Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Elekterika Blend Sains Jurnal Teknik
Erdin, Muh.
Unknown Affiliation
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Analisis Kinerja Filter Gambar terhadap Noise pada Penyakit Tanaman Tomat Erdin, Muh.; Nurfitri, Nurfitri
Blend Sains Jurnal Teknik Vol. 4 No. 3 (2026): Edisi Januari
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/blendsains.v4i3.1335

Abstract

Pertanian memiliki peranan penting dalam kehidupan bermasyarakat di Indonesia. Ketersediaan lahan dan iklim yang mendukung menjadikan pertanian masih menjadi sumber nafkah bagi sebagian orang. Pertanian memiliki sejarah yang sangat panjang dan revolusi besar-besaran untuk menggunakan teknologi masih belum masif saat ini. Teknologi 4.0 sangat membantu petani dalam meningkatkan produksi dan menurunkan gagalnya panen. Pendeteksian penyakit dengan menggunakan machine learning sangat membantu untuk menentukan jenis penyakit dan pengobatan yang diperlukan. Keterbatasan dataset sangat memperngaruhi hasil dari prediksi penyakit tersebut sehingga dengan bantuan adannya filter akan membantu meningkatkan hasil dengan dataset yang terbatas. Pada percobaan ini digunakan tiga jenis filter yang dilakukan pengujian dengan tiga jenis noise yang berbeda. Jenis noise yang digunakan adalah Gaussian, Salt and Paper serta Speckle untuk menguji kinerja filter dengan menggunakan aplikasi MatLab. Adapun filter yang digunakan adalah filter Bilateral, NLM dan Median. Dataset yang digunakan adalah dataset pada tanaman tomat dengan random sampling dan diambil 18 gambar pada masing-masing kelas dengan total ada 7 kelas. Percobaan menggunakan noise Gaussian menghasilkan filter NLM yang bagus dalam memperbaiki gambar yang diberikan noise. Filter Median terbukti mampu memperbaiki gambar yang diberikan noise Salt and Paper. Penggunaan noise Speckle pada gambar menghasilkan filter Bilateral sebagai filter yang mampu memperbaiki gambar dengan kualitas terbaik. Dengan menggunakan hasil semua percobaan dengan semua noise maka dihasilkan filter NLM sebagai filter terbaik dalam memperbaiki gambar yang diberikan noise dengan nilai PSNR (dB), SSIM dan MSE adalah 25,20 , 0,76 , 0,003. Nilai rata-rata tersebut membuktikan bahwa filter NLM dapat memperbaiki gambar pada semua kelas dengan hasil rata-rata terbaik.
IoT-Based Sensor System for Electricity Consumption Forecasting in Boarding Rooms Using Kalman Filter Algorithm Dewi, Dewi Humeira Amriah; Farid; Muhammad Fathur Rahman N; Riesa Krisna Astuti Sakir; Muh. Erdin; Nurfitri
Jurnal Teknologi Elekterika Vol. 22 No. 2 (2025): Nopember
Publisher : Jurusan Teknik Elektro Politeknik Negeri Ujung Pandang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31963/elekterika.v22i2.5760

Abstract

Humans demand electricity to conduct their daily tasks. Indonesia undergoes a yearly escalation in its electricity use. Moreover, customers encounter the difficulty of overestimating their electrical energy consumption, since they remain unaware of the power utilization linked to each frequently utilized electrical load and possess limited control over their electricity expenditure. The Kalman Filter Algorithm was utilized to estimate electricity usage via the execution of a research system. The Kalman Filter can forecast future states using minimal information. This system incorporates an IoT framework with a network communication module, the Raspberry Pi, which relays data to the database. The PZEM-004T sensor is utilized to gather data on electrical parameters from loads, including voltage, current, active power, and energy consumption. The electrical consumption was documented every 15 minutes over a duration of 60 days. The dataset was divided in an 80:20 ratio, allocating 80% for training and 20% for testing. RMSE, MSE, and MAPE are utilized to determine the accuracy metrics of each test. Additionally, the fan load is assessed in one evaluation, yielding an error percentage of 0.077% for the training data and 0.076% for the test data, determined using RMSE. The error percentage calculated using the MSE equation is 0.006% for the training data and 0.005% for the test data. The error percentage calculated by MAPE is 0.789% for the training dataset and 0.202% for the testing dataset. The findings indicate that the Kalman Filter prediction method is exceptionally proficient in forecasting electrical load consumption
Co-Authors Dewi, Dewi Humeira Amriah Farid Muhammad Fathur Rahman N nurfitri Nurfitri Nurfitri, Nurfitri Riesa Krisna Astuti Sakir