Article Per Year (5 Year)
p-Index From 2021 - 2026
2.195
P-Index
This Author published in this journals
All Journal Pixel : Jurnal Ilmiah Komputer Grafis Sinergi Jurnal Ilmiah FIFO JIKO (Jurnal Informatika dan Komputer) Indonesian Journal of Applied Informatics Jurnal Abdimas Prakasa Dakara Malcom: Indonesian Journal of Machine Learning and Computer Science Literasi: Jurnal Pengabdian Masyarakat dan Inovasi Lokomotif Abdimas: Jurnal Pengabdian kepada Masyarakat Journal of Engineering and Technological Sciences
Zico Pratama Putra
Universitas Nusa Mandiri
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Social Sciences Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Deploying Edge AI for Road Surface Damage Detection Using TensorFlow Lite and Teachable Machine Damayanti, Iren; Putra, Zico Pratama
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2067

Abstract

Road damage compromises transportation safety and drives high infrastructure maintenance costs. To address the limitations of traditional methods, which are expensive and non-scalable, this study proposes an Edge AI alternative utilizing widely available smartphones and machine learning capabilities. We present a real-time road damage detection system powered by TensorFlow Lite and Teachable Machine. The system architecture employs lightweight CNN models (such as MobileNet and EfficientNet Lite) optimized for edge deployment. This implementation enables the immediate detection of anomalies (cracks and potholes) directly on the mobile device without cloud dependency, ensuring low latency. Testing demonstrated robust model performance. For pothole detection, the system achieved an accuracy of 95%; for cracks, the accuracy was 92%. During real-time trials in daytime urban settings, the system achieved an average detection latency of 200 milliseconds with an accuracy of 94%. This user-friendly system also supports data collection via crowdsourcing, facilitating comprehensive infrastructure monitoring and proactive maintenance. This innovation offers a scalable, cost-effective, and user-friendly solution with significant potential to advance transportation safety and maintenance efficiency.
Pelatihan Transformasi Digital Organisasi Melalui Implementasi AI Tanpa Coding Pada Remaja Islam Al Hikmah (RISMAH) Pratama Putra, Zico; Parningotan Manik , Lindung; Gata , Windu; Rianto, Yan; Kurniawati, Laela
LOKOMOTIF ABDIMAS: Jurnal Pengabdian Kepada Masyarakat Vol. 3 No. 2 (2024)
Publisher : LPPM UIN Sulthan Thaha Saifuddin Jambi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30631/lokomotifabdimas.v3i2.2744

Abstract

Pada era modern saat ini teknologi berkembang dengan sangat pesat khususnya dalam bidang komputer yang telah didukung dengan teknologi artificial intelligence. Artificial intelligence sebuah studi tentang bagaimana membuat komputer dapat melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik dari apa yang telah dilakukan oleh manusia. Dalam pembuatan aplikasi AI, saat ini pengguna atau developer tidak perlu lagi menuliskan kode. Dalam rangka melaksanakan kegiatan Tri Dharma Perguruan Tinggi yaitu Pengabdian kepada Masyarakat, Fakultas Teknologi Informasi Universitas Nusa Mandiri akan menyelenggarakan pelatihan dengan tema “Pelatihan Transformasi Digital Organisasi melalui Implementasi AI Tanpa Coding Pada Remaja Islam Al Hikmah (RISMAH)”. Kegiatan ini bertujuan untuk meningkatkan wawasan dan kemahiran peserta untuk membuat aplikasi artificial intelligence dengan mudah tanpa menggunakan coding, pelaksanaan kegiatan ini dilakukan dengan 3 tahapan yaitu persiapan, pelaksanaan yang terakhir evaluasi dan monitorin dengan hasil yang dicapai dari kegiatan ini adalah adalah peserta memiliki keterampilan untuk membuat aplikasi artificial intelligence dengan mudah tanpa menggunakan coding.
Perbandingan Performa Algoritma Machine Learning untuk Prediksi Risiko Kesehatan dari Polusi Udara Purnomo, Niko; Putra, Zico Pratama
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.002

Abstract

Penelitian ini menggunakan berbagai algoritma pembelajaran mesin untuk menganalisis dan memprediksi hubungan antara polusi udara dan dampak kesehatan masyarakat. Dataset yang digunakan terdiri dari 968 instances dengan 15 fitur yang mencakup indikator kualitas udara (PM2.5, PM10, NO2, SO2, O3) dan data kesehatan (kunjungan rumah sakit, mortalitas, jenis penyakit) yang dikumpulkan dari lima kota besar di Indonesia selama periode Januari-Desember 2023. Lima algoritma pembelajaran mesin dievaluasi secara komprehensif: k-Nearest Neighbors (k-NN), Naive Bayes, Logistic Regression, Support Vector Machines (SVM), dan Neural Network. Kontribusi utama penelitian ini adalah menyediakan analisis komparatif komprehensif dari kelima algoritma tersebut menggunakan evaluasi multi-metrik dan optimasi hyperparameter khusus untuk domain prediksi kesehatan berbasis polusi udara. Hasil evaluasi menunjukkan bahwa algoritma SVM memiliki performa terbaik dengan akurasi 92%, presisi 98%, recall 96%, dan F1-Score 97%. Analisis korelasi mengungkapkan bahwa PM2.5 merupakan prediktor terkuat untuk penyakit respirasi dengan koefisien korelasi 0.78 terhadap kunjungan rumah sakit. Penelitian juga menemukan efek sinergis antara PM2.5 dan NO2 yang meningkatkan risiko kardiovaskular hingga 45%. Di sisi lain, algoritma Neural Network menunjukkan performa terendah dengan akurasi 50% meskipun telah dilakukan hyperparameter tuning ekstensif, mengindikasikan ketidakcocokan arsitektur untuk karakteristik dataset ini. Algoritma Naive Bayes dan Logistic Regression menunjukkan performa moderat dengan akurasi masing-masing 83% dan 88%. Temuan penelitian ini dapat dijadikan acuan untuk pengembangan sistem monitoring kesehatan real-time dan mendukung pengambilan kebijakan kesehatan masyarakat terkait pengendalian polusi udara di wilayah urban.
Optimizing Evaporator Design in ORC Systems for Waste-to-Energy Conversion Using FAST Diagram and Value Engineering Wibowo, R. Susalit Setya; Satmintareja, Satmintareja; Abdurahman, Asep Duduh; Suyatmin, Suyatmin; Darmawan, Darmawan; Gunawan, Ari; Budiarti, Kusumawati Dewi; Baddu, Nasrul; Pramono, Adhi; Faisal, Faisal; Nugroho, Cahyono; Ngudiwaluyo, Suharto; Putra, Zico Pratama
Journal of Engineering and Technological Sciences Vol. 58 No. 3 (2026): Vol. 58 No. 3(2026): June (In Progress)
Publisher : Directorate for Research and Community Services, Institut Teknologi Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5614/j.eng.technol.sci.2026.58.3.4

Abstract

The global waste crisis necessitates innovative solutions for sustainable energy conversion. This study presents a comprehensive optimization framework for evaporator design in Organic Rankine Cycle (ORC) systems utilized in waste-to-energy conversion. This research integrates the Function Analysis System Technique (FAST) diagram with Value Engineering (VE) principles to assess the logical hierarchy and cost analysis components of system effectiveness. Evaluation of the 887 kW shell-and-tube evaporator showed tubes, baffles, and shells account for 90% of production costs and are the most thermally efficient components. Further strategic redesign under VE principles resulted in 23% cost reduction with 15% efficiency improvements, demonstrating resource expenditure without performance compromise. The proposed approach offers a foundational methodology for advancing enduring ORC system design while harnessing high waste-to-value electrical energy conversion at low expenses, fostering the circular economy.
Co-Authors Abdurahman, Asep Duduh Ade Priyatna Agus Subekti Anasanti, Mila Desi Ari Gunawan Baddu, Nasrul Bagus Priambodo Bagus Priambodo Budiarti, Kusumawati Dewi Cahyono Nugroho Damayanti, Iren Darmawan Darmawan Deny Robyanto Dwiza Riana Fabiyanto, Dedik Faisal Faisal Faruq Aziz Gata , Windu Hilman F. Pardede Hilman Ferdinandus Pardede Joy Lawa Rizky Kukuh Panggalih Laela Kurniawati, Laela Lindung Parningotan Manik Mila Desi Anasanti Ngudiwaluyo, Suharto Parningotan Manik , Lindung Pinem, Tuahta Hasiholan Pramono, Adhi Prayogi, Kurnia Purnomo, Niko Rianto, Yan Satmintareja, Satmintareja Suyatmin Suyatmin, Suyatmin Wibowo, R. Susalit Setya