Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi Emasains : Jurnal Edukasi Matematika dan Sains
Muhammad Hidayatul Arifin
Universitas Negeri Medan
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Engineering Environmental Science Mathematics Neuroscience Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Pertumbuhan Dan Konvergensi Upah Minimum Provinsi Di Indonesia Dalam Pendekatan Sistem Dinamis Kristin Impana Manik; Salsa Nabila Harahap; Muhammad Hidayatul Arifin; Suvriadi Panggabean
Emasains : Jurnal Edukasi Matematika dan Sains Vol. 15 No. 1 (2026): Maret 2026
Publisher : Program Studi Pendidikan Matematika dan Pendidikan Biologi Universitas PGRI Mahadewa Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59672/emasains.v15i1.5606

Abstract

Penelitian ini bertujuan untuk mengkaji pola pertumbuhan serta tingkat konvergensi Upah Minimum Provinsi (UMP) di Indonesia dengan menggunakan pendekatan sistem dinamis. Pendekatan tersebut dapat memberikan kemampuan untuk menganalisis hubungan timbal balik antarvariabel ekonomi, kebijakan pemerintah, dan faktor sosial yang saling memengaruhi dalam proses penetapan upah minimum di tingkat provinsi. Data sekunder yang mencakup 34 provinsi selama periode 2018–2025 dimanfaatkan untuk menelusuri tren pertumbuhan UMP, tingkat ketimpangan regional, serta potensi penyetaraan antarwilayah hingga proyeksi tahun 2030. Hasil analisis menunjukkan bahwa meskipun UMP nasional mengalami peningkatan yang berkelanjutan, disparitas antarprovinsi masih dapat dikatakan cukup mencolok, terutama di antara wilayah barat dan timur Indonesia. Melalui simulasi model dinamis, diperoleh tiga skenario proyeksi pertumbuhan, yaitu optimistis (7%), moderat (5%), dan pesimistis (3%) yang mana mencerminkan potensi konvergensi dengan laju berbeda. Temuan ini menegaskan pentingnya perumusan kebijakan upah minimum yang adaptif terhadap karakteristik ekonomi regional guna untuk mewujudkan pemerataan kesejahteraan tenaga kerja secara berkelanjutan.
Penerapan Metaheuristik Genetic Algorithm pada Optimasi Hyperparameter Decision Tree untuk Klasifikasi Penyakit Jantung Muhammad Hidayatul Arifin; Salsa Nabila Harahap; Sirus Daniel H Nababan; Adidtya Perdana

Publisher :

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10205

Abstract

Abstrak - Penyakit jantung merupakan salah satu penyebab kematian utama secara global, sehingga deteksi dini yang akurat menjadi krusial dalam upaya penyelamatan pasien. Algoritma Decision Tree sering digunakan sebagai alat bantu diagnosis karena kemampuannya menghasilkan aturan keputusan yang transparan. Namun, algoritma ini memiliki kelemahan mendasar berupa kecenderungan overfitting dan ketidakstabilan akurasi saat menangani data medis yang kompleks. Penelitian ini mengusulkan integrasi Genetic Algorithm (GA) sebagai metode metaheuristik untuk mengoptimalkan konfigurasi hyperparameter pada Decision Tree guna meningkatkan performa klasifikasi. Eksperimen dilakukan menggunakan dataset Heart Disease yang telah melalui tahap pra-pemrosesan ketat, termasuk eliminasi data duplikat dan transformasi fitur kategorikal. Proses optimasi dirancang dengan fungsi evaluasi khusus yang memprioritaskan sensitivitas (Recall) untuk meminimalisir risiko kesalahan deteksi pasien sakit (False Negative). Hasil pengujian menunjukkan bahwa model hasil optimasi GA berhasil meningkatkan Recall secara signifikan sebesar 12,12% (dari 75,76% menjadi 87,88%) dan Akurasi sebesar 4,92% dibandingkan model baseline. Selain itu, struktur model menjadi jauh lebih efisien dengan reduksi kedalaman pohon dari 10 tingkat menjadi 3 tingkat. Temuan ini membuktikan bahwa metode yang diusulkan mampu menghasilkan sistem diagnosis yang tidak hanya lebih akurat dan sensitif, tetapi juga lebih sederhana dan mudah diinterpretasikan oleh tenaga medis.Kata kunci : Decision Tree; Genetic Algorithm; Optimasi Hyperparameter; Prediksi Penyakit Jantung; Abstract - Heart disease is one of the leading causes of death globally, making accurate early detection crucial for patient survival. The Decision Tree algorithm is often used as a diagnostic tool due to its ability to generate transparent decision rules. However, this algorithm has fundamental weaknesses such as overfitting tendencies and accuracy instability when handling complex medical data. This study proposes the integration of Genetic Algorithm (GA) as a metaheuristic method to optimize hyperparameter configurations in Decision Trees to improve classification performance. Experiments were conducted using the Heart Disease dataset that had undergone rigorous pre-processing stages, including duplicate data elimination and categorical feature transformation. The optimization process was designed with a special evaluation function that prioritizes sensitivity (Recall) to minimize the risk of false patient detection (False Negative). The test results showed that the GA-optimized model significantly increased Recall by 12.12% (from 75.76% to 87.88%) and Accuracy by 4.92% compared to the baseline model. In addition, the model structure became significantly more efficient with a reduction in tree depth from 10 levels to 3 levels. These findings prove that the proposed method is capable of producing a diagnostic system that is not only more accurate and sensitive, but also simpler and easier to interpret by medical personnel.Keywords: Decision Tree; Genetic Algorithm; Hyperparameter Optimization; Heart Disease Prediction;
Pemeliharaan dan Penyiraman Tanaman Pot Berbasis IoT dan Machine Learning dengan Rekomendasi Perawatan Tanaman Muhammad Hidayatul Arifin; Dedy Kiswanto; Muhammad Raffi Akbar Tanjung; Ririn Amelia Br Siregar

Publisher :

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10275

Abstract

Abstrak - Metode irigasi konvensional sering kali memiliki keterbatasan dalam merespons dinamika mikroklimat, yang berpotensi mengganggu pertumbuhan tanaman. Penelitian ini bertujuan merancang sistem pemeliharaan tanaman otonom yang memadukan teknologi Internet of Things (IoT) dengan Hybrid Artificial Intelligence dalam kerangka arsitektur server terpusat (VPS). Berbeda dengan sistem berbasis penjadwalan waktu (timer), solusi ini menerapkan algoritma Decision Tree untuk menghasilkan keputusan adaptif yang didasarkan pada pembacaan sensor secara real-time. Pendekatan metodologi mencakup pembangkitan 3.000 data latih sintetis berdasarkan logika pakar guna melatih model dalam menangani berbagai skenario kompleks, termasuk kondisi kekeringan ekstrem dan anomali pencahayaan. Hasil evaluasi komputasional menunjukkan kinerja sistem yang presisi, dengan akurasi diagnosis mencapai 100% dan rata-rata kesalahan prediksi volume air (Mean Absolute Error) hanya sebesar 0,66 ml. Lebih lanjut, pengujian fungsional pada perangkat keras memvalidasi stabilitas dan responsivitas sistem dalam menjalankan logika kendali cerdas, seperti penundaan penyiraman saat suhu tinggi (Smart Delay) dan penguncian pompa otomatis pada malam hari (Night Mode). Studi ini menyimpulkan bahwa integrasi AI dalam arsitektur IoT terpusat efektif untuk mewujudkan sistem manajemen tanaman yang presisi, adaptif terhadap lingkungan, dan handal untuk implementasi praktis.Kata kunci : Internet of Things; Machine Learning; Perawatan Tanaman; Smart Farming; Irigrasi Tanaman; Abstract - Conventional irrigation methods often have limitations in responding to microclimate dynamics, potentially disrupting plant growth. This study aims to design an autonomous plant maintenance system that combines Internet of Things (IoT) technology with Hybrid Artificial Intelligence within a centralized server (VPS) architecture. Unlike timer-based systems, this solution applies a Decision Tree algorithm to generate adaptive decisions based on real-time sensor readings. The methodological approach includes generating 3,000 synthetic training data sets based on expert logic to train the model to handle various complex scenarios, including extreme drought conditions and lighting anomalies. Computational evaluation results demonstrate precise system performance, with a diagnostic accuracy reaching 100% and an average water volume prediction error (Mean Absolute Error) of only 0.66 ml. Furthermore, functional testing on hardware validates the system's stability and responsiveness in executing intelligent control logic, such as delaying watering during high temperatures (Smart Delay) and automatic pump locking at night (Night Mode). This study concludes that the integration of AI within a centralized IoT architecture is effective in realizing a precise, environmentally adaptive, and reliable plant management system for practical implementation.Keywords: Internet of Things; Machine Learning; Plant Care; Smart Farming; Plant Irrigation;
Co-Authors Adidtya Perdana, Adidtya Dedy Kiswanto Kristin Impana Manik Muhammad Raffi Akbar Tanjung Ririn Amelia Br Siregar Salsa Nabila Harahap Sirus Daniel H Nababan Suvriadi Panggabean