Article Per Year (5 Year)
p-Index From 2020 - 2025
0.817
P-Index
This Author published in this journals
All Journal Journal of Science and Applicative Technology Journal of Fundamental Mathematics and Applications (JFMA) Digital Transformation Technology (Digitech)
Satria, Ardika
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Earth & Planetary Sciences Engineering Library & Information Science Materials Science & Nanotechnology Mechanical Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Recognizing the Spatial Distribution and Voronoi Patterns of the Recorded Earthquake Epicenters in Sunda Strait, Indonesia Muliawati, Triyana; Lestari, Fuji; Alvionita, Mika; Satria, Ardika; Harbowo, DG
Journal of Fundamental Mathematics and Applications (JFMA) Vol 7, No 2 (2024)
Publisher : Diponegoro University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jfma.v7i2.21931

Abstract

Currently, Sunda Strait is one of the most active transportation hubs. However, this region also bears a notable history of geohazards associated with the dynamics of tectonic activity of the Eurasian and Indo-Australian tectonic plates, such as the super-eruption of Krakatoa volcano in 1883, the Sunda Strait tsunami in 2018, and decades of frequent earthquakes. To address these challenges, this study conducted a statistical analysis of the frequency and distribution of seismic activities in the Sunda Strait region based on recorded epicenter data in the United States Geological Survey's (USGS) Earthquake catalog. We assembled 440 multivariate earthquake data points between 1990 and 2023 (over three decades). The results of this study indicate that the machine learning approach precisely identifies four relevant parameters for -means clustering, followed by an analysis of silhouette values to recognize Voronoi patterns. These statistical patterns also have significant implications for the number of epicenter clusters and recognizing their spatial distribution. It provides a new understanding of the spatial-temporal characteristics and locates the list of frequent earthquake regions. Having all the necessary information would help to comprehensively evaluate geohazard risks in Sunda Strait region.
Statistical Pattern Recognition of Lithosphere Anomalous Activity Along the Indonesian Ring of Fire S, Mika Alvionita; Satria, Ardika; Muliawati, Triyana; Lestari, Fuji; Harbowo, Danni Gathot
Journal of Science and Applicative Technology Vol. 9 No. 1 (2025): Journal of Science and Applicative Technology June Chapter
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM), Institut Teknologi Sumatera, Lampung Selatan, Lampung, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35472/jsat.v9i1.1850

Abstract

The introduction of statistical pattern recognition becomes highly important for assessing disaster threats such as earthquakes. This approach is significantly more comprehensive and suitable for long-term event forecasting. Therefore, in the future, efforts can be promptly made to reduce the risk of disasters resulting from anomalies in lithospheric activity, especially frequent earthquakes in the Sumatra Island region, Indonesia. Statistical pattern analysis of lithospheric activity anomalies can be categorized through classification. Earthquake classification is performed based on magnitude scale and mathematical calculations of earthquake parameter unit conversion. The classification method employed in this research includes machine learning methods like k-nearest neighbor and support vector machine. The evaluation metrics used for machine learning models are model accuracy and confusion matrix tables.
Prediksi Hasil Panen Tanaman Pangan Sumatera dengan Metode Machine Learning Satria, Ardika; Badri, Rizty Maulida; Safitri, Ira
Digital Transformation Technology Vol. 3 No. 2 (2023): Artikel Periode September 2023
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v3i2.2852

Abstract

Pertanian di Indonesia menjadi sektor yang sangat penting karena bertujuan untuk meningkatkan produksi pangan dan industri serta mendorong produksi ekspor. Indonesia memiliki hasil pertanian bahan pokok seperti padi, jagung, ubi jalar, ubi kayu, kacang tanah dan kedelai. Salah satu wilayah paling produktif yang menghasilkan bahan pangan dalam memenuhi kebutuhan pokok adalah pulau Sumatera. Potensi iklim di pulau Sumatera sangat cocok untuk kegiatan pertanian karena curah hujan yang merata hampir sepanjang tahun. Produksi tanaman pangan di Sumatera meningkat sejak tahun 1993. Perluasan lahan pertanian juga naik signifikan. Sementara itu, hasil pertanian di Sumatera sangat rentan terhadap perubahan iklim global terutama kenaikan suhu dari tahun ke tahun. Prediksi hasil pertanian perlu dilakukan agar memberikan hasil yang maksimal pada produksi bahan pokok di Sumatera. Penelitian ini bertujuan untuk mengetahui algoritma terbaik dalam melakukan prediksi hasil pertanian komoditas tanaman pangan yaitu padi, jagung, kacang tanah, kedelai, ubi kayu dan ubi jalar di pulau Sumatera dengan pendekatan model regresi machine learning. Sehingga, penelitian ini diharapkan dapat menjadi acuan dalam pengembangan penelitian terkait bidang pertanian di pulau Sumatera. Metode yang digunakan adalah Machine Learning, yaitu Random Forest (RF), Decision Tree (DT), Gradient Boosting (GB), Extra Tree (ET), Support Vector Machine (SVM), dan Artificial Neural Network (ANN). Nilai koefisien R2 untuk produksi padi masing-masing adalah 0,897; 0,893; 0,957; 0,968; 0,928; dan 0,909. Sedangkan pada produksi bahan pokok lainnya masing-masing adalah 0,754; 0,786; 0,721; 0,913; 0,509; dan 0,90. Model Extra Tree mendapat nilai koefisien R2 tertinggi dan lebih akurat dibandingkan model lainnya.
Implementasi Algoritma K-Nearest Neighbor Dalam Klasifikasi Indeks Pembangunan Manusia Provinsi Sumatera Selatan Tahun 2023 Safitri, Ira; Satria, Ardika; Badri, Rizty Maulida
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.4614

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator yang sangat penting dalam mengukur tingkat kesejahteraan suatu daerah. IPM memiliki tiga dimensi penting seperti kesehatan, pengetahuan dan standar hidup yang layak. Dimensi kesehatan dapat diukur melalui angka harapan hidup saat lahir, sementara dimensi pengetahuan menggunakan kombinasi indikator harapan lama sekolah dan rata-rata tahun sekolah. Sedangkan dimensi standar hidup yang layak mengacu pada kemampuan daya beli masyarakat dalam memenuhi kebutuhan pokok, dilihat dari rata-rata pengeluaran per kapita yang disesuaikan. Pada penelitian ini, IPM  Tahun 2023 di Provinsi Sumatera Selatan diklasifikasikan menjadi 2 kategori yaitu IPM rendah (IPM < 70) dan IPM tinggi (IPM >70). Klasifikasi kategori IPM dilakukan menggunakan metode KNN dengan teknik validasi silang Leave-One-Out Cross Validation (LOOCV). Metode ini dilakukan dengan mencari k objek dalam data latih yang paling dekat dengan objek pada data uji. Penelitian ini memiliki tujuan agar mengetahui akurasi klasifikasi IPM dengan metode k-NN dengan nilai k sebesar 1, 3, dan 5. Berdasarkan hasil evaluasi model KNN menggunakan confusion matrix didapatkan nilai k = 1 dengan akurasi sebesar 88,89%, sedangkan k = 3 tingkat akurasi 83,33% kemudian nilai k = 5 didapatkan akurasi 77,78%. Hasil evaluasi model KNN didapatkan nilai k = 1 untuk mendapatkan klasifikasi data yang optimal dengan tingkat akurasi sebesar 88,89%.
Co-Authors Danni Gathot Harbowo Fuji Lestari Ira Safitri Mika Alvionita Sitinjak Muliawati Muliawati, Triyana Rizty Maulida Badri