Publication Search

Flower disease detection is a common challenge in modern agriculture. Various factors, such as changes in leaf color, shape, petal structure, and environmental conditions, make it difficult to achieve high accuracy with conventional models. Transfer learning is an effective solution to improve model performance in image detection, especially when available data is limited. This study used several pre-trained models, namely VGG16, ResNet50, and EfficientNet-B0, to detect three types of flower diseases: black spot on roses, white powdery mildew, and leaf rust. The process included data processing, increasing the data volume, model training, and result verification. The results showed that the EfficientNet-B0 model provided the highest accuracy of 97.2%, significantly better than the CNN model created from scratch with an accuracy of 85.1%. This study proves that the transfer learning method is very effective in improving the accuracy of flower disease detection. These results confirm that transfer learning is effective for detecting plant diseases with higher accuracy, especially when the dataset is limited.  

Flower disease detection is a significant challenge in modern agriculture, particularly with factors such as changes in leaf color, petal shape and structure, and environmental conditions affecting the accuracy of conventional models. These factors make it difficult to achieve optimal results using traditional methods. Transfer learning is an effective solution to improve image detection performance, especially when data is limited. This study used several pre-trained models, namely VGG16, ResNet50, and EfficientNet-B0, to detect three types of flower diseases: black spot on roses, white powdery mildew, and leaf rust. The research process included data processing, increasing the data volume using augmentation techniques, model training, and evaluation of the results. Experimental results showed that the EfficientNet-B0 model produced the highest accuracy of 97.2%, significantly better than the CNN model built from scratch with an accuracy of 85.1%. This study demonstrates that transfer learning is highly effective in improving the accuracy of flower disease detection, making it a more reliable alternative to methods that do not utilize pre-trained models, especially for agricultural applications that require high levels of accuracy in disease detection.

The increasing volume of online hotel reviews provides valuable insights into customer perceptions but poses challenges for manual analysis due to its unstructured nature. This study aims to compare the performance of Recurrent Neural Network (RNN) and Bidirectional Encoder Representations from Transformers (BERT) in hotel review sentiment analysis. A total of 20,491 TripAdvisor hotel reviews were classified into three sentiment categories: negative, neutral, and positive. The research methodology includes text preprocessing, stratified data splitting, class imbalance handling using Random Over-Sampling, tokenization, and supervised model training. Model performance was evaluated using a confusion matrix and classification metrics. The results indicate that BERT outperforms RNN, achieving an accuracy of 80.54%, while RNN reached 62.21%. BERT demonstrated superior capability in capturing contextual and semantic information in hotel reviews. These findings suggest that transformer-based models are more effective for sentiment analysis of complex textual data in the hospitality domain and can support data-driven service improvement strategies.    

Penelitian ini bertujuan untuk mengembangkan sistem telemetri guna memantau kinerja panel surya pada beberapa lokasi dengan menggunakan komunikasi jarak jauh dan platform Internet of Things (IoT). Metode pemantauan konvensional memiliki keterbatasan dalam menyediakan data secara real-time pada area yang luas, sehingga evaluasi kinerja jarak jauh menjadi kurang efisien. Untuk mengatasi permasalahan tersebut, dirancang sebuah sistem pemantauan menggunakan mikrokontroler ESP32, sensor INA219 untuk mengukur tegangan dan arus, modul GPS Neo-M8 untuk identifikasi lokasi, modul Real-Time Clock (RTC) DS3231 untuk pencatatan waktu, serta modul LoRa RA-02 sebagai media komunikasi nirkabel. Setiap node pengirim dilengkapi dengan modul MicroSD untuk menyimpan data pengukuran secara lokal. Data hasil pengukuran dikirimkan melalui LoRa ke unit penerima dan ditampilkan secara real-time pada platform Thinger.io. Hasil kalibrasi menunjukkan bahwa sensor INA219 memiliki rata-rata galat pengukuran arus sebesar 0,71% dan galat pengukuran tegangan sebesar 0,1%. Pengujian GPS menunjukkan koordinat lokasi yang stabil dengan tingkat akurasi sekitar ±3 hingga ±8 meter. Seluruh data pengukuran berhasil dikirim, disimpan, dan ditampilkan tanpa kehilangan data yang signifikan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu menyediakan pemantauan parameter panel surya secara jarak jauh yang andal dan efisien dalam kondisi lapangan.

Penelitian ini bertujuan mengembangkan sistem informasi keberadaan dosen dan karyawan di Gedung Elektro Politeknik Negeri Bengkalis menggunakan metode face recognition berbasis Haar Cascade untuk deteksi wajah dan Local Binary Pattern Histogram (LBPH) untuk klasifikasi wajah. Sistem memanfaatkan ESP32-CAM sebagai perangkat akuisisi citra dan aplikasi Python untuk antarmuka grafis (GUI) secara real-time. Pengujian dilakukan pada variasi jarak (0,5 m, 1 m, dan 2 m) serta kondisi pencahayaan (terang, sedang, gelap). Hasil menunjukkan akurasi deteksi wajah rata-rata mencapai 83%, dengan pencahayaan terang dan sedang menghasilkan akurasi 100%, sedangkan kondisi gelap turun hingga 50%. Akurasi pengenalan wajah rata-rata sebesar 60%, dengan rincian 92% pada jarak 0,5 m, 50% pada 1 m, dan 33% pada 2 m. Hasil ini menunjukkan bahwa sistem mampu memberikan informasi keberadaan cdosen dan karyawan secara real-time, meskipun kinerja masih terbatas oleh kualitas kamera 2 MP, kondisi pencahayaan, dan jumlah dataset terbatas. Penelitian ini memberikan kontribusi pada implementasi monitoring keberadaan berbasis face recognition di lingkungan kampus serta menjadi dasar pengembangan lebih lanjut dengan kamera resolusi tinggi, metode deep learning, dan integrasi sistem absensi.

Penelitian ini bertujuan merancang dan mengembangkan Sistem Informasi Penjualan berbasis web untuk Gerai Oleh-Oleh Bali yang selama ini masih menggunakan pencatatan manual dengan buku besar dan perhitungan menggunakan kalkulator. Sistem manual tersebut menyebabkan risiko kesalahan pencatatan, lambatnya proses pencarian data, serta kesulitan dalam pengarsipan data penjualan, pembelian, pemesanan, dan pengelolaan stok barang. Penelitian menggunakan metode pengembangan perangkat lunak Waterfall dengan pendekatan pemodelan Unified Modeling Language (UML). Tahapan yang dilakukan meliputi analisis kebutuhan melalui wawancara dengan pemilik gerai, perancangan sistem (Use Case Diagram dan Class Diagram), implementasi, pengujian unit, pengujian sistem menggunakan metode black-box testing, serta tahap pemeliharaan (maintenance). Sistem yang dibangun mencakup fitur login, dashboard, pengelolaan data master (supplier dan barang), transaksi penjualan dengan dukungan scan barcode, transaksi pembelian, laporan penjualan dan pembelian, serta pengelolaan user. Hasil pengujian black-box menunjukkan seluruh test case berstatus Valid dan sistem berfungsi sesuai harapan. Pada tahap maintenance dilakukan contoh corrective maintenance dengan perbaikan bug pada query laporan penjualan harian.Sistem informasi penjualan berbasis web yang dihasilkan mampu mempercepat proses transaksi, mengurangi kesalahan manusia, meningkatkan akurasi data, serta memudahkan pengelolaan stok dan pembuatan laporan secara real-time. Implementasi sistem ini memberikan solusi efektif bagi Gerai Oleh-Oleh Bali dalam meningkatkan efisiensi operasional dan interaksi dengan pelanggan.

Abstract Kebakaran merupakan salah satu bencana yang dapat mengancam keselamatan jiwa dan harta benda, khususnya di lingkungan hunian padat seperti rumah kos. Kos Putri Kanaya Projo merupakan salah satu kos putri di Ungaran Timur, Kabupaten Semarang, yang berisiko tinggi mengalami kebakaran akibat kelalaian penghuni dalam penggunaan peralatan listrik maupun kompor gas. Penelitian ini bertujuan untuk merancang dan membangun sistem pendeteksi kebakaran dini berbasis mikrokontroler dengan dukungan teknologi Internet of Things (IoT).  Sistem dikembangkan menggunakan mikrokontroler ESP32 yang terhubung dengan sensor MQ-2 (asap/gas), sensor PIR (api), dan sensor DHT22 (suhu/kelembapan). Output sistem berupa notifikasi peringatan pada aplikasi Blynk, buzzer sebagai alarm suara, serta tampilan informasi melalui LCD. Metode penelitian yang digunakan adalah prototyping dengan tahapan perancangan, implementasi, pengujian, serta penyempurnaan sistem. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi asap, gas, suhu tinggi, dan api dengan akurasi di atas 90% serta memberikan notifikasi peringatan melalui aplikasi Blynk dengan waktu respon kurang dari 10 detik. Dengan demikian, sistem ini efektif sebagai solusi deteksi dini kebakaran pada lingkungan kos sehingga dapat meningkatkan keamanan dan meminimalisir risiko kerugian material maupun korban jiwa

This service activity was carried out in the Domestic Trade Sector, Central Java Provincial Industry and Trade Office with the aim of supporting the data collection process and updating the prices of basic necessities. This activity focuses on providing accurate and up-to-date price data as the basis for making price stabilization policies by local governments. The implementation of activities includes observation of the internal data collection system, daily price data input, data validation, and preparation of price development reports. In addition, the service team also coordinates with field officers and market managers to ensure the completeness of information and consistency of the data received. The technical assistance process related to the use of data collection application tools is also carried out to improve the competence of apparatus in managing information more effectively. The results of the activity show that systematic data updates are able to improve administrative efficiency, database accuracy, and support decision-making processes related to regional economic stability. Furthermore, the availability of more reliable price data allows local governments to detect potential price fluctuations early and formulate more timely and targeted intervention steps.

This literature study evaluates the accuracy of the Slope Mass Rating (SMR) method for coal mine slope stability in Indonesia through a systematic descriptive synthesis of 25 empirical studies from 2020 to 2025. The objectives of the study were to identify the level of SMR prediction accuracy, factors affecting the method's performance, and modifications required for local Indonesian conditions. The research method involved a systematic search with inclusion criteria for empirical studies reporting SMR and/or Safety Factor (SF) values ​​for coal mines and associated slopes in Indonesia. Quantitative analysis showed a range of reported SMR values ​​between 41 and 96 with a median of 72, while SF values ​​ranged from 1.137 to 4.09 for normal operational conditions. The synthesis results indicated that SMR provides a consistent stability classification for initial slope design and failure mode identification (planar, wedge, toppling), with historical validation showing a correlation of up to 91.23% between SMR-based hazard zoning and actual field events in some cases. Key limitations include dependence on discontinuity data quality, sensitivity to groundwater conditions and tropical weathering, and variation in the interpretation of adjustment factors F1-F4. Modifications such as NAAF23 and integration with numerical modeling have been shown to improve prediction reliability. It is recommended that coal mining practitioners combine SMR with kinematic analysis and limit equilibrium modeling as standard operating procedures, and develop adjustment factors specific to Indonesian geological conditions. Further research should focus on standardizing parameter reporting and cross-site quantitative validation to enable more robust statistical meta-analyses.  

Rapid and precise handling in determining fault locations is essential to accelerate post-fault recovery and minimize economic losses caused by power outages. Several methods employed to identify fault locations include Single Ended and Double Ended analysis. This paper discusses the Selective Mode Double Ended Fault Locator Method, an enhancement of the IEEE C37.114 Double Ended method. This approach involves selecting maximum fault data values for Near Side (NS) and Far Side (FS) calculations, taking into account the differential or angle difference of the sequence between the two sides. The Double Ended calculation results from the total sample values are used to determine the mode, which serves as the final output of this Fault Locator method. This method is designed to identify faults and their locations with high accuracy and speed. Based on the research findings, the Selective Mode Double Ended (SMDE) method provides more accurate fault locator analysis compared to the Single Ended and Double Ended methods. The accuracy achieved with the Single Ended method is 90.9%, with the Double Ended method reaching 94.9%, and with the Selective Mode Double Ended (SMDE) method achieving 99.9%.

This study aims to analyze the effect of using multi-platform accounting on the timeliness and accuracy of financial reporting at PT XYZ, a service company engaged in the distribution of cement. In carrying out its operations, this company uses three different types of accounting applications in the financial recording process, namely Microsoft Excel, Accurate and Semenku. This study uses a descriptive qualitative research method and data collection through observation. The results of the study indicate that the use of multiple platforms simultaneously can cause data inconsistencies and slow down the financial reporting process, but on the other hand it also provides flexibility in recording transactions. Therefore, system integration or evaluation of platform use is needed to improve the efficiency and accuracy of financial reporting.

Pleural effusion is the accumulation of fluid in the pleural cavity, which is a common clinical condition requiring rapid and accurate diagnosis. Imaging modalities such as chest X-ray and ultrasound (USG) of the chest play a crucial role in identifying and evaluating this condition. Chest X-ray remains the most widely used initial screening tool due to its availability and ease of use. However, chest USG offers higher sensitivity, especially in detecting small effusions, assessing fluid characteristics, and guiding diagnostic and therapeutic procedures. Additionally, USG provides real-time imaging, enhancing the safety and effectiveness of interventions such as aspiration or drainage. Although both modalities are important, USG provides more detailed information, particularly in evaluating more complex pleural fluid conditions. This review discusses the latest evidence regarding the sensitivity, specificity, advantages, and limitations of both imaging techniques. Understanding the complementary roles of chest X-ray and USG is essential for optimizing diagnostic strategies, ultimately improving clinical outcomes and enabling more effective management of pleural effusion.

A target is needed for kicks and attacks. Currently, these targets are always held by the lecturer, which, when used, significantly wastes time in learning sessions. With the funded Community Service Program (PKM) activity, the lecturer developed his creativity by creating a target stand, which was still incomplete at the time. The results of this community service implementation will impact students in the Physical Education Department at Lambung Mangkurat University. Lecturers teaching martial arts courses have greatly benefited from the presence of this target stand. Survey data analysis results are still in progress and will be attached to the final report. In this case, the partner is a colleague within the Physical Education Department, with whom he has a collaboration in the construction and welding fields. 80% of sports equipment is made from hard materials such as steel. Therefore, the Department has a long-standing partnership with DTK (Dita Teknik Kontruksi). Furthermore, metal sports equipment is regularly maintained, and if damaged, the partner is ready to repair it at a certain capacity.

This study aims to compare and analyze the accuracy levels of four financial distress prediction models—Altman Z-Score, Springate, Grover, and Zmijewski—in anticipating the potential bankruptcy of companies subjected to delisting from the Indonesian Stock Exchange (IDX). The delisting phenomenon, which is strongly linked to severe financial deterioration, provided the core motivation for identifying the most reliable predictive instrument, utilizing secondary data from the annual financial reports of delisted companies during the 2019-2023 observation period. Descriptive analysis techniques were employed to calculate the accuracy rate and Type Error for each model. The comparative results consistently indicate that the Springate Model is the most effective, consistent, and accurate model for predicting financial distress in delisted firms, achieving an accuracy rate of 89% in both the first and second years prior to delisting, while the Altman Z-Score model exhibited lower accuracy (68.75% and 62.50%). This key finding emphasizes the superiority of the Springate Model as a crucial diagnostic tool for investors and regulatory bodies in assessing corporate bankruptcy risk.

Penelitian ini bertujuan untuk merancang dan membuat interface komunikasi data antara Electronic Control Unit (ECU) sepeda motor dengan sistem Android. Masalah yang dihadapi oleh bengkel rumahan seperti Ngoprek Garage Motoshop adalah keterbatasan alat untuk mendeteksi kerusakan ECU secara otomatis. Penelitian ini menggunakan mikrokontroler ESP32 sebagai penghubung antara ECU dan aplikasi Android, yang dirancang menggunakan MIT App Inventor. Sistem ini mampu membaca data kesalahan (Diagnostic Trouble Code/DTC) dari ECU dan menampilkannya secara langsung pada aplikasi Android. Metode penelitian yang digunakan mencakup perancangan perangkat keras dan perangkat lunak, serta pengujian sistem terhadap sepeda motor Honda. Hasil menunjukkan bahwa sistem ini mampu membaca dan menampilkan kode DTC dengan akurasi yang cukup tinggi, meskipun terdapat keterbatasan pada pembacaan parameter data secara real-time. Sistem ini diharapkan menjadi solusi alternatif bagi bengkel kecil dalam melakukan diagnosa awal terhadap kerusakan ECU.  

Urbanisasi yang berkembang pesat telah menjadi isu utama dalam peningkatan konsumsi energi di wilayah perkotaan. Sebagian besar rumah-rumah di zona permukimam pada zaman kini juga dikonstruksi melekat satu sama lain, menyebabkan ventilasi udara alami bekerja tidak optimal dan mengharuskan para penghuni untuk menggunakan alat pengontrol termal untuk mencapai kenyamanan termal mereka. Dengan menggunakan metode eksperimen kuantitatif melalui simulasi digital, penelitian ini bertujuan untuk menyelidiki apabila bentukan rumah panggung seperti Rumah Limas Potong mampu mencapai kenyamanan termal untuk penggunaannya di masa depan. Hasil simulasi menunjukkan bahwa rumah panggung mustahil untuk meraih kenyamanan termal dengan iklim tropis terkini. Perlu dilakukan lagi eksperimen waktu-nyata pada rumah-rumah panggung dengan atau tanpa sistem pendinginan pasif untuk hasil dan akurasi yang lebih baik dalam meraih permukiman yang hemat energi.

Penyakit jantung merupakan salah satu penyakit dengan angka kematian tertinggi di negara maju bahkan dunia. Penyakit jantung dapat mengancam jiwa jika tidak ditangani dengan serius. Jumlah penderita penyakit jantung meningkat setiap tahunnya. Penyakit jantung dapat disebabkan oleh beberapa faktor, yang utama adalah konsumsi alkohol berlebihan, kebiasaan merokok, dan faktor keturunan. Penelitian ini bertujuan untuk memprediksi dan mencegah penyakit jantung sejak dini menggunakan algoritma pembelajaran mesin, yaitu regresi logistik. Data yang digunakan untuk pelatihan dan pengujian algoritma regresi logistik sebanyak 1.190 data, yang terbagi menjadi 80% data pelatihan dan 20% data pengujian. Hasil pengujian menunjukkan bahwa model dapat memprediksi dengan akurasi sebesar 86%. Setelah model dibuat, model tersebut diimplementasikan ke dalam situs web. Penelitian ini diharapkan dapat berkontribusi pada diagnostik yang dapat membantu deteksi dini penyakit jantung.

Produksi perhiasan emas PT Gemopia Indonesia melibatkan proses bombing, yang membutuhkan keakuratan tinggi untuk memastikan kualitas produk.  Beberapa kelemahan sistem pencatatan yang masih dilakukan secara manual menggunakan Microsoft Excel termasuk keterlambatan laporan, kurangnya keamanan data, dan kesalahan input yang tinggi. Tujuan penelitian ini adalah untuk mengembangkan dan membangun sistem informasi bombing emas berbasis web yang akan mempercepat proses pencatatan, meningkatkan akurasi data, dan memperbaiki alur pelaporan.  Pengembangan sistem ini menggunakan metode Waterfall, yang mencakup tahapan analisis kebutuhan, perancangan sistem menggunakan UML, pengembangan dengan framework Laravel dan database MySQL, dan pengujian dengan metode black box. Hasil pengujian menunjukkan bahwa seluruh fungsi sistem berjalan dengan baik dan sesuai dengan kebutuhan pengguna, dengan fitur seperti perhitungan otomatis, hak akses pengguna bertingkat, verifikasi dan koreksi data produksi, dan pembuatan laporan dalam format PDF. Sistem mampu menerima input, memproses data , dan menghasilkan output yang tepat dan sesuai dengan spesifikasi.Oleh karena itu, sistem ini dinyatakan layak untuk diimplementasikan secara penuh dalam rangka mendukung efisiensi dan transparansi pelaporan produksi di PT Gemopia Indonesia.

Peningkatan transaksi dalam platform e-commerce seperti Shopee menuntut adanya sistem prediksi status pesanan yang akurat, guna mengoptimalkan pelayanan dan mengurangi pembatalan maupun keterlambatan pengiriman. Penelitian ini bertujuan membangun model klasifikasi status pesanan (selesai atau batal) pada toko Stuftech.Id menggunakan algoritma C4.5. Data yang digunakan merupakan transaksi pesanan mencakup metode pembayaran, kategori wilayah pengiriman, dan ongkos kirim. Proses klasifikasi dilakukan menggunakan RapidMiner dengan tahapan preprocessing, pembangunan decision tree, dan evaluasi model. Hasil analisis menunjukkan bahwa atribut “Kategori Pulau” memiliki nilai gain tertinggi sehingga dipilih sebagai node akar. Model yang dibentuk menghasilkan akurasi sebesar 86%, dengan recall 100% untuk pesanan selesai namun hanya 6,67% untuk pesanan batal. Temuan ini mengindikasikan bahwa algoritma C4.5 efektif dalam memprediksi pesanan yang berhasil, namun perlu peningkatan dalam mendeteksi potensi pembatalan. Implementasi model ini dapat membantu pelaku usaha dalam mengambil keputusan operasional secara proaktif.

Deteksi nyeri objektif merupakan tantangan dalam dunia medis, terutama bagi pasien yang tidak mampu mengungkapkan rasa sakit secara verbal. Dengan kemajuan teknologi sensor dan kecerdasan buatan, sistem otomatis untuk mendeteksi nyeri berbasis sinyal fisiologis dan ekspresi wajah mulai dikembangkan. Studi ini bertujuan mengidentifikasi tren, metode, dan kualitas metodologis dari penelitian yang menggunakan database publik seperti BioVid Heat Pain, UNBC-McMaster, dan SenseEmotion dalam pengembangan sistem deteksi nyeri berbasis sensor. Penelitian dilakukan dengan pendekatan Systematic Literature Review (SLR) berdasarkan protokol PRISMA 2020 melalui pencarian artikel di Google Scholar dalam rentang tahun 2015–2024. Setelah seleksi berdasarkan kriteria inklusi dan eksklusi, 26 studi dimasukkan ke dalam sintesis naratif. Data dianalisis berdasarkan jenis sensor, metode algoritma, akurasi, dan ukuran sampel, serta dievaluasi menggunakan pendekatan GRADE. Hasil menunjukkan bahwa BioVid dan UNBC-McMaster adalah database paling sering digunakan, dengan sensor EDA, EMG, dan ekspresi wajah sebagai modalitas dominan. Metode klasifikasi umum mencakup CNN, SVM, dan Random Forest. Studi menyimpulkan bahwa pendekatan multimodal dan deep learning meningkatkan akurasi deteksi nyeri, namun validasi klinis dan perhatian terhadap keragaman demografis masih dibutuhkan.