Article Per Year (5 Year)
p-Index From 2021 - 2026
5.279
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) dCartesian: Jurnal Matematika dan Aplikasi MATEMATIKA Jurnal Ilmu Lingkungan Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Indonesian Journal of Mathematics and Natural Sciences Kreano, Jurnal Matematika Kreatif-Inovatif Jurnal Teknologi Informasi dan Ilmu Komputer JUITA : Jurnal Informatika International Journal of Advances in Intelligent Informatics Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Jurnal Fourier JOIN (Jurnal Online Informatika) Science and Technology Indonesia JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Desimal: Jurnal Matematika BAREKENG: Jurnal Ilmu Matematika dan Terapan Pendas : Jurnah Ilmiah Pendidikan Dasar JTAM (Jurnal Teori dan Aplikasi Matematika) International Journal on Emerging Mathematics Education SJME (Supremum Journal of Mathematics Education) Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Journal on Education Jambura Journal of Mathematics ComTech: Computer, Mathematics and Engineering Applications KAIBON ABHINAYA : JURNAL PENGABDIAN MASYARAKAT Jurnal Abdi Insani Indonesian Journal of Electrical Engineering and Computer Science Jurnal Sains dan Edukasi Sains Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) SPEKTA (Jurnal Pengabdian Kepada Masyarakat : Teknologi dan Aplikasi) Jurnal Teknik Informatika (JUTIF) Journal of Science and Science Education International Journal of Community Service Jurnal Ilmiah Sains Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya d'Cartesian: Jurnal Matematika dan Aplikasi JuTISI (Jurnal Teknik Informatika dan Sistem Informasi) SJME (Supremum Journal of Mathematics Education) Lontar Komputer: Jurnal Ilmiah Teknologi Informasi
Hanna Arini Parhusip
Universitas Kristen Satya Wacana
Religion Agriculture, Biological Sciences & Forestry Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Other

Published : 57 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 57 Documents
Search

 1   2   3   4   5 
Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang Hanna Arini Parhusip; Bambang Susanto; Lilik Linawati; Suryasatriya Trihandaru; Yohanes Sardjono
SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education
Publisher : Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35706/sjme.v4i2.3515

Abstract

Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.
Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang Hanna Arini Parhusip; Bambang Susanto; Lilik Linawati; Suryasatriya Trihandaru; Yohanes Sardjono
SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education
Publisher : Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35706/sjme.v4i2.3515

Abstract

Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.
Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang Hanna Arini Parhusip; Bambang Susanto; Lilik Linawati; Suryasatriya Trihandaru; Yohanes Sardjono
SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education
Publisher : Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35706/sjme.v4i2.3515

Abstract

Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.
Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang Hanna Arini Parhusip; Bambang Susanto; Lilik Linawati; Suryasatriya Trihandaru; Yohanes Sardjono
SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education
Publisher : Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35706/sjme.v4i2.3515

Abstract

Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.
Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang Hanna Arini Parhusip; Bambang Susanto; Lilik Linawati; Suryasatriya Trihandaru; Yohanes Sardjono
SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education
Publisher : Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35706/sjme.v4i2.3515

Abstract

Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.
Susceptible Vaccine Infected Removed (SVIR) Model for COVID-19 Cases in Indonesia Hanna Arini Parhusip; Suryasatriya Trihandaru; Bernadus Aryo Adhi Wicaksono; Denny Indrajaya; Yohanes Sardjono; Om Prakash Vyas
Science and Technology Indonesia Vol. 7 No. 3 (2022): July
Publisher : Research Center of Inorganic Materials and Coordination Complexes, FMIPA Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2154.038 KB) | DOI: 10.26554/sti.2022.7.3.400-408

Abstract

Analysis of data on COVID-19 cases in Indonesia is shown by using the Susceptible Vaccine Infected Removed (SVIR) in this article. In the previous research, cases in the period March-May 2021 were studied, and the reproduction number was computed based on the Susceptible Infected Removed (SIR) model. The prediction did not agree with the real data. Therefore the objective of this article is to improve the model by adding the vaccine variable leading to the new model called the SVIR model as the novelty of this article. The used data are collected from COVID-19 cases of the Indonesian population published by the Indonesian government from March 2020-April 2022. However, the vaccinated persons with COVID-19 cases have been recorded since January 2022. Therefore the models rely on the period January 2021-March 2022, where the parameters in the SIR and SVIR models are determined in this period. The method used is discretizing the models into linear systems, and these systems are solved by Ordinary Least Square (OLS) for time-dependent parameters. It is assumed that the birth rate and death rate in the considered period are constant. Additionally, individuals who have recovered from COVID-19 will not be infected again, and vaccination is not necessarily twice. Furthermore, individuals who have been vaccinated will not be infected with the COVID-19 virus. The SVIR model has captured 3 waves of COVID-19 cases that are appropriate to the real situation in Indonesia from January 2021-March 2022. Additionally, the reproduction numbers as functions of time have been generated. The fluctuations of reproduction numbers agree with the real data. For further research, different regions such as districts in Java and other islands will also be analyzed as the implication of this research.
Study on COVID-19 in the World and Indonesia Using Regression Model of SVM, Bayesian Ridge and Gaussian Hanna Arini Parhusip
JURNAL ILMIAH SAINS Volume 20 Nomor 2, Oktober 2020
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2123.21 KB) | DOI: 10.35799/jis.20.2.2020.28256

Abstract

In this article, research on data of total cases COVID-19 in the world and Indonesia is presented. The purposes of this research is to predict the number of cases COVID-19 mainly in Indonesia in the near future. The used methods are regression of Support Vector Machine (SVM) and Bayessian Ridge predicting 10 days forward in several countries where Bayessian Ridge gives better result. Similarly, both methods are employed to study the total cases COVID-19 in Indonesia. To include social distancing in the study, an exponential model is applied for initialization and then Gaussian is used to predict future total cases. Using Gaussian model, one has 2 scenarios of future predictions. The number of total cases on 24th April 2020 is 14675 and considerable not realistic. This is  updated i.e. the total number of cases in 24 April 2020 is 4242. Actually,  the number of total positive cases COVID-19 on 24th April 2020 was 8211. Compared to the prediction with the real data, the approach of this research should be improved to give better prediction.Keywords:  Bayesian Ridge; COVID-19; Gaussian; Social distancing; SVM (Support Vector Machine)Menelusuri COVID-19 di Dunia dan di Indonesia dengan Model Regresi SVM, Bayesian dan GaussianABSTRAKPada artikel ini ditunjukkan penelusuran data total kasus COVID-19 di dunia dan di Indonesia. Penelitian ini bertujuan memprediksi banyaknya kasus COVID-19 terutama di Indonesia pada waktu tertentu mendatang. Metode yang digunakan adalah metode SVM (Support Vector Machine) dan regresi Bayesian Ridge dimana kedua metode berhasil memprediksi untuk total kasus COVID-19 di beberapa negara di dunia dan hasil Bayesian Ridge  lebih baik. Untuk itulah kedua metode ini digunakan untuk menelusuri data total kasus COVID-19 di Indonesia. Akan tetapi pengaruh social distancing belum ditunjukkan sehingga digunakan model eksponensial dan Gaussian. Model eksponensial digunakan sebagai nilai awal untuk prediksi pada model Gaussian. Pada model Gaussian diperoleh prediksi dalam bentuk 2 skenario yaitu skenario terburuk dan skenario realistis. Skenario terburuk memberikan total kasus pada 24 April 2020 sebanyak 14675. Hal ini  tidak realistis karena data terakhir pada 31 Maret 2020 sebesar 1677. Oleh karena itu diusulkan skenario realistis dimana total kasus puncak berlaku pada 24 April 2020 dengan total kasus 4242. Akan tetapi ternyata data total kasus positif COVID-19 pada 24 April 2020 sebanyak 8211. Dengan memperhatikan hasil prediksi dan yang diperoleh dari data, pendekatan yang sudah dilakukan masih memerlukan perbaikan.Kata Kunci:  Bayesian Ridge; COVID-19; Gaussian; Social distancing; SVM (Support Vector Machine)
Realized Volatility Forecasting for AI-Mining Sensor Data Using the Multi Layer Perceptron Method Obed Christian Dimitrio; Didit Budi Nugroho; Hanna Arini Parhusip; Atyanta Nika Rukmasari
Journal of Science and Science Education Vol 5 No 2 (2021): JoSSE Vol. 5 No. 2 (November 2021)
Publisher : Faculty of Science and Mathematics, Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24246/josse.v5i2p36 - 43

Abstract

This study aims to predict the Realized Volatility (RV) value from AI-Mining sensor data for the period 23 May to 6 June 2022 by using the Multi Layer Preceptron (MLP) method. MLP is the simplest method of artificial neural network. Based on the results obtained after doing MLP with the Python language on Google Colab, the predicted RV value for each data shows a movement in value that is almost similar to the original RV value. The Root Mean Squares Error (RMSE) value for each data prediction is relatively small, which indicates that the MLP method provide accurate prediction on the use of the AI-Mining sensor data to forecast RV.
Campus Entrepreneurship Service with Batik and Mathematical Ornaments Hanna Arini Parhusip; Hindriyanto Dwi Purnomo; Didit Budi Nugroho; Istiarsih Saputri Sri Kawuryan
KAIBON ABHINAYA : JURNAL PENGABDIAN MASYARAKAT Vol. 5 No. 2 (2023)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/ka.v5i2.5589

Abstract

The popularization of mathematics and the downstream of research in entrepreneurship is still very rare in universities. Therefore, the purpose of community service is to create campus entrepreneurial activities that popularize mathematics as research downstream. The used method is by preparing object-identifying designs and making products that contain and use these designs in the form of various items known to the public such as batik, accessories, souvenirs, and ornaments. Activities for socialization are carried out by participating in various exhibitions, and competitions and providing training to school students. Likewise, social media such as Instagram, YouTube, and Shopee are also marketing media. In 2022, partnerships with several restaurants and shops were used to expand marketing. In the last 3 years, significant results have been obtained in popularizing mathematics due to community service activities in the form of campus entrepreneurship in the Campus Intellectual Product Business Development Program scheme from the Indonesian government. The public can easily find products called Batik Innovation Mathematics (Batima) and Ornament Decorative of Mathematics (Odema) in the campus area, social media, Malioboro Mall Jogjakarta, and several restaurants in Salatiga.
MobileNetV2-D and multiple cameras for swiftlet nest classification based on feather intensity Denny Indrajaya; Hanna Arini Parhusip; Suryasatriya Trihandaru; Djoko Hartanto
Indonesian Journal of Electrical Engineering and Computer Science Vol 34, No 2: May 2024
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v34.i2.pp1144-1158

Abstract

MobileNetV2-D is a modified version of MobileNetV2, which is the novelty of this article. The algorithm is used to classify swiftlet nests into seven classes. In 2023, PT Waleta Asia Jaya is required to achieve a 7-fold increase in the export quota of swiftlet nests. To meet the quota, the company made a machine that can recognize swiftlet nest objects, which are classified into seven classes based on feather intensity, namely BRS, BR, BST, BS, BBT, BB, and BB2 for the light feathers to the heavy feathers, respectively. The input image is a combination of four images from four cameras with different positions, which adds to the novelty of MobileNetV2-D for the particular problem here. From the evaluation that has been carried out, the accuracy value of the MobileNetV2-D model was better than the MobileNetV2 model, i.e., the accuracy value of the MobileNetV2-D model was 99.9928% for the training dataset and 94.0723% for the testing dataset. Moreover, the speed of MobileNetV2-D is better than MobileNetV2- architecture.
Co-Authors A.A. Ketut Agung Cahyawan W Adi Setiawan Adi Setiawan Adrianus Herry Heriadi Alfagustina, Yumita Cristin ALOYSIUS JOAKIM FERNANDEZ Ariany Mahastanti, Linda Atyanta Nika Rukmasari Bambang Susanto Bambang Susanto Beni Utomo Bernadus Aryo Adhi Wicaksono Carolina Febe Ronicha Putri Denny Indrajaya Denny Indrajaya Didit Budi Nugroho Djoko Hartanto Djoko Hartanto Endang Warsiki Fachrurrozi Fachrurrozi Faldy Tita Fetriks Theo Sarita Fika Widya Pratama Fitri, Nirmala Ayu Andika Gede Sutresna Wijaya Goni, Abdiel Wilyar Hariadi, Adrianus Herry Heriadi, Adrianus Herry Hindriyanto Dwi Purnomo Indrajaya, Denny Isman Mulyadi Triatmoko, Isman Mulyadi Istiarsi Saptuti Sri Kawuryan Istiarsih Saputri Sri Kawuryan Jane Labadin Johanes Dian Kurniawan Johanes Dian Kurniawan Karina Bianca Lewerissa Kristoko Dwi Hartomo Kurniawan, Johanes Dian Larasati, Mitchella Sinta Lea, Lea Leopoldus Ricky Sasongko Lilik Linawati Linda Ariany Mahastanti Mauliddha Rachmi Mitha Febby R. Donggori Mitha Febby R. Donggori Nafisah Riskya Hasna Nugroho Dwi Susanto Obed Christian Dimitrio Om Prakash Vyas Parung, Ratu Anggriani Tangke Petrus Priyo Santosa Pradani, Wynona Adita Puput Retno Muninggar Purwoko, Agus Puspasari, Magdalena Dwi Rudhito, Andy Santosa, Petrus Priyo Sari, Devina Intan Sri Kawuryan, Istiarsi Saptuti Sri Suryasatriya Trihandaru Susetyo, Yosia Adi Theo Sarita, Fetriks Titilias, Y A Veny M Ningtyas Wijaya, Melina Tito Wijayanti, Yunita Puput Winarto, Eduardus Albert Wulandari, Nadya Putri Yohanes Sardjono Yohanes Sardjono Yohanes Sardjono, Yohanes Yohannes Sardjono Yusuf Kurniawan