Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

3.782

P-Index

This Author published in this journals

All Journal CAUCHY: Jurnal Matematika Murni dan Aplikasi Jurnal Ilmiah Pangabdhi MUST: Journal of Mathematics Education, Science and Technology BAREKENG: Jurnal Ilmu Matematika dan Terapan Zeta - Math Journal J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) ComTech: Computer, Mathematics and Engineering Applications G-Tech : Jurnal Teknologi Terapan Inferensi Contemporary Mathematics and Applications (ConMathA) Jurnal Statistika dan Aplikasinya Elastisitas Jurnal Ekonomi Pembangunan Journal of Mathematics Education and Science Indonesian Community Journal Eksponensial Limits: Journal of Mathematics and Its Applications

Elly Pusporani

Universitas Airlangga

Author-ID : 3834396

Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Environmental Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Other

Published : 28 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3

Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning Elly Pusporani; Siti Qomariyah; Irhamah Irhamah
Inferensi Vol 2, No 1 (2019): Inferensi
Publisher : Department of Statistics ITS

Liver atau hati adalah organ yang perannya sangat vital dalam tubuh manusia. Penyakit liver sering dianggap sebagai silent killer (pembunuh diam-diam) karena adanya kemungkinan tidak timbul gejala. Permasalahan yang terjadi adalah sulitnya mengenali penyakit liver sejak dini., bahkan saat penyakit ini sudah menyebar pun masih sulit untuk dideteksi. Padahal penderita perlu mengetahui adanya gejala penyakit liver sejak dini agar dapat segera melakukan pengobatan. Adanya diagnosa penyakit liver sejak dini mampu meningkatkan kelangsungan hidup pasien. Pada penelitian ini diterapkan metode untuk klasifikasi penyakit liver menggunakan machine learning dan dibandingkan hasilnya dengan metode klasik. Data yang digunakan adalah Indian liver patients dataset (ILPD)yang diambil dari UCI machine learning. Terdapat beberapa tahapan preprocessing yang dilakukan, antara lain pengecekan missing value, imputasi, feature selection, dan resampling untuk mengatasi data imbalance. Setelah dilakukan preprocessing, selanjutnya dilakukan analisis menggunakan metode regresi logistik, decision tree, naïvebayes, k-nearest neighbor, dan support vector machine. Berdasarkan nilai akurasi dan presisi, maka metode SVM memberikan hasil yang terbaik, tapi berdasarkan recall maka metode K-Nearest Neighbor memberikan hasil terbaik. Walaupun SVM memberikan hasil nilai akurasi dan presisi tertinggi tetapi terdapat ketimpangan yang besar antara nilai presisi dan recall yang dihasilkan, jika dibandingkan selisih nilai akurasi dan recall dari metode K-Nearest Neighbor.

Membandingkan Seleksi variabel Pada Data Microarray Menggunakan Important Variable Value dan Genetic Algorithm (Studi Kasus Lung Cancer Dataset dan Prostate Cancer Dataset) Diana Nurlaily; Farida Nur Hayati; Elly Pusporani
J STATISTIKA: Jurnal Imiah Teori dan Aplikasi Statistika Vol 14 No 1 (2021): Jurnal Ilmiah Teori dan Aplikasi Statistika
Publisher : Faculty of Science and Technology, Univ. PGRI Adi Buana Surabaya

Teknologi DNA microarray menarik minat yang luar biasa baik di kalangan komunitas ilmiah maupun kalangan industri. Meskipun data microarray telah diterapkan dalam berbagai bidang, penanganan volume data besar yang dihasilkan bukanlah perkara yang mudah. Ukuran sampel kecil dengan dimensi tinggi adalah tantangan utama analisis menggunakan data microarray. Oleh karena itu perlu dilakukan analisis lebih lanjut untuk mengatasi hal ini. Banyak penelitian yang telah dirancang berkaitan dengan data microarray misalnya untuk menyelidiki mekanisme genetik kanker, dan untuk mengklasifikasikan berbagai jenis kanker atau membedakan antara jaringan kanker dan non-kanker. Semua penelitian ini bertujuan untuk menghasilkan kesimpulan dan interpretasi yang bermanfaat dari kumpulan data yang kompleks. Dalam penelitian ini, data yang digunakan adalah data kanker paru-paru sebanyak 24257 Variabel dan data kanker prostat sebanyak 12626 Variabel. Data tersebut kemudian akan dianalisis dengan beberapa metode feature selection yaitu important variable value dan genetic algorithm untuk memilih dimensi atau variabel data sehingga dapat meningkatkan akurasi klasifikasi data. Berdasarkan hasil analisis feature selection menggunakan data kanker paru-paru, didapatkan jumlah variabel terpilih sebanyak 112 variabel dengan metode feature selection important. Sedangkan metode genetic algorithm didapatkan jumlah variabel terpilihnya sebanyak 12266 variabel. Pada data kanker prostat, didapatkan jumlah variabel terpilih sebanyak 299 variabel dengan metode feature selection important. Sedangkan metode genetic algorithm didapatkan jumlah variabel terpilihnya sebanyak 6359 variabel.

Peramalan Data Ekspor Non Migas Provinsi Kalimantan Timur Menggunakan Univariate Time Series Farida Nur Hayati; Diana Nurlaily; Elly Pusporani
J STATISTIKA: Jurnal Imiah Teori dan Aplikasi Statistika Vol 14 No 2 (2021): Jurnal Ilmiah Teori dan Aplikasi Statistika
Publisher : Faculty of Science and Technology, Univ. PGRI Adi Buana Surabaya

Ekspor merupakan salah satu variabel yang sangat penting untuk menentukan jenis perekonomian suatu negara bisa dikatakan perekonomian terbuka atau perekonomian tertutup. Mengingat peranan ekspor sangat penting dalam pertumbuhan ekonomi suatu negara maupun daerah, maka diperlukan kebijaksanaan dalam meningkatkan ekspor barang khususnya komoditi non migas. Komoditi non migas dipilih pada penelitian ini karena adanya kemerosotan harga minyak bumi di pasaran dunia. Sehingga untuk mengatasi ketergantungan penerimaan negara yang berasal dari minyak dan gas bumi maka pemerintah berusaha meningkatkan ekspor komoditi dan jasa-jasa non migas. Kondisi ekspor luar negeri Kalimantan Timur didominasi oleh ekspor non migas. Oleh karena itu, prediksi atau peramalan nilai dari komoditas ekspor non migas di Kalimantan Timur dapat digunakan untuk mengetahui devisa yang akan diperoleh, agar dapat digunakan sebagai bahan pertimbangan oleh pemerintah untuk menentukan kebijakan. Hasil penelitian peramalan data ekspor menggunakan ARIMA menunjukkan bahwa model ARIMA yang paling baik untuk meramalkan data Ekspor non migas di Kalimantan Timur berdasarkan nilai RMSE, dan sMAPE adalah ARIMA (0,1,[1,12]). Kata kunci : Ekspor, Ekspor non migas, ARIMA, RMSE, sMAPE

Peningkatan Kompetensi Guru SMA/MA di Kecamatan Bungah dalam Sistem Pembelajaran Daring Menggunakan Learning Management System Menuju Terbentuknya Sekolah Digital Siti Maghfirotul Ulyah; Elly Pusporani; Toha Saifudin; Christopher Andreas; Ayuning Dwis Cahyasari
MUST: Journal of Mathematics Education, Science and Technology Vol 6, No 2 (2021): DECEMBER
Publisher : Universitas Muhammadiyah Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/must.v6i2.10667

SMA ASSA’ADAH dan MA MA’ARIF NU ASSA’ADAH merupakan sekolah-sekolah yang berlokasi di Kecamatan Bungah, Kabupaten Gresik. Dalam pelaksanaan pembelajaran jarak jauh, sekolah-sekolah tersebut memiliki permasalahan seperti belum efektifnya penggunaan fitur-fitur pada platform pembelajaran online dikarenakan keterbatasan keterampilan guru dan keterbatasan sinyal internet peserta didik dan guru. Oleh karena itu, perlu diberikan pelatihan penggunaan fitur-fitur platform pembelajaran online yang efektif dan interaktif. Tujuan dari penelitian ini adalah untuk mengetahui apakah ada peningkatan kompetensi guru sesudah dilakukan pelatihan tersebut. Penelitian ini dilakukan dengan metode kuantitatif, yaitu dengan mengaplikasikan uji-T berpasangan pada data hasil pre-test dan post-test. Hasil penelitian menunjukkan bahwa rata-rata nilai post-test lebih tinggi daripada nilai pre-test. Hasil pengujian dengan uji-T berpasangan juga menunjukkan bahwa terdapat perbedaan yang signifikan antara kompetensi peserta sebelum dan sesudah pelatihan. Hal ini menunjukan bahwa proses pelatihan efektif meningkatkan kompetensi peserta.

Pemodelan Nilai Saham Perusahaan Pertambangan di Indonesia Berdasarkan Metode Generalized Autoregressive Conditional Heteroscedasticity (GARCH) Ayuning Dwis Cahyasari; Sediono Sediono; Elly Ana; M. Fariz Fadillah Mardianto; Elly Pusporani; Siti Maghfirotul Ulyah
MUST: Journal of Mathematics Education, Science and Technology Vol 8 No 1 (2023): JULY
Publisher : Universitas Muhammadiyah Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/must.v8i1.17117

Indonesia masih menghadapi tantangan untuk mewujudkan Sustainable Development Goals (SDGs). Salah satunya, upaya dalam mendukung pertumbuhan ekonomi yang inklusif dan berkelanjutan. Peranan pasar modal dianggap penting dalam pembangunan perekonomian sebagai media investasi sehingga dapat memperkuat posisi keuangan pada Industri khususnya dalam negeri. Untuk mewujudkan tujuan dan cita - cita Indonesia perlu diadakan pengoptimalan kegiatan sektor yang bergerak pada bidang pertambangan salah satunya pada saham PT. X yang merupakan salah satu perusahaan pertambangan. Pergerakan naik turun saham dikenal dengan volatilitas harga saham. Volatilitas disebabkan karena kondisi data yang bersifat heteroskedastisitas yang berarti variansi dari residual dapat berubah - ubah Â dan tergantung waktu. Saham yang mengalami penurunan secara drastis dapat mempengaruhi kualitas kerja. Salah satu solusi untuk mengatasi permasalahan heteroskedastisitas tersebut adalah dengan menggunakan pendekatan analisis Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Berdasarkan hasil diagnostic checking, didapatkan model GARCH (2,1) yang merupakan model GARCH terbaik, dan didapatkan nilai MAPE sebesar 15,5195% yang termasuk ke dalam kategori prediksi baik. Prediksi dari hasil model terbaik dapat menjadi rekomendasi dan evaluasi bagi pemerintah juga bagi para pelaku kegiatan ekonomi untuk mempersiapkan perencanaan ekonomi yang lebih baik dalam rangka mencapai target memperbaiki ekonomi nasional.

Peramalan Harga Gandum di Tengah Invasi Rusia ke Ukraina dengan Pendekatan Intervensi Fungsi Step Marcel Laverda Subiyanto; Sediono Sediono; Elly Ana; M. Fariz Fadillah Mardianto; Elly Pusporani
Journal of Mathematics Education and Science Vol. 6 No. 2 (2023): Journal of Mathematics Education and Science
Publisher : Universitas Nahdlatul Ulama Sunan Giri Bojonegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32665/james.v6i2.1824

Semenjak konflik antara Federasi Rusia dan Ukraina terjadi, perekonomian dunia terdampak cukup parah terutama harga komoditas dunia. Akibat dari perang di Ukraina, beberapa rantai-pasok komoditas pangan dunia mengalami hambatan, hingga berujung pada krisis pangan di sejumlah wilayah di Afrika dan mulai merambat ke beberapa negara khususnya di Asia. Gandum merupakan salah satu komoditas pangan yang mengalami kenaikan harga akibat dari konflik yang terjadi di Ukraina. Kenaikan harga gandum tersebut berdampak pula terhadap kenaikan harga produk turunan dari gandum, seperti tepung yang merupakan bahan baku pembuatan roti dan mie. Produk mie dan roti di Indonesia merupakan salah satu makanan pokok pengganti nasi, sehingga jika kondisi kenaikan harga gandum tidak diatasi, dikhawatirkan akan terjadi krisis pangan di Indonesia. Penelitian ini akan memodelkan dan memprediksi harga gandum dunia di tengah konflik antara Rusia dan Ukraina dengan pendekatan model intervensi fungsi step. Hasil penelitian menunjukkan bahwa prediksi harga komoditas gandum dunia di tengah invasi Rusia ke Ukraina dengan pendekatan model intervensi fungsi step menunjukkan hasil yang akurat. Model ARIMA(1,1,0) dengan b=0, s=2, dan r=2 menjadi model intervensi fungsi step paling baik. Nilai MAPE yang ditentukan dari pengujian data adalah 14,27%.

Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory Alfredi Yoani; Sediono Sediono; M. Fariz Fadillah Mardianto; Elly Pusporani
G-Tech: Jurnal Teknologi Terapan Vol 7 No 4 (2023): G-Tech, Vol. 7 No. 4 Oktober 2023
Publisher : Universitas Islam Raden Rahmat, Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33379/gtech.v7i4.3346

Floods are among the most common and dangerous natural disasters worldwide, leading to loss of life and economic instability. In Indonesia, floods have been the most frequently occurring natural disaster since 2009. The high frequency underscores the urgency of predicting the number of natural disaster events to assist the government and the public in taking appropriate mitigation measures, as well as contributing to the achievement of Sustainable Development Goal 15 regarding Terrestrial Ecosystems. The method used to predict the monthly occurrence of floods in Indonesia is Long Short Term Memory (LSTM). LSTM was chosen for its ability to process sequential data over a long period of time. Upon analysis, highly accurate forecasting results were obtained, with a Mean Absolute Percentage Error (MAPE) of 8.04%, a Root Mean Square Error (RMSE) of 5.991. The model is also proficient at estimating training data, with an value of 95.71%.

Prediksi Harga Saham Bank BCA (BBCA) Pasca Stock Split dengan Artificial Neural Network dengan Algoritma Backpropagation Steven Soewignjo; Sediono; M. Fariz Fadillah Mardianto; Elly Pusporani
G-Tech: Jurnal Teknologi Terapan Vol 7 No 4 (2023): G-Tech, Vol. 7 No. 4 Oktober 2023
Publisher : Universitas Islam Raden Rahmat, Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33379/gtech.v7i4.3363

Saham merupakan instrumen investasi dengan harga yang fluktuatif. Stock split merupakan solusi dengan meningkatkan jumlah saham yang beredar yang bertujuan untuk meningkatkan likuiditas perdagangan sehingga harga saham diharapkan stabil. Stock split sejalan dengan Sustainable Development Goals ke-8 tentang Pekerjaan Layak dan Pertumbuhan Ekonomi. Penelitian ini menggunakan data historis harga saham BCA dan nilai tukar USD terhadap IDR untuk memprediksi harga saham BCA dengan metode Artificial Neural Network (ANN) menggunakan algoritma backpropagation dengan arsitektur Feed Forward Neural Network (FFNN). Hasil penelitian ini menunjukkan bahwa struktur FFNN dengan 9 neuron pada lapisan tersembunyi mampu menghasilkan prediksi yang akurat dengan nilai Root Mean Squared Error (RMSE) sebesar 121,16 dan Mean Absolute Percentage Error (MAPE) sebesar 1,12%.

Analisis Prediktif Menggunakan Metode Hybrid Seasonal Autoregressive Integrated Moving Average – Artificial Neural Network pada Data Konsentrasi PM2.5 Harian di DKI Jakarta I Kadek Pasek Kusuma Adi Putra; Sediono; M. Fariz Fadillah Mardianto; Elly Pusporani
G-Tech: Jurnal Teknologi Terapan Vol 8 No 1 (2024): G-Tech, Vol. 8 No. 1 Januari 2024
Publisher : Universitas Islam Raden Rahmat, Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33379/gtech.v8i1.3896

Polusi udara, khususnya PM2.5 merupakan ancaman tingkat global yang sulit untuk ditangani. Partikulat ini memberikan dampak yang serius secara lingkungan, kesehatan, dan juga ekonomi di DKI Jakarta. Tujuan dari penelitian ini adalah untuk memprediksi konsentrasi PM2.5 dengan sangat akurat. Penelitian ini menghadirkan model prediksi inovatif, yaitu Hybrid ARIMA-ANN. Dibandingkan dengan ARIMA dan ANN secara terpisah, model ini menunjukkan kinerja luar biasa dengan R2 mencapai 0,9012, MAPE 13,603%, dan RMSE 4,061 pada data train. Evaluasi pada data uji menghasilkan RMSE 5,961 dan MAPE 7,622%, menandakan kemampuan prediksi yang sangat baik selama 14 periode ke depan. Temuan ini memberikan panduan penting bagi pemerintah untuk memprediksi kualitas udara di masa depan dan meningkatkan kebijakan penanganan polusi udara di DKI Jakarta. Implikasi kesimpulan ini juga mendukung pencapaian SDGs, terutama poin ke-3, ke-13, dan ke-15.

Comparative Analysis of Classical Methods with Machine Learning Algorithm on Survival Classification of Heart Failure Patients Sa'idah Zahrotul Jannah; Grace Lucyana Koesnadi; Elly Pusporani
Jurnal Statistika dan Aplikasinya Vol. 8 No. 1 (2024): Jurnal Statistika dan Aplikasinya
Publisher : LPPM Universitas Negeri Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/JSA.08109

Cardiovascular disease is a global threat and is the main cause of death worldwide. More than 17.9 million people died from heart and blood vessel problems. Most of these deaths, around 80%, occurred in countries with low or middle economies, including Indonesia. This research aims to find the most accurate and efficient model for classifying cardiovascular disease data so that cardiovascular disease can be detected early. This research uses heart failure patient data with predictor and response variables. The response variable has two categories such as passed away and alive. Moreover, predictor variables are obtained from the patient’s behavioral risk factors. Data preprocessing was done before the modeling and divided into 0% training and 20% testing data. Modeling in training data was done with multiple algorithms such as Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbor (KNN), and Support Vector Machine (SVM). Each model was evaluated with metrics such as Accuracy, Precision, and Recall obtaining the best model. This study found that the use of all research variables in the classification analysis leads to a decrease in classification performance, so this study used SelectKBest with a total of 8 significant variables. Furthermore, the Random Forest algorithm with optimal parameters using entropy criterion and a maximum depth of 8 is the method with the most optimal performance, achieving a precision of 90.51% for the 'alive' category, recall of 88.27% for 'alive', the precision of 88.55% for 'deceased', recall of 90.74% for 'deceased', training accuracy of 89.51%, AUC of 0.895, and testing accuracy of 87.80%, placing it in the category of good classification. Although this research is limited to medical records and behavioral risk factors of heart failure patients to classify patient survival resilience, it addressed data imbalance, employed feature selection, and compared multiple algorithms to provide insights into their effectiveness for this specific classification task and improve model efficiency.

Co-Authors Ain, Dzuria Hilma Qurotu Alexandra, Victoria Anggia Alfredi Yoani Ana, Elly Ariyani, Azizah Dewi Audilla, Marfa Ayuning Dwis Cahyasari Ayuning Dwis Cahyasari Carista, Nashwa Christopher Andreas Diana Nurlaily Dita Amelia Dita Amelia, Dita Dwitya, Shabrina Nareswari Elly Ana Fadillah Mardianto, M. Fariz Fajrina, Sofia Andika Nur Farida Nur Hayati Farizi, Muhammad Fikry Al Fauzi, Doni Muhammad Fidela Sahda Ilona Ramadhina Fitri, Marfa Audilla Fitriana Nur Afifa Grace Lucyana Koesnadi Haq, Affan Fayzul I Kadek Pasek Kusuma Adi Putra Ibrahim, Rahmat Agung Idrus Syahzaqi Indrasta, Irma Ayu Irhamah - Ismi, Ferissa Maulida Jannah, Sa'idah Zahrotul Karima, Sasy Okti Koesnadi, Grace Lucyana Lu'lu'a, Na'imatul Lu’lu’a, Na’imatul M. Fariz Fadillah Mardianto Makkiyah, Afifah Nur Marcel Laverda Subiyanto Marcelena Vicky Galena Mardianto, M. Fariz Fadillah Mardianto, Muhammad Fariz Fadillah Maula, Sugha Faiz Al Maulana, Bagas Melati, Adinda Tries Nabila Rahma Na’ifa, Ariza Naura, Sheila Sevira Asteriska Nitasari, Alfi Nur Nurrohmah, Zidni ‘Ilmatun Permana, Made Riyo Ary Pratama, Bagas Shata Previan, Anggara Teguh Putri, Farah Fauziah Putri, Ferdiana Friska Rahmana Putri, Refa Berliana Ramadhani, Azzah Nazhifa Wina Ramadhanti, Aulia Rani, Lina Nugraha Rasyid, Mochamad Riyanto, Aufa Muhammad Yogi Rohayah, Dewi Sa'idah Zahrotul Jannah Salsabila, Ailsa Shafa Salsabila, Fatiha Nadia Sangadji, Nurul Fajriah Deswani Sari, Adma Novita Sari, Adma Novita Sediono, Sediono Setiawan, Nicoletta Almira Dyah Simamora, Antonio Nikolas Manuel Bonar Siregar, Naufal Ramadhan Al Akhwal Siti Maghfirotul Ulyah Siti Qomariyah Steven Soewignjo Toha Saifudin Trisa, Nadya Lovita Hana Tsabita Amalia Shofa, Nayla Valida, Hanny Victoria, Deby Wieldyanisa, Ezha Easyfa Yuliati, Intan Yuniar, Muhammad Alvito Dzaky Putra Zah, Alfian Iqbal Zuleika, Talitha Zuleika, Talitha

Title

Found 28 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 28 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 28 Documents
Search