cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
MID Publisher International
Contact Email
midpublisher@gmail.com
Phone
+6285792075000
Journal Mail Official
midpublisher@gmail.com
Editorial Address
Seraya Garden
Location
Kota batam,
Kepulauan riau
INDONESIA
Technology Sciences Insights Journal
Published by MID Publisher International
ISSN : -     EISSN : 30636523     DOI : -
Core Subject : Science, Engineering,
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering
Technology Sciences Insights Journal (TSIJ) is a distinguished peer-reviewed publication aimed at fostering advancements in the dynamic field of technology sciences. TSIJ provides an inclusive platform for scholars, researchers, industry practitioners, and policymakers to share their original research findings, transformative ideas, and novel technological innovations. By facilitating the exchange of knowledge and expertise across a wide range of technology-related disciplines, TSIJ strives to push the boundaries of technological possibilities and contribute to global progress and sustainable development.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 30 Documents
 1   2   3 
Penerapan Algoritma K-Nearest Neighbor (K-NN) untuk Klasifikasi Status Monitoring Automatic Pump Water Machine Studi Kasus: Industri Manufaktur Indra, Indra Mora; Adlian, Adlian Jefiza
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/zb0dph85

Abstract

In the modern industrial world, real-time monitoring of system conditions is  crucial to maintain efficiency and prevent equipment damage. This research aims to classify industrial system conditions based on sensor data using the K Nearest Neighbors (KNN) algorithm. The data used consists of four main  parameters namely pressure, flow rate, voltage, and engine speed (RPM),  which are then classified into three conditions: Alert, Critical, and Normal.  Preprocessing is done with Min-Max normalization and division of data into  training and test data. The evaluation results show that the KNN method is  able to achieve an accuracy of 58% with a mean squared error (MSE) value of 1.06 and an average cross-validation accuracy of 64%. These results show that  KNN is effective enough to be used as an initial method for industrial system  condition detection, although the classification performance for the Critical  category can still be improved. 
Industrial Equipment Monitoring Dataset for Predictive Maintenance Analysis Pradana, Kreshna Lucky; Jefiza, Adlian
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/t9mr4w17

Abstract

This study develops and evaluates a Support Vector Machine (SVM) model using a Radial Basis Function (RBF) kernel to detect faulty conditions in systems based on sensor data (temperature, pressure, vibration, humidity). The data is processed through normalization and split into training and testing sets. The evaluation results show an overall model accuracy of 0.93. The model is highly effective in identifying normal conditions (precision 0.93, recall 1.00), but less optimal in detecting faulty conditions (precision 0.96, recall 0.30), indicating a high number of false negatives and a low F1-score (0.45) for this class. The ROC AUC score of 0.892 indicates good overall discriminative ability. This performance gap is likely due to class imbalance. Enhancing faulty detection through class imbalance handling or further model optimization is recommended for critical applications.
Prediksi Mortalitas Gagal Jantung Menggunakan PCA dan K-Nearest Neighbors: Analisis Komparatif Metrik Jarak Feralia Fitri; Navessa Julieth
Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/qw66gg22

Abstract

Heart failure is a condition in which the heart is unable to pump blood optimally to meet the body’s metabolic demands. Accurate prediction is essential to support timely medical intervention. This study examines the use of the K-Nearest Neighbors (KNN) method to classify heart failure patient outcomes based on nearest-neighbor data from the training set. The method is combined with Principal Component Analysis (PCA) for data dimensionality reduction to predict patient mortality, demonstrating that KNN is a simple and effective approach for medical data analysis.
Penerapan Algoritma Support Vector Machine (SVM) untuk Deteksi Dini Kondisi Peralatan Berdasarkan Data Sensor Stefanny Aprilia
Technology Sciences Insights Journal Vol. 3 No. 1 (2026): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/ft9xkr14

Abstract

Dalam dunia industri modern, sistem otomasi berbasis data semakin banyak digunakan, salah satunya untuk keperluan pemeliharaan peralatan secara prediktif. Penelitian ini membahas penerapan algoritma Support Vector Machine (SVM) dalam mendeteksi kondisi peralatan (normal atau bermasalah/faulty) berdasarkan data sensor seperti suhu, tekanan, getaran, dan kelembaban. Data yang digunakan sebanyak 1.535 data yang terbagi menjadi dua kelas, yaitu 0 (normal) dan 1 (faulty). Proses dimulai dari pra-pemrosesan data, normalisasi, pemisahan data latih dan uji, hingga pelatihan model SVM menggunakan kernel RBF. Hasil evaluasi menunjukkan model SVM memiliki akurasi sebesar 97%, nilai AUC 0,978, serta f1-score untuk kelas faulty sebesar 0,87. Hasil ini menunjukkan bahwa SVM mampu melakukan klasifikasi kondisi peralatan dengan sangat baik dan cocok digunakan untuk sistem maintenance otomatis.Kata kunci: SVM, klasifikasi, sensor industri, prediktif maintenance, data mining.
Penerapan Support Vector Machine untuk Deteksi Gangguan pada Sensor Berbasis Data Suhu (Sensor Fault Detection) Meisy Dwi Putri
Technology Sciences Insights Journal Vol. 3 No. 1 (2026): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/tk6f8z49

Abstract

Deteksi gangguan pada sensor merupakan aspek penting dalam sistem monitoring industri untuk mencegah kegagalan fungsi dan memastikan keandalan operasional. Penelitian ini mengembangkan model klasifikasi gangguan sensor menggunakan algoritma Support Vector Machine (SVM) berbasis data pembacaan suhu. Data dikategorikan sebagai gangguan apabila berada di luar rentang normal 10–30°C. Tahapan penelitian meliputi preprocessing, pelatihan model, serta evaluasi kinerja menggunakan confusion matrix, ROC-AUC, mean squared error (MSE), dan validasi silang. Hasil menunjukkan akurasi model sekitar 90% dan nilai AUC di atas 0,90, menandakan kemampuan yang baik dalam membedakan kondisi normal dan gangguan. Namun, recall pada kelas gangguan masih rendah akibat ketidakseimbangan data. Temuan ini menunjukkan bahwa SVM berpotensi diterapkan dalam sistem deteksi gangguan sensor berbasis kecerdasan buatan, dengan rekomendasi pengembangan lebih lanjut pada penanganan ketidakseimbangan data untuk meningkatkan sensitivitas terhadap kelas minoritas.
Air Quality Monitoring System Metode KNN (K-Nearest Neighbor)untuk Mendeteksi Kondisi Kualitas Air Ardiyan Syah Ariansyah
Technology Sciences Insights Journal Vol. 3 No. 1 (2026): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/8nexwz29

Abstract

Penelitian ini bertujuan untuk membuat sebuah system yang berguna untuk mempermudah manusia untuk mengetahui kondisi kualitas air secara manual menggunakan metode KNN (K-Nearest Neighbor). Kualitas air adalah aspek penting dalam kehidupan sehari-hari, dan upaya untuk memastikan air yang aman untuk dikonsumsi merupakan prioritas. Penelitian ini mengajukan pertanyaan utama: "Apakah metode KNN dapat memberikan pendekatan yang efektif dalam mengklasifikasikan kualitas air?" Metodologi penelitian ini melibatkan penggunaan dataset sekunder mengenai kualitas air dan menerapkan algoritma KNN untuk mengkategorikan data tersebut. Hasil dari metode KNN dibandingkan dengan metode klasifikasi lain yang umum digunakan dalam analisis kualitas air. Penelitian ini bertujuan untuk memberikan pandangan yang lebih dalam dan pemahaman yang lebih baik tentang potensi metode KNN. Dengan memakai metode KNN (KNearest Neighbor) diperoleh nilai ketelitian dari K, nilai K yang menggunakan K=5 akurasinya sebesar 97%, setelah KNN mendapatkan hasil dari deteksi, hasil tersebut akan berguna untuk mengatur tindakan dari aktuator. Hasil penelitian ini diharapkan dapat memberikan wawasan baru tentang efektivitas metode KNN dalam mengklasifikasikan kualitas air yang dapat membantu masyarakat dan pemerintah dalam mengambil tindakan respons yang lebih efisien terkait dengan potensi kontaminasi dan masalah kualitas air lainnya. Dengan demikian, penelitian ini memiliki potensi untuk memberikan kontribusi berharga pada pemahaman kita tentang kualitas air dan pemanfaatan metode KNN dalam analisisnya.
Deteksi Keberadaan Manusia dalam Ruangan Berbasis Data Sensor Lingkungan Menggunakan Algoritma K-Nearest Neighbor (KNN) Nur Shakinah Shakinah; Adlian Jefiza
Technology Sciences Insights Journal Vol. 3 No. 1 (2026): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/7qntxe30

Abstract

Penelitian ini bertujuan untuk menganalisis kemampuan algoritma K-Nearest Neighbor (KNN) dalam mendeteksi keberadaan manusia (okupansi) di dalam suatu ruangan berdasarkan data sensor lingkungan melalui pendekatan klasifikasi biner. Data dikumpulkan dari sensor ruangan yang merekam variabel Temperature, Humidity, Light, CO2, dan Humidity Ratio, kemudian diolah menggunakan teknik standardisasi fitur (StandardScaler) dan validasi silang (cross-validation) guna memperoleh gambaran mengenai performa model klasifikasi okupansi ruangan. Hasil penelitian menunjukkan bahwa model KNN dengan nilai K=1 memberikan akurasi validasi silang tertinggi sebesar 99,06% dan akurasi pada data uji yang sangat tinggi, yang mengindikasikan bahwa variabel Light dan CO2 memiliki korelasi paling kuat terhadap status okupansi. Temuan ini diharapkan dapat memberikan kontribusi terhadap bidang smart building dan efisiensi energi serta menjadi rujukan untuk penelitian selanjutnya.
Implementasi Feature Engineering dan Random Forest dalam Klasifikasi Kegagalan Mesin Menggunakan Dataset AI4I 2020 Bryan Mandagi
Technology Sciences Insights Journal Vol. 3 No. 1 (2026): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/z2ypm943

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan kondisi kegagalan mesin pada sistem predictive maintenance menggunakan metode Random Forest dengan memanfaatkan AI4I 2020 Predictive Maintenance Dataset. Data diperoleh dari UCI Machine Learning Repository dan melalui tahapan preprocessing berupa penghapusan atribut yang tidak relevan, penanganan data leakage, serta one-hot encoding pada data kategorikal. Selanjutnya dilakukan feature engineering dengan membentuk fitur baru, yaitu Power_W, Temp_diff_K, dan Wear_Torque, untuk meningkatkan representasi karakteristik mesin. Model Random Forest kemudian dilatih menggunakan data yang telah distandardisasi dan dievaluasi menggunakan Confusion Matrix, ROC Curve, Histogram Distribusi Fitur, Scatter Plot, serta metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model memperoleh akurasi sebesar 99,08%, precision sebesar 93,06%, recall sebesar 78,82%, F1-score sebesar 85,35%, serta AUC sebesar 0,982. Hasil tersebut menunjukkan bahwa metode Random Forest mampu mengklasifikasikan kondisi mesin dengan tingkat akurasi yang tinggi sehingga berpotensi diterapkan sebagai pendukung sistem predictive maintenance pada lingkungan otomasi industri.
Implementasi Metode Extra Trees Classifier untuk Klasifikasi Jenis Sampah Menggunakan Ekstraksi Fitur Histogram Warna, Histogram of Oriented Gradient, dan Local Binary Pattern Esra Louis; Adlian Jefiza; Feralia Fitri
Technology Sciences Insights Journal Vol. 3 No. 1 (2026): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/7pc16r67

Abstract

Peningkatan jumlah sampah yang dihasilkan masyarakat menuntut adanya sistem pemilahan sampah yang lebih efektif dan otomatis. Salah satu teknologi yang dapat digunakan adalah computer vision yang mampu mengenali jenis sampah berdasarkan karakteristik visualnya. Penelitian ini bertujuan untuk mengklasifikasikan enam jenis sampah yaitu kardus, kaca, logam, kertas, plastik, dan sampah menggunakan metode Extra Trees Classifier. Dataset yang digunakan merupakan Dataset Klasifikasi Sampah yang diperoleh dari Kaggle dan telah dibagi menjadi data latih, validasi, dan pengujian. Tahapan penelitian meliputi preprocessing citra, ekstraksi fitur menggunakan Histogram Warna, Histogram of Oriented Gradient (HOG), dan Local Binary Pattern (LBP), kemudian dilanjutkan dengan proses klasifikasi menggunakan Extra Trees Classifier. Model evaluasi dilakukan menggunakan akurasi, presisi, recall, dan F1-score, konfusi matriks, dan ROC Curve. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 99,88% dengan nilai presisi, recall, dan F1-score mendekati 1,00 pada seluruh kelas. Hasil tersebut menunjukkan bahwa kombinasi fitur Histogram Warna, HOG, dan LBP mampu merepresentasikan karakteristik objek sampah dengan baik sehingga menghasilkan performa klasifikasi yang sangat tinggi.
Analisis Hubungan Adopsi Robot terhadap Peningkatan Produktivitas Menggunakan Pendekatan Random Forest Clasifier Afra Sinta
Technology Sciences Insights Journal Vol. 3 No. 1 (2026): Technology Sciences Insights Journal
Publisher : MID Publisher International

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60036/qvjs9658

Abstract

Penelitian ini bertujuan untuk menguji secara empiris apakah jumlah robot yang diadopsi memiliki hubungan yang signifikan terhadap peningkatan produktivitas menggunakan pendekatan algoritma artificial intelligence. Data yang digunakan terdiri atas 27 observasi dari tiga sektor industri, yaitu Manufaktur, Kesehatan, dan Logistik, pada rentang tahun 2015 hingga 2023. Variabel productivity gain bersifat kontinu ditransformasikan menjadi variabel kelas biner berdasarkan nilai median, kemudian diklasifikasikan menggunakan algoritma random forest classifier dengan fitur pendukung berupa variabel industry, cost savings, jobs displaced, dan training_hours. Hasil penelitian menunjukkan bahwa model memiliki akurasi pengujian sebesar 55,6 % dan rata rata akurasi validasi silang hanya 26 %, yang berada di bawah tingkat akurasi tebakan acak. Temuan ini mengindikasikan bahwa, berdasarkan data yang tersedia, tidak ditemukan bukti kuat bahwa peningkatan jumlah adopsi robot berasosiasi secara langsung dengan peningkatan produktivitas.

Page 3 of 3 | Total Record : 30

 1   2   3 

Filter by Year

2024 2026


Reset
Filter By Issues
All Issue Vol. 3 No. 1 (2026): Technology Sciences Insights Journal Vol. 2 No. 2 (2025): Technology Sciences Insights Journal Vol. 2 No. 1 (2025): Technology Sciences Insights Journal Vol. 1 No. 2 (2024): Technology Sciences Insights Journal Vol. 1 No. 1 (2024): Technology Sciences Insights Journal