Claim Missing Document
Check
Articles

Found 5 Documents
Search

Penerapan K-Means untuk Klasterisasi Pola Cuaca Spasial di Kawasan Sumatera Berbasis Data Reanalisis ERA5 Yehezkiel Haganta Tarigan; Sofia Zahra; Christian Nicholas Sinaga
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.945

Abstract

Penelitian ini bertujuan untuk mengelompokkan pola cuaca spasial di wilayah Sumatera dengan memanfaatkan metode K-Means berbasis data reanalisis ERA5. Latar belakang penelitian ini didasari oleh kompleksitas dinamika cuaca yang tinggi serta keterbatasan data observasi yang tersebar tidak merata, sehingga diperlukan pendekatan berbasis data untuk memperoleh pola yang lebih jelas dan terstruktur. Proses penelitian dilakukan melalui beberapa tahapan, yaitu pembersihan data, normalisasi menggunakan metode Min-Max Scaling, penentuan jumlah cluster dengan metode Elbow, serta proses pengelompokan menggunakan algoritma K-Means. Variabel yang digunakan meliputi suhu udara, tekanan permukaan, dan kecepatan angin sebagai representasi kondisi atmosfer. Hasil penelitian menunjukkan bahwa pengelompokan yang dihasilkan mampu menggambarkan perbedaan karakteristik wilayah, seperti area perairan, pegunungan, dataran rendah, serta zona transisi pesisir. Selain itu, pola yang terbentuk juga mencerminkan kondisi geografis yang beragam di wilayah penelitian. Dengan demikian, metode K-Means dapat digunakan sebagai pendekatan yang efektif dalam mengidentifikasi pola cuaca spasial secara lebih sistematis.
Pengembangan Sistem Peringatan Dini Anomali Cuaca Berbasis Geospasial dan Asisten Virtual Yehezkiel Haganta Tarigan; Yohanes Gerardus Haga Zai; Callysa Elistia
CESS (Journal of Computer Engineering, System and Science) Vol. 11 No. 2 (2026): Juli 2026
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v11i2.73665

Abstract

Sistem peringatan dini cuaca konvensional saat ini masih memiliki keterbatasan akibat penyampaian informasi satu arah yang statis dan tingginya beban kognitif masyarakat dalam memahami data meteorologis mentah. Penelitian ini bertujuan mengembangkan WAMApp (Weather Anomaly Mitigation App), sebuah sistem peringatan dini berbasis seluler yang menyinergikan pemetaan geospasial dinamis dengan agen kecerdasan buatan interaktif. Pengembangan aplikasi menerapkan model Agile dan arsitektur microservices, mengintegrasikan data cuaca resolusi tinggi ERA5 dari Open-Meteo dengan asisten virtual berbasis Retrieval-Augmented Generation (RAG). Untuk mengoptimalkan efisiensi daya perangkat seluler, sistem mengimplementasikan algoritma pelacakan lokasi latar belakang dengan ambang batas pergerakan 500 meter dan memanfaatkan komputasi tepi nirserver (serverless edge computing) untuk distribusi notifikasi bahaya. Hasil pengujian fungsionalitas Black Box membuktikan bahwa seluruh modul berjalan optimal tanpa kendala teknis. Integrasi RAG pada asisten virtual WAMChat memungkinkan penyajian instruksi mitigasi yang lebih interaktif dan kontekstual berdasarkan kondisi cuaca pengguna. Hasil evaluasi melalui User Acceptance Testing (UAT) terhadap 102 responden menunjukkan tingkat kepuasan pengguna sebesar 4,60 dari skala 5. Temuan ini mengindikasikan bahwa kombinasi visualisasi geospasial dan asisten virtual generatif memiliki potensi untuk mendukung penyampaian informasi mitigasi cuaca secara lebih adaptif dan mudah dipahami.
Pengembangan Visualisasi Interaktif untuk Analisis Komparatif Binary Search dan Jump Search Yohanes Gerardus Haga Zai; Callysa Elistia; Yehezkiel Haganta Tarigan; Adidtya Perdana
Jurnal Riset Informatika dan Inovasi Vol 3 No 12 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Penelitian ini berfokus pada pengembangan perangkat lunak visualisasi interaktif menggunakan bahasa pemrograman Python dan pustaka Pygame untuk menganalisis kinerja algoritma Binary Search dan Jump Search secara empiris. Meskipun teori asimtotik konvensional telah menetapkan kompleksitas waktu masing-masing algoritma, representasi kognitif murni melalui teks sering kali tidak memadai untuk memahami realitas eksekusi mekanis pada perangkat keras. Sistem visualisasi ini dirancang untuk mengeksekusi kedua algoritma secara konkuren (simultan) pada representasi spasial yang sama guna menyingkirkan bias kecepatan perangkat keras keras dalam proses pengujian. Pengujian dilakukan melalui simulasi variasi ukuran himpunan data berskala masif dengan kalkulasi batas langkah maksimum eksak pada kondisi terburuk. Hasil simulasi secara mutlak memvalidasi bahwa strategi pembagian ruang secara eksponensial pada Binary Search dengan kompleksitas memiliki tingkat skalabilitas yang jauh lebih superior dibandingkan Jump Search dengan kompleksitas . Meskipun Jump Search telah dieksekusi menggunakan parameter ukuran lompatan matematis yang paling optimal yaitu , algoritma tersebut terbukti tetap tidak mampu mengungguli efisiensi waktu eksekusi Binary Search seiring bertambahnya jumlah elemen data.
Komparasi Arsitektur Deep Learning Berbasis Attention untuk Prediksi Quality of Service (QoS) Jaringan Angelina S. Saragih; Yehezkiel Haganta Tarigan; Zulfahmi Indra; M. Zikry Sahendra Chan
Teknik: Jurnal Ilmu Teknik dan Informatika Vol. 6 No. 2 (2026): Oktober: Teknik: Jurnal Ilmu Teknik dan Informatika
Publisher : LPPM Sekolah Tinggi Ilmu Ekonomi - Studi Ekonomi Modern

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/teknik.v6i2.1283

Abstract

Quality of Service (QoS) is an important indicator in computer network management as it directly affects the quality of services experienced by users. Accurate QoS prediction can assist network administrators in making proactive decisions and improving network performance. This study compares the performance of four deep learning architectures, namely Conv1D, LSTM, Conv1D+Attention, and LSTM+Attention, for time-series QoS prediction. The dataset consists of 95,611 observations collected from a GNS3-based network simulation environment, including three QoS parameters: traffic_in_bps, traffic_out_bps, and latency_ms. Prior to model training, the data were processed using Min-Max Scaling and a sliding window approach to generate sequential inputs. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²). Experimental results show that the LSTM+Attention model achieved the best performance with an MAE of 0.003224, an RMSE of 0.013578, and an R² of 0.943872. Meanwhile, the Conv1D model demonstrated competitive performance with results close to the best-performing model. Further analysis indicates that the attention mechanism improved the performance of the LSTM architecture but did not provide similar benefits when applied to Conv1D. These findings suggest that the effectiveness of attention mechanisms is influenced by the characteristics of the underlying architecture used for QoS prediction.
Simulasi Dinamis Okupansi Parkir Menggunakan Deteksi Ruang Parkir Berbasis Computer Vision Yehezkiel Haganta Tarigan; Zulfahmi Indra; Andly Sofian Hasugian; Chelsea Febiola br Sebayang
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 2 (2026): IKRAITH-INFORMATIKA Vol 10 No 2 Juli 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

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

Abstract

Parking facilities are difficult to manage when the number of arriving vehicles grows, and knowing the current parking condition does not explain how occupancy will change under higher demand. This study developed a framework that integrates YOLO26s-based parking space detection with a stochastic occupancy simulation. On the Roboflow test set, the detector achieved a precision of 93.6%, recall of 91.8%, and mAP@50 of 95.5%, although remaining false positives and false negatives still affect the simulation input. Applied to the parking video, the median detections of the first ten frames gave an estimated capacity of 174 spaces and an initial occupancy of 58.6%. These values are estimates, as the detected capacity varied between 150 and 194 spaces across frames. The simulation of three arrival scenarios showed that the low scenario stayed below capacity, with a mean occupancy of 50.78%, whereas the moderate and high scenarios reached full capacity in all runs after mean times of 124.5 and 30.5 minutes. A higher arrival rate therefore brings saturation forward and lengthens the time spent at capacity. However, the arrival and departure parameters are scenario assumptions, so the results are not forecasts of real parking demand. Future work should use longer videos, validate capacity against ground truth, and add vehicle tracking to estimate arrival and departure rates.