Claim Missing Document
Check
Articles

Found 4 Documents
Search

Studi Kelayakan Sistem Grounding Instalasi Listrik Pada Gedung Ulil Albab Uniska Kediri chrisna andreansyah; Yanu Shalahuddin; Diah Arie Widhining K
ZETROEM Vol 5 No 1 (2023): ZETROEM
Publisher : Prodi Teknik Elektro Universitas PGRI Banyuwangi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36526/ztr.v5i1.2629

Abstract

Gedung Ulil Albab Uniska Kediri merupakan gedung tujuh lantai digunakan untuk proses perkuliahan, laboratorium, ruang dosen serta theatre, maka penting untuk diketahui instalasi kelistrikan termasuk pentanahan. Penelitian difokuskan pada studi mengenai sistem grounding. Permasalahan pada studi adalah menguji nilai impedansi pentanahan dan sistem grounding yang digunakan pada gedung tersebut apakah sudah layak sesuai dengan Persyaratan Umum Instalasi Listrik (PUIL) ≤5 Ω. Metode yang digunakan dalam pengukuran menggunakan metode tiga titik. Hasil menunjukan sumber listrik Gedung Ulil Albab langsung dari gardu tiang trafo (GTT) dengan daya 105kVa menggunakan KWH meter jenis analog (pascabayar). Sistem grounding yang terpasang menggunakan jenis single grounding rod. Hasil rata-rata dari tiga (3) kali pengukuran menunjukkan impedansi pentanahan sebesar 0,39 Ω. Berdasar studi ditemukan bahwa spesifikasi sistem grounding sudah layak sesuai PUIL tetapi ada satu yang belum memenuhi yaitu, ketebalan pipa terpasang 1,2 mm. Sesuai standar PUIL seharusnya ketebalan pipa sebesar 2 mm. Kata Kunci—Komponen; PUIL, single ground rod, earth tester, grounding.
Klasifikasi Helm Keselamatan Mengunakan Metode Convolutional Neural Network (CNN) Aldiana Nugroho Mianah; Diah Arie Widhining K; Farrady Alif Fiolana
ZETROEM Vol 5 No 2 (2023): ZETROEM
Publisher : Prodi Teknik Elektro Universitas PGRI Banyuwangi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36526/ztr.v5i2.2765

Abstract

Dunia industri yang menggunakan sumber daya manusia, sepenuhnya terkait dengan proses produksi yang membutuhkan penerapan teknologi mutakhir. Kemampuan teknologi untuk meningkatkan proses produksi juga bisa berbahaya jika digabungkan dengan kondisi, prosedur, dan sistem kerja yang tidak aman. Selain itu, baik pengusaha maupun karyawan biasanya mengabaikan adanya bahaya untuk mencapai tujuan produksi. Keselamatan dan Kesehatan Kerja (K3) telah diterapkan di setiap bisnis untuk menciptakan lingkungan kerja yang aman, proses kerja, dan sistem kerja. Sehingga dibuatkanlah sistem tahap awal yang nantinya bisa membedakan pekerja yang memakai helm atau tidak, yang nantinya bisa memudahkan para pekerja sebagai pengingat untuk memakai helm keselamatan. Menggunakan Arsitektur CNN untuk mengklasifikasi citra pekerja yang memakai helm atau tidak, memberikan hasil dari penelitian yaitu pertama menganalisa hasil konvolusi pada salah satu citra dan menampilkan seluruh kernel yang digunakan pada proses konvolusi membuah hasil yaitu citra output memberikan visual yang cukup jelas dengan citra awal, kedua yaitu Evaluasi Arsitektur CNN dengan menggunakan Confusion Matrix memberikan hasil accuracy sebesar 81% dan Mean Square Error sebesar 18,8%. Pengujian Terakhir yaitu menguji prediksi gambar lainnya.
Rancang Bangun Alat Pendeteksi Penyakit Menggunakan Metode Akupuntur Pada Telapak Tangan Ahmad Irfan Al Farasyi; Farrady Alif Fiolana; Diah Arie Widhining K
ZETROEM Vol 5 No 2 (2023): ZETROEM
Publisher : Prodi Teknik Elektro Universitas PGRI Banyuwangi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36526/ztr.v5i2.2942

Abstract

Setiap orang ketika sedang menderita suatu penyakit, sel didalam tubuh akan mengalami kerusakan. Jika hal ini sudah terjadi, maka akan terjadi suatu proses regenerasi sel yang baru. Metode yang digunakan untuk mendeteksi sel yang rusak dengan cara teknik akupuntur yaitu mengalirkan arus tegangan kecil pada titik akupuntur yang ada di telapak tangan. Jika titik akupuntur dapat dialiri listrik, maka terdapat gangguan atau masalah pada organ yang diwakili oleh titik akupuntur tersebut. Proses berjalannya pendeteksian penyakit pada telapak tangan pasien yang dialiri arus listrik tegangan kecil untuk mendapatkan nilai threshold sebagai titik acuan rangsang di tubuh pasien dan dilakukan pendeteksian penyakit melalui titik akupuntur pada telapak tangan dengan hasil yang akan ditampilkan dilayar PC. Pada penelitian ini menggunakan metode research and development yaitu hasil yang akan digunakan untuk pengembangan suatu penelitian. Dalam hal ini, pasien sebagai objek penelitian dan penyakit pasien digunakan sebagai sampel. Penelitian ini dilakukan pada 5 orang yang berbeda dengan 3 kali pendeteksian, sehingga didapatkan persentase kesesuaian pendeteksian penyakit sebesar 73% dan ketidaksesuaian pendeteksian sebesar 27%.
Identifikasi Jenis Ras pada Kucing Menggunakan Algoritma Support Vector Machine (SVM) Prasetyo Defantara Hadi; Diah Arie Widhining K; Farrady Alif Fiolana
JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) Vol 6, No 1 (2024): JUNI 2024
Publisher : Universitas Merdeka Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26905/jasiek.v6i1.10989

Abstract

Kucing adalah mamalia karnivora kecil yang dikenal sebagai satu-satunya spesies jinak dalam keluarga Felidae . Di Indonesia, beberapa jenis ras kucing populer sebagai hewan peliharaan, antara lain Bengal, Ragdoll, Russian Blue, Siamese, dan Persia. Namun, keberagaman ras kucing ini seringkali membuat pemiliknya kesulitan mengidentifikasi jenis ras yang dimiliki oleh kucing mereka. Penelitian ini bertujuan untuk melakukan klasifikasi pada lima jenis ras kucing tersebut menggunakan metode Support Vector Machine (SVM) dengan kernel Radial Basis Function(RBF). Data yang digunakan terdiri dari tiga jenis dataset, yaitu data latih sebanyak 1400 sampel, data validasi sebanyak 600 sampel dan data uji sebanyak 250 sampel. Hasil penelitian menunjukkan bahwa model yang dibangun menggunakan metode SVM dengan kernel RBF berhasil mencapai tingkat akurasi sebesar 86%, presisi sebesar 87%, recall sebesar 86%, dan f1 score sebesar 86%. Hasil tersebut menandakan bahwa model klasifikasi ini mampu melakukan prediksi dengan tingkat keakuratan yang baik.