Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Arsitektur STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
Zayyana Maulida
Universitas Sains Al-Qur'an
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PERANCANGAN GREENHOUSE AEROPONIK BERBASIS IOT UNTUK OPTIMALISASI MIKROKLIMAT PEMBIBITAN KENTANG DI DATARAN TINGGI TROPIS Ilham Ariawan Al Ashar; Jenny Febrina Andini; Hermawan Hermawan; Ahmad Irfa’i; Gusti Ilman Prayoga; Ghani Al Fatah; Bunga Seroja Sanra Azzahra; Aditya Dwi Anggoro; Slamet Miftahul Huda; Azzam Ghozi Khoirullah; Abi Thri Nur Rozabin; Ahmad Latif Hendrawan; Amy Puspita; Zayyana Maulida
Jurnal Ilmiah Arsitektur Vol. 15 No. 2 (2025): Desember
Publisher : Jurusan Arsitektur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/jiars.v15i2.10329

Abstract

Ketersediaan pangan global menghadapi tekanan besar akibat perubahan iklim dan pertumbuhan populasi yang pesat, sehingga diperlukan inovasi arsitektur pertanian yang adaptif terhadap dinamika lingkungan. Penelitian ini bertujuan merancang dan mengembangkan greenhouse aeroponik berbasis Internet of Things (IoT) dengan pendekatan experimental design-based research serta berfokus pada metode smart architecture engineering untuk mendukung pembibitan kentang (Solanum tuberosum L.) di dataran tinggi tropis. Sistem dirancang sebagai ruang arsitektural responsif yang mampu mengontrol suhu, kelembapan, dan pencahayaan secara real-time melalui sensor DHT22, BH1750, dan pH–TDS meter yang terhubung ke mikrokontroler ESP32. Implementasi desain adaptif berstruktur baja ringan dengan ventilasi silang dan material reflektif terbukti menjaga stabilitas suhu dalam rentang 18–21 °C dan kelembapan 80–90%, sesuai kebutuhan fisiologis tanaman. Hasil uji lapangan menunjukkan bahwa integrasi arsitektur tropis adaptif dan sistem kontrol IoT menghasilkan lingkungan mikroklimat yang stabil dengan efisiensi energi dan air yang tinggi. Penelitian ini menegaskan peran arsitektur dalam konteks pertanian presisi sebagai sistem termal dinamis yang responsif terhadap perubahan iklim. Model Sustainable Smart Greenhouse Architecture yang dihasilkan berpotensi menjadi solusi replikatif untuk kawasan dataran tinggi Indonesia dalam mewujudkan transformasi digital pertanian dan ketahanan pangan berkelanjutan.
KLASIFIKASI PENYAKIT DAN KONDISI KESEHATAN TANAMAN CABAI BERBASIS DEEP LEARNING SEBAGAI PENDUKUNG SMART NURSERY PERTANIAN BERKELANJUTAN Titan Attariq Al Fatah; Muhamad Fuat Asnawi; Restu Rahma Riandhita; Panggah Dwi Santoso; Zayyana Maulida; Riskha Suheila Kirmalani; Nurrohmat Furkon; Ahmad Latif Hendrawan; Aurielia Chandra Febrina; Gennaro Wibisana; Febri Dwi Saputra; Rafif Phalosa; Muhammad Irvan Asy'ari; Syahrul Maulana Rozaki; Dzidni Imron Fadhilah; Muhammad Nabil Al Faqih
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.9469

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi yang memerlukan pemantauan kesehatan tanaman secara cepat dan akurat sejak tahap pembibitan. Proses identifikasi penyakit dan kondisi tanaman yang masih dilakukan secara manual memiliki keterbatasan karena bergantung pada pengalaman petani dan berpotensi menyebabkan keterlambatan pengendalian. Penelitian ini bertujuan mengembangkan model klasifikasi kondisi kesehatan tanaman cabai berbasis deep learning sebagai pendukung sistem smart nursery pertanian berkelanjutan. Metode penelitian dilakukan melalui tahapan pengumpulan dataset citra daun cabai, preprocessing, augmentasi data, pembangunan model, pelatihan, pengujian, dan evaluasi performa. Dataset terdiri dari lima kategori kondisi tanaman, yaitu healthy, leaf curl, leaf spot, whitefly, dan yellowish, dengan total 500 citra yang dibagi menjadi data pelatihan, validasi, dan pengujian. Tiga model dibandingkan, yaitu Convolutional Neural Network (CNN), MobileNetV3Small, dan EfficientNet-B0 menggunakan parameter evaluasi accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MobileNetV3Small memberikan performa terbaik dengan akurasi 88%, precision 0,91, recall 0,88, dan F1-score 0,88, serta memiliki jumlah parameter paling rendah dibandingkan model lainnya. Model tersebut berpotensi diterapkan pada sistem smart nursery berbasis kamera dan perangkat komputasi terbatas untuk mendukung deteksi dini kesehatan bibit cabai secara cepat, objektif, dan berkelanjutan.
Co-Authors Abi Thri Nur Rozabin Aditya Dwi Anggoro Ahmad Irfa’i Ahmad Latif Hendrawan Amy Puspita Aurielia Chandra Febrina Azzam Ghozi Khoirullah Bunga Seroja Sanra Azzahra Dzidni Imron Fadhilah Febri Dwi Saputra Gennaro Wibisana Ghani Al Fatah Gusti Ilman Prayoga HERMAWAN Ilham Ariawan Al Ashar Jenny Febrina Andini Muhamad Fuat Asnawi Muhammad Irvan Asy'ari Muhammad Nabil Al Faqih Nurrohmat Furkon Panggah Dwi Santoso Rafif Phalosa Restu Rahma Riandhita Riskha Suheila Kirmalani Slamet Miftahul Huda Syahrul Maulana Rozaki Titan Attariq Al Fatah