Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JURTEKSI NEAR: Jurnal Pengabdian kepada Masyarakat
Puguh Hiskiawan
Universitas Bunda Mulia
Humanities Chemistry Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Environmental Science Health Professions Languange, Linguistic, Communication & Media Library & Information Science Nursing Public Health Social Sciences Transportation Other

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

Found 2 Documents
Search

 1 
Peningkatan Wawasan Siswa tentang Big Data dan Peluang Karir Akuntansi di SMK Ariya Metta Yemima Monica Geasela; Puguh Hiskiawan; Evasaria Magdalena Sipayung; Kezia Josephine; Adeline Yolanda C. Cristie
NEAR: Jurnal Pengabdian kepada Masyarakat Vol. 5 No. 1 (2025): NEAR
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/nr.v5i1.3113

Abstract

Kegiatan Pengabdian Kepada Masyarakat (PKM) dengan tema “Pengaruh Big Data Terhadap Peluang Karier di Bidang Akuntansi” dilaksanakan di SMK Ariya Metta sebagai upaya meningkatkan pemahaman siswa mengenai perkembangan teknologi dalam bidang akuntansi. Program ini dirancang untuk menjawab kebutuhan siswa dalam menghadapi transformasi digital yang menuntut keterampilan baru, khususnya dalam pemanfaatan Big Data. Tahapan kegiatan mencakup survei awal, persiapan materi, pelaksanaan pelatihan, hingga evaluasi. Materi utama yang diberikan meliputi pengenalan peluang karier, jalur karier baru di bidang akuntansi dengan Big Data, tantangan implementasi, serta strategi pengembangan keterampilan di masa depan. Hasil kegiatan menunjukkan bahwa siswa mampu memahami peran penting Big Data dalam memperluas prospek karier akuntansi, sekaligus menyadari tantangan seperti kualitas data, keamanan informasi, serta keterbatasan infrastruktur dan sumber daya manusia. Evaluasi melalui kuesioner menunjukkan respons positif, dengan mayoritas peserta menilai kegiatan bermanfaat, relevan, dan disampaikan dengan jelas. Antusiasme siswa terlihat melalui keterlibatan aktif dalam diskusi, tanya jawab, dan aktivitas interaktif. Dengan demikian, PKM ini tidak hanya memperluas wawasan siswa, tetapi juga memberikan bekal strategis agar mereka lebih siap menghadapi era digital yang semakin berbasis data.
MULTI VIEW FEATURE FUSION FOR INDUSTRIAL ANOMALY DETECTION USING 1D-CNN Daniel Fernando Nainggolan; Puguh Hiskiawan
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4501

Abstract

Abstract: Anomalous sound detection is essential for industrial predictive maintenance, as machine failures often originate from subtle acoustic changes during operation. However, high background noise and limitations of conventional Convolutional Neural Networks (CNN) reduce detection reliability. This study proposes a 1D-CNN-based anomaly detection framework with multi-view feature fusion and temporal segmentation to enhance detection performance. The approach combines MFCC, Log-Mel Spectrogram, and Chroma STFT features, while temporal segmentation divides audio signals into 5-second segments to better capture transient anomalies. Experiments on the MIMII dataset under varying Signal-to-Noise Ratio (SNR) conditions show that MFCC and Log-Mel fusion achieves the best performance, with 97.90% accuracy and ROC-AUC of 0.9789. The model maintains accuracy above 90% at −6 dB, demonstrating strong robustness in noisy industrial environments. Keywords: industrial anomaly detection; 1D-CNN; multi-view feature fusion; temporal segmentation; MIMII dataset. Abstrak: Deteksi anomali suara merupakan komponen penting dalam sistem pemeliharaan prediktif industri, karena kegagalan mesin sering diawali oleh perubahan akustik yang bersifat halus selama proses operasi. Namun, tingkat kebisingan yang tinggi serta keterbatasan arsitektur Convolutional Neural Network (CNN) konvensional dapat menurunkan keandalan deteksi. Penelitian ini bertujuan mengusulkan kerangka deteksi anomali berbasis 1D-CNN yang mengintegrasikan strategi fusi fitur multi-view dan segmentasi temporal untuk meningkatkan kinerja deteksi. Pendekatan yang digunakan menggabungkan fitur MFCC, Log-Mel Spectrogram dan Chroma STFT, sementara teknik temporal splitting membagi sinyal audio menjadi segmen berdurasi 5 detik untuk menangkap anomali yang bersifat sementara. Eksperimen menggunakan dataset MIMII pada berbagai kondisi Signal-to-Noise Ratio (SNR) menunjukkan bahwa kombinasi MFCC dan Log-Mel Spectrogram menghasilkan kinerja terbaik dengan akurasi 97,90% dan ROC-AUC sebesar 0,9789. Model juga mempertahankan akurasi di atas 90% pada kondisi kebisingan ekstrem (−6 dB) yang menunjukkan ketahanan yang baik dalam lingkungan industri yang bising. Kata kunci: deteksi anomali industri; 1D-CNN; fusi fitur multi-view; segmentasi temporal; dataset MIMII
Co-Authors Adeline Yolanda C. Cristie Daniel Fernando Nainggolan Evasaria Magdalena Sipayung Kezia Josephine Yemima Monica Geasela