Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini mengembangkan model prediktif berbasis Spatial Machine Learning (SML) untuk menganalisis kerentanan multi-bencana pada lahan pertanian di Kabupaten Magelang. Metodologi penelitian mengintegrasikan lima algoritma machine learning yaitu Decision Tree, Random Forest, Support Vector Machine, Artificial Neural Network, dan Gradient Boosting Machine dengan. Model Random Forest menunjukkan performa terbaik dengan nilai AUC 0.81-0.96 untuk semua jenis bencana, dengan akurasi di atas 0.77 dan nilai kappa 0.53-0.79. Hasil analisis mengidentifikasi bahwa 11.11% wilayah (12,522.75 hektar) memiliki potensi bencana kebakaran hutan dan lahan, sementara 22.90% wilayah (25,811.38 hektar) berisiko mengalami kombinasi kekeringan, kebakaran hutan dan lahan, serta banjir. Kecamatan Ngablak dan Pakis teridentifikasi sebagai area dengan kerentanan tertinggi, masing-masing mencatatkan area kerentanan tinggi seluas 507.25 Ha dan 779.51 Ha. Analisis frequency ratio menunjukkan bahwa kemiringan lereng (frequency ratio 1.99-2.0) dan litologi (frequency ratio 1.82-2.0) memiliki pengaruh paling signifikan terhadap kejadian bencana, diikuti oleh faktor curah hujan dan penggunaan lahan yang bervariasi untuk setiap jenis bencana. Model yang dikembangkan berhasil mengintegrasikan analisis multi-bencana dan memberikan pendekatan sistematis dalam menganalisis pola spasial kerentanan bencana pada lahan pertanian.

---

This research develops a Spatial Machine Learning (SML)-based predictive model to analyze multi-hazard vulnerability in agricultural lands in Magelang Regency. The research methodology integrates five machine learning algorithms: Decision Tree, Random Forest, Support Vector Machine, Artificial Neural Network, and Gradient Boosting Machine. The Random Forest model shows the best performance with AUC values of 0.81-0.96 for all types of hazards, with accuracy above 0.77 and kappa values of 0.53-0.79. The analysis results identify that 11.11% of the area (12,522.75 hectares) has potential for forest and land fires, while 22.90% of the area (25,811.38 hectares) is at risk of experiencing a combination of drought, forest and land fires, and floods. Ngablak and Pakis Districts are identified as areas with the highest vulnerability, recording high vulnerability areas of 507.25 Ha and 779.51 Ha respectively. Frequency ratio analysis shows that slope (frequency ratio 1.99-2.0) and lithology (frequency ratio 1.82-2.0) have the most significant influence on disaster occurrence, followed by rainfall and land use factors that vary for each type of disaster. The developed model successfully integrates multi-hazard analysis and provides a systematic approach to analyzing spatial patterns of disaster vulnerability in agricultural lands."

"Dalam menghadapi meningkatnya permintaan transportasi muatan curah kargo di era transisi energi, efisiensi operasional menjadi krusial untuk mengelola biaya operasional harian kapal bulk carrier, di mana bahan bakar mencakup 60%-70% dari total biaya operasional. Penelitian ini mengusulkan pendekatan menggunakan model Random Forest (RF) untuk memprediksi konsumsi bahan bakar kapal, mengatasi keterbatasan metode empiris statistik konvensional dalam memodelkan faktor eksternal seperti kondisi cuaca. Ordinary Least Squares (OLS) digunakan untuk mengevaluasi signifikansi variabel independen setelah normalisasi data dengan metode min-max, dengan pembagian data training dan testing sebesar 70% dan 30%. Pendekatan baru diterapkan untuk validasi data guna mengevaluasi sejauh mana model dapat membaca dataset dengan variasi jumlah subset data kapal, dan menggunakan analisis histogram untuk mengkaji pergeseran nilai error dalam persebaran data seiring bertambahnya jumlah data yang digunakan. Evaluasi dilakukan menggunakan empat metrik, yaitu MSE, RMSE, MAE, dan MAPE, yang menunjukkan bahwa model RF mencapai akurasi tinggi sebesar 95%-98% dengan kesalahan rata-rata sangat rendah di bawah 0,1 pada semua metrik. Penelitian ini tidak hanya memberikan solusi efektif untuk mengoptimalkan konsumsi bahan bakar dan meminimalkan biaya operasional, tetapi juga mendukung pengambilan keputusan yang lebih cepat dan tepat dalam operasional kapal.

---

In response to the increasing demand for bulk cargo transportation in the energy transition era, operational efficiency is crucial to managing the daily operational costs of bulk carrier vessels, with fuel accounting for 60%-70% of total operational expenses. This study proposes an approach utilizing the Random Forest (RF) model to predict ship fuel consumption, addressing the limitations of conventional empirical statistical methods in modeling external factors such as weather conditions. Ordinary Least Squares (OLS) was employed to evaluate the significance of independent variables after data normalization using the min-max method, with a 70% and 30% split for training and testing data, respectively. A novel approach was implemented for data validation to assess the extent to which the model can interpret datasets with varying subsets of ship data, using histogram analysis to examine the shift in error distribution as the dataset size increases. The evaluation was conducted using four metrics, namely MSE, RMSE, MAE, and MAPE, demonstrating that the RF model achieved high accuracy between 95% and 98%, with extremely low average errors below 0.1 across all metrics. This study not only provides an effective solution to optimize fuel consumption and minimize operational costs but also supports faster and more accurate decision-making in ship operations."