Publication Search

Polusi udara partikulat halus (PM2,5) merupakan ancaman serius bagi kesehatan masyarakat di Kabupaten Brebes, Jawa Tengah. Faktor penyumbang utamanya adalah emisi kendaraan di jalur Pantura, aktivitas industri perikanan, serta konsentrasi tinggi selama musim kemarau (Juni–November). Tidak adanya model peramalan sub-jam yang akurat menghambat pengembangan sistem peringatan dini yang efektif. Penelitian ini mengembangkan dan mengevaluasi model deep learning berbasis Transformer untuk memprediksi konsentrasi PM2,5 dengan resolusi waktu 15 menit. Data yang digunakan berasal dari NASA GEOS-CF (band PM25_RH35_GCC) yang diakses melalui Google Earth Engine menggunakan API Python. Dataset mencakup periode 1 Januari hingga 22 November 2025, menghasilkan 7.813 observasi per jam, yang kemudian diinterpolasi linear menjadi 31.249 titik data dengan resolusi 15 menit. Arsitektur Transformer terdiri dari 3 lapis enkoder, 4 kepala perhatian multi-head, dimensi embedding 128, dimensi feed-forward 256, panjang sekuen 60 timestep, dan augmentasi fitur menggunakan rerata bergulir (*rolling mean*, jendela = 3) dan beda pertama (*first difference*). Pelatihan dilakukan dengan TensorFlow-Keras, pengoptimal Adam, penjadwal peluruhan kosinus (*cosine decay scheduler*), dan fungsi kerugian Huber. Pembagian data dilakukan secara kronologis: 70% pelatihan, 30% validasi. Evaluasi pada set uji independen (16 Agustus–21 November 2025, 9.357 observasi atau 97 hari 11 jam 15 menit) menghasilkan MAE 0,7691 µg/m³, RMSE 1,2052 µg/m³, R² 0,9945, dan *Explained Variance Score* 0,9948. Model ini mampu menggambarkan variasi diurnal dan anomali musiman secara akurat, jauh melampaui model LSTM dan GTWR konvensional. Penelitian ini memberikan kontribusi signifikan di bidang Teknologi Informasi melalui kerangka kerja pengolahan *big data* satelit untuk aplikasi lingkungan.

Hijaiyah letters have varying shapes, and some of them are very similar, often causing errors in the manual character recognition process. This study aims to classify Hijaiyah letters based on digital images using the Convolutional Neural Network (CNN) method. This method was used in this study with a dataset consisting of 28 letter classes and a total of 4,480 images obtained from various public sources and private data. All images underwent a preprocessing stage that included labeling, resizing, normalization, and augmentation, then were divided into three parts, namely training data, validation data, and test data with a ratio of 70:20:10. The training process was carried out using the Python programming language with the help of the TensorFlow and Keras libraries on the Google Colab platform. The test results showed that the CNN model achieved an accuracy of 97.10%, with an average precision, recall, and F1-score of 0.97, respectively. Classification errors only occurred in letters that had similar shapes, such as Syin and Sin. Based on these results, the CNN method proved to be effective, efficient, and accurate in recognizing Hijaiyah letter image patterns, so it can be used as a basis for developing classification models with higher accuracy in the future.