cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota tanjung pinang,
Kepulauan riau
INDONESIA
Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan
Published by Universitas Maritim Raja Ali Haji
ISSN : 20875347     EISSN : 26156334     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering
Jurnal Sustainable diterbitkan dua nomor per tahun oleh Fakultas Teknik, Universitas Maritim Raja Ali Haji, Tanjungpinang, Kepulauan Riau, Indonesia. Jurnal Sustainable diterbitkan pada Bulan Mei (Nomor 1) dan Bulan Oktober (Nomor 2). Artikel yang ditulis untuk Jurnal Sustainable adalah Jurnal Hasil Penelitian dan Industri Terapan pada lingkungan teknologi, khususnya bidang Teknik Elektro & Teknik Informatika dan Teknologi Kelautan.
Arjuna Subject : -
Articles 62 Documents
 3   4   5   6   7 
Analisis Kelayakan Pengembangan Wilayah Bintan Timur Sebagai Area Industri Pembuatan Kapal Marga Raharja, Adyk; Nusyirwan, Deny; Ridho Baihaque, Muhd; Apriansyah, Firman; Hekso Yunianto, Anton; Dio, Rafi
Sustainable Vol 13 No 1 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/zg2nnk61

Abstract

Penelitian ini bertujuan untuk menemukan lokasi untuk galangan kapal di Bintan Timur yang menyediakan layanan pembuatan kapal baru dengan kedalaman 5 meter dan kapasitas antara 1000 sampai 5000 GT. Dari hasil survei lapangan, dua tempat yang menjadi opsi adalah Desa Galang Batang dan Desa Sungai Enam. Metode Analytical Hierarchy Process (AHP) dipakai untuk mengevaluasi kedua lokasi tersebut berdasarkan kriterianya seperti geografi, infrastruktur, modal, dan pasar. Hasil analisis menunjukkan bahwa Desa Galang Batang mendapatkan nilai lebih tinggi dengan skor 0,82 (82%), dan menurut peraturan pemerintah tentang zona industri, lokasi ini dianggap layak.
Pengaruh Penambahan Bilge Keel Terhadap RAO (Response Amplitude Operator) Kapal Patroli Cepat Baihaque, Muhd Ridho; Nusyirwan, Deny; Marga Raharja, Adyk
Sustainable Vol 13 No 1 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/kg9qxf63

Abstract

Maritime transportation plays a vital role in mobility within archipelagic regions, and Fast Patrol Boat are an efficient choice to meet the needs of defence and maritime patrol in Indonesia. The innovation of adding bilge keels to the vessel is expected to enhance the performance of fast patrol vessels. This study aims to identify and evaluate the motions of Fast Patrol Boat to understand their performance under various sea conditions. Fast Patrol Boat operating at high speeds require a responsive pitch motion, making them well-suited for safeguarding Indonesia's archipelagic waters. The analysis results show that patrol Boat equipped with bilge keels perform better in terms of response and manoeuvrability, especially at high speeds, compared to vessels without bilge keels, although for other degrees of freedom such as heave and roll motions, there is no significant difference between the two types of vessels 
Klasifikasi Jenis Lamun Menggunakan Ekstraksi Fitur GLCM dan Algoritma K-Nearest Neighbor (KNN) M. Mudaffarsyah; Muhammad Azza Al Kausar; Obi Luter Sihombing; Halta Putra Ash Sidiq; Kirana Putri Fercia; Nurul Hayaty
Sustainable Vol 13 No 2 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/nzpd9n52

Abstract

Seagrass is a type of flowering plant (Angiospermae) that grows fully submerged in shallow coastal waters and estuaries, playing a vital role in marine ecosystems. Currently, seagrass species identification is still performed manually by experts, which is time-consuming, costly, and labor-intensive. To support more efficient conservation and ecological monitoring, an automated, fast, and accurate method is needed. This study proposes the combination of the K-Nearest Neighbors (KNN) algorithm for classification and Gray Level Co-occurrence Matrix (GLCM) for texture feature extraction. The seagrass image data was obtained from the Roboflow website, and the value of k used in KNN was set to 3. Feature extraction using GLCM was conducted at angles of 0°, 45°, 90°, and 135°. The results showed the highest accuracy at k=3, with 77.42% accuracy on training data and 73.33% on testing data. Therefore, the combination of KNN and GLCM has proven capable of providing fairly accurate results in identifying seagrass species.
Klasifikasi Jenis Gonggong Melalui Pendekatan Pengenalan Objek Berbasis MobileNet-SSD Noval, Muhammad; M Afief Anugrah; Faiz Arrafi; Ridho Ramadhan; Marcel Wangnandra; Nurul Hayaty
Sustainable Vol 13 No 2 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/pnrc3w93

Abstract

Gonggong is a type of sea snail that is commonly consumed and has become an icon of the culinary specialties of the Riau Islands Province. The most commonly recognized and consumed types in the Riau Islands are Laevistrombus turturella and Strombus canarium. These two types of gonggong have similar physical characteristics and can be difficult to distinguish. Therefore, this research was conducted to find a practical solution that can classify types of gonggong based on their visual images. This study uses a real-time object detection approach based on the MobileNet SSD framework implemented in TensorFlow and applied to an Android-based mobile application. The dataset used consists of 418 images of both types of gonggong that have been augmented with and without backgrounds. The results of the tests show that the model has a confidence level of 83% for images without backgrounds, and 67% for images with backgrounds. These findings indicate that the method used has the potential for further development to improve the model's confidence level in classifying types of gonggong.
KLASIFIKASI JENIS POHON MANGROVE BERDASARKAN CITRA DAUN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR (KNN) Irfan Ibrahim; Maulana Fitra Ramadhani; Muhammad Ridho; M. Wisnu Adjie Pramudya; Putri Suci Renita; Apriliani Putri; Nadia Ayu Putri Priyani; Seffi Rozahana; Adinda; Nurul Hayaty
Sustainable Vol 13 No 2 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/h45hyv18

Abstract

Studi ini dilakukan untuk mengimplementasikan algoritma KNN (K-Nearest Neighbour) dalam klasifikasi bakau menggunakan citra daun. Penelitian ini menggunakan 1.550 data citra daun Mangrove dengan menggunakan python dibagi menjadi empat kelas oleh Avicennia alba, Bruguiera gymnorrhiza, Rhizophora apiculata dan Sonneratia alba. Tingkat keberhasilan klasifikasi yang dicapai oleh sistem menggunakan metode K-Nearest Neighbour mencapai 93,75% dengan nilai k = 3. Hasil penelitian ini menunjukkan bahwa model KNN bisa mengklasifikasi jenis Avicennia alba dan Sonneratia alba dengan jelas, namun terdapat sedikit kesalahan dalam spesies Bruguiera gymnorrhiza dan Rhizophora apiculata karena memiliki kemiripan ciri tekstur antara satu dengan yang lain.
SISTEM KLASIFIKASI JENIS KERANG BERDASARKAN CITRA CANGKANG MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Adinda; Seffi Rozahana; Nadia Ayu Putri Priyani; Apriliani Putri; Irsyad Widiansyah; Nurul Hayaty
Sustainable Vol 13 No 2 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/hdnn8e89

Abstract

This study aims to build an automatic classification system to identify shellfish types based on shell images by applying the Support Vector Machine (SVM) algorithm. This study classifies three types of shellfish, namely blood cockles with the scientific name Anadara granosa, green mussels (Perna viridis), and scallops (Amusium pleuronectes). Image data was obtained from the internet and each class consisted of 150 images, so the total dataset was 450 images. The research stages include image pre-processing to normalize image size and quality, feature extraction to obtain visual information in the form of texture (with GLCM), color (RGB histogram), and shape (Canny edge detection), and classification using SVM. This application is web-based and functions to receive uploaded shellfish images from users and provide automatic shellfish type recognition results. The test results show that the developed SVM model is able to classify shellfish types with high accuracy, reaching 93,83%. This research is expected to contribute to the development of digital shellfish species identification technology to support the fields of fisheries, marine resource conservation, and marine biota research. 
KLASIFIKASI JENIS IKAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN): STUDI KASUS PASAR BINTAN CENTER TANJUNGPINANG `Aisy, Rihadatul; Rihadatul 'Aisy; Tiara Devina Putri; Meilani Audi Kustanti; Muhajirul Fajri; Ceysha Diva Ratu Pramudya
Sustainable Vol 13 No 1 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/jgzezr59

Abstract

Indonesia has a diversity of fish species, but the identification process is still largely done manually, which is prone to errors and less efficient. This research aims to develop an automatic fish species classification system using the K-Nearest Neighbor (KNN) algorithm. Data were collected directly at Bintan Center Market Tanjungpinang, focusing on four types of fish: Sardinella, Scomber, Barbonymus and Euthynnus. Visual features of the fish such as texture and shape were extracted from digital images as classification features. The KNN algorithm then compares new data with classified data to determine fish species based on the majority of nearest neighbors. The research results show that the KNN method can improve classification accuracy and efficiency in identifying fish species. The feature extraction used in this study includes: GLCM (Gray Level Co-occurrence Matrix) and HOG (Histogram of Oriented Gradients). Preliminary training results show that the system achieved an accuracy of 71.34% on the training dataset, the results suggest that the method is promising for improving classification accuracy and efficiency in identifying fish species.
Implementation of Multiple Linear Regression on Fish Price Prediction Using Genetic Algorithm Syafina, Syafina; Ritha, Nola; Bettiza, Martaleli
Sustainable Vol 13 No 1 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/6z9pmp41

Abstract

Kondisi seperti kecepatan angin, ketinggian gelombang, kecepatan arus, dan curah hujan di perairan Bintan bersifat tidak stabil setiap hari. Kondisi ini mengakibatkan harga ikan di pasar berubah-ubah karena nelayan kesulitan menangkap ikan pada saat terjadinya hujan, angin, arus kencang dan gelombang yang tinggi. Untuk itu penelitian ini dilakukan untuk mengetahui hasil prediksi melalui pemodelan regresi linear berganda dengan menggunakan algoritma genetika. Pada penelitian ini, pemodelan persamaan regresi linear terdiri dari variabel bebas (X) yaitu kecepatan angin, tinggi gelombang, kecepatan arus, dan curah hujan serta variabel terikat (Y) yaitu harga ikan. Koefisien regresi didapatkan dengan menggunakan konsep algoritma genetika. Prosesnya menggunakan 2 metode crossover yaitu one-cut-point crossover dan extended intermediate crossover dengan 2 metode mutasi yaitu reciprocal exchange mutation dan random mutation. Proses seleksi pada penelitian ini menggunakan seleksi model replacement selection. Hasil akhir berupa prediksi menggunakan Pemodelan Regresi Linear dengan popsize terbaik yaitu 100, jumlah generasi 100 dan kombinasi tingkat crossover rate dan mutation rate adalah 0,8: 0,2.
Penggunaan Convolutional Neural Network (CNN) untuk Menentukan Kesegaran Ikan Bawal Putih Hanisa; Delima Pakpahan; Qoriah Rahmadiah Ismail; Wulan Novitasari; Nurul Hayaty; Kartika, Amelia
Sustainable Vol 13 No 1 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/qgfm2430

Abstract

Ikan bawal putih (Pampus argenteus) merupakan salah satu komoditas yang menjadi andalan yang memiliki nilai ekonomi tinggi dan banyak diekspor dalam keadaan beku. Namun, ikan sangat rentan terhadap kerusakan, sehingga kesegarannya merupakan faktor penting yang mempengaruhi kualitas dan harga jual. Penelitian ini bertujuan untuk mengembangkan sistem untuk mengklasifikasikan tingkat kesegaran ikan bawal putih dengan menggunakan metode Convolutional Neural Network (CNN). Citra kepala ikan dipilih sebagai data masukan, yang telah diproses menjadi ukuran 1700x1700 piksel dan disesuaikan dengan resolusi 224x224 piksel sebelum dimasukkan ke dalam model. Arsitektur CNN yang diterapkan terdiri atas tiga lapisan konvolusi dengan penggabungan Max-Pooling, Dropout, Flatten, dan Dense Layer. Proses pelatihan ini berhenti pada epoch ke-30 setelah model mencapai performa yang optimal  dan menghasilkan akurasi pelatihan sebesar 85%, akurasi validasi sebesar 80%, dan akurasi data uji sebesar 81,2%. Hasil evaluasi menunjukkan bahwa model dapat mengklasifikasikan ikan segar dengan baik (precision 0.865, recall 0.938), cukup memuaskan untuk ikan tidak segar (precision 0.788, recall 0.854), dan kurang efektif untuk ikan yang kurang segar (recall 0.646). Secara keseluruhan, model CNN ini menunjukkan kinerja yang cukup baik dan dapat digunakan sebagai alat bantu untuk secara otomatis mendeteksi tingkat kesegaran ikan bawal putih (Pampus argenteus).
Application of Gaussian Naive Bayes Algorithm in Weather Classification of Tanjungpinang City Wibisono, Ganda Bagus; Nurfalinda, Nurfalinda; Bettiza, Martaleli
Sustainable Vol 13 No 1 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan
Publisher : Fakultas Teknik Universitas Maritim Raja Ali Haji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31629/crvmg397

Abstract

Cuaca mengacu pada kondisi atmosfer sesaat di tempat dan saat tertentu. Cuaca dapat berubah dalam beberapa jam. Cuaca terdiri dari beberapa elemen cuaca. Perkiraan cuaca yang akurat bisa membantu kegiatan sehari-hari warga yang didapat dari klasifikasi yang tepat. Landasan dari klasifikasi Bayes adalah teorema tentang probabilitas bersyarat. Algoritma Naïve Bayes dan algoritma Gaussian Naïve Bayes berbeda satu sama lain. Teknik ini menggabungkan distribusi Gaussian untuk mengatasi perbedaan tersebut. Stasiun Meteorologi Raja Haji Fisabillillah Tanjungpinang menyediakan data suhu, kelembaban, tekanan udara, dan kecepatan angin yang digunakan sebagai parameter penelitian. Data tersebut merupakan data harian yang mencakup periode 1 Januari 2019 hingga 31 Desember 2019 dengan total 365 data. Hasil penelitian dikategorikan ke dalam beberapa kategori cuaca yaitu thunderstorm (TS), Lightning, Mist, lightning rain (TS/RA), Cloudy, rain (RA) dan haze (HZ). Output dari penelitian ini didapatkan akurasi tertinggi sebesar 60,87% dengan jumlah data training sebanyak 50%.

Page 6 of 7 | Total Record : 62

 3   4   5   6   7 

Filter by Year

2016 2024


Reset
Filter By Issues
All Issue Vol 13 No 2 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan Vol 13 No 1 (2024): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan Vol 12 No 2 (2023): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan Vol 12 No 1 (2023): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan Vol 11 No 2 (2022): Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan Vol 7 No 2 (2018): Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan Vol 7 No 1 (2018): Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan Vol 6 No 2 (2017): Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan Vol 6 No 1 (2017): Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan Vol 5 No 2 (2016): Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan Vol 5 No 1 (2016): Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan More Issue