cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yudhi Nugroho Adi
Contact Email
library@tekomuniversity.ac.id
Phone
+628128000110
Journal Mail Official
library@telkomuniversity.ac.id
Editorial Address
Jl. Telekomunikasi - Ters. Buah Batu Bandung 40257 Indonesia
Location
Kota bandung,
Jawa barat
INDONESIA
eProceedings of Engineering
Published by Universitas Telkom
ISSN : 23559365     EISSN : -     DOI : https://doi.org/10.34818/eoe.v9i5.18452
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering
Merupakan media publikasi karya ilmiah lulusan Universitas Telkom yang berisi tentang kajian teknik. Karya Tulis ilmiah yang diunggah akan melalui prosedur pemeriksaan (reviewer) dan approval pembimbing terkait.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 8,436 Documents
 840   841   842   843   844 
Usulan Wilayah Distribusi Pedagang Kopi Keliling Brand XYZ untuk Memperluas Cakupan Permintaan Menggunakan MCLP dan K-Means Golden Pratama; Femi Yulianti; Gisti Ayu Pratiwi
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tren konsumsi kopi di Indonesia meningkat pesat seiring pergeseran gaya hidup generasi muda, memunculkan model bisnis inovatif seperti kopi keliling. Brand XYZ sebagai salah satu pemain kopi keliling di Bandung menggunakan sepeda listrik untuk distribusi langsung ke konsumen. Namun, penentuan lokasi jualan masih berbasis asumsi individu, menyebabkan cakupan permintaan yang kurang optimal. Penelitian ini bertujuan mengusulkan wilayah distribusi yang dapat memaksimalkan cakupan permintaan menggunakan pendekatan Maximal Covering Location Problem (MCLP) dan K- Means clustering. Data permintaan diambil dari 20 titik lembaga pendidikan sebagai proksi permintaan tertinggi, dan 40 kandidat lokasi jualan ditentukan berdasarkan visibilitas, aksesibilitas, serta kedekatan dengan titik permintaan. Hasil model MCLP menunjukkan tercapainya cakupan 100% dengan hanya 15 lokasi jualan terpilih. K-Means kemudian membagi wilayah menjadi tiga cluster yang seimbang secara spasial (skor silhouette 0,4948), memudahkan alokasi pedagang. Implementasi model ini mendukung keputusan strategis brand dalam memperluas area distribusi berbasis data, meningkatkan efisiensi operasional dan potensi penjualan. Kata kunci— Kopi Keliling, MCLP, K-Means, Distribusi, Wilayah Operasional
Sistem Monitoring IoT untuk Menganalisis Pengaruh Suhu, Kelembapan, dan Intensitas Cahaya terhadap Performa PLTS Syachrani Nur Annisa; Farah Afianti; Abdullah Hanifan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kinerja pembangkit listrik tenaga surya dipengaruhi oleh faktor lingkungan seperti suhu, kelembapan, dan intensitas cahaya, yang dapat menyebabkan fluktuasi daya listrik. Penurunan performa akibat kondisi tersebut dapat menghambat pemanfaatan energi surya secara optimal. Penelitian ini bertujuan untuk merancang sistem monitoring berbasis Internet of Things (IoT) untuk memantau parameter lingkungan dan menganalisis pengaruhnya terhadap kinerja sistem. Sistem dibangun menggunakan mikrokontroler serta sensor suhu, kelembapan, dan intensitas cahaya, dengan data yang divisualisasikan melalui antarmuka web, serta notifikasi peringatan dini melalui Bot Telegram. Hasil penelitian menunjukkan bahwa intensitas cahaya sangat memengaruhi daya keluaran, sementara suhu tinggi cenderung menurunkan efisiensi. Kelembapan menunjukkan pengaruh terhadap daya, namun tidak secara langsung memengaruhi efisiensi panel. Daya maksimum sebesar 2232 W tercapai pada iradiasi 431,4 W/m², suhu 35,81°C, dan kelembapan 26,5%, dengan efisiensi 24,7%. Sedangkan daya minimum sebesar 318 W terjadi saat iradiasi 54,2 W/m², suhu 31,25°C, dan kelembapan 57,7%, dengan efisiensi 28%. Kata kunci— Sistem Monitoring, IoT, Suhu, Kelembapan, Intensitas Cahaya, PLTS
Analisis Sentimen Mobil Listrik Pada X (Twitter) Menggunakan Metode Long Short-Term Memory (LSTM) Muhammad Jilan Hilmi; Hani Nurrahmi; Hasmawati Hasmawati
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan kendaraan listrik di Indonesia menghadapi tantangan, salah satunya adalah rendahnya adopsi oleh masyarakat. Untuk memahami persepsi publik, dilakukan analisis sentimen berdasarkan opini masyarakat di media sosial X (Twitter) dengan kata kunci mobil listrik. Metode yang digunakan pada penelitian ini adalah Long Short-Term Memory (LSTM), salah satu algoritma deep learning yang efektif untuk mengklasifikasikan data berbasis teks. Data diambil dari Twitter menggunakan kata kunci “Mobil Listrik” dalam rentang Januari 2023 hingga April 2024, dengan total 10,283 tweet. Setiap tweet divalidasi oleh lima responden dan dikategorikan ke dalam sentimen negatif, netral, atau positif berdasarkan mayoritas suara. Proses pengujian dilakukan menggunakan tiga skenario split dataset (70:30, 80:20, dan 90:10) dan dievaluasi menggunakan metrik akurasi, precision, recall, dan f1- score. Hasil pengujian menunjukkan bahwa model LSTM memiliki akurasi pengujian sebesar 55,30% dan akurasi validasi sebesar 57,13%. Model hanya mampu mengenali sentimen netral dengan baik (f1-score: 71%), namun gagal mengklasifikasikan sentimen positif dan negatif. Hal ini menunjukkan adanya ketidakseimbangan kelas, sehingga dibutuhkan upaya perbaikan seperti penyeimbangan data dan optimasi model agar hasil klasifikasi lebih merata. Kata kunci: analisis sentimen, mobil listrik, LSTM, Twitter, klasifikasi.
Analisis Sentimen Multimodal terhadap Opini Publik Mengenai Kesehatan Mental di Media Sosial X dengan Metode CNN BiLSTM dan Ekspansi fitur FastText Nadim Rafli Hamzah; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam hal kesehatan masyarakat global, kesehatan mental menjadi perhatian penting. Salah satu situs media sosial yang paling populer, X telah berkembang menjadi forum bagi orang-orang untuk mendiskusikan masalah kesehatan mental dan berbagi cerita pribadi. Menganalisis sentimen dalam percakapan online ini penting untuk memahami persepsi publik dan memandu intervensi kesehatan mental. Penelitian ini mengusulkan model analisis sentimen menggunakan multimodal yang memanfaatkan data tekstual dan visual, dengan fitur teks yang diekstraksi melalui CNN-BiLSTM, TF IDF, dan FastText, dan fitur gambar menggunakan VGG-16. Klasifikasi sentimen dilakukan dengan menggunakan model Hybrid CNN-BiLSTM dengan mekanisme perhatian. Model ini menggunakan fusi tingkat menengah untuk mengintegrasikan fitur teks dan gambar, diikuti dengan tingkat keputusan untuk menggabungkan output dari model teks saja, gambar saja, dan multimodal. 24.742 pasangan tweetgambar dikumpulkan dari platform X dan dianotasi melalui sistem pemungutan suara mayoritas. Untuk membangun korpus kemiripan FastText, 63.512 data dari portal berita digital CNN (Cable News Network) dan X digabungkan. Dengan akurasi 87,92%, model multimodal mengungguli model teks saja sebesar 0,09% dan model gambar saja sebesar 25,10%. Hasil ini menunjukkan keefektifan data modalitas, ekstraksi fitur yang komprehensif, dan multimodal. Keywords—Analisis Sentimen, FastText, Hybrid CNN-BiLSTM, TF-IDF, VGG-16
Deteksi Bunuh Diri pada Media Sosial Twitter Menggunakan Metode CNN-LSTM dengan Ekspansi Fitur Word2vec Fathin Thariq Wiyono; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Deteksi bunuh diri melalui media sosial telah menjadi tantangan besar dalam beberapa tahun terakhir, terutama pada platform seperti Twitter yang berisi unggahan singkat dan emosional. Penelitian ini bertujuan untuk mengembangkan model deep learning hybrid yang dapat mendeteksi potensi bunuh diri pada tweet di Twitter, menggunakan metode CNN-LSTM dan fitur semantik yang diperluas dengan Word2Vec. Dengan meningkatnya angka bunuh diri di kalangan generasi muda, yang membutuhkan sistem deteksi dini berbasis teknologi canggih. Deteksi dini ini dapat membantu memberikan intervensi lebih cepat bagi individu yang berisiko tinggi. Pendekatan yang diusulkan menggunakan kombinasi Convolutional Neural Network (CNN) untuk menangkap pola lokal dalam teks, Long Short-Term Memory (LSTM) untuk memahami urutan kata dalam teks, serta Word2Vec untuk memperkaya representasi semantik kata-kata dalam tweet. Sistem ini memanfaatkan ekstraksi fitur TF-IDF dan ekspansi fitur menggunakan Word2Vec untuk meningkatkan kemampuan model dalam mengenali pola emosional dan semantik yang ada dalam tweet. Hasil eksperimen menunjukkan bahwa model hybridCNN-LSTM dengan ekspansi fitur Word2Vec dan optimasi menghasilkan akurasi sebesar 91,31%. Hasil model hybrid CNN-LSTM belum mununjukkan hasil yang lebih baik dari model non-hybrid. Kontribusi utama dari penelitian ini adalah mengeksplorasi pengaruh ekspansi fitur Word2vec pada model hybrid deep learning untuk deteksi bunuh diri dan mengintegrasikan ekstraksi fitur TF-IDF sertaoptimasi untuk meningkatkan performa klasifikasi teks. Kata kunci— deteksi bunuh diri, hybrid deep learning, word2vec, TF-IDF, optimasi
Deteksi Depresi di Twitter Menggunakan Metode CNN-BiGRU dengan Fitur Ekspansi FastText Muhammad Arif Dwi Putra; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Depresi merupakan gangguan mental yang sering tidak terdeteksi dengan baik, meskipun banyak mempengaruhi individu di seluruh dunia. Media sosial, khususnya Twitter, menjadi platform yang digunakan untuk mengekspresikan emosi, termasuk gejala depresi yang tidak diungkapkan secara eksplisit. Penelitian ini bertujuan untuk mengembangkan model deteksi depresi di Twitter dengan metode hybrid CNN-BiGRU yang dilengkapi dengan ekspansi fitur FastText. CNN digunakan untuk mengekstraksi pola lokal dalam teks, sementara BiGRU memproses urutan kata dari dua arah untuk menangkap konteks yang lebih dalam. Ekspansi FastText bertujuan untuk menangani variasi kosakata dan meningkatkan akurasi dalam mendeteksi makna implisit dalam teks. Penelitian ini penting karena banyak pengguna media sosial yang tidak mendapatkan perawatan depresi yang memadai. Deteksi otomatis melalui teks Twitter dapat menjadi solusi untuk intervensi dini. Pengujian menggunakan dataset tweet berbahasa Indonesia menunjukkan bahwa model hybrid BiGRU-CNN dengan FastText mencapai akurasi tertinggi sebesar 80,65% pada korpus IndoNews dengan optimizer RMSprop. Model ini diharapkan dapat berkontribusi dalam deteksi depresi dan mendukung intervensi kesehatan mental. Kata kunci— Depresi, Twitter, CNN-BiGRU, FastText, Deteksi Emosi, Model Hybrid.
Klasifikasi Penyakit Kulit Menggunakan Model Deep Learning EfficientNet pada Citra Dermastokopi Muhammad Imam Fernandi; Untari Novia Wisesty
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit kulit merupakan salah satu masalahkesehatan yang umum terjadi dan dapat berkembang menjadikondisi serius seperti melanoma, salah satu jenis kanker kulityang berbahaya. Proses diagnosis manual sering kali memakanwaktu, bergantung pada keahlian subjektif, serta berpotensimenghasilkan hasil yang tidak konsisten. Penelitian inibertujuan mengembangkan model klasifikasi penyakit kulitberbasis Convolutional Neural Network (CNN) denganarsitektur EfficientNet pada citra dermatoskopi. Dataset yangdigunakan adalah HAM10000, yang berisi 10.015 citradermatoskopi dari tujuh kategori lesi kulit. Tahapan penelitianmeliputi preprocessing data, augmentasi untukmenyeimbangkan kelas, serta pelatihan model denganpendekatan dua tahap, yaitu feature extraction dan fine-tuning.Tiga varian model diuji, yaitu EfficientNetB0,EfficientNetV2B0, dan EfficientNetV2B3. Hasil pengujianmenunjukkan bahwa EfficientNetV2B3 memberikan performaterbaik dengan akurasi 90,53% dan F1-score 85,56%,mengungguli dua model lainnya. Temuan ini menunjukkanbahwa arsitektur EfficientNetV2B3 memiliki potensi besardalam mendukung sistem diagnosis berbasis citra dermatoskopisecara lebih akurat dan efisien.Kata kunci — CNN, EfficientNet, dermatoskopi,HAM10000, klasifikasi penyakit kulit, akurasi
Klasifikasi Sentimen Multimodal Pada Media Sosial X Terkait Isu Kesehatan Mental Dengan Ekspansi Fitur FastText dan Model CNN-GRU I Gusti Bagus Bagaskara Kerta Yasa; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Media sosial kini berfungsi sebagai platform utama bagi orang untuk membagikan pengalaman dan pandangan, termasuk yang berkaitan dengan kesehatan mental. Namun, analisis data yang ada menghadapi beberapa tantangan, seperti perbedaan jenis seperti teks dan gambar dan pola ekspresi yang rumit. Penelitian ini bertujuan untuk merancang model analisis sentimen multimodal yang dapat mendeteksi masalah kesehatan mental di media sosial X dengan menggabungkan metode Convolutional Neural Network (CNN), Gated Recurrent Units (GRU), dan ekspansi fitur FastText. Metodologi yang diusulkan mencakup pengumpulan data secara real-time dari media sosial X, meliputi teks dan gambar. Data teks diolah dengan teknik praproses standar dan representasi fitur FastText, sedangkan data visual diambil menggunakan VGG-16 untuk mengenali pola visual yang relevan. 24.742 pasangan tweet gambar dikumpulkan dari platform Twitter dan dianotasi melalui sistem pemungutan suara mayoritas. Untuk membangun korpus kemiripan FastText, 63.512 data dari portal berita digital CNN dan Twitter digabungkan penggabungan modalitas dilakukan melalui lapisan integrasi untuk menghasilkan klasifikasi sentimen akhir (positif dan negatif). Hasil evaluasi pada dataset uji menunjukkan bahwa metode ini mampu meningkatkan akurasi deteksi sentimen hingga 0,12% dibandingkan metode yang hanya berbasis teks. Secara keseluruhan, akurasi yang diperoleh mencapai 87,89%. Dengan capaian ini, diharapkan penelitian ini dapat menjadi referensi dalam pemantauan isu kesehatan mental di media sosial X secara lebih efektif. Keywords—Analisis Sentimen Multimodal, VGG-16, Hybrid CNN-GRU, TF-IDF, FastText
Evaluasi Metode SHAP dan LIME untuk Menganalisis Faktor Risiko Diabetes Raihan Fhadilah; Jondri Jondri; Indwiarti Indwiarti
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes adalah penyakit yang angka penderitanya terus meningkat setiap tahunnya, menjadikannya salah satu masalah kesehatan utama yang dihadapi dunia. Meskipun ada berbagai metode untuk mendeteksi diabetes, prediksi berbasis kecerdasan buatan semakin populer dalam mendiagnosis penyakit diabetes dengan tingkat akurasi yang tinggi. Namun, model-model AI sering kali bersifat black-box, sehingga sulit untuk menginterpretasikan faktor-faktor yang memengaruhi hasil prediksi. Penelitian ini bertujuan untuk membandingkan metode Explainable AI (XAI), yaitu metode SHAP dan LIME, dalam memberikan penjelasan terhadap hasil dari prediksi model. Penelitian ini menggunakan dataset diabetes yang mencakup fitur-fitur seperti kehamilan, kadar glukosa, tekanan darah, ketebalan kulit, insulin, indeks massa tubuh, keturunan, usia, dan output (kelas diabetes dan kelas non-diabetes). Dengan menggunakan metode SHAP dan LIME, penelitian ini memuat hasil berupa penjelasan keputusan dari prediksi yang dibuat oleh model XGBoost. Hasil menunjukkan bahwa SHAP memberikan interpretasi yang lebih stabil, konsisten, dan dapat dipercaya dibandingkan LIME, serta lebih direkomendasikan untuk digunakan dalam mendukung pengambilan keputusan medis terkait diagnosis diabetes. Kata kunci: Explainable AI, SHAP, LIME, XGBoost, Diabetes, Black-Box.
Pemodelan Tenaga Surya Menggunakan Internet Of Things Dan Bidirectional Long Short-Term Memory Betari Angeli; Ikke Dian Oktaviani; Hilal Hudan Nuha
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ketidakstabilan intensitas radiasi matahari dapat menyebabkan fluktuasi pada produksi energi listrik, hal ini merupakan permasalahan utama dalam pemanfaatan energi surya. Oleh karena itu, dilakukan pemodelan sistem tenaga surya menggunakan Internet of Things (IoT) dan Bidirectional Long Short-Term Memory (BiLSTM) Neural Networks. Sistem ini dirancang untuk meningkatkan akurasi prediksi dan optimalisasi produksi tenaga surya melalui panel surya. Metodologi yang digunakan menggabungkan teknologi IoT untuk mengumpulkan data lingkungan berupa Global Solar Radiation (GSR), suhu, dan kelembapan relatif (RH). Data tersebut kemudian dianalisis menggunakan algoritma BiLSTM. Hasil yang diperoleh dari model ini adalah prediksi output energi surya yang lebih akurat sehingga dapat mendukung peningkatan efisiensi produksi tenaga surya dibandingkan metode konvensional. Kata kunci: tenaga surya, internet of things, bilstm, neural networks, prediksi

Page 843 of 844 | Total Record : 8436

 840   841   842   843   844 

Filter by Year

2014 2026


Reset
Filter By Issues
All Issue Vol. 13 No. 1 (2026): Februari 2026 Vol. 12 No. 6 (2025): Desember 2025 Vol. 12 No. 5 (2025): Oktober 2025 Vol. 12 No. 4 (2025): Agustus 2025 Vol. 12 No. 3 (2025): Juni 2025 Vol. 12 No. 2 (2025): April 2025 Vol. 12 No. 1 (2025): Februari 2025 Vol. 11 No. 6 (2024): Desember 2024 Vol. 11 No. 5 (2024): Oktober 2024 Vol. 11 No. 4 (2024): Agustus 2024 Vol. 11 No. 3 (2024): Juni 2024 Vol. 11 No. 2 (2024): April 2024 Vol. 11 No. 1 (2024): Februari 2024 Vol. 10 No. 6 (2023): Desember 2023 Vol. 10 No. 5 (2023): Oktober 2023 Vol 10, No 5 (2023): Oktober 2023 Vol. 10 No. 4 (2023): Agustus 2023 Vol 10, No 3 (2023): Juni 2023 Vol. 10 No. 3 (2023): Juni 2023 Vol. 10 No. 2 (2023): April 2023 Vol 10, No 2 (2023): April 2023 Vol. 10 No. 1 (2023): Februari 2023 Vol 9, No 6 (2022): Desember 2022 Vol. 9 No. 5 (2022): Oktober 2022 Vol 9, No 5 (2022): Oktober 2022 Vol. 9 No. 4 (2022): Agustus 2022 Vol 9, No 4 (2022): Agustus 2022 Vol 9, No 3 (2022): Juni 2022 Vol 9, No 2 (2022): April 2022 Vol 9, No 1 (2022): Februari 2022 Vol 8, No 6 (2021): Desember 2021 Vol 8, No 5 (2021): Oktober 2021 Vol. 8 No. 5 (2021): Oktober 2021 Vol 8, No 4 (2021): Agustus 2021 Vol 8, No 3 (2021): Juni 2021 Vol. 8 No. 2 (2021): April 2021 Vol 8, No 2 (2021): April 2021 Vol 8, No 1 (2021): Februari 2021 Vol 7, No 3 (2020): Desember 2020 Vol 7, No 2 (2020): Agustus 2020 Vol 7, No 1 (2020): April 2020 Vol 6, No 3 (2019): Desember 2019 Vol 6, No 2 (2019): Agustus 2019 Vol 6, No 1 (2019): April 2019 Vol 5, No 3 (2018): Desember 2018 Vol 5, No 2 (2018): Agustus 2018 Vol 5, No 1 (2018): April 2018 Vol 4, No 3 (2017): Desember, 2017 Vol 4, No 2 (2017): Agustus, 2017 Vol 4, No 1 (2017): April, 2017 Vol 3, No 3 (2016): Desember, 2016 Vol 3, No 2 (2016): Agustus, 2016 Vol 3, No 1 (2016): April, 2016 Vol 2, No 3 (2015): Desember, 2015 Vol 2, No 2 (2015): Agustus, 2015 Vol 2, No 1 (2015): April, 2015 Vol 1, No 1 (2014): Desember, 2014 More Issue