Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Syauqy , Dahnial
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Sistem Rekomendasi dan Pemantauan Kualitas Air Kolam Bibit Budidaya Ikan Nila menggunakan Metode Support Vector Machine (SVM) Khasan, Fathurrahman Hernanda; Syauqy , Dahnial; Primananda, Rakhmadhany
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ikan Nila (Oreochromis niloticus) menjadi fokus dalam industri perikanan air tawar di Indonesia karena memiliki nilai ekonomis tinggi. Dalam konteks ini, pemantauan kualitas air menjadi krusial untuk memastikan pertumbuhan dan produktivitas ikan yang optimal. Penelitian ini menjawab kebutuhan mendesak dalam pemantauan kualitas air kolam bibit budidaya ikan nila dengan mengembangkan Sistem rekomendasi dan pemantauan kualitas air menggunakan metode Support Vector Machine (SVM). Penelitian ini menerapkan metode pengembangan implementatif untuk mengimplementasikan hasil penelitian sebelumnya ke dalam aplikasi praktis. Tahapan penelitian mencakup studi literatur, rekayasa kebutuhan sistem, perancangan dan implementasi sistem, pengujian, serta analisis hasil. Sistem ini dirancang untuk memberikan rekomendasi dan memantau kualitas air kolam bibit ikan nila dengan memanfaatkan sensor suhu DS18B20, PH-4502C, dan sensor turbiditas SEN0189.Pengujian melibatkan evaluasi sensor dan metode SVM untuk klasifikasi kualitas air. Hasil uji klasifikasi SVM menunjukkan kemampuan sistem mengenali tiga kelas kualitas air, yaitu "Bersih", "Perlu Diencerkan", dan "Perlu Dikuras". Sistem berhasil memberikan rekomendasi yang sesuai dengan kondisi air kolam bibit ikan nila dan mampu memonitor kualitas air secara akurat dengan keberhasilan prediksi 100% untuk seluruh 15 data testing. Sensor suhu, pH, dan turbiditas juga menunjukkan kinerja baik dengan tingkat akurasi sebesar 99.51% untuk sensor suhu DS18B20, 98.85% untuk sensor PH-4502C dan pembacaan yang adaptif sesuai lingkungannya pada sensor turbiditas SEN0189.
Sistem Deteksi Durasi Waktu Penyimpanan Susu Sapi Segar Berdasarkan Tingkat Keasaman dan Perubahan Warna dengan Menggunakan Metode K-Nearest Neighbors (K-NN) Berbasis Arduino BHRAMANTYA , RIZKY; Syauqy , Dahnial; Setiawan , Eko
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 10 (2024): Oktober 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Susu merupakan sumber pangan hewani yang penting, mengandung nutrisi seperti air, lemak, laktosa, protein, dan mineral. Susu sapi segar berasal dari kelenjar susu sapi perah Friesian Holstein (FH) betina dan biasanya mengalami proses pengolahan, termasuk pasteurisasi atau UHT, untuk menghilangkan bakteri patogen sambil mempertahankan kualitas nutrisinya. Kualitas susu sapi dapat dinilai berdasarkan pH, warna, dan rasa, dengan kisaran pH optimal antara 6,5 dan 6,7. Warna putih susu disebabkan oleh kasein, sedangkan warna kekuningan berasal dari karoten. Penentuan kualitas susu segar seringkali sulit dilakukan saat pembelian karena ketidakpastian lama penyimpanan. Beberapa penelitian telah mengeksplorasi metode untuk menilai kelayakan susu berdasarkan parameter seperti pH, warna, dan gas amonia. Penelitian ini bertujuan untuk mendeteksi durasi penyimpanan susu sapi segar menggunakan metode K-Nearest Neighbors (K-NN) dengan parameter tingkat keasaman dan perubahan warna. Sistem berbasis Arduino UNO akan menggunakan sensor pH (PH-4502C) dan sensor warna (TCS-3200) untuk menganalisis sampel susu sapi. Algoritma K-NN yang menggunakan supervised learning, akan mengklasifikasikan data susu berdasarkan data latih (training data) yang telah ada, dengan hasil ditampilkan pada layar LCD I2C Display. Metode ini dipilih karena efisiensi komputasinya pada jumlah data sedikit, dengan tingkat keakurasiannya bergantung pada pemilihan nilai K yang optimal.
Co-Authors BHRAMANTYA , RIZKY Khasan, Fathurrahman Hernanda Rakhmadhany Primananda, Rakhmadhany Setiawan , Eko