fathonah, Lathifunnisa Gema Parasti Gema Parasti Mindara Gesit Tri Nugroho Ghaniyy Fattah Ramadhan I Wayan Astika Inna Novianty Inna Novianty Irham Maulana Johani Irmansyah Irmansyah Keisyah Zahra Anatasya Laila Nur Azizah Lathifunnisa Fathonah Lathifunnisa Fathonah Liora Taya Marcelita, Faldiena Mauladi Fadhillah Mayanda Mega Santoni Mayanda Mega Santoni Mayanda Mega Santoni Muhammad Faiq Fawwaz Muhammad Mahardicka Alfattah Zelda Muhammad Raihan Zaldiputra Muhammad Rizky Caesar Muthiah Hamidah Nabil Kurnia Rozano Naufal Rizqullah Firdaus Puti Aisyah Lailatulrahmi Radite P.A. S. Raffa Danendra Pramono Ridwan Siskandar Santoni, Mayanda Mega Setiawan, Aep Walidatush Sholihah Wuliddah Tamsil Barokah Yashin Al Fauzy Sabara Zafira A’idah Gunawan