Article Per Year (5 Year)
p-Index From 2020 - 2025
1.456
P-Index
This Author published in this journals
All Journal JETT (Jurnal Elektro dan Telekomunikasi Terapan) SmartComp
Sanjaya, Joseph
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 3 Documents
Search

 1 
PERANCANGAN SISTEM PEMBERI MAKAN HEWAN BERBASIS IoT DENGAN SISTEM KONTROL ANDROID MENGGUNAKAN MVVM DAN CLEAN ARCHITECTURE Sanjaya, Joseph
Jurnal Elektro dan Telekomunikasi Terapan (e-Journal) Vol 9 No 2 (2022): JETT Desember 2022
Publisher : Direktorat Penelitian dan Pengabdian Masyarakat, Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/jett.v9i2.4664

Abstract

With the fast-paced world and the advancement of modern technology, the emergence of IoT has played an important role in every sector of our daily lives. In the field of home automation, it has played an important and pivotal role, it has made our lifestyle easier with the smart features inherited in automation including taking care of our pet. This paper gives a detailed hands-on IoT and how it can be implemented to presents a complete communication system to monitor dog feeders by checking their food, snacks, and water container data through a cloud-based server (Firebase Platform) using a micro-controller-based NodeMcu (Esp8266) and an android mobile application.
Pengenalan Permukaan Berbasis Sensor IMU Menggunakan Random Forest Classifier Lehman, Andrew Sebastian; Tjandrasa, Benny Budiawan; Sanjaya, Joseph
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 14, No 1 (2025): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v14i1.7347

Abstract

Dengan meningkatnya tantangan yang dihadapi oleh robot akibat kemajuan teknologi dan keragaman kasus, input yang diperlukan oleh robot menjadi lebih banyak dan variatif, sehingga tidak dapat diselesaikan hanya dengan if conditional yang sederhana. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model machine learning yang dapat membantu robot navigasi untuk mengidentifikasi permukaan yang optimal dengan tingkat akurasi yang tinggi. Penelitian ini menggunakan random forest sebagai algoritma machine learning yang termasuk dalam kategori supervised learning untuk menghasilkan prediksi berdasarkan data latih. Data latih di augmentasi dengan data dari yang telah disintesis menggunakan CTGAN, yaitu sebuah metode yang menggunakan jaringan saraf tiruan untuk menghasilkan data tabular heterogen yang mirip dengan data asli. Metode ini juga dapat melindungi privasi data asli dengan menggunakan privasi diferensial dan pembelajaran federasi. Setelah model machine learning dibangun, model diuji dengan data uji yang dibuat. Model machine learning yang berbasis random forest ini menunjukkan kinerja yang baik dengan mencapai akurasi 90% pada prediksi data uji.
Sistem Deteksi Pothole Menggunakan Convulutional Neural Network Dengan Squeezenet Network Lehman, Andrew Sebastian; Widjaja, Andreas; Tjandrasa, Benny Budiawan; Sanjaya, Joseph
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 14, No 3 (2025): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v14i3.8323

Abstract

Lubang di jalan merupakan salah satu permasalahan utama yang dihadapi pengguna jalan, karena dapat menyebabkan kerusakan serius pada kendaraan serta meningkatkan risiko kecelakaan lalu lintas. Selain berdampak pada keselamatan pengemudi, terutama mereka yang tidak familiar dengan kondisi jalan, keberadaan lubang juga dapat memicu kemacetan dan meningkatkan emisi karbon akibat perlambatan lalu lintas. Untuk mengatasi permasalahan ini, studi ini mengusulkan sistem deteksi lubang secara real-time berbasis Convolutional Neural Network (CNN) dengan arsitektur ringan SqueezeNet. Sistem dirancang untuk bekerja dengan memanfaatkan gambar yang diambil oleh kamera kendaraan yang sedang bergerak, guna mengidentifikasi lubang yang berpotensi membahayakan. Model CNN dilatih menggunakan dataset gambar yang telah diberi label berdasarkan keberadaan lubang. Kinerja sistem dievaluasi menggunakan metrik precision, recall, dan F1-score guna mengukur keakuratannya dalam mendeteksi lubang. Hasil penelitian menunjukkan bahwa pendekatan ini berpotensi tinggi untuk diterapkan dalam sistem transportasi cerdas, guna meningkatkan keselamatan jalan serta mengurangi biaya perawatan kendaraan akibat kerusakan yang disebabkan oleh lubang jalan.
Co-Authors Anderson, Francis Andreas Widjaja Budiman, Vincent Elbert Lehman, Andrew Sebastian Mewati Ayub Renata, Erick Tjandrasa, Benny Budiawan