p-Index From 2021 - 2026
5.918
P-Index
Claim Missing Document
Check
Articles

Penerapan Metode Location Based Service (LBS) Untuk Aplikasi Bengkel Ban Terdekat Berbasis Android (Studi Kasus : Kecamatan Bukit Raya) Sukri, Sukri; Wita Yulianti; Luluk Elvitaria; Liza Trisnawati; Ramadhan Putra
JEKIN - Jurnal Teknik Informatika Vol. 6 No. 1 (2026)
Publisher : Yayasan Rahmatan Fidunya Wal Akhirah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58794/jekin.v6i1.1960

Abstract

Peningkatan jumlah kendaraan bermotor berdampak pada meningkatnya potensi gangguan selama perjalanan, seperti ban bocor atau pecah ban. Kondisi ini menjadi permasalahan bagi pengendara, khususnya ketika berada di wilayah yang kurang dikenal, karena kesulitan dalam menemukan lokasi bengkel ban terdekat secara cepat dan akurat. Penelitian ini bertujuan untuk menerapkan metode Location Based Service (LBS) pada aplikasi berbasis Android guna memetakan dan mencari lokasi bengkel ban terdekat di Kecamatan Bukit Raya. Metode utama yang digunakan adalah Location Based Service dengan pemanfaatan Global Positioning System (GPS) untuk menentukan posisi pengguna secara real-time serta Google Maps API untuk menampilkan peta digital dan rute perjalanan menuju bengkel ban. Aplikasi dikembangkan menggunakan sistem operasi Android dan dirancang untuk menampilkan informasi lokasi bengkel, jarak tempuh, serta rute terdekat dari posisi pengguna. Pengujian sistem dilakukan melalui pengujian fungsional (black box testing) dan pengujian akurasi lokasi, dengan melibatkan sejumlah titik bengkel ban yang terdaftar di wilayah Kecamatan Bukit Raya. Hasil pengujian menunjukkan bahwa aplikasi mampu menampilkan lokasi bengkel ban dengan tingkat akurasi lokasi yang sesuai dengan koordinat GPS serta memberikan rute perjalanan terdekat dengan waktu respon rata-rata kurang dari beberapa detik. Selain itu, seluruh fitur utama aplikasi berfungsi sesuai dengan kebutuhan pengguna. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan metode LBS pada aplikasi bengkel ban terdekat berbasis Android mampu membantu pengguna dalam menemukan lokasi bengkel ban secara cepat, akurat, dan efisien dari segi waktu, khususnya pada kondisi darurat di wilayah Kecamatan Bukit Raya.
Pengembangan Arsitektur Edge Computing untuk Early Warning System (EWS) Banjir Berbasis Multi-Sensor Menggunakan Model Hybrid LSTM–Random Forest Setiawan, Debi; Noratama Putri, Ramalia; Salamun; Luluk Elvitaria; Liza Trisnawati
JEKIN - Jurnal Teknik Informatika Vol. 6 No. 1 (2026)
Publisher : Yayasan Rahmatan Fidunya Wal Akhirah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58794/jekin.v6i1.2028

Abstract

Banjir merupakan bencana hidrometeorologi yang sering terjadi di wilayah tropis dan berdampak signifikan terhadap aspek sosial, ekonomi, serta infrastruktur. Penelitian ini mengembangkan Early Warning System (EWS) deteksi banjir berbasis multi-sensor dengan arsitektur Internet of Things (IoT) real-time yang mengintegrasikan pemrosesan edge dan cloud. Sistem diimplementasikan di [lokasi penelitian] selama empat bulan dengan total 12.480 dataset yang dikumpulkan setiap interval 5 menit. Parameter yang diamati meliputi tinggi muka air menggunakan sensor ultrasonik JSN-SR04T, curah hujan, suhu udara, dan kecepatan angin. Data diproses melalui pembersihan, normalisasi Min-Max, dan ekstraksi fitur deret waktu. Model Long Short-Term Memory (LSTM) digunakan untuk memprediksi pola temporal kenaikan muka air, sedangkan Random Forest digunakan untuk klasifikasi tingkat risiko banjir. Evaluasi dilakukan menggunakan skema train-test split 80:20 dan 5-fold cross-validation dengan hyperparameter tuning berbasis grid search. Hasil pengujian menunjukkan bahwa model LSTM memperoleh akurasi 91%, presisi 90%, recall 92%, dan F1-score 91%, sedangkan Random Forest mencapai akurasi 89%, presisi 88%, recall 90%, dan F1-score 89%. Model hybrid LSTM–Random Forest memberikan performa terbaik dengan akurasi 93%, presisi 92%, recall 94%, dan F1-score 93%. Sistem mampu memberikan peringatan dini 25–40 menit sebelum ambang batas banjir kritis tercapai dengan waktu respons kurang dari 3 detik. Kebaruan penelitian ini terletak pada integrasi multi-sensor hidrometeorologi dengan skema hybrid LSTM–Random Forest dalam arsitektur edge–cloud real-time yang meningkatkan akurasi prediksi sekaligus menurunkan latensi sistem peringatan dini banjir.