Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JURNAL REKAYASA TEKNOLOGI INFORMASI TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Jurnal Pendidikan Perikanan Kelautan (Journal of Fisheries and Maritime Studies)
Handyanto, Lukman
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance

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

Found 3 Documents
Search

 1 
Penerapan Augmented Reality pada WebGIS Zona Penangkapan Ikan Tongkol di Pulau Panjang Vera Anggraini; Maulsyid, Ramzan Pradana; Handyanto, Lukman; Khairiyah, Nuril; Azizah, Haruni Najla; Firmansyah, Bagus; Hafazah, Najwa Nur
TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Vol 5 No 2 (2025): TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi
Publisher : Universitas Methodist Indonesia

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

Abstract

Mackerel tuna (Euthynnus affinis) is a commodity with a high production rate in Banten Bay. Panjang Island, which is geographically located in the waters of Banten Bay, is a potential area for supporting sustainable tuna production. Market demand for this fish continues to grow, yet the lack of precise fishing zone data hampers resource optimization. The WebGIS system was developed to provide potential information on fishing zones for tuna around Panjang Island. Oceanographic data such as sea surface temperature and chlorophyll-a concentration were utilized to predict high-probability areas. This system features GPS-based augmented reality to guide fishers in real time to their targeted locations. Interactive and accurate information presentation facilitates decision-making for fishers. The implementation of this technology enhances fisher productivity while promoting sustainable fishery management. The potential of WebGIS technology offers significant opportunities for advancing Indonesia’s modern fishery sector, particularly for the coastal communities of Panjang Island.
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.
PENERAPAN FEATURE SELECTION DALAM MEMPREDIKSI TINGGI GELOMBANG LAUT SIGNIFIKAN Arifin, Willdan Aprizal; Anzani, Luthfi; Ma'ruf, Ma'ruf; Daud, Anton; Handyanto, Lukman; Maulidia, Raisa; Maulsyid, Ramzan Pradana
Jurnal Pendidikan Perikanan Kelautan (Journal of Fisheries and Maritime Studies) Vol 5, No 2 (2025): Desember 2025
Publisher : Universitas Pendidikan Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17509/jppk.v5i2.95250

Abstract

Tinggi gelombang signifikan (Hs) merupakan indikator utama dalam memantau kondisi laut dan keselamatan aktivitas kelautan. Penelitian ini bertujuan mengembangkan model prediksi Hs menggunakan algoritma Long Short-Term Memory (LSTM) dengan pendekatan seleksi fitur berbasis korelasi Spearman. Analisis ini tidak hanya digunakan untuk melihat hubungan antarvariabel, tetapi juga secara eksplisit berfungsi sebagai langkah seleksi fitur untuk menentukan prediktor paling relevan bagi model LSTM. Data diperoleh dari Automatic Weather Station (AWS) milik BMKG untuk periode 2022–2025 yang mencakup berbagai parameter meteorologi dan oseanografi. Seleksi fitur dilakukan untuk mengidentifikasi variabel paling berpengaruh terhadap Hs. Hasil analisis menunjukkan kecepatan angin memiliki korelasi tertinggi (0,98), diikuti oleh suhu air laut, tinggi muka air, kelembaban relatif, dan arah angin. Variabel terpilih digunakan sebagai input pada model LSTM multivariat. Evaluasi model menggunakan Mean Squared Error (MSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil menunjukkan MSE sebesar 0,00076, MAE sebesar 0,0179, dan R² sebesar 0,9666. Nilai ini menunjukkan bahwa model memiliki akurasi tinggi dan mampu merepresentasikan pola fluktuasi Hs secara baik. Temuan ini menunjukkan bahwa integrasi seleksi fitur Spearman dan LSTM efektif untuk prediksi tinggi gelombang, serta berpotensi diterapkan dalam sistem pemantauan gelombang di wilayah pesisir Indonesia.
Co-Authors Anzani, Luthfi Azizah, Haruni Najla Bagus Firmansyah, Bagus Daud, Anton Hafazah, Najwa Nur Khairiyah, Nuril Ma'ruf, Ma'ruf Maulidia, Raisa Maulsyid, Ramzan Pradana Syafri, Herman Vera Anggraini Willdan Aprizal Arifin