Aris Thobirin
Unknown Affiliation

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

PELABELAN ANTI AJAIB JARAK PADA SUATU GRAF PETERSEN DIPERUMUM dian eka wijayanti; Aris Thobirin
Jurnal Ilmiah Matematika dan Pendidikan Matematika Vol 12 No 1 (2020): Jurnal Ilmiah Matematika dan Pendidikan Matematika
Publisher : Jurusan Matematika FMIPA Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20884/1.jmp.2020.12.1.2457

Abstract

Salah satu jenis pelabelan pada graf adalah pelabelan jarak yang merupakan pelabelan graf berdasarkan jarak antara titik-titiknya. Pelabelan jarak ini disebut distance magic labeling (pelabelan ajaib jarak) jika setiap titik mempunyai bobot pelabelan jarak yang sama. Pelabelan jarak ini disebut distance antimagic labeling (pelabelan anti ajaib jarak) jika setiap titik mempunyai bobot pelabelan jarak yang berbeda. Yang membentuk suatu deret. Tulisan ini membahas tentang pelabelan anti ajaib jarak pada graf petersen diperumum yaitu G= P(n, m) dengan n ≥ 3, 1 ≤ m <n/2 suatu graf teratur berderajat 3 yang mempunyai 2n titik dan 3n sisi. Lebih lanjut, tulisan ini juga membahas tentang pelabelan (a,d)-anti ajaib jarak -{1} pada suatu graf petersen diperumum.
Klasifikasi penentuan status gizi balita dengan metode naive bayes Alfiyyah &#039;Ainul Abdillah; Aris Thobirin; Dian Eka Wijayanti
Jurnal Ilmiah Matematika Vol 11, No 1 (2024)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jim.v11i1.30139

Abstract

Klasifikasi merupakan pengelompokan untuk memprediksi suatu kelas berdasarkan data dan data-data tersebut memiliki table atau atribut. Salah satu metode dalam klasifikasi adalah naïve bayes. Metode naïve bayes banyak digunakan dalam berbagai bidang penelitian. Pada bidang kesehatan, metode naïve bayes digunakan dalam penelitian kesehatan anak. Salah satu penelitiannya membahas tentang gizi pada bayi dibawah umur lima tahun. Pada penelitian klasifikasi status gizi balita dengan metode naive bayes digunakan untuk melakukan klasifikasi data pada kelas tertentu. Metode naive bayes diterapkan pada penelitian ini untuk mengidentifikasi data balita. Data balita tersebut kemudian dianalisis untuk pembuatan model. Setelah pembuatan model kemudian menentukan model yang terbaik. Selanjutnya, model tersebut digunakan untuk memprediksi data balita di Puskesmas Ponjong I. Hasil penelitian menunjukkan bahwa pembagian data dengan perbandingan 90% data training dan 10% data testing menghasilkan akurasi sebesar 82,14%. Model klasifikasi ini mampu memprediksi status gizi balita dengan lebih baik daripada pembagian data lainnya. Hasil prediksi menunjukkan bahwa terdapat 14 anak dengan status gizi baik, 2 anak dengan gizi kurang, dan 2 anak dengan gizi lebih. Informasi ini memiliki implikasi penting bagi puskesmas, karena puskesmas dapat melakukan perawatan dan pengawasan lebih fokus terhadap kelima balita yang diklasifikasikan memiliki masalah gizi yang buruk.
Klasifikasi penentuan status gizi balita dengan metode naive bayes Alfiyyah &#039;Ainul Abdillah; Aris Thobirin; Dian Eka Wijayanti
Jurnal Ilmiah Matematika Vol. 11 No. 1 (2024)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jim.v11i1.30139

Abstract

Klasifikasi merupakan pengelompokan untuk memprediksi suatu kelas berdasarkan data dan data-data tersebut memiliki table atau atribut. Salah satu metode dalam klasifikasi adalah naïve bayes. Metode naïve bayes banyak digunakan dalam berbagai bidang penelitian. Pada bidang kesehatan, metode naïve bayes digunakan dalam penelitian kesehatan anak. Salah satu penelitiannya membahas tentang gizi pada bayi dibawah umur lima tahun. Pada penelitian klasifikasi status gizi balita dengan metode naive bayes digunakan untuk melakukan klasifikasi data pada kelas tertentu. Metode naive bayes diterapkan pada penelitian ini untuk mengidentifikasi data balita. Data balita tersebut kemudian dianalisis untuk pembuatan model. Setelah pembuatan model kemudian menentukan model yang terbaik. Selanjutnya, model tersebut digunakan untuk memprediksi data balita di Puskesmas Ponjong I. Hasil penelitian menunjukkan bahwa pembagian data dengan perbandingan 90% data training dan 10% data testing menghasilkan akurasi sebesar 82,14%. Model klasifikasi ini mampu memprediksi status gizi balita dengan lebih baik daripada pembagian data lainnya. Hasil prediksi menunjukkan bahwa terdapat 14 anak dengan status gizi baik, 2 anak dengan gizi kurang, dan 2 anak dengan gizi lebih. Informasi ini memiliki implikasi penting bagi puskesmas, karena puskesmas dapat melakukan perawatan dan pengawasan lebih fokus terhadap kelima balita yang diklasifikasikan memiliki masalah gizi yang buruk.
Analisa dan Prediksi Cost Pada Food Mart Menggunakan Model Algoritma Random Forest Regression Aris Thobirin; Zulfatin Nafisah
Jurnal Ilmiah Matematika Vol. 11 No. 2 (2024)
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jim.v11i2.30666

Abstract

Perusahaan Convenient Food Mart (CFM) berada di Amerika Serikat yang menjual berbagai produk bahan makanan, minuman ringan hingga makanan siap saji menerapkan strategi Cost Acquisition Customer (CAC) untuk mengetahui analisa target dan besaran biaya yang akan dikeluarkan sehingga tidak mengeluarkan biaya anggaran yang tinggi dan tetap mempertahankan pelanggan serta menarik pelanggan yang baru. Oleh karena itu, penulis memprediksi biaya akuisisi pelanggan tersebut menggunakan model Random Forest Regression. Berdasarkan model algoritma tersebut diperoleh nilai akurasi atau �2 score sebesar 0.901893 sehingga model algoritma tersebut memiliki performa model atau nilai keakuratan yang cukup baik. Sedangkan untuk feature importance atau variabel terpenting dari model algoritma tersebut terdiri dari promotion name dengan nilai 0.5, store city dengan nilai 0.2, dan store state dengan nilai 0.19.. Pada algoritma Random Forest Regression juga diperoleh nilai prediksi yang tidak berbeda jauh dengan nilai aktualnya sehingga besaran biaya yang dikeluarkan tidak berbeda jauh dari aslinya untuk mencapai target tertentu.
Hybrid Gradient Descent Grey Wolf Optimizer for Machine Learning Performance Enhancement Puteri Baharie, Sri Rossa Aisyah; Sugiyarto Surono; Aris Thobirin
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 1 (2025): February 2025
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i1.6203

Abstract

Advancements in machine learning have enabled the development of more accurate and efficient health prediction models. This study aims to improve diabetes prediction performance using the Support Vector Machine (SVM) model optimized with the Hybrid Gradient Descent Gray Wolf Optimizer (HGD-GWO) method. SVM is a robust machine learning algorithm for classification and regression. Still, its performance depends significantly on selecting appropriate hyperparameters such as regularization (C), kernel coefficient (γ), and polynomial kernel degree (d). The HGD-GWO method synergizes gradient descent for local optimization and the Gray Wolf Optimizer for global solution exploration. Using the Pima Indians Diabetes dataset, the process includes normalization, hyperparameter optimization, data division, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The optimized SVM achieved an accuracy of 81.17%, with precision, recall, and F1-score values of 75.00%, 57.45%, and 65.06%, respectively, at a data ratio of 80%:20%. These findings highlight the potential of HGD-GWO in enhancing predictive models, particularly for early diabetes detection.
Pelabelan Jarak Tak Teratur Titik Pada Graf Persahabatan Lengkap Diperumum Cindy Ainun Majid; Dian Eka Wijayanti; Aris Thobirin; Puguh Wahyu Prasetyo
Limits: Journal of Mathematics and Its Applications Vol. 20 No. 1 (2023): Limits: Journal of Mathematics and Its Applications Volume 20 Nomor 1 Edisi Ma
Publisher : Pusat Publikasi Ilmiah LPPM Institut Teknologi Sepuluh Nopember

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

Abstract

Graph labeling is the labeling of graph elements such as vertex, edge and both. distance vertex irregular labeling is a type of labeling resulting from the development of distance magic labeling and (a, b)-distance anti-magic labeling. Let , be a simple graph. The distance vertex irregular labeling of is a vertex labeling so that the weight of each vertex is different. The weight of is calculated based on the sum of vertices label in the set of neighboring vertex , namely Distance vertex irregularity strength of , denoted as d , is the smallest value of the largest label so that has a distance vertex irregular labeling. This study aims to construct a generalized complete friendship graph , determine the labeling function, determine the distance vertex irregularity strength then formulate and prove the theorem resulting from the labeling. The object of this research is to label each vertex on a generalized complete friendship graph. This research method is a literature study obtained through various sources. Based on the research results, it is known that the graph has distance vertex irregular labeling. For an integer m and n, , the labeling function of is and . Distance vertex irregularity strength of generalized complete friendship graph is .