Article Per Year (5 Year)
p-Index From 2021 - 2026
3.673
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering JUITA : Jurnal Informatika ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Jurnal Sains Teh dan Kina JURNAL LENTERA : Kajian Keagamaan, Keilmuan dan Teknologi MIND (Multimedia Artificial Intelligent Networking Database) Journal TESLA: Jurnal Teknik Elektro Jurnal Ilmiah Syi'ar Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Teknik Informatika (JUTIF) Almufi Jurnal Pengabdian kepada Masyarakat eProceedings of Engineering Jurnal Nasional Sains dan Teknik
Nur Ibrahim
Universitas Telkom
Religion Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Social Sciences Other

Published : 67 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 67 Documents
Search

 3   4   5   6   7 
Klasifikasi Tingkat Kematangan Pucuk Daun Teh menggunakan Metode Convolutional Neural Network IBRAHIM, NUR; LESTARY, GITA AYU; HANAFI, FANIESA SAUFANA; SALEH, KHAERUDIN; PRATIWI, NOR KUMALASARI CAECAR; HAQ, MUTHIA SYAFIKA; MASTUR, ADHI IRIANTO
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 1: Published January 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i1.162

Abstract

ABSTRAKIndonesia merupakan salah satu negara besar pengekspor teh di dunia. Luasnya area perkebunan teh menyebabkan setiap blok tanam daun teh memiliki waktu petik dan tingkat kematangan yang berbeda. Sehingga salah satu upaya untuk mengetahui tingkat kematangan daun teh yaitu menerapkan sistem otomatisasi menggunakan pengolahan citra digital. Pada penelitian ini dirancang sebuah sistem klasifikasi tingkat kematangan pucuk daun teh dari jenis sampel varietas Assamica Klon (GMB 7) yang yang berada pada Pusat Penelitian Teh dan Kina Gambung. Penelitian ini menerapkan metode pengolahan citra digital dengan algoritma Convolutional Neural Network (CNN) menggunakan Arsitektur VGGNET19 dan ResNet50. Hasil pengujian sistem memperoleh nilai akurasi terbaik sebesar 97.5% dengan menggunakan arsitektur VGGNET19, Optimizer RMSprop, learning rate 0.01, batch size 32 dan epoch 100.Kata kunci: teh, klasifikasi, Convolutional Neural Network, VGGNET19, ResNet50 ABSTRACTIndonesia is one of the major tea exporting countries in the world. The large area of tea plantations causes each tea leaves planting block to have a different picking time and maturity level. So that one of the efforts to determine the maturity level of tea leaves is to apply an automation system using digital image processing. In this study, a classification system for the maturity level of tea leaves design from the Assamica Klon (GMB 7) variety sample located at the Gambung Tea and Quinine Research Center. This study applies a digital image processing method with the Convolutional Neural Network (CNN) algorithm using VGGNET19 and ResNet50 Architecture. The results of the system test obtained the best accuracy value of 97.5% using the VGGNET19 architecture, RMSprop Optimizer, learning rate 0.01, batch size 32 and epoch 100.Keywords: tea, classification, Convolutional Neural Network, VGGNET19, ResNet50
Pendeteksian Lokasi Sumber Noise (Partial Discharge) secara Tiga Dimensi menggunakan Antenna Array IBRAHIM, NUR
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 3, No 2: Published July - December 2015
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v3i2.106

Abstract

ABSTRAKPada penelitian ini akan dilakukan simulasi teknik pendeteksian lokasi sumber noise berupa partial discharge (PD) pada peralatan tegangan tinggi, dengan menggunakan susunan antena yang terdiri dari empat buah antena monopole sebagai sensor untuk mendeteksi gelombang elektromagnetik (EM) yang dipancarkan dari partial discharge (PD). Algoritma yang digunakan mengacu kepada time difference of arrival (TDOA) dari sinyal yang diterima antar antena (dengan menjadikan salah satu antena sebagai antena referensi). Metode yang digunakan untuk menentukan TDOA adalah metode Akaike Information Criterion, metode Energy Criterion, metode Gabor Centroid, metode threshold detection, metode peak detection, dan metode cross-correlation. Sistem pendeteksian lokasi sumber noise ini menggunakan konfigurasi susunan antena membentuk Y. Jarak antar antena diatur sejauh 2 meter dan 4 meter. Berdasarkan hasil pengamatan dan analisis, konfigurasi susunan antena membentuk Y memiliki tingkat akurasi 97.67%. Metode yang paling akurat untuk menentukan TDOA adalah metode cross-correlation.Kata kunci: PD, TDOA, susunan antena.ABSTRACTThis paper presents a simulation of locating noise source (Partial Discharge) on high-voltage apparatuses, by using antenna array that consisted of four monopole antennas as sensor to record the electromagnetic waves (EM) emitted from Partial Discharge (PD). The detection algorithm is based on the time difference of arrival (TDOA) of the signals received between antennas (by using one of four antennas as reference antenna). The methods to determine TDOAs are Akaike Information Criterion method, Energy Criterion method, Gabor Centroid method, threshold detection method, peak detection method, and/or cross-correlation method. These system use Y-shaped array configuration. The adjusted distance between antennas are 2 meter and 4 meter. From the observation and analysis results, Y-shaped array antenna configuration has accuracy 97.76%. The best method to get TDOA is the cross-correlation method.Keywords: PD, TDOA, antenna array.
Evaluasi Optimizer pada Residual Network untuk Klasifikasi Klon Teh Seri GMB Berbasis Citra Daun USMAN, KOREDIANTO; PRATIWI, NOR KUMALASARI CAECAR; IBRAHIM, NUR; SYAHRIAN, HERI; RAHADI, VITRIA PUSPITASARI
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 9, No 4: Published October 2021
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v9i4.841

Abstract

ABSTRAKKomoditas teh berperan strategis terhadap pertumbuhan perekonomian Indonesia, salah satunya dari teh klon Gambung (GMB). Klon GMB memiliki beberapa karakter khas, dengan tingkat kemiripan morfologi yang sangat tinggi. Hal ini berdampak pada proses pengenalan klon GMB dilakukan melalui pengamatan visual oleh tenaga ahli sangat rentan terhadap kesalahan identifikasi. Sehingga, dalam penelitian ini dirancang suatu sistem identifikasi terhadap 11 klon teh seri GMB (GMB-1 hingga GMB-11) dengan menggunakan arsitektur ResNet101. Evaluasi sistem akan dilakukan dengan membandingkan tujuh algoritma optimizer yang berbeda, yaitu; Adam, SGD, RMSProp, AdaGrad, AdaMax, AdaDelta dan Nadam. Hasil pengujian menunjukkan bahwa Adam dan SGD memberikan nilai rata-rata presisi, recall dan F1-score terbaik. Selain itu, Adam memberikan nilai akurasi yang cenderung stabil sejak iterasi pertama. Metode yang diusulkan memberikan tingkat presisi, recall, F1-score sebesar 96% dan akurasi terbaik sebesar 97%.Kata kunci: klasifikasi daun teh, seri Gambung (GMB), CNN, ResNet101 ABSTRACTGambung (GMB) tea is one of the tea commodities that plays a key role in Indonesia's economic development. GMB clones have a number of distinguishing characteristics, including a high degree of morphological similarities. This has an impact on the process of identifying GMB clones through visual observation by experts who are subject to mistakes. In this study, ResNet101 architecture was used to create an identification scheme for 11 tea clones from the GMB series (GMB-1 to GMB-11). System evaluation will be carried out by comparing seven different optimizer; Adam, SGD, RMSProp, AdaGrad, AdaMax, AdaDelta, and Nadam. The test results indicate that Adam and SGD have the highest average accuracy, recall, and f1-score values. Adam also has an accuracy value that has remained consistent since the first iteration. The proposed method provides highest precision, recall, F1-score of 96% and accuracy of 97%.Keywords: tea leaves classification, GMB series, CNN, ResNet101
Optimasi Convolutional Neural Network dan K-Fold Cross Validation pada Sistem Klasifikasi Glaukoma FUADAH, YUNENDAH NUR; UBAIDULLAH, IBNU DAWAN; IBRAHIM, NUR; TALININGSING, FAUZI FRAHMA; SY, NIDAAN KHOFIYA; PRAMUDITHO, MUHAMMAD ADNAN
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 3: Published July 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i3.728

Abstract

ABSTRAKPada penelitian ini dilakukan perancangan arsitektur Convolutional Neural Network (CNN) yang terdiri dari 5 layer konvolusi dan 1-fully connected layer untuk mengklasifikasikan citra fundus kedalam kondisi normal, early, moderate, deep, dan ocular hypertension (OHT). Selanjutnya, model yang diusulkan dibandingkan dengan arsitektur AlexNet yang memiliki 5 layer konvolusi dan 3- fully connected layer. Data yang digunakan berupa citra fundus yang terdiri dari 3200 data latih, 800 data validasi, dan 1000 data uji. Optimasi model CNN dilakukan dengan melakukan pengujian hyperparameter yang terdiri dari learning rate, batch-size, epoch, dan optimizer. Selain itu, pada tahap training diimplementasikan 5-fold cross validation untuk seleksi model terbaik. Dengan model yang lebih sederhana dari AlexNet, model CNN usulan dapat memberikan performansi yang sama dengan arsitektur AlexNet yaitu akurasi 100%, presisi, recall, f1-score dan AUC score bernilai 1.Kata kunci: glaukoma, citra fundus, convolutional neural network (CNN), AlexNet ABSTRACTThis study proposes a Convolutional Neural Network with 5 convolutional layer and 1-fully connected layer to classify fundus images into normal, early, moderate, deep, and ocular hypertension (OHT) conditions. Furthermore, the proposed model is compared with the AlexNet architecture which has 5 convolution layers and 3- fully connected layers. The data used is a fundus image consisting of 3200 training data, 800 validation data, and 1000 test data. The optimization of the CNN model is performed by testing the hyperparameters consisting of learning rate, batch size, epoch, and optimizer. In addition, at the training stage, 5-fold cross validation is implemented to select the best model to be used in the test stage. With a simpler model from AlexNet, the proposed model provides 100% accuracy performance with precision values, recall, f1-score, and AUC score of 1.Keywords: glaucoma, fundus images, convolutional neural network (CNN), AlexNet
Pengklasifikasian Grade Telur Ayam Negeri menggunakan Klasifikasi K-Nearest Neighbor berbasis Android IBRAHIM, NUR; BACHERAMSYAH, TASYA FIKRIYAH; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 6, No 2: Published May 2018
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v6i2.288

Abstract

ABSTRAKTelur ayam negeri yang dibeli oleh masyarakat Indonesia di toko swalayan, pasar, ataupun di peternakan memiliki grade yang berbeda-beda. Pada penelitian sebelumnya, telah dilakukan pembuatan sistem pengklasifikasian telur ayam dengan berbasis Windows, namun belum dapat digunakan secara praktis oleh masyarakat. Penelitian ini dilakukan agar masyarakat dapat menggunakannya di lapangan dalam mengklasifikasikan grade telur ayam negeri, dimana pengklasifikasian grade pada telur ayam negeri ini menggunakan klasifikasi KNearest Neighbor (K-NN) yang berbasis android. Berdasarkan hasil pengujian, sistem ini dapat mengklasifikasikan grade telur ayam negeri dengan tingkat akurasi sebesar 80% (dibandingkan menggunakan Haugh Unit Micrometer) menggunakan parameter layer 4 (grayscale), metode penghitungan jarak cosine, dan nilai k=1 dimana jumlah tetangga yang dibandingkan pada algoritma K-NN adalah 1.Kata kunci: K-NN, telur ayam negeri, android.ABSTRACTChicken eggs purchased by Indonesian people in supermarkets, markets, or farms have different grades. In the previous research, the classification system of chicken eggs has been done in the windows platform, but it cannot be used practically by the people. This research was made so the people can use it on the field to classify chicken eggs grade, using the classification of K-Nearest Neighbor (K-NN) based on android. Based on testing results of this system, can classify eggs grade chicken with an accuracy of 80% (compared with Haugh Unit Micrometer) using layer 4 (grayscale), cosine distance method, and value of k=1 which is the total of compared neighborhood in K-NN algorithm is 1.Keywords: K-NN, chicken egg, android.
Klasifikasi Grade Telur Ayam Negeri secara non- Invasive menggunakan Convolutional Neural Network IBRAHIM, NUR; SA’IDAH, SOFIA; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.297

Abstract

ABSTRAKTelur ayam negeri merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Untuk menjaga kualitas telur ayam negeri yang beredar di Indonesia, diperlukan sistem yang mampu mengidentifikasi grade telur ayam dan mudah digunakan oleh masyarakat. Penelitian sebelumnya telah mengembangkan sistem pengklasifikasian grade telur ayam negeri secara invasive dengan tingkat akurasi 80%, namun sistem ini membutuhkan sampel telur yang dipecahkan sehingga setiap sampel telur tersebut tidak dapat disimpan dalam waktu lama. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi grade telur ayam tanpa perlu memecahkan sampel telur ayam (non-invasive). Dengan menggunakan metode Convolutional Neural Network (CNN), sistem mampu mengidentifikasi grade telur ayam negeri pada tingkat akurasi 85,86% dengan arsitektur LeNet-5, optimizer Adam, learning rate 0,001, dan epoch 50.Kata kunci: telur ayam negeri, non-invasive, convolutional neural network, LeNet-5 ABSTRACTLocal Chicken egg are one of the sources of protein that is widely consumed by the people of Indonesia. To maintain the quality of local chicken egg in the market, a system that can identified chicken egg’s grade and easy to use is needed. Previous research has developed an invasive chicken egg’s grade classification system with 80% accuracy. However, the system required egg sample to be cracked so the egg sample can’t be stored for too long. This research develop a non-invasive chicken egg’s grade classification system, which doesn’t require egg sample to be cracked. By using Convolutional Neural Network (CNN), system can identified chicken egg’s grade at 85,86% accuracy with LeNet-5 architecture, Adam optimizer, learning rate 0,001, and epoch 50.Keywords: local chicken egg, non-invasive, convolutional neural network, LeNet-5
Compressive Sensing Audio Watermarking dengan Metode LWT dan QIM SAFITRI, IRMA; IBRAHIM, NUR; YOGASWARA, HERLAMBANG
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 6, No 3: Published September 2018
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v6i3.405

Abstract

ABSTRAKPenelitian ini mengembangkan teknik Compressive Sensing (CS) untuk audio watermarking dengan metode Lifting Wavelet Transform (LWT) dan Quantization Index Modulation (QIM). LWT adalah salah satu teknik mendekomposisi sinyal menjadi 2 sub-band, yaitu sub-band low dan high. QIM adalah suatu metode yang efisien secara komputasi atau perhitungan watermarking dengan menggunakan informasi tambahan. Audio watermarking dilakukan menggunakan file audio dengan format *.wav berdurasi 10 detik dan menggunakan 4 genre musik, yaitu pop, classic, rock, dan metal. Watermark yang disisipkan berupa citra hitam putih dengan format *.bmp yang masing-masing berukuran 32x32 dan 64x64 pixel. Pengujian dilakukan dengan mengukur nilai SNR, ODG, BER, dan PSNR. Audio yang telah disisipkan watermark, diuji ketahanannya dengan diberikan 7 macam serangan berupa LPF, BPF, HPF, MP3 compression, noise, dan echo. Penelitian ini memiliki hasil optimal dengan nilai SNR 85,32 dB, ODG -8,34x10-11, BER 0, dan PSNR ∞.Kata kunci: Audio watermarking, QIM, LWT, Compressive Sensing. ABSTRACTThis research developed Compressive Sensing (CS) technique for audio watermarking using Wavelet Transform (LWT) and Quantization Index Modulation (QIM) methods. LWT is one technique to decompose the signal into 2 sub-bands, namely sub-band low and high. QIM is a computationally efficient method or watermarking calculation using additional information. Audio watermarking was done using audio files with *.wav format duration of 10 seconds and used 4 genres of music, namely pop, classic, rock, and metal. Watermark was inserted in the form of black and white image with *.bmp format each measuring 32x32 and 64x64 pixels. The test was done by measuring the value of SNR, ODG, BER, and PSNR. Audio that had been inserted watermark was tested its durability with given 7 kinds of attacks such as LPF, BPF, HPF, MP3 Compression, Noise, and Echo. This research had optimal result with SNR value of 85.32 dB, ODG value of -8.34x10-11, BER value of 0, and PSNR value of ∞.Keywords: Audio watermarking, QIM, LWT, Compressive Sensing.
Deteksi Parasit Plasmodium pada Citra Mikroskopis Hapusan Darah dengan Metode Deep Learning PRATIWI, NOR KUMALASARI CAECAR; IBRAHIM, NUR; FU’ADAH, YUNENDAH NUR; RIZAL, SYAMSUL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 9, No 2: Published April 2021
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v9i2.306

Abstract

ABSTRAKParasit plasmodium merupakan makhluk protozoa bersel satu yang menjadi penyebab penyakit malaria. Plasmodium ini dibawa melalui gigitan nyamuk anopheles betina. Dalam World Malaria Report 2015 menyatakan bahwa malaria telah menyerang sedikit 106 negara di dunia. Di Indonesia sendiri, Papua, NTT dan Maluku merupakan wilayah dengan kasus positif malaria tertinggi. Malaria telah menjadi masalah yang serius, sehingga keberadaan sistem diagnosa otomatis yang cepat dan handal sangat diperlukan untuk proses perlambatan penyeberan dan pembasmian epidemi. Dalam penelitian ini akan dirancang sistem yang mampu mendeteksi parasit malaria pada citra mikroskopis darah menggunakan arsitekur Convolutional Neural Network (CNN) sederhana. Hasil pengujian menunjukkan bahwa metode yang diusulkan memberikan presisi dan recall sebesar 0,98 dan f1-score sebesar 0,96 serta akurasi 95,83%.Kata kunci: parasit, malaria, convolutional neural network, citra mikroskopis ABSTRACTPlasmodium parasites are single-celled protozoan creatures that cause malaria. Plasmodium is carried through the bite of a female Anopheles mosquito. The World Malaria Report 2015 states that malaria has attacked at least 106 countries in the world. In Indonesia itself, Papua, NTT and Maluku are the regions with the highest positive cases of malaria. Malaria has become a serious problem, so the existence of a fast and reliable automatic diagnosis system is indispensable for the process of slowing down the spread and eliminating the epidemic. In this study, a system capable of detecting malaria parasites in microscopic images of blood will be designed using a simple Convolutional Neural Network (CNN) architecture. The test results show that the proposed method provides precision and recall of 0,98, f1-values of 0.96 and accuracy of 95,83%.Keywords: parasites, malaria, convolutional neural network, microscopic image
Deep Learning untuk Klasifikasi Diabetic Retinopathy menggunakan Model EfficientNet RIZAL, SYAMSUL; IBRAHIM, NUR; PRATIWI, NOR KUMALASARI CAESAR; SAIDAH, SOFIA; FU’ADAH, RADEN YUNENDAH NUR
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 8, No 3: Published September 2020
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v8i3.693

Abstract

ABSTRAKDiabetic Retinopathy merupakan penyakit yang dapat mengakibatkan kebutaan mata yang disebabkan oleh adanya komplikasi penyakit diabetes melitus. Oleh karena itu mendeteksi secara dini sangat diperlukan untuk mencegah bertambah parahnya penyakit tersebut. Penelitian ini merancang sebuah sistem yang dapat mendeteksi Diabetic Retinopathy berbasis Deep Learning dengan menggunakan Convolutional Neural Network (CNN). EfficientNet model digunakan untuk melatih dataset yang telah di pre-prosesing sebelumnya. Hasil dari penelitian tersebut didapatkan akurasi sebesar 79.8% yang dapat mengklasifikasi 5 level penyakit Diabetic Retinopathy.Kata kunci: Diabetic Retinopathy, Deep Learning, CNN, EfficientNet, Diabetic Classification ABSTRACTDiabetic Retinopathy is a diseases which can cause blindness in the eyes because of the complications of diabetes mellitus. Therefore, an early detection for this diseases is very important to prevent the diseases become severe. This research builds the system which can detect the Diabetic Retinopathy based on Deep Learning by using Convolutional Neural Network (CNN). EfficientNet model is used to trained the dataset which have been pre-prossed. The result shows that the system can clasiffy the 5 level of Diabetic Retinopathy with accuracy 79.8%. Keywords: Diabetic Retinopathy, Deep Learning, CNN, EfficientNet, Diabetic Classification
CCTV – Sistem Monitoring Berbasis Iot Sebagai Pemantau Keadaan di Area Stasiun Kelompok Nelayan Putri Kembar, Desa Tanjungjaya, Pandeglang, Banten Ibrahim, Nur; Rizal, Syamsu; Fu'adah, R. Yunendah Nur
Almufi Jurnal Pengabdian Kepada Masyarakat Vol 5 No 1: Juni (2025)
Publisher : Yayasan Almubarak Fil Ilmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63821/ajpkm.v5i1.444

Abstract

Program pengabdian masyarakat ini bertujuan untuk meningkatkan keamanan dan efisiensi operasional nelayan di Desa Tanjungjaya, Pandeglang, Banten, melalui penerapan sistem monitoring menggunakan CCTV berbasis Internet of Things (IoT). Teknologi ini menawarkan solusi inovatif dalam monitoring keamanan di stasiun pantai, dengan jangkauan yang luas dan biaya operasional yang rendah. Program ini mencakup beberapa tahap kunci: pelatihan penggunaan teknologi, implementasi perangkat, dan evaluasi hasil. Pelatihan awal melibatkan workshop dan seminar untuk memperkenalkan teknologi CCTV berbasis IoT kepada nelayan, diikuti dengan sesi praktis mengenai cara menginstal dan menggunakan perangkat. Peserta dilatih untuk memanfaatkan fitur-fitur utama, seperti monitoring di area stasiun kapal secara real-time guna meningkatkan keamanan di area stasiun kapal. Teknologi IoT memungkinkan monitoring jarak jauh menggunakan lebih dari satu perangkat smartphone. Implementasi teknologi dilakukan dengan memasang perangkat CCTV berbasis IoT di stasiun pantai. Dukungan teknis dan pemeliharaan perangkat diberikan untuk memastikan keberlangsungan penggunaan teknologi. Evaluasi berkala dilakukan untuk menilai efektivitas sistem dalam meningkatkan keamanan di area stasiun kapal. Program ini diharapkan dapat meningkatkan kemampuan dalam mengurangi risiko kehilangan barang-barang di stasiun kapal, dan mendukung pengelolaan sumber daya perikanan yang lebih baik. Selain itu, diharapkan juga dapat mempromosikan adopsi teknologi digital di komunitas pesisir untuk meningkatkan kualitas hidup dan kesejahteraan nelayan.
Co-Authors Abdul Hafiz Suherman Adhi Irianto Mastur, Adhi Irianto Afifah Amatulla Suaib Alvian Ihza Fahmi Alvian Andrean David Chrismadandi Anindita Fitriani Annisa Adlina Mulyaningrum Annisa Bianca Hayuningtyas ANNISA HUMAIRANI Ari Ashari Jaelani Ashari, Muhammad Rifqi Asyraf Fakhri AZIZAH AULIA RAHMAN Azrial F, Nasywan BACHERAMSYAH, TASYA FIKRIYAH Bambang Hidayat Bambang Hidayat Begita Wahyuningtyas Carudin, Carudin Citra Marshela Danish Ario Wirawan Denis Ramadana Efri Suhartono Eka Wulandari Fajar Dwi Septria Fanny Oksa Salindri Faturachman Faturachman Fiky Yosef Supratman Firdaus, Muhammad Ilham Zuhruf Frisnanda Aditya Fu'adah, R. Yunendah Nur Galuh Lintang Permatasari Gelar Budiman HAFIZHANA, YASQI HANAFI, FANIESA SAUFANA Heri Syahrian Heri Syahrian Heri Syahrian, Heri Hilman Fauzi, Hilman Hurianti Vidya Ibnu Da’wan Salim Ubaidah Ilva Herdayanti Inung Wijayanto Iqbal Afriadi Irma Safitri Iwan Iwut Tritoasmoro Iwan Iwut Tritosmoro Jangkung Raharjo Kevin Aglianry KHAERUDIN SALEH Koredianto Usman Krisma Asmoro Ledya Novamizanti LESTARY, GITA AYU Mas, Muhammad Sabri Muh, Ipnu Udjie Hasiru Muh. Gazali Saleh Muhammad Khais Prayoga Muhammad Rizqi Rahmawan Muthia Syafika Haq, Muthia Syafika Nabila Herman Nasywan Azrial Fariqin NOR CAECAR KUMALASARI Nor Kumalasari Caecar Pratiwi PRAMUDITHO, MUHAMMAD ADNAN PRATIWI, NOR KUMALASARI CAESAR R. Yunendah Nur Fu’adah Rahma Nur Auliasari Ramadhan Prasetya Dahlan Ramdhan Nugraha Ratri Dwi Atmaja Reyhan Ivandhani Reza Yudistira Rezki Diar Amelia Rifqi, Farhan Sulthan Rita Magdalena Rita Purnamasari Rustam Rustam Rustam Sa’idah, Sofia Salsabila Aurellia Satrio Ardhimasetyo SISLY DESTRI AGUSTIN Sjafril Darana SOFIA SAIDAH Sulthan Rifqi, Farhan SY, NIDAAN KHOFIYA Syamsu Rizal Syamsul Rizal Syamsul Rizal Syamsul Rizal Syifa Maliah Rachmawati TALININGSING, FAUZI FRAHMA UBAIDULLAH, IBNU DAWAN Vidiya Rossa Atfira Vidya, Hurianti Vitria Puspitasari Rahadi Vitria Puspitasari Rahadi Vitria Puspitasari Rahadi WIDIANTO, MOCHAMMAD HALDI Wiguna, I Putu Adiaksa Yasman, Fudhla Ramadhana YOGASWARA, HERLAMBANG Yusup, Dadang