Garuda - Garba Rujukan Digital

p-Index From 2021 - 2026

2.282

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 ILKOMNIKA: Journal of Computer Science and Applied Informatics Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Teknik Informatika (JUTIF) Journal Research of Social Science, Economics, and Management Sewagati

Agus Budi Raharjo

Unknown Affiliation

Author-ID : 434094

Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Nursing Public Health Social Sciences Other

Published : 13 Documents Claim Missing Document

Claim Missing Document

Articles

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

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

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.

Analysis of Operational Cost Anomalies for Coal Getting and Overburden Removal in the Mining Industry Using Machine Learning Pranata, Okta Robian; Raharjo, Agus Budi
ILKOMNIKA Vol 8 No 2 (2026): Volume 8, Number 2, August 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v8i2.894

Operational costs in coal getting (CG) and overburden removal (OBR) represent the largest expenditure in coal mining, yet systematic anomaly detection remains limited. This study develops an integrated machine learning pipeline using 1,508 daily observations from a coal mining company in Indonesia (July-December 2025), integrating five operational data sources. Anomaly detection combines Isolation Forest, Local Outlier Factor, ECOD, COPOD, HBOS, and an Autoencoder under a non-circular evaluation design in which detection features and the weak ground-truth label are strictly independent. All six baselines show weak discriminative power against this weak label (AUC 0.47-0.59), with the Autoencoder narrowly the strongest (AUC=0.590). A continuous Ensemble Score, thresholded at the 95th percentile, isolates 76 candidate anomalies (5.0%) for typology classification and full-population expert validation. Validating all 76 candidates plus a 30-observation Normal control sample (106 total, blind labeling) yields Precision=0.82, Recall=1.00, F1=0.90, and Cohen's Kappa=0.71 (substantial agreement); critically, AUC against this expert label reaches 0.91, confirming that the Ensemble Score's ranking ability is genuine even though its AUC against the weak proxy label is not. Root-cause analysis identifies breakdown hours, downtime ratio, and lost time - not unit cost - as the dominant discriminators of anomalous days. Hauling costs dominate at 65.3% of total operational expenditure. A material-split regression model reduces prediction error (MAPE) from 23.80% to a weighted 16.77%, with SHAP analysis identifying operational efficiency as the primary cost driver. Seven evidence-based managerial recommendations are proposed for predictive-preventive cost management.

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 Pranata, Okta Robian Purnomo - Ramadhan, Syahrial Susanti, Lestari Indah Yorinda, Ilham Achmadi

Title

Found 13 Documents
Search

Abstract

Abstract

Abstract

Title Search

Found 13 Documents Search

Abstract

Abstract

Abstract

Title

Found 13 Documents
Search