Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis LOGIC : Jurnal Ilmu Komputer dan Pendidikan
Ihza Yuzar Vianda, Rizqi
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics Other

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

Found 3 Documents
Search

 1 
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.    
Sistem Rekomendasi Dalam Pertanian: Mengoptimalkan Pemanfaatan Sawah Untuk Peningkatan Produktivitas Dan Keberlanjutan Imanuel Munaiseche, Christian; Alam, Gentar; Akbar Pratama, Hamzah; Abdul Harits, Muhammad; Rafiq Satria, Muhammad; Maulana Akbar, Reza; Ihza Yuzar Vianda, Rizqi
LOGIC : Jurnal Ilmu Komputer dan Pendidikan Vol. 2 No. 5 (2024): Logic : Jurnal Ilmu Komputer dan Pendidikan
Publisher : Shofanah Media Berkah

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

Abstract

Sistem rekomendasi (RS) menawarkan solusi inovatif untuk mengoptimalkan pemanfaatan sawah dan meningkatkan produktivitas pertanian secara berkelanjutan. Makalah ini membahas bagaimana RS dapat diterapkan dalam berbagai aspek pengelolaan sawah, mulai dari pemilihan varietas tanaman, pemupukan, irigasi, hingga pengendalian hama dan penyakit. RS memanfaatkan data historis, kondisi lingkungan terkini, dan karakteristik tanah untuk memberikan rekomendasi yang tepat dan kontekstual kepada petani. Rekomendasi ini dapat membantu petani dalam membuat keputusan yang lebih informed dan efisien, sehingga meningkatkan hasil panen dan meminimalisir dampak negatif terhadap lingkungan.
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.
Co-Authors Abdul Harits, Muhammad Akbar Pratama, Hamzah Alam, Gentar Anjarwati, Pipin Imanuel Munaiseche, Christian Irawan, Ridwan Dwi Maulana Akbar, Reza Pramono Rafiq Satria, Muhammad