Claim Missing Document
Check
Articles

Found 3 Documents
Search

Digitalisasi Perekaman Data Alat Uji Tensil Berbasis Pengukur Regangan dan Mikrokontroler Manan Ginting; Ulfani Ikhwana Purba; Ratih Paramitha; Herry Darmadi; Darry Christine Silowaty Purba; Maulidna Maulidna; Naqasya Asyrori Sidabutar; Sindi Wahyuni; Iqbal Huseini; Muhammad Vandi
Jurnal Ilmiah Teknik dan Sains Vol. 4 No. 1 (2026): Agustus: Jurnal Ilmiah Teknik dan Sains (JITS)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat AKIPBA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62278/jits.v4i1.151

Abstract

Pengukuran kekuatan tarik material merupakan bagian penting dalam rekayasa teknik untuk mengetahui sifat mekanik bahan, namun banyak mesin uji tarik skala laboratorium masih menggunakan pembacaan analog yang rawan kesalahan pembacaan (human error) dan tidak menyediakan rekam data digital secara otomatis. Penelitian ini bertujuan merancang dan menguji coba kinerja sistem perekaman data digital pada alat uji tarik menggunakan sensor strain gauge sebagai transduser gaya dan mikrokontroler sebagai unit akuisisi data. Metode penelitian meliputi perancangan sistem akuisisi data berbasis jembatan Wheatstone, modul penguat sinyal HX711, dan mikrokontroler, yang kemudian diuji coba pada lima kondisi spesimen baja karbon (satu spesimen per kondisi), yaitu tanpa perlakuan panas (original), quenching, normalizing, annealing, dan tempering. Hasil penelitian menunjukkan bahwa sistem mampu merekam seluruh proses pembebanan secara otomatis dan real time, mulai dari awal pembebanan hingga spesimen patah, serta menghasilkan pola respons sinyal yang berbeda dan konsisten antar kondisi spesimen, dengan nilai puncak bacaan sensor tertinggi pada spesimen quenching (5.122 ADC count), diikuti normalizing (3.211), tempering (2.855), original (2.794), dan terendah pada annealing (2.236). Urutan nilai puncak tersebut secara kualitatif sejalan dengan teori metalurgi mengenai pengaruh perlakuan panas terhadap kekuatan baja karbon. Kalibrasi sensor yang dilakukan pada tahap ini masih berupa kalibrasi dua titik (zero dan satu beban acuan) tanpa kurva regresi multi-titik, dan pengujian belum direplikasi dengan beberapa spesimen per kondisi, sehingga hasil penelitian ini bersifat kualitatif-komparatif sebagai pembuktian konsep (proof of concept), sedangkan validasi kuantitatif sistem sebagai instrumen pengukuran memerlukan kalibrasi multi-titik dan pembandingan terhadap instrumen acuan pada penelitian lanjutan.
Optimasi Klasifikasi Pola Detak Jantung Menggunakan Particle Swarm Optimization (PSO) dan Algoritma XGBoost Ichwanul Muslim Karo Karo; Justaman Arifin Karo Karo; Manan Ginting; Darni Paranita; Ratna Kristina Tarigan; Maulidna Maulidna
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.372

Abstract

Pemantauan detak jantung merupakan salah satu pendekatan penting dalam mendukung deteksi dini gangguan kardiovaskular. Perkembangan Internet of Things (IoT) memungkinkan proses akuisisi data fisiologis dilakukan secara real-time melalui perangkat wearable, namun pemanfaatan data tersebut masih menghadapi tantangan dalam menghasilkan model klasifikasi yang akurat. Penelitian ini bertujuan mengoptimalkan proses klasifikasi pola detak jantung normal dan abnormal menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dipadukan dengan Particle Swarm Optimization (PSO) sebagai metode hyperparameter tuning. Dataset penelitian diperoleh dari hasil pengukuran detak jantung mahasiswa Program Studi Ilmu Komputer Universitas Negeri Medan menggunakan sensor MAX30102 yang terintegrasi pada perangkat IoT berbasis ESP32-C3 Mini. Tahapan penelitian meliputi akuisisi data, preprocessing, ekstraksi fitur statistik, pembangunan model baseline XGBoost, optimasi threshold klasifikasi menggunakan PSO, serta evaluasi performa model berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa optimasi PSO mampu meningkatkan performa model dari akurasi 90% (baseline) menjadi 100%, dengan threshold optimal pada rentang 68,44–97,82 BPM yang memberikan proses inferensi sederhana dan cepat. Temuan ini menunjukkan bahwa integrasi PSO dengan XGBoost efektif dan efisien untuk diterapkan pada sistem klasifikasi detak jantung berbasis IoT secara real-time
Hybrid Deep Fixed K-Means (HDF-KMeans) Muhammad Khahfi Zuhanda; Kelvin Leonardi Kohsasih; Pieter Octaviandy; Hartono Hartono; Dian Kurnia; Nurliana Tarigan; Manan Ginting; Manahan Hutagalung
International Journal of Engineering, Science and Information Technology Vol 5, No 3 (2025)
Publisher : Malikussaleh University, Aceh, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52088/ijesty.v5i3.913

Abstract

K-Means is one of the most widely used clustering algorithms due to its simplicity, scalability, and computational efficiency. However, its practical application is often hindered by several well-known limitations, such as high sensitivity to initial centroid selection, inconsistency across different runs, and suboptimal performance when dealing with high-dimensional or non-linearly separable data. This study introduces a hybrid clustering algorithm named Hybrid Deep Fixed K-Means (HDF-KMeans) to address these issues. This approach combines the advantages of two state-of-the-art techniques: Deep K-Means++ and Fixed Centered K-Means. Deep K-Means++ leverages deep learning-based feature extraction to transform raw data into more meaningful representations while employing advanced centroid initialization to enhance clustering accuracy and adaptability to complex data structures. Complementarily, Centered K-Means improve the stability of clustering results by locking certain centroids based on domain knowledge or adaptive strategies, effectively reducing variability and convergence inconsistency. Integrating these two methods results in a robust hybrid model that delivers improved accuracy and consistency in clustering performance. The proposed HDF-KMeans algorithm is evaluated using five benchmark medical datasets: Breast Cancer, COVID-19, Diabetes, Heart Disease, and Thyroid. Performance is assessed using standard classification metrics: Accuracy, Precision, Recall, and F1-Score. The results show that HDF-KMeans outperforms traditional K-Means, K-Means++, and K-Means-SMOTE algorithms across all datasets, excelling in overall accuracy and F1 Score. While some trade-offs are observed in specific precision or recall metrics, the model maintains a solid balance, demonstrating reliability. This study highlights HDF-KMeans as a promising and effective solution for complex clustering tasks, particularly in high-stakes domains like healthcare and biomedical analysis.