Hasil Pencarian  ::  Simpan CSV :: Kembali

"Congestion control merupakan salah-satu mekanisme yang penting dalam jaringan komputer, termasuk Internet. Banyak penelitian yang telah mencoba menghasilkan congestion control yang efektif mengatur jaringan sehingga tidak terjadi congestion selagi memastikan Quality of Service (QoS) yang baik. Sejak tahun 1988, telah banyak algoritma congestion control yang dibuat untuk mengatasi hal tersebut. Selama ini, pada umumnya algoritma congestion control menggunakan konsep rule-based yang mana algoritma tersebut mengatur jaringan berdasarkan aturan-aturan yang sudah ditentukan oleh manusia. Seiring berkembangnya teknologi kecerdasan buatan dan pembelajaran mesin, semakin banyak congestion control yang mulai dikembangkan menggunakan teknologi tersebut. Salah satu teknologi pembelajaran mesin yang cocok digunakan untuk congestion control adalah deep reinforcement learning. Pembelajaran mesin dimanfaatkan untuk mengganti manusia dalam menciptakan aturan yang digunakan congestion control untuk menghasilkan congestion control berbasis deep reinfocement learning (DRL-CC). Penggunaan pembelajaran mesin dipercaya memiliki kemampuan untuk mengatasi kondisi jaringan yang semakin dinamis dibandingkan pada abad ke-20. Penelitian ini merupakan lanjutan dari penelitian sebelumnya yang bertujuan untuk memperbaiki algoritma DRL-CC yang sudah diciptakan yaitu Aurora dengan memodifikasi algoritma tersebut. Penelitian ini membandingkan Aurora dengan modifikasi DRL-CC tersebut pada kasus pemakaian yang semakin relevan pada masa ini yaitu streaming video untuk mencari tahu apakah modifikasi tersebut bersifat robust. Dilakukan eksperimentasi pada DRL-CC tersebut menggunakan Pantheon pada bermacam skenario jaringan termasuk skenario streaming video. Ditemukan bahwa pada skenario streaming video, modifikasi Aurora memiliki performa yang lebih baik dari Aurora asli. Terdapat penurunan sebesar 1.87 kali lebih rendah pada kategori delay yang dihasilkan oleh modifikasi Aurora. Selain itu, modifikasi Aurora mampu menekan loss rate yang dialami sebesar 2.36 kali lebih rendah.......Congestion control is an essential mechanism in computer networks, including the Internet. Many studies have tried to produce congestion control that effectively regulates the network so that congestion does not occur while ensuring good Quality of Service (QoS). Since 1988, many congestion control algorithms have been created to overcome this. So far, congestion control algorithms generally use a rule-based concept where the algorithm manages the network based on rules that have been determined by humans. As artificial intelligence and machine learning technology develop, more and more congestion controls are starting to be developed using this technology. One machine learning technology that is suitable for congestion control is deep reinforcement learning. Machine learning is used to replace humans in creating the rules used by congestion control to produce deep reinforcement learning based congestion control (DRL-CC). The use of machine learning is believed to have the ability to overcome network conditions that are increasingly dynamic compared to those of the 20th century. This research is a continuation of previous research which aims to improve the DRL-CC algorithm that has been created, namely Aurora, by modifying the algorithm. This research compares Aurora with the modified DRL-CC algorithm in a use case that is increasingly relevant today, namely video streaming, to find out whether the modification is robust. Experiments were carried out on DRL-CC using Pantheon in various network scenarios, including video streaming. It was found that in the video streaming scenario, the modified Aurora performed better than the original Aurora. There was a decrease of 1.87 times in the delay category produced by the Aurora modification. Apart from that, the Aurora modification was able to reduce the loss rate experienced by 2.36 times lower."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart....... The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."

"Rumah Sakit sebagai pemberi layanan Kesehatan untuk mesyarakat memiliki dampak terhadap lingkungan sebagai akibat dari kegiatannya yaitu limbah. Pengelolaan limbah rumah sakit menjadi sangat penting karena dapat menyebabkan berbagai gangguan baik  kepada para tenaga kesehatan, pasien dan keluarga namun juga kepada lingkungan dan masyarakat sekitar. Gangguan yang disebabkan antara lain penyakit HIV, Hepatitis B dan Hepatitis C. Manajemen pengelolaan limbah rumah sakit diatur oleh berbagai regulasi Pemerintah Pusat maupun daerah yang kemudian oleh rumah sakit diadaptasi menjadi regulasi internal. Penelitian ini berfokus pada evaluasi pelaksanaan pengelolaan limbah yang dilakukan RS dengan regulasi yang berlaku terkait pengelolaan limbah dari sisi SDM, Sarana Prasarana, Anggaran, Regulasi Internal dan Proses pengelolaan limbah. Penelitian dimulai dengan observasi langsung menggunakan formular checklist yangbersumber dari regulasi dilanjutkan dengan telusur dokumen dan diakhiri dengan wawancara mendalam kepada informan yang terlibat langsung dalam pengelolaan limbah. Hasil penelitian menunjukkan bahwa masih terdapat ketidaksesuaian pelaksanaan pengelolaan limbah pada SDM yaitu latar belakang Pendidikan dan jumlah tenaga, Sarana Prasarana terkait tidak adanya dashboard monitoring limbah, Anggaran terkait biaya pengelolaan, Regulasi Internal terkait penggunaan acuan regulasi yang sudah tidak berlaku dan Proses pengelolaan limbah khususnya B3 yang belum sesuai. Usulan perbaikan dengan membuat unit Kesehatan lingkungan secara mandiri, penambahan jumlah tenaga, upgrading Pendidikan dari SDM pengelola limbah, pembuatan dashboard monitoring yang user friendly serta memperbaiki pengelolaan limbah di rumah sakit yang belum sesuai.......Hospitals as providers of health services to the community have an impact on the environment as a result of their activities, namely waste. Hospital waste management is very important because it can cause various disorders both to health workers, patients and families but also to the environment and the surrounding community. Disorders caused include HIV, Hepatitis B and Hepatitis C diseases. Hospital waste management is regulated by various central and regional government regulations which are then adapted by hospitals into internal regulations. This research focuses on evaluating the implementation of waste management carried out by hospitals with applicable regulations related to waste management in terms of human resources, infrastructure, budget, internal regulations and waste management processes. The research began with direct observation using a formular checklist sourced from regulations followed by a document search and ended with in-depth interviews with informants directly involved in waste management. The results showed that there were still discrepancies in the implementation of waste management in human resources, namely educational background and number of personnel, infrastructure facilities related to the absence of a waste monitoring dashboard, budget related to management costs, internal regulations related to the use of regulatory references that were no longer valid and the process of waste management, especially hazardous waste, which was not yet appropriate. Proposed improvements by creating an independent Environmental Health unit, increasing the number of personnel, upgrading the education of waste management human resources, creating a user friendly monitoring dashboard and improving waste management in hospitals that are not yet appropriate."

"Penelitian ini ditujukan untuk mengetahui faktor-faktor yang memengaruhi intensi penggunaan aplikasi SPBE mobile di Indonesia, khususnya aplikasi Sapawarga, JAKI, dan Depok Single Window (DSW), serta bagaimana kepuasan pengguna memengaruhi intensi tersebut. Model penelitian ini merupakan hasil penggabungan dan modifikasi dari dua teori berbeda, yaitu Unified Theory of Acceptance and Use of Technology (UTAUT) untuk mengukur intensi pengguna dan e-Government Service Quality (e-GovQual) untuk mengukur kepuasan pengguna. Data kuantitatif yang terkumpul berasal dari kuesioner daring yang ditujukan untuk pengguna masing-masing aplikasi. Penelitian aplikasi Sapawarga dan JAKI berhasil mengumpulkan masing-masing 267 data, sementara penelitian aplikasi DSW berhasil mengumpulkan 294 data. Hasil penelitian ketiga aplikasi menunjukkan bahwa user satisfaction memengaruhi behavioral intention secara signifikan, di mana user satisfaction dipengaruhi secara signifikan oleh trust, efficiency, dan reliability. Selain itu, hasil penelitian aplikasi Sapawarga menunjukkan adanya pengaruh signifikan effort expectancy dan social influence terhadap behavioral intention, sedangkan hasil penelitian aplikasi JAKI hanya menunjukkan adanya pengaruh signifikan performance expectancy terhadap behavioral intention yang tidak terbukti pada penelitian aplikasi Sapawarga. Sementara itu, penelitian aplikasi Depok Single Window (DSW) menunjukkan pengaruh signifikan pada ketiga aspek tersebut, yaitu effort expectancy, performance expectancy, dan social influence terhadap behavioral intention. Penelitian ini menyediakan data dan wawasan yang dapat dimanfaatkan oleh pengelola aplikasi untuk melakukan evaluasi dan perbaikan, sehingga dapat merancang strategi yang lebih efektif untuk meningkatkan tingkat adopsi.......This study aims to determine the factors that influence user intention to use mobile SPBE applications in Indonesia, specifically Sapawarga, JAKI, and Depok Single Window (DSW) applications, and how user satisfaction affects these intentions. This research model is the result of combining and modifying two different theories, namely the Unified Theory of Acceptance and Use of Technology (UTAUT) to measure user intentions and e-Government Service Quality (e-GovQual) to measure user satisfaction. The quantitative data collected came from an online questionnaire aimed at users of each application. Research about Sapawarga and JAKI application successfully collected 267 data each, while research about DSW application successfully collected 294 data. The research results of the three applications show that user satisfaction significantly affects behavioural intention, where user satisfaction is significantly influenced by trust, efficiency, and reliability. In addition, the results of the Sapawarga application research show a significant effect of effort expectancy and social influence on behavioural intention, while the results of the JAKI application research only show a significant effect of performance expectancy on behavioural intention which is not proven in the Sapawarga application research. Meanwhile, Depok Single Window (DSW) application research shows a significant influence on all three aspects, namely effort expectancy, performance expectancy, and social influence. This research provides data and insights that can be utilized by application managers to evaluate and improve, enabling them to design more effective strategies to increase adoption rates."

"Penelitian ini ditujukan untuk mengetahui faktor-faktor yang memengaruhi intensi penggunaan aplikasi SPBE mobile di Indonesia, khususnya aplikasi Sapawarga, JAKI, dan Depok Single Window (DSW), serta bagaimana kepuasan pengguna memengaruhi intensi tersebut. Model penelitian ini merupakan hasil penggabungan dan modifikasi dari dua teori berbeda, yaitu Unified Theory of Acceptance and Use of Technology (UTAUT) untuk mengukur intensi pengguna dan e-Government Service Quality (e-GovQual) untuk mengukur kepuasan pengguna. Data kuantitatif yang terkumpul berasal dari kuesioner daring yang ditujukan untuk pengguna masing-masing aplikasi. Penelitian aplikasi Sapawarga dan JAKI berhasil mengumpulkan masing-masing 267 data, sementara penelitian aplikasi DSW berhasil mengumpulkan 294 data. Hasil penelitian ketiga aplikasi menunjukkan bahwa user satisfaction memengaruhi behavioral intention secara signifikan, di mana user satisfaction dipengaruhi secara signifikan oleh trust, efficiency, dan reliability. Selain itu, hasil penelitian aplikasi Sapawarga menunjukkan adanya pengaruh signifikan effort expectancy dan social influence terhadap behavioral intention, sedangkan hasil penelitian aplikasi JAKI hanya menunjukkan adanya pengaruh signifikan performance expectancy terhadap behavioral intention yang tidak terbukti pada penelitian aplikasi Sapawarga. Sementara itu, penelitian aplikasi Depok Single Window (DSW) menunjukkan pengaruh signifikan pada ketiga aspek tersebut, yaitu effort expectancy, performance expectancy, dan social influence terhadap behavioral intention. Penelitian ini menyediakan data dan wawasan yang dapat dimanfaatkan oleh pengelola aplikasi untuk melakukan evaluasi dan perbaikan, sehingga dapat merancang strategi yang lebih efektif untuk meningkatkan tingkat adopsi.......This study aims to determine the factors that influence user intention to use mobile SPBE applications in Indonesia, specifically Sapawarga, JAKI, and Depok Single Window (DSW) applications, and how user satisfaction affects these intentions. This research model is the result of combining and modifying two different theories, namely the Unified Theory of Acceptance and Use of Technology (UTAUT) to measure user intentions and e-Government Service Quality (e-GovQual) to measure user satisfaction. The quantitative data collected came from an online questionnaire aimed at users of each application. Research about Sapawarga and JAKI application successfully collected 267 data each, while research about DSW application successfully collected 294 data. The research results of the three applications show that user satisfaction significantly affects behavioural intention, where user satisfaction is significantly influenced by trust, efficiency, and reliability. In addition, the results of the Sapawarga application research show a significant effect of effort expectancy and social influence on behavioural intention, while the results of the JAKI application research only show a significant effect of performance expectancy on behavioural intention which is not proven in the Sapawarga application research. Meanwhile, Depok Single Window (DSW) application research shows a significant influence on all three aspects, namely effort expectancy, performance expectancy, and social influence. This research provides data and insights that can be utilized by application managers to evaluate and improve, enabling them to design more effective strategies to increase adoption rates."

"Penelitian ini ditujukan untuk mengetahui faktor-faktor yang memengaruhi intensi penggunaan aplikasi SPBE mobile di Indonesia, khususnya aplikasi Sapawarga, JAKI, dan Depok Single Window (DSW), serta bagaimana kepuasan pengguna memengaruhi intensi tersebut. Model penelitian ini merupakan hasil penggabungan dan modifikasi dari dua teori berbeda, yaitu Unified Theory of Acceptance and Use of Technology (UTAUT) untuk mengukur intensi pengguna dan e-Government Service Quality (e-GovQual) untuk mengukur kepuasan pengguna. Data kuantitatif yang terkumpul berasal dari kuesioner daring yang ditujukan untuk pengguna masing-masing aplikasi. Penelitian aplikasi Sapawarga dan JAKI berhasil mengumpulkan masing-masing 267 data, sementara penelitian aplikasi DSW berhasil mengumpulkan 294 data. Hasil penelitian ketiga aplikasi menunjukkan bahwa user satisfaction memengaruhi behavioral intention secara signifikan, di mana user satisfaction dipengaruhi secara signifikan oleh trust, efficiency, dan reliability. Selain itu, hasil penelitian aplikasi Sapawarga menunjukkan adanya pengaruh signifikan effort expectancy dan social influence terhadap behavioral intention, sedangkan hasil penelitian aplikasi JAKI hanya menunjukkan adanya pengaruh signifikan performance expectancy terhadap behavioral intention yang tidak terbukti pada penelitian aplikasi Sapawarga. Sementara itu, penelitian aplikasi Depok Single Window (DSW) menunjukkan pengaruh signifikan pada ketiga aspek tersebut, yaitu effort expectancy, performance expectancy, dan social influence terhadap behavioral intention. Penelitian ini menyediakan data dan wawasan yang dapat dimanfaatkan oleh pengelola aplikasi untuk melakukan evaluasi dan perbaikan, sehingga dapat merancang strategi yang lebih efektif untuk meningkatkan tingkat adopsi.......This study aims to determine the factors that influence user intention to use mobile SPBE applications in Indonesia, specifically Sapawarga, JAKI, and Depok Single Window (DSW) applications, and how user satisfaction affects these intentions. This research model is the result of combining and modifying two different theories, namely the Unified Theory of Acceptance and Use of Technology (UTAUT) to measure user intentions and e-Government Service Quality (e-GovQual) to measure user satisfaction. The quantitative data collected came from an online questionnaire aimed at users of each application. Research about Sapawarga and JAKI application successfully collected 267 data each, while research about DSW application successfully collected 294 data. The research results of the three applications show that user satisfaction significantly affects behavioural intention, where user satisfaction is significantly influenced by trust, efficiency, and reliability. In addition, the results of the Sapawarga application research show a significant effect of effort expectancy and social influence on behavioural intention, while the results of the JAKI application research only show a significant effect of performance expectancy on behavioural intention which is not proven in the Sapawarga application research. Meanwhile, Depok Single Window (DSW) application research shows a significant influence on all three aspects, namely effort expectancy, performance expectancy, and social influence. This research provides data and insights that can be utilized by application managers to evaluate and improve, enabling them to design more effective strategies to increase adoption rates."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.......This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.......This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.......This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."