Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal bit-Tech Journal of Innovative and Creativity
Umi Yuliatin
Politeknik Energi dan Mineral Akamigas
Computer Science & IT Education Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Klasifikasi Gambar Berbasis CNN pada Makhluk Peliharaan: Pendekatan Inovatif untuk Deteksi Anjing dan Kucing Umi Yuliatin; Muhammad Hafiz; Aldora Helga Zivatha
Journal of Innovative and Creativity Vol. 5 No. 2 (2025)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v5i2.1586

Abstract

Penelitian ini mengimplementasikan Convolutional Neural Network (CNN) untuk klasifikasi gambar anjing dan kucing, dengan tujuan untuk mengembangkan metode yang efisien dalam mengenali objek berdasarkan fitur visual seperti bentuk, pola, dan tekstur. Model CNN yang digunakan dalam penelitian ini mengikuti arsitektur AlexNet, yang terdiri dari lapisan konvolusi, pooling, dan dense, serta fungsi aktivasi ReLU dan sigmoid. Dataset yang digunakan berasal dari Kaggle dan terdiri dari 4000 gambar, yang terbagi rata antara gambar anjing dan kucing dengan variasi dalam pose dan kondisi pencahayaan. Hasil pelatihan menunjukkan akurasi model sebesar 66% pada data pelatihan dan mendekati 70% pada data validasi, dengan proses yang berjalan tanpa indikasi overfitting yang signifikan. Meskipun demikian, hasil confusion matrix menunjukkan bahwa model masih kesulitan membedakan gambar anjing dan kucing, terutama pada gambar kucing yang lebih sering salah diklasifikasikan sebagai anjing. Hasil percobaan dengan data uji juga menunjukkan bahwa model dapat memberikan prediksi yang cukup akurat, meskipun dengan tingkat keyakinan yang bervariasi. Secara keseluruhan, penelitian ini menunjukkan bahwa CNN efektif untuk klasifikasi gambar, namun masih memerlukan pengembangan lebih lanjut untuk meningkatkan akurasi dan generalisasi model.
Rancang Bangun Sistem Pengendalian Temperature Vessel Dengan PID Controller Menggunakan Metode Tuning Direct Synthesis dan Monitoring pada Labview Berbasis Arduino Mohammad Rafy Kharisma Putra Supriyadi; Umi Yuliatin; Roni Heru Triyanto
bit-Tech Vol. 7 No. 2 (2024): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i2.1823

Abstract

Pengendalian suhu merupakan aspek yang sangat penting dalam berbagai proses industry terutama di industri minyak dan gas. Selain ini visualisasi monitoring berikut pengendaliannya menjadi hal yang penting seiring berkembangnya teknologi dan kemudahan di bidang IoT. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pengendalian suhu pada sebuah vessel dengan menggunakan kontroler PID. Metode tuning yang dipilih adalah Direct Synthesis, karena kemampuannya dalam memberikan respons yang cepat dan stabil. Sistem ini diimplementasikan menggunakan platform LabVIEW untuk keperluan monitoring dan kontrol, serta Arduino sebagai perangkat keras utama yang mengelola aktuator dan sensor membentuk sistem monitoring dan pengendalian berbasis teknologi IoT. Sistem yang dirancang terdiri dari beberapa komponen utama: sensor suhu, Arduino, pengendali PID, dan perangkat lunak LabVIEW. Sensor suhu bertugas mengukur suhu aktual dari vessel dan mengirimkan data tersebut ke Arduino. Arduino kemudian memproses data ini dan untuk mengatur aktuator berdasarkan algoritma PID yang telah dituning menggunakan metode Direct Synthesis. LabVIEW digunakan sebagai antarmuka pengguna yang memungkinkan monitoring secara real-time dan penyesuaian parameter kontrol jika diperlukan. Hasil pengujian PID Controller yang menggunakan metode Direct Synthesis optimal pada parameter Kp = 1,6989, Ki = 0,8537, dan Kd = 0,6846. Parameter ini  menunjukkan respons yang cukup akurat dengan kinerja yang baik  baik dengan gangguan dan tanpa gangguan dari percobaan yang telah dilakukan.
Performance Assessment of Machine Learning Models for Gas Turbine Fault Detection Umi Yuliatin; Hernawan Novianto
bit-Tech Vol. 8 No. 2 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i2.3443

Abstract

This study systematically evaluates the effectiveness of classical machine learning models for gas turbine fault detection under class-imbalanced operating conditions. Using an industrial dataset of 1,386 observations with a binary target (30.7% Fault) and nine operational parameters, we first conduct exploratory analysis to characterize correlation structure and extreme operating states. The methodological pipeline comprises stratified train–test splitting, feature standardization, and training-set rebalancing using SMOTE, followed by estimation of four models: Logistic Regression, Random Forest, XGBoost, and Support Vector Machine. Model performance is assessed using common classification indicators, focusing on the trade-off between overall discrimination and the ability to correctly identify Fault conditions. The results show consistently weak discriminative power, with AUC values only slightly above random classification (0.48–0.55) and low effectiveness in detecting Fault cases, despite reasonable accuracy for No Fault conditions. These findings provide an empirical baseline showing that, for this dataset, classical models struggle to achieve clinically meaningful separation between normal and faulty turbine states. The study’s main contribution is to demonstrate, on real industrial data, how limited feature informativeness, class imbalance, and potential label or measurement noise jointly constrain learnability, even after standard rebalancing. A key implication is that reliable gas turbine fault detection will require richer, domain-informed feature engineering particularly temporal and condition-specific descriptors and possibly more expressive models, such as deep learning or hybrid physics-informed approaches. Future research should validate these insights on larger multi-plant datasets and systematically compare advanced feature-learning strategies and cost-sensitive optimization schemes empirically.
Co-Authors Aldora Helga Zivatha Hernawan Novianto Mohammad Rafy Kharisma Putra Supriyadi Muhammad Hafiz Roni Heru Triyanto