Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Matematika: MANTIK Network Engineering Research Operation [NERO] Jurnal Minfo Polgan (JMP)
Anwari, Anwari
Universitas Islam Madura
Computer Science & IT Library & Information Science Mathematics Social Sciences

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Pemodelan Tingkat Okupansi Penumpang Kereta Api dari Surabaya dengan Metode S-Sur (Spatial-Seemingly Unrelated Regression) Kuzairi Kuzairi; Anwari Anwari; Fariz Fadillah Mardianto
Jurnal Matematika MANTIK Vol. 4 No. 1 (2018): Mathematics and Applied Mathematics
Publisher : Mathematics Department, Faculty of Science and Technology, UIN Sunan Ampel Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (567.079 KB) | DOI: 10.15642/mantik.2018.4.1.7-15

Abstract

Kereta api merupakan sarana transportasi yang populer di Pulau Jawa yang terdiri dari kelas ekonomi, bisnis atau ekonomi plus, dan eksekutif. Tingkat okupansi dari masing-masing kelas untuk jurusan yang sama juga berbeda. Tingkat okupansi penumpang kereta api yang berangkat dari Surabaya menarik untuk diteliti karena ruang lingkup asal penumpang lebih luas daripada penumpang kereta di Jabodetabek. Asal penumpang kereta api di Surabaya tidak hanya penumpang yang berasal atau memiliki kepentingan di kota Surabaya saja melainkan kabupaten dan kota disekitarnya, sampai Pulau Madura. Dalam penelitian ini dilakukan prediksi tingkat okupansi penumpang kereta api untuk tiap kelas berdasarkan faktor-faktor yang berpengaruh terhadap tingkat okupansi semua kereta api lintas kota yang berangkat dari Stasiun Surabaya Gubeng, dan Pasar Turi menggunakan metode Spatial-Seemmingly Unrelated Regression (S-SUR). Metode S-SUR digunakan karena mampu mengakomodasi efek spasial pada seluruh pengamatan. Penelitian ini terdiri atas 30 pengamatan rute tujuan dari Surabaya, 8 prediktor, dan 3 respon yang saling berkorelasi spasial berdasarkan pengujian Morans I. Hasilnya adalah prediktor yang berpengaruh signifikan terhadap tingkat okupansi penumpang kereta api untuk semua kelas yaitu prediktor yang terkait dengan kependudukan.
IMPLEMENTASI ORANGE DATA MINING UNTUK KLASIFIKASI KELULUSAN MAHASISWA DENGAN MODEL K-NEAREST NEIGHBOR, DECISION TREE SERTA NAIVE BAYES Hozairi Hozairi; Anwari Anwari; Syariful Alim
Network Engineering Research Operation Vol 6, No 2 (2021): NERO
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/nero.v6i2.237

Abstract

Proses pemantauan dan evaluasi terhadap kelulusan mahasiswa Universitas Islam Madura (UIM) sangat perlu untuk dilakukan karena tingkat kelulusan mahasiswa merupakan salah satu unsur penilaian akreditasi yang sangat penting untuk setiap Program Studi. Data Mining bisa digunakan untuk klasifikasi ketepatan kelulusan mahasiswa, penelitian ini bertujuan untuk menerapkan aplikasi orange data mining dengan menggunakan model K-Nearest Neighbor (K-NN), Decision Tree serta Naive Bayes dan selanjutnya akan dilakukan evaluasi akurasi dari masing-masing model tersebut. Penelitian ini dilakukan di Prodi Teknik Informatika Universitas Islam Madura tahun angkatan 2016, selanjutnya data mahasiswa akan dianalisa menggunakan aplikasi orange data mining dengan menggunakan model K-NN, Decision Tree serta Naive Bayes . Proses pengujian data menerapkan K-Fold Cross Validation (K=5), sedangkan model evaluasi yang digunakan adalah Confusion Matrix  dan ROC. Hasil perbandingan ketiga model sebagai berikut, K-NN memiliki tingkat akurasi sebesar 77%, Decision Tree tingkat akurasi sebesar 74%, dan Naive Bayes memiliki tingkat akurasi sebesar 89%. Maka dari itu, untuk klasifikasi tingkat kelulusan mahasiswa Prodi Teknik Informatika Universitas Islam Madura merekomendasikan model Naive Bayes karena memiliki tingkat akurasi lebih baik dibanding K-NN dan Decision Tree.
PEMETAAN WILAYAH RAWAN BAHAYA BANJIR DI KABUPATEN PAMEKASAN BERBASIS SISTEM INFORMASI GEOGRAFIS (SIG) Anwari Anwari; Masdukil Makruf
Network Engineering Research Operation Vol 4, No 2 (2019): NERO
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1109.476 KB) | DOI: 10.21107/nero.v4i2.127

Abstract

Pola Prediksi Kelulusan Siswa Madrasah Aliyah Swasta dengan Support Vector Machine dan Random Forest Aang Darmawan; Ivana Yudhisari; Anwari Anwari; Masdukil Makruf
Jurnal Minfo Polgan Vol. 12 No. 1 (2023): Artikel Penelitian Juni 2023
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v12i1.12388

Abstract

Kelulusan Siswa adalah salah satu indikator penting bagi kinerja keberhasilan sekolah. Prediksi kelulusan siswa penting bagi sekolah untuk mengidentifikasi siswa yang beresiko putus sekolah dan memberi mereka intervensi dini untuk meningkatkan kinerja akademik mereka. Ini juga dapat membantu pemangku kebijakan mengembangkan kebijakan dan program untuk meningkatkan tingkat kelulusan sekolah dan mengurangi tingkat putus sekolah. Akan tetapi berdasarkan penelusuran pustaka terdapat berbagai permasalahan krusial terkait prediksi kelulusan siswa yaitu sulitnya memprediksi secara akurat tingkat kelulusan hanya dengan menggunakan nilai tes penerimaan, Nilai SMA merupakan prediktor yang lebih baik untuk kelulusan perguruan tinggi tepat waktu daripada nilai tes penerimaan karena kesuksesan di perguruan tinggi tidak hanya membutuhkan kemampuan kognitif tetapi juga kompetensi pengaturan diri yang lebih baik diindeks oleh nilai SMA/MA, selain itu, terdapat beberapa faktor yang dapat mempengaruhi tingkat kelulusan siswa, seperti self-efficacy, budaya akademik sekolah, dan harapan di masa depan dan akhirnya, ada kebutuhan untuk menyempurnakan model penerimaan selektif untuk menentukan ukuran pencapaian sebelumnya mana yang memiliki validitas prediktif terbaik untuk kesuksesan akademik di universitas. Penelitian ini bertujuan untuk (1)memprediksi kelulusan siswa Madrasah Aliyah Swasta(MAS) dengan Algoritma Support Vector Machine(SVM) dan Random Forest(RF) dan (2) melakukan komparasi performa algoritma SVM dan RF untuk prediksi kelulusan siswa MAS. Berdasarkan hasil penelitian yang telah dilakukan maka didapatkan kesimpulan bahwa untuk tujuan pertama algoritma SVM dan RF sangat baik dalam memprediksi kelulusan siswa MAS terlihat dari akurasi yang sangat tinggi yaitu SVM(98,98%) dan RF(99,49%). Untuk tujuan kedua didapatkan kesimpulan bahwa algoritma RF sedikit lebih baik daripada algoritma SVM dalam hasil pengukuran parameter Accuracy(99,49% vs 98,98%), Precision(99,74% vs 99,23%), Recall(99,74% vs 99,74%), F-Measure(99,74% vs 99,48%), dan Classification error(0,005 vs 0,010), akan tetapi untuk parameter waktu konsumsi SVM(0,04 detik) lebih baik daripada RF(0,26 detik). Penelitian ini memberikan kontribusi dalam 2(dua) hal, pertama secara saintifik dengan menguji algoritma SVM dan RF untuk prediksi kelulusan siswa MAS, kedua memberikan rekomendasi bagi sekolah atau MAS untuk mengembangkan model penerimaan selektif siswa
Co-Authors Aang Darmawan Hozairi Ivana Yudhisari Kuzairi M. Fariz Fadillah Mardianto Masdukil Makruf, Masdukil Syariful Alim