Claim Missing Document
Check
Articles

Found 23 Documents
Search

Analisis Variasi Diurnal Gaya Angkat Pesawat di Bandar Udara Internasional Yogyakarta Tahun 2020 Musyaffa, Faqih; Saputra, Agung Hari; Hariadi, Hariadi; Sagita, Novvria
WARTA ARDHIA Vol. 49 No. 2 (2023)
Publisher : Sekretariat Badan Kebijakan Transportasi, Kementerian Perhubungan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25104/wa.v49i2.515.96-101

Abstract

Informasi meteorologi diperlukan operator penerbangan untuk mendukung pesawat saat penerbangan, lepas landas, dan mendarat di landasan pacu. Operator penerbangan perlu memahami variasi unsur cuaca permukaan diurnal meliputi suhu udara permukaan, tekanan udara permukaan, dan gaya angkat pesawat untuk mendukung aktivitas penerbangan. Penelitian ini menganalisis variasi diurnal gaya angkat pesawat di Bandar Udara Internasional Yogyakarta selama periode bulan Januari-Desember tahun 2020. Pengolahan data pengamatan AWOS dilakukan secara statistik dengan perhitungan analisis bivariat secara deskriptif. Airbus A320 merupakan pesawat yang dipilih untuk menghitung gaya angkat pesawat di landasan pacu 11 dan 29. Suhu udara tertinggi sekitar 29,7°C terjadi pada pukul 06.00 UTC dan terendah sekitar 24,5°C pada pukul 23.00 UTC. Tekanan udara permukaan tertinggi sekitar 1.010,8 hPa terjadi pada pukul 02.00 UTC dan terendah sekitar 1.007,2 hPa pada pukul 09.00 UTC. Gaya angkat pesawat tertinggi sekitar 12.853 N terjadi pada pukul 23.00 UTC dan terendah sekitar 10.527 N pada pukul 06.00 UTC. Kondisi dan waktu terbaik untuk melakukan pendaratan dan lepas landas pada pukul 13.00-23.00 UTC saat terjadi gaya angkat maksimum.
Uji Keakuratan Kinerja Tiga Tree-Based Model Berbasis Classification dalam Memprediksi Kualitas Udara di Daerah Khusus Jakarta Adzan, Muhizzadin Abdul; Aritonang, Binsar Hakim; Saputra, Agung Hari
Rekayasa Hijau : Jurnal Teknologi Ramah Lingkungan Vol 9, No 2 (2025)
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/jrh.v9i2.113-122

Abstract

Beberapa dekade terakhir, isu kualitas udara menjadi masalah di kota-kota besar di dunia, terutama Daerah Khusus Jakarta. Penelitian ini membandingkan performa dari tiga tree-based model random forest (RF), extra trees (ET), dan gradient boosting classifier (GBC) dalam memprediksi kualitas udara di Daerah Khusus Jakarta dengan mengguankan data Automatic Weather Station BMKG dan ISPU Daerah Khusus Jakarta selama 2018 – 2021. Penelitian ini bertujuan untuk menentukan pemodelan terbaik serta mencari faktor terpenting yang memengaruhi kualitas udara di Daerah Khusus Jakarta berdasarkan nilai accuracy, precision, recall, f1-score, confusion metrics, dan (receiver operating characterist) ROC/AUC serta pengujian terhadap parameter menggunakan feature importance plot. Berdasarkan feature importance plot dari ketiga model tersebut menunjukan bahwa parameter IPSU O3 merupakan parameter yang sangat memengaruhi kualitas udara, serta arah dan kecepatan angin merupakan faktor meteorologis yang paling memengaruhi kualitas udara. Berdasarkan pengujian keakuratan model tersebut menujukan nilai yang hampir sama antara ketiga tree-based model tersebut dengan nilai accuracy 0.8646 – 0.8821, precision 0.8755 – 0.8870, recall 0.8646 – 0.8821, f1-score 0.8674 – 0.8816 serta AUC 0.9286 – 0.9441. Berdasarkan ketiga tree-based model tersebut, model random forest (RF) menunjukan kemapuan terbaik dibandingkan dengan dua model lainnya dengan nilai accuracy 0.8821, precision 0.8870, recall 0.8821, f1-score 0.8816, dan AUC 0.9425.
Perbandingan Model Decision Tree untuk Prediksi Intensitas Hujan di Juanda, Sidoarjo, Jawa Timur Taufiqi, Rafli Iqbal; Pramuji, Veimas Mahardika; M. Arifudin, M. Arifudin; Saputra, Agung Hari
Jurnal Sains & Teknologi Lingkungan Vol. 17 No. 1 (2025): SAINS & TEKNOLOGI LINGKUNGAN
Publisher : Teknik Lingkungan Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20885/jstl.vol17.iss1.art2

Abstract

Rainfall intensity is one of the key parameters in climate dynamics and is strongly associated with the increasing occurrence of hydrometeorological disasters. This study aims to evaluate and compare the performance of three decision tree–based machine learning models in predicting rainfall intensity in the Juanda region, Sidoarjo, East Java. The data used consist of daily weather observations from the Juanda Class I Meteorological Station during the period 2018–2022, covering 13 meteorological variables. The models compared include the Extra Trees Classifier, Random Forest Classifier, and XGBoost Classifier, with performance evaluation based on accuracy, precision, recall, F1 score, and Area Under the Curve (AUC). The results indicate that the Extra Trees Classifier demonstrates the best performance, with an accuracy of 0.8123; precision of 0.8151; recall of 0.8123; AUC of 0.9158; and F1 score of 0.8126. Relative humidity (Rh) was identified as the most influential variable in predicting rainfall intensity across all three models. These findings provide further insights into the relationship between daily weather parameters and rainfall intensity and contribute to the development of more accurate predictive systems as a basis for hydrometeorological disaster mitigation in the study area.