Claim Missing Document
Check
Articles

Found 11 Documents
Search

MODEL PREDIKSI FINANCIAL DISTRESS PADA PERUSAHAAN MANUFAKTUR SEKTOR INDUSTRI BARANG DAN KONSUMSI Herlina Herlina; Ahmad Ridho’i; Anggie Erma Yunita; Mega Puja Azhari; Ade Reynaldi Saputra
Teknika: Engineering and Sains Journal Vol 3, No 2 (2019): Desember 2019
Publisher : Universitas Maarif Hasyim Latif

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51804/tesj.v3i2.490.77-82

Abstract

Kesulitan keuangan (financial distress) adalah sebuah tahapan yang akan dilalui oleh sebuah perusahaan sebelum mengalami kebangkrutan. Dengan alasan tersebut maka kemampuan untuk memprediksi kesulitan keuangan dapat menjadi informasi yang bermanfaat bagi perusahaan maupun investor. Penelitian mengenai financial distress sudah dimulai dari penelitian Altman pada tahun 1968 menggunakan metode Multiple Discriminant Analysis (MDA). Dimulai dari penelitian Altman, muncul penelitian-penelitian lainnya menggunakan pengembangan metode statistik, seperti Logistic Regression. Dari metode statistik kemudian berkembang dengan munculnya penelitian-penelitian menggunakan metode-metode kecerdasan buatan, serta algoritma evolusi untuk berusaha mendapatkan model prediksi financial distress yang akurat. Tujuan dari penelitian ini adalah untuk membandingkan tingkat akurasi dari model prediksi financial distress perusahaan manufaktur terbuka pada sektor industri barang konsumsi yang terdaftar pada Bursa Efek Indonesia menggunakan metode kecerdasan buatan serta algoritma evolusi. Metode yang digunakan untuk metode kecerdasan buatan adalah metode Support Vector Machines dan untuk model algoritma evolusi menggunakan metode Particle Swarm Optimization-Support Vector Machines. Tingkat akurasi dari masing-masing metode akan diukur dari prosentase misklasifikasi terkecil yang dihasilkan. Dari pengujian model menggunakan metode Support Vector Machines, didapatkan tingkat misklasifikasi terkecil sebesar 11,11% dengan menggunakan Kernel Linear dan untuk metode Particle Swarm Optimization-Support Vector Machines, didapatkan tingkat misklasifikasi terkecil sebesar 5,56% dengan menggunakan Kernel RBF, ? = 2.
Evaluasi Komparatif K-Means dan Fuzzy C-Means sebagai Metode Klasterisasi Hard dan Soft untuk Analisis Perilaku Dielektrik Minyak Transformator Terkontaminasi Logam Giovanni Dimas Prenata; Ahmad Ridho’I
JUTEKS Vol 13 No 1 (2026): JuTEkS (Jurnal Teknik Elektro dan Sains)
Publisher : Program Studi Teknik Elektro Universitas Ibn Khaldun Bogor

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

Abstract

AbstrakPenelitian ini menganalisis struktur perilaku dielektrik minyak transformator yang terkontaminasi tembaga dan besi menggunakan metode K-Means dan Fuzzy C-Means (FCM). Sebanyak 324 data eksperimen yang terdiri atas jenis minyak, jenis kontaminan, konsentrasi, dan nilai Breakdown Voltage (BDV) dianalisis untuk mengidentifikasi pola degradasi. K-Means mencapai konvergensi sangat cepat dalam 7 iterasi, dengan nilai pergeseran centroid menurun dari 0,66591 hingga 0, serta membentuk tiga kelas dielektrik yang jelas sesuai tingkat kontaminasi 0,10 g, 0,15 g, dan 0,20 g. Sebaliknya, FCM memerlukan 200 iterasi untuk stabilisasi, dengan nilai perubahan keanggotaan maksimum menurun dari 0,615249 menjadi 3,29 × 10⁻⁵. Meskipun kedua metode menghasilkan tiga kelas utama yang sama, FCM menunjukkan adanya overlap signifikan pada konsentrasi menengah dengan nilai keanggotaan maksimum di bawah 0,7 pada sejumlah sampel. Hasil ini secara kuantitatif membuktikan bahwa degradasi dielektrik minyak transformator bersifat terstruktur namun berkembang secara progresif, serta mendukung penggunaan pendekatan pemodelan nonlinier dalam analisis BDV.Kata Kunci: Minyak Transformator, Breakdown Voltage, K-Means, Fuzzy C-Means, Degradasi Dielektrik, Kontaminasi Logam.
Evaluasi Komparatif K-Means dan Fuzzy C-Means sebagai Metode Klasterisasi Hard dan Soft untuk Analisis Perilaku Dielektrik Minyak Transformator Terkontaminasi Logam Giovanni Dimas Prenata; Ahmad Ridho’I
JUTEKS Vol 13 No 1 (2026): JuTEkS (Jurnal Teknik Elektro dan Sains)
Publisher : Program Studi Teknik Elektro Universitas Ibn Khaldun Bogor

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

Abstract

AbstrakPenelitian ini menganalisis struktur perilaku dielektrik minyak transformator yang terkontaminasi tembaga dan besi menggunakan metode K-Means dan Fuzzy C-Means (FCM). Sebanyak 324 data eksperimen yang terdiri atas jenis minyak, jenis kontaminan, konsentrasi, dan nilai Breakdown Voltage (BDV) dianalisis untuk mengidentifikasi pola degradasi. K-Means mencapai konvergensi sangat cepat dalam 7 iterasi, dengan nilai pergeseran centroid menurun dari 0,66591 hingga 0, serta membentuk tiga kelas dielektrik yang jelas sesuai tingkat kontaminasi 0,10 g, 0,15 g, dan 0,20 g. Sebaliknya, FCM memerlukan 200 iterasi untuk stabilisasi, dengan nilai perubahan keanggotaan maksimum menurun dari 0,615249 menjadi 3,29 × 10⁻⁵. Meskipun kedua metode menghasilkan tiga kelas utama yang sama, FCM menunjukkan adanya overlap signifikan pada konsentrasi menengah dengan nilai keanggotaan maksimum di bawah 0,7 pada sejumlah sampel. Hasil ini secara kuantitatif membuktikan bahwa degradasi dielektrik minyak transformator bersifat terstruktur namun berkembang secara progresif, serta mendukung penggunaan pendekatan pemodelan nonlinier dalam analisis BDV.Kata Kunci: Minyak Transformator, Breakdown Voltage, K-Means, Fuzzy C-Means, Degradasi Dielektrik, Kontaminasi Logam.
Thermal Behavior Clustering of High-Voltage Electrical Equipment Using K-Means and Fuzzy C-Means Giovanni Dimas Prenata; Ahmad Ridho’i
Elkom: Jurnal Elektronika dan Komputer Vol. 19 No. 1 (2026): Juli : Jurnal Elektronika dan Komputer
Publisher : STEKOM PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/elkom.v19i1.3700

Abstract

Thermal monitoring of high-voltage electrical equipment is an important aspect of maintaining the reliability and operational safety of electrical power systems. Conventional classification approaches generally require labeled data and are limited in representing transitional thermal conditions. Therefore, this study proposes an unsupervised learning approach using K-Means and Fuzzy C-Means (FCM) clustering methods to analyze thermal behavior patterns in high-voltage electrical equipment based on thermal image features. The proposed model utilizes two main features extracted from thermal images, namely the percentage of white regions (% white) and non-white regions (% non-white), where white regions represent high-temperature areas. A total of 12 thermal images were used in the clustering process. Experimental results showed that the K-Means algorithm converged after only 2 iterations, whereas FCM required 53 iterations to achieve convergence . Both methods successfully identified dominant thermal patterns corresponding to Normal, Warning, and Hazardous conditions. The most extreme thermal condition was observed in data sample 6, which had a white-region percentage of 83.2647% and was consistently classified as Hazardous by both K-Means and FCM . In addition, FCM demonstrated superior capability in representing transitional thermal conditions through membership values. Data sample 3, with a white-region percentage of 56.5476%, was classified as Hazardous by K-Means but categorized as Warning by FCM with a dominant membership value of 0.702543 . These results indicate that FCM provides more flexible thermal behavior representation compared with hard clustering approaches. Overall, the proposed clustering-based approach demonstrates significant potential for real-time thermal condition assessment and predictive maintenance applications in high-voltage electrical equipment.
Voice command classification for mobile robotic control using mel frequency cepstral coefficients and support vector machines Ratna Hartayu; Santoso Santoso; Ahmad Ridho’i; Ayusta Lukita Wardani; Yunus Awwalu Romadhon
Journal of Mechatronics, Electrical Power, and Vehicular Technology Vol 17, No 1 (2026)
Publisher : National Research and Innovation Agency

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55981/j.mev.2026.1373

Abstract

Voice command recognition plays a crucial role in enabling intuitive interaction in robotic and embedded control systems. This study proposes a voice command classification system based on Mel-frequency cepstral coefficients (MFCC) and support vector machine (SVM) using the Google speech commands dataset v2. Eight command classes (“down”, “go”, “left”, “no”, “right”, “stop”, “up”, and “yes”) were used. The dataset was divided into 80 % training and 20 % testing sets, with hyperparameter tuning performed using 5-fold cross-validation on the training data. MFCC feature extraction employed 13 static coefficients augmented with delta and delta-delta features, resulting in a 39-dimensional frame-level representation and a 78-dimensional utterance-level feature vector. Experimental results show that the SVM with radial basis function (RBF) kernel achieved optimal performance with parameters C = 100 and γ = 0.01, yielding 96.2 % accuracy, 96.5 % precision, 96.0 % recall, and 96.2 % F1 score. The inclusion of dynamic features improved accuracy by 4.7 % compared to static MFCCs. The system demonstrates a lightweight architecture suitable for low-resource environments; however, experiments were primarily conducted under clean conditions, and robustness evaluation was limited to a single noise level (20 dB SNR). Furthermore, real-time deployment on embedded hardware was not experimentally validated and remains part of future work.
Penerangan Jalan yang Lebih Cerdas: Manfaat Pemasangan Lampu Otomatis Berbasis Teknologi Terkini di Desa Kendalpecabean, Kecamatan Candi, Kabupaten Sidoarjo Santoso Santoso; Ratna Hartayu; Balok Hariadi; Kukuh Stiadjit; Aris Heri Andriawan; Ahmad Ridho’i
Jurnal Pengabdian Masyarakat dan aplikasi Teknologi Vol. 3, No. 2: October 2024
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.adipati.2024.v3i2.6082

Abstract

Pengabdian ini bertujuan menerapkan teknologi terkini dalam pemasangan lampu otomatis untuk meningkatkan penerangan jalan yang lebih cerdas. Diharapkan dapat diperoleh pemahaman mengenai manfaat dan dampak positif dari penerapan lampu otomatis dalam meningkatkan keamanan, efisiensi energi, dan kenyamanan masyarakat. Metode pelaksanaan mencakup survei kebutuhan masyarakat, perencanaan instalasi, pemasangan, serta pemantauan dan evaluasi hasil. Sebelum pemasangan menunjukkan konsumsi energi 72 kWh dan biaya Rp108.000 per bulan, sementara setelah pemasangan, konsumsi energi menurun menjadi 60 kWh dengan biaya Rp90.000. Penerapan lampu otomatis menghasilkan penghematan energi 12 kWh dan biaya Rp18.000 per bulan, mendukung keberlanjutan lingkungan dan meningkatkan kualitas hidup masyarakat.Kata kunci: lampu, otomatis, penerangan, efisiensi, masyarakat.
Penerapan Filter Digital untuk Menghilangkan Gangguan pada Sinyal Elektrokardiogram Santoso Santoso; Ratna Hartayu; Ahmad Ridho’i; Balok Hariadi; Kukuh Setydjit; Lutfi Agung Swarga; M Ary Heryanto
Journal Renewable Energy, Electronics and Control Vol 4, No 2 (2024): JURNAL JREEC
Publisher : Department of Electrical Engineering, Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.jreec.2024.v4i2.6711

Abstract

This research examines the application of Finite Impulse Response (FIR) filters in processing ECG signals to eliminate noise and enhance signal quality. Using ECG recordings from the MIT-BIH database, the original signal contaminated by noise was processed with FIR filters, and the results were compared with signals filtered using the Infinite Impulse Response (IIR) method. The analysis results indicate that FIR filters are effective in reducing noise and improving the accuracy of morphological analysis, with a post-filtering Signal-to-Noise Ratio (SNR) of 1.24 dB. Although the SNR improvement is still relatively low, this study highlights the importance of applying appropriate filtering techniques to support more accurate medical diagnoses. Future research is recommended to explore the performance comparison of FIR filters with other signal processing techniques, as well as efforts to further enhance signal quality and SNR.Keyword: ECG Signal, FIR Filter, Signal Processing, Signal-to-Noise Ratio (SNR), Morphological Analysis
Perbandingan Konvergensi dan Stabilitas DFNN Murni dan ANN BackPropagation untuk Klasifikasi Tingkat Keparahan Kerusakan Kumparan Stator Giovanni Dimas Prenata; Ahmad Ridho’i
Jurnal Teknik Elektro dan Komputasi (ELKOM) Vol. 8 No. 2 (2026): Jurnal Teknik Elektro dan Komputasi (ELKOM)
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/elkom.v8i2.6201

Abstract

This study compares the convergence and stability of two artificial neural network (ANN) training methods Pure DFNN and  BackPropagation for classifying the severity of stator winding faults in induction motors. The evaluation was conducted through 10 trials for each model, with success criteria defined by achieving a Mean Squared Error (MSE) close to the threshold of 0.0001. The results indicate that Pure DFNN achieved the fastest convergence with 294 iterations and an MSE of 0.000101230. However, its iteration range was highly fluctuating, reaching up to 3514 iterations, indicating sensitivity to weight initialization. In contrast, the ANN  BackPropagation method demonstrated more stable convergence, with all trials falling within a narrow range of 226 to 449 iterations and achieving the best MSE of 0.000100122. Both methods succeeded in producing minimal final error values. Nevertheless, the findings suggest that ANN  BackPropagation is superior in terms of stability and robustness, while Pure DFNN may offer faster convergence in certain cases but lacks consistency. These results are significant for selecting appropriate ANN training algorithms in induction motor fault diagnosis systems that require long-term reliability.
Identifikasi Parameter Ekuivalen Modul Fotovoltaik Berbasis Metaheuristik dari Pengukuran Lapangan Terbatas pada MPPT Incremental Conductance Giovanni Dimas Prenata; Ahmad Ridho’i
JUTEKS Vol 13 No 2 (2026): JuTEkS (Jurnal Teknik Elektro dan Sains)
Publisher : Program Studi Teknik Elektro Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/juteks.v13i2.24833

Abstract

Ketersediaan parameter modul fotovoltaik yang akurat diperlukan untuk pemodelan, pemantauan kondisi, dan evaluasi kinerja sistem, tetapi informasi tersebut tidak selalu tersedia pada instalasi lapangan. Penelitian ini mengembangkan metode identifikasi parameter ekuivalen modul fotovoltaik menggunakan Algoritma Genetika, Particle Swarm Optimization, dan Grey Wolf Optimizer dari pengukuran lapangan terbatas pada sistem MPPT Incremental Conductance. Parameter yang diidentifikasi meliputi tegangan rangkaian terbuka, arus hubung singkat, tegangan dan arus titik daya maksimum pada kondisi standar, koefisien temperatur arus, koefisien temperatur tegangan, dan koefisien pengaruh iradiasi terhadap tegangan. Evaluasi menggunakan 81 observasi dari tiga modul fotovoltaik selama lima hari, validasi leave-one-day-out secara terpisah pada setiap modul, dan sepuluh running independen. Hasil identifikasi dinilai berdasarkan rekonstruksi  dan . Secara keseluruhan, PSO menghasilkan skor komposit terendah sebesar 11,2254, lebih baik 15,28% dibandingkan baseline median sebesar 13,2498. Pada modul P3 yang spesifikasinya tidak diketahui, GA memberikan skor komposit terbaik sebesar 17,1909, sedangkan PSO menghasilkan rekonstruksi daya terbaik dengan RMSE 11,3957 W, MAE 8,9664 W, dan R2 sebesar 0,7808. Parameter utama P3 yang diperoleh GA meliputi =20,2034±0,1702 V, =4,5315±0,2281 A, =16,2734±0,1371 V, =4,1168±0,2033 A, dan =66,9872±3,2084 W. Uji Wilcoxon menunjukkan bahwa perbedaan GA dan PSO pada P3 tidak signifikan, sedangkan keduanya secara signifikan lebih baik daripada GWO. Hasil penelitian menunjukkan bahwa parameter listrik utama dapat diidentifikasi secara konsisten, tetapi koefisien temperatur memiliki ketidakpastian lebih tinggi. Parameter yang diperoleh harus dipahami sebagai parameter ekuivalen hasil estimasi lapangan, bukan spesifikasi pasti dari pabrikan.
Unsupervised operating-regime and anomaly-candidate discovery in field photovoltaic measurements under incremental conductance MPPT Giovanni Dimas Prenata; Ahmad Ridho’i
Journal Geuthee of Engineering and Energy Vol 5, No 2 (2026): Journal Geuthee of Engineering and Energy
Publisher : Geuthèë Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52626/joge.v5i2.103

Abstract

Field photovoltaic measurements exhibit nonlinear environmental variation, heterogeneous module responses, and scarce verified fault labels, making fixed-threshold anomaly screening difficult. This study develops an unsupervised framework for operating-regime and anomaly-candidate discovery from a limited field dataset consisting of only 81 observations collected from three photovoltaic modules over five measurement days under Incremental Conductance MPPT. Ten environmental, temporal, electrical, and physics-related features were robustly normalized using the median and interquartile range and evaluated with K-Means, Fuzzy C-Means, Gaussian Mixture Model, DBSCAN, and K-Medoids. Model selection combined internal validity, minimum cluster-size constraints, repeated-run stability, ordinal-rank consensus, and composite anomaly scoring. Among the tested configurations, DBSCAN achieved the highest internal validity, with a Silhouette coefficient of 0.3751 and a Davies–Bouldin index of 0.8749, while K-Medoids showed high repeated-run stability (mean ARI=0.9655) and strong agreement with DBSCAN on non-noise observations (ARI=0.9301). The consensus identified Low, Moderate, and High operating regimes containing 16, 26, and 39 observations, respectively. The mutually exclusive anomaly categorization identified five high-score anomaly candidates, seven density-supported candidates, and 69 non-anomalous observations. Because verified fault labels and independent full I–V sweep references were unavailable, the selected observations are interpreted as candidates for targeted physical inspection rather than confirmed photovoltaic faults. The framework therefore provides a structured basis for exploratory screening of field photovoltaic measurements.