Garuda - Garba Rujukan Digital

APLIKASI CARSECURE MENGGUNAKAN FRAMEWORK FLUTTER UNTUK MEMBANTU OPTIMALISASI SISTEM IOT CARSECURE Affan, Taryono Ibnu; Dian Ade Kurnia; Irfan Ali
Jurnal Informatika dan Teknik Elektro Terapan Vol. 14 No. 1 (2026)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v14i1.8412

Perkembangan teknologi informasi memberikan pengaruh besar terhadap sistem keamanan kendaraan modern, khususnya melalui pemanfaatan Internet of Things (IoT) yang memungkinkan perangkat saling terhubung dan dikendalikan secara jarak jauh. Penelitian ini bertujuan mengembangkan aplikasi CarSecure berbasis Flutter untuk mengoptimalkan sistem keamanan kendaraan IoT dengan fitur utama seperti pemantauan lokasi real-time, pengendalian mesin jarak jauh, dan notifikasi keamanan. Pengembangan dilakukan menggunakan model Waterfall, mencakup analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Aplikasi ini terintegrasi dengan perangkat ESP32, modul GPS, dan relay, serta menggunakan Firebase Realtime Database sebagai media komunikasi data dua arah. Hasil evaluasi menunjukkan bahwa aplikasi mampu mengeksekusi perintah “Matikan Mesin” dengan waktu respon rata-rata 2–3 detik, memberikan notifikasi keamanan dalam waktu kurang dari 5 detik, serta menampilkan akurasi GPS dengan deviasi ±7 meter. Koneksi antara aplikasi dan perangkat IoT juga terbukti stabil dengan tingkat kestabilan 100% selama 30 menit pengujian tanpa putus. Evaluasi kepuasan pengguna terhadap 20 responden menghasilkan skor rata-rata 4.46, dengan aspek kemudahan penggunaan (4.6), kecepatan respon sistem (4.5), tampilan antarmuka (4.5), dan keandalan sistem (4.3). Berdasarkan hasil tersebut, aplikasi CarSecure dinilai responsif, akurat, mudah digunakan, dan efektif dalam mendukung keamanan kendaraan berbasis IoT, serta memiliki potensi untuk dikembangkan lebih lanjut dengan fitur keamanan berbasis kecerdasan buatan.

Pengaruh Augmentasi Data dan Dropout terhadap Generalisasi Model Deteksi Kerusakan Panel Surya Irfan Ali; Rudi Kurniawan; Dadang Sudrajat; Saeful Anwar; Nining Rahaningsih
Prosiding SISFOTEK Vol 9 No 1 (2025): SISFOTEK IX 2025
Publisher : Ikatan Ahli Informatika Indonesia

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

Automatic defect detection in photovoltaic (PV) panels is a crucial challenge for maintaining energy efficiency and reliability in renewable power systems. However, the limited availability of labeled datasets and high environmental variability often lead deep learning models to overfit and lose generalization capability. This study investigates the combined effects of data augmentation and dropout regularization on improving the generalization performance of transfer learning-based models for multi-class PV defect classification. Two pretrained architectures, VGG16 and InceptionV3, were fine-tuned using the Faulty Solar Panel dataset comprising six defect categories. Experiments were conducted under three main configurations: (1) baseline without regularization, (2) augmentation only, and (3) combined augmentation–dropout with dropout rates of 0.2, 0.3, and 0.5. Performance evaluation employed accuracy, precision, recall, macro-F1, and confusion matrix analysis for each defect class. The results demonstrate that the combination of data augmentation and moderate dropout (0.3) significantly enhances generalization, achieving 92.10% accuracy and 0.90 macro-F1 with the InceptionV3 architecture. Higher dropout values (0.5) caused slower convergence and decreased accuracy. These findings confirm that balanced integration of augmentation and dropout effectively mitigates overfitting and strengthens model robustness under limited and imbalanced data conditions. The proposed approach provides practical implications for implementing reliable, lightweight, and deployable deep learning-based inspection systems in real-world PV monitoring using edge computing devices.

Perancangan Sistem Informasi Manajemen Gudang Spare Part Berbasis Website Qosdu Sabil; Dian Ade Kurnia; Irfan Ali
Prosiding SISFOTEK Vol 9 No 1 (2025): SISFOTEK IX 2025
Publisher : Ikatan Ahli Informatika Indonesia

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

The rapid growth of information technology has significantly influenced industrial operations, including the petrochemical sector, where efficient spare part management is crucial to ensure continuous production. This study aims to design a web-based spare part warehouse management information system capable of managing inventory data in real-time and reducing operational inefficiencies. The system was developed using the waterfall model through several stages: requirement analysis, system design, implementation, testing, and maintenance. The application was built using PHP programming language with the Laravel framework and MySQL database. The developed system features user authentication, role-based access control, equipment and part management, stock monitoring, issue and receipt transactions, and report generation in PDF format. Testing using the black box method indicates that all functionalities perform as expected. The system enhances efficiency in spare part tracking, minimizes delays in equipment maintenance, and supports accurate stock recording. Therefore, the proposed system can be an effective solution for improving warehouse management performance within the petrochemical industry.

Analisis Dan Prediksi Risiko Kelahiran Bayi Menggunakan K-Means Dan Deep Neural Network (DNN) Mukhlisin Ilahudin; Nana Suarna; Agus Bahtiar; Mulyawan; Irfan Ali
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.206

Risiko kelahiran bayi merupakan indikator penting dalam evaluasi kesehatan ibu dan anak sehingga diperlukan pendekatan analitis yang mampu mengidentifikasi pola risiko secara akurat. Penelitian ini bertujuan menganalisis dan memprediksi risiko kelahiran bayi dengan mengintegrasikan metode K-Means dan Deep Neural Network (DNN). Dataset yang digunakan terdiri dari 983 data rekam medis ibu hamil yang telah melalui tahap pengumpulan data, pembersihan, dan preprocessing meliputi normalisasi, encoding variabel kategorikal, penanganan outlier, serta seleksi fitur. Metode K-Means digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik klinis guna membentuk representasi pola risiko awal, yang selanjutnya digunakan sebagai fitur tambahan pada model DNN. Model DNN dirancang menggunakan beberapa hidden layer dengan fungsi aktivasi ReLU dan regularisasi dropout. Hasil pengujian menunjukkan bahwa model menghasilkan akurasi sebesar 61,93% dan nilai ROC AUC sebesar 0,6402, yang mengindikasikan performa moderat dalam memprediksi risiko kelahiran bayi. Stabilitas kurva loss dan akurasi menunjukkan proses pelatihan yang berjalan dengan baik tanpa overfitting signifikan. Secara praktis, model ini berpotensi digunakan sebagai alat bantu awal bagi tenaga kesehatan dalam mengidentifikasi ibu hamil dengan risiko kelahiran lebih tinggi sehingga dapat dilakukan pemantauan dan intervensi lebih dini.

Analisis Dan Prediksi Risiko Kelahiran Bayi Menggunakan K-Means Dan Deep Neural Network (DNN) Mukhlisin Ilahudin; Nana Suarna; Agus Bahtiar; Mulyawan; Irfan Ali
Jurnal Sistem Informasi dan Teknologi Vol 6 No 1 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i1.206

Risiko kelahiran bayi merupakan indikator penting dalam evaluasi kesehatan ibu dan anak sehingga diperlukan pendekatan analitis yang mampu mengidentifikasi pola risiko secara akurat. Penelitian ini bertujuan menganalisis dan memprediksi risiko kelahiran bayi dengan mengintegrasikan metode K-Means dan Deep Neural Network (DNN). Dataset yang digunakan terdiri dari 983 data rekam medis ibu hamil yang telah melalui tahap pengumpulan data, pembersihan, dan preprocessing meliputi normalisasi, encoding variabel kategorikal, penanganan outlier, serta seleksi fitur. Metode K-Means digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik klinis guna membentuk representasi pola risiko awal, yang selanjutnya digunakan sebagai fitur tambahan pada model DNN. Model DNN dirancang menggunakan beberapa hidden layer dengan fungsi aktivasi ReLU dan regularisasi dropout. Hasil pengujian menunjukkan bahwa model menghasilkan akurasi sebesar 61,93% dan nilai ROC AUC sebesar 0,6402, yang mengindikasikan performa moderat dalam memprediksi risiko kelahiran bayi. Stabilitas kurva loss dan akurasi menunjukkan proses pelatihan yang berjalan dengan baik tanpa overfitting signifikan. Secara praktis, model ini berpotensi digunakan sebagai alat bantu awal bagi tenaga kesehatan dalam mengidentifikasi ibu hamil dengan risiko kelahiran lebih tinggi sehingga dapat dilakukan pemantauan dan intervensi lebih dini.

Title

Found 25 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 25 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 25 Documents
Search