Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Majalah Ilmiah MOMENTUM Jurnal Rekayasa Mesin JURNAL CRANKSHAFT
Della Kumalaningrum
Politeknik Negeri Semarang
Control & Systems Engineering Education Energy Engineering Materials Science & Nanotechnology Mechanical Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Pengaruh Variasi Beban Terhadap Energi dan Eksergi Pada Heat Recovery Steam Generator di Blok 2 PLTGU Muara Karang Della Kumalaningrum; Novix Jefri Al Fama; Imaduddien Ariefa
JURNAL CRANKSHAFT Vol. 9 No. 2 (2026): Jurnal Crankshaft Vol. 9 No. 2 (2026)
Publisher : Badan Penerbit Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/cra.v9i2.17397

Abstract

Pada suatu sistem Pembangkit Listrik Tenaga Gas Uap (PLTGU) untuk meningkatkan suatu performa dari suatu pembangkit dapat dilakukan dengan menggunakan analisis energi dan eksergi. Analisis eksergi menggunakan konservasi massa berdasarkan Hukum II Termodinamika dimana proses termodinamika tidak selalu ideal dan terjadi penurunan kualitas energi. Metode analisis eksergi (analisis kemanfaatan) sangat tepat digunakan untuk mendorong tercapainya penggunaan sumber daya energi dengan lebih efektif karena eksergi memungkinkan untuk menentukan lokasi, penyebab, dan besar sebenarnya dari kerugian atau pemborosan suatu sistem termal yang dipengaruhi entalpi, entropi, suhu, dan tekanan. Pada penelitian ini dilakukan analisis energi dan eksergi pada Heat Recovery Steam Generator (HRSG) dengan menggunakan variasi beban. Hasil penelitian menunjukkan berapa besar kerugian atau kehilangan panas yang dihasilkan pada sub-komponen HRSG. Efisiensi energi dan efisiensi eksergi yang dihasilkan berbanding lurus dengan beban yang dihasilkan turbin gas. Pada beban 134 MW, 213 MW, dan 236 MW berturut-turut diperoleh efisiensi energia sebesar 72,7%; 75,7%; 76,7% dan efisiensi eksergi 55,3%: 59,2%; 64,1%.
Performance Enhancement of 2D CNN-Based Visual Inspection Using Data Augmentation for Defect Classification in Metal Casting Products Imaduddien Ariefa; Hutomo Jiwo Satrio; Della Kumalaningrum; Rieky Handoko; Anton Harseno; Fariz Wisda Nugraha
Jurnal Rekayasa Mesin Vol. 20 No. 3 (2025): Volume 20, Nomor 3, December 2025
Publisher : Mechanical Engineering Department - Semarang State Polytechnic

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32497/jrm.v20i3.7170

Abstract

Deep learning-based automated visual inspection has become increasingly important for reducing the subjectivity and mistakes that come with manual inspection.  However, when the image dataset is small, Convolutional Neural Networks (CNN) often do not perform optimally because the model overfits and fails to generalize effectivelyl.  This study investigates the effect of data augmentation on enhancing the performance of an AlexNet-based CNN model for classifying defect and non-defect casting images.  There were 13266 grayscale images in total, and they were divided into two groups: defect and non-defect.  To increase data variability, several augmentation techniques were used, such as rotation, flipping, zooming, and brightness adjustment.  We evaluated two different training scenarios: training a model without adding anything and training a model with adding something.  We used accuracy, precision, recall, F1-score, validation loss, and confusion matrix analysis to evaluate model perfomance.  The findings demonstrate that data augmentation significantly improves model performance.  The validation loss decreased from 0.019747 to 0.014853, and the accuracy, precision, recall, and F1-score all showed slight improvements.  The enhanced model also achieved higher true positive and true negative values, signifying improved recognition proficiency.  Tests on previously unseen samples yielded 100% correct predictions, indicating enhanced generalization.  To sum up, data augmentation is an effective strategy for mitigating small datset limitations and improving the reliability of CNN-based visual inspection systems in industrial environments.
AUTOMATED VISUAL INSPECTION PADA PRODUK CASTING MANUFACTURING MENGGUNAKAN DEEP CONVOLUTIONAL NEURAL NETWORK Imaduddien Ariefa; Sendie Yuliarto Margen; Della Kumalaningrum; Komar Roni; Hawa Rizka
JURNAL ILMIAH MOMENTUM Vol 22 No 2 (2026): Oktober
Publisher : Universitas Wahid Hasyim

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36499/jim.v22i2.15624

Abstract

Untuk mencegah faktor subjektivitas dan potensi human error saat pengecekan kualitas produk casting manufacturing secara manual, penelitian ini bertujuan mengembangkan sistem Automated Visual Inspection (AVI) berbasis AI. Metode yang digunakan dengan pendekatan Deep learning berbasis Convolutional Neural Network (CNN) dengan membandingkan kinerja antara arsitektur AlexNet dan Development architecture. Proses evaluasi menggunakan 6.633 citra riil hasil preprocessing yang terbagi atas kelas defect dan non-defect untuk data training dan validasi. Hasil eksperimen membuktikan keunggulan architecture AlexNet yang mencatatkan akurasi hingga 99,25% dengan validation loss sebesar 0,02481, sementara architecture pengembangan hanya menghasilkan tingkat akurasi 89,07%. Hasil analisis confusion matrix juga memperlihatkan tingkat kestabilan AlexNet yang sangat tinggi dengan nilai presisi, recall, serta F1-score melebihi 0,99. Kesimpulan dari penelitian ini menegaskan bahwa architecture AlexNet memiliki efektivitas yang jauh lebih tinggi dalam mendeteksi cacat pada komponen pengecoran logam, menjadikannya opsi yang sangat relevan untuk diaplikasikan dalam sistem kendali mutu otomatis di industri.
Co-Authors Anton Harseno Fariz Wisda Nugraha Hawa Rizka Hutomo Jiwo Satrio Imaduddien Ariefa Imaduddien Ariefa Komar Roni Novix Jefri Al Fama Rieky Handoko Sendie Yuliarto Margen