Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Masyarakat Informatika
Nisa'ul Hafidhoh
Politeknik Negeri Madiun
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perbandingan Model Pengembangan Perangkat Lunak Untuk Proyek Tugas Akhir Program Vokasi Angger Binuko Paksi; Nisa'ul Hafidhoh; Sigit Kariagil Bimonugroho
Jurnal Masyarakat Informatika Vol 14, No 1 (2023): JURNAL MASYARAKAT INFORMATIKA
Publisher : Department of Informatics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jmasif.14.1.52752

Abstract

Salah satu syarat penyelesaian pendidikan pada perguruan tinggi adalah membuat tugas akhir. Hasil akhir dari tugas akhir pada perguruan tinggi vokasi  diarahkan dalam bentuk produk atau alat. Untuk membuat produk perangkat lunak yang tersistematis maka dibutuhkan sebuah metodologi atau siklus pengembangan yang lebih dikenal dengan  Software Development Life Cycle (SDLC). Secara umum SDLC memiliki beberapa tahapan yang dimulai dari tahap perencanaan, analisis, perancangan, implementasi, pengujian sampai pemeliharaan sistem. Kajian yang dilakukan adalah studi komparatif pada model pengembangan prototype, iterative dan agile. Perbandingan dari ketiga model tersebut menyatakan hasil bahwa model prototype membutuhkan perencanaan kebutuhan lebih matang dibanding kedua model lainnya, sedangkan model iterative dan model agile memiliki fleksibilitas lebih baik dalam menghadapi pengembangan ulang berjangka. Ketiga model cocok untuk perangkat lunak yang bersifat customizable, yang membedakan adalah kapan fase penyesuaian perubahan dilakukan. Dari kajian ketiga model didapatkan bahwa masing-masing mempunyai kelebihan dan kekurangan, sehingga pengembang dalam hal ini mahasiswa dapat menentukan model mana yang sesuai untuk pengembangan perangkat lunak proyek tugas akhir berdasarkan karakteristik setiap model.
Machine Learning untuk Prediksi Kegagalan Mesin dalam Predictive Maintenance System Nisa'ul Hafidhoh; Ardian Prima Atmaja; Gus Nanang Syaifuddiin; Ikhwan Baidlowi Sumafta; Salva Mahardhika Pratama; Hafsah Nur Khasanah
Jurnal Masyarakat Informatika Vol 15, No 1 (2024): May 2024
Publisher : Department of Informatics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jmasif.15.1.63641

Abstract

In facing the Industrial Revolution 4.0, technologies such as the Internet of Things, Big Data and Artificial Intelligence are key to industrial modernization. Machine Learning approach as a part of artificial intelligence is used to process high-dimensional multivariable data and extract hidden relationships in complex industrial environments. In this research, Machine Learning is used to classify machine failures in building a Predictive Maintenance System. This research adopts the CRISP-DM (Cross Industry Standard Process for Data Mining) cycle which consists of the business understanding, data understanding, data preparation, modeling, evaluation and deployment stages. The Predictive Maintenance Dataset in the form of synthetic data used in this research reflects real industrial situations consists of 10,000 rows of data with ten features. Types of machine failure are classified into Heat Dissipation Failure, Power Failure, Overstrain Failure, and Tool Wear Failure. Exploratory Data Analysis is carried out to obtain a summary and visualization of data. The machine learning approach uses the Logistic Regression method and the model evaluation results reach an accuracy of 96.87%, in accordance with the data success criteria. The results of the machine learning modelling developed are implemented in a web-based Predictive Maintenance System application to make it easier for users to monitor machine conditions and predict machine failures.
Co-Authors Angger Binuko Paksi Ardian Prima Atmaja Gus Nanang Syaifuddiin Hafsah Nur Khasanah Ikhwan Baidlowi Sumafta Salva Mahardhika Pratama Sigit Kariagil Bimonugroho