Article Per Year (5 Year)
p-Index From 2021 - 2026
3.168
P-Index
This Author published in this journals
All Journal Jurnal Teknik Elektro Jurnal technoscientia Sistemasi: Jurnal Sistem Informasi Jurnal Sains Teknologi dan Lingkungan (JSTL) Jurnal Penelitian Pendidikan IPA (JPPIPA) Dielektrika : Jurnal Ilmiah Kajian Teori dan Aplikasi Teknik Elektro Jurnal Teknik Informatika C.I.T. Medicom JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Jurnal Bumigora Information Technology (BITe) JURNAL TEKNOLOGI TECHNOSCIENTIA Jurnal Pendidikan dan Teknologi Indonesia Jurnal Pustaka Mitra : Pusat Akses Kajian Mengabdi Terhadap Masyarakat Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Pepadu JEITECH (JOURNAL OF ELECTRICAL ENGINEERING AND INFORMATION TECHNOLOGY)
Bulkis Kanata
Universitas Mataram
Religion Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mechanical Engineering Physics Public Health Social Sciences Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search

 1   2   3 
Rainfall Prediction Using Gate Recurrent Unit (Gru) for The Mataram City Area Aryoso, Galih Dimas; Kanata, Bulkis; Yadnya, Made Sutha
Jurnal Penelitian Pendidikan IPA Vol 11 No 2 (2025): February
Publisher : Postgraduate, University of Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jppipa.v11i2.9874

Abstract

Rainfall prediction is crucial for urban planning, agriculture, and disaster mitigation. This study predicts rainfall intensity in Mataram City using the Gated Recurrent Unit (GRU), a variant of Recurrent Neural Networks (RNN) optimized for sequential data. The dataset consists of hourly rainfall data from NASA's MERRA Power (2010–2021). Data preprocessing includes normalization, feature engineering, and dataset splitting. The GRU model architecture comprises input, GRU, and dense layers. Model performance is evaluated using Root Mean Squared Error (RMSE), yielding 67, 112, 69, and 109 for Ampenan, Cakranegara, Majeluk, and Selaparang, respectively. Results show that the GRU model captures rainfall trends but has limitations in predicting extreme values. This study demonstrates GRU’s potential for improving rainfall forecasting while highlighting the need for further optimization to enhance accuracy.
OPTIMIZATION OF CONVOLUTIONAL NEURAL NETWORK ALGORITHMIC ACCURACY FOR THE IDENTIFICATION OF DIFFERENT FONT TYPES Kanata, Bulkis; Misbahuddin; Akhdan, M. Rafif
Jurnal Teknik Informatika C.I.T Medicom Vol 17 No 5 (2025): November : Intelligent Decision Support System (IDSS)
Publisher : Institute of Computer Science (IOCS)

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

Abstract

Text not only conveys the message through the words used, but also through its visual aspects. One of the most influential visual elements is the type of font. Recognising and determining font types appropriately is essential, whether in the academic sector, the printing industry, graphic design, or digital systems. However, in practice, manually recognising font types takes time, skill, and high precision. With the advancement of digital technology, the variety of font types is increasing, making the process of identifying fonts more complicated. This requires the development of methods that are able to distinguish different types of fonts precisely and accurately. This study reveals the potential of Convolutional Neural Network (CNN) algorithms as an optimisation in facing font identification challenges, as well as to prove that deep learning can provide more efficient and precise solutions, by comparing three different CNN architectures, namely DenseNet121, ResNet50, and VGG16. The implementation of the method is carried out by applying data augmentation techniques and setting CNN parameters such as the number of epochs, learning rate, batch size, Adam optimiser, and image size. The results showed that the DenseNet121 model achieved an accuracy of up to 96.8%, ResNet50 92.9%, and VGG16 96.4%. The convolutional neural network algorithm proves that it can identify various font types with optimal accuracy.
Pemanfaatan Biogas untuk Mendukung Penerangan Mandiri Berbasis Energi Terbarukan di Rumah Qur’an Sembalun Rosmaliati, Rosmaliati; Kanata, Bulkis; Yadnya, Made Sutha; Zainuddin, Abdullah; Rachman, A. Sjamsjiar; Paniran, Paniran; Akbar, Lalu Muhamad Roviq; Suharyadi, Farhan Ahmad
Jurnal Pustaka Mitra (Pusat Akses Kajian Mengabdi Terhadap Masyarakat) Vol 5 No 6 (2025): Jurnal Pustaka Mitra (Pusat Akses Kajian Mengabdi Terhadap Masyarakat)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakamitra.v5i6.1363

Abstract

Keterbatasan pasokan listrik dan ketergantungan pada energi fosil menjadi permasalahan utama yang dihadapi masyarakat di Rumah Qur’an Sembalun. Kondisi ini mendorong perlunya pengembangan sumber energi alternatif yang ramah lingkungan dan berkelanjutan. Kegiatan pengabdian ini bertujuan untuk memanfaatkan biogas sebagai sumber energi listrik mandiri melalui penerapan sistem digester dan penampungan plastik berkapasitas 8 m³ yang terhubung dengan generator berkapasitas 700 watt. Metode pelaksanaan meliputi pengolahan limbah kotoran sapi dalam digester, penyaluran biogas ke penampungan, dan pengujian kinerja generator dalam menyalakan lampu LED hemat energi. Hasil pengujian menunjukkan bahwa sistem biogas mampu menghasilkan daya listrik antara 8 hingga 58 watt, dengan lama nyala total mencapai 60 menit. Daya rata-rata yang dihasilkan sebesar 15,28 watt dibandingkan daya nominal 15 watt, sehingga diperoleh efisiensi konversi energi sebesar 98,13%. Kegiatan ini membuktikan bahwa penerapan biogas berbasis penampungan plastik berkapasitas 8 m³ efektif untuk mendukung penerangan mandiri, sekaligus memberikan manfaat tambahan berupa pengelolaan limbah ternak dan pengurangan emisi gas rumah kaca, yang berkontribusi terhadap upaya kemandirian energi dan keberlanjutan lingkungan di wilayah pedesaan.
Penerapan User-Centered Design untuk Meningkatkan Kualitas Pengalaman Pengguna dalam Akses Informasi Akademik pada Website Jurusan Teknik Elektro Anis Arrafi, Muhammad; ramadhani, cipta; Kanata, Bulkis
JEITECH (JOURNAL OF ELECTRICAL ENGINEERING, INFORMATION TECHNOLOGY, CONTROL ENGINEERING, AND ROBOTIC) Vol. 3 No. 3 (2025): Edisi November 2025
Publisher : Depertment of Electrical Engineering University of Mataram

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

Abstract

Penelitian ini bertujuan meningkatkan pengalaman pengguna pada website Jurusan Teknik Elektro Universitas Mataram menggunakan pendekatan User Centered Design (UCD). Hasil evaluasi awal menggunakan System Usability Scale (SUS) menunjukkan skor rata-rata 56,8 yang dikategorikan marginal. Setelah proses redesign antarmuka, skor meningkat menjadi 85,8. Peningkatan ini menunjukkan bahwa penerapan UCD efektif dalam memperbaiki navigasi, tampilan visual dan kemudahan akses informasi pada website akademik.  
IMPLEMENTASI DEEP LEARNING MENGGUNAKAN MOBILENETV2 UNTUK KLASIFIKASI JENIS SAMPAH Setiawan, Didin; Akbar, L. Ahmad Syamsul Irfan; Kanata, Bulkis
JEITECH (JOURNAL OF ELECTRICAL ENGINEERING, INFORMATION TECHNOLOGY, CONTROL ENGINEERING, AND ROBOTIC) Vol. 3 No. 3 (2025): Edisi November 2025
Publisher : Depertment of Electrical Engineering University of Mataram

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

Abstract

Klasifikasi sampah berbasis deep learning merupakan salah satu solusi computer vision yang dapat membantu pengguna mengenali jenis sampah secara cepat dan efisien. Penelitian ini mengimplementasikan aplikasi klasifikasi sampah menggunakan arsitektur MobileNetV2, di mana model yang telah dilatih diintegrasikan langsung ke dalam aplikasi Android sehingga dapat digunakan secara praktis. Aplikasi ini dirancang untuk mengenali tiga kategori utama sampah: organik, anorganik, dan B3. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 96% pada tahap pelatihan dan 90% pada pengujian aplikasi. Selain itu, metrik precision, recall, dan F1-score juga konsisten tinggi (≥0,95 pada model dan ≥ 0,90 pada aplikasi). Tingkat kesalahan relatif rendah, dengan rata-rata False Positive Rate (FPR) sebesar 1,8% dan False Negative Rate (FNR) sebesar 3,7% pada model, serta FPR 5% dan FNR 10% pada aplikasi. Temuan ini membuktikan bahwa aplikasi klasifikasi sampah berbasis MobileNetV2 mampu memberikan performa andal dalam mendukung identifikasi jenis sampah. Dengan peningkatan kualitas dataset dan optimasi model, akurasi aplikasi berpotensi ditingkatkan lebih lanjut sehingga siap dimanfaatkan dalam edukasi, penelitian, maupun implementasi praktis di lapangan.
Implementasi Penentuan Lokasi Dalam Gedung Menggunakan LoRa RSSI Dan Jaringan Syaraf Tiruan Pada ESP32 Ramdani, Cipta; Rosmaliati, Rosmaliati; Zainuddin, Abdullah; Kanata, Bulkis; Zubaidah, Teti
JURNAL SAINS TEKNOLOGI & LINGKUNGAN Vol. 11 No. 4 (2025): JURNAL SAINS TEKNOLOGI & LINGKUNGAN
Publisher : LPPM Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jstl.v11i4.916

Abstract

Implementasi Penentuan Lokasi di dalam Gedung semkain banyak digunakan terutama pada fasilitas umum seperti sekolah dan rumah sakit dimana sinyal GPS tidak mampu memberikan akurasi yang maksimal. Pada penelitian ini akan dilakukan implementasi penentuan lokasi didalam Gedung dengan menggunakan nilai dari sinyal Received Signal Strength Indicator (RSSI) pada perangkat LoRA. Data RSSI yang dikumpulkan akan digunakan untuk melatih jaringan syaraf tiruan dengan menggunakan struktur empat neurons sebagai input, sepuluh neurons hidden dan lima neurons untuk output berupa hasil klasifikasi ruangan yang diberikan. Proses training dilakukan dengan menggunakan Python beserta numpy dan Pandas sebagai library-nya. Hasil dari training tersebut adalah berupa sejumlah weights dan bias yang digunakan sebagai external library pada ESP32 microcontroller. Berdasarkan hasil pengujian data training, didapatkan bahwa ANN memberikan performa yang lebih baik jika dibandingkan dengan SVM. Pada ANN didaptkan nilai akurasi, presisi dan recall 0.90, 0.8666 dan 0.9333 secara berturut-turut. Sedangkan pada SVM didapatkan nilai akurasi 0.92 , presisi 0,7133 dan recall 0.6932 . dari hasil tersebut dapat dilihat bahwa ANN lebih akurat dalam hal meng-klasifikasikan ruangan yang memiliki pola nilai RSSI yang hampir mirip, seperti ruangan koridor. Hal ini memberikan informasi bahwa ANN sangat cocok diiimplementasikan untuk penentuan lokasi didalam Gedung dan sesuai untuk digunakan pada perangkat ESP32. Penelitian berikutnya diharapkan dapat menggunakan algoritma optimasi untuk mendapatkan nilai weight dan bias yang lebih baik.
Analisis Pola Spatio-Temporal Gempa Bumi di Zona Busur Belakang Utara Lombok–Flores Menggunakan Agglomerative Clustering Ramadhani, Cipta; Yadnya, Made Sutha; Paniran, Paniran; Kanata, Bulkis; Zubaidah, Teti
JURNAL SAINS TEKNOLOGI & LINGKUNGAN Vol. 11 No. 4 (2025): JURNAL SAINS TEKNOLOGI & LINGKUNGAN
Publisher : LPPM Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jstl.v11i4.957

Abstract

This study aims to identify earthquake clustering patterns in the Northern Lombok–Flores Back-Arc Zone using the Agglomerative Clustering method. Seismic data were obtained from the United States Geological Survey (USGS) covering the period 1970–2021, using latitude, longitude, depth, and magnitude as clustering variables. A sliding window approach was applied to capture the temporal evolution of seismic activity. The results indicate the formation of three stable clusters that consistently represent different earthquake depth levels across all analyzed time windows. Although fluctuations in the occurrence of large-magnitude earthquakes were observed in several windows, these variations did not significantly affect the clustering structure. This study demonstrates that the combination of Agglomerative Clustering and a sliding window approach is effective for identifying depth-based earthquake clustering patterns and describing their temporal dynamics
Co-Authors A. Sjamsjiar Rachman Akbar, L. Ahmad Syamsul Irfan Akbar, Lalu A. Syamsul Irfan Akbar, Lalu Muhamad Roviq Akbar, Muhammad Fajrin Akbar, Syamsul Irfan Akhdan, M. Rafif Anis Arrafi, Muhammad Aryoso, Galih Dimas Budi Irmawati Cipta Ramadhani Derajat, Dirga Dama Dwi Ratnasari Fitratunnisa, Nur Giri Wahyu Wiriasto Halim, Sayyidis Syariful I Gede Pasek Suta Wijaya Ida Ayu Putu Sri Widnyani IGP Suta Wijaya Indira Puteri Kinasih Kafrawi, Achmad Evin Made Sutha Yadnya Majdi, Shafwatul Misbahuddin Oni, Muhammad Paniran Paniran Ramdani, Cipta Ramdani, M. Rosmaliati Rosmaliati , Rosmaliati Rosmaliati, Rosmaliati Rosyida, Amrina Setiawan, Didin Suharyadi, Farhan Ahmad Suriakin, Maulana Susanto, Oki Prio Syafaruddin Ch Teti Zubaidah Utomo, Rizqi D. C. Zahidin, Ilham Zainuddin, Abdullah Zamroni, Sulthon