Indonesian Journal of Computing and Modeling https://ejournal.uksw.edu/icm <p>ICM adalah jurnal nasional yang mempublikasikan hasil penelitian komputasi dan pemodelan dalam berbagai disiplin keilmuan. ICM adalah wadah bagi para peneliti untuk mempublikasikan dan mendiseminasikan ide, gagasan dan inovasinya secara luas dalam bentuk karya ilmiah.&nbsp; Fokus publikasi ICM mencakup : penemuan dan/atau penerapan metode baru, pengembangan algoritma optimal, kompleksitas algoritma dan pemanfataan model matematika atau statistika untuk eksplorasi dan analisis data. Makalah yang diterima dan dilanjutkan untuk proses review adalah makalah hasil penelitian teoritik, hasil penelitian lapangan, penelitian skala laboratorium, integrasi penelitian dalam proses pembelajaran atau bagian dalam suatu kegiatan penelitian yang multitahun.</p> Pusat Studi Sistem Informasi dan Pemodelan Mitigasi Tropika en-US Indonesian Journal of Computing and Modeling 2598-9421 <p>&nbsp;</p> <hr> <p><a href="https://creativecommons.org/licenses/by/4.0/" rel="license"><img src="https://i.creativecommons.org/l/by/4.0/88x31.png" alt="Creative Commons License"></a><br>Indonesian Journal of Computing and Modeling is licensed under a <a href="http://creativecommons.org/licenses/by/4.0/" rel="license">Creative Commons Attribution 4.0 International License</a>.</p> Pemodelan Sistem Monitoring Sensor Curah Hujan Menggunakan Grafana https://ejournal.uksw.edu/icm/article/view/2735 <p>Perubahan iklim dan cuaca meurpakan hal yang telah diamati dalam waktu yang panjang, terlebih semakin hari anomali cuaca semakin sulit diterka. Penggunaan teknologi sensor curah hujan cenderung masih kurang optimal karena data yang didapat masih sulit untuk dibaca dan diolah. Data yang masih mentah, memperlambat untuk membaca pola dan menghitung hasil untuk menghasilkan prediksi. Pembangunan sistem visualisasi data diharapkan mampu membantu analis untuk membaca data dan mempermudah proses penganalisisan anomali, sekaligus sebagai media pengontrol terhadap perangkat keras yang menjadi backbone aliran data yang masuk dari sensor curah hujan. Sistem visualisasi yang digunakan memaksimalkan platform yang disediakan oleh openlab Grafana. Sistem ini dipilih karena sangat fleksibel dan mendukung berbagai macam database untuk diolah. Data yang didapat dari sensor curah hujan akan dicatat oleh raspberry kemudian diolah dan disinkronisasi pada cloud VPS. Data yang berada di dalam cloud VPS akan disimpan pada database InfluxDb. Data dari database akan disinkronisasi dengan Grafana untuk diproses dan di visualisasikan agar dapat menampilkan data dalam bentuk grafik yang mudah dipahami.</p> Karolus Thias Widagdo Teguh Indra Bayu Yeremia Alfa Susetyo ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 2019-12-11 2019-12-11 2 2 1 8 Perancangan Global Positioning System (GPS) Pada Sensor Curah Hujan Menggunakan Raspberry Pi https://ejournal.uksw.edu/icm/article/view/2755 <p>Penggunaan Global Positioning System (GPS) saat ini menjadi suatu hal yang cukup vital, termasuk penambahan fitur terhadap sensor curah hujan milik pusat studi SIMITRO. Penambahan fitur ini bertujuan untuk mempermudah melakukan monitoring terhadap sensor curah hujan yang tersebar di beberapa titik strategis untuk mendapatkan hasil pencatatan curah hujan dengan baik. Perancangan penambahan fitur ini menggunakan konsep Network Development Life Cycle (NDLC) dalam penerapannya. NDLC dipilih karena cukup menjawab kebutuhan dalam proses penelitian ini, terlebih karena proses yang berjalan terus menerus berkembang berdasarkan hasil dari penelitian - penelitian terdahulu. Hasil dari penelitian ini berupa sebuah tampilan halaman Web yang menampilkan titik lokasi pada peta hasil dari kombinasi Leaflet, Maptiler, dan Open StreetMap. Pada hasil yang ditampilkan dapat diketahui posisi dari sensor curah hujan secara cukup mendetail dan jelas, sehingga apabila terdapat beberapa sensor curah hujan dapat langsung di monitoring secara bersamaan didalam saat yang bersamaan. Hasil dari pencatatan data diperoleh secara time series dan berkelanjutan, hal ini membuat data yang diperoleh terus diperbaharui dan data menjadi valid untuk digunakan sebagai mana perlunya.</p> Priwidika Lingga Maheswara Teguh Indra Bayu Yeremia Alfa Susetyo ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 2019-12-11 2019-12-11 2 2 9 16 Penentuan Wilayah Resiko Bencana Kekeringan di Jawa Tengah Menggunakan Machine Learning dan Indeks Vegetasi pada Citra Landsat 8 OLI https://ejournal.uksw.edu/icm/article/view/2952 <p>Bencana kekeringan di Indonesia terjadi hampir setiap tahun, khususnya untuk provinsi Jawa Tengah yang mana tercatat dalam sejarah dari tahun 1815 sampai tahun 2015 telah terjadi 382 kejadian. Untuk itu diperlukan adanya prediksi penentuan wilayah kekeringan di seluruh kecamatan di Jawa Tengah. Pada penelitian ini prediksi kekeringan menggunakan&nbsp; <em>Machine Learning</em> untuk menganalisa hasil ekstraksi dari citra Landsat-8 OLI yang berupa indeks vegetasi yaitu NDVI, SAVI, VCI, VHI dan TCI dengan menggunakan beberapa algoritma, diantaranya adalah <em>Decision Tree, Principal Component Analisys</em>(PCA) dan <em>Random Forest</em>. Hasil yang diperoleh ada total 17 kecamatan yang diprediksi terkena bencana kekeringan yang sangat parah, dengan nilai <em>accuracy</em> 0,7507463, <em>logloss</em> 0,6232992 dan <em>Mean Sequare Error</em> (MSE) sebesar 0,1795135.</p> Septian Silvianugroho Sri Yulianto Joko Prasetyo Kristoko Dwi Hartomo ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 2019-12-11 2019-12-11 2 2 17 24 Analisis Data Citra Landsat 8 OLI Sebagai Indeks Prediksi Kekeringan Menggunakan Machine Learning di Wilayah Kabupaten Boyolali dan Purworejo https://ejournal.uksw.edu/icm/article/view/2954 <p><strong>Abstrak </strong></p> <p>Bencana kekeringan merupakan salah satu bencana yang tidak dapat di hindari lagi keberadaannya. Berdasarkan data dari tahun 1815 sampai tahun 2015 telah terjadi 382 kejadian. Berdasarkan kajian BNPB Kabupaten Boyolali dan Kabupaten Purworejo memiliki resiko tinggi terpapar bencana kekeringan. Untuk itu perlu adanya informasi wilayah resiko bencana kekeringan. Penggunaan data citra satelit Landsat 8 OLI sebagai media informasi vegetasi dan pendekatan <em>Machine Learning</em> untuk menganalisa data ekstraksi pada citra satelit berupa indeks vegetasi. Indeks vegetasi yang di gunakan yaitu NDVI, VCI, VHI, dan TCI dengan implementasi metode <em>XGBoost</em> dan <em>Random</em> <em>Forest</em> untuk mendapatkan hasil prediksi. Hasil yang diperoleh dengan menggunakan perhitungan metode <em>XGBoost </em>ada total 9 kecamatan yang diprediksi terkena bencana kekeringan sangat parah, dan 9 kecamatan dengan metode <em>Random Forest</em> terindikasi kekeringan sangat parah. metode <em>XGBoost</em> memiliki nilai akurasi 0.8286 dan nilai kappa 0.6477 dan metode <em>Random Forest</em> memiliki nilai akurasi 0.6857 dan Nilai Kappa 0.3699. dimana semakin tinggi nilai akurasi dan kappa semakin tepat hasil prediksi yang dilakukan.</p> Yansen Bagas Christianto Sri Yulianto Joko Prasetyo Kristoko Dwi Hartomo ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 2019-12-11 2019-12-11 2 2 25 36 Klasifikasi Wilayah Risiko Bencana Kekeringan Berbasis Citra Satelit Landsat 8 Oli Dengan Kombinasi Metode Moran’s I dan Getis Ord G* (Studi Kasus : Kabupaten Boyolali dan Klaten) https://ejournal.uksw.edu/icm/article/view/3092 <p><em>The purpose of this study is to classify areas that have a high risk of drought with the vegetation index and SPI index and see spatial connectivity between regions with the method of Moran's I and the formation of hotspots with the method of Getis Ord G *. Experiments with vegetation indices in 45 sub-districts in Boyolali and Klaten districts showed that the average was in class 4 including the classification of medium green. As for the SPI method on rainfall data that is interpolated with IDW techniques, all observation areas are included in the normal drought index class. The results of the analysis with Moran's I show Positive Spatial Autocorrelation, namely the drought phenomenon has spatial connectivity between regions observed. The results of Getis Ord's analysis show the formation of hotpsots and spatial connectivity between regions. The results show that 2017 drought spatial connectivity experienced a broad increase from the previous year. Based on the analysis that has been done with the vegetation index and SPI index, the areas prone to drought are Karanggede, Klego, Andong, Kemusu, Wonosegoro and Juwangi</em></p> Nadya Inarossy Sri Yulianto Joko Prasetyo ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 2019-12-11 2019-12-11 2 2 37 54 Perancangan Sistem Informasi Geografis untuk Rekomendasi Model Kawasan Konservasi dengan Menerapkan Metode Simple Additive Weighting (SAW) di Kabupaten Boyolali https://ejournal.uksw.edu/icm/article/view/2448 <p>Penelitian ini bertujuan untuk membuat sistem informasi geografis rekomendasi model kawasan konservasi di Kabupaten Boyolali. Sistem ini menggunakan metode simple additive weighting (SAW) untuk memberikan rekomendasi wilayah yang memiliki potensi paling tinggi untuk menjadi model kawasan konservasi, dimana satu wilayah dijadikan contoh atau model bagi wilayah lain dalam upaya memberdayakan masyarakat didalam dan sekitar kawasan konservasi. Penentuan wilayah model kawasan konservsi dengan proses pembobotan menggunakan bilangan fuzzy dan kemudian dihitung menggunakan metode SAW dengan memperhatikan beberapa kriteria seperti, dilihat dari wilayah dimana daerahnya berbatasan langsung dengan gunung Merbabu atau Merapi atau tidak, berapa banyak kawasan ekologis, berapa banyak masyarakat miskin, berapa banyak kawasan perlindungan, berapa banyak kawasan wisata dan berapa banyak jenis sumber daya alam yang di miliki.Hasil Penelitian menunjukan rekomendasi dengan nilai tertinggi pada wilayah Kecamatan Cepogo masuk pada daerah prioritas pertama dengan perolehan nilai 0.862. Sistem ini dibuat dalam bentuk website yang berjalan diatas MapServer yang dapat memberikan sajian informasi dalam bentuk peta digital.</p> Yesi Arumsari Sri Yulianto Joko Prasetyo ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 2019-12-11 2019-12-11 2 2 55 63