Oktaviani, Avi
Unknown Affiliation

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

Found 2 Documents
Search

ISOLASI DAN IDENTIFIKASI BAKTERI PENDEGRADASI HIDROKARBON YANG BERASAL DARI TANAH TERCEMAR MINYAK BUMI Sopiah, Nida; Oktaviani, Avi; Sulistia, Susi; Suciati, Fuji; Aviantara, Dwindrata
Jurnal Teknologi Lingkungan Vol. 12 No. 3 (2011)
Publisher : Center for Environmental Technology - Agency for Assessment and Application of Technology

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2043.663 KB) | DOI: 10.29122/jtl.v12i3.1238

Abstract

Bioremediasi tanah tercemar minyak bumi telah diatur dalam Keputusan Menteri Negara Lingkungan Hidup nomor 128 Tahun 2003. Salah satu faktor yang menentukankeberhasilan penerapan bioremediasi adalah ketersediaan mikroorganisme yang mampu mendegradasi cemaran minyak bumi. Tujuan dari penelitian ini adalah mengisolasi dan mengidentifikasi konsorsium bakteri hidrokarbonklastik dari sampel tanah tercemar minyak bumi yang diperoleh dari Riau dan Bojonegoro. Dari hasil seleksi dan optimasibakteri pada berbagai sampel tanah diperoleh empat isolate/konsorsium bakteri yang mampu mendegradasi minyak bumi, dengan kode konsorsium Ristek122-2.3;Ristek122-5; Ristek122-BN5; 122-Mix. Berdasarkan identifikasi dan uji biokimia, konsorsium bakteri terdiri dari bakteri hidrokarbonoklastik yang mampu menghasilkanbiosurfaktan. Produksi biosurfaktan mampu menurunkan tegangan permukaan sehingga bakteri hidrokarbonoklastik mampu bekerja secara optimal.
OPTIMASI ALGORITMA XGBOOST UNTUK KLASIFIKASI STATUS GIZI BALITA BB/TB MENGGUNAKAN GRIDSEARCHCV Oktaviani, Avi; Rahmat, Basuki; Kartini, Kartini
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 9 No 2 (2025)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v9i2.5601

Abstract

Masalah gizi tetap menjadi perhatian utama kesehatan masyarakat di banyak negara, termasuk Indonesia. Studi ini merancang dan mengevaluasi sistem klasifikasi otomatis untuk status gizi balita berdasarkan indikator berat badan terhadap tinggi badan menggunakan algoritma XGBoost. Dataset terdiri dari 1.763 anak Indonesia berusia 24–60 bulan, dengan status gizi dikategorikan menjadi enam kelas (gizi baik, risiko gizi lebih, gizi kurang, gizi buruk, gizi lebih, obesitas). Variabel prediktor meliputi jenis kelamin, usia dalam bulan, berat badan, tinggi badan, dan skor Z berat badan terhadap tinggi badan. Praproses meliputi pembersihan data, penghapusan duplikat, pengkodean label, standardisasi, dan pembagian data latih-uji 80:20. Model XGBoost dasar dibandingkan dengan model yang disetel menggunakan GridSearch dengan validasi silang 3-fold dan 10-fold. Kinerja dievaluasi menggunakan akurasi, presisi makro, recall makro, skor F1 makro, dan log loss. Model terbaik, XGBoost dengan GridSearch 10-fold, mencapai akurasi 0,8689, skor F1 0,8149, dan log loss 0,3395, lebih baik daripada log loss dasar sebesar 0,4190. Temuan ini menunjukkan bahwa penyetelan hyperparameter XGBoost dengan GridSearch menghasilkan prediksi probabilistik yang terkalibrasi dengan baik dan merupakan alat pendukung keputusan yang menjanjikan untuk deteksi dini kekurangan gizi dan obesitas pada balita di fasilitas perawatan kesehatan primer.