Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Simtek : Jurnal Sistem Informasi dan Teknik Komputer Scientica: Jurnal Ilmiah Sains dan Teknologi
Rusmawati , Dea Aisyah
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Social Sciences Other

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

Found 2 Documents
Search

 1 
PENELITIAN DAN ANALISIS EFISIENSI PEMANFAATAN KUNYIT SEBAGAI INDIKATOR TITRASI ASAM BASA EDIBLE FILM Aziz, Abdul; Gwon , Kim Dong; Liga , Muhammad Jilan Arman Rachman; Desipa , Nova; Rusmawati , Dea Aisyah
Scientica: Jurnal Ilmiah Sains dan Teknologi Vol. 3 No. 2 (2024): Scientica: Jurnal Ilmiah Sains dan Teknologi
Publisher : Komunitas Menulis dan Meneliti (Kolibi)

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

Abstract

Penelitian ini bertujuan untuk mengembangkan edible film berbasis kunyit sebagai alat bantu dalam pengajaran titrasi asam basa. Edible film yang mengandung ekstrak kunyit diuji sebagai indikator pada berbagai jenis titrasi asam basa. Hasil penelitian menunjukkan bahwa edible film berbasis kunyit dapat digunakan sebagai alternatif indikator yang aman, murah, dan mudah diperoleh. Aplikasi ini dapat memberikan pengalaman belajar yang lebih menarik dan relevan bagi siswa.
MODEL DEEP LEARNING RINGAN UNTUK KLASIFIKASI BAKTERI MENGGUNAKAN MNASNET Ghiffari , M. Amirul; Herdiani, Febri Dolis; Ariawan, Ishak; Rusmawati , Dea Aisyah
Simtek : jurnal sistem informasi dan teknik komputer Vol. 10 No. 2 (2025): Oktober 2025
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v10i2.1678

Abstract

Identifikasi bakteri yang cepat dan akurat merupakan tantangan penting dalam bidang mikrobiologi dan industri pangan. Penelitian ini mengevaluasi arsitektur Mobile Neural Architecture Search Network (MNASNet) untuk tugas klasifikasi citra bakteri. Hasil eksperimen menunjukkan bahwa MNASNet mampu mencapai akurasi validasi sebesar 97,25%, F1-score 97,22%, serta validation loss terendah 0,2176, melampaui model ringan lain yang diuji. Evaluasi lebih lanjut pada dataset uji independen memperkuat kemampuan generalisasi model dengan akurasi 95,75%, presisi 96,52%, sensitivitas 95,68%, dan F1-score 95,62%. Dari sisi efisiensi, MNASNet hanya memerlukan 423,37 MFLOPs, dengan jumlah parameter sekitar 3,14 juta, serta latensi inferensi 1,11 ms per citra, menjadikannya arsitektur yang ringan namun sangat andal. Hasil ini menegaskan bahwa MNASNet tidak hanya unggul secara prediktif tetapi juga efisien secara komputasi, sehingga berpotensi besar untuk diimplementasikan pada sistem diagnostik cepat berbasis citra dalam lingkungan nyata dengan keterbatasan sumber daya.
Co-Authors Abdul Aziz Desipa , Nova Gwon , Kim Dong Herdiani, Febri Dolis Liga , Muhammad Jilan Arman Rachman M Amirul Ghiffari