Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )
Wirawan, I Gde Putu Wirarama Wedaswhara
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Engineering

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

Found 2 Documents
Search

 1 
SMART HOME BERBASIS KENDALI SUARA MENGGUNAKAN GOOGLE AIY VOICE KIT DAN RELAY MODULE Kurniawan, Muhammad Adriyanto; Wirawan, I Gde Putu Wirarama Wedaswhara; Zubaidi, Ariyan
JTIKA (Jurnal Teknik Informatika, Komputer dan Aplikasinya) Vol 6 No 2 (2024): September 2024
Publisher : Program Studi Teknik Informatika, Fakultas Teknik, Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jtika.v6i2.362

Abstract

Pada zaman ini dimana teknologi sudah berkembang pesat dimana memudahkan manusia dalam aktivitas mereka dalam kehidupan sehari – hari. Dimana pada umumnya perangkat – perangkat elektronik di rumah seperti lampu dan kipas angin dalam pengoperasiannya masih menggunakan saklar manual. Lokasi dari masing-masing saklar itu sendiri berbeda-beda di setiap ruangan tergantung dari fungsi dari setiap saklar tersebut. Dengan banyaknya jumlah saklar yang ada, terkadang membuat proses menjadi kurang efisien karena pengguna diharuskan menekan saklar secara langsung yang terdapat pada masing- masing ruangan tempat saklar berada. Karena masalah tersebut maka dibuatkan solusi berupa perancangan sistem berupa smart home yang mengendalikan alat elektronik di rumah berupa lampu dan kipas angin dengan memanfaatkan fitur speech recognition perangkat Google AIY Voice Kit guna memudahkan pengguna dalam mengendalikan perangkat listrik tanpa harus menekan saklar dan dapat dilakukan di satu tempat. Hal yang sudah dijelaskan diatas telah dilakukan pengujian dimana jarak semakin dekat jarak antara pengguna dengan Google AIY Voice Kit maka perangkat akan semakin berhasil dalam menerima perintah suara pengguna dibandingkan jarak yang lebih jauh. Selain itu pada keadaan tanpa noise Google AIY Voice Kit lebih mudah dalam menerima perintah suara dikarenakan perintah suara yang diucapkan jelas, dibandingkan pada keadaan noise. Sehingga didapatkan persentase keberhasilan untuk jarak kondisi noise sebesar 41,6%, tanpa noise 75%. Pada kondisi tanpa noise sebesar 100%, dan kondisi noise sebesar 33,3%.
PENERAPAN REGRESI LINEAR UNTUK PREDIKSI SUHU BADAN SAPI MENGGUNAKAN DATA SMART TERNAK DARI PT TELKOM INDONESIA: STUDI KASUS DI DESA PENGENGAT Umami, Nurul; Hernawan, Ari; Wirawan, I Gde Putu Wirarama Wedaswhara
JTIKA (Jurnal Teknik Informatika, Komputer dan Aplikasinya) Vol 6 No 2 (2024): September 2024
Publisher : Program Studi Teknik Informatika, Fakultas Teknik, Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jtika.v6i2.376

Abstract

Abstract West Nusa Tenggara (NTB) is one of the regions in Indonesia with significant potential in the field of livestock farming. In the context of the agricultural industry, livestock is considered a valuable asset, and monitoring their health is crucial for improving livestock productivity. This research aims to determine the relationship between the body temperature of cattle (Y) and environmental factors, namely air humidity (), environmental temperature (), and barometric pressure (), using smart livestock data provided by PT Telkom. The study was conducted in Pengengat Village, NTB, involving correlation and regression analysis. The analysis results indicate a significant positive correlation between the body temperature of cattle and environmental temperature () and a negative correlation with humidity (). Additionally, there is a strong positive correlation between the body temperature of cattle and barometric pressure (). The multiple linear regression equation obtained is as follows: = –26.816842418191094 + -0,0014707 + 0.39772325 + 0.04927779. Model testing shows excellent prediction quality with low Mean Squared Error (MSE) values (0.3849 for training and 0.4623 for testing). Furthermore, the high R-squared (R^2) values (0.7283 for training and 0.7110 for testing) indicate that the linear regression model can predict the body temperature of cattle based on the analyzed environmental factors. Keywords: Cattle Body Temperature, Smart Livestock Data, Prediction, Machine Learning, Linear Regression
Co-Authors Ari Hernawan Kurniawan, Muhammad Adriyanto Umami, Nurul Zubaidi, Ariyan