Article Per Year (5 Year)
p-Index From 2021 - 2026
2.932
P-Index
This Author published in this journals
All Journal Jurnal Pengabdian Kepada Masyarakat (Indonesian Journal of Community Engagement) KURVATEK Aviation Electronics, Information Technology, Telecommunications, Electricals, Controls (AVITEC) Jurnal Abdi Insani SPEKTA (Jurnal Pengabdian Kepada Masyarakat : Teknologi dan Aplikasi) DEVICE JOMPA ABDI: Jurnal Pengabdian Masyarakat STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Prosiding Seminar Nasional Rekayasa Teknologi Industri dan Informasi ReTII
Bagus Gilang Pratama, Bagus Gilang
Institut Teknologi Nasional Yogyakarta
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Social Sciences Transportation Other

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : DEVICE

 1 
Pemodelan Artificial Neural Network (ANN) Untuk Identifikasi Bangunan Daerah Rawan Longsor Sely Novita Sari; Bagus Gilang Pratama; Rizqi Prastowo
Device Vol 14 No 1 (2024): Mei
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/device.v14i1.6701

Abstract

Identifikasi bangunan daerah rawan longsor adalah suatu hal yang penting dalam mitigasi bencana alam. Longsor dapat terjadi di mana saja dan kapan saja, dan dapat menyebabkan kerugian yang besar baik dari segi manusia maupun materiil (fadli dkk, 2023). Oleh karena itu, penting untuk mengidentifikasi bangunan yang berada di daerah rawan longsor agar dapat mengambil tindakan pencegahan yang tepat. Metode yang dapat digunakan untuk identifikasi bangunan di daerah rawan longsor adalah artificial neural network (ANN). ANN adalah suatu model komputasi yang terinspirasi dari sistem saraf biologis yang terdiri dari sejumlah unit pemrosesan sederhana yang disebut neuron. ANN dapat belajar dari data dan menyesuaikan bobot koneksi antar neuron untuk menghasilkan keluaran yang diinginkan. ANN memiliki kemampuan untuk mengenali pola, mengklasifikasikan data, dan memprediksi hasil. Berdasarkan analisis data klasifikasi dinding sederhana di Kecamatan Kalirejo, Kecamatan Kokap, Kabupaten Kulon Progo, Yogyakarta, menggunakan Artificial Neural Network (ANN), presentase prediksi setiap data dari pemodelan ANN menunjukkan bahwa indikator Bangunan Tidak Aman mencapai 100%, dengan 89% prediksi Bangunan Aman, dan 82,7% prediksi Bangunan Aman berdasarkan History Accuracy. Hasil tersebut diukur dengan merujuk pada kurva model validasi yang semakin meningkat dan stabil, mencapai nilai akurasi rata-rata di atas 80%, yakni sebesar 88%.
Kolaborasi Jaringan Saraf Tiruan (JST) Dalam Identifikasi Prioritas Penanganan Pemeliharaan Jalan Kabupaten Sely Novita Sari; Bagus Gilang Pratama; ircham ircham
Device Vol 14 No 1 (2024): Mei
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/device.v14i1.6702

Abstract

Pemeliharaan jalan kabupaten menjadi elemen krusial dalam pembangunan infrastruktur dan pertumbuhan ekonomi di daerah. Kendati begitu, keterbatasan anggaran dan sumber daya manusia menyebabkan banyak jalan kabupaten mengalami kerusakan yang memerlukan penanganan pemeliharaan yang efektif. Dalam rangka mengidentifikasi prioritas pemeliharaan, digunakan metode Jaringan Saraf Tiruan (JST), sebuah teknologi kecerdasan buatan yang mampu mempelajari pola dari data dan mengklasifikasikan informasi baru. JST dapat memproses data kompleks, non-linear, dan tidak pasti, sehingga cocok untuk estimasi biaya, peramalan, klasifikasi, dan optimasi. Hasil analisis data menggunakan JST menunjukkan tingkat akurasi prediksi Prioritas Mutlak Penting sebesar 100%, sementara untuk Prediksi Prioritas Sangat Penting, Prioritas Cukup Penting, dan Prioritas Sedikit Penting masing-masing mencapai 66,7%. Prediksi Prioritas Tidak Penting juga mencapai 100%, dengan menggunakan History Accuracy sebagai acuan. Dengan demikian, pemodelan ini memberikan presentase prediksi untuk setiap kategori prioritas pemeliharaan jalan kabupaten, memberikan dasar informasi yang berguna untuk pengambilan keputusan.
Pemodelan Artificial Neural Network (ANN) Untuk Identifikasi Bangunan Daerah Rawan Longsor Sari, Sely Novita; Pratama, Bagus Gilang; Prastowo, Rizqi
Device Vol 14 No 1 (2024): Mei
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/device.v14i1.6701

Abstract

Identifikasi bangunan daerah rawan longsor adalah suatu hal yang penting dalam mitigasi bencana alam. Longsor dapat terjadi di mana saja dan kapan saja, dan dapat menyebabkan kerugian yang besar baik dari segi manusia maupun materiil (fadli dkk, 2023). Oleh karena itu, penting untuk mengidentifikasi bangunan yang berada di daerah rawan longsor agar dapat mengambil tindakan pencegahan yang tepat. Metode yang dapat digunakan untuk identifikasi bangunan di daerah rawan longsor adalah artificial neural network (ANN). ANN adalah suatu model komputasi yang terinspirasi dari sistem saraf biologis yang terdiri dari sejumlah unit pemrosesan sederhana yang disebut neuron. ANN dapat belajar dari data dan menyesuaikan bobot koneksi antar neuron untuk menghasilkan keluaran yang diinginkan. ANN memiliki kemampuan untuk mengenali pola, mengklasifikasikan data, dan memprediksi hasil. Berdasarkan analisis data klasifikasi dinding sederhana di Kecamatan Kalirejo, Kecamatan Kokap, Kabupaten Kulon Progo, Yogyakarta, menggunakan Artificial Neural Network (ANN), presentase prediksi setiap data dari pemodelan ANN menunjukkan bahwa indikator Bangunan Tidak Aman mencapai 100%, dengan 89% prediksi Bangunan Aman, dan 82,7% prediksi Bangunan Aman berdasarkan History Accuracy. Hasil tersebut diukur dengan merujuk pada kurva model validasi yang semakin meningkat dan stabil, mencapai nilai akurasi rata-rata di atas 80%, yakni sebesar 88%.
Kolaborasi Jaringan Saraf Tiruan (JST) Dalam Identifikasi Prioritas Penanganan Pemeliharaan Jalan Kabupaten Sari, Sely Novita; Pratama, Bagus Gilang; ircham, ircham
Device Vol 14 No 1 (2024): Mei
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/device.v14i1.6702

Abstract

Pemeliharaan jalan kabupaten menjadi elemen krusial dalam pembangunan infrastruktur dan pertumbuhan ekonomi di daerah. Kendati begitu, keterbatasan anggaran dan sumber daya manusia menyebabkan banyak jalan kabupaten mengalami kerusakan yang memerlukan penanganan pemeliharaan yang efektif. Dalam rangka mengidentifikasi prioritas pemeliharaan, digunakan metode Jaringan Saraf Tiruan (JST), sebuah teknologi kecerdasan buatan yang mampu mempelajari pola dari data dan mengklasifikasikan informasi baru. JST dapat memproses data kompleks, non-linear, dan tidak pasti, sehingga cocok untuk estimasi biaya, peramalan, klasifikasi, dan optimasi. Hasil analisis data menggunakan JST menunjukkan tingkat akurasi prediksi Prioritas Mutlak Penting sebesar 100%, sementara untuk Prediksi Prioritas Sangat Penting, Prioritas Cukup Penting, dan Prioritas Sedikit Penting masing-masing mencapai 66,7%. Prediksi Prioritas Tidak Penting juga mencapai 100%, dengan menggunakan History Accuracy sebagai acuan. Dengan demikian, pemodelan ini memberikan presentase prediksi untuk setiap kategori prioritas pemeliharaan jalan kabupaten, memberikan dasar informasi yang berguna untuk pengambilan keputusan.
Co-Authors Anggi Hermawan Arif Basuki Erig Efendi fatimah Fatimah Imro Mikel Selan Ircham Joko Prasojo Karan Gunawan Kristanto, Wisnu Aji Dwi Lawinu, Nodyka Elkawi Mohammad Arsyad Oggi Heicqal Ardian Okki Verdiansyah Oni Yuliani Permana, Irvan Ardhi Qodri, Muhammad Fatih Rizal Maulana, Rizal Rizqi Prastowo Sely Novita Sari Septi Savitri Sudiana Taufik, Tito Tiyastono