Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Zeta - Math Journal

Implementasi Algoritma K-Nearest Neighbor (K-NN) dalam Mengklasifikasikan Berbagai Jenis Ekspresi Wajah Manusia Khaliqah, Marinatul; Sarifah, Luluk; Khotijah, Siti
Zeta - Math Journal Vol 9 No 1 (2024): Mei
Publisher : Universitas Islam Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31102/zeta.2024.9.1.10-20

Abstract

Ekspresi wajah manusia adalah bentuk respon alami yang ditunjukkan oleh manusia untuk memperlihatkan perasaan yang sedang dirasakan saat berinteraksi sosial, yang mana dalam berinteraksi sosial, kondisi emosi yang baik menjadi penting dalam menjalin komunikasi yang baik. Pentingnya penelitian terkait ekspresi wajah adalah membantu perkembangan teknologi di dunia dalam memainkan peran penting dalam interaksi komputer dan manusia. Adanya penelitian ini bertujuan untuk mengklasifikasikan ekspresi wajah manusia menggunakan algoritma K-Nearest Neighbor dengan dibantu ekstraksi ciri GLCM sebagai variabel yang dijadikan inputan pada proses klasifikasi. Pada penelitian ini dilakukan dua jenis pengujian, yaitu dengan jumlah data yang lebih banyak dan jumlah data yang lebih sedikit dengan penggunaan k=1, k=3, dan k=5 dengan tujuan mengetahui tingkat akurasi yang lebih baik dari algoritma K-Nearest Neighbor. Setelah dilakukan pengujian didapatkan hasil akurasi yang lebih baik dari algoritma K-Nearest Neighbor adalah dengan jumlah data yang lebih banyak dengan penggunaan k=1, yaitu dengan tingkat akurasi mencapai 100%. Jadi dapat disimpulkan bahwa algoritma K-Nearest Neighbor dapat mencapai akurasi terbaiknya dalam mengklasifikasikan jenis ekspresi wajah manusia adalah dengan pengujian data yang lebih banyak dan dengan penggunaan k=1.
A Robustness Study of Multi-Layer Perceptrons and Logistic Regression to Data Perturbation: MNIST Dataset Thahiruddin, Muhammad; Khotijah, Siti; Fajar, Moh.; Farras, Adib El
Zeta - Math Journal Vol 10 No 1 (2025): May
Publisher : Universitas Islam Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31102/zeta.2025.10.1.39-50

Abstract

This study systematically evaluates the robustness of Multi-Layer Perceptrons (MLPs) And Logistic Regression (LR) models against data pertubations using the MNIST handwritten digit dataset. While MLPs and LR are foundational in machine learning, their comparative resilience to diverse pertubations-noise, geometric distortions, and adversarial attacks-remains underexplored,despite implications for real-world applications with imperfect data., whe test three pertubations categories : Gaussian noise (σ=0.1 to 1.0), salt and pepper noise (p=0.1 to 0.5), rotational distorsions (5° to 30°), and adversial attacks (FGSM with ϵ=0.005 to0.30). both models were trained on 60.000 MNIST samples and tested on 10.000 pertubed images. Results demonstrate that MLPs exhibit superior robustness under moderate noise and rotations, achieving baseline accuracies of 97.07% (vs. LR’s 92.63%). For Gaussian noise (σ=0.5), MLP retained 35.35% accuracy compared to LR’s 23.91% . however, adversarial attacks (FGSM, ϵ= 0.30) reduced MLP accuracy to 0.20%, revealing critical vulnerabilities. Statistical analysis (paired t-test, p < 0.05) confirmed significant performance differences across pertubations levels. Alinear regressions (R^2 = 0.98) further quantified MLP’s predictable accuracy decline with Gaussian noise intensity. These findings underscore MLP’s suitability for noise-prone environments but highlight urgent needs for adversarial defense mechanisms. Practitioners are advised to prioritize MLPs for tasks with moderate distortions, while future work should integrate robustness enhancements like adversarial training.
Penerapan Metode Single Moving Average Dalam Memprediksi Jumlah Penduduk Miskin Pada Perencanaan Pembangunan Daerah Kabupaten Pamekasan Sarifah, Luluk; Kamilah, Siti; Khotijah, Siti
Zeta - Math Journal Vol 8 No 2 (2023): November
Publisher : Universitas Islam Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31102/zeta.2023.8.2.47-54

Abstract

Negara Indonesia merupakan Negara yang tergolong masih berkembang, sehingga kemiskinan masih menjadi masalah utama yang perlu dibenahi, seperti halnya juga masalah kemiskinan yang ada di Pamekasan. Tujuan dari penelitian ini adalah memprediksi jumlah penduduk miskin menggunakan metode single moving average. Metode single moving average adalah suatu metode peramalan yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai rata-rata tersebut sebagai ramalan untuk periode yang akan dating, kemudian dalam penelitian menggunakan data penduduk miskin kabupaten Pamekasan dari tahun 2017-2023 dengan perhitungan 2 periode (n=2) dan 3 periode (n=3) dan pengukuran akuarasi dengan MSE (Mean Squared Error), MAD (Mean Absolute Deviation) dan MAPE (Mean Absolute Precentage Error). Berdasarkan penelitian yang telah dilakukan diperoleh hasil bahwa pergerakan n=3 memiliki nilai hasil yang lebih baik dibandingkan dengan yang menggunakan n=2, dimana diperoleh nilai hasil peramalan di periode yang akan datang pada tahun 2024 yaitu perkiraan penduduk miskin sebanyak 134,55 jiwa. Hal itu berdasarkan nilai MAD dan MSE yang lebih kecil dibangdingkan dengan perhitungan dengan n=2, yaitu dengan nilai MAD sebesar 4,228 dan MSE sebesar 38,045.Selanjutnya berdasarkan nilai MAPE juga diperoleh hasil perhitungan paling kecil yaitu perhitungan menggunakan metode Single Moving Average dengan besar pergerakan n=3 yaitu sebesar 3,186%.
Peramalan Jumlah Penduduk Kecamatan Pragaan Menggunakan Metode Statistical Staight Line Khotijah, Siti; Samaniyah, Samaniyah; Sarifah, Luluk; Faisol, Faisol
Zeta - Math Journal Vol 8 No 2 (2023): November
Publisher : Universitas Islam Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31102/zeta.2023.8.2.55-59

Abstract

Penelitian ini bertujuan untuk memprediksi jumlah penduduk di Desa Pragaan Daya menggunakan metode Statistical Straight Line. Data jumlah penduduk dari periode sebelumnya digunakan untuk melakukan prediksi. Metode Statistical Straight Line digunakan untuk menemukan garis lurus yang paling mendekati data sebelumnya dan digunakan untuk memprediksi jumlah penduduk di masa mendatang. Hasil prediksi kemudian dievaluasi menggunakan metrik akurasi Mean Absolute Percentage Error (MAPE). Dalam penelitian ini, nilai MAPE yang dihasilkan adalah sebesar 3,095933961 atau setara dengan 3,1%. Hasil ini menunjukkan bahwa prediksi menggunakan metode Statistical Straight Line memiliki tingkat akurasi yang relatif baik. Meskipun demikian, peneliti disarankan untuk mempertimbangkan metode lain dan melakukan pembaruan serta revisi prediksi secara berkala untuk tetap relevan dengan kondisi aktual yang berubah seiring waktu.