manparta (manparta)

2023: sistem berbasis mikrokontroler yang dirancang untuk membantu proses skrining awal terhadap indikasi rabies pada sapi melalui analisis karakteristik fisik dan kimia sampel air liur. Metode ini bersifat non-invasif, karena hanya memerlukan pengambilan sampel air liur tanpa prosedur yang dapat menimbulkan cedera atau stres pada hewan.

Prinsip kerja alat diawali dengan pengambilan sampel air liur sapi yang ditempatkan ke dalam gelas beaker sebagai wadah pengujian. Sampel kemudian dianalisis menggunakan dua parameter utama, yaitu konsentrasi gas amonia (NH?) dan tingkat kekeruhan (turbidity).

Deteksi gas amonia dilakukan menggunakan sensor MQ-137, yang memiliki sensitivitas terhadap gas amonia dalam udara. Sensor ini mengukur perubahan konsentrasi gas yang dilepaskan dari sampel air liur dan mengubahnya menjadi sinyal analog yang selanjutnya diproses oleh mikrokontroler Arduino Nano.

Selain pengukuran gas amonia, sistem juga melakukan analisis tingkat kekeruhan sampel menggunakan metode transmisi cahaya. Sebuah LED digunakan sebagai sumber cahaya yang memancarkan intensitas cahaya secara konstan menuju sampel air liur. Cahaya yang berhasil menembus sampel kemudian diterima oleh sensor LDR (Light Dependent Resistor) yang berada pada sisi berlawanan.

Nilai resistansi pada LDR berubah sesuai dengan intensitas cahaya yang diterima. Semakin jernih sampel air liur, semakin banyak cahaya yang diteruskan sehingga nilai pembacaan LDR menjadi lebih tinggi. Sebaliknya, apabila sampel semakin keruh akibat adanya partikel tersuspensi atau perubahan karakteristik biologis, intensitas cahaya yang diterima LDR akan berkurang sehingga menghasilkan nilai pembacaan yang berbeda. Dengan demikian, kombinasi LED dan LDR berfungsi sebagai sensor optik sederhana untuk mengukur tingkat kekeruhan sampel.

Seluruh data hasil pembacaan sensor MQ-137 dan LDR diproses oleh Arduino Nano menggunakan algoritma yang telah ditentukan. Berdasarkan nilai ambang batas (threshold) yang diperoleh melalui proses kalibrasi dan pengujian, sistem melakukan analisis terhadap kondisi sampel. Hasil analisis kemudian ditampilkan pada LCD 16�2 I2C sehingga pengguna dapat melihat informasi mengenai kadar gas amonia, tingkat kekeruhan, serta status hasil identifikasi awal.

Alat memperoleh sumber daya dari power bank sehingga bersifat portabel dan dapat digunakan di lapangan. Sebuah buck converter digunakan untuk menyesuaikan tegangan yang dibutuhkan oleh komponen, sedangkan kipas pendingin (cooling fan) berfungsi menjaga kestabilan suhu di dalam ruang sensor agar hasil pengukuran tetap konsisten dan akurat.

2026: Smart Automatic Perfume Spray Berbasis ESP32 dengan Touchscreen

Smart Automatic Perfume Spray merupakan sistem penyemprot parfum otomatis berbasis ESP32 yang dirancang untuk memberikan pengalaman penggunaan yang lebih modern, higienis, dan efisien. Sistem ini menggunakan touchscreen TFT ILI9341 sebagai antarmuka pengguna sehingga seluruh pengoperasian dilakukan melalui layar sentuh tanpa memerlukan tombol fisik.

Perangkat memanfaatkan motor stepper yang dikendalikan melalui driver A4988 sebagai mekanisme utama untuk menekan nozzle botol parfum dengan tingkat presisi yang tinggi. Selain itu, sistem juga menggunakan servo motor sebagai aktuator tambahan untuk mengatur mekanisme pendukung, seperti pengunci atau posisi penyemprotan sesuai kebutuhan desain.

Melalui antarmuka touchscreen, pengguna dapat mengaktifkan sistem, memilih jumlah penyemprotan, mengatur mode operasi, serta mengendalikan proses penyemprotan secara langsung. ESP32 bertugas sebagai pusat kendali yang memproses seluruh masukan dari layar sentuh, mengendalikan aktuator, dan menjalankan logika sistem secara real-time.

Proyek ini mengintegrasikan teknologi embedded system, human-machine interface (HMI), dan kontrol aktuator, sehingga menghasilkan sebuah prototipe perangkat otomatis yang dapat dikembangkan lebih lanjut menjadi produk komersial maupun sistem IoT.

2026: Sistem ini merupakan arsitektur pemrosesan data sensor secara real-time yang dirancang untuk melakukan analisis perubahan kondisi berdasarkan data yang diperoleh dari sensor. Data hasil pembacaan sensor dikumpulkan secara kontinu dan diproses menggunakan bahasa pemrograman C++ untuk memperoleh performa komputasi yang cepat, efisien, dan memiliki latensi rendah.

Tahap pertama dimulai dari Sensor Data, yaitu proses akuisisi data yang diperoleh dari sensor. Data yang diterima kemudian dikirim ke modul pemrosesan utama sebagai data mentah (raw data). Pada tahap ini, sistem melakukan pengelolaan data yang meliputi parameter seperti latensi, frekuensi pengambilan data, dan nilai nominal hasil pembacaan sensor.

Selanjutnya, data diproses menggunakan metode Differentiator, yaitu operasi matematika yang menghitung laju perubahan sinyal terhadap waktu. Metode ini bertujuan untuk mengidentifikasi perubahan kondisi secara cepat sehingga sistem tidak hanya mengetahui nilai sensor saat ini, tetapi juga memahami kecenderungan perubahan yang sedang terjadi.

Hasil analisis diferensial tersebut digunakan sebagai dasar dalam proses analisis kesehatan sistem atau kondisi objek yang diamati. Berdasarkan nilai perubahan yang diperoleh, sistem dapat menentukan apakah kondisi berada dalam batas normal atau menunjukkan indikasi tertentu yang memerlukan perhatian lebih lanjut.

Apabila algoritma mendeteksi adanya kondisi yang memenuhi kriteria tertentu, sistem akan menghasilkan peringatan (warning) atau notifikasi kepada pengguna. Notifikasi ini dapat berupa indikator visual, suara, maupun pengiriman informasi ke aplikasi atau sistem monitoring sehingga pengguna dapat segera melakukan tindakan yang diperlukan.

Dengan pendekatan ini, sistem mampu melakukan monitoring secara real-time, mendeteksi perubahan kondisi lebih dini, serta meningkatkan kecepatan pengambilan keputusan berdasarkan data sensor yang terus diperbarui.

2026: Merancang dan mengimplementasikan infrastruktur microservices berbasis Docker dengan Apache Kafka sebagai event-driven message broker, Prometheus untuk monitoring performa, serta Elasticsearch dan Kibana untuk centralized logging. Sistem mampu memantau komunikasi antar layanan, performa aplikasi, dan log secara real-time sehingga mempermudah proses debugging, observability, serta meningkatkan keandalan dan skalabilitas aplikasi. Proyek ini menunjukkan kemampuan dalam DevOps, containerization, monitoring, logging, dan implementasi arsitektur microservices modern.

2026: NUSAGUARD Terminal merupakan sistem Behavioral Financial Risk Intelligence yang dirancang untuk menganalisis tingkat risiko transaksi keuangan secara real-time berdasarkan perilaku pengguna. Sistem mengevaluasi berbagai parameter, seperti nominal transaksi, pola aktivitas, frekuensi transaksi, penerima baru, waktu transaksi, dan riwayat akun untuk menghasilkan skor risiko, visualisasi analitik, serta rekomendasi tindakan (intervention). Dashboard interaktif menampilkan probabilitas risiko, tren transaksi, distribusi tingkat risiko, dan riwayat analisis sehingga membantu institusi keuangan mendeteksi indikasi fraud lebih cepat, meningkatkan akurasi pengambilan keputusan, dan memperkuat sistem keamanan transaksi digital.

2026: Merancang dan mengembangkan aplikasi Core Banking berbasis ASP.NET Core yang terintegrasi dengan MongoDB Atlas sebagai basis data cloud. Sistem menerapkan arsitektur modular untuk mengelola layanan perbankan seperti autentikasi, rekening, transaksi, dan pengguna, serta dilengkapi pemantauan performa database secara real-time melalui MongoDB Metrics. Implementasi ini menghasilkan aplikasi yang aman, skalabel, dan siap mendukung kebutuhan layanan perbankan digital modern dengan performa yang optimal.