Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Tensor: Pure and Applied Mathematics Journal
Rosalina Salhuteru
Unknown Affiliation
Computer Science & IT Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementation of the Generalized Regression Neural Network (GRNN) Algorithm in Predicting the Level of People’s Welfare in Maluku Province Marlon Stivo Noya van Delsen; Mei Anista Ririmasse; Rosalina Salhuteru
Tensor: Pure and Applied Mathematics Journal Vol 7 No 1 (2026): Tensor: Pure and Applied Mathematics Journal
Publisher : Department of Mathematics, Faculty of Mathematics and Natural Sciences, Pattimura University, Ambon, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/tensorvol7iss1pp9-16

Abstract

Permasalahan kesejahteraan rakyat di Provinsi Maluku masih menjadi isu utama yang ditandai dengan tingginya tingkat kemiskinan, rendahnya pengeluaran per kapita, serta keterbatasan akses terhadap pendidikan dan kesehatan. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mempengaruhi tingkat kesejahteraan rakyat serta mengukur akurasi algoritma Generalized Regression Neural Network (GRNN) dalam memprediksi tingkat kesejahteraan rakyat di Provinsi Maluku. Penelitian yang digunakan adalah penelitian kuantitatif dengan menerapkan GRNN pada delapan variabel sosial ekonomi yang diperoleh dari data Badan Pusat Statistik (BPS) Maluku tahun 2020–2024. Analisis korelasi Pearson digunakan untuk seleksi variabel, dilanjutkan dengan optimasi parameter sigma menggunakan grid search. Hasil penelitian menunjukkan enam variabel berpengaruh signifikan dan dilanjutkan sebagai input pemodelan. Model GRNN dengan sigma optimal 0,3 menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 6,15%, yang termasuk kategori “sangat baik.” Oleh karena itu GRNN efektif digunakan untuk memprediksi tingkat kesejahteraan rakyat di Provinsi Maluku serta dapat menjadi dasar bagi pemerintah daerah dalam merumuskan kebijakan sosial-ekonomi yang lebih tepat sasaran.
Clustering of Regencies/Cities in Maluku Province Based on Tuberculosis Cases Using the K-Medoids Algorithm Meyriska Wattimena; Marlon Stivo Noya Van Delsen; Rosalina Salhuteru; Norisca Lewaherilla
Tensor: Pure and Applied Mathematics Journal Vol 6 No 2 (2025): Vol 6 No 2 (2025): Tensor: Pure and Applied Mathematics Journal
Publisher : Department of Mathematics, Faculty of Mathematics and Natural Sciences, Pattimura University, Ambon, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/tensorvol6iss2pp67-74

Abstract

Tuberkulosis (TBC) merupakan penyakit menular yang masih menjadi permasalahan kesehatan serius di Indonesia, termasuk di Provinsi Maluku. Penanganan TBC yang efektif memerlukan pemahaman terhadap karakteristik wilayah berdasarkan tingkat kasus TBC. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Provinsi Maluku berdasarkan jumlah kasus TBC periode 2021–2023 menggunakan algoritma K-Medoids, serta menentukan jumlah cluster optimal dengan Metode Elbow dan Silhouette Coefficient. Data yang digunakan diperoleh dari Badan Pusat Statistik Provinsi Maluku. Hasil analisis menunjukkan bahwa jumlah cluster optimal adalah tiga, yaitu: Cluster 0 (kategori rendah) terdiri dari 8 kabupaten/kota, Cluster 1 (kategori sedang) terdiri dari 2 kabupaten/kota, dan Cluster 2 (kategori tinggi) hanya terdiri dari Kota Ambon. Validasi menggunakan Silhouette Coefficient pada k = 3 menunjukkan nilai sebesar 0,641 yang berada pada kategori struktur sedang. Pengelompokan ini diharapkan dapat membantu pemerintah dalam merancang strategi penanggulangan TBC yang lebih terfokus dan sesuai dengan tingkat risiko di masing-masing wilayah.
Co-Authors Marlon Stivo Noya van Delsen Marlon Stivo Noya Van Delsen Mei Anista Ririmasse Meyriska Wattimena Norisca Lewaherilla