Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JURNAL REKAYASA TEKNOLOGI INFORMASI TELEKONTRAN: Jurnal Ilmiah Telekomunikasi, Kendali dan Elektronika Terapan
Dava Anugrah Limanda
Politeknik Negeri Sriwijaya
Computer Science & IT Control & Systems Engineering

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

Found 3 Documents
Search

 1 
Sistem Rekomendasi Pupuk Berdasarkan Kondisi Dan Jenis Tanah Menggunakan LightGBM Aryanti Aryanti; Aknes Tasia Pratama; Dava Anugrah Limanda; Hisanah Nakhwah Aulia Faruly; Muhammad Juan Farza Rafly Alganiyu
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 10, No 3 (2026): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v10i3.26964

Abstract

Pemupukan yang tidak tepat masih menjadi permasalahan dalam sektor pertanian karena dapat menurunkan produktivitas tanaman, meningkatkan biaya produksi, serta menyebabkan penggunaan pupuk yang kurang efisien. Oleh karena itu, diperlukan sistem rekomendasi pupuk yang dapat membantu petani menentukan jenis pupuk yang sesuai berdasarkan kondisi tanah. Penelitian ini mengembangkan sistem rekomendasi pupuk berbasis machine learning menggunakan algoritma Light Gradient Boosting Machine (LightGBM) untuk mendukung pertanian presisi. Dataset yang digunakan terdiri dari 10.000 data dengan delapan parameter input, yaitu jenis tanah (clay, silt, sandy, loamy), kelembaban tanah, pH tanah, kandungan karbon organik, serta kadar nitrogen, fosfor, dan kalium. Target prediksi terdiri dari tujuh kelas pupuk. Tahapan penelitian meliputi preprocessing (data cleaning, label encoding, dan normalisasi min-max), pembagian dataset dengan rasio 80:20, pelatihan model LightGBM dengan konfigurasi n_estimators=500 dan learning_rate=0,1, serta evaluasi menggunakan confusion matrix dan classification report. Hasil eksperimen menunjukkan akurasi sebesar 86,35% pada data pengujian. Analisis feature importance menunjukkan bahwa Soil Moisture merupakan fitur paling berpengaruh, diikuti Soil pH, Organic Carbon, dan Nitrogen Level. Model menunjukkan performa sangat baik pada kelas Urea dan DAP dengan f1-score mencapai 0,95. Hasil penelitian membuktikan bahwa LightGBM efektif untuk klasifikasi multi-kelas dalam sistem rekomendasi pupuk dan berpotensi mendukung pertanian presisi yang lebih efisien dan berkelanjutan.
Rancang Bangun Sistem Monitoring Spektrum Frekuensi VHF FM dan Airband Berbasis RTL-SDR Menggunakan SDR Sharp Secara Langsung (Live) Dava Anugrah Limanda; Ade Silvia Handayani; Ciksadan
Telekontran : Jurnal Ilmiah Telekomunikasi, Kendali dan Elektronika Terapan Vol. 14 No. 1 (2026): TELEKONTRAN vol 14 no 1 April 2026
Publisher : Program Studi Teknik Elektro, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/telekontran.v14i1.20462

Abstract

Abstrak - Monitoring spektrum frekuensi radio diperlukan untuk mendukung pengawasan penggunaan frekuensi dan mendeteksi potensi interferensi pada pita Very High Frequency (VHF). Namun, perangkat monitoring profesional memiliki biaya yang relatif tinggi sehingga diperlukan alat bantu pelengkap yang lebih ekonomis. Penelitian ini bertujuan untuk merancang dan membangun sistem monitoring spektrum frekuensi VHF pada pita FM Broadcast (87–108 MHz) dan Airband (108–137 MHz) menggunakan RTL-SDR dan SDR Sharp (SDR#) dengan pembaruan tampilan secara langsung (live). Sistem yang dikembangkan terdiri atas antena omnidirectional, Low Noise Amplifier (LNA) SPF5189Z, RTL-SDR, dan SDR Sharp sebagai perangkat lunak visualisasi spektrum, dengan total biaya komponen sekitar Rp1.280.000. Pengujian dilakukan pada tiga sesi pengamatan di Kota Palembang dengan radius 2–6 km. Hasil pengujian menunjukkan bahwa sistem berhasil mendeteksi seluruh lima frekuensi referensi FM dan mengidentifikasi 29–33 frekuensi FM tambahan. Pada pita Airband, sistem berhasil mendeteksi sinyal VOR/ILS dan Air Band Voice dengan nilai Signal-to-Noise Ratio (SNR) sebesar 4,9–56,6 dB pada 9 dari 11 titik yang terukur secara kuantitatif. Hasil penelitian menunjukkan bahwa sistem mampu melakukan monitoring spektrum frekuensi FM dan Airband secara langsung (live) dengan biaya komponen yang relatif terjangkau. Sistem yang dirancang berpotensi digunakan sebagai alat bantu pelengkap (bukan pengganti) monitoring spektrum frekuensi radio untuk kebutuhan pendidikan, penelitian, dan pengamatan awal frekuensi. Kata kunci: SDR, RTL-SDR, monitoring spektrum frekuensi, VHF, Airband, FFT, real-time
Sistem Rekomendasi Pupuk Berdasarkan Kondisi Dan Jenis Tanah Menggunakan LightGBM Aryanti Aryanti; Aknes Tasia Pratama; Dava Anugrah Limanda; Hisanah Nakhwah Aulia Faruly; Muhammad Juan Farza Rafly Alganiyu
Jurnal Rekayasa Teknologi Informasi Vol. 10 No. 3 (2026): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v10i3.26964

Abstract

Pemupukan yang tidak tepat masih menjadi permasalahan dalam sektor pertanian karena dapat menurunkan produktivitas tanaman, meningkatkan biaya produksi, serta menyebabkan penggunaan pupuk yang kurang efisien. Oleh karena itu, diperlukan sistem rekomendasi pupuk yang dapat membantu petani menentukan jenis pupuk yang sesuai berdasarkan kondisi tanah. Penelitian ini mengembangkan sistem rekomendasi pupuk berbasis machine learning menggunakan algoritma Light Gradient Boosting Machine (LightGBM) untuk mendukung pertanian presisi. Dataset yang digunakan terdiri dari 10.000 data dengan delapan parameter input, yaitu jenis tanah (clay, silt, sandy, loamy), kelembaban tanah, pH tanah, kandungan karbon organik, serta kadar nitrogen, fosfor, dan kalium. Target prediksi terdiri dari tujuh kelas pupuk. Tahapan penelitian meliputi preprocessing (data cleaning, label encoding, dan normalisasi min-max), pembagian dataset dengan rasio 80:20, pelatihan model LightGBM dengan konfigurasi n_estimators=500 dan learning_rate=0,1, serta evaluasi menggunakan confusion matrix dan classification report. Hasil eksperimen menunjukkan akurasi sebesar 86,35% pada data pengujian. Analisis feature importance menunjukkan bahwa Soil Moisture merupakan fitur paling berpengaruh, diikuti Soil pH, Organic Carbon, dan Nitrogen Level. Model menunjukkan performa sangat baik pada kelas Urea dan DAP dengan f1-score mencapai 0,95. Hasil penelitian membuktikan bahwa LightGBM efektif untuk klasifikasi multi-kelas dalam sistem rekomendasi pupuk dan berpotensi mendukung pertanian presisi yang lebih efisien dan berkelanjutan.
Co-Authors Ade Silvia Handayani Aknes Tasia Pratama Aryanti Aryanti Ciksadan Hisanah Nakhwah Aulia Faruly Muhammad Juan Farza Rafly Alganiyu