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)
Ahmad Zarkoni
Stasiun Geofisika Malang, Badan Meteorologi Klimatologi dan Geofisika
Computer Science & IT

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

Found 2 Documents
Search

 1 
CLUSTERING POLUSI UDARA BERDASARKAN FACTOR METEOROLOGI BERBASIS PRINCIPAL COMPONENT ANALYSIS Maimuna Syariefatussholeh; Agung Teguh Wibowo Almais; Ririen Kusumawati; M. Amin Hariyadi; M. Faisal; 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.v10i3.18721

Abstract

Polusi udara di wilayah urban, khususnya Kota Malang, telah mencapai tingkat yang mengkhawatirkan dengan konsentrasi PM2.5 yang sering kali melebihi ambang batas aman WHO. Kompleksitas interaksi antara polutan dan faktor meteorologi lokal menuntut adanya pendekatan analisis yang lebih cerdas dan holistik dibandingkan metode konvensional. Penelitian ini bertujuan untuk mengidentifikasi pola pengelompokan polusi udara di Kota Malang melalui pengembangan model pelabelan otomatis secara unsupervised. Metode yang diimplementasikan adalah integrasi Principal Component Analysis (PCA) dan teknik clustering untuk mereduksi dimensi data meteorologi multidimensi menjadi komponen utama yang esensial. Data historis PM2.5 dan enam variabel cuaca (suhu, kelembapan, curah hujan, penyinaran matahari, dan kecepatan angin) periode 2024 dari stasiun BMKG diproses melalui tahapan normalisasi StandardScaler, ekstraksi nilai eigen, hingga penentuan klaster berdasarkan ambang batas PC1. Hasil penelitian menunjukkan bahwa penggunaan dua komponen utama (PC1 dan PC2) mampu menjelaskan 66,76% variansi data asli dan berhasil membagi kondisi kualitas udara ke dalam dua kategori, yaitu "Kondisi Normal" dan "Kondisi Ekstrem". Validasi menggunakan Silhouette Score sebesar 0,87 menunjukkan bahwa klaster yang terbentuk memiliki kepadatan dan pemisahan yang sangat baik. Model ini terbukti efektif sebagai instrumen pelabelan otomatis untuk mendukung sistem mitigasi risiko kesehatan masyarakat dan kebijakan pengendalian kualitas udara yang lebih terukur.
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 M. Amin Hariyadi M. Faisal Maimuna Syariefatussholeh Mohammad Mamba’ul Ulum Nor Faiza Ririen Kusumawati Usman Pagalay Yunifa Miftachul Arif