cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
M Syaryadhi
Contact Email
syaryadhi@gmail.com
Phone
-
Journal Mail Official
syaryadhi@gmail.com
Editorial Address
-
Location
Kab. aceh besar,
Aceh
INDONESIA
Jurnal Komputer, Informasi Teknologi, dan Elektro (KITEKTRO)
Published by Universitas Syiah Kuala
ISSN : -     EISSN : 22527036     DOI : -
Core Subject :
KITEKTRO (Karya Ilmiah Teknik Komputer, Ilmu Komputer, Teknologi Informasi, dan Teknik Elektro) merupakan jurnal ilmiah elektronik yang diterbitkan sebagai media diseminasi hasil penelitian dan kajian ilmiah kepada masyarakat akademik dan publik secara luas. Jurnal ini memfasilitasi publikasi karya ilmiah berkualitas dalam bidang Teknik Komputer, Ilmu Komputer, Informatika, Teknologi Informasi, dan Teknik Elektro.
Arjuna Subject : -
Articles 6 Documents
 1 
Perancangan Sistem Pendeteksi Gas Metana Menggunakan Sensor Gas MQ-4 pada Limbah Feses Sapi Aulia Rahman; Syahrial Syukur Harahap; Alfatirta Mufti
Jurnal Komputer Informasi Teknologi dan Elektro Vol. 11 No. 1 (2026): April
Publisher : Departemen Teknik Elektro dan Komputer Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/kitektro.v11i1.1504

Abstract

Gas metana memiliki potensi besar sebagai sumber energi alternatif atau biogas, khususnya yang dihasilkan dari limbah feses sapi. Penelitian ini mengembangkan sistem pengukuran kadar gas metana menggunakan sensor MQ-4 yang dilakukan pada limbah feses sapi dengan memvariasikan berat pada feses sapi, yang bertujuan untuk mengetahui akurasi dari sensor MQ-4 dengan membandingkan prototipe yang dibuat terhadap alat acuan SW-733A. Persentase galat yang dihasilkan pada penyimpanan feses sapi dengan konsentrasi feses sapi 1, 2, dan 3 kg sebesar 0,44% - 1,50%, 0,56% - 5,08%, dan 0,40% - 3,52%. Persentase galat paling kecil sebesar 0,40% dan paling besar diperoleh 5,08%. Sistem yang dibuat berhasil mengukur kadar gas metana dengan sensor MQ-4 pada limbah feses sapi dan hasil yang diperoleh menunjukkan bahwa sistem yang dibuat memiliki akurasi 94,92% sampai dengan 99,60%. Penggunaan sistem deteksi berbiaya rendah dan akurat ini memberikan kemudahan dan solusi praktis bagi peternak maupun pengelola limbah dalam memantau emisi gas metana secara mandiri.
Real-Time PPE Detection for Utility Field Workers Using YOLOv11 on Raspberry Pi with Automated Safety Reporting Israk Faradila; Roslidar Roslidar; Fathurrahman Fathurrahman; Yudha Nurdin; Mohd Syaryadhi
Jurnal Komputer Informasi Teknologi dan Elektro Vol. 11 No. 1 (2026): April
Publisher : Departemen Teknik Elektro dan Komputer Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/kitektro.v11i1.1506

Abstract

The level of compliance with the use of Personal Protective Equipment (PPE) in the work environment, especially in the field, remains a serious challenge with a direct impact on worker safety. Manual supervision is considered ineffective because it is subjective and limited in scope, time, and space. This research aims to develop an automatic PPE detection system using deep learning that can recognize five main objects: helmets, vests, gloves, shoes, and people. The system was designed to automatically detect real-time PPE availability and record workers' occupational safety status in the field. This research used the Convolutional Neural Network (CNN) with the YOLOv11 nano variant architecture, due to its advantages in efficiency and inference speed. The dataset comprised 1,471 images collected from PT PLN Aceh field documentation and the Roboflow Universe platform, which were expanded to 7,310 images following data augmentation. The dataset was split into training (96%), validation (2%), and testing (2%) subsets. The model was trained for 150 epochs and deployed on a Raspberry Pi 4 B for real-time inference. Evaluation results show a mean Average Precision at IoU 0.5 (mAP@0.5) of 90%, precision of 91.8%, and recall of 82%. The deployed system operates at 5–8 frames per second (FPS) and automatically logs worker safety status to Excel reports, demonstrating its practicality for real-time occupational safety monitoring.
Sistem Pemantauan Kualitas Air Sungai Secara Real Time Berbasis Internet of Things Fadlurrahman Al Hafizh Redi; Roslidar Roslidar; Mohd Syaryadhi; Alfatirta Mufti; Alfisyahrin Alfisyahrin; Zulhelmi Zulhelmi
Jurnal Komputer Informasi Teknologi dan Elektro Vol. 11 No. 1 (2026): April
Publisher : Departemen Teknik Elektro dan Komputer Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/kitektro.v11i1.1653

Abstract

Pencemaran air sungai akibat aktivitas manusia berdampak negatif terhadap lingkungan dan kesehatan masyarakat. Pemantauan kualitas air secara manual dinilai kurang efektif karena tidak mampu menyediakan data secara cepat dan berkelanjutan. Penelitian ini bertujuan untuk merancang sistem pemantauan kualitas air sungai secara real-time berbasis Internet of Things (IoT). Sistem ini dikembangkan menggunakan NodeMCU ESP8266 yang terintegrasi dengan sensor pH, dissolved oxygen (DO), kekeruhan, suhu, dan debit aliran. Data sensor diambil setiap 30 menit dan ditampilkan melalui aplikasi seluler. Hasil pengujian menunjukkan bahwa sistem mampu melakukan pemantauan secara otomatis serta mengklasifikasikan kondisi air menjadi tiga kategori: clean (bersih), polluted (tercemar), dan offline. Selain itu, sistem ini dilengkapi dengan alarm sebagai mekanisme peringatan dini. Dengan demikian, sistem yang dikembangkan dapat mendukung upaya pemantauan kualitas air secara efektif dan berkelanjutan.
Rancang Bangun Pemberi Pakan Udang Otomatis Berbasis Pengendali PID Menggunakan Panel Surya Ariq Alghifary; Alfatirta Mufti; Aulia Rahman; Fahri Heltha; Yunidar Yunidar; Andi Mulkan
Jurnal Komputer Informasi Teknologi dan Elektro Vol. 11 No. 2 (2026): August
Publisher : Departemen Teknik Elektro dan Komputer Universitas Syiah Kuala

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

Abstract

Budidaya udang merupakan sektor vital dalam industri akuakultur Indonesia. Sektor ini memiliki permintaan yang cukup besar akan inovasi teknologi untuk meningkatkan efisiensi. Salah satu kemajuan utama adalah implementasi alat pemberi pakan udang otomatis. Namun, alat pemberi pakan konvensional yang menggunakan motor DC sering kali mengalami fluktuasi kecepatan putaran motor yang dapat mengurangi akurasi jarak penyebaran pakan. Studi ini bertujuan untuk mengatasi tantangan tersebut dengan mengintegrasikan sistem kontrol Proporsional-IntegralDerivatif (PID) yang dapat meningkatkan stabilitas dan efisiensi motor. Sebelum implementasi PID, motor dapat mempertahankan kecepatan putar pada 5100 rpm (yang diukur dengan rotary encoder), kecepatan awal lontaran pakan adalah 18,69 m/s, dan jarak lontaran sejauh 5,13 meter. Setelah menerapkan pengendali PID, kecepatan putaran motor meningkat menjadi 6500 rpm, dengan kecepatan awal sebesar 23,82 m/s dan jarak lontaran mencapai 6,55 m. Dari hasil simulasi MATLAB Simulink, didapatkan parameter yang cukup baik dengan waktu naik 2,14 detik, waktu tunak 4,08 detik, nilai tunak 681 rad/s, dan %OS sebesar 0,5%. Hasil simulasi ini selaras dengan implementasi nyata pada sistem pelontar pakan udang dengan waktu tunak sekitar 5 detik, nilai tunak 6500 rpm, dan %OS sebesar 9%. Selain itu, sistem ini menggunakan sumber energi terbarukan melalui implementasi panel surya yang menyediakan energi rata-rata sebesar 617,35 Wh. Energi ini melebihi kebutuhan sistem pemberi pakan otomatis, yaitu sekitar 200 Wh. Integrasi pengendali PID dan energi matahari secara signifikan meningkatkan efisiensi operasional, keberlanjutan, dan efektivitas biaya, sehingga menjadikan penelitian ini sebagai inovasi yang menjanjikan untuk akuakultur modern, khususnya dalam budidaya udang.
Prediksi Spasial-Temporal Potensi Energi Angin di Wilayah Indonesia Menggunakan Model ConvLSTM Berbasis Data Reanalisis Meteorologi Septian Nuno Zildlian
Jurnal Komputer Informasi Teknologi dan Elektro Vol. 11 No. 2 (2026): August
Publisher : Departemen Teknik Elektro dan Komputer Universitas Syiah Kuala

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

Abstract

Energi angin merupakan salah satu sumber energi baru terbarukan (EBT) dengan potensi besar di Indonesia, namun pemanfaatannya masih terkendala oleh keterbatasan jaringan pengukuran in-situ yang tersebar tidak merata di wilayah kepulauan. Penelitian ini mengusulkan pendekatan spasial-temporal berbasis deep learning untuk memprediksi potensi densitas daya angin (wind power density) di seluruh wilayah Indonesia menggunakan data reanalisis meteorologi beresolusi grid 0,25° dengan interval waktu 6 jam selama periode Januari-Mei 2026. Data mentah berjumlah sekitar 40,8 juta baris pada enam variabel meteorologi (komponen angin 10 m dan 100 m, temperatur permukaan, serta tekanan permukaan) diproses menjadi tensor spasial berdimensi (waktu, 73, 189, 2 kanal) yang merepresentasikan wind speed dan power density pada 13.797 titik grid. Model Convolutional LSTM (ConvLSTM) tiga lapis digunakan untuk mempelajari pola spasial-temporal dan memprediksi 4 langkah waktu ke depan (24 jam) berdasarkan 8 langkah waktu historis (48 jam). Hasil pengujian pada data uji menunjukkan model mencapai RMSE 0,0780, MAE 0,0514, dan koefisien determinasi (R²) 0,524 pada skala data ternormalisasi. Analisis spasial menunjukkan Provinsi Maluku, Nusa Tenggara Timur, dan Kepulauan Bangka Belitung memiliki rata-rata densitas daya angin tertinggi secara nasional. Hasil ini menunjukkan bahwa pendekatan ConvLSTM mampu menangkap sebagian pola spasial-temporal angin di wilayah Indonesia, meskipun akurasi masih dapat ditingkatkan pada wilayah dengan variabilitas tinggi
Perbandingan Kinerja Support Vector Machine dan Convolutional Neural Network VGG16 untuk Klasifikasi Biji Kopi Berkualitas di Wilayah Habornas Syahrial Sinaga; Yulanda Pasaribu
Jurnal Komputer Informasi Teknologi dan Elektro Vol. 11 No. 2 (2026): August
Publisher : Departemen Teknik Elektro dan Komputer Universitas Syiah Kuala

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

Abstract

Pemilahan biji kopi secara visual masih dipengaruhi subjektivitas, pencahayaan, dan kelelahan pengamat. Penelitian ini membangun serta membandingkan Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) berarsitektur VGG16 untuk mengidentifikasi biji kopi berkualitas baik dan buruk dari wilayah Habornas. Dataset berbasis anotasi objek dipotong menggunakan bounding box dengan padding 10%, sehingga diperoleh 1.204 citra objek yang dibagi menjadi 1.056 data latih, 99 validasi, dan 49 uji. SVM menggunakan gabungan fitur Histogram of Oriented Gradients, histogram warna HSV, dan Local Binary Pattern, sedangkan VGG16 menerapkan transfer learning, augmentasi, dan fine-tuning blok kelima. SVM mencapai akurasi validasi 98,99% dan rerata akurasi validasi silang lima lipatan 99,39%. Pada data uji, kedua model memperoleh akurasi, F1-score makro, dan ROC-AUC sebesar 100%. Uji McNemar menghasilkan p-value 1,0, sehingga tidak ditemukan perbedaan prediksi yang signifikan. VGG16 lebih efisien pada lingkungan pengujian, dengan waktu inferensi 8,687 ms/citra dan ukuran model TFLite 14,170 MB, dibandingkan SVM 10,274 ms/citra dan 42,629 MB. Hasil menunjukkan kedua model setara secara prediktif, sementara VGG16 lebih sesuai untuk deployment yang mempertimbangkan ukuran dan kecepatan.

Page 1 of 1 | Total Record : 6

 1 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 11 No. 2 (2026): August Vol. 11 No. 1 (2026): April