Article Per Year (5 Year)
p-Index From 2021 - 2026
2.177
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi Karya Ilmiah S.1 Ilmu Keperawatan Jurnal Teknologi Informasi dan Ilmu Komputer Briliant: Jurnal Riset dan Konseptual Business and Finance Journal Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Teknik Informatika (JUTIF) Journal Research of Social Science, Economics, and Management Sewagati
Agus Budi Raharjo
Unknown Affiliation
Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Dentistry Economics, Econometrics & Finance Education Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Nursing Public Health Social Sciences Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Random Forest Regression Untuk Prediksi Produksi Daya Pembangkit Listrik Tenaga Surya Raharjo, Agus Budi; Ardianto, Ardianto; Purwitasari, Diana
BRILIANT: Jurnal Riset dan Konseptual Vol 7 No 4 (2022): Volume 7 Nomor 4, November 2022
Publisher : Universitas Nahdlatul Ulama Blitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (935.32 KB) | DOI: 10.28926/briliant.v7i4.1036

Abstract

Pembangkit listrik tenaga surya (PLTS) menjadi solusi yang paling popular dan diterapkan dibanyak negara. Namun interkoneksi PLTS ke sistem jaringan transmisi listrik menghadirkan permasalahan kepada operator jaringan dikarenakan memiliki sifat fluktuasi dalam menghasilkan energi listrik. Faktor-faktor yang berpotensi mempengaruhi sifat fluktuasi energi listrik adalah meteorologi dan parameter cuaca. Salah satu langkah mitigasi untuk mengatasi kondisi tersebut yaitu dengan memprediksi produksi keluaran daya PLTS. Penelitian ini mengajukan metode prediksi produksi daya dengan pra-proses data, penerapan model regresi, serta penentuan skenario uji coba. Data histori PLTS berasal dari sistem SCADA selama setahun yang terdiri atas faktor nilai produksi keluaran daya, radiasi, suhu lingkungan, suhu peralatan, dan kecepatan angin. Data yang telah diolah selanjutnya dimodelkan menggunakan algoritma Random Forest Regression (RFR). Dalam proses pemodelan dilakukan skenario pengaturan beberapa parameter, seperti proses perbaikan hilang rekam, normalisasi data dan filter produksi. Evaluasi dilakukan dengan menganalisis perbandingan kinerja setiap algoritma beserta kombinasi skenarionya. Hasil eksperimen menunjukkan bahwa RFR mempunyai kinerja tinggi dengan nilai R2 sebesar 0.9679 dan RMSE sebesar 0.0438. Pemilihan skenario yang tepat terbukti memberi peningkatan kinerja akurasi sebesar RFR 2,90%.
Analisis Laporan Gangguan Pelanggan Menggunakan Kombinasi Regresi Linear Berganda dan Klasifikasi Decision Tree Untuk Penentuan Komposisi Tim Yantek (Studi Kasus PLN UP3 Makassar Selatan) Raharjo, Agus Budi; Budiyono, Yanuardhi Arief; Purwitasari, Diana
BRILIANT: Jurnal Riset dan Konseptual Vol 7 No 4 (2022): Volume 7 Nomor 4, November 2022
Publisher : Universitas Nahdlatul Ulama Blitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (464.949 KB) | DOI: 10.28926/briliant.v7i4.1037

Abstract

PT PLN (Persero) terus berupaya meningkatkan layanan kepada pelanggan dalam hal durasi penanganan laporan gangguan pelanggan melalui implementasi command center. Dengan total pelanggan 549.649, command center PLN UP3 Makassar Selatan bertujuan untuk memusatkan pemantauan laporan gangguan pelanggan dan pengaturan petugas pelayanan teknik di lapangan untuk mempercepat durasi penanganan laporan gangguan pelanggan. Dalam rentang waktu tiga tahun sejak Januari 2019 hingga Desember 2021, PLN UP3 Makassar Selatan memiliki laporan gangguan pelanggan sebanyak 225.309 laporan. Penelitian ini bertujuan untuk memprediksi pemenuhan durasi penanganan laporan gangguan sesuai penetapan target kinerja UP3 Makassar Selatan. Analisis prediksi menggunakan metode Regresi Linear pada variabel jumlah laporan dengan target durasi penanganan gangguan pada data laporan gangguan pelanggan yang bersumber dari Aplikasi Keluhan dan Pelayanan Terpadu (APKT). Selanjutnya klasifikasi menggunakan metode Decission Tree untuk mengetahui durasi penanganan gangguan memenuhi target kinerja atau tidak. Hasil penelitian menunjukkan bahwa metode yang diajukan memberikan kinerja yang baik berdasarkan evaluasi Coefficient of Determination (R2), Root Mean Square Error (RMSE), dan ROC Curve. Model yang dibangun diharapkan dapat diimplementasikan kedalam sistem pengaturan petugas teknik sehingga memberikan komposisi jumlah tim untuk menurunkan durasi penanganan laporan gangguan.
Development of a transformer asset management dashboard in upstream oil and gas companies through ABC and FSN analysis Susanti, Lestari Indah; Raharjo, Agus Budi
Journal Research of Social Science, Economics, and Management Vol. 4 No. 12 (2025): Journal Research of Social Science, Economics, and Management
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jrssem.v4i12.925

Abstract

Upstream oil and gas companies face challenges in managing transformer asset data that is vital to operations. The complexity of manual data and transformer information makes it difficult to make optimal decisions. This study aims to develop an effective transformer asset management dashboard using FSN (Fast-Slow-Non Moving) and ABC (Analysis Based Costing) analysis. The research methodology includes identifying system needs, collecting data through observation and interviews, developing solutions using Microsoft Power BI, and testing the User Acceptance Test (UAT). The results showed that the dashboard successfully integrated transformer data with real-time visualization including availability status (2,124 units available, 4,305 ready line units, 2,181 units not ready), ABC-FSN classification (AF 30%, BS 20%, AS 10%, CN 40%), and monthly stock trends. The UAT evaluation of 17 respondents showed an average score of 4.5 with a very appropriate category in the aspects of functional suitability, usability, performance efficiency, reliability, accuracy, visual design, and user satisfaction. Dashboards integrated with the Microsoft 365 ecosystem enable real-time access and support data-driven decision-making for transformer asset management optimization.
Prediction of OPC Cement Compressive Strength Based on Cement Chemical and Physical Parameters Using Machine Learning Techniques Ramadhan, Syahrial; Raharjo, Agus Budi
Journal Research of Social Science, Economics, and Management Vol. 4 No. 12 (2025): Journal Research of Social Science, Economics, and Management
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jrssem.v4i12.959

Abstract

This study aims to develop machine learning models to predict the 28-day compressive strength of Ordinary Portland Cement (OPC) based on chemical and physical parameters. The ultra-competitive cement industry requires companies to innovate continuously, but the conventional testing process takes at least 28 days, making product customization inefficient. This research proposes using machine learning techniques to accelerate this process. The predictive parameters include chemical components (C3S, C2S, C4AF, SiO2, etc.) and physical properties (Blaine, Residue, LOI, etc.) of OPC cement. The modeling was performed using random forest, gradient boosting, and artificial neural network algorithms. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and R-squared values. The study used 1,570 valid data points from cement quality testing at PT Semen Gresik. Results show that the random forest method provides the highest coefficient of determination of 0.856 with RMSE of 13.086 kg/cm² and MAE of 10.784 kg/cm². The most significant attributes affecting prediction are CaO, Insol, SiO2, MgO, Al2O3, and SO3. Performance can be further enhanced through hyperparameter tuning using grid search method, achieving a coefficient of determination of 0.976 with RMSE of 6.118 kg/cm² and MAE of 5.198 kg/cm². This research contributes to accelerating cement quality control processes and supports faster product development in the cement industry.
Co-Authors Aji, Adam Sekti Apriantoni, Apriantoni Ardianto Ardianto Budiyono, Yanuardhi Arief Diana Purwitasari Diana Purwitasari Dwi Heppy Rochmawati Dwi Sunaryono Fajar Baskoro Frangky Rawung Maheswari, Clarissa Luna Mohamed Quafafou Purnomo - Ramadhan, Syahrial Susanti, Lestari Indah Yorinda, Ilham Achmadi