Article Per Year (5 Year)
p-Index From 2021 - 2026
3.531
P-Index
This Author published in this journals
All Journal Kubik Jurnal KARISMATIKA JTAM (Jurnal Teori dan Aplikasi Matematika) Zero : Jurnal Sains, Matematika, dan Terapan Teorema: Teori dan Riset Matematika JURNAL MathEdu (Mathematic Education Journal) Sainmatika: Jurnal Ilmiah Matematika dan Ilmu Pengetahuan Alam Jambura Journal of Mathematics TRIDARMA: Pengabdian Kepada Masyarakat (PkM) Abdimas: Jurnal Pengabdian Masyarakat Universitas Merdeka Malang KUBIK: Jurnal Publikasi Ilmiah Matematika Jurnal Interaktif: Warta Pengabdian Pendidikan (JIWPP) MATHunesa: Jurnal Ilmiah Matematika Journal of Artificial Intelligence and Engineering Applications (JAIEA) Wahana Jurnal Ilmiah Teknik Informatika dan Komunikasi Innovative: Journal Of Social Science Research Amal Ilmiah: Jurnal Pengabdian Kepada Masyarakat
Dinda Kartika
Universitas Negeri Medan
Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Physics Public Health Social Sciences Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Optimisasi Penempatan Sensor Automatic Weather Station di Perkebunan Kopi Menggunakan Pendekatan Metric Dimension Graf Join Nurul Maulida Surbakti; Dinda Kartika; Zul Amry; Muhammad Ashari
Teorema: Teori dan Riset Matematika Vol 11, No 1 (2026): Maret
Publisher : Universitas Galuh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25157/teorema.v11i1.20971

Abstract

Penelitian ini bertujuan untuk menganalisis metric dimension dari graf join sebagai model matematis untuk optimasi penempatan sensor pada sistem Automatic Weather Station (AWS) berbasis Internet of Things (IoT) di perkebunan kopi. Penelitian ini dilatarbelakangi oleh kebutuhan sistem pemantauan iklim mikro yang efisien, dengan jumlah sensor minimum namun tetap mampu memberikan informasi lingkungan secara akurat dan berkelanjutan. Metode yang digunakan meliputi analisis matematis berbasis konsep resolving set dalam teori graf untuk menentukan nilai metric dimension, simulasi komputasi menggunakan algoritma Breadth-First Search (BFS) berbasis Python untuk memverifikasi hasil teoretis, serta implementasi prototipe AWS untuk pengukuran parameter lingkungan. Hasil penelitian menunjukkan bahwa metric dimension graf  adalah   untuk setiap , yang merepresentasikan jumlah minimum sensor yang diperlukan untuk membedakan seluruh titik pemantauan secara unik. Hasil simulasi komputasi konsisten dengan analisis teoretis, sehingga mengonfirmasi validitas model yang diusulkan. Implementasi prototipe AWS di lapangan menunjukkan bahwa pendekatan ini mampu menghasilkan distribusi sensor yang efisien sekaligus menyediakan data iklim mikro yang akurat. Kontribusi utama penelitian ini adalah pengembangan model optimasi penempatan sensor berbasis metric dimension pada graf join  yang diintegrasikan dengan sistem AWS berbasis IoT. Secara praktis, temuan ini berimplikasi pada peningkatan efisiensi biaya, pengurangan konsumsi energi, serta peningkatan keandalan sistem pemantauan lingkungan. Pendekatan ini juga menyediakan kerangka yang skalabel untuk optimasi penempatan sensor pada berbagai aplikasi jaringan sensor dalam pertanian presisi dan pemantauan lingkungan.
Embedded TinyML for Predicting Soil Moisture Conditions in Rice Fields Using Weather Data Nurul Maulida Surbakti; Dinda Kartika; Zu Amry; Muhammad Ashari; Riza Pahlawan
ZERO: Jurnal Sains, Matematika dan Terapan Vol 9, No 2 (2025): Zero: Jurnal Sains Matematika dan Terapan
Publisher : UIN Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30829/zero.v9i2.26551

Abstract

This study implements a lightweight TinyML model to classify soil moisture conditions and support irrigation decisions in rice cultivation, chosen over conventional cloud-based ML because it enables low-power, low-latency, fully offline inference on microcontrollers-critical for rural areas with limited connectivity. Trained on 3,021 localized microclimate records from Denai Lama Village (temperature, humidity, rainfall, cloud cover) using logistic regression for its simplicity and interpretability under resource constraints, the model was deployed on an ESP32 for real-time predictions into three classes (underwatered, optimal, overwatered). Experimental results show accuracy = 0.982 and weighted F1 = 0.982 on the validation set (ROC-AUC = 0.997), and on the held-out test set (N = 194) the model achieved 93.4% accuracy, 0.927 weighted F1 (precision 0.914; recall 0.942), and ROC-AUC = 0.988. These findings indicate that TinyML provides a practical, low-cost, and scalable edge-AI pathway for reliable, energy-efficient decision support in precision irrigation without network dependence, offering a deployable template for smallholder farming contexts.
Co-Authors Ade Andriani Anita Talia ARNAH RITONGA Cahaya, Puspa Debi Yandra Niska Debora Agnes Jessica Nainggolan Dian Septiana DIdi Febrian Erita Astrid Fevi Rahmawati Suwanto Fikri Syahputra Habibi, Rizki Hermawan Syahputra Ida Ayu Putu Sri Widnyani Insan Taufik Kana Saputra S Katrina Samosir Khoiriyati Azmi Lasker Pangarapan Sinaga Lestari, Alya Dwi Mardiana, Annisya Mingka, Rizka Annisa Misgiya, Misgiya Muhammad Ashari Muhammad Ashari Muhammad Ashari Nadrah Afiati Naibaho, Debora Elssaday Nainggolan, Agnes Margareta Nasution, Hamidah . Nasution, Muhammad Ibrohim Niska, Debi Yandra Nurhasanah Siregar Nurul Ain Farhana Nurul Maulida Surbakti Pandiangan , Petra Putri Sarinah Pasaribu, M.Arya Puspita, Maysi Raja, Rinto Manik Ramadhani, Fanny Riza Pahlawan Sinaga, Marlina Singarimbun, Riamonda Sisti Nadia Amalia Sri Dewi Surbakti, Nurul Suryani, Windi Wahyu Tri Atmojo Wiwin Handoko Zu Amry Zul Amry Zulfahmi Indra, Zulfahmi