cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Agung Tjahjo Nugroho
Contact Email
agungtnugroho@unej.ac.id
Phone
+6281289118299
Journal Mail Official
jei@unej.ac.id
Editorial Address
Jurusan Fisika Fakultas MIPA Universitas Jember Jl. Kalimantan 37 Kampus Tegalboto Jember 68121
Location
Kab. jember,
Jawa timur
INDONESIA
Journal of Electronics and Instrumentation
Published by Universitas Jember
ISSN : -     EISSN : 30323398     DOI : https://doi.org/10.19184/jei
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Physics
Artikel JEI ditekankan pada aplikasi Elektronika dan Instrumentasi diberbagai bidang ilmu sains dan teknologi, seperti Fisika Material, Fisika Nuklir, Geofisika, Biofisika, Biologi, Kimia, Elektronika, Geografi, Fisika Kebumian, Fisika Kelautan, Fisika Lingkungan, Astronomi, dan ilmu science lainnya. JEI membagi fokus menjadi dua yaitu: fokus aplikasi Elektronika dan fokus aplikasi instrumentasi.
Arjuna Subject : Fisika dan Astronomi - Instrumentasi
Articles 57 Documents
 2   3   4   5   6 
Pewarnaan Citra Burung Cendrawasih dengan Deep Learning: Evaluasi pada Spesies yang Terancam Punah Moch Rifki Hermawan
Journal of Electronics and Instrumentation Vol. 3 No. 1 (2026)
Publisher : Jurusan Fisika, FMIPA Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v3i1.60101

Abstract

Pewarnaan gambar otomatis (image colorization) merupakan cabang penting dalam pengolahan citra digital berbasis deep learning yang bertujuan mengubah gambar hitam putih menjadi gambar berwarna secara realistis. Penelitian ini memfokuskan pada pewarnaan gambar tiga jenis burung Cendrawasih yang terancam punah, yaitu burung Cendrawasih Ekor Panjang, Merah, dan Botak. Karena keunikan warna bulunya yang mencolok menjadikan spesies ini sebagai objek ideal untuk menguji akurasi model pewarnaan. Selain aspek teknis, pewarnaan ini juga mendukung konservasi visual melalui dokumentasi digital spesies langka. Tiga metode deep learning digunakan, yaitu Deep Colorization, Colorful Colorization, dan U-Net. Gambar asli dikonversi ke grayscale, kemudian diwarnai ulang dengan ketiga metode dan dibandingkan dengan gambar asli menggunakan metrik objektif Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index (SSIM). Hasil menunjukkan bahwa U-Net menghasilkan pewarnaan paling akurat dan mendekati warna asli, Colorful Colorization cukup baik, sedangkan Deep Colorization kurang mampu menghasilkan warna secara realistis.
Perbandingan Metode GLCM dan LBP pada Klasifikasi Daun Aglonema Menggunakan Algoritma K-Nearest Neighbors (KNN) Fuad Yusuf Efendi
Journal of Electronics and Instrumentation Vol. 3 No. 1 (2026)
Publisher : Jurusan Fisika, FMIPA Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v3i1.60102

Abstract

Penelitian ini membahas klasifikasi varietas tanaman Aglonema menggunakan metode K-Nearest Neighbors (KNN) dengan kombinasi fitur tekstur Gray Level Co-occurrence Matrix (GLCM) dan Local Binary Pattern (LBP). Aglonema merupakan tanaman hias populer dengan beragam varietas yang seringkali sulit dibedakan secara visual terutama oleh masyarakat awam. Identifikasi varietas secara otomatis diperlukan untuk mendukung kegiatan budidaya, perdagangan, serta konservasi tanaman hias ini. Data set citra daun Aglonema dikumpulkan dan diolah untuk mengekstraksi fitur tekstur menggunakan GLCM (meliputi contrast, correlation, energy, dan homogeneity) serta LBP untuk menangkap pola lokal permukaan daun. Fitur-fitur tersebut digabungkan sebagai masukan ke algoritma KNN, yang digunakan untuk mengklasifikasikan varietas Aglonema. Hasil menunjukkan bahwa LBP memberikan performa klasifikasi yang lebih baik secara keseluruhan, dengan akurasi tertinggi sebesar 72% pada K= 6 sedangkan GLCM hanya mencapai akurasi maksimum sebesar 47% pada K = 11 dan K = 15 sehingga metode ini kurang deskriminatif.
Prototype Sistem Otomatisasi Efisien Pemberian Pakan Ayam Broiler Doc Berbasis Sensor Ldr Rizki Setiawan
Journal of Electronics and Instrumentation Vol. 3 No. 1 (2026)
Publisher : Jurusan Fisika, FMIPA Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v3i1.60103

Abstract

Pemberian pakan ayam broiler fase Day Old Chick (DOC) umumnya masih dilakukan secara manual sehingga kurang efisien dan membutuhkan tenaga serta waktu yang besar. Keterlambatan dalam pemberian pakan dapat menurunkan pertumbuhan dan produktivitas ayam. Permasalahan tersebut dapat diatasi dengan cara mengembangkan sistem otomatisasi pemberian pakan berbasis sensor Light Dependent Resistor (LDR). Sensor ini dimanfaatkan untuk mendeteksi intensitas cahaya pada wadah pakan sehingga sistem dapat mengetahui kondisi pakan, apakah penuh atau kosong. Mikrokontroler Arduino Uno digunakan sebagai pusat kendali untuk mengatur kerja motor servo yang secara otomatis membuka atau menutup katup wadah pakan sesuai sinyal dari sensor LDR. Pengujian sistem dilakukan dalam skala laboratorium dengan penerapan dua sensor LDR yang diatur menggunakan logika AND guna meningkatkan akurasi deteksi. Hasil uji menunjukkan tingkat keberhasilan 100% dalam mengenali kondisi pakan penuh dan kosong, dengan waktu respon rata-rata 1 detik untuk aktivasi servo dan 3–5 detik untuk proses pengisian ulang. Sistem ini terbukti bekerja cepat, stabil, serta efisien dalam menjaga ketersediaan pakan ayam DOC secara otomatis. Penggunaan sensor LDR juga dinilai ekonomis dan efektif untuk diterapkan pada peternakan skala kecil.
Analisis Ambang Dengar Berbasis Audiometri Digital Berdasarkan Usia, Gender, dan Pengguna Headset Maulana, Wildan
Journal of Electronics and Instrumentation Vol. 3 No. 1 (2026)
Publisher : Jurusan Fisika, FMIPA Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v3i1.60104

Abstract

Gangguan pendengaran dapat memengaruhi kualitas hidup seseorang dan penting untuk dideteksi sejak dini agar dapat segera ditangani. Salah satu cara untuk mengetahui kondisi pendengaran adalah melalui pengujian ambang dengar menggunakan audiometer. Penelitian ini bertujuan merancang dan menguji instrumen audiometri digital berbasis Python dengan antarmuka GUI untuk mengukur ambang dengar dan kemampuan pengenalan kata melalui uji tonal dan Word Recognition Score (WRS). Sistem menghasilkan nada murni pada frekuensi 250–8000 Hz dengan intensitas 0–100 dB serta menampilkan audiogram secara otomatis, sementara uji WRS menggunakan daftar kata adaptif berbasis peningkatan intensitas untuk menilai persepsi ucapan. Pengujian dilakukan pada 20 responden dengan variasi usia, jenis kelamin, dan kebiasaan penggunaan headset. Hasil menunjukkan bahwa perempuan dan responden usia muda memiliki ambang dengar dan nilai WRS yang lebih baik, sedangkan pengguna headset menunjukkan kecenderungan penurunan sensitivitas pendengaran dibandingkan non-pengguna. Sistem ini terbukti bekerja efektif, konsisten dengan teori audiologi, mudah digunakan, dan berpotensi dikembangkan lebih lanjut melalui kalibrasi standar klinis serta integrasi teknologi kecerdasan buatan untuk meningkatkan akurasi dan objektivitas pengujian
Sistem Monitoring Hujan, Suhu, dan Kelembapan Berbasis ESP8266 dengan Integrasi Telegram Gita Kunti Rahayu
Journal of Electronics and Instrumentation Vol. 3 No. 1 (2026)
Publisher : Jurusan Fisika, FMIPA Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v3i1.60105

Abstract

Perubahan cuaca yang semakin sulit diprediksi menuntut adanya sistem pemantauan lokal yang mampu menyediakan informasi real-time secara akurat dan mudah diakses. Ketersediaan data cuaca skala mikro sangat penting bagi aktivitas rumah tangga, pertanian kecil, serta mitigasi bencana yang membutuhkan respons cepat. Penelitian ini bertujuan merancang dan menguji sistem monitoring hujan berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP8266 yang terintegrasi dengan sensor DHT11 untuk mengukur suhu dan kelembapan serta sensor Rain FC-32 untuk mendeteksi intensitas hujan. Metode penelitian mencakup perancangan perangkat keras, pemrograman, proses kalibrasi dasar, dan pengujian lapangan selama dua jam dengan interval pengambilan data satu menit hingga diperoleh 91 titik pengamatan. Data dikirim secara otomatis ke Bot Telegram sebagai notifikasi real-time untuk memastikan kemudahan akses pengguna. Hasil pengujian menunjukkan bahwa sistem mampu merekam pola perubahan suhu, kelembapan, dan intensitas hujan dengan baik, meskipun terdapat fluktuasi kecil akibat karakter sensor dan perubahan lingkungan yang cepat. Intensitas hujan menghasilkan pola variatif dengan beberapa puncak nilai yang konsisten dengan karakteristik sensor Rain FC-32. Sistem bekerja stabil dan memberikan keluaran data yang representatif terhadap kondisi cuaca aktual. Penelitian ini menyimpulkan bahwa sistem monitoring hujan berbasis Internet of Things (IoT) yang dikembangkan bersifat sederhana, murah, dan efektif untuk pemantauan cuaca skala lokal, serta memiliki potensi untuk dikembangkan lebih lanjut melalui peningkatan akurasi sensor dan integrasi penyimpanan data daring
Klasifikasi Kesiapan Panen Jamur Tiram Berdasarkan Ciri Visual Menggunakan Convolutional Neural Network (CNN) Munawar, Muhammad Yusuf Alfin
Journal of Electronics and Instrumentation Vol. 3 No. 1 (2026)
Publisher : Jurusan Fisika, FMIPA Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v3i1.60106

Abstract

Penelitian ini dilatarbelakangi oleh kebutuhan peningkatan akurasi dalam menentukan kesiapan panen jamur tiram yang selama ini masih dilakukan secara manual dan subjektif. Permasalahan tersebut dapat menyebabkan ketidakkonsistenan kualitas hasil panen dan menurunkan nilai ekonomi produk. Tujuan penelitian ini adalah mengembangkan sistem kecerdasan buatan berbasis Convolutional Neural Network (CNN) yang mampu mengklasifikasikan kesiapan panen jamur tiram berdasarkan ciri visual secara otomatis. Metode yang digunakan berupa pendekatan observasional kuantitatif dengan memanfaatkan dataset citra jamur tiram yang terdiri atas dua kategori, yaitu siap panen dan belum siap panen. Data diperoleh melalui pengambilan foto langsung di kumbung budidaya dengan total 1282 citra, kemudian diproses melalui tahap pra-pemrosesan, augmentasi, pelatihan, serta validasi model CNN. Arsitektur model terdiri dari empat lapisan konvolusi dan pooling yang diikuti lapisan fully connected dan dropout untuk menghindari overfitting. Hasil pelatihan menunjukkan bahwa model mampu mengenali pola visual jamur dengan tingkat akurasi sebesar 87% pada data uji dan F1-score sebesar 0,87. Implementasi model ke dalam sistem robotik menghasilkan akurasi sebesar 91% dengan kemampuan mendeteksi jamur belum siap panen secara sempurna pada berbagai sudut pengambilan citra. Hasil ini menunjukkan bahwa CNN efektif digunakan untuk mengidentifikasi tingkat kesiapan panen jamur tiram berdasarkan bentuk, ukuran, dan warna tudung jamur. Penelitian ini membuktikan bahwa integrasi teknologi CNN dengan sistem robotik mampu meningkatkan efisiensi serta objektivitas dalam menentukan waktu panen. Pengembangan lebih lanjut disarankan dengan menambahkan sensor lingkungan dan teknik transfer learning agar sistem dapat beradaptasi terhadap variasi kondisi budidaya.
Klasifikasi Jenis Tanaman Kelengkeng Berdasarkan Citra Daun Menggunakan Algoritma Convolutional Neural Network (CNN) Ayu Asriati Lestari
Journal of Electronics and Instrumentation Vol. 3 No. 1 (2026)
Publisher : Jurusan Fisika, FMIPA Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v3i1.60107

Abstract

Klasifikasi jenis tanaman kelengkeng merupakan langkah penting untuk mendukung produktivitas dan pengelolaan agrikultur modern. Penelitian ini bertujuan mengembangkan model Convolutional Neural Network (CNN) untuk mengidentifikasi tiga jenis tanaman kelengkeng matalada, pingpong, dan diamond berdasarkan citra daun. Tantangan utama dalam klasifikasi manual terletak pada kemiripan morfologi daun antar varietas dan kondisi pencahayaan yang bervariasi. Penelitian ini menggunakan 350 citra daun untuk setiap varietas, yang diperoleh melalui pemotretan dengan pencahayaan terkontrol. Data dibagi menjadi 70% untuk pelatihan, 10% validasi, dan 20% pengujian. Model CNN dilatih menggunakan pendekatan deep learning dengan teknik regulasi seperti early stopping untuk mencegah overfitting. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan confusion matrix. Hasil yang diperoleh menunjukkan bahwa CNN mampu mengekstraksi fitur citra secara otomatis dan mengklasifikasikan jenis daun kelengkeng dengan tingkat akurasi yang baik. Output penelitian ini dikembangkan dalam bentuk web yang memungkinkan pengguna mengunggah gambar dan memperoleh hasil identifikasi varietas kelengkeng secara real-time lengkap dengan confidence score. Hasil evaluasi sistem menunjukkan bahwa model dapat mengklasifikasikan daun kelengkeng dengan tingkat akurasi yang cukup tinggi, yaitu Matalada 96,67%, Diamond 80%, dan Pingpong 73,33%. Temuan ini menunjukkan bahwa teknologi CNN memiliki kemampuan yang baik dalam mengenali pola visual daun. Penelitian ini menawarkan solusi identifikasi jenis kelengkeng yang cepat dan akurat, mendukung implementasi teknologi smart farming, membantu petani dan peneliti dalam pengambilan keputusan budidaya, serta membuka peluang pengembangan dataset dan arsitektur model CNN yang lebih optimal.

Page 6 of 6 | Total Record : 57

 2   3   4   5   6 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 3 No. 1 (2026) Vol. 2 No. 3 (2025) Vol. 2 No. 2 (2025) Vol. 2 No. 1 (2025) Vol. 1 No. 3 (2024) Vol. 1 No. 2 (2024) Vol. 1 No. 1 (2023)