Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal EECCIS Jurnal Elektronika dan Telekomunikasi
Mochamad Adityo Rachmadi
Unknown Affiliation
Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Sistem Kontrol Kecepatan Sepeda Listrik Menggunakan Metode Self-Tuning Parameter PI dengan Metode Logika Fuzzy Mochamad Adityo Rachmadi; Muhammad Aziz Muslim; Erni Yudaningtyas
Jurnal EECCIS Vol 10, No 1 (2016)
Publisher : Fakultas Teknik, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (912.359 KB)

Abstract

Pada kendaraan sepeda, salah satu beban yang dihadapi adalah tanjakan, di mana sebuah tanjakan dalam keadaan sebenarnya dapat memiliki kemiringan yang berbeda–beda dalam suatu jalan. Karena itu, dibutuhkan sebuah aksi pengontrolan yang dapat beradaptasi dengan kondisi pembebanan yang berubah – ubah tersebut. Sebuah kontroler PI dengan parameter penguatan yang telah ditala sedemikian rupa dapat menghasilkan keluaran yang baik pada beban linier, namun akan kesulitan beradaptasi terhadap pembebanan yang berubah–ubah. Sistem kontrol kecepatan menggunakan metode self-tuning parameter PI dengan metode logika fuzzy digunakan untuk menala parameter penguatan kontroler PI, agar kontroler PI dapat beradaptasi dengan pembebanan tersebut. Pada penelitian ini, dibandingkan performansi sistem dengan kondisi tanpa beban dan kondisi berbeban dengan setpoint 120 rpm.
Cardiac Imaging with Electrical Impedance Tomography (EIT) using Multilayer Perceptron Network Amelia Putri Ristyawardani; Marlin Ramadhan Baidillah; Yudi Adityawarman; Pratondo Busono; Mochamad Adityo Rachmadi; Meta Yantidewi; Endah Rahmawati
Jurnal Elektronika dan Telekomunikasi Vol. 25 No. 1 (2025)
Publisher : National Research and Innovation Agency

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55981/jet.705

Abstract

This research explores the enhancement of Electrical Impedance Tomography (EIT) for cardiac imaging using Multilayer Perceptron (MLP) networks, focusing on supervised and semi-supervised learning approaches. Using synthetic thoracic datasets simulating dynamic cardiac and respiratory conditions, the study demonstrates that supervised learning achieves lower mean squared error (MSE) values (minimum 4.76) and more stable predictions compared to semi-supervised learning (minimum MSE 5.08). However, semi-supervised learning excels in edge accuracy and noise reduction, particularly in regions with sharp conductivity gradients, making it viable for scenarios with limited labeled data. Dropout regularization at 0.3 provided optimal balance, enhancing model generalization and robustness. While supervised learning outperformed semi-supervised methods in overall accuracy, the latter showed potential for cost-effective and scalable applications in EIT-based cardiac imaging. These findings suggest that integrating advanced machine learning with EIT can improve diagnostic accuracy and enable efficient use of sparse labeled data, paving the way for future optimizations and clinical applications.
Co-Authors Amelia Putri Ristyawardani Endah Rahmawati Erni Yudaningtyas Marlin Ramadhan Baidillah Meta Yantidewi Muhammad Aziz Muslim Pratondo Busono Yudi Adityawarman