Article Per Year (5 Year)
p-Index From 2021 - 2026
0.778
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika CogITo Smart Journal Jurnal Teknik Industri : Jurnal Hasil Penelitian dan Karya Ilmiah dalam Bidang Teknik Industri JurTI (JURNAL TEKNOLOGI INFORMASI) Journal of Information Systems for Public Health
Kusrini Kusrini
Universitas AMIKOM
Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Medicine & Pharmacology Public Health

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : CogITo Smart Journal

 1 
Clustering Titik Panas Menggunakan Algoritma Agglomerative Hierarchical Clustering (AHC) Rajnaparamitha Kusumastuti; Elfandry Bayunanda; Anggi Muhammad Rifa’i; Muhamad Ryandy Ghonim Asgar; Fahma Inti Ilmawati; Kusrini Kusrini
CogITo Smart Journal Vol. 8 No. 2 (2022): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v8i2.438.501-513

Abstract

Kebakaran hutan di Indonesia setiap tahunnya masih sering terjadi. Dalam menanggulangi kebakaran hutan sendiri, para peneliti belakangan ini semakin fokus untuk melakukan pengembangan sistem yang mampu melakukan prediksi kebakaran hutan. Selain melakukan prediksi mengenai kebakaran hutan, antisipasi yang dapat dilakukan untuk membantu menangani pencegahan kebakaran hutan salah satunya adalah melakukan pengelompokkan terhadap wilayah yang memiliki potensi kebakaran. Pada penelitian ini melakukan Clusterisasi titik panas (hotspot) untuk membagi wilayah yang berpotensi untuk terbakar. Pengelompokkan wilayah dilakukan berdasarkan cluster kebakaran rendah, sedang, dan tinggi. Clusterisasi wilayah dilakukan menggunakan algoritma Agglomerative Hierarchical Clustering (AHC). Data yang digunakan pada perhitungan ini menggunakan wilayah Kalimantan Barat dengan menggunakan variable longitude, latitude, frp, confidence, dan curah hujan untuk menentukan clustering wilayah kebakaran. Tujuan dalam penelitian ini adalah untuk mengcluster titik panas kebakaran hutan berdasarkan wilayah yang berpotensi terjadi kebakaran hutan sehingga memiliki peluang untuk segera ditindaklanjuti. Dari hasil pengujian diperoleh pembentukan 2 cluster yang dimana menunjukkan terbentuk 2 pengelompokkan titik panas (hotspot) pada kelas sedang dan tinggi dengan nilai evaluasi silhouette coefficient 0,771. Kata kunci— Clustering, titik panas, Agglomerative Hierarchical Clustering
Analisis Index Vegetation Wilayah Terdampak Kebakaran Hutan Riau Menggunakan Citra Landsat-8 dan Sentinel-2 Risna Sari; Liana Trihardianingsih; Rizki Firdaus Mulya; M. Ilham Arief; Kusrini Kusrini
CogITo Smart Journal Vol. 8 No. 2 (2022): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v8i2.439.282-294

Abstract

Kebakaran hutan telah diidentifikasi sebagai salah satu isu lingkungan utama yang memiliki dampak terhadap keanekaragaman hayati dan iklim global jangka panjang. Riau merupakan salah satu wilayah di Indonesia yang sering mengalami kebakaran hutan. Upaya untuk memulihkan hutan pasca kebakaran dapat dilakukan dengan pengawasan lahan seperti mengamati tingkat vegetasi pada kawasan kebakaran. Dalam penelitian ini, dilakukan analisis untuk mengklasifikasikan tingkat vegetasi kawasan pasca kebakaran dengan memanfaatkan indeks vegetasi dengan tujuan mengetahui tingkat vegetasi pasca kebakaran pada wilayah rawan kebakaran di kabupaten Riau. Model yang digunakan pada penelitian ini memakai algoritma Random Forest dan variabel penentu yang digunakan adalah NDVI, NBR, EVI, dan SAVI. Penelitian ini dilakukan dengan menggunakan 2 citra satelit, yaitu Citra Landsat 8 dan Sentinel-2. Dasaset yang didapatkan menggunakan landsat-8 adalah 1871 data, sedangkan dengan menggunakan sentinel-2 diperoleh 606 data. Akurasi data testing maksimal yang diperoleh dengan menggunakan landsat-8 adalah sebesar 99%, sedangkan dengan menggunakan sentinel-2, diperoleh akurasi maksimal sebesar 94%.
Implementasi Algoritma Convolutional Neural Network Dan Linear Regresi Untuk Memprediksi Kebakaran Hutan Fajar Sodik; Ahmad Sanusi Mashuri; Syaiful Huda; Kusrini Kusrini; Khusnawi Khusnawi
CogITo Smart Journal Vol. 9 No. 1 (2023): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v9i1.401.28-37

Abstract

Kebakaran hutan dan lahan merupakan salah satu masalah lingkungan dalam hal ekonomis dan ekologis yang merugikan. Jumlah hotspot kebakaran hutan dia Provinsi Jawa Timur telah meningkat secara dramatis menyebabkan kabut asap yang berbahaya. Penelitian ini bertujuan untuk mengklasifikasi kebakaran hutan dan lahan di Kabupaten Kediri Jawa Timur. Model klasifikasi kebakaran hutan menggunakan algoritma Convolutional Neural Network dan Linier Regresi. Atribut yang digunakan untuk klasifikasi terdiri dari suhu dan api. Klasifikasi suhu menghasilkan nilai Mean Precentage Absolute Error pada algoritma regresi Linear sebesar 3% dan akurasi 90% pada algoritma Convolutional Neural Network. Dengan demikian, dapat disimpulkan bahwa model klasifikasi menggunakan Convolutional Neural Network dan Linier Regresi memiliki potensi untuk digunakan secara efektif sehingga dapat membantu pihak berwenang dalam mencegaha kebakaran hutan dan lahan.
Co-Authors Agatha Deolika Ahmad Sanusi Mashuri Amrina Rosyada Anggi Muhammad Rifa'i Asro Nasiri Christin Nandari Dengen Elfandry Bayunanda Emha Taufiq Luthfi Fahma Inti Ilmawati Fajar Sodik Khusnawi Khusnawi Liana Trihardianingsih Lutfan Lazuardi M. Ilham Arief Muhamad Ryandy Ghonim Asgar Nurcahyo, Azriel Christian Rajnaparamitha Kusumastuti Risna Sari Rizal Sapta Dwi Harjo Rizki Firdaus Mulya Syaiful Huda