Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JRST (Jurnal Riset Sains dan Teknologi)
Hindayati Mustafidah
Program Studi Teknik Informatika, Fakultas Teknik  dan Sains, Universitas Muhammadiyah Purwokerto, Indonesia
Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Engineering

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

Found 2 Documents
Search

 1 
Clustering of Rainfall Patterns in Selected Regions of Central Java Using Gaussian Mixture Models: Klasterisasi Pola Curah Hujan di Wilayah Terpilih di Jawa Tengah Menggunakan Gaussian Mixture Model Tiara Safitri; Hindayati Mustafidah; Elindra Ambar Pambudi; Maulida Ayu Fitriani
JRST (Jurnal Riset Sains dan Teknologi) Volume 10 No. 2, September 2026 :JRST
Publisher : Universitas Muhammadiyah Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/jrst.v10i2.32038

Abstract

Regional differences in rainfall characteristics, driven by varying meteorological and geographical conditions, necessitate clustering methods capable of identifying rainfall patterns more representatively. This study aims to cluster rainfall patterns in selected regions of Central Java using the Gaussian Mixture Model (GMM), based on average temperature (TAVG), average relative humidity (RH_AVG), sunshine duration (SS), and average wind speed (FF_AVG). Daily meteorological data for 2025 were obtained from the BMKG, covering Banjarnegara Regency, Cilacap Regency, Tegal Regency, and Semarang City. The research process involved data preprocessing, normalization via MinMax Scaling, GMM modeling, determining the optimal number of clusters using the Bayesian Information Criterion (BIC), and evaluating cluster quality using the Silhouette Score and Davies–Bouldin Index (DBI). The results indicate that the optimal number of clusters is eight, with a minimum BIC value of −29305.52589. Evaluations using the Silhouette Score and Davies–Bouldin Index show that Cluster 7 (Cool-Humid Pattern) exhibits consistent clustering quality across both metrics, while Cluster 5 (Cool-Very Humid Pattern) also demonstrates good cluster quality; meanwhile, characteristic analysis identified meteorological pattern differences between coastal areas—which tend to be warm and sunny—and mountainous areas, which are cooler and more humid. This study contributes by applying the Gaussian Mixture Model as a probabilistic clustering approach to identify rainfall patterns based on meteorological characteristics, while providing information that could support water resource management, the agricultural sector, and hydrometeorological disaster mitigation. ABSTRAK (Bahasa Indonesia) Karakteristik curah hujan yang berbeda antarwilayah akibat variasi kondisi meteorologi dan geografis memerlukan metode klasterisasi yang mampu mengidentifikasi pola curah hujan secara lebih representatif. Penelitian ini bertujuan melakukan klasterisasi pola curah hujan di wilayah terpilih di Jawa Tengah menggunakan Gaussian Mixture Model (GMM) berdasarkan suhu rata-rata (TAVG), kelembapan relatif (RH_AVG), lama penyinaran matahari (SS), dan kecepatan angin rata-rata (FF_AVG). Data meteorologi harian tahun 2025 diperoleh dari BMKG yang mencakup Kabupaten Banjarnegara, Kabupaten Cilacap, Kabupaten Tegal, dan Kota Semarang. Tahapan penelitian meliputi preprocessing, normalisasi menggunakan MinMax Scaling, pemodelan GMM, penentuan jumlah cluster optimal menggunakan Bayesian Information Criterion (BIC), serta evaluasi kualitas cluster menggunakan Silhouette Score dan Davies–Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah delapan cluster dengan nilai BIC terendah sebesar −29305,52589. Evaluasi menggunakan Silhouette Score dan Davies–Bouldin Index menunjukkan bahwa Cluster 7 (Pola Sejuk Lembap) memiliki kualitas pengelompokan yang konsisten pada kedua metode evaluasi, sedangkan Cluster 5 (Pola Sejuk Sangat Lembap) juga menunjukkan kualitas cluster yang baik., sedangkan analisis karakteristik mengidentifikasi perbedaan pola meteorologi antara wilayah pesisir yang cenderung hangat dan cerah dengan wilayah pegunungan yang lebih sejuk dan lembap. Penelitian ini memberikan kontribusi melalui penerapan Gaussian Mixture Model sebagai pendekatan klasterisasi berbasis probabilistik untuk mengidentifikasi pola curah hujan berdasarkan karakteristik meteorologi serta menyediakan informasi yang berpotensi mendukung pengelolaan sumber daya air, sektor pertanian, dan mitigasi bencana hidrometeorologi.
Sentiment Analysis of User Reviews of Purwokerto Station Using TF-IDF and the Random Forest Method : Analisis Sentimen Ulasan Pengguna Terhadap Stasiun Purwokerto menggunakan TF-IDF dan Metode Random Forest Diva Nur Syafika; Hindayati Mustafidah; Maulida Ayu Fitriani; Elindra Ambar Pambudi
JRST (Jurnal Riset Sains dan Teknologi) Volume 10 No. 2, September 2026 :JRST
Publisher : Universitas Muhammadiyah Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/jrst.v10i2.32087

Abstract

User reviews on Google Maps serve as a valuable source of information for evaluating the service quality of public facilities, including train stations. This study aims to analyze the sentiment of user reviews for Purwokerto Station using the Random Forest algorithm and to identify dominant Bigrams within each sentiment class to provide insights for station management. The dataset was obtained by scraping Google Maps, yielding 2,232 reviews after data cleaning. The research process involved sentiment labeling based on ratings; text preprocessing (cleaning, case folding, tokenization, non-standard word normalization, stopword removal, and single-token deduplication); and feature extraction using Bigram-based Term Frequency–Inverse Document Frequency (TF–IDF). The dataset was split into 80% training data and 20% testing data, then classified using the Random Forest algorithm. Results indicate that the model achieved 90.16% accuracy on the test data. However, evaluation revealed that while the model excelled at recognizing the positive class, it struggled to identify negative and neutral classes; this was evidenced by a Macro F1-score of 0.32 and precision, recall, and F1-score values ​​of 0.00 for both the negative and neutral classes. This outcome was driven by an imbalanced data distribution, causing the model to lean toward predicting reviews as positive. Bigram analysis showed that the phrase "clean and comfortable"  dominated positive sentiment, whereas phrases such as "waiting room" and "ticket counter staff" more frequently in negative sentiment. ABSTRAK (Bahasa Indonesia) Ulasan pengguna pada platform Google Maps menjadi salah satu sumber informasi yang dapat dimanfaatkan untuk mengevaluasi kualitas pelayanan suatu fasilitas publik, termasuk stasiun kereta api. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna Stasiun Purwokerto menggunakan algoritma Random Forest serta mengidentifikasi Bigram yang dominan pada setiap kelas sentimen sebagai bahan evaluasi bagi pengelola stasiun. Dataset diperoleh melalui scraping Google Maps dan menghasilkan 2.232 ulasan setelah melalui proses pembersihan data. Tahapan penelitian meliputi pelabelan sentimen berdasarkan rating, preprocessing text yang terdiri atas cleaning, case folding, tokenizing, normalisasi kata tidak baku, stopword removal, dan duplikasi token tunggal, kemudian dilanjutkan dengan ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF–IDF) berbasis Bigram. Dataset dibagi menjadi data pelatihan sebesar 80% dan data pengujian sebesar 20%, kemudian diklasifikasikan menggunakan algoritma Random Forest. Hasil penelitian menunjukkan bahwa model memperoleh akurasi sebesar 90,16% pada data pengujian. Namun, hasil evaluasi juga menunjukkan bahwa model memiliki kemampuan yang sangat baik dalam mengenali kelas positif, tetapi belum mampu mengidentifikasi kelas negatif dan netral, yang ditunjukkan oleh nilai Macro F1-score sebesar 0,32 serta nilai precision, recall, dan F1-score sebesar 0,00 pada kedua kelas tersebut. Kondisi tersebut dipengaruhi oleh distribusi data yang tidak seimbang sehingga model cenderung memprediksi ulasan ke kelas positif. Analisis Bigram menunjukkan bahwa frasa bersih nyaman mendominasi sentimen positif, sedangkan frasa seperti ruang tunggu dan petugas loket lebih banyak muncul pada sentimen negatif. Penelitian ini menunjukkan bahwa representasi TF–IDF Bigram mampu menangkap konteks frasa yang membedakan setiap kategori sentimen serta memberikan informasi mengenai aspek pelayanan yang paling sering diapresiasi maupun dikeluhkan oleh pengguna.  
Co-Authors Diva Nur Syafika Elindra Ambar Pambudi Maulida Ayu Fitriani Tiara Safitri