Khairuramdhani

PANDAI helps primary-school students learn about plants. Students point the camera at a plant, and the app tells them what it is. Identified plants go into their collection, and there are also puzzles and an adventure map to learn from. Identification runs offline with MobileNet and TensorFlow Lite. The app is a working Android MVP. Accounts and progress are stored on the phone for now. Online sync with Firebase and class rankings with Supabase are planned. The project supports SDG 4 and SDG 15.

PANDAI membantu siswa SD belajar mengenal tanaman. Siswa cukup mengarahkan kamera ke tanaman, lalu aplikasi menunjukkan nama tanaman itu. Tanaman yang sudah dikenali masuk ke koleksi, dan ada juga puzzle serta peta petualangan untuk belajar. Identifikasi berjalan offline dengan MobileNet dan TensorFlow Lite. Aplikasi ini sudah berupa MVP Android yang berfungsi. Untuk sekarang, akun dan progres disimpan di ponsel. Sinkronisasi akun dengan Firebase dan peringkat kelas dengan Supabase masih direncanakan. Proyek ini mendukung SDG 4 dan SDG 15.

• Identifies plants offline with MobileNet and TensorFlow Lite
• Plant guide, collection, and learning games
• Accounts and progress stay on the device; online sync is planned

• Flutter
• Dart
• MobileNet
• TensorFlow Lite
• Local storage
• Python
• PyTorch

MEIRA is a cooking and nutrition assistant for Android that works without internet. Users take a photo of the ingredients they have. The app marks each ingredient with a number, reads the text on packages and nutrition labels, and suggests recipes from a collection of 286. Users can also ask questions by typing or speaking. The answers only use the app's own data, namely kitchen notes, the recipe book, and food data from Wikidata and USDA. The Gizi Seimbang section has a body calculator, a meal log checked against daily limits, weight tracking, and an eating window with reminders. The models behind it are D-FINE for 132 ingredient classes, PP-OCRv5 for reading text, and Qwen3.5-0.8B with a 22 MB LoRA adapter for answering. All models run on the phone, so no data leaves the device.

MEIRA adalah asisten masak dan gizi untuk Android yang bekerja tanpa internet. Pengguna cukup memotret bahan yang dimiliki. Aplikasi memberi nomor pada setiap bahan, membaca tulisan pada kemasan dan label gizi, lalu menyarankan resep dari 286 resep yang tersimpan. Pengguna juga bisa bertanya lewat ketikan atau suara. Jawabannya hanya diambil dari data di dalam aplikasi, yaitu catatan dapur, buku resep, serta data makanan dari Wikidata dan USDA. Bagian Gizi Seimbang berisi kalkulator tubuh, catatan makan yang dibandingkan dengan batas harian, pemantauan berat badan, dan jendela makan dengan pengingat. Model yang dipakai adalah D-FINE untuk 132 jenis bahan, PP-OCRv5 untuk membaca teks, dan Qwen3.5-0.8B dengan adaptor LoRA 22 MB untuk menjawab. Semua model berjalan di ponsel, jadi tidak ada data yang keluar dari perangkat.

• D-FINE detector trained on 17,265 photos from Open Images, LVIS, and Wikimedia Commons, shipped inside the APK and run with ONNX Runtime
• LoRA chat adapter for Qwen3.5-0.8B that raised fact-based accuracy from 0.67 to 0.97 on held-out questions
• Reads nutrition labels, logs meals and weight from the chat, and declines off-topic requests

• Flutter
• Dart
• D-FINE
• PP-OCRv5
• ONNX Runtime
• llama.cpp
• Qwen3.5
• LoRA
• Whisper
• PyTorch

CERDAS helps proctors monitor exams with an Android phone. The app follows the direction of a student's head: front, up, down, left, or right. If a student looks away for too long, the app marks it as a possible sign of cheating, not as proof. Detection uses a YOLOv12n model and runs on the phone without internet. Camera frames are not stored or sent anywhere, and session records stay on the device. Performance depends on the phone.

CERDAS membantu pengawas memantau ujian dengan ponsel Android. Aplikasi ini memantau arah kepala peserta, yaitu depan, atas, bawah, kiri, atau kanan. Jika peserta menoleh terlalu lama, aplikasi menandainya sebagai indikasi kecurangan, bukan bukti. Deteksi memakai model YOLOv12n dan berjalan di ponsel tanpa internet. Gambar kamera tidak disimpan atau dikirim ke mana pun, dan catatan sesi tetap berada di perangkat. Kinerjanya bergantung pada ponsel yang dipakai.

• Real-time YOLOv12n inference on Android with LiteRT
• Five head directions, without gaze tracking
• Camera frames stay private and session history stays on the device

• Python
• Ultralytics
• YOLOv12n
• Flutter
• Dart
• LiteRT
• Android

FishFeed is an automatic fish feeder for aquariums. It feeds the fish on a set schedule and monitors the tank with an ultrasonic sensor and a turbidity sensor. The device uses an ESP32 with C++ firmware built on Arduino and FreeRTOS, and an RTC keeps the schedule on time. Users can monitor and control it from a Flutter app connected to Firebase. A demo mode simulates the device, so the app can be tried without hardware.

FishFeed adalah alat pemberi pakan ikan otomatis untuk akuarium. Alat ini memberi pakan sesuai jadwal dan memantau akuarium dengan sensor ultrasonik dan sensor kekeruhan. Perangkatnya memakai ESP32 dengan firmware C++ berbasis Arduino dan FreeRTOS, dan RTC menjaga jadwalnya tetap tepat. Pengguna bisa memantau dan mengatur alat dari aplikasi Flutter yang terhubung ke Firebase. Ada juga mode demo yang menyimulasikan perangkat, jadi aplikasi bisa dicoba tanpa alat.

• C++ firmware on ESP32 with FreeRTOS multitasking
• Remote monitoring and feeding schedules through Firebase
• Demo mode with a simulated device, no setup needed

• C++
• Arduino
• ESP32
• FreeRTOS
• Sensors
• RTC
• Flutter
• Firebase

Buah-Seru is a fruit guessing game for children. A child takes a photo of an apple, orange, or banana and guesses its name first. After that, the AI shows its answer. If they disagree, the child decides who is right, and the app records how often the AI is correct. Each fruit has a card with nutrition facts per 100 g from USDA FoodData Central, benefits, and a fun fact. The CNN model was trained with TensorFlow and OpenCV and runs on the phone with TensorFlow Lite. Photos never leave the device.

Buah-Seru adalah permainan tebak buah untuk anak. Anak memotret apel, jeruk, atau pisang, lalu menebak namanya lebih dulu. Setelah itu, AI menunjukkan jawabannya. Jika jawabannya berbeda, anak yang menentukan mana yang benar, dan aplikasi mencatat seberapa sering AI tepat. Setiap buah punya kartu berisi kandungan gizi per 100 g dari USDA FoodData Central, manfaat, dan fakta menarik. Model CNN-nya dilatih dengan TensorFlow dan OpenCV, lalu dijalankan di ponsel dengan TensorFlow Lite. Foto tidak pernah keluar dari perangkat.

• Guess-first quiz: the child against an on-device CNN (TF Lite)
• Fruit cards with USDA nutrition facts
• Points, streaks, and history kept only on the phone

• Python
• OpenCV
• TensorFlow
• TF Lite
• CNN
• Flutter
• Dart

As Mechanical PIC at Robotiik, I worked on the chassis of our legged robot in Autodesk Fusion 360. I used Robotis' original design as a reference and changed several parts to fit the servos and onboard computer we use. All parts are sheet metal. The bend tables and flat patterns for fabrication were generated in Fusion 360.

Sebagai PIC Mekanik di Robotiik, saya mengerjakan sasis robot berkaki tim kami di Autodesk Fusion 360. Saya memakai desain asli Robotis sebagai acuan, lalu mengubah beberapa komponen agar sesuai dengan servo dan komputer onboard yang kami pakai. Semua komponen berbahan sheet metal. Bend table dan flat pattern untuk fabrikasi dibuat langsung dari Fusion 360.

• Adapted Robotis' chassis in Fusion 360 to our servo and onboard-computer dimensions
• Bend tables and flat patterns generated for fabrication
• Full drawing set with orthographic and isometric views and dimensions

• Autodesk Fusion 360
• Sheet Metal
• CAD
• Mechanical Design
• Technical Drawing

In this project, I trained an SVM model to tell normal heartbeats from arrhythmia. The model uses two features from ECG data, the R-R interval and the QRS duration. I started with exploratory data analysis, normalised the features, and built a scikit-learn pipeline. I then evaluated the model with a confusion matrix and a classification report. It reached 96% accuracy on the test set.

Pada proyek ini, saya melatih model SVM untuk membedakan detak jantung normal dan aritmia. Model ini memakai dua fitur dari data ECG, yaitu interval R-R dan durasi QRS. Saya memulai dengan eksplorasi data, menormalisasi fitur, lalu menyusun pipeline scikit-learn. Setelah itu, model saya evaluasi dengan confusion matrix dan classification report. Akurasinya mencapai 96% pada data uji.

• 96% accuracy on the held-out test set
• End-to-end ML pipeline with feature normalisation
• EDA, confusion matrix, and classification report

• Python
• scikit-learn
• pandas
• NumPy
• matplotlib
• Anaconda
• SVM

I implemented the K-Means algorithm from scratch in Python, without scikit-learn, to understand how it works. I used pandas and NumPy to process the data and calculate distances, and matplotlib to plot the clusters. From the plots, I looked at patterns in the waste-sorting data.

Saya membuat algoritma K-Means dari nol dengan Python, tanpa scikit-learn, untuk memahami cara kerjanya. Saya memakai pandas dan NumPy untuk mengolah data dan menghitung jarak, serta matplotlib untuk menampilkan klasternya. Dari grafik itu, saya melihat pola pada data pemilahan sampah.

• K-Means implemented from scratch (no scikit-learn)
• Vectorised distance computation with NumPy
• Cluster visualisation & data-pattern analysis

• Python
• pandas
• NumPy
• matplotlib
• Anaconda
• From scratch