Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Sains Dirgantara Konstelasi: Konvergensi Teknologi dan Sistem Informasi
Ginaldi Ari Nugroho
Unknown Affiliation
Computer Science & IT Education

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
KARAKTERISTIK KETEBALAN LAPISAN BRIGHT BAND HASIL MODEL PROFIL REFLEKTIVITAS DAN GRADIEN REFLEKTIVITAS Tiin Sinatra; Noersomadi Noersomadi; Ginaldi Ari Nugroho; Soni Aulia Rahayu
Jurnal Sains Dirgantara Vol 17, No 2 (2020)
Publisher : Lembaga Penerbangan dan Antariksa Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30536/j.jsd.2020.v17.a3253

Abstract

Bright band merupakan indikator suatu lapisan pada awan stratus yang ditandai oleh peningkatan reflektivitas radar akibat kristal es yang meleleh. Hal tersebut dapat menyebabkan galat dalam menghitung estimasi presipitasi berdasarkan data radar. Oleh karena itu, deteksi bright band merupakan langkah yang penting untuk dilakukan guna mengoreksi data radar cuaca sebagai acuan dalam pengembangan model estimasi presipitasi. Penelitian ini bertujuan menginvestigasi dua model untuk identifikasi bright band hasil observasi transportable X-band radar dari data range-height indicator (RHI). Model pertama dengan menggunakan function fit, yaitu profil vertikal reflektivitas (VPR; vertical profile of reflectivity) dan model kedua dengan menggunakan gradien reflektivitas (GR). Hasil analisis menunjukkan perbedaan galat dalam menentukan batas atas (batas bawah) untuk VPR adalah 4,51% (3,1%), sedangkan model GR 9,02% (3,9%). Identifikasi bright band dengan menggunakan model VPR lebih baik dibandingkan dengan model GR untuk penentuan batas atas dan batas bawah dari bright band. Pengetahuan mengenai karakteristik ketebalan BB dapat dimanfaatkan untuk analisis lebih lanjut terkait estimasi presipitasi kuantitatif berdasarkan observasi radar.
DATA OPTIMIZATION OF RAIN RADAR AND ITS COVERAGE EXPANSION USING RADAR NETWORK Tiin Sinatra; Ginaldi Ari Nugroho; Asif Awaludin
Jurnal Sains Dirgantara Vol 18, No 1 (2020)
Publisher : Lembaga Penerbangan dan Antariksa Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30536/j.jsd.2020.v17.a3255

Abstract

This research developed network of two Santanu rain radars of the Center for Atmospheric Science and Technology LAPAN installed in Bandung (SANTANU 1) and Sumedang (SANTANU 2). The objective is to get larger coverage area which also comply data each other. The first step is data optimation to each radar detection results, particularly due to rain attenuation, and then validation with the transportable radar image. The shape analysis on a rain object detected in the slice of both radar images indicates 0.8672 of R2 which show the width of both objectcs has a good similarity. Data optimation due to rain attenuation using attenuation correction for regional weather radar (KA) and path-integrated attenuation (PIA) indicate that the reflectivity improvement by KA is 10 times better than PIA. The object detected by Santanu rain radar is similar to the transportable radar for reflectivity larger than 30 dBZ.  The next step is integration of both rain radar images to create mosaic image and then validation using the transportable radar data. The production of the mosaic image is tried out using three methods: image stitching, averaging, and Cressman scheme. The best result is presented by Cressman scheme which show more integrated slice area and maintain the features of the object. However, the processing time of this scheme is 17 minutes which is longer than  image stitching method. The processing time depend on the number of grid data and the hardware memory. Validation on the mosaic result by using transportable radar data by implementing structural similarity index (SSIM) method yields 0,32 of average value. The improvement on SSIM value is obtained if speckle removal is applied by recording 59% of enhancement
Deteksi Baut Kereta Api Menggunakan Artificial Intelligence Firman; Helfy Susilawati; Ginaldi Ari Nugroho
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 5 No. 1 (2025): Juni 2025
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v5i1.11379

Abstract

Baut merupakan salah satu dari bagian rel kereta api. Baut memiliki peran yang sangat penting dalam rel kereta api karena berfungsi sebagai pengencang antar rel. Apabila baut rel kereta api mengalami masalah maka hal ini juga akan berpengaruh pada performa rel kereta pi bahkan lebih jauhnya dapat mengakibatkan kecelakaan. Mengingat pentingnya baut pada rel kereta api maka setiap hari saat pagi hari akan ada petugas yang ditugaskan untuk menyusuri rel kereta api untuk melakukan pengecekan baut. Pengecekan tersebut dilakukan secara manual yaitu dengan berjalan kaki atau dengan menaiki kendaraan untuk menyusuri rel kereta api. Pengecekan yang dilakukan secara manual memiliki kemungkinan kesalahan dalam mengenali kondisi baut, selain itu jika dilakukan secara manual belum adanya catatan terkait kondisi baut. Oleh karena itu diperlukan sistem cerdas yang dapat mengenali kondisi baut yang ada pada rel kereta api, yang mana data ini akan diberikan kepada pusat informasi. Data tersebut akan menjadi pertimbangan apakah kondisi baut masih layak digunakan atau harus diganti. Langkah pertama yang harus dilakukan dalam penelitian adalah mengenali objek baut pada rel kereta api, agar selanjutnya dapat dilakukan penelitian lebih lanjut. Penelitian ini telah berhasil mendeteksi baut pada rel kereta api. Penelitian ini menggunakan dataset sebanyak 200 dataset, dengan 183 dataset training dan 17 dataset testing. Model yang digunakan pada penelitian adalah model SSD Resnet 50 V1, yang mana dengan menggunakan 2.000 step didapat mAP senilai 92,64%.
Co-Authors Awaludin, Asif Firman Helfy Susilawati Noersomadi Noersomadi Soni Aulia Rahayu Tiin Sinatra Tiin Sinatra