Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JOURNAL OF SCIENCE AND SOCIAL RESEARCH Jurnal Pengabdian Masyarakat dan Riset Pendidikan
Selfina Agustin
Universitas Asahan
Humanities Computer Science & IT Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

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

Found 2 Documents
Search

 1 
Implementasi Sistem Penyiraman Tanaman Otomatis Berbasis Internet Of Things Selfina Agustin; Dicky Apdillah; Emi Dea; Apri Affandi
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 3 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 3 (Januari 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i3.5445

Abstract

Perkembangan teknologi Internet of Things (IoT) memungkinkan penerapan sistem otomatis yang dapat meningkatkan efisiensi dalam berbagai bidang, termasuk perawatan tanaman. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem penyiraman tanaman otomatis berbasis IoT yang bekerja berdasarkan pengaturan waktu (timer). Sistem ini menggunakan NodeMCU sebagai pengendali utama, modul RTC (Real Time Clock) sebagai penentu jadwal penyiraman, relay sebagai saklar elektronik, dan pompa air mini sebagai aktuator penyiram. Metode yang digunakan dalam penelitian ini adalah metode eksperimen, yang meliputi perancangan perangkat keras, perakitan alat, pemrograman sistem, serta pengujian kinerja alat. Hasil pengujian menunjukkan bahwa sistem mampu bekerja dengan baik, di mana pompa air dapat menyala dan mati sesuai dengan jadwal dan durasi yang telah ditentukan. Dengan adanya sistem ini, pengguna dapat terbantu dalam merawat tanaman secara lebih praktis tanpa harus melakukan penyiraman secara manual. Sistem ini juga berpotensi untuk dikembangkan lebih lanjut dengan penambahan sensor kelembapan tanah agar penyiraman dapat dilakukan secara lebih adaptif.
KLASIFIKASI TIPE KACA MENGGUNAKAN METODE K-NEAREST NEIGHBOR Muhammad Azwar Al Ayyub; Weny Nur Afdilla Simangunsong; Dini Farhatun; Emi Dea; Selfina Agustin; Zulfa Ar Rahman; Muhammad Ridho
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 9 No. 1 (2026): February 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i1.5745

Abstract

Abstract: Glass is a material that is widely used in various fields, such as construction, the automotive industry, and household appliances. Each type of glass has different characteristics based on its chemical composition and production process. Problems arise when the process of identifying glass types is still done manually, which is time-consuming, costly, and prone to error. This study aims to apply the K-Nearest Neighbor (K-NN) method in classifying glass types based on their chemical content attributes. The data in this study was sourced from Kaggle, namely the Glass Identification Dataset. The data used consisted of several chemical features, such as Na, Mg, Al, Si, K, Ca, Ba, and Fe, with seven categories of glass classes. The results showed that the K-NN method was able to classify glass types well and could be an effective solution to assist in the automatic glass identification process. Keyword: Classification, K-Nearest Neighbor, Data Mining, Types of Glass. Abstrak: Kaca merupakan material yang banyak digunakan dalam berbagai bidang, seperti konstruksi, industri otomotif, dan peralatan rumah tangga. Setiap jenis kaca memiliki karakteristik yang berbeda berdasarkan komposisi kimia dan proses produksinya. Permasalahan muncul ketika proses identifikasi jenis kaca masih dilakukan secara manual, sehingga membutuhkan waktu, biaya, dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan untuk menerapkan metode K-Nearest Neighbor (K-NN) dalam mengklasifikasikan jenis kaca berdasarkan atribut kandungan kimianya. Data dalam penelitian ini bersumber dari Kaggle, yaitu Glass Identification Dataset. Data yang digunakan terdiri dari beberapa fitur kimia, seperti Na, Mg, Al, Si, K, Ca, Ba, dan Fe, dengan tujuh kategori kelas kaca. Hasil penelitian menunjukkan bahwa metode KNN mampu mengklasifikasikan jenis kaca dengan baik dan dapat menjadi solusi yang efektif untuk membantu proses identifikasi kaca secara otomatis. Kata kunci: Klasifikasi, K-Nearest Neighbor, Data Mining, Jenis Kaca.
Co-Authors Apri Affandi Dicky Apdillah Dini Farhatun Emi Dea Muhammad Azwar Al Ayyub Muhammad Ridho Weny Nur Afdilla Simangunsong Zulfa Ar Rahman