Article Per Year (5 Year)
p-Index From 2021 - 2026
2.223
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal Penelitian Pendidikan IPA (JPPIPA) Jurnal Teknik Informatika UNIKA Santo Thomas Jurnal Sistem Informasi Kaputama (JSIK) Jurnal Agroplasma International Journal Of Science, Technology & Management (IJSTM) Bulletin of Information Technology (BIT) Jurnal Minfo Polgan (JMP) Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Jurnal Informatika dan Teknologi Informasi Internet of Things and Artificial Intelligence Journal JURNAL MAHASISWA AGROTEKNOLOGI (JMATEK)
Pane, Rahmadani
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Social Sciences Transportation

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Infus Desain Notifikasi Dengan Aplikasi Media Sosial Berbasis Internet of Things (IOT) Azhari Lubis, Haldina Syahfitri; Munthe, Ibnu Rasyid; Pane, Rahmadani
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 6 No. 1 : Tahun 2021
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1152.631 KB) | DOI: 10.54367/jtiust.v6i1.1286

Abstract

Penelitian ini membahas tentang alat pendeteksi infus di sebuah ruangan rumah sakit. Alat ini dirancang untuk membantu perawat rumah sakit untuk mengatasi lebih cepat untuk menghindari masalah akibat pemasangan infus. Sensor load cell digunakan sebagai pendeteksi berat yang mengirimkan notifikasi kepada perawat melalui aplikasi telegram yang telah terpasang. Perawat akan mendapatkan pesan notifikasi yang dikirimkan ke telegram jika sensor telah membaca berat badan. Alat ini dibuat menggunakan sensor load cell dan NodeMCUWi-FiESP866 yang berfungsi untuk mengirimkan notifikasi hasil input data sensor ke platform Internet of Things (IOT) yaitu Telegram. Perawat perlu terkoneksi dengan jaringan internet untuk mendapatkan notifikasi di telegram. Hasil pengujian menunjukkan bahwa waktu yang dibutuhkan untuk mengirim dan menerima notifikasi di Telegram membutuhkan waktu sekitar 2-5 detik. Pesan akan dikirim 3 kali, pertama infus WARNING hampir habis (waspada), kedua WARNING infus hampir habis (standby) dan WARNING infus hampir habis (silahkan ganti). Jika infus tidak diganti oleh perawat, akan diperingatkan oleh Buzzer. Namun, waktu dapat dipengaruhi oleh konektivitas jaringan internet yang tersedia. Namun, waktu dapat dipengaruhi oleh jaringan internet yang tersedia.
Penerapan Internet Of Things Dalam Pemisahan Telur Ayam Di Pt.Nasha Poultry Indonesia Indrayani, Puput; Sitorus, Sahat Parulian; Pane, Rahmadani
Jurnal Minfo Polgan Vol. 14 No. 2 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i2.15094

Abstract

Permintaan telur ayam yang tinggi mengharuskan peternak meningkatkan efisiensi dan akurasi dalam proses produksi. Salah satu tantangan utama adalah pemisahan telur berdasarkan ukuran (besar dan kecil), yang selama ini masih dilakukan secara manual sehingga memakan waktu lama dan rentan kesalahan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pemisahan telur ayam berbasis Internet of Things (IoT) di PT. Nasha Poultry Indonesia menggunakan Arduino Uno, sensor load cell, sensor infrared, dan motor servo. Metode pengembangan menggunakan model ADDIE (Analysis, Design, Development, Implementation, Evaluation). Sistem ini mampu mendeteksi berat telur dengan sensor load cell dan mengarahkan telur ke jalur sesuai kategorinya menggunakan motor servo. Hasil sortir ditampilkan melalui LCD dan jumlah telur dikirim ke pengguna melalui bot Telegram secara real-time. Hasil pengujian menunjukkan sistem dapat mengklasifikasikan telur besar dan kecil dengan akurasi tinggi, merespons perintah /data dan /reset dengan baik, serta meningkatkan efisiensi proses pemisahan. Dengan demikian, teknologi IoT dapat menjadi solusi untuk mengurangi ketergantungan tenaga kerja manual dan meningkatkan produktivitas peternakan.
Implementation of Convolutional Neural Network (CNN) Method in Determining the Level of Ripeness of Mango Fruit Based on Image Sari, Mei Wita; Sitorus, Sahat Parulian; Rohani; Pane, Rahmadani
Jurnal Penelitian Pendidikan IPA Vol 11 No 5 (2025): May
Publisher : Postgraduate, University of Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jppipa.v11i5.11436

Abstract

This study aims to classify the ripeness level of mango fruit using a Convolutional Neural Network (CNN) model based on digital images. This classification is important to help the automatic sorting process in the agricultural industry that relies on accuracy in determining fruit quality. Based on the literature review, CNN has been widely used in image-based object recognition because of its ability to extract visual features automatically. Previous studies have shown that CNN is effective in image classification, but the results are highly dependent on the quality of the data and the model parameters used. This research method involves collecting mango fruit images at three levels of ripeness (raw, half-ripe, ripe), which are then processed and analyzed using the Orange application with CNN architecture. Model evaluation was carried out using accuracy metrics, AUC, confusion matrix, and visualization through box plots and scatter plots to see the distribution and differences in data between classes. The results showed that the CNN model obtained an accuracy of 53.3% and an AUC value of 0.717, which indicates the model's initial ability to distinguish ripeness categories but with a fairly high level of misclassification. There is still overlapping data between classes, especially between the raw and half-ripe classes, which indicates the need for additional features and parameter refinement. In conclusion, CNN has the potential to be used in classifying the ripeness level of mango fruit, but its performance can be improved through feature development and deeper model tuning. 
Co-Authors Abdul Karim Adi, Puput Dani Prasetyo Agusti, Nelly Amelia, Tri Suci Azhari Lubis, Haldina Syahfitri Dar Hasibuan, Halmi Dini Hariyati Adam Faujiah, Ria Rizki Hasibuan, Mila Nirmala Sari Hsb, Elysa Rohayani Indrayani, Puput Irmayani, Deci Iwan Purnama Lesmana, Yandri Lukman Hakim Munthe, Ibnu Rasyid Putra Juledi, Angga Rasyid Munthe, Ibnu Rohani Saputra, Ramzi Sari, Mei Wita Sepriani, Yusmaidar Setiawan, Adil Siagian, Tengku Surya Sitorus, Sahat Parulian Trianovie, Sri Yanris, Gomal Juni