Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Informatika Progres Jurnal Ilmiah Sistem Informasi
Lubis, Fauzan Azima
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Sistem Peramalan Jumlah Mahasiswa Menggunakan Metode Time Series ARIMA dan Regresi Linear Hasibuan, Muhammad Alby Savana; Indra, Zulfahmi; Lubis, Fauzan Azima; Farezi, Nazwar
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 3 (2025): November: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/n95g4460

Abstract

Penelitian ini bertujuan untuk membuat sistem yang bisa memprediksi jumlah mahasiswa menggunakan pendekatan machine learning dengan Python dan antarmuka Streamlit sebagai alat interaktif. Masalah utama yang dibahas adalah kebutuhan lembaga pendidikan tinggi dalam meramalkan jumlah mahasiswa di masa depan agar bisa membantu dalam merencanakan kapasitas dan mengalokasikan sumber daya secara tepat. Solusi yang ditawarkan adalah dengan menggabungkan dua metode prediksi, yaitu Regresi Linear dan ARIMA. Regresi Linear digunakan untuk mencari pola dasar dalam data masa lalu, sedangkan ARIMA dipakai untuk menganalisis data yang memiliki perubahan atau ketergantungan terhadap data sebelumnya. Data yang digunakan berasal dari Pangkalan Data Pendidikan Tinggi (PDDIKTI) untuk program studi Ilmu Komputer di Universitas Negeri Medan pada periode tahun 2019 sampai 2024. Sistem ini dirancang agar orang yang tidak ahli di bidang teknologi bisa melakukan analisis secara visual melalui grafik dan metrik evaluasi yang ditampilkan langsung di aplikasi Streamlit. Hasil pengujian menunjukkan bahwa Regresi Linear memberikan akurasi tinggi pada data yang memiliki tren stabil dengan nilai MAPE di bawah 10%, sedangkan ARIMA memberikan prediksi yang lebih baik pada data yang tidak stabil. Penerapan sistem ini menunjukkan bahwa menggabungkan metode statistik dan pembelajaran mesin bisa meningkatkan efisiensi dan ketepatan dalam analisis data akademik. Temuan ini memberikan manfaat nyata dalam membantu pengambilan keputusan strategis terkait perencanaan jumlah mahasiswa, serta membuka kemungkinan pengembangan model yang lebih canggih di masa depan.
PENINGKATAN AKURASI DETEKSI DINI KEBAKARAN BERBASIS IOT MENGGUNAKAN ALGORITMA RANDOM FOREST Meliala, Ruth Amelia Vega S; Kiswanto, Dedy; Sianipar, Freyro Dobry; Lubis, Fauzan Azima
PROGRESS Vol 18 No 1 (2026): April
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i1.516

Abstract

Fire is one of the most frequent disasters and poses a significant risk to human safety, environmental sustainability, and property due to delayed early detection. This study aims to design and implement an early fire warning system based on the Internet of Things (IoT) enhanced with Machine Learning to improve detection accuracy and reliability. The system utilizes an ESP32 microcontroller as an edge node integrated with a DHT11 sensor for temperature and humidity, an MQ-2 sensor for gas and smoke concentration, and a flame sensor for fire detection. Multisensor data are transmitted in real time to a Flask-based server via the HTTP protocol and processed using a Random Forest classification model to determine environmental conditions as either safe or fire-hazardous. The classification results are displayed on a web-based dashboard and accompanied by automatic notifications delivered through a Telegram bot. Experimental results show that the proposed system achieves a detection accuracy of 94%, a low false positive rate, and a notification latency of less than 3 seconds, based on experiments conducted using a dataset of 3000 samples with an 80:20 split between training and testing data.The integration of IoT and Machine Learning demonstrates superior performance compared to conventional threshold-based methods, making the system a promising preventive solution for fire risk mitigation in residential and industrial environments.
Co-Authors Dedy Kiswanto Farezi, Nazwar Hasibuan, Muhammad Alby Savana Meliala, Ruth Amelia Vega S Sianipar, Freyro Dobry Zulfahmi Indra, Zulfahmi