Article Per Year (5 Year)
p-Index From 2021 - 2026
3
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Bulletin of Electrical Engineering and Informatics Bulletin of Electrical Engineering and Informatics JAIS (Journal of Applied Intelligent System) EMITTER International Journal of Engineering Technology JURNAL NASIONAL TEKNIK ELEKTRO InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Bulletin of Electrical Engineering and Informatics Sistemasi: Jurnal Sistem Informasi JOURNAL OF APPLIED INFORMATICS AND COMPUTING JMM (Jurnal Masyarakat Mandiri) Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) J-Dinamika: Jurnal Pengabdian Kepada Masyarakat Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Journal of Advanced in Information and Industrial Technology (JAIIT) Jurnal Pengabdian Masyarakat Indonesia eProceedings of Engineering Journal of Future Artificial Intelligence and Technologies Sasambo: Jurnal Abdimas (Journal of Community Service)
Farah Zakiyah Rahmanti
Telkom University
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Library & Information Science Public Health Social Sciences Other

Published : 30 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search
Journal : eProceedings of Engineering

 1 
Deteksi Emosi pada Ekspresi Wajah Manusia Menggunakan Convolutional Neural Network (CNN) Berbasis Android Kristoforus Ferel Viandito; Farah Zakiyah Rahmanti; Yohanes Setiawan
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Pada era teknologi digital saat ini, teknologi pengolahan citra menjadi salah satu yang berkembang pesat. Hal ini bersamaan juga dengan perkembangan pesat pada teknologi bidang Artificial Intelligence (AI) yang relevan pada bidang teknologi pengenalan wajah dan deteksi emosi. Penelitian ini mengembangkan sebuah sistem deteksi emosi pada wajah dengan menggunakan Convolutional Neural Network (CNN) yang didesain untuk mengolah data dua dimensi yang dijalankan pada sistem Android. Dengan mengetahui ekspresi emosi seseorang, maka seseorang dapat dinilai kondisi psikologinya dengan bantuan mesin. Sistem ini dapat digunakan pada beberapa bidang seperti bidang kesehatan. Dengan sistem deteksi emosi maka tenaga medis dapat memantau dan menentukan pemberian dukungan apa yang dibutuhkan pasien. Model pada sistem penelitian ini dijalankan dengan model CNN dengan konfigurasi hyperparameter batch size 256, jumlah epoch 76, dan dropout rate sebesar 50%, serta menggunakan optimizer Adam. Hasil dari pengujian model ini menunjukkan angka akurasi sebesar 84% yang cukup baik. Melalui penelitian ini, diharapkan memberi kontribusi dalam pengembangan teknologi citra digital untuk deteksi emosi manusia menggunakan CNN yang diimplementasikan pada aplikasi Android. Diharapkan juga dengan penelitian ini dapat mendorong motivasi penelitian dengan teknologi yang serupa di masa depan. Kata kunci— Android, CNN, AI, hyperparameter.
Deteksi Kerusakan Badan Kontainer di Gate-In PT Berlian Jasa Terminal Indonesia Menggunakan YOLOv11 Muhammad Najib Miftahul Huda; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Kerusakan pada badan kontainer menjadi tantangan utama dalam industri logistik, terutama bagi perusahaan pelabuhan seperti PT Berlian Jasa Terminal Indonesia (BJTI). Proses verifikasi kerusakan yang masih dilakukan secara manual menyebabkan potensi kesalahan, keterlambatan, dan penurunan kepercayaan pelanggan. Oleh karena itu, penelitian ini bertujuan untuk merancang, mengembangkan, dan mengevaluasi sistem deteksi otomatis kerusakan kontainer. Penelitian ini melakukan studi perbandingan antara YOLOv11 dengan model pembanding lainnya (YOLOv8, YOLOv9, dan YOLOv10) untuk menemukan arsitektur terbaik, yang kemudian diintegrasikan dengan sistem web sebagai antarmuka pemantauan. Model dilatih menggunakan dataset gabungan dari CCTV pelabuhan dan sumber publik. Hasil pengujian menunjukkan bahwa YOLOv11 menjadi model paling unggul, mencapai performa akurasi tertinggi dengan mAP@0.5 sebesar 53.44%, Precision 66.97%, dan Recall 50.69%. Dari sisi kecepatan, sistem yang diuji pada CPU menunjukkan waktu inferensi rata-rata 123.90 ms per gambar, yang juga merupakan kinerja tercepat dibandingkan model pembanding lainnya, membuktikan efisiensinya untuk implementasi operasional. Hasil deteksi secara otomatis diunggah ke server dan ditampilkan pada antarmuka web yang dibangun menggunakan framework CodeIgniter 4. Evaluasi menunjukkan bahwa integrasi antara model deteksi dan sistem web berjalan dengan baik dan stabil. Sistem ini diharapkan dapat menjadi solusi aplikatif berbasis computer vision untuk meningkatkan efisiensi dan akurasi dalam pengawasan kontainer di lingkungan pelabuhan. Kata kunci — Deteksi kerusakan kontainer, YOLOv11, Pelabuhan
Identifikasi Nomor Kontainer Menggunakan Resnet-50 Pada Gate-In PT. Pelindo Berlian Jasa Terminal Indonesia (Bjti) Berbasis Website Muhammad Ali Ridho; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Proses pencatatan nomor kontainer secara manual di area gate-in PT Pelindo Berlian Jasa Terminal Indonesia (BJTI) masih menimbulkan berbagai kendala seperti kesalahan pencatatan, keterlambatan pemrosesan data, dan kesulitan validasi dalam kasus klaim kerusakan. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sistem identifikasi nomor kontainer otomatis berbasis deep learning yang terdiri dari tiga tahap utama, yaitu: deteksi area nomor kontainer menggunakan model YOLOv11, segmentasi karakter dengan model YOLOv11 lainnya, serta klasifikasi karakter menggunakan arsitektur ResNet-50. Dataset pada setiap tahap dikumpulkan dari lingkungan nyata di pelabuhan dan telah dianotasi secara manual. Model deteksi area nomor kontainer yang dilatih dengan optimizer AdamW selama 200 epoch menghasilkan mAP@0.5 sebesar 96.8%, precision 97.1%, dan recall 95.4%. Pada tahap segmentasi karakter, model mencatatkan mAP@0.5 sebesar 94.3%, precision 95.2%, dan recall 93.7%. Sedangkan pada tahap klasifikasi karakter menggunakan ResNet-50, akurasi tertinggi yang diperoleh mencapai 98.6%, dengan precision 98.9%, recall 98.3%, dan F1-score 98.6%. Seluruh sistem kemudian diintegrasikan ke dalam platform berbasis web untuk mendukung operasional, memungkinkan penyimpanan hasil deteksi dalam bentuk teks dan gambar, serta dilengkapi fitur login, pencarian data, dan tampilan statistik. Evaluasi menunjukkan bahwa sistem mampu beroperasi dengan efisien dan akurat di berbagai kondisi pencahayaan dan sudut pandang kamera. Sistem ini diharapkan dapat meningkatkan efisiensi, akurasi, dan transparansi pencatatan nomor kontainer di lingkungan operasional pelabuhan. Kata kunci— sistem deteksi otomatis, YOLOv11, ResNet-50, nomor kontainer, pengolahan citra, pelabuhan, website.
Pengenalan Wajah Untuk Sistem Presensi Menggunakan Convolutional Neural Network M. Rafi Hizdarandha Riswant; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Penelitian ini bertujuan mengatasi permasalahan sistem presensi karyawan manual yang rentan terhadap manipulasi dan kecurangan dari setiap individu, serta kebutuhan akan sistem presensi otomatis berbasis pengenalan wajah yang akurat dan andal, khususnya untuk membatasi akses keluar-masuk keruang Server DRC di PT. Pelindo Marine Service. Sebagai solusi, penelitian ini bertujuan untuk merancang dan membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu InceptionV3, ResNet50, dan VGG16, dalam penerapan sistem pengenalan wajah. Dataset wajah yang digunakan diambil pada saat magang dan telah melalui tahap cropping secara otomatis menggunakan metode atau model MTCNN, pada tiga skenario training dataset yang berbeda berdasarkan jumlah epoch: 50, 80, dan 100. Evaluasi dilakukan terhadap akurasi pelatihan, akurasi validasi, serta efisiensi waktu pelatihan dari masing-masing arsitektur. Hasil penelitian menunjukkan bahwa arsitektur VGG16 memberikan performa terbaik dengan akurasi validasi tertinggi sebesar 99,31% pada epoch ke-100, meskipun membutuhkan waktu pelatihan lebih lama. VGG16 menempati posisi kedua dengan akurasi validasi 96,74%, namun lebih efisien dari sisi durasi pelatihan. Namun pada saat ditahap pengujian atau demo hasil arsitektur VGG16 menjadikannya pilihan yang kurang baik untuk implementasi pada dataset yang digunakan, dilanjutkan dengan arsitektur Resnet50 yang sedikit lebih baik dari segi classification pada saat tes pengujian hasil. Untuk hasil yang terbaik didapatkan oleh arsitektur InceptionV3 yang hasil Accuracy nya mendapatkan 78% dari hasil classification report. Dari hasil evaluasi tersebut, dapat disimpulkan bahwa InceptionV3 paling direkomendasikan untuk sistem pengenalan wajah yang membutuhkan akurasi tinggi, hal ini bisa dibuat bahan acuhan untuk mencari mana hasil terbaik untuk sistem pengenalan wajah untuk karyawan. Sistem yang dikembangkan memiliki potensi untuk diterapkan di lingkungan kerja seperti PT. Pelindo Marine Service. Kata kunci—Pengenalan wajah, Computer Vision, InceptionV3, Resnet50, VGG16, Deep learning
Peramalan Penjualan Dan Jumlah Stok Aman Roti Menggunakan Long Short-Term Memory (Studi Kasus Di Efrata Bakery) Dean Igo Wibowo; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Industri roti di Indonesia terus berkembang seiring meningkatnya permintaan roti sebagai alternatif makanan pokok. Namun, usaha roti skala kecil seperti Efrata Bakery kerap menghadapi tantangan dalam meramalkan penjualan akibat fluktuasi permintaan, faktor musiman, dan perubahan preferensi konsumen. Hal ini dapat menyebabkan ketidaktepatan perencanaan stok, risiko overstock, hingga menurunnya kualitas layanan. Penelitian ini mengembangkan sistem peramalan penjualan harian menggunakan metode Long Short-Term Memory (LSTM), teknik deep learning yang efektif untuk data time-series. Model dikembangkan secara univariate per jenis roti dan dilengkapi proses deteksi serta penanganan anomali pada data historis untuk meningkatkan akurasi. Hasil evaluasi menunjukkan rata-rata Mean Absolute Precentage Error (MAPE) sebesar 10.84%, menandakan performa prediksi yang baik. Sistem tidak hanya memprediksi penjualan H+1, tetapi juga merekomendasikan jumlah stok produksi harian dengan mempertimbangkan stok sisa. Pendekatan ini memungkinkan penyesuaian jumlah produksi secara adaptif untuk menghindari overstock maupun stockout. Sistem diimplementasikan dalam bentuk aplikasi web yang memudahkan pemilik toko dalam mengakses informasi prediksi dan rekomendasi stok. Dengan sistem ini, Efrata Bakery dapat mengoptimalkan perencanaan produksi dan meningkatkan kepuasan pelanggan. Kata kunci Peramalan Penjualan, Long Short-term Memory, Industri roti, time-series, deep learning.
Sistem Parkir Otomatis Berbasis IoT Berdasarkan Deteksi Plat Nomor Kendaraan Menggunakan YOLOv8 DAN ResNet50 Widi Pangestu Danar Wijanarko; Muhammad Adib Kamali; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Identifikasi kendaraan manual untuk sistem parkir konvensional di Universitas Telkom Surabaya mengakibatkan masalah keamanan karena petugas tidak selalu berada di tempat parkir setiap saat. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem parkir otomatis yang mampu mendeteksi plat nomor kendaraan serta membuka palang pintu secara otomatis berdasarkan verifikasi identitas mahasiswa menggunakan Kartu Tanda Mahasiswa (KTM) berbasis RFID. Sistem ini menggabungkan model YOLOv8 untuk mendeteksi dan melakukan deteksi karakter pada plat nomor kendaraan, model ResNet-50 untuk melakukan klasifikasi karakter, sistem IoT untuk verifikasi identitas menggunakan RFID, serta sistem monitoring berbasis web. Hasil pengujian menunjukkan bahwa model YOLOv8 mencapai precision sebesar 92% dan mAP50 sebesar 88% pada deteksi plat nomor, sedangkan model deteksi karakter mencapai precision sebesar 85% dan mAP50 sebesar 85%. Model ResNet50 untuk klasifikasi karakter mencapai akurasi rata-rata sebesar 98% dengan rata-rata nilai F1-Score pada setiap kelas diatas 95%. Sistem juga berhasil dijalankan pada perangkat edge computing menggunakan Raspberry Pi 5, dengan waktu pemrosesan keseluruhan sekitar 3 - 4 detik. Dengan adanya sistem ini dapat meningkatkan efisiensi, keamanan, dan kenyamanan dalam pengelolaan parkir kampus secara otomatis. Kata kunci— Sistem Parkir Otomatis, YOLOv8, ResNet50, IoT, edge Computing
Co-Authors Achmad Nuruddin Safriandono Adhitya Nugraha Adi, Prajanto Wahyu Ainin Fadlilah, Annisa Akhmad Dahlan Anas Ittaqullah Ardian Yusuf Wicaksono Ardyono Priyadi Arkav Juliandri Ataka, Ion Berliana Amelia Bernadus Anggo Seno AjiAji Daniel Happy Putra De Rosal Ignatius Moses Setiadi Dean Igo Wibowo Diah Puspito Wulandari Dimas Bagus Saputro Edy Winarno Eko Mulyanto Yuniarno Fahri Firdausillah Helmy Widyantara Heru Agus Santoso Ignatia Indreswari Ilmirrizki Imaduddin Ion Ataka Iwan Setiawan Wibisono Juniyanto, Muhammad Ma'sum Khodijah Amiroh Kristoforus Ferel Viandito M. Rafi Hizdarandha Riswant Mauridhi Hery Purnomo Moch. Iskandar Riansyah Mohammad Hamim Zajuli Al Faroby Muhammad Adib Kamali Muhammad Ali Ridho Muhammad Hasan Basri Muhammad Iqbal Maulana Muhammad Najib Miftahul Huda Muhammad Rafi Irzam Novita Kurnia Ningrum Nurdin, Abdul Muhamin Nusyura, Fauzan Oddy Virgantara Putra Ojugo, Arnold Adimabua Oktavia Ayu Permata Pangestu Widodo, Pangestu Philip Tobianto Daely Prajanto Wahyu Adi Prajanto Wahyu Adi Ramadhan, Muhammad Akbar Rose, Clarenza Dixie Septian Enggar Sukmana Setyawan, Nathanael Ferdian Putra Tri Arief Sardjono Widi Pangestu Danar Wijanarko Wincoko Putro, Fidi Yohanes Setiawan