Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal PROSIDING CSGTEIS 2013 REKAYASA Jurnal Teknologi Informasi dan Terapan (J-TIT) Journal of Technology and Informatics (JoTI) Sains Data Jurnal Studi Matematika dan Teknologi
Vivi Tri Widyaningrum
Universitas Trunojoyo Madura
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Mathematics Mechanical Engineering Physics

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Rekayasa Prototype Smart Home berbasis Mikrokontroler Widyaningrum, Vivi Tri; Pramudita, Yoga Dwitya
Rekayasa Vol 10, No 2: Oktober 2017
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (668.394 KB) | DOI: 10.21107/rekayasa.v10i2.3610

Abstract

Teknologi smart home saat ini telah banyak dikembangkan, diantaranya adalah sistem otomasi dan keamanan rumah. Dalam sistem otomasi rumah yang dikembangkan adalah sistem lampu, kipas angin, dan kran air wudhu otomatis. Sistem otomasi rumah ini dikembangkan dengan tujuan untuk mendukung program penghematan listrik dan juga air. Kemudian dalam sistem keamanan rumah yang dikembangkan diantaranya adalah sistem pendeteksi kebocoran gas dan juga kebakaran. Sistem pendeteksi kebocoran gas dikembangkan dengan tujuan untuk mencegah kebocoran gas berlanjut sehingga dapat meminimalisir terjadinya ledakan. Kemudian dalam sistem pendeteksi kebakaran dibangun dengan tujuan untuk mencegah terjadinya kebakaran yang meluas yaitu dengan dilengkapi alat pemadam kebakaran. Teknologi smart home yang dikembangkan, baik pada sistem otomasi rumah maupun keamanan akan dikontrol secara terpusat oleh mikrokontroler. Tujuan pengembangan ini adalah agar rumah dapat menjadi rumah yang efisien dengan adanya penghematan listrik dan juga penghematan air, serta dapat menjadi tempat tinggal yang aman dan nyaman.Kata Kunci: rumah pintar, lampu otomatis, kipas angin otomatis, kran air wudhu otomatis, pendeteksi kebocoran gas, pendeteksi kebakaran ABSTRACTSmart home technology today has been widely developed, including the home automation and security systems. In the home automation system developed is a system of lights, fans, and faucet water ablution automatically. This home automation system was developed for the purpose of supporting electricity and water conservation programs. Then in the home security system developed among them is a gas leak detection system and also fire. Gas leak detection systems are developed with the aim of preventing gas leakage from continuing so as to minimize explosion. Then in the fire detection system was built with the aim to prevent the occurrence of widespread fire that is equipped with fire extinguishers. Smart home technology developed, both in home automation systems and security will be controlled centrally by the microcontroller. The purpose of this development is for the house to be an efficient house with electricity savings as well as water savings, and can be a safe and comfortable place to live.Keywords: smart home, automatic lighting, automatic fan, automatic water tap, gas leak detection, fire detection
KLASIFIKASI MUTU JERUK NIPIS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) Romadhon, Ahmad Sahru; Widyaningrum, Vivi Tri
Rekayasa Vol 8, No 2: Oktober 2015
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (441.199 KB) | DOI: 10.21107/rekayasa.v8i2.2065

Abstract

Pemanfaatan buah jeruk nipis sudah lama dikenal oleh masyarakat Indonesia dan memiliki nilai ekonomi yang tinggi. Harga buah jeruk nipis ditentukan oleh mutu yang didasarkan pada tingkat ketuaan dan kematangan. Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) memiliki kemampuan untuk melatih pola-pola yang merupakan neural network based on competition. Untuk itu, dalam penelitian ini, akan dibuktikan kemampuan JST LVQ tersebut dengan mengembangkan aplikasi untuk mengidentifikasi mutu jeruk nipis berdasarkan warna jeruk tersebut. Buah jeruk nipis diidentifikasi berdasarkan input histogram warna citra yang didapat dari hasil capture menggunakan kamera. Dari 20 sampel pola data jeruk nipis dengan tingkatan yang berbeda diinputkan pada jaringan syaraf tiruan Learning Vector Quantization (LVQ) untuk menghasilkan nilai bobot akhir. Klasifikasi mutu jeruk nipis ini menggunakan metode LVQ ini berhasil dengan tingkat keberhasilan identifikasi 76%. Dari hasil identifikasi yang telah dilakukan menghasilkan empat output identifikasi yaitu jeruk nipis muda 82%, setengah matang  76%, matang 80%, dan busuk 66 %.Utilization of lemon have been long time known by the indonesian  people and has a high economic value. Lemon price is determined by the quality of which is based on the rate of aging and maturity. Neural Network Learning Vector Quantization (LVQ) has the ability to train the patterns of neural network which is based on competition. Therefore, in this research, will prove the ANN LVQ ability to develop applications to identify quality lemon by the lemon color. The lemon were identified based on the input image histogram color obtained from  capture using camera. Of the 30 samples of data patterns lime with different levels of input on neural network Learning Vector Quantization (LVQ) to produce a final weight value. Lime quality classification using LVQ method is successful with identification success rate of 76%. From the results of identification that has been done produces four outputs, namely the identification of young lime 82%, 76% half-ripe, 80% ripe, and 66% rotten.
PERANCANGAN PERANGKAT LUNAK PENJADWALAN MATA KULIAH DI FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MADURA Vivi Tri Widyaningrum; Sri Wahyuni
Jurnal Teknologi Informasi dan Terapan Vol 3 No 1 (2016)
Publisher : Jurusan Teknologi Informasi Politeknik Negeri Jember

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

Abstract

Scheduling of the courses is a very complex problem and requires precision, and should be based on rules (constraints) scheduling applies to generate an optimal schedule. UTM's Faculty of Engineering is currently in charge of six courses and the even semester FY 2014 -2015 has begun implementing a centralized scheduling system in a faculty that is directly under the direction of Assistant Dean I. In a centralized scheduling system was introduced lecturers sharing, which means that a professor can teach in several different study programs. This leads to the possibility of conflicting lecture schedules so great that in this scheduling need to be checked on a schedule of all courses of study in order to schedule formed in accordance with the rules (constraints) applies. Currently the process of scheduling at the Faculty of Engineering UTM still usin g traditional methods, namely the preparation of manually so that the design of the scheduling of courses with the method of simulated annealing (SA) this needs to be made, in order to begin to be made centralized scheduling can be made more optimal. In addition, the scheduling will be more easily modified if there are changes to the schedule of lectures.
Artificial Neural Network Backpropagation dengan Momentum untuk Prediksi Surface Roughness pada CNC Milling Vivi Tri Widyaningrum
PROSIDING CSGTEIS 2013 CSGTEIS 2013
Publisher : PROSIDING CSGTEIS 2013

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

Abstract

Abstrak—Salah satu indikator baik tidaknya suatu produk dari proses pemesinan milling adalah surface roughness (kekasaran permukaan) dari produk tersebut. Teknik untuk memprediksi surface roughness suatu produk seharusnya dikembangkan sebelum milling digunakan yaitu untuk mengevaluasi kesesuaian (fitness) dari parameter pemotongan untuk mencapai surface roughness yang diinginkan. Prediksi surface roughness dilakukan dengan menggunakan algoritma back-propagation neural network dan dengan proses pembelajaran gradient descent yang dimodifikasi yaitu dengan memberikan momentum. Tujuan dari proses pemberian momentum ini untuk menghindari terjadinya minimum lokal pada algoritma ANN backpropagation yang standar sehingga dapat dihasilkan surface roughness yang lebih baik dan juga untuk mempercepat proses prediksi. Dari hasil prediksi dengan menggunakan ANN Backpropagation yang standar dihasilkan nilai rata-rata persentase error sebesar 8.01% dengan jumlah epoch 13.906.950 dan untuk proses prediksi surface roughness dengan menggunakan ANN Backpropagation dengan momentum di akhir menghasilkan nilai rata-rata persentase error sebesar 7.03% dengan jumlah epoch 17.090.049. Sedangkan pada proses prediksi surface roughness dengan menggunakan ANN Backpropagation dengan momentum pada perubahan bobot dihasilkan nilai rata-rata persentase error sebesar 7.99% dengan jumlah epoch 9.223.441. Hal ini menunjukkan bahwa pada metode ANN Backpropagation, momentum lebih baik diberikan pada saat nilai rata-rata persentase error yang dihasilkan sudah mulai naik, walaupun prosesnya membutuhkan waktu yang cukup lama yaitu dengan jumlah epoch paling banyak dibandingkan kedua metode yang lain. Kemudian, untuk mempercepat proses prediksi maka momentum dapat diberikan pada perubahan bobot dan hal ini juga dapat menghasilkan nilai prediksi yang lebih baik dibandingkan dengan prediksi surface roughness dengan ANN Backpropagation yang standar.Kata kunci—CNC milling; surface roughness; artificial neural network; momentum; minimum lokal
Kendali Suhu Otomatis pada Proses Distilasi Batang Sereh menggunakan Metode PID Achmad Kusairi Sam; Ahmad Sahru Romadhon; Vivi Tri Widyaningrum; Denisa Putri Ayu Lestari
Sains Data Jurnal Studi Matematika dan Teknologi Vol 3, No 2: July-December 2025
Publisher : Institut Nurul Islam Mojokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52620/sainsdata.v3i2.204

Abstract

Kebutuhan manusia dengan bahan bakar tidak akan bisa dipisahkan dan akan selalu bertambah kebutuhannya. Jika kebutuhan akan bahan bakar terus berlanjut, krisis bahan bakar di masa depan tidak dapat dihindarkan. Ketergantungan manusia pada bahan bakar fosil mendorong pengembangan energi terbarukan, salah satunya melalui proses distilasi. Namun, suhu tabung distilasi dan kondensor harus dikontrol dengan ketat untuk memastikan efisiensi proses. Suhu yang terlalu tinggi pada tabung distilasi ( lebih dari 90 °C) dapat menurunkan kualitas hasil penyulingan, sedangkan suhu air hasil sirkulasi kondensor sebesar 25 °C untuk mendukung proses kondensasi yang optimal. Dengan demikian solusi yang diberikan adalah dengan merancang kendali suhu otomatis pada proses distilasi. Penelitian ini menggunakan autonics TC4S sebagai regulator temperatur dari proses distilasi yang dihubungkan dengan sensor RTD dan pada kondensor menggunakan sensor suhu DS18B serta pompa DC. Suhu pada distilasi akan dijaga kestabilannya pada rentang suhu 85 °C - 90 °C, sedangkan pada air hasil sirkulasi kondensor jika suhu mencapai 35 °C maka akan didinginkan hingga mencapai suhu 25 °C. Hasil pada akan membandingkan hasil distilasi menggunakan metode dan tanpa metode (manual). Setelah dilakukan pengujian hasil menunjukan bahwa kuantitas minyak yang dihasilkan dengan metode sebesar 500 ml, sedangkan tanpa metode 170 ml. Parameter PID yang digunakan sebesar Kp 0,1, Ki 2,1, dan Kd 0.4 pada TC4S dan Kp 7, Ki 2, dan Kd 4 pada sensor DS18B20
A Real-Time Human-Drone Interaction System for Cornfield Perimeter Monitoring Using Hand Gesture Control Fadzillah Akbar Subkhi; Muhammad Fuad; Sri Wahyuni; Achmad Imam Sudianto; Vivi Tri Widyaningrum; Ach. Dafid
Journal of Technology and Informatics (JoTI) Vol. 8 No. 1 (2026): Vol. 8 N. 1 (2026)
Publisher : Universitas Dinamika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37802/joti.v8i1.1314

Abstract

Perimeter monitoring in agricultural fields is essential for maintaining security and ensuring continuous observation of field conditions. This study develops a real-time human–drone interaction system using hand-gesture recognition based on MediaPipe Hands and a Support Vector Machine (SVM) classifier. A custom dataset of 24,000 images across 12 gesture classes was collected and converted into 42 hand landmarks (x, y, z), normalized relative to the wrist point. The SVM model with an RBF kernel was trained using an 80:20 split and achieved a testing accuracy of 99.18%. The system operates at 109 FPS with an average latency of 9.16 ms, enabling rapid and reliable drone responses to gesture commands. Field testing in a cornfield with FPV camera visualization demonstrated that the system consistently recognized gestures in varying outdoor lighting, allowing drones to execute precise perimeter checks and maneuvers. These results highlight the significant potential of integrating gesture recognition with drone control, providing a practical, real-world solution that advances smart farming, increases agricultural efficiency, and supports technological progress toward Sustainable Development Goals. The proposed system thus offers a lightweight, responsive, and impactful tool for modern agricultural perimeter monitoring.
Brush-shaped Motion Gesture of UGV Using Hand Gesture Recognition Agus Murdiono Agus; Muhammad Fuad; Hairil Budiarto; Faikul Umam; Vivi Tri Widyaningrum; Achmad Imam Sudianto
Journal of Technology and Informatics (JoTI) Vol. 8 No. 1 (2026): Vol. 8 N. 1 (2026)
Publisher : Universitas Dinamika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37802/joti.v8i1.1315

Abstract

Manual observation of corn leaf diseases in agricultural fields often faces challenges related to time, effort, and accuracy. To address these challenges, brush-shaped motion patterns, such as zig-zag and boustrophedon trajectories, provide an effective solution by enabling uniform area coverage while reducing redundant traversal, energy consumption, and sensing gaps, making them well-suited for precision agriculture applications. Building on this approach, the system utilizes the MediaPipe framework for hand landmark tracking and the K-Nearest Neighbors (KNN) algorithm to recognize six navigation commands: forward, backward, stop, turn_right, turn_left, and capture. These commands are transmitted via Wi-Fi with an average latency of 0.001964 s. To ensure navigation accuracy during pattern execution, corrections are made using rotary encoders. Gesture classification experiments on 6,000 samples achieved a maximum accuracy of 99.46% across two participants, with stable KNN performance under both indoor and outdoor lighting variations, as well as hand distances ranging from 50 cm. Furthermore, the capture gesture produced an average image acquisition latency of 0.3037 s at various UGV observation positions. In summary, these results demonstrate that integrating real-time gesture control with UGV maneuvers enables systematic field surveys for maize leaf disease monitoring and supports Sustainable Development Goal (SDG) 2 through precision agriculture technology.
Co-Authors Achmad Kusairi Sam Agus Murdiono Agus Ahmad Sahru Romadhon Ahmad Sahru Romadhon Dafid, Ach Denisa Putri Ayu Lestari Fadzillah Akbar Subkhi Faikul Umam Hairil Budiarto Muhammad Fuad Pramudita, Yoga Dwitya Sri Wahyuni Sudianto, Achmad Imam