Claim Missing Document
Check
Articles

Found 2 Documents
Search

Peningkatan Produksi Budidaya Ikan Bandeng Melalui Implementasi Sistem Monitoring Kualitas Air Berbasis IoT di Desa Kadilangu Rochim, Febry Putra; Sulistyawan, Vera Noviana; Saputro, Bagaskoro; Arlinto, Arlinto; Andriano, Niko; Maghribi, Mohammad Maulana; Kladius, Rafik
Bakti Sekawan : Jurnal Pengabdian Masyarakat Vol. 5 No. 2 (2025): Desember
Publisher : Puslitbang Sekawan Institute Nusa Tenggara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35746/bakwan.v5i2.762

Abstract

Desa Kadilangu di Kabupaten Pati, Jawa Tengah, dikenal sebagai salah satu pusat budidaya ikan bandeng. Namun, permasalahan kualitas air akibat limbah industri tapioka menjadi tantangan bagi para petani tambak, yang menyebabkan penurunan hasil panen dan kematian ikan. Kualitas air tambak sangat penting dalam budidaya ikan bandeng, namun pengecekan kualitas air masih dilakukan secara tradisional tanpa bantuan teknologi. Oleh karena itu, pengabdian ini bertujuan untuk meningkatkan produksi ikan bandeng melalui penerapan sistem monitoring kualitas air berbasis Internet of Things (IoT). Sistem ini menggunakan sensor untuk mengukur parameter penting seperti suhu, pH, dan kekeruhan air yang kemudian ditampilkan secara real-time melalui aplikasi web dan smartphone. Metode yang digunakan dalam pengabdian ini meliputi survei lapangan, studi pustaka, pengembangan sistem berbasis IoT, pelatihan kepada petani tambak, serta evaluasi penggunaan sistem. Hasil pengabdian menunjukkan bahwa sistem monitoring kualitas air mampu memberikan informasi yang akurat dan real-time, sehingga petani tambak dapat dengan cepat mengambil tindakan preventif. Hal ini berdampak pada peningkatan produksi ikan bandeng yang meningkat 10% - 12,5% dari hasil panen musim sebelumnya dan efisiensi pengelolaan tambak. Sistem ini menjadi solusi tepat guna dalam membantu petani tambak menjaga kualitas air secara lebih efektif.
Multi-GPU Benchmarking of YOLO Generations for PCB Defect Detection Maghribi, Mohammad Maulana; Rochim, Febry Putra
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.2972

Abstract

Thorough defect detection on printed circuit boards (PCBs) is required to ensure manufacturing quality and reliability. Even though many modern YOLO-based detectors exist, very little research focuses on comparative evaluation across multiple YOLO generations while accounting for deployment-related factors such as training costs, hardware limitations, and energy efficiency. Twelve model configurations from YOLOv8, YOLO11, YOLOv12, and YOLO26 generations have been benchmarked in this study on a dataset of 10,628 images representing six types of PCB defects. All the configurations have been trained under similar conditions, including transfer learning and data augmentation. Metrics utilized in the performance assessment include Precision, Recall, F1-score, mAP@0.5, and mAP@0.5:0.95. Deployment analysis considers inference speed, training time, VRAM usage, GPU speedup, and energy consumption for NVIDIA RTX 3060, RTX 5060 Ti, and RTX 4090 GPUs. All models achieved excellent detection performance, with mAP@0.5 ranging from 0.985 to 0.989. YOLOv8m obtained the highest mAP@0.5:0.95 value of 0.697. RTX 5060 Ti demonstrated the best balance between training speed and energy efficiency, while RTX 4090 showed the highest acceleration for complex models. The current research is the first to provide multi-GPU and multi-YOLO benchmarking for real-life PCB defect detection in industrial PCB inspection.