Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JURNAL REKAYASA TEKNOLOGI INFORMASI Jurnal Sistem Komputer dan Informatika (JSON)
Aknes Tasia Pratama
Politeknik Negeri Sriwijaya
Computer Science & IT Control & Systems Engineering

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

Found 2 Documents
Search

 1 
Komparasi Algoritma Random Forest dan SVM dalam Klasifikasi Kondisi Aliran Air Berdasarkan Getaran MPU6050 Aknes Tasia Pratama; Ahmad Taqwa; Lindawati
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9875

Abstract

Ketersediaan informasi mengenai kondisi aliran air pada sistem distribusi masih menjadi permasalahan di beberapa wilayah, terutama pada jaringan yang tidak beroperasi secara kontinu. Penelitian ini bertujuan mengembangkan model klasifikasi kondisi aliran air pada pipa distribusi berdasarkan data getaran yang diperoleh menggunakan sensor MPU6050. Data getaran direpresentasikan melalui fitur akselerasi tiga sumbu (ax, ay, dan az) serta fitur statistik berupa mean dan Root Mean Square (RMS). Dataset yang digunakan terdiri atas 4.406 sampel yang dikelompokkan ke dalam dua kelas, yaitu kondisi air mengalir dan pipa kosong. Tahapan penelitian meliputi pra-pemrosesan data menggunakan StandardScaler, penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE), serta pelatihan model menggunakan algoritma Random Forest dan Support Vector Machine (SVM). Hasil pengujian menunjukkan bahwa Random Forest memperoleh akurasi 95,92%, presisi 96,60%, recall 96,22%, dan F1-score 96,41%, sedangkan Support Vector Machine (SVM) memperoleh akurasi 95,80%, presisi 95,50%, recall 97,21%, dan F1-score 96,35%. Hasil tersebut menunjukkan bahwa kedua algoritma mampu mengklasifikasikan kondisi aliran air dengan baik, dengan Random Forest memberikan performa keseluruhan yang sedikit lebih unggul dibandingkan Support Vector Machine (SVM). Penelitian ini menunjukkan bahwa data getaran dari sensor MPU6050 berpotensi digunakan sebagai solusi pemantauan kondisi aliran air secara non-intrusif pada sistem distribusi air.
Sistem Rekomendasi Pupuk Berdasarkan Kondisi Dan Jenis Tanah Menggunakan LightGBM Aryanti Aryanti; Aknes Tasia Pratama; Dava Anugrah Limanda; Hisanah Nakhwah Aulia Faruly; Muhammad Juan Farza Rafly Alganiyu
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 10, No 3 (2026): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v10i3.26964

Abstract

Pemupukan yang tidak tepat masih menjadi permasalahan dalam sektor pertanian karena dapat menurunkan produktivitas tanaman, meningkatkan biaya produksi, serta menyebabkan penggunaan pupuk yang kurang efisien. Oleh karena itu, diperlukan sistem rekomendasi pupuk yang dapat membantu petani menentukan jenis pupuk yang sesuai berdasarkan kondisi tanah. Penelitian ini mengembangkan sistem rekomendasi pupuk berbasis machine learning menggunakan algoritma Light Gradient Boosting Machine (LightGBM) untuk mendukung pertanian presisi. Dataset yang digunakan terdiri dari 10.000 data dengan delapan parameter input, yaitu jenis tanah (clay, silt, sandy, loamy), kelembaban tanah, pH tanah, kandungan karbon organik, serta kadar nitrogen, fosfor, dan kalium. Target prediksi terdiri dari tujuh kelas pupuk. Tahapan penelitian meliputi preprocessing (data cleaning, label encoding, dan normalisasi min-max), pembagian dataset dengan rasio 80:20, pelatihan model LightGBM dengan konfigurasi n_estimators=500 dan learning_rate=0,1, serta evaluasi menggunakan confusion matrix dan classification report. Hasil eksperimen menunjukkan akurasi sebesar 86,35% pada data pengujian. Analisis feature importance menunjukkan bahwa Soil Moisture merupakan fitur paling berpengaruh, diikuti Soil pH, Organic Carbon, dan Nitrogen Level. Model menunjukkan performa sangat baik pada kelas Urea dan DAP dengan f1-score mencapai 0,95. Hasil penelitian membuktikan bahwa LightGBM efektif untuk klasifikasi multi-kelas dalam sistem rekomendasi pupuk dan berpotensi mendukung pertanian presisi yang lebih efisien dan berkelanjutan.
Co-Authors Ahmad Taqwa Aryanti Aryanti Dava Anugrah Limanda Hisanah Nakhwah Aulia Faruly Lindawati Muhammad Juan Farza Rafly Alganiyu