Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal METIK JURNAL Jurnal Teknik dan Informatika Jurnal Sistem Komputer dan Informatika (JSON)
Dhanny Rukmana Manday
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering Engineering Transportation

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

Found 3 Documents
Search

 1 
ANALISIS SISTEM PENJADWALAN REAL-TIME MULTICORE PADA VIRTUALISASI RT-XEN 2.0 Dhanny Rukmana Manday
Jurnal Teknik dan Informatika Vol 6 No 2 (2019): JUTI
Publisher : UNIVERSITAS PEMBANGUNAN PANCA BUDI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (430.872 KB)

Abstract

Virtualisasi telah menyebabkan peningkatan performansi pada prosesor multicore. Integrasi sistem real-time sebagai mesin virtual diatas platform multicore juga menimbulkan tantangan untuk memenuhi persyaratan kinerja penjadwalan real-time. RT-Xen 2.0 sebagai integrasi sistem mesin virtual real-time pada platform multicore menjawab tantangan dalam hal memenuhi kebutuhan suatu sistem agar dapat menjalankan banyak task secara bersamaan tanpa terjadi saling mendahului antar setiap task yang berjalan dengan menggunakan algoritma EDF untuk dynamic-priority schedulling. Algoritma EDF bekerja lebih baik dalam menyelesaikan task secara rtglobal maupun rt-partition.
Implementasi Dan Deteksi Tong Sampah Pintar Menggunakan Esp8266 dengan Algoritma CNN Denice; Ravellia oska amanda; Eric Pradana Nst; Jaya Bardi; Dhanny Rukmana Manday
METIK JURNAL (AKREDITASI SINTA 3) Vol. 9 No. 2 (2025): METIK Jurnal
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/3w7fmh51

Abstract

Waste accumulation due to ineffective management has become a challenge in the modern era. This study designs an Internet of Things(IoT)-based smart trash bin system using ESP8266, an HC-SR04 ultrasonic sensor, and a servo motor to monitor waste volume and automatically open or close the lid. The ESP8266-CAM and a Convolutional Neural Network (CNN) model are utilized for classifying organic and inorganic waste, with data communicated to a Flutter-based mobile application via Wi-Fi. The system also integrates a GPS module and Google Maps API navigation to guide an RC car to the trash bin location. Results show the CNN model achieved a validation accuracy of 83.18%, and the system functions effectively for capacity detection and automation. This solution offers efficient household waste management, real-time monitoring, and automatic classification, helping to reduce emptying frequency, minimize physical contact, and raise environmental awareness. This research provides a foundation for further IoT development in environmental and sustainable waste management.
Implementasi Algoritma Naïve Bayes dalam Identifikasi Kejang Epilepsi dengan Menggunakan Sinyal EEG Napitupulu, Agrifa Insani; Dhanny Rukmana Manday; William Owen Wijaya; Yennimar; Mardi Turnip
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 1 (2025): September 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i1.8990

Abstract

Epilepsi merupakan gangguan neurologis kronis yang ditandai dengan aktivitas listrik abnormal di otak, yang dapat dideteksi melalui sinyal elektroensefalogram (EEG). Deteksi dini epilepsi sangat penting untuk mencegah dampak yang lebih serius terhadap kesehatan penderita. Penelitian ini bertujuan untuk mengklasifikasikan kondisi epileptik dan non-epileptik berdasarkan data EEG menggunakan algoritma Naive Bayes. Dataset yang digunakan berasal dari Kaggle dan terdiri dari 11.500 sampel sinyal EEG dengan 178 fitur numerik. Data mengalami tahap pra-pemrosesan berupa binarisasi label, normalisasi, serta reduksi dimensi menggunakan Principal Component Analysis (PCA). Selanjutnya, dilakukan pelatihan dan pengujian model Gaussian Naive Bayes dengan proporsi data latih dan uji sebesar 80:20. Hasil evaluasi menunjukkan bahwa algoritma Naive Bayes mampu memberikan performa yang baik dengan akurasi sebesar 96%, precision dan recall masing-masing sebesar 90% untuk kelas epileptik, serta nilai F1-score sebesar 90%. Temuan ini mengindikasikan bahwa model ini cukup andal dan efisien untuk klasifikasi sinyal EEG, meskipun dengan keterbatasan asumsi independensi antar fitur. Dengan demikian, algoritma Naive Bayes dapat menjadi solusi awal dalam pengembangan sistem deteksi dini epilepsi berbasis machine learning.
Co-Authors Denice Eric Pradana Nst Jaya Bardi Mardi Turnip Napitupulu, Agrifa Insani Ravellia oska amanda William Owen Wijaya Yennimar