Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal EJOIN : Jurnal Pengabdian Masyarakat Akademika
Rabiula, Andre
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Education Law, Crime, Criminology & Criminal Justice Public Health Social Sciences

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PENERAPAN SISTEM KONTROL DAN MONITORING LEVEL AIR BERBASIS INTERNET Of THINGS (IoT) DENGAN TELEGRAM DI HANZA FARM SEBAGAI STRATEGI PENGUATAN PRODUKTIVITAS PERTANIAN HIDROPONIK Hais, Yosi Riduas; Nehru, Nehru; Fuady, Samratul; Rabiula, Andre; Fortuna, Dewi; Damayanti, Liza
EJOIN : Jurnal Pengabdian Masyarakat Vol. 2 No. 5 (2024): EJOIN : Jurnal Pengabdian Masyarakat, Mei 2024
Publisher : LPPM Institut Pendidikan Nusantara Global

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55681/ejoin.v2i5.2857

Abstract

Hidroponik merupakan budidaya pertanian yang tidak menggunakan tanah sebagai medianya. Kelebihan dalam bercocok tanam menggunakan media non tanah adalah salah satu cara penghematan lahan dan juga tidak memakan banyak biaya. Untuk kelemahan nya sendiri adalah perlu nya ketelitian tinggi. Hidroponik Hanza Farm menggunakan jenis hidroponik dengan metode Nutrifit Film Technique (NFT) di lahan terbuka. Hidroponik di lahan terbuka menimbul permasalahan yang lebih kompleks dari pada jenis hidroponik pada green house, namun dari sisi investasi lebih menguntungkan. Belum ada penerapan teknologi, baik konvensional maupun otomastis pada hidroponik mitra. Semuanya masih dikontrol secara konvensional oleh manusia. Pengendalian level air pada tandon dan sirkulasi air hidroponik masih menggunakan tenaga manusia, yang terkadang terjadi human error. Terbuangnya nutrisi pada saat kondisi hujan, karena air tandon yang sudah di isi dengan nutrisi menjadi tumpah karena tambahan air hujan.  Tumbuhan hidroponik menjadi layu dan kering akibat sirkulasi air yang tidak terkontrol. Untuk mengatasi masalah tersebut, maka diterapkan teknologi sistem otomatis. Pada pengabdian ini difokuskan pada masalah kontrol level air pada tandon nutrisi hidroponik. Sistem kontrol dan monitoring level air dibangun berbasis Internet of Things (IoT) menggunakan aplikasi telegram. Perangkat yang digunakan untuk mengukur level air berupa sensor level swicth. Data yang dibaca sensor kemudian dikirimkan ke NodeMCU ESP8266. NodeMCU akan mengolah data dan mengontrol on/off dari pompa, kemudian data juga dikirim ke telegram user menggunakan internet. Sehingga user dapat memonitoring dan mengontrol level air dari jarak jauh. Berdasarkan hasil pengujian yang telah dilakukan terhadap alat pendeteksi  banjir ini dapat ditarik kesimpulan bahwa, perangkat dapat mengukur ketinggian sebagaimana fungsinya, sensor jarak mampu mengukur ketinggian air dengan tingkat error -3 cm diatas jarak 150 cm dan rata-rata delay pengiriman data dari telegram ke Hidroponik adalah 3 detik. Dengan penerapan alat ini petani lebih mudah untuk memonitoring kondisi cuaca dan level air dari jarak jauh. Selain memonitoring alat ini juga dapat dikendalikan untuk mengaktifkan dan mengnonaktifkan pompa air.
IMPEMENTASI ALGORITMA YOLO UNTUK PENGENALAN OBJEK SAMPAH: Classification, Deep Learning, Image Processing, YOLO Rabiula, Andre; Haryatama Putri, Frenti; Nehru, Nehru
JURNAL AKADEMIKA Vol 17 No 2 (2025): Jurnal Akademika
Publisher : LP2M Universitas Nurdin Hamzah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53564/akademika.v17i2.1677

Abstract

Human activities cannot be separated from production and consumption activities which have an impact on the generation of waste, such as the use of plastic. Therefore, waste detection and sorting should be carried out at the initial stage of waste management to maximize the amount of waste that can be recycled. This research aims to apply image processing and deep learning algorithms in plastic waste classification, as well as testing the performance of the classification system. The research method used refers to the research stages, namely literature study, data collection, pre-processing, system design, implementation, testing, evaluation and data analysis. The research results show that plastic waste classification system obtained accuracy, precision, recall and F1 scores, namely 98.7%, 1, 0.98 and 0.99.
INTEGRASI PROJECT-BASED LEARNING DALAM PEMBELAJARAN INTERAKSI MANUSIA DAN KOMPUTER DI PROGRAM STUDI SISTEM INFORMASI: Human-Computer Interaction, learning outcomes, Project-Based Learning, student creativity, UI/UX. Abidin, Zainil; Hutabarat, Benedika Ferdian; Rabiula, Andre
JURNAL AKADEMIKA Vol 17 No 2 (2025): Jurnal Akademika
Publisher : LP2M Universitas Nurdin Hamzah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53564/akademika.v17i2.1688

Abstract

This study aims to analyze the effect of implementing the Project-Based Learning (PjBL) model on student learning outcomes and task creativity in the Human-Computer Interaction course. The research method used is quantitative with a quasi-experimental design. The research subjects consisted of two classes: a control class using conventional methods and an experimental class applying PjBL. Data were collected through final exam tests and a rubric-based assessment of UI/UX project creativity. The analysis results showed that the PjBL class achieved significantly higher scores in both final exams and task creativity (p < 0.05). It is concluded that the PjBL model is effective in enhancing students' understanding and UI/UX design skills in the Information Systems program.
ANALISIS PERBANDINGAN MODEL GRU DAN LSTM UNTUK PREDIKSI HARGA SAHAM BANK RAKYAT INDONESIA: Deep Learning, GRU (Gated Recurrent Unit), LSTM (Long Short-Term Memory), Stock Price Prediction Perdana, Yogi; Raisa Hanum, Nindy; Rabiula, Andre; Anzari, Yandi
JURNAL AKADEMIKA Vol 17 No 2 (2025): Jurnal Akademika
Publisher : LP2M Universitas Nurdin Hamzah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53564/akademika.v17i2.1692

Abstract

This research implements and compares two deep learning architectures, Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU), for predicting the stock price of Bank Rakyat Indonesia (BRI) using historical data from February 2023 to October 2024. Through systematic hyperparameter tuning and comprehensive evaluation, the study finds that GRU consistently outperforms LSTM across all regression metrics, with a 10.7% improvement in R² and an 18.5% reduction in MAPE. The optimal GRU configuration (100 units, 100 epochs, batch size 32, learning rate 0.001) achieves an MSE of 6517.5 and MAPE of 1.3764%. Visual analysis confirms GRU's superior ability to capture stock price fluctuations and adapt more quickly to trend changes. The simpler architecture of GRU with fewer parameters proves more effective for handling the high-noise characteristics and varying volatility of stock price data. While both models face challenges in predicting extreme market events, GRU demonstrates better resilience and faster recovery after such occurrences. This research contributes to the understanding of recurrent neural network applications in financial time series forecasting and provides practical insights for developing more accurate stock price prediction systems.
Co-Authors Abidin, Zainil Benedika Ferdian Hutabarat Damayanti, Liza Dewi Fortuna Fuady, Samratul Haryatama Putri, Frenti Nehru Nehru Perdana, Yogi Raisa Hanum, Nindy Yandi Anzari Yosi Riduas Hais