Article Per Year (5 Year)
p-Index From 2021 - 2026
2.989
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Teknologi CESS (Journal of Computer Engineering, System and Science) Edu Elektrika Journal JETT (Jurnal Elektro dan Telekomunikasi Terapan) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Pengabdian Masyarakat Borneo Jurnal Riset Rekayasa Elektro Jurnal Abdi Insani Journal of Information Technology and Its Utilization Journal of Telecommunication, Electronics and Control Engineering (JTECE) Techno eProceedings of Engineering RENATA Jurnal Pengabdian Masyarakat Kita Semua Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Journal of Information Technology and its Utilization
Pradana, Zein Hanni
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search
Journal : eProceedings of Engineering

 1 
Pengurangan Kebisingan Sinyal Elektrocardiogram (ECG) Menggunakan Filter Adaptif dengan Metode Least Mean Squares (LMS) Nirmayrahayu, Yenny; Hanni Pradana, Zein; Hikmah, Irmayatul
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sinyal elektrokardiogram (ECG) sering kali terkontaminasi oleh berbagai sumber kebisingan, sepertiinterferensi daya listrik, artefak gerakan, dan kebisingan otot, yang dapat mengganggu akurasi analisis dan diagnosis medis. Oleh karena itu, diperlukan metode yang efektif untuk mengurangi kebisingan agar sinyal ECG yang diperoleh lebih bersih dan dapat diinterpretasikan dengan lebih akurat. Salah satu pendekatan yang banyak digunakan adalah filter adaptif dengan algoritma Least Mean Squares(LMS). Filter adaptif LMS memiliki keunggulan dalam menyesuaikan bobot filter secara dinamis berdasarkan perubahan karakteristik sinyal, sehingga mampu menghilangkan noise tanpa merusak komponen utama sinyal ECG. Penelitian ini bertujuan untuk mengurangi kebisingan atau noise pada sinyal ECG agar sinyal memiliki tingkat ketepatan dalam proses pendiagnosaan yan g lebih baik.Untuk meningkatkan akurasi analisis sinyal ECG diperlukan teknik pengurangan kebisingan yang efektif. Pengukuran performa menggunakan SNR (Signal to Noise Ratio) yang akan menghitung peningkatan kualitas sinyal yang signifikan dibandingkan dengan sinyal sebelum fitrasi. Hasil yang diharapkan dari penelitian ini adalah penurunan noise sinyal ECG dan terjadi perubahan pada saat disimulasikan denganmetode yang telah diterapkan, dimana hasilnya akan berbeda dengan sinyal ECG sebelum di filtrasi. Hasil yang diperoleh berdasarkan pengujian yang telah dilakukan, perubahan sinyal setelah denoising yang dapat mendekati sinyal asli pada filter orde 8 dengan step size 0.001 dan 0.01. Kata Kunci : electrocardiogram, filter adaptif, least mean squares, noise
Analisis Efisiensi Cnn Dan Rnn Dalam Klasifikasi Down Syndrome Pada Usia Balita Ramadan, Alfiansyah; Khairul Luthfi, Naufal; Rifqi Althaaf, Muhammad; Pranindito, Dadiek; Hanni Pradana, Zein
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi kecerdasan buatan,khususnya machine learning, telah membuka peluang barudalam bidang kesehatan, termasuk diagnosis dini Downsyndrome pada balita. Penelitian ini bertujuan menganalisisefisiensi dua model deep learning, yaitu Convolutional NeuralNetwork (CNN) dan Recurrent Neural Network (RNN), dalammengklasifikasikan Down syndrome berdasarkan citra wajah.Metode yang digunakan meliputi pengumpulan data, prapemrosesan citra, pelatihan model, dan evaluasi menggunakanmetrik accuracy, precision, recall, dan F1-score. Hasil penelitianmenunjukkan bahwa CNN mencapai akurasi lebih tinggi(0.9383 pada data pelatihan), namun memiliki keterbatasandalam mendeteksi kasus positif (precision 0.6772, recall 0.7044).Sementara itu, RNN menunjukkan kinerja lebih baik dalammendeteksi Down syndrome (recall 0.9571, F1-score 0.8724),meskipun akurasinya lebih rendah (0.7757). Pada tahap validasidan pengujian, RNN tetap unggul dalam recall (0.9832 dan0.9928), menjadikannya lebih cocok untuk aplikasi medis yangmemprioritaskan deteksi kasus positif. Penelitian inimenyimpulkan bahwa pemilihan model tergantung padakebutuhan: CNN untuk akurasi umum, sedangkan RNN untukdeteksi komprehensif dengan risiko false negative minimal.Temuan ini memberikan kontribusi penting bagipengembangan sistem diagnosis berbasis AI yang lebih akuratdan efisien.Kata kunci— Down syndrome, CNN, RNN, klasifikasicitra, machine learning
Analisis Efisiensi Cnn Dan Rnn Dalam Klasifikasi Down Syndrome Pada Usia Balita Ramadan, Alfiansyah; Khairul Luthfi, Naufal; Rifqi Althaaf, Muhammad; Pranindhito, Dadiek; Hanni Pradana, Zein
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi kecerdasan buatan, khususnya machine learning, telah membuka peluang baru dalam bidang kesehatan, termasuk diagnosis dini Down syndrome pada balita. Penelitian ini bertujuan menganalisis efisiensi dua model deep learning, yaitu Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN), dalam mengklasifikasikan Down syndrome berdasarkan citra wajah. Metode yang digunakan meliputi pengumpulan data, prapemrosesan citra, pelatihan model, dan evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi lebih tinggi (0.9383 pada data pelatihan), namun memiliki keterbatasan dalam mendeteksi kasus positif (precision 0.6772, recall 0.7044). Sementara itu, RNN menunjukkan kinerja lebih baik dalam mendeteksi Down syndrome (recall 0.9571, F1-score 0.8724),meskipun akurasinya lebih rendah (0.7757). Pada tahap validasi dan pengujian, RNN tetap unggul dalam recall (0.9832 dan 0.9928), menjadikannya lebih cocok untuk aplikasi medis yang memprioritaskan deteksi kasus positif. Penelitian ini menyimpulkan bahwa pemilihan model tergantung pada kebutuhan: CNN untuk akurasi umum, sedangkan RNN untuk deteksi komprehensif dengan risiko false negative minimal. Temuan ini memberikan kontribusi penting bagipengembangan sistem diagnosis berbasis AI yang lebih akurat dan efisien.Kata kunci— Down syndrome, CNN, RNN, klasifikasi citra, machine learning
Evaluasi Sistem Jaringan Akses Ftth Untuk Koneksi Rt Rw Di Desa Suren Mertiana, Eva; Khair, Fauza; Hanni Pradana, Zein
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Desa Suren merupakan desa yang mayoritaspenduduk bekerja sebagai pedagang, petani, buruh harianlepas dan untuk anak remaja setelah lulus SMA merekamembuka dropshipper. Hal ini menyebabkan tingginyakeinganan masyarakat terhadap layanan internet pribadi.Melalui pendekatan studi kasus, penelitian ini menggunakanmetode kuantitatif dan kuantitatif yang meliputi surveikebutuhan masyarakat, wawancara dengan tokoh warga sertapengamatan lapangan. Selain itu, dilakukan perancanganntopologi dengan mempertimbangkan jarak antar rumah,kondisi geografis, dan ketersediaan sinyal. Denganmemanfaatkan perangkat seperti Optical Line Terminal (OLT),Optical Distribution Point (ODP), Optical Network Terminal(ONT), serta Mikrotik. Dari hasil simulasi dan perancanganFTTH pada Optisystem nilai power link budget sebesar -19.328dBm, -19.362 dBm, -19.356 dBm, dan -19.324 dBm. Nilai BERsebesar ????. ૢૢ૞????ૡ ૙ૢ૞ .૝ ,????૝-????૙ ܠ૟૟ૢ???? .૜ ,????૝-????૙ ܠૡ???? .????૝-????૙ ܠNilai Q-Factor sebesar 7.5613, 7.48163, 7.46717, dan 7.38774.Dari ketiga parameter tersebut, bahwa evaluasi jaringan FTTHdi Desa Suren menunjukkan kelayakan implementasi danmampu mendukung konektivitas bagi masyarakat.Kata kunci— Jaringan RT/RW Net, Penyedia layananinternet, Pengembangan jaringan, Evaluasi jaringan, desa,akses internet, studi kasus.
Otomatisasi Sistem Pakan Kucing Berbasis Iot Untuk Pengaturan Porsi Pakan Dan Monitoring Secara Real-Time Nada Fitri, Refia; Yulian Zetta Maulana; Hanni Pradana, Zein
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi Internet of Things (IoT)dan Artificial Intelligence (AI) mendorong terciptanya sistemotomatisasi cerdas dan responsif. Penelitian ini mengusulkansistem pakan kucing otomatis berbasis IoT dan AI yangdirancang untuk mengatasi permasalahan keterbatasan waktupemilik hewan dalam memberi pakan secara teratur. Sistemmenggunakan YOLOv11 untuk mendeteksi kucing secara realtime melalui webcam, sehingga hanya kucing teridentifikasiyang dapat menerima pakan. Model AI dilatih menggunakanplatform Roboflow dan dikonversi ke format TensorFlow agarkompatibel dengan perangkat edge. Raspberry Pi 4 digunakansebagai pengendali utama untuk sensor dan aktuator, sertaterhubung ke server lokal melalui integrasi Cloudflare Tunnelguna menyediakan akses website secara aman. Sensor loadcelldan ultrasonik digunakan untuk mendeteksi berat pakan danketersediaan pakan, sedangkan motor stepper mengatur prosesdistribusi pakan baik secara otomatis maupun manual. Sistemdapat dikendalikan dan dipantau dari jarak jauh melaluiantarmuka web dan notifikasi Telegram. Hasil pengujianmenunjukkan akurasi loadcell sebesar 97,16%, sensorultrasonik 98,28%, akurasi pemberian pakan otomatis 91,92%,manual 89,13%, dan akurasi deteksi kucing 95%. Websitememiliki waktu connect time rata-rata 109,2 ms, notifikasiTelegram 3,4 ms, dan latency akses ke server lokal sebesar 373,6ms. Sistem ini menunjukkan performa yang andal dalampengelolaan pakan kucing secara selektif dan efisien melaluiintegrasi teknologi IoT dan AI.Kata kunci — AI, Cloudflare Tunnel, IoT, Raspberry Pi 4,YOLOv11
Otomatisasi Sistem Pakan Kucing Berbasis Iot Untuk Pengaturan Porsi Pakan Dan Monitoring Secara Realtime Cornelius, Yuwan; Zetta Maulana, Yulian; Hanni Pradana, Zein
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi Internet of Things(IoT) dan Artificial Intelligence (AI) mendorongterciptanya sistem otomatisasi cerdas dan responsif.Penelitian ini mengusulkan sistem pakan kucing otomatisberbasis IoT dan AI yang dirancang untuk mengatasipermasalahan keterbatasan waktu pemilik hewan dalammemberi pakan secara teratur. Sistem menggunakanYOLOv11 untuk mendeteksi kucing secara real-timemelalui webcam, sehingga hanya kucing teridentifikasiyang dapat menerima pakan. Model AI dilatihmenggunakan platform Roboflow dan dikonversi keformat TensorFlow agar kompatibel dengan perangkatedge. Raspberry Pi 4 digunakan sebagai pengendali utamauntuk sensor dan aktuator, serta terhubung ke serverlokal melalui integrasi Cloudflare Tunnel gunamenyediakan akses website secara aman. Sensor loadcelldan ultrasonik digunakan untuk mendeteksi berat pakandan ketersediaan pakan, sedangkan motor steppermengatur proses distribusi pakan baik secara otomatismaupun manual. Sistem dapat dikendalikan dandipantau dari jarak jauh melalui antarmuka web dannotifikasi Telegram. Hasil pengujian menunjukkanakurasi loadcell sebesar 97,16%, sensor ultrasonik98,28%, akurasi pemberian pakan otomatis 91,92%,manual 89,13%, dan akurasi deteksi kucing 95%. Websitememiliki waktu connect time rata-rata 109,2 ms,notifikasi Telegram 3,4 ms, dan latency akses ke serverlokal sebesar 373,6 ms. Sistem ini menunjukkan performayang andal dalam pengelolaan pakan kucing secaraselektif dan efisien melalui integrasi teknologi IoT dan AI.Kata kunci — AI, Cloudflare Tunnel, IoT, Raspberry Pi4, YOLOv11
Co-Authors Ade Wahyudin Ade Wahyudin Alfataniah Nur Fajrina Amrulloh, Abdul Fatah Ayuningtyas, Retno Dwi Azzahra, Galuh Dwi Br Perangin-angin, Syifa Lestari Cornelius, Yuwan Dadiek Pranindito Dwisetyarini, Febrianti Fauza Khair Febiyani, Eva Gunawan Wibisono Hanin Nafi'ah Indah Permatasari Indah Permatasari Irmayatul Hikmah Khairul Luthfi, Naufal Khoirun Ni'amah KHOIRUN NI’AMAH Mertiana, Eva Muhammad Azhar Muhammad Panji Kusuma Praja Nada Fitri, Refia Niamah, Khoirun Ni’amah, Khoirun Nirmayrahayu, Yenny Pranindhito, Dadiek Raditya Artha Rochmanto Ramadan, Alfiansyah Rifqi Althaaf, Muhammad Sevia Indah Purnama Shinta Romadhona Solichah Larasati Utti Marina Rifanti Wulandari . YULIAN ZETTA MAULANA