Article Per Year (5 Year)
p-Index From 2021 - 2026
1.909
P-Index
This Author published in this journals
All Journal JURNAL REKAYASA TEKNOLOGI INFORMASI Indonesian Journal of Primary Education JURNAL ILMIAH CAHAYA PAUD JURNAL PENDIDIKAN TAMBUSAI Ideguru: Jurnal Karya Ilmiah Guru Journal of Community Development ALAYYA: Jurnal Pendidikan Islam Anak Usia Dini Ar-Raihanah: Jurnal Pendidikan Islam Anak Usia Dini Innovative: Journal Of Social Science Research
Syafri, Herman
Unknown Affiliation
Religion Humanities Computer Science & IT Education Law, Crime, Criminology & Criminal Justice Neuroscience Nursing Public Health Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Perbandingan Algoritma Machine Learning untuk Prediksi Multi-Output Variabel Osean-Atmosfer Maulidia, Raisa; Arifin, Willdan Aprizal; Syafri, Herman
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 9, No 4 (2025): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v9i4.25976

Abstract

Prediksi variabel osean-atmosfer merupakan komponen penting dalam mendukung keselamatan dan efisiensi aktivitas maritim. Kompleksitas data osean-atmosfer yang bersifat multivariat dan dinamis memerlukan pendekatan komputasional yang mampu menangkap hubungan non-linear dan temporal secara simultan. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu Long Short-Term Memory (LSTM), Random Forest, dan XGBoost dalam memprediksi multi-output variabel osean-atmosfer menggunakan data Automatic Weather Station (AWS) periode 2022–2025. Tahapan penelitian meliputi pra-pemrosesan, normalisasi menggunakan StandardScaler, pembagian data (90% latih dan 10% uji), pelatihan model teroptimasi, serta evaluasi menggunakan RMSE dan R². Hasil penelitian menunjukkan bahwa XGBoost memiliki performa terbaik pada sebagian besar variabel dengan nilai RMSE terendah pada windspeed (0,77), waterlevel (0,12), RH (2,40), dan winddir (28,79), serta nilai R² tertinggi masing-masing sebesar 0,840; 0,940; 0,870; dan 0,730. LSTM menunjukkan performa terbaik pada variabel watertemp dengan RMSE sebesar 0,31 dan R² sebesar 0,814. Sementara itu, Random Forest memiliki performa yang relatif lebih rendah dengan nilai R² berkisar antara 0,680 hingga 0,982 tergantung variabel. Secara keseluruhan, XGBoost terbukti paling konsisten dan efektif dalam menangani prediksi multi-output variabel osean-atmosfer yang kompleks dan non-linear.
Perbandingan Metode Hyperparameter Tuning Pada Model XGBoost Untuk Prediksi Multioutput Handyanto, Lukman; Arifin, Willdan Aprizal; Syafri, Herman
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 10, No 1 (2026): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v10i1.22958

Abstract

Prediksi parameter atmosfer-oseanografi yang akurat sangat penting untuk mitigasi risiko di wilayah pesisir dan aktivitas kelautan. Penelitian ini membandingkan efektivitas Grid Search dan Randomized Search dalam optimasi hyperparameter XGBoost untuk prediksi multioutput lima parameter cuaca dan laut, yaitu kecepatan angin, arah angin, kelembaban relatif, suhu permukaan laut, dan tinggi muka air menggunakan data Automatic Weather Station BMKG periode 2022-2025 pada stasiun Merak, Ciwandan, dan Bakauheni. Penelitian meliputi tahapan pengumpulan data, ekstraksi fitur temporal, pembersihan data, pemisahan fitur-target, pembagian data latih-uji, normalisasi, pelatihan model, hyperparameter tuning, dan evaluasi menggunakan metrik R². Hasil menunjukkan kedua metode menghasilkan akurasi tinggi dengan nilai R² berada pada rentang 0,7214 hingga 0,9916. Perbedaan akurasi antar metode relatif kecil, dengan selisih R² terbesar 0,0152 pada variabel arah angin. Meskipun demikian, Randomized Search menunjukkan keunggulan signifikan dari sisi efisiensi komputasi dengan waktu eksekusi hingga 7,5 kali lebih cepat dibandingkan Grid Search, yaitu 38,3 detik dibandingkan 285,6 detik pada variabel kecepatan angin. Selain itu, proses optimasi hyperparameter terbukti meningkatan kinerja model dibandingan konfigurasi baseline, dengan peningkatan nilai R² arah angin dari 0,6137 menjadi 0,7366. Berdasarkan keseimbangan antara akurasi dan efisiensi komputasi, Randomized Search direkomendasikan sebagai optimasi hyperparameter untuk model XGBoost multioutput pada data kompleks dan berdimensi tinggi.
Co-Authors Apipah, Faza Tsamrotul Dadan Nugraha Edi Mulyana, Edi Elan Fauzi, Rifki Handyanto, Lukman Huriyyah, Fauziah Ilmaa, Miftahul Juliatul Paidah, Egia Maulidia, Raisa Mutmainah, Azkiah Purwati Purwati Putri Fauziah, Itsnawati Putri, Dinda Aulia QONITA Sabilla, Listia Sahla Shofia, Dina Sianturi, Risbon Taopik Rahman Willdan Aprizal Arifin