Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Yunifa Miftachul Arif
Magister Informatika, Universitas Islam Negeri Maulana Malik Ibrahim Malang
Computer Science & IT

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

Found 2 Documents
Search

 1 
PENERAPAN AGGLOMERATIVE HIERARCHICAL CLUSTERING DALAM PENGELOMPOKAN TINGKAT KERUSAKAN BANGUNAN PASCAGEMPA Bagus Haryo Wibowo Kusumo; Agung Teguh Wibowo Almais; Yunifa Miftachul Arif; Muhammad Ainul Yaqin; Ririen Kusumawati
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17851

Abstract

Indonesia merupakan wilayah dengan aktivitas seismik tinggi yang menyebabkan variasi tingkat kerusakan bangunan pascagempa. Permasalahan dalam penelitian ini adalah belum adanya pendekatan berbasis data yang secara sistematis mampu mengelompokkan tingkat kerusakan bangunan berdasarkan parameter numerik gempa bumi. Penelitian ini bertujuan menerapkan metode Agglomerative Hierarchical Clustering untuk mengidentifikasi pola pengelompokan tingkat kerusakan bangunan pascagempa berdasarkan variabel Magnitude, Depth (km), dan Epicenter (km). Data yang digunakan sebanyak 23 kejadian gempa periode April–Mei 2021 dari Pusat Gempa Regional VII BMKG. Tahapan penelitian meliputi preprocessing, normalisasi menggunakan StandardScaler, perhitungan Euclidean Distance, serta proses penggabungan klaster menggunakan Ward Linkage. Evaluasi dilakukan menggunakan Silhouette Score dan didukung validasi eksternal menggunakan data kerusakan bangunan aktual. Hasil penelitian menunjukkan konfigurasi optimal pada dua klaster dengan nilai Silhouette Score sebesar 0,63 yang mengindikasikan struktur klaster kuat dan terpisah dengan baik. Klaster yang terbentuk merepresentasikan dua karakteristik aktivitas seismik berbeda yang berkorelasi dengan variasi tingkat kerusakan bangunan. Dengan demikian, metode Agglomerative Clustering efektif digunakan sebagai pendekatan analitik dalam mendukung mitigasi dan pengambilan keputusan kebencanaan berbasis data.
ANALISIS SENSITIVITAS ARSITEKTUR LONG SHORT-TERM MEMORY UNTUK PREDIKSI PENYINARAN MATAHARI Nor Faiza; Agung Teguh Wibowo Almais; Usman Pagalay; Ririen Kusumawati; Yunifa Miftachul Arif; Ahmad Zarkoni; Mohammad Mamba’ul Ulum
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18722

Abstract

Prediksi parameter meteorologi merupakan tantangan yang kompleks dalam bidang informatika karena tingginya variabilitas dan sifat non-linier data atmosfer. Permasalahan utama dalam studi ini adalah fluktuasi data penyinaran matahari yang sulit diidentifikasi oleh model konvensional, serta adanya risiko degradasi performa model akibat konfigurasi arsitektur dan pembagian data yang tidak optimal. Penelitian ini bertujuan untuk mengevaluasi efektivitas arsitektur jaringan Long Short-Term Memory (LSTM) dalam memprediksi kondisi cuaca harian melalui variabel Solar Radiation Average (SR Avg), Solar Radiation Maximum (SR Max), dan durasi penyinaran. Metode yang digunakan adalah eksperimen kuantitatif dengan membandingkan tiga variasi arsitektur (Model A: lapisan tunggal, Model B: stacked layer, dan Model C: deep stacked) serta pengujian terhadap tiga skenario rasio pembagian data, yaitu 70:30, 80:20, dan 90:10. Hasil eksperimen menunjukkan bahwa rasio data 70:30 menghasilkan performa paling stabil, di mana Model B menjadi arsitektur paling optimal dengan nilai Mean Absolute Error (MAE) terendah sebesar 0,072510, sementara Model A mencatat Root Mean Square Error (RMSE) terbaik sebesar 0,114368. Sebaliknya, penggunaan proporsi data latih yang ekstrem (90:10) memicu penurunan kinerja signifikan akibat gejala overfitting, sehingga pemilihan kedalaman arsitektur yang moderat dan keseimbangan distribusi data menjadi faktor kunci dalam akurasi prediksi.
Co-Authors Agung Teguh Wibowo Almais Ahmad Zarkoni Bagus Haryo Wibowo Kusumo Mohammad Mamba’ul Ulum Muhammad Ainul Yaqin Nor Faiza Ririen Kusumawati Usman Pagalay