Claim Missing Document
Check
Articles

Found 4 Documents
Search

Introduction to Surface Damage on Solar Panels with Feature Extraction using Statistical Methods Ninuk Wiliani; Titik Khawa; Suzaimah Ramli
Jurnal Asiimetrik: Jurnal Ilmiah Rekayasa Dan Inovasi Volume 7 Number 2 (2025)
Publisher : Fakultas Teknik Universitas Pancasila

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35814/asiimetrik.v7i2.8298

Abstract

Damage to the surface of solar panels, such as cracks, scratches, and stains, can reduce the energy efficiency produced. The surface of solar panels often experiences various types of damage such as cracks, scratches, stains, or being in good condition, which can affect energy absorption efficiency. The data used in this study consists of 4000 images covering various categories of surface conditions. The method used in this research is the Texture Feature Extraction Method with statistical indicators, namely Mean, Variance, Standard Deviation, Skewness, Kurtosis, and Entropy, to identify existing damage patterns. These features are then analyzed and classified to determine the type of damage on the panel surface. The feature extraction process generates data representations that depict the texture patterns of each surface condition category. This research aims to identify damage on the surface of solar panels using texture-based feature extraction techniques to support the efficient maintenance of solar panels.
KAJIAN KEAMANAN CCTV BERBASIS INTERNET OF THINGS "MENGIDENTIFIKASI MASALAH DAN SOLUSI PERLINDUNGAN" Michael Valiant; Ninuk Wiliani
Journal of Informatics and Advanced Computing (JIAC) Vol 6 No 2 (2025): Journal of Informatics and Advanced Computing
Publisher : Universitas Pancasila

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35814/gtrsgn29

Abstract

Perkembangan teknologi khususnya pada Internet of Things (IoT) yang menjadi awal adopsi perangkat seperti CCTV IoT dalam sistem keamanan rumah. Tetapi perangkat tersebut rentan terhadap ancaman siber seperti Man-in-the-Middle, Denial of Serivices, dan Brute force. Dari lemahnya autentikasi, enkripsi data yang kurang baik, serta penggunaan kredensial default. Penelitian bertujuan mengidentifikasi potensi kerentanan dan mengeksploitasi nya dengan metode serangan pada perangkat CCTV IoT dan memberikan solusi pendekatan ekperimental. Pengujian ini dilakukan pada dua perangkat CCTV IoT yang dipasang pada ruang lingkup rumah, dengan menggunakan beberapa tools open-sources seperti Nmap, Bettercap, dan Metasploit pada sistem operasi ubuntu linux. Hasil dari pengujian ini menunjukkan perangkat memiliki kerentanan keamanan pada konfigurasi jaringan dan autentikasi, serta rentan terkena serangan DoS dan Sniffing data. Solusi yang bisa diberikan, penggunaan firewall, sistem deteksi intrusi, dan pembaruan firmware, serta penguatan kredensial.
ANALISIS PERFORMA ARSITEKTUR ALEXNET DAN VGG16 PADA DATASET PRIMER CITRA LAPANGAN UNTUK DETEKSI KERUSAKAN PANEL SURYA Ninuk Wiliani; Agung Saputra; Iman Paryudi
RJOCS (Riau Journal of Computer Science) Vol. 12 No. 2 (2026): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v12i2.4979

Abstract

: Panel surya (photovoltaic) rentan mengalami penurunan efisiensi akibat kerusakan fisik permukaan seperti retak (crack) dan goresan (scratch). Penggunaan Deep Learning seperti AlexNet dan VGG16 merupakan pendekatan umum dalam visi komputer, namun evaluasinya pada kondisi citra lapangan (field condition) yang memiliki variasi pencahayaan dan latar belakang kompleks masih terbatas. Penelitian ini bertujuan untuk menguji dan membandingkan performa arsitektur AlexNet dan VGG16 dalam mengklasifikasikan kerusakan panel surya. Keterbaruan (novelty) penelitian ini bertumpu pada penggunaan dataset primer sebanyak 1.000 citra citra riil lapangan (500 crack dan 500 scratch) yang dilatih dari awal (training from scratch), serta penekanan evaluasi pada kapasitas pemisahan batas kelas (class separability) berbasis Area Under Curve (AUC) dan analisis kedalaman lapisan konvolusi. Kedua model dilatih menggunakan optimasi Adam (learning rate 0,001, batch size 16) dengan mekanisme Early Stopping. Hasil eksperimen menunjukkan bahwa meskipun AlexNet dan VGG16 memperoleh akurasi yang relatif berdekatan yaitu sebesar 88,93% dan 89,57% (selisih 0,64%), VGG16 menunjukkan keunggulan yang jauh lebih signifikan pada skor AUC yaitu 0,90 (Excellent Classification) dibandingkan AlexNet yang hanya sebesar 0,68 (Poor Classification). Kedalaman 13 convolutional layer berfilter kecil (3x3) pada VGG16 terbukti lebih presisi dalam mengekstrak fitur garis halus retakan tanpa terpengaruh noise lapangan dibandingkan filter besar pada AlexNet.
Pendekatan Deep Learning Untuk Klasifikasi Kematangan Tempe Mendoan Menggunakan Convolutional Neural Network Nuke L Chusna; Ahmad RIzqi Sampoerno; Ninuk Wiliani
Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika
Publisher : Pusat Penelitian dan Pengabdian kepada Masyarakat Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v11i1.1245

Abstract

Tempe mendoan dikenal dengan makanan yang memiliki kematangan yang berbeda dalam tiap jenisnya. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tingkat kematangan tempe mendoan menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 400 data citra tempe mendoan yang dikategorikan ke dalam empat level kematangan: Level 1 (6 jam pertama), Level 2 (12 jam), Level 3 (18 jam), dan Level 4 (24 jam). Berbagai arsitektur CNN diuji dalam penelitian ini, dan hasil terbaik diperoleh menggunakan arsitektur VGG16 dengan nilai AUC sebesar 0,94 atau 95%, menunjukkan kemampuan klasifikasi yang sangat baik. Sistem ini dirancang untuk membantu produsen, seperti karyawan dan penjual tempe mendoan, dalam menentukan tingkat kematangan tempe secara tepat. Dengan sistem ini, tempe yang dihasilkan memiliki kualitas kematangan optimal, sehingga dapat meningkatkan daya tarik produk dan minat konsumen. Penelitian ini memberikan kontribusi pada penerapan teknologi berbasis deep learning untuk meningkatkan kualitas produksi dalam industri makanan tradisional.