Implementasi Metode Machine Learning: Penentuan Sistem Pusat Permukiman
Metode yang umum dilakukan pada penetapan hirarki pusat pelayanan saat menentukan sistem pusat permukiman adalah analisis skalogram berdasarkan beberapa variabel, lalu dilakukan identifikasi kesesuaian dengan rencana tata ruang. Teknologi informasi mengubah sudut pandang kota dalam mengatur kebijaka...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Diponegoro University
2024-11-01
|
| Series: | Tataloka |
| Subjects: | |
| Online Access: | https://ejournal2.undip.ac.id/index.php/tataloka/article/view/16876 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1846140648745336832 |
|---|---|
| author | Kiagus Muhammad Benyamin Azhary Valendya Rilansari |
| author_facet | Kiagus Muhammad Benyamin Azhary Valendya Rilansari |
| author_sort | Kiagus Muhammad Benyamin Azhary |
| collection | DOAJ |
| description | Metode yang umum dilakukan pada penetapan hirarki pusat pelayanan saat menentukan sistem pusat permukiman adalah analisis skalogram berdasarkan beberapa variabel, lalu dilakukan identifikasi kesesuaian dengan rencana tata ruang. Teknologi informasi mengubah sudut pandang kota dalam mengatur kebijakan, kota cerdas merupakan strategi pemanfaatan teknologi informasi dalam beberapa bidang dan tata kelola perkotaaan untuk mengubah infrastruktur kota dan pelayanan publik. Oleh karena itu, pemanfaatan teknologi informasi pada proses perlu dilakukan agar terwujudnya kota cerdas berbasis pemanfaatan teknologi informasi. Pemanfaatan teknologi pada penentuan pusat pelayanan masih sedikit dikarenakan kurangnya penelitian yang memiliki konsentrasi terhadap pemanfaatan teknologi informasi pada perencanaan tata ruang kota. Menggunakan metode machine learning dalam klasifikasi hirarki berdasarkan variabel pembentuk kota sangatlah memungkinkan. Proses input-process data menggunakan python. Pemilihan dataset didasarkan karakteristik kota yang serupa untuk mencapai nilai akurasi yang tinggi serta validasi data yang akurat. Dari hasil penelitian ditemukan bahwa pengujian model Random Forest memiliki nilai akurasi paling tinggi diantara empat metode lain. Tujuan penelitian adalah untuk melakukan simulasi penentuan pusat pelayanan dengan memanfaatkan metode machine learning sehingga dapat menjadi preseden untuk kabupaten/kota di Indonesia dalam mewujudkan inovasi dan pemanfaatan teknologi pada perencanaan wilayah dan kota. Penelitian ini sangat diperlukan untuk melihat sejauh mana metode machine learning dapat dimanfaatkan pada perencanaan wilayah dan kota. |
| format | Article |
| id | doaj-art-b1662b0025c74b8e993558d1a834a6b9 |
| institution | Kabale University |
| issn | 0852-7458 2356-0266 |
| language | English |
| publishDate | 2024-11-01 |
| publisher | Diponegoro University |
| record_format | Article |
| series | Tataloka |
| spelling | doaj-art-b1662b0025c74b8e993558d1a834a6b92024-12-05T07:02:26ZengDiponegoro UniversityTataloka0852-74582356-02662024-11-0126423024010.14710/tataloka.26.4.230-2409192Implementasi Metode Machine Learning: Penentuan Sistem Pusat PermukimanKiagus Muhammad Benyamin Azhary0Valendya Rilansari1Institut Teknologi Bandung, IndonesiaInstitut Teknologi Sumatera, IndonesiaMetode yang umum dilakukan pada penetapan hirarki pusat pelayanan saat menentukan sistem pusat permukiman adalah analisis skalogram berdasarkan beberapa variabel, lalu dilakukan identifikasi kesesuaian dengan rencana tata ruang. Teknologi informasi mengubah sudut pandang kota dalam mengatur kebijakan, kota cerdas merupakan strategi pemanfaatan teknologi informasi dalam beberapa bidang dan tata kelola perkotaaan untuk mengubah infrastruktur kota dan pelayanan publik. Oleh karena itu, pemanfaatan teknologi informasi pada proses perlu dilakukan agar terwujudnya kota cerdas berbasis pemanfaatan teknologi informasi. Pemanfaatan teknologi pada penentuan pusat pelayanan masih sedikit dikarenakan kurangnya penelitian yang memiliki konsentrasi terhadap pemanfaatan teknologi informasi pada perencanaan tata ruang kota. Menggunakan metode machine learning dalam klasifikasi hirarki berdasarkan variabel pembentuk kota sangatlah memungkinkan. Proses input-process data menggunakan python. Pemilihan dataset didasarkan karakteristik kota yang serupa untuk mencapai nilai akurasi yang tinggi serta validasi data yang akurat. Dari hasil penelitian ditemukan bahwa pengujian model Random Forest memiliki nilai akurasi paling tinggi diantara empat metode lain. Tujuan penelitian adalah untuk melakukan simulasi penentuan pusat pelayanan dengan memanfaatkan metode machine learning sehingga dapat menjadi preseden untuk kabupaten/kota di Indonesia dalam mewujudkan inovasi dan pemanfaatan teknologi pada perencanaan wilayah dan kota. Penelitian ini sangat diperlukan untuk melihat sejauh mana metode machine learning dapat dimanfaatkan pada perencanaan wilayah dan kota.https://ejournal2.undip.ac.id/index.php/tataloka/article/view/16876klasifikasi hirarki, machine learning, sistem pusat permukiman |
| spellingShingle | Kiagus Muhammad Benyamin Azhary Valendya Rilansari Implementasi Metode Machine Learning: Penentuan Sistem Pusat Permukiman Tataloka klasifikasi hirarki, machine learning, sistem pusat permukiman |
| title | Implementasi Metode Machine Learning: Penentuan Sistem Pusat Permukiman |
| title_full | Implementasi Metode Machine Learning: Penentuan Sistem Pusat Permukiman |
| title_fullStr | Implementasi Metode Machine Learning: Penentuan Sistem Pusat Permukiman |
| title_full_unstemmed | Implementasi Metode Machine Learning: Penentuan Sistem Pusat Permukiman |
| title_short | Implementasi Metode Machine Learning: Penentuan Sistem Pusat Permukiman |
| title_sort | implementasi metode machine learning penentuan sistem pusat permukiman |
| topic | klasifikasi hirarki, machine learning, sistem pusat permukiman |
| url | https://ejournal2.undip.ac.id/index.php/tataloka/article/view/16876 |
| work_keys_str_mv | AT kiagusmuhammadbenyaminazhary implementasimetodemachinelearningpenentuansistempusatpermukiman AT valendyarilansari implementasimetodemachinelearningpenentuansistempusatpermukiman |