Claim Missing Document
Check
Articles

Found 4 Documents
Search

Optimizing earthquake damage prediction using particle swarm optimization-based feature selection Anisa Sri Winarsih, Nurul; Anggi Pramunendar, Ricardus; Fajar Shidik, Guruh; Widjajanto, Budi; Syaifur Rohman, Muhammad; Oka Ratmana, Danny
Bulletin of Electrical Engineering and Informatics Vol 14, No 1: February 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/eei.v14i1.8421

Abstract

Earthquakes have destroyed the economy and killed many people in many countries. Emergency response actions immediately after an earthquake significantly reduce economic losses and save lives, so accurate earthquake damage predictions are needed. This research looks at how machine learning (ML) techniques are used to predict damage from earthquakes. The ML algorithms used are k-nearest neighbors (KNN), decision tree (DT), random forest (RF), and Naïve Bayes (NB). Feature selection is necessary, it needs to select the most relevant features from big data. One of the most commonly used algorithms to optimize ML is particle swarm optimization (PSO). PSO is also suitable for feature selection. This research compares various of PSO. Based on research, the RF algorithm with Phasor PSO has the highest fitness score. This process succeeded in reducing features from 38 features to 14 features. Based on the process after feature selection, it was found that the KNN, DT, and RF algorithms had improved. RF obtained the best accuracy, namely 72.989%. The processing time in DT, RF, and NB is faster than before. In conclusion, the ML algorithm can be combined with PSO feature selection to create a classification model that provides better performance than without feature selection.
Pengaruh Penambahan Arsitektur Model dalam Klasifikasi Citra Bencana Alam Menggunakan Ensemble Learning Amanda Cahyadewi, Felicia; Richo Kurniawan, Ibnu; Umar Fakhrizal, Irsyad; Denta Saputra, Fahrizal; Achmad, Achmad; Naufal, Muhammad; Anggi Pramunendar, Ricardus
JURNAL FASILKOM Vol. 15 No. 2 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i2.9103

Abstract

Penelitian ini berfokus pada peningkatan akurasi klasifikasi citra bencana alam dengan mengintegrasikan Convolutional Neural Network (CNN), InceptionV3, dan InceptionResNetV2 dalam pendekatan ensemble learning. Model ini dilatih pada dataset multikelas yang terdiri dari citra empat kategori bencana: gempa bumi, banjir, kebakaran hutan, dan siklon. Pendekatan ensemble menghasilkan akurasi klasifikasi sebesar 96,02%, lebih tinggi dibandingkan model tunggal seperti CNN dengan 88,3%, InceptionV3 dengan 94,1%, dan InceptionResNetV2 dengan 92,4%. Penggunaan ensemble learning, khususnya soft voting, memungkinkan model untuk menggabungkan keunggulan dari masing-masing arsitektur, yang secara signifikan meningkatkan performa pada semua kategori bencana. Model ensemble menunjukkan kemampuan generalisasi yang lebih baik, terutama untuk kategori yang lebih sulit seperti Flood dan Earthquake, yang mana model tunggal kesulitan. Hasil juga menunjukkan peningkatan precision, recall, dan F1-score, dengan pendekatan ensemble mengurangi kesalahan klasifikasi sebesar 7,5% dibandingkan model terbaik tunggal, InceptionV3. Penelitian ini menunjukkan potensi ensemble learning untuk sistem deteksi bencana waktu nyata, khususnya dalam situasi kritis yang memerlukan akurasi tinggi dan kecepatan klasifikasi. Penelitian ini juga menekankan pentingnya kombinasi model deep learning yang beragam untuk meningkatkan kemampuan sistem dalam menangani berbagai skenario bencana sambil memastikan ketahanan dalam aplikasi dunia nyata.
OPTIMALISASI IDENTIFIKASI SAYURAN JENIS UMBI BERBASIS MORFOLOGI DAN JARINGAN SYARAF TIRUAN UNTUK MENDUKUNG KETAHANAN PANGAN NASIONAL Kuswardono, Danang; Aisyah, Siti; Bastian, Henry; Puji Prabowo, dwi; Anggi Pramunendar, Ricardus
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol. 16 No. 2 (2025): JURNAL SIMETRIS VOLUME 16 NO 2 TAHUN 2025
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v16i2.15856

Abstract

Ketahanan pangan nasional menjadi tantangan strategis yang perlu dihadapisecara inovatif, terutama dalam konteks diversifikasi pangan dan pemanfaatansumber daya lokal seperti sayuran jenis umbi. Kentang, ubi jalar, dan talasmerupakan komoditas potensial sebagai sumber karbohidrat alternatif. Namun,identifikasi varietas umbi di lapangan masih bergantung pada metode manual yangbersifat subjektif, lambat, dan membutuhkan tenaga ahli.Penelitian ini selaras dengan target nasional seperti peningkatan skor GFSI dari 64 (2020) menjadi 69,8 (2024), serta skor Pola Pangan Harapan (PPH) dari 90,4 menjadi 95,2. Inovasi ini diharapkan menjadi kontribusi nyata dalam mendukung ketahanan pangan berkelanjutan melalui integrasi teknologi AI di sektor pertanian. Berbagai studi menunjukkan bahwa teknologi pengolahan citra digital berbasiskecerdasan buatan seperti Artificial Neural Network (ANN) dan Convolutional NeuralNetwork (CNN) efektif untuk klasifikasi morfologi tanaman secara otomatis danakurat. Dalam konteks tersebut, penelitian ini bertujuan mengembangkan sistemidentifikasi varietas sayuran jenis umbi berbasis morfologi visual dan jaringan syaraftiruan, yang dioptimalkan untuk kondisi lokal dan dapat diimplementasikan padaperangkat berspesifikasi rendah. Pengolahan data citra akan menggunakan percobaan pembagian holdout validation dan k-fold validation yang nantinya hasil dari percobaan tersebut akan digunakan dalam dalam menguji data mentah uji tunggal. Hasil dari percobaan tersebut diketahui bahwa Hasil dari beberapa percobaan diatas diketahui bahswa Backpropagation Neural Network berhasil digunakan dalam mengidentifikasi data citra hasil umbi. Backpropagation Neural Network yang dilakukan berhasil dengan Nilai rata-rata akurasi tertinggi untuk traingdx pada neuron 40 adalah 95,02%, sementara untuk trainlm akurasi terbaik tercapai pada neuron 20 dengan nilai 94,97%
PENCAPAIAN KLASIFIKASI TERBAIK BERBASIS PERBAIKAN CITRA CLAHE DAN DARK CHANNEL PRIOR PADA SPESIES IKAN Pergiwati, Dewi; Anggi Pramunendar, Ricardus; Puji Prabowo, Dwi; Alzami, Farrikh; Megantara, Rama Aria
Jurnal Teknik Informatika UMUS Vol 7 No 2 (2025): November
Publisher : Universitas Muhadi Setiabudi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ikan merupakan bahan pangan lauk-pauk utama yang dikonsumsi manusia untuk menunjang protein hewani dan zat-zat lain yang diperlukan tubuh. Ikan merupakan lauk-pauk pilihan utama yang memiliki harga relative murah dan mudah didapat. Namun pada nyatanya konsumsi ikan di Indonesia sangat rendah dibandingkan dengan negara-negara yang memiliki potensi sumberdaya perikanan yang jauh lebih rendah seperti negara Jepang, Korea Selatan, serta negara-negara di Asia lainnya. Di sisi lain, salah satu kekayaan Indonesia yang sangat berlimpah pada sector perairan adalah biota ikan. Dengan kondisi demikian, upaya peningkatan konsumsi ikan akan memberikan multiflier effect dalam lingkungan masyarakat. Selain meningkatkan tingkat kesehatan serta kecerdasan, juga semakin menggairahkan sektor perikanan untuk dapat mendorong peningkatan penyerapan tenaga kerja, meningkatkan pendapatan serta kesejahteraan pada masyarakat khususnya profesi nelayan, pembudidaya ikan, pengolah hasil ikan serta pihak terkait lainnya. Maka, perlu ditingkatkan kemampuan pengenalan ikan secara otomatis dengan bantuan computer untuk mengenali jenis-jenis ikan yang sangat beragam guna mempermudah proses pengelolaan dan distribusi ikan. Oleh karena itu dalam penelitian ini, peneliti ini mengusulkan untuk melakukan analisis dampak pre-processing dari kombinasi algoritma CLAHE dan DCP yang diterapkan dalam klasifikasi ikan dengan Random Forest.