Article Per Year (5 Year)
p-Index From 2021 - 2026
4.588
P-Index
This Author published in this journals
All Journal Jurnal Mahasiswa TEUB Jurnal EECCIS
Angger Abdul Razak
Department Of Electrical Engineering, Universitas Brawijaya, Indonesia
Education Engineering

Published : 35 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search

 1   2   3   4 
ANALISIS STRATEGI OVERSAMPLING UNTUK MENINGKATKAN DETEKSISERANGAN DENIAL OF SERVICE PADA WIRELESS SENSOR NETWORKS Erassunu, Gilang Banyu Biru; Rahmadwati, n/a; Razak, Angger Abdul
Jurnal Mahasiswa TEUB Vol. 14 No. 2 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Penelitian ini bertujuan mengembangkan dan mengevaluasi strategi  oversampling untuk mengatasi ketidakseimbangan kelas pada dataset  WSN-DS guna meningkatkan performa Intrusion Detection System (IDS) berbasis machine learning pada Wireless Sensor Networks (WSN). Empat metode oversampling, yakni Borderline SMOTE, SMOTE-ENN, Conservative-SMOTE, dan ADASYN, diterapkan pada data pelatihan dan dikombinasikan dengan empat algoritma klasifikasi: random forest, gradient boosting, histogram gradient boosting, dan extra trees. Evaluasi kualitas data sintetis dilakukan melalui uji Kolmogorov–Smirnov (KS), Jensen–Shannon Divergence (JSD), dan preservasi korelasi. Hasil menunjukkan bahwa  SMOTE-ENN dan Conservative-SMOTE menghasilkan data sintetis dengan  kemiripan distribusi tertinggi terhadap data asli, masing-masing dengan  nilai KS sebesar 0,037 dan 0,0379. Dari sisi performa klasifikasi, kombinasi  gradient boosting dengan Conservative-SMOTE memberikan hasil optimal  dengan akurasi 99,64%, F1-score 99,64%, dan AUC ROC 0,9974. Hasil ini melampaui penelitian terdahulu yang mencapai akurasi 98,52%  menggunakan ANN. Estimasi waktu inferensi dengan menghitung static  cycle pada mikrokontroler ARM Cortex-M4F menunjukkan latensi 0,132 ms  untuk model terbaik, memvalidasi kelayakan implementasi pada perangkat WSN dengan sumber daya terbatas. Kata kunci: oversampling, wireless sensor networks, intrusion detection  system, machine learning
STUDI KOMPARASI ANALISIS PENGGUNAAN ARSITEKTUR SSD, YOLOV8, YOLOV11 DAN RF-DETR DALAM OBJEK DETEKSI PENYAKIT GINGIVITIS PADA CITRA INTRAORAL Rahman, Achmad Zain Nur; Avian, Cries; Razak, Angger Abdul
Jurnal Mahasiswa TEUB Vol. 14 No. 4 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Gingivitis merupakan peradangan pada jaringan gingiva yang dapat berkembang menjadi penyakit periodontal yang lebih serius apabila tidak ditangani sejak dini. Penelitian ini bertujuan untuk membandingkan kinerja arsitektur SSD300-VGG16, YOLOv8n, YOLOv11n, dan RF-DETR Nano dalam mendeteksi gingivitis pada citra intraoral, serta menganalisis pengaruh augmentasi data terhadap performa model. Dataset yang digunakan terdiri dari 1.095 citra intraoral dengan 12.829 anotasi objek yang dibagi menjadi data training, validation, dan testing. Evaluasi model dilakukan menggunakan metrik mAP@0.5, precision, recall, F1-score, dan waktu inferensi. Hasil penelitian menunjukkan bahwa RF-DETR Nano memberikan performa terbaik dengan mAP 69,37%, precision 57,70%, recall 88,00%, F1-score 69,70%, dan waktu inferensi 17,85 ms. YOLOv8n memperoleh mAP 62,45%, precision 53,54%, recall 90,99%, F1-score 67,41%, dan waktu inferensi 6,18 ms, sedangkan YOLOv11n memperoleh mAP 57,79%, precision 50,54%, recall 90,43%, F1-score 64,84%, dan waktu inferensi 6,45 ms. SSD300-VGG16 menunjukkan performa terendah dengan mAP 29,25%, precision 63,65%, recall 45,15%, F1-score 52,82%, dan waktu inferensi 6,05 ms. Selain itu, augmentasi data secara umum meningkatkan performa deteksi pada seluruh model tanpa memberikan pengaruh signifikan terhadap waktu inferensi. Kata kunci: gingivitis, citra intraoral, YOLO, SSD, RF-DETR.
Sistem Klasifikasi dan Penentuan  Lokasi Karies Gigi Menggunakan Mask  R-CNN, Convolutional Neural Network  dan K-Means Clustering Vareza, Erizanto Demara; Razak, Angger Abdul; Aswin, Muhammad
Jurnal Mahasiswa TEUB Vol. 14 No. 5 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Kesehatan gigi dan mulut merupakan permasalahan signifikan di Indonesia, dengan karies gigi sebagai kondisi yang paling dominan. Deteksi dini karies gigi secara konvensional memerlukan kunjungan langsung ke dokter gigi, yang dapat terhambat oleh dental anxiety dan keterbatasan akses. Penelitian ini mengusulkan sistem klasifikasi karies gigi berbasis citra intraoral menggunakan framework Flask dengan pendekatan multi-stage pipeline. Tahap pertama adalah deteksi gigi menggunakan Mask R-CNN yang mencapai performa optimal pada epoch ke-10 dengan nilai F1score sebesar 0,8865, presisi sebesar 0,8355, dan recall sebesar 0,9442. Model ini secara efektif mampu mendeteksi dan mensegmentasi objek gigi untuk keperluan ekstraksi Region of Interest (ROI). Tahap selanjutnya adalah klasifikasi tingkat keparahan karies berdasarkan standar ICDAS menggunakan Convolutional Neural Network (CNN). Hasil pengujian menunjukkan arsitektur MobileNetV3 dengan Focal Loss memberikan performa terbaik dengan akurasi 76,4% dan Macro F1-score 0,7635. Pemetaan lokasi karies menggunakan Grad-CAM dan K-Means Clustering dengan metode Otsu Thresholding menghasilkan Silhouette Score 0,516. Sistem ini memiliki waktu pemrosesan total sekitar 1,5 detik per citra, sehingga layak digunakan sebagai alat pendukung skrining karies awal. Kata Kunci: Karies Gigi, Mask R-CNN, Convolutional Neural Network, K-Means Clustering 
Klasifikasi Kematangan Tomat Berbasis SVMPSO Menggunakan Sensor Warna TCS34725 Marsyandi, Zaki; Mudjirahardjo, Panca; Razak, Angger Abdul
Jurnal Mahasiswa TEUB Vol. 14 No. 6 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Penelitian ini bertujuan merancang dan mengimplementasikan sistem klasifikasi kematangan tomat berbasis sensor warna TCS34725 menggunakan algoritma Support Vector Machine (SVM) yang dioptimasi dengan Particle Swarm Optimization (PSO) pada Raspberry Pi. Sistem membaca kanal warna Red, Green, Blue, dan Clear dari permukaan tomat, kemudian mengklasifikasikannya ke dalam tiga kelas: matang, setengah matang, dan tidak matang. Dataset terdiri dari 381 sampel yang dinormalisasi terhadap kanal Clear untuk menghilangkan pengaruh intensitas cahaya. K-Means Clustering diterapkan sebagai baseline unsupervised, sedangkan SVM diuji dengan tiga kernel (Polynomial, Sigmoid, dan RBF). PSO dijalankan dengan 20 partikel selama 100 iterasi dengan fungsi fitness berupa akurasi rata-rata 5-fold cross validation. Hasil pengujian menunjukkan KMeans mencapai akurasi 84,42%, SVM default kernel RBF 89,61%, dan SVM-PSO meningkatkannya menjadi 90,91% dengan presisi 91,88%, recall 90,72%, serta F1-Score 90,72%. Model SVM-PSO kemudian diimplementasikan pada sistem conveyor secara real-time dan diuji terhadap 45 sampel, menghasilkan akurasi keseluruhan sebesar 80,00%. Kesalahan klasifikasi terbanyak terjadi pada kelas setengah matang yang berada pada zona transisi warna. Index Terms—Klasifikasi Tomat, Sensor Warna TCS34725, Support Vector Machine (SVM), Particle Swarm Optimization (PSO), Raspberry Pi, K-Means Clustering. 
Sistem Penyimpanan Hasil Data Filtrasi Elektrostatik Precipitator Menggunakan Thingspeak Mangkunegara, Muhammad Fauzan Azis; Maulana, Eka; Razak, Angger Abdul
Jurnal Mahasiswa TEUB Vol. 14 No. 7 (2026)
Publisher : Jurnal Mahasiswa TEUB

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

Abstract

Pengelolaan sampah, khususnya melalui insinerasi, seringkali menimbulkan masalah emisi berbahaya seperti Karbon Monoksida (CO) dan Karbon Dioksida (CO₂) yang mengancam kesehatan dan lingkungan. Meskipun teknologi Precipitator Elektrostatik (ESP) efektif untuk menyaring partikel, verifikasi kinerjanya secara real-time dan berbasis data sering terabaikan. Penelitian ini mengembangkan sebuah prototipe sistem yang mengintegrasikan teknologi Electrostatic Precipitator (ESP) dengan platform Internet of Things (IoT), yaitu ThingSpeak, untuk memantau dan mengelola emisi pembakaran sampah secara real-time. Sistem ini dirancang menggunakan mikrokontroler ESP32, sensor MQ-7 (CO), MQ-135 (CO₂), dan DHT-11 (suhu dan kelembaban), yang terhubung ke sebuah unit ESP dan insinerator prototipe. Data dari sensor dikirimkan secara real-time ke ThingSpeak untuk diverifikasi kinerja filtrasi. Hasil pengujian menunjukkan kinerja yang sangat efektif, dengan tingkat penurunan emisi mencapai 97,43% untuk Karbon Monoksida (CO) dan 91,12% untuk Karbon Dioksida (CO₂). Sistem monitoring berbasis IoT terbukti andal dalam mengumpulkan dan menyimpan data, memberikan bukti kuantitatif tentang efektivitas ESP. Sistem penyimpanan data berbasis WiFi juga terbukti andal dalam mengirimkan dan mencatat data secara berkelanjutan. Temuan ini menunjukkan bahwa prototipe yang dikembangkan merupakan solusi yang efektif dan terjangkau untuk pengelolaan emisi di Tempat Pembuangan Sampah (TPS), serta meletakkan dasar bagi pengembangan sistem pengelolaan lingkungan yang lebih cerdas dan berkelanjutan di masa depan. Kata Kunci: Precipitator Elektrostatik, Internet of Things (IoT), Pengelolaan Sampah, Pemantauan Emisi, Thingspeak, ESP32. 
Co-Authors Abrar, Ahmad Akmal Achmad Basuki Adharul Muttaqin Akhmad Zainuri Algi Fari Fahrozi Aloysius Andhika Aryadwuputra Ardiana, Ahmad Shobri Avian, Cries Brahmana, Nigel Shidqy Razendriya Erassunu, Gilang Banyu Biru Erza Pradipta Erza Pradipta, Erza Ezekiel, Yeftha Joshua Fahrizal Hari Utama Faris Aulia Ramadhan Fauzi, Maher Firhan Bagus Adji Huda, Masykur Kusnadi, Vanny Lastono Risman Mangkunegara, Muhammad Fauzan Azis Marsyandi, Zaki Masykur Huda Maulana, Eka Mudjirahardjo, Panca Muhammad Aswin Muhammad Aswin Muslim, ST., MT., Ph.D, Muhammad Aziz n/a Soeprapto Nardo Golan Naudy, Ayliefia Ramadhan Nur Ridho Fuadi Nurussa’adah, n/a Pangestu, Mochammad Kelvin Yudha Panjaitan, Gian Amadea Prastyawan, Hermanto Purnomo, Jason Manuel Putri, Amelia Kartika R. Arief Setyawan Raden Arief Setyawan Rahmadwati Rahmadwati Rahmadwati, n/a Rahmadwati, n/a Rahman, Achmad Zain Nur Rahmansyah, Aqil Gama Ramadhan, Faris Aulia Rohmatillah, Mahdin Syarifah, Naily Vareza, Erizanto Demara Vika Zaky Firnanda Wahyu Suryo Samudro Waru Djuriatno Wijayanto, Micko Wisnuaji, Mario Riva