Garuda - Garba Rujukan Digital

Pemberdayaan Perempuan melalui Inovasi Teknologi IoT dan Energi Terbarukan dalam Pengelolaan Bank Sampah Nur, Yohani Setiya Rafika; Tanjung, Nia Annisa Ferani; Ginting, Melinda Br.; Sulaeman, Gilang; Al Faiz, M. Hanif
Jurnal Pengabdian Masyarakat: Pemberdayaan, Inovasi dan Perubahan Vol 5, No 5 (2025): JPM: Pemberdayaan, Inovasi dan Perubahan
Publisher : Penerbit Widina, Widina Media Utama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59818/jpm.v5i5.2084

Waste banks are a form of circular economy initiative that increase the added value of inorganic waste while empowering local communities. However, their operations often face limitations such as inadequate production facilities, high energy costs, and manual record-keeping systems. This community service program aimed to strengthen the capacity of the “Sampah Sahabatku” Waste Bank in Muntang Village through the application of appropriate technology based on solar panels and IoT sensors, as well as by enhancing women’s roles in management. The implementation methods included situation analysis, solar panel installation, technical and managerial training, mentoring, and evaluation using pre-test and post-test assessments. The results showed that solar panels successfully reduced electricity costs and supported the operation of plastic and paper shredding machines, while IoT sensor integration improved the accuracy of record-keeping. The average knowledge level of participants increased by +58% after training. The community’s response was highly positive, reflected in improved technical skills and greater confidence among women in waste bank management. In conclusion, the combination of appropriate technology and renewable energy has strengthened the independence, efficiency, and sustainability of community-based waste banks.ABSTRAKBank sampah merupakan salah satu instrumen ekonomi sirkular yang dapat meningkatkan nilai tambah sampah anorganik sekaligus memberdayakan masyarakat. Namun, pengelolaan bank sampah sering menghadapi keterbatasan sarana produksi, tingginya biaya energi, dan sistem pencatatan yang masih manual. Kegiatan pengabdian masyarakat ini bertujuan untuk meningkatkan kapasitas Bank Sampah “Sampah Sahabatku” di Desa Muntang melalui penerapan teknologi tepat guna berbasis panel surya dan sensor IoT, serta penguatan peran perempuan dalam pengelolaan. Metode pelaksanaan meliputi analisis situasi, pemasangan panel surya, pelatihan teknis dan manajerial, pendampingan, serta evaluasi melalui pre-test dan post-test. Hasil kegiatan menunjukkan bahwa panel surya mampu mengurangi biaya listrik dan mendukung operasional mesin pencacah plastik maupun kertas, sementara integrasi sensor IoT meningkatkan akurasi pencatatan. Nilai rata-rata pemahaman mitra meningkat sebesar +58% setelah pelatihan. Respon mitra juga positif, ditandai dengan meningkatnya keterampilan teknis dan kepercayaan diri perempuan dalam pengelolaan bank sampah. Kesimpulannya, kombinasi teknologi tepat guna dan energi terbarukan mampu memperkuat kemandirian, efisiensi, serta keberlanjutan bank sampah berbasis komunitas.

A Combination of Transfer Learning and Support Vector Machine for Robust Classification on Small Weed and Potato Datasets Adhinata, Faisal Dharma; Ramadhan, Nur Ghaniaviyanto; Fauzi, Muhammad Dzulfikar; Tanjung, Nia Annisa Ferani
JOIV : International Journal on Informatics Visualization Vol 7, No 2 (2023)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30630/joiv.7.2.1164

Agriculture is the primary sector in Indonesia for meeting people's daily food demands. One of the agricultural commodities that replace rice is potatoes. Potato growth needs to be protected from weeds that compete for nutrients. Spraying using pesticides can cause environmental pollution, affecting cultivated plants. Currently, agricultural technology is being developed using an Artificial Intelligence (AI) approach to classifying crops. The classification process using AI depends on the number of datasets obtained. The number of datasets obtained in this research is not too large, so it requires a particular approach regarding the AI method used. This research aims to use a combination of feature extraction methods with local and deep feature approaches with supervised machine learning to classify of small datasets. The local feature method used in this research is Local Binary Pattern (LBP) and Histogram of Oriented Gradients (HOG), while the deep feature method used is MobileNet and MobileNetV2. The famous Support Vector Machine (SVM) uses the classification method to separate two data classes. The experimental results showed that the local feature HOG method was the fastest in the training process. However, the most accurate result was using the MobileNetV2 deep feature method with an accuracy of 98%. Deep features produced the best accuracy because the feature extraction process went through many neural network layers. This research can provide insight on how to analyze a small number of datasets by combining several strategies

Perbandingan Algoritma XGBOOST Dan LSTM untuk Memprediksi Harga Bitcoin Berdasarkan Harga Harian, Sentimen, dan Google Trends Index Zundina Ulya, Fadilla; Khomsah, Siti; Annisa Ferani Tanjung, Nia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Bitcoin merupakan salah satu jenis cryptocurrency yang banyak digunakan karena transaksinya yang aman, cepat, dan berpotensi memberikan keuntungan signifikan. Namun, volatilitas harga yang tinggi membuat aktivitas transaksi berisiko, karena pergerakan harga tidak hanya dipengaruhi oleh faktor internal, tetapi juga faktor eksternal seperti sentimen publik dan Google Trends Index (GTI). Penelitian ini bertujuan membandingkan algoritma XGBoost regression dan LSTM for regression dalam memprediksi harga penutupan bitcoin dengan mengintegrasikan variabel harga harian, sentiment, dan GTI ke dalam model regresi yang disesuaikan dengan karakteristik data penelitian, dimana data yang yang digunakan bersifat non-linear, tidak berdistribusi normal, dan mengandung unsur time series. Berdasarkan hasil pengujian, model XGBoost regression terbaik diperoleh pada skenario dengan variabel eksternal. Namun menghasilkan nilai RMSE sebesar 5169,898 USD dan R2-Score sebesar -13%, yang menunjukkan adanya overfitting dan model kurang tepat untuk data time series. Sebaliknya, model LSTM for regression dengan variabel eksternal dan kombinasi hyperparameter terbaik menunjukkan performa yang lebih unggul dengan RMSE sebesar 1378,55 USD dan R2-Score sebesar 92%. Model ini tidak menunjukkan indikasi overfitting dan mampu mereplikasi pola pergerakan harga secara akurat. Hal ini menunjukkan bahwa LSTM for regression lebih mampu mengenali pola temporal dalam data historis. Selain itu, fitur harga historis, khususnya Open teridentifikasi sebagai variabel paling dominan berdasarkan hasil analisis menggunakan metode SHAP. Abstract Bitcoin is one type of cryptocurrency that is widely used because its transactions are safe, fast, and have the potential to provide significant profits. However, high price volatility makes transaction activities risky, because price movements are not only influenced by internal factors, but also external factors such as public sentiment and the Google Trends Index (GTI). This study aims to compare the XGBoost regression and LSTM for regression algorithms in predicting bitcoin closing prices by integrating daily price, sentiment, and GTI variables into a regression model that is adjusted to the characteristics of the research data, where the data used is non-linear, not normally distributed, and contains time series elements. Based on the test results, the best XGBoost regression model was obtained in the scenario with external variables. However, it produces an RMSE value of 5169.898 USD and an R2-Score of -13%, which indicates overfitting and the model is less appropriate for time series data. In contrast, the LSTM for regression model with external variables and the best combination of hyperparameters shows superior performance with an RMSE of 1378.55 USD and an R2-Score of 92%. This model does not show any indication of overfitting and is able to replicate price movement patterns accurately. This shows that LSTM for regression is better able to recognize temporal patterns in historical data. In addition, historical price features, especially Open, are identified as the most dominant variables based on the results of the analysis using the SHAP method.

Penggunaan Single Machine Learning dan Ensemble Machine Learning untuk Deteksi Penyakit Jantung Faisal Dharma Adhinata; Gita Fadila Fitriana; Nia Annisa Ferani Tanjung
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 6 No. 1 (2026): Juni 2026
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v6i1.4701

Penyakit jantung merupakan penyakit yang berbahaya bahkan penyebab kematian tertinggi didunia. Deteksi dini penyakit jantung diperlukan sebagai upaya antisipasi untuk menjaga kesehatan sejak dini. Terdapat beberapa karakteristik gejala penyakit jantung yang cukup kompleks. Adanya banyak karakteristik ini mengharuskan penegakan diagnosis oleh tenaga medis. Sementara itu, pada beberapa daerah terpencil belum banyak tenaga medis. Oleh karena itu, pada penelitian ini mengembangkan sistem deteksi dini penyakit jantung menggunakan AI. Proses deteksi dini ini juga masih memerlukan tenaga medis sebagai penegakan diagnosis utama. Pemilihan metode machine learning daripada deep learning karena dataset yang digunakan jumlahnya tidak terlalu banyak. Metode single machine learning menggunakan Support Vector Machine (), sedangkan metode ensemble machine learning menggunakan CatBoost. Perbandingan ini untuk mengetahui metode mana yang cocok untuk klasifikasi data kompleks. Hasil eksperimen menunjukkan penggunaan CatBoost lebih efektif dibanding single machine learning. Nilai akurasi dan F1 menggunakan metode CatBoost adalah 0,99. Metode CatBoost menggunakan banyak decision tree untuk pengambilan keputusan prediksi. Proses ini yang membuat ensemble learning lebih baik dibanding single machine learning. Melalui hasil ini, penggunaan ensemble learning terbukti dapat mengolah data yang kompleks untuk penentuan prediksi penyakit jantung.

A Hybrid DenseNet201-SVM for Robust Weed and Potato Plant Classification Muhammad Dzulfikar Fauzi; Faisal Dharma Adhinata; Nur Ghaniaviyanto Ramadhan; Nia Annisa Ferani Tanjung
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 8 No. 2 (2022): June
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v8i2.23886

Potato plant growth needs to be protected from weeds that grow around it. Currently, the manual spraying of pesticides by farmers is not only precise on weeds but also on cultivated plants. Therefore, we need an intelligent system that can appropriately classify potato plants and weeds. The research contribution combines feature extraction and appropriate classification methods to obtain optimal accuracy. In addition, the small amount of data also contributes to this research. In this research, it is proposed to use a combination of feature extraction using deep learning techniques and classification using machine learning. We use the feature extraction method with the DenseNet201 model because this study's data is not too much. Complex vectors from DenseNet201 were reduced using Principal Component Analysis (PCA). Then we classified it with the Support Vector Machine (SVM) and K-Nearest Neighbor (KNN) classification methods. The experimental results show that the PCA method can reduce the complexity of high-dimensional features into 2 and 3 dimensions. The average of the best classification results using SVM was obtained with a 3-dimensional PCA configuration, but on the contrary, using KNN obtained the best results in a 2-dimensional PCA configuration. The results showed 100% accuracy on the DenseNet201-SVM hybrid. The SVM kernel configuration used is a linear kernel. The results of this study can be an insight into an accurate classification method for separating weeds and potatoes so that agricultural technology can apply this method for classification.

Penggunaan Single Machine Learning dan Ensemble Machine Learning untuk Deteksi Penyakit Jantung Faisal Dharma Adhinata; Gita Fadila Fitriana; Nia Annisa Ferani Tanjung
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 6 No. 1 (2026): Juni 2026
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v6i1.4701

Penyakit jantung merupakan penyakit yang berbahaya bahkan penyebab kematian tertinggi didunia. Deteksi dini penyakit jantung diperlukan sebagai upaya antisipasi untuk menjaga kesehatan sejak dini. Terdapat beberapa karakteristik gejala penyakit jantung yang cukup kompleks. Adanya banyak karakteristik ini mengharuskan penegakan diagnosis oleh tenaga medis. Sementara itu, pada beberapa daerah terpencil belum banyak tenaga medis. Oleh karena itu, pada penelitian ini mengembangkan sistem deteksi dini penyakit jantung menggunakan AI. Proses deteksi dini ini juga masih memerlukan tenaga medis sebagai penegakan diagnosis utama. Pemilihan metode machine learning daripada deep learning karena dataset yang digunakan jumlahnya tidak terlalu banyak. Metode single machine learning menggunakan Support Vector Machine (), sedangkan metode ensemble machine learning menggunakan CatBoost. Perbandingan ini untuk mengetahui metode mana yang cocok untuk klasifikasi data kompleks. Hasil eksperimen menunjukkan penggunaan CatBoost lebih efektif dibanding single machine learning. Nilai akurasi dan F1 menggunakan metode CatBoost adalah 0,99. Metode CatBoost menggunakan banyak decision tree untuk pengambilan keputusan prediksi. Proses ini yang membuat ensemble learning lebih baik dibanding single machine learning. Melalui hasil ini, penggunaan ensemble learning terbukti dapat mengolah data yang kompleks untuk penentuan prediksi penyakit jantung.

Analisis Pengendalian Kualitas Produksi Ikan Dengan Metode Six Sigma Untuk Mengurangi Jumlah Cacat Produk Aulia Musa, Nila; Tri Ginanjar Laksana; Nia Annisa Ferani Tanjung
Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer Vol. 2 No. 1 (2022): Maret: Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/juritek.v2i1.852

PT Patria Perikanan Lestari Indonesia Penelitian ini bertujuan untuk memecahkan masalah yang berkaitan dengan pengendalian Kualitas produk dengan Metode Six Sigma dan memberikan solusi dengan implementasi perbaikan untuk proses produksi yang ada pada perusahaan. Metode penelitian ini adalah metode Six Sigma, metode yang merupakan pengendali kualitas produksi. Metode analisis Six Sigma digunakan tahap DMAIC untuk tahapan pemecahan masalah yang ada pada perushaan. Dengan menggunakan tolls yang ada pada seven tolls yang merupakan alat pengendali kualitas. Berdasarkan pengolahan data diketahui dengan adanya penerapan six sigma pada permasalahan. Diketahui hasil dari pengolahan data yaitu untuk jumlah produk cacat dari tiga jenis produk yang di produksi oleh perusahaan produk jenis loin tuna memilik presentasi cacat paling besar dibandingkan dengan produk tuna cube dan tuna fillet, dengan jumlah cacat pada bulan juni 2020 sampai mei 2021 sebesar 1017.75 kg, dengan nilai presentasi jumlah cacat 162.2 Nilai Sigma yang diperoleh adalah sebesar 4.1416.

Title

Found 27 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 27 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 27 Documents
Search