Claim Missing Document
Check
Articles

Found 2 Documents
Search

Pemodelan Tegangan Lebih Disebabkan Sambaran Petir Menggunakan Arrester IEEE Dengan Aplikasi ATP-EMTP Pada Studi Kasus Di Nias Mutiara S. Simanjuntak; Aprima Anugerah Matondang; Juanto Simangunsong
Venus: Jurnal Publikasi Rumpun Ilmu TeknikĀ  Vol. 1 No. 6 (2023): Desember : Jurnal Publikasi Rumpun Ilmu Teknik
Publisher : Asosiasi Riset Ilmu Teknik Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61132/venus.v1i6.218

Abstract

Lightning has always been a dangerous threat to the equipment of electric power systems consisting of: power plants, substations, transmission lines and distribution lines. Generally, overhead high-voltage transmission lines are exposed to lightning strikes. Therefore, the degree of protection against lightning is determined based on the degree of insulation of the equipment. To prevent damage to equipment due to lightning strikes, arresters are used. In this study, three arrester models were used as comparisons, namely. IEEE arrester model. The system was simulated using Alternative Transients Program (ATP) software. The results showed that the lightning rod was declared successful in protecting the transmission system, where the three lightning rods had a Margin Protection (MP) of arresters that reached 28%. In the simulation, it is known that the IEEE arrester successfully cut off the lightning current in the transmission system so that the transient overvoltage recorded on the transformer does not exceed the Basic Insulation Level ((BIL) trafo.
Penerapan Transfer Learning untuk Klasifikasi Citra Bunga Berbasis Convolutional Neural Network Simangunsong, Juanto; Simanjuntak, Nurmala Dewi; Matondang, Aprima Anugerah
Jurnal Minfo Polgan Vol. 14 No. 1 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i1.14980

Abstract

Klasifikasi citra bunga merupakan salah satu tantangan dalam pengolahan citra digital yang memerlukan ketelitian tinggi dalam mengenali pola visual yang kompleks. Penelitian ini bertujuan untuk menerapkan metode transfer learning berbasis arsitektur Convolutional Neural Network (CNN) dalam mengklasifikasikan citra bunga dari dataset Oxford 102 Flower. Model pretrained yang digunakan meliputi VGG16, ResNet50, dan MobileNetV2, dengan penyesuaian pada layer output untuk mendukung klasifikasi 102 kelas bunga. Data citra diproses melalui teknik augmentasi dan normalisasi, kemudian dibagi menjadi data latih, validasi, dan uji. Hasil pelatihan menunjukkan bahwa model mampu mencapai akurasi validasi di atas 90%, dengan nilai loss yang menurun secara konsisten, tanpa indikasi overfitting. ResNet50 menunjukkan performa terbaik dalam hal keseimbangan antara akurasi dan stabilitas loss. Kesimpulannya, transfer learning terbukti efektif dan efisien dalam menyelesaikan tugas klasifikasi citra bunga, serta memiliki potensi besar untuk diimplementasikan dalam aplikasi identifikasi tanaman otomatis.