Article Per Year (5 Year)
p-Index From 2021 - 2026
3.558
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) Proceedings of KNASTIK TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Jurnas Nasional Teknologi dan Sistem Informasi Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Seminar Nasional Teknologi Informasi Komunikasi dan Industri JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI ILKOM Jurnal Ilmiah SISFO International Journal of Social Science and Business Data Science: Journal of Computing and Applied Informatics ILKOMNIKA: Journal of Computer Science and Applied Informatics Sewagati Jurnal Teknik Elektro dan Komputer Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika
Ahmad Muklason
Institut Teknologi Sepuluh Nopember
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Public Health Social Sciences Other

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : ILKOMNIKA: Journal of Computer Science and Applied Informatics

 1 
Machine Learning untuk Peramalan Kualitas Indeks Standar Pencemar Udara DKI Jakarta dengan Metode Hibrid ARIMAX-LSTM Diaz Perdana; Ahmad Muklason
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 5 No 3 (2023): Volume 5, Nomor 3, Desember 2023
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v5i3.588

Abstract

Polusi udara merupakan tantangan lingkungan global yang signifikan, menyebabkan dampak serius terhadap kesehatan masyarakat tidak terkecuali di Jakarta. Dengan Indeks Standar Pencemaran Udara (ISPU) sebagai parameter utama untuk memantau kualitas udara. Meskipun ISPU memberikan informasi saat ini, informasi yang diberikan untuk kualitas udara di masa mendatang masih terbatas. Oleh karena itu, diperlukan pendekatan yang lebih canggih, dan salah satu metode yang menjanjikan adalah menggunakan teknik machine learning (ML). Metode ML telah terbukti efektif dalam pemantauan dan peramalan kualitas udara. Namun, untuk meningkatkan akurasi peramalan, pendekatan hibridisasi, seperti menggabungkan dua model telah diusulkan. Pendekatan ini dapat memberikan deteksi pola yang lebih komprehensif dan meningkatkan akurasi hasil peramalan. Penelitian ini bertujuan untuk memprediksi ISPU di DKI Jakarta menggunakan model hibrid ARIMAX-LSTM. Data polusi udara dari tahun 2012 hingga 2022 akan digunakan, bersama dengan variabel eksternal seperti volume kendaraan, temperatur, kelembapan, dan kecepatan angin. Model ini mampu menghasilkan model prediksi dengan RMSE 13.00; 20.51; dan 17.10 untuk masing-masing polutan PM10, PM2.5, dan O3. Sedangkan metriks MAPE yang dihasilkan dari model hibrid adalah 0.1916; 0.1917; dan 0.2869 untuk masing-masing polutan PM10, PM2.5, dan O3. Model hibrid mampu menghasilkan model prediksi yang lebih baik dari model ARIMAX itu sendiri.
Penerapan Metode Hybrid LSTM dan Seasonal Decomposition untuk Peramalan Permintaan Tiket Harian PT KAI Yunianto, Rahmanizar Maksum; Muklason, Ahmad
ILKOMNIKA Vol 7 No 2 (2025): Volume 7, Number 2, August 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i2.733

Abstract

Peramalan permintaan tiket harian berperan penting dalam mendukung efisiensi operasional dan peningkatan kualitas layanan transportasi, termasuk pada kereta api. Penelitian ini membangun model peramalan permintaan tiket Kereta Api 1 Argo Bromo Anggrek dengan teknik machine learning yang menggabungkan pendekatan hibrida metode dekomposisi deret waktu dan algoritma Long Short-Term Memory (LSTM). Metode dekomposisi deret waktu memisahkan data menjadi komponen trend, seasonal, dan residual yang dianalisis secara terpisah guna memahami pola permintaan secara lebih mendalam. Hasil menunjukkan bahwa komponen trend memiliki korelasi kuat terhadap permintaan dan berperan penting dalam model peramalan. Model LSTM yang dikembangkan menunjukkan performa baik dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 7,53% pada data uji. Model yang dihasilkan dapat dimanfaatkan untuk mendukung perencanaan operasional PT Kereta Api Indonesia (PT KAI). Pengembangan selanjutnya disarankan untuk mempertimbangkan variabel eksternal seperti hari libur, cuaca, dan kebijakan harga, serta diarahkan untuk mendukung sistem manajemen tarif dinamis (dynamic pricing) guna mengoptimalkan pendapatan dan efisiensi layanan.
Co-Authors Adi Suryani, Adi Aelisa Nailin Nabila Agung Premananda, I Gusti Ahlan Robbani, Shof Rijal Alda Muhammad Sulaiman Amalia Utamima Amalinda Jayanty Angelita Depari, Helena Arif Djunaidy Arif Nuriman, Muhammad Berto Mulia Wibawa Diaz Perdana Emral Hakim Endarko Endarko Eskalalita, Eskalalita Fabroyir, Hadziq Faizal Mahananto Fajar Kurnia Malays Feby Artwodini Muqtadiroh Firdaus, Anang Grandys Frieska Prassida Hanif Mitsal Mahatta Hardhika Propitadewa I Gusti Agung Premananda I Gusti Agung Premananda Indraswari, Rarasmaya Ita Ulfin Jeremy Diaz Prasetyo Jihaan Harvi Habibah Lailatul Qadariyah Laura Wilhelmina Theresia M. Fiqri Ananda Marom, Ahsanul Mashuri Mashuri Mochamad Zidan Aqila Kamil Muhammad Ali Fikri Muhammad Aliffiro Naufal Muhammad Arif Nuriman Muhammad Daffa Maulana Muhammad Hisyam Muhammad Reza Pahlawan Naufal Rafiawan Basara Nazriyah Deni Tsaniyah Nur Aini Rakhmawati Nur Khofifah Nur Laila Nur Nindya Risnina Premananda, I Gusti Agung Putri, Malfa Liya Rahadiantino, Lienggar Rahma Fauzia Rahmawati, Deti Rahmawati, Deti Raras Tyas Nurita Raras Tyasnurita Retno A. Vinarti Retno Aulia Vinarti Riksakomara, Edwin Rizal Risnanda Hutama Septica Tiara Indah Permatasari Setiawan Setiyo Gunawan Soedarso Soedarso Soedarso Soedarso Soedarso, Soedarso Supoyo, Vicha Azthanty Supoyo, Vicha Azthanty Sutikno Tendio, Yusnardo Tri Achmadi Tsani Nahdliyah Ulya, Athiyatul Vicha Azthanty Supoyo Wiwik Anggraeni Wiwik Anggraeni Yunianto, Rahmanizar Maksum