Fitriyanti Fitriyanti
Universitas Pertiba

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

RANCANG BANGUN APLIKASI KUNCI PINTU OTOMATIS BERBASIS MIKROKONTROLER ARDUINO MENGGUNAKAN SMARTPHONE ANDROID Ade Septryanti; Fitriyanti Fitriyanti
CESS (Journal of Computer Engineering, System and Science) Vol 2, No 2 (2017): Juli 2017
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (882.836 KB) | DOI: 10.24114/cess.v2i2.5803

Abstract

Kunci memiliki peranan penting dalam sebuah sistem keamanan pada pintu yang merupakan akses untuk memasuki sebuah ruangan. Untuk membuka kunci pintu biasanya kita memerlukan anak kunci untuk membuka atau mengunci sebuah pintu. Tujuan dari penulisan ini adalah  dapat memberikan kenyamanan atau kemudahan dalam membuka atau mengunci pintu dengan sistem keamanan yang lebih canggih dan efisien dengan menggunakan smartphone android. Metode penelitian yang digunakan adalah metode studi pustaka, analisis dan  perancangan, kemudian dilakukan tahapan implementasi pada sistem yang telah dirancang. Hasil yang ingin dicapai adalah dapat meningkatkan aspek kenyamanan dan kemudahan bagi pengguna. Kesimpulan yang didapat adalah peralatan ini telah diuji dan dapat digunakan menggunakan smartphone android.
Prediksi Potensi Banjir Menggunakan Machine Learning Dengan Pendekatan XGBoost Dan Logistic Regression Nurita Evitarina; Fitriyanti Fitriyanti; Tri Dewi Yuni Utami
JSAI (Journal Scientific and Applied Informatics) Vol 9 No 1 (2026): Januari
Publisher : Fakultas Teknik Universitas Muhammadiyah Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36085/jsai.v9i1.9867

Abstract

Flooding is one of the most frequent natural disasters in Indonesia, causing significant material losses and casualties. This study aims to develop a flood potential prediction model based on weather data using machine learning approaches, namely XGBoost and Logistic Regression. The dataset consists of 1,513,505 weather records with 1,165 flood events (0.077%). The features include temperature, humidity, wind speed and direction, weather codes, and temporal features generated using a sliding window approach for H-1, H-2, and H-3. Data imbalance was addressed using a combination of stratified undersampling and SMOTE, changing the class ratio from 1:1,298 to 1:3.3. Experimental results show that XGBoost outperforms Logistic Regression, achieving an accuracy of 98.40%, precision of 97.93%, recall of 95.07%, and an ROC-AUC of 99.38%, while Logistic Regression achieved an accuracy of 62.77%. Feature importance analysis indicates that weather codes at H-3 and H-1 are the most influential predictors. With a low false negative rate of 4.9%, the proposed XGBoost model is considered reliable for implementation as a flood early warning system.