Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Petrogas : Journal of Energy and Technology
Maulana, Ranjiv
Unknown Affiliation
Chemical Engineering, Chemistry & Bioengineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering Energy

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Deteksi Emisi Metana dari Pabrik Kelapa Sawit di Indonesia Menggunakan Data Satelit Dengan Menggunakan Metode Machine Learning Darmiyati, Iin; Maulana, Ranjiv
PETROGAS: Journal of Energy and Technology Vol 7, No 1 (2025): MARCH
Publisher : Sekolah Tinggi Teknologi MIGAS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58267/petrogas.v7i1.187

Abstract

Faktor emisi metana (CH₄) dari pabrik kelapa sawit (POM) di Indonesia merupakan salah satu penyebab utama peningkatan gas rumah kaca yang berkontribusi terhadap perubahan iklim. Untuk mengatasi permasalahan ini, penelitian ini menerapkan machine learning berbasis data satelit guna mendeteksi dan menganalisis pola emisi metana secara otomatis dan efisien. Data yang digunakan diperoleh dari GHGSat, Sentinel-5P TROPOMI, PRISMA, EnMAP, dan EMIT, yang menyediakan informasi spasial dan temporal mengenai distribusi metana di atmosfer. Data ini diproses menggunakan Google Colab, dengan tahapan pembersihan, normalisasi, transformasi variabel, dan seleksi fitur sebelum dilatih menggunakan beberapa model machine learning, yaitu Logistic Regression, XGBoost, Gradient Boosting, Decision Tree, dan K-Nearest Neighbors (KNN). Hasil evaluasi menunjukkan bahwa XGBoost memiliki performa terbaik, dengan akurasi 73.53% dan F1-score 52.28% untuk wilayah dengan emisi tinggi, diikuti oleh Decision Tree dengan akurasi 73.44% dan recall 54.90%. Model lainnya, seperti Logistic Regression dan KNN, menunjukkan hasil kurang optimal dengan recall rendah, yang menyebabkan banyak sumber emisi tidak terdeteksi. Dengan metode ini, deteksi emisi metana dapat dilakukan lebih cepat, akurat, dan dalam skala luas, sehingga mendukung strategi mitigasi perubahan iklim serta keberlanjutan industri kelapa sawit di Indonesia.
RANCANG BANGUN ALAT UJI EMISI PORTABLE KENDARAAN MOTOR BERBASIS ARDUINO UNO DAN ESP-01 DENGAN INTERPRETASI THINGSPEAK Septiawan, Bima; Oktafiani, Fitri; Nurjanah, Nurjanah; Sahara, Ain; Darmiyati, Iin; Maulana, Ranjiv; Hamsir, Hamsir
PETROGAS: Journal of Energy and Technology Vol 7, No 1 (2025): MARCH
Publisher : Sekolah Tinggi Teknologi MIGAS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58267/petrogas.v7i1.184

Abstract

Polusi udara merupakan masalah yang sangat penting untuk diperhatikan karena berkaitan tentang kesehatan manusia. Polusi udara di Balikpapan meningkat salah satunya karena penggunaan bahan bakar kendaraan bermotor yang melonjak akibat pertumbuhan lalu lintas. Berdasarkan hal ini dilakukan penelitian mengenai rancang bangun alat uji emisi kendaraan yang portable dan efisien, menggunakan teknologi sensor canggih dengan mikrokontroler Arduino Uno dan ESP-01 sebagaimodul Wi-Fi untuk mengirim data sensor ke ThingSpeak. Hasil penelitian menunjukkan bahwa alat stabil dan efisien dalam pengukuran. Dengan rata-rata nilai CO, HC, NOx, CO2, dan O2 yaitu 0.61%, 723.71 ppm, 1.84 ppm, 0.92% dan 0.18% serta ketidakpastian pengukuran yaitu 0.01%, 12.70 ppm, 0.07 ppm, 0.09% dan 0.08%. Pengukuran emisi kendaraan motor pada rentang tiga tahun yang berbeda, yaitu dibawah 2010, 2010 – 2016, dan diatas 2016. Didapatkan hasil kendaraan yang lebih tua cenderung memiliki emisi gas buang yang lebih tinggi, hal ini dikarenakan pembakaran yang kurang efisien serta perawatan yang tidak optimal. 
Peramalan Kelembaban Tanah Berbasis IoT Menggunakan Pendekatan Machine Learning dan Deep Learning Darmiyati, Iin; Oktafiani, Fitri; Sahara, Ain; Yanti, Dawi; Maulana, Ranjiv; Hamsir, Hamsir; Nurjannah, Nurjannah
PETROGAS: Journal of Energy and Technology Vol 8, No 1 (2026): MARCH
Publisher : Sekolah Tinggi Teknologi MIGAS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58267/petrogas.v8i1.212

Abstract

Kelembaban tanah merupakan parameter penting yang mempengaruhi produktivitas tanaman serta efisiensi penggunaan air dalam sistem pertanian dan perkebunan. Pengelolaan irigasi konvensional umumnya menggunakan nilai ambang batas tetap sehingga tidak mampu memprediksi perubahan kondisi kelembaban tanah di masa mendatang. Penelitian ini mengembangkan sistem peramalan kelembaban tanah berbasis Internet of Things (IoT) dengan pendekatan machine learning dan deep learning. Sensor dihubungkan dengan mikrokontroler ESP32 yang mengirimkan data secara real time ke penyimpanan cloud. Dataset yang diperoleh terdiri dari ribuan entri dan diolah menggunakan Python melalui proses pembersihan data, normalisasi serta pelatihan model. Beberapa model prediksi yang digunakan meliputi Linear Regression, Random Forest Regression, Support Vector Regression (SVR), dan Long Short-Term Memory (LSTM). Dataset dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. Evaluasi kinerja model dilakukan menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model LSTM memberikan performa prediksi terbaik karena mampu menangkap pola temporal pada data deret waktu sensor IoT. Sistem ini berpotensi mendukung pengembangan irigasi cerdas untuk meningkatkan efisiensi penggunaan air dan pengelolaan perkebunan yang berkelanjutan.Kata kunci: Kelembaban tanah; Internet of Things; Machine Learning; Deep Learning; Pertanian presisi.
Co-Authors Darmiyati, Iin Fitri Oktafiani Hamsir Hamsir N. Nurjanah Nurjannah Nurjannah Sahara, Ain Septiawan, Bima Yanti, Dawi