Article Per Year (5 Year)
p-Index From 2021 - 2026
1.383
P-Index
This Author published in this journals
All Journal JIEET (Journal of Information Engineering and Educational Technology) Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Journal of Innovation Information Technology and Application (JINITA) INAJEEE (Indonesian Journal of Electrical and Electronics Engineering) Jurnal Teknik Elektro (JTE)
Hapsari Peni Agustin Tjahyaningtijas
Institut Teknologi Sepuluh Nopember, Universitas Negeri Surabaya, Indonesia
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Analisa Learning Rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam Naim Rochmawati; Hanik Badriyah Hidayati; Yuni Yamasari; Hapsari Peni Agustin Tjahyaningtijas; Wiyli Yustanti; Agus Prihanto
JIEET (Journal of Information Engineering and Educational Technology) Vol. 5 No. 2 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v5n2.p44-48

Abstract

Deep learning semakin berkembang pesat dan banyak dimanfaatkan dalam berbagai bidang kehidupan. Salah satunya bisa dimanfaatkan untuk klasifikasi image medis penderita covid. Keras adalah salah satu framework deep learning yang paling banyak digunakan. Dalam Keras, terdapat beberapa macam algoritma optimizer. Salah satunya adalah optimizer Adam. Untuk menggunakan optimizer Adam ini, perlu menentukan angka learning rate. Penentuan angka learning rate sangat penting karena salah dalam menentukan angka learning rate akan berdampak pada hasil deep learning yang dilakukan. Batch size juga salah satu hyperparameter penting dalam deep learning. Penelitian ini bertujuan untuk mengetahui dan membandingkan beberapa learning rate dan batch size agar diketahui efek dan dampaknya pada hasil loss dan akurasi training dan validasi pada proses deep learning yang dilakukan. Ada 6 learning rate dan 3 batch size yang akan dibandingkan. Hasil yang optimal diantara 6 learning rate dalam penelitian ini adalah 0.0001 dan 0.00001. Sedangkan batch size yang paling bagus hasilnya dari tiga angka yang dibandingkan adalah batch size 5
Rancang Bangun Sistem Informasi Kehadiran Dosen dan Asisten Laboratorium Berbasis Internet of Things menggunakan RFID dan Aplikasi Telegram Fiqih Yerdian Alamsyah; Farid Baskoro; RR Hapsari Peni Agustin T; Lusia Rakhmawati
JURNAL TEKNIK ELEKTRO Vol 11 No 1 (2022): JANUARI 2022
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jte.v11n1.p99-107

Abstract

Pandemi COVID-19 tentu sangat berdampak terhadap kebiasaan sosial masyarakat. Hal ini tentu saja juga berpengaruh pada kegiatan akademik di universitas. Dengan diterapkannya metode hybrid pada kegiatan akademik universitas maka timbul masalah bagi mahasiswa untuk mengetahui dosen sedang Work from Office (WFO) atau Work from Home (WFH). Rancang bangun sistem informasi berbasis Internet of Things (IOT) ini dibuat untuk memberikan solusi atas masalah tersebut. Sistem ini dibuat menggunakan mikrokontroler DOIT ESP32 DEVKIT V1 sebagai pusat pemrosesan data yang terhubung dengan modul sensor Radio Frequency Identification MFRC522 sebagai pengidentifikasi tag dan Bot API pada aplikasi Telegram yang digunakan sebagai interface pengguna. Dosen juga dapat mengubah kondisinya (sibuk/tidak sibuk) dengan cara mengirimkan pesan perintah kepada Bot API pada aplikasi Telegram. Dengan memanfaatkan Bot API pada aplikasi Telegram ini, mahasiswa dapat mengetahui informasi kehadiran dan keadaan dosen serta kehadiran asisten laboratorium di Laboratorium Telematika Universitas Negeri Surabaya (UNESA). Untuk mengetahui keandalan sistem yang dirancang, maka dilakukan beberapa pengujian terhadap sistem. Pengujian terhadap jarak baca maksimum RFID reader tanpa penghalang adalah 47mm, sementara RFID reader tidak dapat melakukan pembacaan apabila terhalang bidang konduktor, dan dengan penghalang isolator RFID reader dapat melakukan pembacaan namun jarak maksimal pembacaannya seiring berkurang seiring dengan bertambahnya ketebalan penghalang dengan bahan isolator. Berdasarkan hasil pengujian pengaruh Wi-Fi terhadap kecepatan identifikasi tag, didapatkan bahwa kecepatan identifikasi tag sangat dipengaruhi oleh kecepatan Wi-Fi yang digunakan dikarenakan sistem yang dirancang berbasis IOT sehingga sangat bergantung terhadap kecepatan internet yang digunakan.Kata Kunci: Kehadiran dosen, RFID, Telegram
Quality of Service (QoS) Comparative Analysis of Wireless Network Akbar Kurnia Saleh; Hapsari Peni Agustin Tjahyaningtijas; Nurhayati Nurhayati; Lusia Rakhmawati
INAJEEE (Indonesian Journal of Electrical and Electronics Engineering) Vol. 5 No. 2 (2022)
Publisher : Department of Electrical Engineering, Faculty of Engineering, Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/inajeee.v5n2.p30-37

Abstract

Nowadays the education sector has changed due to the covid-19 pandemic, but the government has tried to reduce this impact by providing WiFi in some areas. This article seeks to compare the quality of the internet network in an area that offers WiFi to the surrounding population, particularly students as a support for DL (Distance Learning), simulation, and the ideal scenario. In order to determine the quality of a network, one needs to consider the QoS (Quality of Service) metrics, which include packet loss, throughput, latency, and jitter. Using Wireshark (network analyzer software), this research collects data on the item to be investigated; the obtained data will be analyzed to determine the QoS of the WiFi service under investigation. In addition, this research will do network modeling and simulation using the opnet modeler (network simulation software), which will be utilized to compare the observed items. While video conferencing was used to analyze latency and jitter during a 60-minute sample length assessment, 500 MB of data was used to evaluate throughput and packet loss. Keywords: Quality of Service, packet loss, throughput, delay, jitter
Antena Monopole Ultra Wide Band (UWB) untuk Aplikasi Ground Penetrating Radar (GPR) Mochamad Jauhar Nur Ainul Sirojuddin; Nurhayati Nurhayati; Raden Roro Hapsari Peni Agustin Tjahyaningtijas; Farid Baskoro
JURNAL TEKNIK ELEKTRO Vol 11 No 1 (2022): JANUARI 2022
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jte.v11n1.p88-98

Abstract

Pada penelitian ini menjelaskan antena monopole dengan frekuensi UWB untuk digunakan pada pencitraan Radar Gelombang mikro yang disebut dengan GPR (Ground Penetrating Radar). Pada penelitian ini antena monopole digunakan untuk mendeteksi tiga jenis objek dibawah tanah yaitu plat besi, tutup panci dan kaleng. Metode deteksi dilakukan dengan cara menghubungkan antena dengan VNA (Vector Network Analyzer) portabel sehingga sinyal yang dipancarkan antena bila mengenai objek akan memiliki parameter S21 (karakteristik parameter scatering port 1 terhadap port 2) yang berbeda di antena penerima bila dibandingkan dengan kondisi tanpa adanya target. Data S21 yang didapatkan akan diolah menggunakan metode C-Scan sehingga lokasi objek/target dapat ditentukan. Dimensi antenna yang digunakan memiliki besar yaitu sebesar 200 mm x 200 mm x 0.035 mm yang dibekerja pada frekuensi 500 MHz – 3 GHz dengan bahan copper pada bagian patch dan ground plane setebal 0.035 mm, dan substrat menggunakan FR-4 Lossy dengan ketebalan1.6 mm. Dari hasil pendeteksian didapatkan bahwa bila objek berada sedalam 5 cm di bawah tanah dan posisi antena diatas tanah 20 cm dengan jarak antara antena 1 dan 2 sebesar 10 cm maka ketiga objek dapat dideteksi lokasinya dan objek besi menunjukan hasil pendeteksian dengan resolusi yang paling bagus dibandingkan dengan objek yang lainya.Kata Kunci: Wideband antenna, Monopole antenna, Pencitraan GPR, Metode C-Scan.
An LSTM-SARIMA Based Forecasting Method for Environmental Quality in Enclosed Poultry House Genta Garuda Bimasakti; Anisja Noni Kartikasari; Hapsari Peni Agustin Tjahyaningtijas
Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol. 11, No. 2, May 2026
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/kinetik.v11i2.2557

Abstract

Closed-type poultry houses support stable production performance by maintaining a controlled microenvironment that promotes optimal poultry growth. However, many farms still rely on manual monitoring of environmental parameters such as temperature, humidity, and ammonia concentration, resulting in delayed responses, reduced productivity, and increased environmental stress on poultry. These limitations highlight the need for predictive and automated systems that can monitor and forecast environmental conditions in real time. Previous studies have shown that LSTM networks are effective for nonlinear time-series forecasting. However, when applied independently, LSTM models often face difficulties in capturing linear seasonal patterns and long-term trends inherent in poultry house environmental data. Therefore, this study proposes a hybrid forecasting framework that integrates LSTM and SARIMA models to simultaneously capture nonlinear temporal dependencies and linear seasonal components. Environmental parameters, including temperature, litter moisture, and ammonia concentration, were collected using SHT31, Soil Moisture, and MQ137 sensors. The collected data were processed using a Python-Flask backend system, stored in MongoDB, and visualized through a cross-platform web interface developed using Flutter. Experimental results demonstrate that the proposed LSTM–SARIMA model achieves strong predictive performance, with MAE = 0.62, MSE = 0.55, RMSE = 0.58, MAPE = 7.89%, and R² = 0.86. These findings indicate that the proposed method effectively supports early warning systems and real-time microclimate monitoring, enabling faster environmental control responses and reducing production losses caused by unstable poultry house conditions.
A Hybrid Ensemble Learning Framework for Forecasting Renewable Energy Stocks: Evidence from the Indonesia Stock Exchange Hana A. R.; Hapsari Peni Agustin Tjahyaningtijas
Journal of Innovation Information Technology and Application (JINITA) Vol 8 No 1 (2026): JINITA, June 2026
Publisher : Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/jinita.v8i1.3274

Abstract

Forecasting stock prices in the renewable energy sector remains a challenging task due to high market volatility, regulatory dynamics, and rapidly changing investor sentiment. Accurate prediction models are therefore essential to support informed investment decisions and reduce financial uncertainty. This study proposes a hybrid ensemble forecasting framework that integrates Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Support Vector Regression (SVR) to improve the prediction accuracy of renewable energy stock prices. The model leverages the complementary strengths of LSTM in capturing long-term temporal dependencies and GRU in efficiently modeling short-term market dynamics, while SVR acts as a meta-learner within a stacking ensemble architecture to enhance predictive generalization. To further strengthen the predictive capability, a set of technical indicators is incorporated to enrich the feature representation, and Bayesian optimization is employed to adaptively tune key hyperparameters. The model is evaluated using renewable energy stocks listed on the Indonesia Stock Exchange with hourly trading data, and its performance is assessed using multiple regression metrics, including Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination (R²). Experimental results demonstrate that the proposed hybrid model consistently outperforms several benchmark approaches, achieving superior forecasting accuracy and more stable predictions across multiple stocks. These findings indicate that the integration of complementary recurrent architectures with ensemble learning and adaptive optimization provides a robust framework for modeling complex financial time-series data, offering improved predictive reliability for renewable energy stock forecasting.
KLASIFIKASI PENYAKIT MATA MANUSIA PADA CITRA FUNDUS RETINA MENGGUNAKAN SIMPLE CNN ARCHITECTURE Vivin Kusuma Wijayanti; Hapsari Peni Agustin Tjahyaningtijas
JURNAL TEKNIK ELEKTRO Vol. 15 No. 2 (2026): MEI 2026
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jte.v15n2.p160-169

Abstract

Berdasarkan data World Health Organization (WHO), terdapat sekitar 18 juta orang di dunia yang mengalami kebutaan, sehingga deteksi dini gangguan mata menjadi langkah penting untuk membantu penanganan yang lebih cepat dan tepat. Namun, proses diagnosis penyakit mata umumnya masih dilakukan melalui rangkaian pemeriksaan manual, yang berisiko memunculkan human error dan membutuhkan waktu relatif lebih lama. Penelitian ini mengusulkan pendekatan Simple Convolutional Neural Network (Simple CNN) dengan dropout variatif pada setiap lapisan (0,2–0,5) untuk menekan overfitting dan meningkatkan kinerja klasifikasi citra fundus retina. Model dilatih menggunakan hyperparameter Adam optimizer, ReLU activation function, batch size 32, dan epoch 100, lalu dibandingkan dengan model CNN lain yang diuji pada dataset fundus retina dari Kaggle berisi 4.000 citra (.jpg) dengan empat kelas (normal, katarak, glaukoma, dan retinopati diabetik). Hasil evaluasi menunjukkan bahwa arsitektur Simple CNN dengan dropout variatif memberikan performa terbaik dibandingkan model pembanding, dengan akurasi 87,96%, precision 88,03%, recall 87,96%, dan F1-score 87,99%. Temuan ini mengindikasikan bahwa rancangan Simple CNN yang sederhana namun teratur melalui strategi dropout bertingkat berpotensi menjadi pendekatan yang efektif untuk membantu proses klasifikasi penyakit mata berbasis citra fundus retina. Kata Kunci: klasifikasi, penyakit mata, simple CNN, akurasi.
Co-Authors Agus Prihanto Akbar Kurnia Saleh Anisja Noni Kartikasari Farid Baskoro Fiqih Yerdian Alamsyah Genta Garuda Bimasakti Hana A. R. Lusia Rakhmawati Mochamad Jauhar Nur Ainul Sirojuddin Mohammad Hasan Machfoed Naim Rochmawati Nurhayati Nurhayati Ramadhani Arie Sadewa Setiyanto Vivin Kusuma Wijayanti Wiyli Yustanti YUNI YAMASARI