Claim Missing Document
Check
Articles

Found 3 Documents
Search

Rancangan Sistem Kendali Palang Pintu Perlintasan Kereta Api Otomatis Berbasis Arduino Uno Anjarwati, Pipin; Ihza Yuzar Vianda, Rizqi; Pramono
LOGIC : Jurnal Ilmu Komputer dan Pendidikan Vol. 2 No. 4 (2024): Logic : Jurnal Ilmu Komputer dan Pendidikan
Publisher : Shofanah Media Berkah

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

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem kendali palang pintu perlintasan kereta api otomatis berbasis Arduino Uno guna mengurangi kecelakaan yang disebabkan oleh kelalaian manusia. Dengan memanfaatkan sensor ultrasonik, sensor getar, dan NodeMCU Esp8266, sistem ini mampu mendeteksi kedatangan kereta api secara akurat dan mengatur penutupan palang pintu secara otomatis. Uji coba dilakukan melalui uji fungsional dan uji kerja miniatur, yang menunjukkan bahwa sistem dapat beroperasi dengan baik. Hasil penelitian menunjukkan bahwa kombinasi Arduino Uno dan NodeMCU Esp8266 memberikan solusi efektif dalam meningkatkan keamanan perlintasan kereta api serta menyediakan notifikasi real-time kepada pihak terkait. Diharapkan implementasi sistem ini dapat mengurangi risiko kecelakaan dan menjadikan perlintasan kereta api lebih aman dan efisien.    
Klasifikasi Citra Bunga Multikelas Menggunakan Convolutional Neural Network (CNN) Ihza Yuzar Vianda, Rizqi; Anjarwati, Pipin; Akbar Pratama, Hamzah; Maulana Akbar, Reza; Dwi Irawan, Ridwan
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/0d10j421

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi citra bunga multikelas menggunakan algoritma Convolutional Neural Network (CNN) untuk mengatasi keterbatasan identifikasi manual yang kurang efisien dan rawan kesalahan. Dataset yang digunakan berjumlah 994 gambar dari sepuluh jenis bunga, diunduh dari platform Kaggle dan diproses melalui tahapan augmentasi serta normalisasi. Model CNN dibangun dengan empat lapisan konvolusi beraktivasi ReLU, dilanjutkan dengan pooling dan lapisan dense, serta dilatih menggunakan optimizer Adam dan fungsi loss categorical crossentropy. Evaluasi dilakukan dengan metrik akurasi, Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pelatihan menunjukkan akurasi validasi sebesar 72,48% dan nilai MAE yang rendah, yang mengindikasikan kemampuan generalisasi model terhadap data baru. Model juga menunjukkan performa yang baik dalam mengklasifikasikan citra yang belum pernah dilatih sebelumnya. Dengan demikian, CNN terbukti efektif untuk klasifikasi otomatis citra bunga dan memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi berbasis teknologi visual serta peningkatan performa melalui tuning arsitektur.
Raw Material Stock Prediction Using the Long Short-Term Memory Algorithm Anjarwati, Pipin; Widyaningsih, Pipin; Pramono, Pramono
Journal of Artificial Intelligence and Software Engineering Vol 5, No 3 (2025): September
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i3.7199

Abstract

Inaccurate management of raw material inventory leads to operational inefficiency and cost overruns in micro, small, and medium enterprises (MSMEs), particularly in the culinary industry where demand is highly fluctuating and difficult to predict. This study develops a raw material stock prediction system using the Long Short-Term Memory (LSTM) algorithm with a Waterfall system development approach, applied to the case of "Mizan and Sunan" grilled bread producers operating across seven branches. The dataset consists of nine months of historical demand data, comprising 5,142 entries with eight main attributes. Data preprocessing includes Min-Max Scaling normalization, sequential data formation using a three-day sliding window, and chronological splitting of training and testing datasets. The LSTM model is trained to predict daily stock requirements, with evaluation conducted using Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The results show an MSE of 403.28, MAE of 10.38, and MAPE of 10.79%, indicating good predictive accuracy. The novelty of this research lies in the application of an LSTM model based on multi-branch MSME culinary historical data characterized by fluctuating demand, along with the development of an adaptive prediction system to support precise procurement decision-making. These findings demonstrate the effectiveness of LSTM as a practical data-driven solution for inventory management in multi-branch MSME operations.