Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Technology Sciences Insights Journal

Klasifikasi Gerakan Otomasi Berdasarkan Data Sensor Menggunakan Algoritma Support Vector Machine Manalu, Nilam Saswaty; Jefiza, Adlian
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/dd0mey21

Abstract

Dalam era industri modern, klasifikasi gerakan secara otomatis menjadi bagian penting dalam sistem otomasi. Penelitian ini mengimplementasikan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan data gerakan berdasarkan tiga fitur sensor sudut, yaitu temperature, pressure, dan humidity. Dataset berisi 1.000 entri yang terbagi dalam beberapa kelas gerakan (faulty). Proses dimulai dari pra-pemrosesan data, normalisasi, pemisahan data latih dan uji, hingga pelatihan model SVM menggunakan kernel RBF. Hasil pengujian menunjukkan akurasi sebesar 96% dengan f1-score rata-rata mencapai 0,81. Hasil ini menunjukkan bahwa SVM efektif untuk mengklasifikasikan gerakan berbasis data sensor dan berpotensi untuk digunakan dalam sistem otomasi berbasis kecerdasan buatan.
Klasifikasi Data URL Dengan Menggunakan K-Nearest Neghbor (KNN) untuk Deteksi Hishing Website Angreini, Fartiwi; Jefiza, Adlian
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/ab6g2a89

Abstract

Phishing merupakan salah satu bentuk ancaman keamanan siber yang sering terjadi dengan memanfaatkan URL palsu. Penelitian ini bertujuan untuk melakukan klasifikasi terhadap URL yang berpotensi sebagai phishing menggunakan metode K-Nearest Neighbor (KNN). Dataset yang digunakan memiliki tiga fitur utama: panjang URL, panjang hostname, dan panjang path, serta label target berupa kategori phishing (1) atau bukan phishing (0). Dengan melakukan preprocessing dan normalisasi data, model KNN diimplementasikan dan dievaluasi menggunakan confusion matrix dan classification report. Hasil evaluasi menunjukkan akurasi sebesar 59% dengan distribusi performa yang tidak seimbang pada masing-masing kelas. Meskipun hasilnya belum optimal, pendekatan ini menunjukkan potensi dalam mendeteksi phishing berbasis karakteristik URL. 
Penerapa MLP CLasifier untuk Klasifikasi Data Sensor Pada Aplikasi Robotika Cerdas Ramadhan, Muhammad Wahyu; Jefiza, Adlian
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/d3qdak84

Abstract

Perkembangan sistem robotika cerdas sangat dipengaruhi oleh kemampuan perangkat dalam memahami kondisi lingkungan sekitarnya secara otomatis melalui pemrosesan data sensor. Salah satu tantangan utama adalah bagaimana data sensor yang bersifat kompleks dan bervolume tinggi dapat diolah untuk menghasilkan informasi yang bermakna bagi pengambilan keputusan. Penelitian ini bertujuan untuk menerapkan algoritma Multilayer Perceptron (MLPClassifier) dalam proses klasifikasi data sensor yang diperoleh dari sistem robotika. Dataset yang digunakan memuat berbagai fitur numerik hasil pembacaan sensor serta label aktivitas atau kondisi yang ingin dikenali. Proses dilakukan melalui tahap pembersihan data, transformasi numerik, encoding label, normalisasi fitur, dan pelatihan model. Evaluasi dilakukan menggunakan metrik Mean Squared Error (MSE), confusion matrix, dan classification report. Hasil pengujian menunjukkan bahwa meskipun model mampu mengenali sebagian besar kelas, masih terdapat permasalahan dalam hal ketidakseimbangan kelas dan performa klasifikasi pada kelas minoritas. Model MLP terbukti memiliki potensi untuk diterapkan pada pengklasifikasian data sensor dalam domain robotika, namun masih dibutuhkan pendekatan tambahan seperti tuning parameter dan balancing data. Studi ini memberikan kontribusi terhadap pemanfaatan machine learning untuk mendukung sistem robotika adaptif dan otonom.
Penerapan Algoritma K-Nearest Neighbor (K-NN) untuk Klasifikasi Status Monitoring Automatic Pump Water Machine Studi Kasus: Industri Manufaktur Indra, Indra Mora; Adlian, Adlian Jefiza
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/zb0dph85

Abstract

In the modern industrial world, real-time monitoring of system conditions is  crucial to maintain efficiency and prevent equipment damage. This research aims to classify industrial system conditions based on sensor data using the K Nearest Neighbors (KNN) algorithm. The data used consists of four main  parameters namely pressure, flow rate, voltage, and engine speed (RPM),  which are then classified into three conditions: Alert, Critical, and Normal.  Preprocessing is done with Min-Max normalization and division of data into  training and test data. The evaluation results show that the KNN method is  able to achieve an accuracy of 58% with a mean squared error (MSE) value of 1.06 and an average cross-validation accuracy of 64%. These results show that  KNN is effective enough to be used as an initial method for industrial system  condition detection, although the classification performance for the Critical  category can still be improved. 
Industrial Equipment Monitoring Dataset for Predictive Maintenance Analysis Pradana, Kreshna Lucky; Jefiza, Adlian
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/t9mr4w17

Abstract

This study develops and evaluates a Support Vector Machine (SVM) model using a Radial Basis Function (RBF) kernel to detect faulty conditions in systems based on sensor data (temperature, pressure, vibration, humidity). The data is processed through normalization and split into training and testing sets. The evaluation results show an overall model accuracy of 0.93. The model is highly effective in identifying normal conditions (precision 0.93, recall 1.00), but less optimal in detecting faulty conditions (precision 0.96, recall 0.30), indicating a high number of false negatives and a low F1-score (0.45) for this class. The ROC AUC score of 0.892 indicates good overall discriminative ability. This performance gap is likely due to class imbalance. Enhancing faulty detection through class imbalance handling or further model optimization is recommended for critical applications.
Co-Authors Abdullah Sani Aditya Gautama Darmoyono Ahmad Riyad Firdaus Ahmad Riyad Firdaus Akbar, Muahmmad Daneoviori Amri, Juhrial Anderson Pasaribu Angreini, Fartiwi ANUGERAH WIBISANA Apriyan Hidayat Ardian Budi Kusuma Atmaja Arif Wahyu Budiarto Assegaf, Iqchan B Budiana B. Budiana Bayu Gilang Sandjaya Bayu Prayogo Setiawan Boedinoegroho, Hanny Budi Sugandi Budiana, Budiana Dalimunthe, Juwita Marwah Daniel Sutopo Pamungkas, Daniel Sutopo Destiana, Rizka Diono, Diono Dodi Radot Lumbantoruan Dwi Imam Mulyono Effendi, Noverta Eka Mutia Lubis Eko Rudiawan Jamzuri Fadli Firdaus Fandy Bestario Harlan Fathiyyah Syahidah Sujana Febri Yanti Febriansyah Juwito, Arif Fernanda, Heri Fernando Sitohang, Ferri Finanta Okmayura Fitriyanti Nakul Futra, Asrizal Deri Gautama, Aditya Geraldo Panjaitan Ghozali, Muhammad Syafei Ghozalli Mashan Gindo Leonard Manahan Simanjuntak Gozali, Muhammad Syafei Hana Mutialif Maulidiah Handri Toar Hanesman Hanesman Hanny Boedinoegroho Hardi, Moh. Nabil Khairy Hasnira Hasnira Hendawan Soebhakti Herlina, Gise Ica Apriana Ika Karlina Laila NS Ika Karlina Laila Nur Suciningtyas Illa Aryeni Indra Daulay Indra Daulay Indra, Indra Mora Ira Zamzami Irwanto Zarma Putra Jhon Hericson Purba Kamarudin Kamarudin Lindawani Siregar M. Rifan Maulana Mahmud, Aqil Fadhurahman Manalu, Nilam Saswaty Manurung, Anjunius Marpaung, Roy Hitmen Maulidah, Hana Mutialif Mauridhy Heri Purnomo Meilan Novayanti Michael Paul Smart Simbolon Milala, Gerry Ibnu Luthfi Sembiring Muhammad Affani Muhammad Al Fauzan Muhammad Arifin MUHAMMAD ARIFIN Muhammad Firdaus Muhammad Iqbal Muhammad Naufal Airlangga Diputra Muhammad Prihadi Eko Wahyudi Muhammad Rizki Romadhan Muhammad Syafei Gozali Muhammad Zainuddin Lubis Mulyadi, Indra Hardian Mulyono, Dwi Imam Mustanir Mustanir Mustanir Mustanir Nadhrah Wivanius, Nadhrah Nadrah Wivanius Nesa Aqila Nico Fransisco Utomo Novchi, Raja Widya Nugraha, Muhammad Wahyu Nur Sakinah Asaad Nur Sakinah Asaad Nur Sakinah Asaad Nurhasanah, Armeilia Nurul Fadilah Pitriani, Shelly Sri Pradana, Kreshna Lucky Pramunanto, Eko Prayudha, Dimas Rama Purnomo, Mauridhy Heri Putri, Sarah Athaullah Wenna Qoriatul Fitriyah Rafif, Carelenton Muhammad Rahmaini, Vika Rahmana, Henry Rahmi Mahdaliza Raja Widya Novchi Ramadhan, Farhan Rizqi Ramadhan, Muhammad Wahyu Ramadhani, Witri RIA ANGGRAINI Rifqi Amalya Fatekha Riki Ria Riska Analia Rizky Pratama Hudhajanto Ryan Satria Wijaya S. Susanto Sakdiah Sakdiah Satria Bayu Aji Senanjung Prayoga Setiawan, Afif Sihombing, Fitri Andini Siregar, Lindawani Siregar, Nahum Hita Dior Siti Aisyah Sumantri Kurniawan Risandriya Sumantri Kurniawan Risandriya Sumantri Lukito Suprayogi, Bagus Susanto Susanto Syafei Gozali, Muhammad Tambunan, Josua Cristian Tian Havwini Wahyuningsih, Asriani Rosalina Wenang Anurogo Wicaksono, M. Jaka Wimbang Wicaksono, Muhammad Jaka Wimbang Widya Rika Puspita Wifandi, Akhfi Wulandari, Febrina Yangu, Juliansah Yangu, Juliasyah Zulhendra Zulhendra