Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal Jurnal Aplikasi Statistika & Komputasi Statistik Limits: Journal of Mathematics and Its Applications
Kasiful Aprianto
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Mathematics

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

Found 2 Documents
Search

 1 
Peramalan Time Series Menggunakan Gaussian Kernel PCA dan Autoregressive Kasiful Aprianto
Jurnal Aplikasi Statistika & Komputasi Statistik Vol 11 No 2 (2019): Journal of Statistical Application and Computational Statistics
Publisher : Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34123/jurnalasks.v11i2.219

Abstract

Peramalan time series menjadi bagian penting dalam pengambilan keputusan karena mampu memberikan gambaran atau kejadian mendatang berupa data prediksi. Paper ini menawarkan gaussian kernel PCA dan Autoregressive (KPCA-AR) sebagai metode peramalan untuk melakukan prediksi data. Metode KPCA-AR bekerja dengan melakukan pemetaan data ke dimensi yang lebih tinggi menggunakan kernel dengan distribusi gaussian. Setelah itu dilakukan transformasi data dengan PCA agar dimensi yang dihasilkan dapat direduksi dengan varian maksimum sehingga tidak mengurangi karakteristik data secara signifikan. Data inilah yang kemudian digunakan untuk melakukan peramalan menggunakan autoregressive. Paper ini juga membandingkan beberapa metode peramalan lainnya seperti ARIMA, ANN, SVM, dan Eksponensial Smoothin. Hasil menunjukkan bahwa KPCA-AR secara umum mampu memebrikan prediksi yang baik dan bisa digunakan sebagai alternative dari metode perhitungan yang ada dilihat dari kelebihan ataupun kekurangannya.
Optimasi Kernel K-Means dalam Pengelompokan Kabupaten/Kota Berdasarkan Indeks Pembangunan Manusia di Indonesia Kasiful Aprianto
Limits: Journal of Mathematics and Its Applications Vol. 15 No. 1 (2018): Limits: Journal of Mathematics and Its Applications Volume 15 Nomor1 Edisi Mar
Publisher : Pusat Publikasi Ilmiah LPPM Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kernel k-means (KKC) bekerja dengan mengubah data dari initial space ke dalam featured space dan k-means dijalankan menggunakan data featured space tersebut. Permasalahan utama dari KKC adalah inisialisasi centroid dimana posisi centroid sangat mempengaruhi hasil dari pengelompokan itu sendiri. Paper ini menjelaskan peran optimasi dalam pencarian titik centroid yang tepat untuk menemukan hasil yang baik dan stabil. Particle swarm optimization (PSO) dipilih karena mudah untuk diimplementasikan. Principal Component Analysis (PCA) digunakan untuk mereduksi dimensi tanpa mengurangi karakteristik data secara signifikan. Kemampuan PCA inilah yang kemudian digunakan untuk meningkatkan akurasi dari clustering. Keuntungan dari KKC-PSO dengan PCA adalah menemukan centroid yang tepat dengan waktu pencarian yang lebih singkat. Hasil percobaan menunjukkan bahwa KKC-PSO dengan PCA memberikan hasil yang optimal dilihat dari akumulasi within sum square yang kecil, dan juga stabil dilihat dari hasil perulangan yang selalu berhasil mendapatkan nilai optimal. Selanjutnya, algoritma ini digunakan untuk melihat pengelompokan kabupaten/kota di Indonesia berdasarkan indikator indeks pembangunan manusia (IPM) menggunakan data yang bersumber dari Badan Pusat Statistik. Kabupaten atau kota dapat dibagi menjadi 3 kelompok berdasarkan variabel IPM, yaitu kelompok dengan IPM yang rendah (kelompok 2), sedang (kelompok 3), dan tinggi (kelompok 1). Dari penelitian ini terlihat bahwa masih terdapat perbedaan IPM antar kabupaten, dimana perbedaan IPM ini cenderung terkelompok dan berdekatan antara satu dengan yang lainnya.
Co-Authors