Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal West Science Interdisciplinary Studies Prosiding Seminar Nasional Rekayasa dan Teknologi (TAU SNAR- TEK)
Mahmudin Mahmudin
Universitas Islam Syekh-Yusuf
Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Social Sciences

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

Found 2 Documents
Search

 1 
Deep Learning Untuk Mendeteksi Kelelahan Pekerja Dadang Sujana; Sutresna Juhara; Monita Rahayu; Mahmudin Mahmudin; Maulana Fany Kurnia Pratama
Prosiding TAU SNARS-TEK Seminar Nasional Rekayasa dan Teknologi Vol. 2 No. 1 (2023): Prosiding TAU SNARS-TEK Seminar Nasional Rekayasa dan Teknologi 2023
Publisher : Fakultas Teknik dan Teknologi - TANRI ABENG UNIVERSITY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/snarstek.v2i1.496

Abstract

Salah satu komponen penyebab kecelakaan kerja adalah human error. Kecelakaan kerja dapat terjadi ketika pekerja mengalami kelelahan baik secara fisik maupun mental. Indikator kelelahan yang digunakan pada penelitian ini adalah rasa kantuk. Mengantuk saat melakukan pekerjaan dapat menyebabkan menurunnya konsentrasi dalam bekerja yang tentunya akan berpengaruh peda produktivitas kerja dan dapat berakibat menimbulkan kecelakaan kerja. Tujuan penelitian ini adalah meminimalisir kecelakan yang terjadi pada lingkungan kerja terutama yang disebabkan oleh rasa kantuk sehingga bisa mencapai zero accident dengan melibatkan perkembangan teknologi. Metode yang digunakan adalah membuat rancangan sistem dengan bahasa phyton, algoritma CNN dan implementasi sistem menggunakan Raspberry Pi yang bisa mendeteksi mata bagi para pekerja atau karyawan untuk mengetahui rasa kantuk yang dapat dilihat dari seberapa sering menutup mata yang terdeteksi oleh kamera kemudian sistem akan bekerja dan mengirimkan sinyal alarm sebagai pengingat bagi pekerja untuk tetap fokus dalam bekerja sehingga tidak menghambat kelancaran produksi. Hasilnya adalah alat pendeteksi kelelahan (kantuk) dengan tahap scan wajah baik secara langsung menggunakan kamera maupun menggunakan foto, shape predictor, eye landmark yang sudah diuji coba menggunakan 15 sampel pekerja dengan tingkat akurasi alat sebesar 93%.
The Effect of Artificial Intelligence Adoption, Demand Prediction, and Production Planning on Operational Efficiency in the Textile Industry in Jakarta Loso Judijanto; Khamaludin Khamaludin; Mahmudin Mahmudin; Devi Susiati; Hanifah Nurul Muthmainah
West Science Interdisciplinary Studies Vol. 2 No. 02 (2024): West Science Interdisciplinary Studies
Publisher : Westscience Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58812/wsis.v2i02.669

Abstract

This research investigates the impact of Artificial Intelligence (AI) adoption, demand prediction, and production planning on operational efficiency within the textile industry in Jakarta. A quantitative approach, employing surveys and statistical analysis, was undertaken with a diverse sample of 150 participants representing various company sizes and industry tenures. The study reveals a moderate level of AI adoption, with machine learning algorithms and predictive analytics being prevalent. While perceived benefits include improved production efficiency and enhanced quality control, challenges such as initial investment costs and the need for skilled personnel underscore the nuanced landscape of AI integration. The effectiveness of demand prediction is moderate, with traditional methods prevailing but advanced analytics demonstrating higher efficacy. Production planning strategies exhibit a positive correlation with Industry 4.0 principles, showcasing their role in enhancing operational efficiency. Participants perceive operational efficiency positively, with significant correlations identified between AI adoption, demand prediction, production planning, and perceived efficiency. Key factors contributing to operational efficiency include streamlined processes, effective resource utilization, and adaptive production planning. The findings provide actionable insights for industry stakeholders, emphasizing the importance of a holistic approach to technology adoption and strategic planning.
Co-Authors Dadang Sujana Devi Susiati Hanifah Nurul Muthmainah Khamaludin Khamaludin Loso Judijanto Maulana Fany Kurnia Pratama Rahayu, Monita Sutresna Juhara