Claim Missing Document
Check
Articles

Found 4 Documents
Search

PERANCANGAN ALAT CERDAS PENDETEKSI KANDUNGAN UNSUR TANAH Hanifudin Sukri; Adi Kurniawan Saputro; Ach Dafid
Jurnal Simantec Vol 9, No 1 (2020)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v9i1.9216

Abstract

Kebiasaan para petani dalam bercocok tanam tanpa memperhatikan kondisi tanah sering kali menjadi permasalahan dasar dalam proses bertani. Sehingga mempengaruhi kualitas dan kuantitas hasil bercocok tanam. Penelitian ini bertujuan untuk memberikan update ilmu teknologi kepada para petani dalam menganalisis kandungan tanah. Sistem alat ini cukup sederhana, hanya dengan menancapkan ujung alat instrumentasi ini maka akan keluar hasil analisis. Hasil analisis tersebut akan memunculkan rekomendasi tanaman yang cocok untuk tanah yang di uji menggunakan alat tersebut. Alat tersebut dilengkapi dengan empat macam sensor seperti sensor pH tanah, sensor Suhu Udara, sensor Kelembaban tanah dan sensor Suhu tanah. Sensor tersebut dijadikan sebagai input data untuk diolah menggunakan algortima Fuzzy yang rancang. Harapannya alat ini mampu membantu para petani dalam menganalisis kandungan tanah tanpa biaya yang relatif mahal dan waktu pengujian yang relatif lama untuk mendapatkan hasil analisisnya. Setelah dilakukan pengujian alat maka diperoleh hasil persentase pengujian yaitu 98% keberhasilan alat dalam menampilkan hasil analisis sistem berdasarkan pembacaan sensor pada tanah.
Smart Access Absensi Praktikum Teknik Elektro Universitas Trunojoyo Madura Menggunakan RFID Berbasis Internet of Things (IoT) Miftachul Ulum; Ahmad Fiqhi Ibadillah; Adi Kurniawan Saputro
Jurnal Riset Rekayasa Elektro Vol 3, No 1 (2021): JRRE VOL 3 NO 1 JUNI 2021
Publisher : LEMBAGA PUBLIKASI ILMIAH DAN PENERBITAN, UNIVERSITAS MUHAMMADIYAH PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/jrre.v3i1.9333

Abstract

Sistem absensi manual tidak praktis dalam proses perekapan absensike server pusat, karena harus diolah secara manual dan banyakkemungkinan human error. Data absensi tidak dapat langsung diuploadke server sehingga diperlukan sistem absensi yang terintegrasi agardapat meminimalisir kesalahan dan kecurangan. Pada penelitian ini,dirancang alat untuk sistem dengan rfid yang akan mengidentifikasi iddata sebagai input untuk database. Penulis menggunakan metode KNearestNeighbor sebagai klasifikasi, jam masuk dan jam keluardijadikan sebagai masukkan untuk data uji dan data latih yangdiperoleh dari pembacaan id oleh RFID RC522 yang disematkandalam modul absensi. Bertumpu pada NodeMCU untuk kebutuhanInternet of Things dan juga penggerak dari keseluruhan komponen didalamnya, alat tersebut dapat diwujudkan dalam bentuk yang simpeldan menarik. Dari hasil pengujian yang telah dilakukan pada penelitiansistem dan modul absensi mendapatkan skor rata-rata waktu di bawah10 second untuk 1 kali proses absensi, untuk klasifikasi menggunakanmetode K-Nearest Neighbor dengan euclidean distance menghasilkantingkat akurasi yang tinggi berturut-turut 66,67% - 100% sesuai dandapat dikatakan sistem dan modul absensi ini sudah berjalan denganbaik dan efektif.
IDENTIFIKASI JENIS PLASTIK BERDASARKAN REFLEKTANSI CAHAYA MENGGUNAKAN TRANSFORMASI RUANG WARNA HSV adi kurniawan saputro; Dian Neipa Purnamasari
Jurnal Simantec Vol 11, No 1 (2022): Jurnal Simantec Desember 2022
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v11i1.19732

Abstract

Sampah merupakan benda yang tidak terpakai dari kehidupan manusia.Dunia berusaha mengurangi sampah plastik dengan berbagai cara, mulai dari mengurangi konsumsi plastik hingga mendaur ulang. Setiap jenis plastic memiliki ciri dan fungsinya masing-masing. untuk memudahkan informasi tentang jenis plastik, diperlukan suatu sistem yang dapat mengetahui jenis plastik menggunakan gambar.Hal ini dapat diatasi dengan menggunakan teknik pengolahan citra digital untuk mengidentifikasi jenis plasik dengan memanfaatkan computer vision menggunakan metode warna HSV. Karakteristik yang ditentukan adalah jenis plastik PET,PP dan HDPE. Warna HSV adalah model warna yang diturunkan dari model warna RGB. Jadi untuk mendapatkan warna HSV ini, perlu mengonversi dari RGB ke HSV. Diasumsikan koordinat-koordinat berurutan merah, hijau dan biru dengan nilai minimum dan maksimumnya.pada plastik jenis PET memiliki rata-rata nilai Hue sebesar 65,1561, Saturation sebesar 41,42881 dan Value sebesar 177,6929. Untuk Jenis PP rata-rata nilai Huenya sebesar 48,99527, Saturation sebesar 40,57995 dan Valuenya 181,638. Sedangkan untuk jenis HDPE rata-rata nilai Huenya 49,44206, Saturation 41,68613 serta Value 170,6657. Dengan membandingkan ketiga resin tersebut, terlihat bahwa nilai rata-rata dari ketiga warna tersebut berbeda Dapat ditarik kesimpulan bahwa ketika objek diberi cahaya , semakin tipis bahan maka nilai saturation nya lebih kecil dari jenis yang lain serta nilai valuenya akan lebih besar daripada jenis yang lain. Akan tetapi ketika semakin tebal bahan maka nilai value nya semakin kecil. Berdasarkan perbandingan tersebut maka jenis PP memiliki bahan yang tipis serta kerapatan yang sedikit sehingga mudah untuk tembus pandang. Berbeda dengan jenis HDPE memiliki bahan yang tebal dan kerapatan yang banyak sehingga sulit untuk tembus pandang.Kata kunci : Plastik, HSV, PET,PP,HDPE
Spatially Differentiated NPK Fertilizer Prescription with Crop Level Nitrogen Requirement Using Hybrid Gaussian Mixture Model Fuzzy Sugeno GIS Framework Monika Fahmi; Deni Tri Laksono; Adi Kurniawan Saputro; Yuni Nurfiana; Jean d’Amour Rukundo
Journal of Renewable Energy and Smart Device Vol. 4 No. 2 December 2026
Publisher : PT. Global Research Collaboration

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.66314/joresd.v4i2.1355

Abstract

Agricultural productivity can be constrained by fertilizer management that does not account for spatial variability in soil nutrient conditions. This study develops a hybrid Gaussian Mixture Model (GMM)–Fuzzy Sugeno framework to transform probabilistic soil phosphorus (P) and potassium (K) patterns into spatially differentiated point-level fertilizer prescriptions within a Geographic Information System (GIS). Thirty sampling locations were evaluated in each paddy and maize cultivation field in Bangkalan Regency. Soil P and K were measured directly using a portable NPK sensor, whereas nitrogen (N) requirements were determined independently from crop-specific target-yield criteria and cultivation-area measurements. GMM parameters were estimated using the Expectation-Maximization (EM) algorithm, and candidate mixture orders were assessed using maximized log-likelihood, Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), and silhouette coefficients. The EM algorithm converged at iteration 42 for paddy and iteration 9 for maize. Both AIC and BIC selected a three-component model for paddy and maize, although the resulting component separation differed between crops, with silhouette coefficients of 0.16199 and 0.43309, respectively. The selected components were subsequently characterized by their P–K profiles, and posterior responsibilities were used as normalized firing strengths in the Fuzzy Sugeno inference layer. The hybrid framework generated spatially referenced, differentiated point-level prescriptions, with mean SP-36 and KCl rates of 72.334 and 68.432 kg/ha for paddy and 87.485 and 76.637 kg/ha for maize, respectively. The corresponding coefficients of variation were 26.45% and 30.13% for paddy and 16.34% and 33.07% for maize. In contrast, the conventional Fuzzy Sugeno formulation produced uniform SP-36 and KCl rates of 100 kg/ha across the investigated points. The results demonstrate that GMM posterior responsibilities can be propagated into the Sugeno inference layer to retain probabilistic component association and generate spatially differentiated fertilizer prescriptions. However, the study evaluates computational behaviour, probabilistic assignment, and prescription differentiation rather than agronomic effectiveness; the analysis is limited to two fields, one growing season, and 30 sampling locations per crop, without independent validation of yield response, nutrient uptake, fertilizer efficiency, or dose safety. Further multi-season and field-scale agronomic validation is therefore required before the generated prescriptions can be interpreted as validated fertilizer recommendations.