Article Per Year (5 Year)
p-Index From 2021 - 2026
1.734
P-Index
This Author published in this journals
All Journal Jurnal Hasil Pengabdian Masyarakat (JURIBMAS) Journal of Computer Science Artificial Intelligence and Communications Jurnal Pengabdian Masyarakat Berdampak Journal of Electrical Engineering Research Proceedings of The International Conference on Computer Science, Engineering, Social Sciences, and Multidisciplinary Studies
Rizki, Cindy Atika
Unknown Affiliation
Religion Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Implementasi Sistem Pemantauan Daya Listrik Real-Time Berbasis ESP32 untuk Optimasi Energi Rizki, Cindy Atika; Khairuniza, Nabila; Habibah, Muthiah
Journal of Electrical Engineering Research Vol. 1 No. 2 (2025): May 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/joeer.v1i2.11

Abstract

Penelitian ini mengembangkan dan mengimplementasikan sistem pemantauan daya listrik real-time berbasis ESP32 yang dirancang untuk memberikan informasi konsumsi energi secara lebih akurat, cepat, dan mudah diakses. Kebutuhan akan sistem monitoring yang efisien muncul dari meningkatnya penggunaan perangkat listrik rumah tangga yang berdampak pada pemborosan energi jika tidak dikelola dengan baik. Sistem yang dibangun memanfaatkan sensor arus dan tegangan untuk mengukur besaran listrik secara langsung, kemudian memproses dan mengirimkannya melalui jaringan Wi-Fi menuju dashboard berbasis web. Hasil pengujian menunjukkan bahwa perangkat mampu membaca perubahan beban secara responsif dan stabil, dengan tingkat akurasi pengukuran yang berada dalam rentang toleransi alat ukur standar. Visualisasi data dalam bentuk grafik historis memberikan gambaran pola konsumsi energi yang dapat dimanfaatkan untuk mengidentifikasi perangkat dengan beban tinggi dan menentukan strategi optimasi energi. Sistem ini juga terbukti memiliki reliabilitas yang baik dalam pengoperasian jangka panjang, menjadikannya solusi praktis dan ekonomis bagi pengguna. Secara keseluruhan, penelitian ini membuktikan bahwa ESP32 merupakan platform yang efektif dan fleksibel untuk implementasi monitoring energi real-time, serta memiliki potensi untuk dikembangkan lebih lanjut menuju integrasi otomatisasi atau analisis prediktif dalam manajemen energi rumah tangga.
Analisis Kinerja Algoritma Deep Learning pada Pengolahan Data Kompleks Khodijah, Siti; Rizki, Cindy Atika
Journal of Electrical Engineering Research Vol. 1 No. 3 (2025): September 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/joeer.v1i3.20

Abstract

Perkembangan pesat algoritma deep learning telah memberikan kontribusi signifikan dalam pengolahan data kompleks yang memiliki karakteristik spasial dan temporal. Namun, penerapan model deep learning tunggal sering menghadapi keterbatasan dalam menangkap pola data secara menyeluruh, khususnya pada data berdimensi tinggi dan deret waktu. Penelitian ini bertujuan untuk menganalisis efektivitas penggunaan model deep learning hybrid yang mengombinasikan Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN) dalam meningkatkan kinerja pengolahan data kompleks. Metode penelitian yang digunakan adalah pendekatan kuantitatif eksperimental dengan membandingkan performa model CNN tunggal, RNN tunggal, dan model hybrid CNN–RNN. Dataset yang digunakan merupakan data sekunder dengan karakteristik multivariat dan temporal, yang diproses melalui tahapan pra-pemrosesan, pelatihan, dan evaluasi model. Hasil penelitian menunjukkan bahwa model hybrid CNN–RNN memberikan performa terbaik dibandingkan model tunggal, ditunjukkan oleh peningkatan akurasi, presisi, recall, dan F1-score secara signifikan. Selain itu, analisis kurva loss pelatihan dan validasi menunjukkan proses pembelajaran yang stabil dan kemampuan generalisasi yang baik. Penerapan teknik regularisasi dan attention mechanism juga terbukti mampu mengurangi overfitting serta meningkatkan interpretabilitas model. Dengan demikian, model deep learning hybrid CNN–RNN memiliki potensi besar untuk diterapkan dalam berbagai domain pengolahan data kompleks, seperti analisis sinyal medis, sistem keamanan berbasis IoT, dan analisis aktivitas manusia.
Co-Authors Chinthia, Maulidania Mediawati Eka Pandu Cynthia Eka Putra Habibah, Muthiah Hendry . Khairuniza, Nabila Mardiah Muhammad Hasanuddin Muhammad Hasanuddin, Muhammad Muhammad Iqbal Muhammad Noor Hasan Siregar PA, Dahrim Prayoga, Abil Alwi Ramadani, Fadilah Ricky Ramadhan Harahap Rifky Lana Rahardian Siti Khodijah