Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Riset Mahasiswa Matematika
Erna Herawati
Program Studi Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang, Indonesia
Mathematics

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

Found 2 Documents
Search

 1 
Implementasi Metode Adaptive Neuro-Fuzzy Inference System (ANFIS) terhadap Prediksi Tingkat Kemiskinan di Kabupaten/Kota Jawa Timur Tsalsya Ni'matul Aulia; Evawati Alisah; Erna Herawati
Jurnal Riset Mahasiswa Matematika Vol 5, No 4 (2026): Jurnal Riset Mahasiswa Matematika
Publisher : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/jrmm.v5i4.37645

Abstract

This study aims to evaluate the effectiveness of the Adaptive Neuro-Fuzzy Inference System (ANFIS) in predicting poverty levels in the Regencies/Cities of East Java Province. ANFIS is a hybrid method that combines fuzzy logic and artificial neural networks, enabling it to handle complex socio-economic data with inherent uncertainty. The model uses the open unemployment rate, population growth rate, and school participation rate for ages 16–18, while the target variable is the poverty level. The data were obtained from the central statistics agency (BPS) and cover the years 2022, 2023, and 2024. Modeling was carried out using a time-based split approach, in which 2022 data were used as training data to predict the 2023 poverty level, and 2023 data were used as testing data to predict the 2024 poverty level. The training process employed a hybrid algorithm combining Least Squares Estimation (LSE) and backpropagation. Evaluation was conducted using Mean Squared Error (MSE) to assess the model’s accuracy. The results indicate that ANFIS is capable of producing accurate predictions of poverty levels, with an MSE value of 3.98 × 10⁻²⁴ in the testing phase. Therefore, ANFIS is considered effective in analyzing and predicting socio-economic phenomena at the regional level.
Penanganan Data Imbalanced untuk Klasifikasi Diagnosis Hipertensi dengan Tomek Links pada Regresi Logistik Putri Aulia Fachreza; Ria Dhea Layla Nur Karisma; Erna Herawati
Jurnal Riset Mahasiswa Matematika Vol 4, No 5 (2025): Jurnal Riset Mahasiswa Matematika
Publisher : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/jrmm.v4i5.34567

Abstract

Masalah imbalanced data seringkali menghambat akurasi dalam proses klasifikasi, terutama dalam kasus diagnosis hipertensi, di mana jumlah kelas minoritas jauh lebih sedikit dibandingkan kelas mayoritas. Penelitian ini bertujuan untuk membangun model regresi logistik yang akurat dengan mengatasi ketidakseimbangan data menggunakan metode Tomek Links. Metode ini bekerja dengan menghapus pasangan data terdekat dari kelas berbeda untuk mereduksi noise dan memperbaiki distribusi data. Setelah dilakukan undersampling dengan Tomek Links, model regresi logistik dibentuk dengan pendekatan Maximum Likelihood Estimation melalui metode iteratif Newton-Raphson. Evaluasi model dilakukan melalui pengujian multikolinearitas, uji signifikansi parameter, uji kesesuaian model, dan pengukuran ketepatan klasifikasi berdasarkan nilai Apparent Error Rate (APER). Hasil penelitian menunjukkan bahwa variabel jenis kelamin, konsumsi gula berlebih, lemak berlebih, dan usia secara signifikan mempengaruhi kemungkinan seseorang menderita hipertensi. Model akhir menghasilkan tingkat akurasi sebesar 89,5%. Penelitian ini menunjukkan bahwa kombinasi metode Tomek Links dan regresi logistik dapat menjadi pendekatan efektif dalam menangani imbalanced data pada diagnosa hipertensi.
Co-Authors Evawati Alisah Putri Aulia Fachreza Ria Dhea Layla Nur Karisma Tsalsya Ni'matul Aulia