cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hasanah Putri
Contact Email
jett@telkomuniversity.ac.id
Phone
+6282262130800
Journal Mail Official
jett@telkomuniversity.ac.id
Editorial Address
UNIVERSITAS TELKOM GEDUNG BANGKIT lt. 2 Jl. Telekomunikasi Terusan Buah Batu no 1, Bandung 40257 Indonesia
Location
Kota bandung,
Jawa barat
INDONESIA
JETT (Jurnal Elektro dan Telekomunikasi Terapan)
Published by Universitas Telkom
ISSN : 24071323     EISSN : 24424404     DOI : https://doi.org/10.25124/jett.v8i1
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering Engineering
JETT is a scientific journal published by Telkom University Bandung, Fully supported by Diploma of Telecommunication Engineering and became the scientific media for researchers and lecturers who will publish the results of their research. The aim of the Journal is to facilitate scientific publication of the results of researches in Indonesia and participate to boost the quality and quantity of research for academics and researchers. JETT published twice a year: July (9 to 10 articles) and December (9 to 10 articles).
Arjuna Subject : Teknik (semua kategori) - Teknik Listrik dan Elektro
Articles 2 Documents
 1 
Search results for , issue "Vol 11 No 2 (2024): JETT Desember 2024 (Inpres)" : 2 Documents clear
Perancangan Sistem Kontrol Pompa dan Monitoring Kualitas Air Berbasis IoT dengan Penambahan Backup Suplay Daya Ratuhaji, Faruq; Suhaebri, Tino
Jurnal Elektro dan Telekomunikasi Terapan (e-Journal) Vol 11 No 2 (2024): JETT Desember 2024 (Inpres)
Publisher : Direktorat Penelitian dan Pengabdian Masyarakat, Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/jett.v11i2.7922

Abstract

Mesin pompa air yang dioperasikan secara manual membutuhkan pengawasan dan intervensi manusia terus menerus, orang yang menggunakan pompa air dengan saklar manual sering lupa mematikan mesin, menyebabkan air meluap dan boros. Begitu juga dengan kualitas air di dalam tandon air, terkadang sulit untuk mengetahui apakah sudah keruh atau kapan harus dikuras, sehingga air yang akan dikonsumsi tetap baik. Penelitian ini bertujuan untuk mengembangkan sistem yang dapat mengendalikan pompa air secara otomatis, memantau kualitas air secara real-time, serta dilengkapi dengan cadangan daya (backup supply) guna menjaga kelangsungan operasional sistem berbasis Internet Of Thing (IoT). Sistem kontrol otomatis dan monitoring kualitas air berbasis IoT ini dilengkapi dengan cadangan daya untuk memastikan operasional tetap berjalan saat terjadi pemadaman listrik. Hasil pengujian menunjukkan bahwa pembacaan sensor akurat, sesuai dengan kondisi air dalam tandon, dan data dapat dikirim ke aplikasi smartphone Android dalam rentang waktu 1 hingga 25 detik. Selain itu, uji cadangan daya menunjukkan panel surya menghasilkan daya optimal antara pukul 09.00 hingga 15.00, dengan waktu peralihan suplai dari PLN ke backup kurang dari 1 detik, dan dari backup kembali ke PLN maksimal 6 detik, sesuai pengaturan timer.
KLASIFIKASI PENYAKIT PERIODONTAL PADA CITRA GIGI BERWARNA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK Thomhert Suprapto Siadari; Hariyani, Yuli Sun
Jurnal Elektro dan Telekomunikasi Terapan (e-Journal) Vol 11 No 2 (2024): JETT Desember 2024 (Inpres)
Publisher : Direktorat Penelitian dan Pengabdian Masyarakat, Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/jett.v11i2.8090

Abstract

Penyakit periodontal adalah masalah kesehatan gigi yang umum terjadi dan dapat menyebabkan kehilangan gigi jika tidak diobati dengan baik. Deteksi dini dan diagnosis yang akurat sangat penting untuk mengurangi dampak penyakit tersebut. Penelitian ini membandingkan dua model Convolutional Neural Network (CNN), yaitu ResNet-50 dan EfficientNet-B3, dalam melakukan klasifikasi penyakit periodontal berbasis data citra gigi berwarna. Hasil eksperimen menunjukkan bahwa EfficientNet-B3 mencapai akurasi klasifikasi sebesar 84.09%, sementara ResNet-50 mencapai akurasi sebesar 75%. Precision dari model EfficientNet-B3 adalah 80% dibandingkan dengan 66.67% pada model ResNet. Recall dari model EfficientNet-B3 adalah 75%, sementara ResNet adalah 62.5%. F1-score dari EfficientNet-B3 adalah 77.42%, sedangkan ResNet adalah 64.52%. Perbedaan performansi ini menunjukkan keunggulan EfficientNet-B3 dalam mengklasifikasikan penyakit periodontal menggunakan citra gigi berwarna. Keunggulan dari model EfficientNet-B3 ini membuktikan adanya potensi besar dalam meningkatkan akurasi dan efisiensi diagnosis otomatis penyakit periodontal. Penggunaan model CNN memungkinkan proses diagnosis dilakukan lebih cepat dan akurat. Pengembangan lebih lanjut dapat dilakukan untuk meningkatkan akurasi dan keandalan sistem diagnostik berbasis AI di bidang kedokteran gigi, yang pada akhirnya dapat mengurangi beban kerja para profesional kesehatan gigi dan meningkatkan hasil klinis bagi pasien.

Page 1 of 1 | Total Record : 2

 1 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Vol 11 No 2 (2024): JETT Desember 2024 (Inpres) Vol 11 No 1 (2024): JETT Juli 2024 Vol 10 No 2 (2023): JETT Desember 2023 Vol 10 No 1 (2023): JETT Juli 2023 Vol 9 No 2 (2022): JETT Desember 2022 Vol 9 No 1 (2022): JETT Juli 2022 Vol 8 No 2 (2021): JETT Desember 2021 Vol 8 No 1 (2021): JETT Juli 2021 Vol 7 No 2 (2020): JETT Desember 2020 Vol 7 No 1 (2020): JETT Juli 2020 Vol 6 No 2 (2019): JETT Desember 2019 Vol 6 No 1: JETT Juli 2019 Vol 5 No 2: JETT Desember 2018 Vol 5 No 1: JETT Juli 2018 Vol 4 No 2: JETT Desember 2017 Vol 4 No 1: JETT Juli 2017 Vol 3 No 2: JETT Desember (2016) Vol 3 No 1: JETT Juli (2016) Vol 2 No 2: JETT Desember (2015) Vol 2 No 1: JETT Juli (2015) Vol 1 No 1: JETT Desember (2014) More Issue