Article Per Year (5 Year)
p-Index From 2020 - 2025
2.015
P-Index
This Author published in this journals
All Journal E-Jurnal Matematika JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI Jurnal Sains Matematika dan Statistika Format : Jurnal Imiah Teknik Informatika EIGEN MATHEMATICS JOURNAL International Journal of Engineering, Technology and Natural Sciences (IJETS) Abdimasku : Jurnal Pengabdian Masyarakat Jurnal Ilmu Komputer dan Informatika Jurnal Eurekamatika UPGRADE: Jurnal Pendidikan Teknologi Informasi Diophantine Journal of Mathematics and Its Applications
Moch Anjas Aprihartha
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Mathematics Social Sciences Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Model Machine Learning Stacking untuk Prediksi Pembatalan Pemesanan Hotel Jus Prasetya; Sefri Imanuel Fallo; Moch Anjas Aprihartha
Jurnal Matematika, Statistika dan Komputasi Vol. 20 No. 3 (2024): May 2024
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/j.v20i3.32619

Abstract

The hotel prepares rooms and resources according to the room booking. Advance booking from customers is a relationship between customers and hotels that ensures price stability for customers to enjoy services. Cancellation of hotel bookings and inability to satisfy potential customers is a widespread and alarming problem that can increase hotel operating costs and affect customer satisfaction. Given that the impact on the hospitality industry can be very bad, predicting hotel cancellations can be a solution to help build an appropriate operational strategy. Method used in this research is stacking machine learning model. Stacking consists of two levels, where in this study level 0 (base learner) uses the Naive Bayes, Logistic Regression, and Gradient Boosting Machine algorithms while at level 1 (meta learner) uses the Random Forest algorithm. Accuracy value of the stacking model classification and the gradient boosting machine has the highest accuracy value of 0.87. Sensitivity value of the stacking model is 0.86 and is the highest sensitivity value which means that the stacking model classification is very precise in predicting consumers in canceling hotel reservations. Specificity value of the gradient boosting machine is 0.88 and is the highest specificity value, which means that the gradient boosting machine classification is very precise in predicting consumers who do not cancel hotel reservations. Naive bayes and logistic regression classifications have accuracy, sensitivity, specificity, precision values that are not high.  
Perbandingan Metode Klasifikasi dalam Memprediksi Penjualan Produk Ban Terlaris moch anjas aprihartha; Fitri Astutik; Nani Sulistianingsih
Jurnal Matematika, Statistika dan Komputasi Vol. 20 No. 3 (2024): May 2024
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/j.v20i3.33187

Abstract

Data mining is a term to describe the process of moving through large databases in search of certain previously unknown patterns. In finding certain patterns, you need a supporting technique, called machine learning. Machine learning involves learning hidden patterns in data and further using patterns to classify or predict an event related to a problem. One of the problems can be solved with machine learning such as predicting the sales rate of tire products. This can help companies predict tire products that are selling well in the market. In producing an accurate prediction model, it will be compared with decision tree classification methods of CART, CART + Discrete Adaboost, and Naive Bayes applied to tire sales data by PT. Mitra Mekar Mandiri. The results of the study based on successive model performance evaluations are model Naive Bayes < model CART < model CART+Discrete Adaboost. The Discrete Adaboost model with a data proportion of 90:10 is the best model for predicting tire sales. The accuracy, sensitivity and specificity values for the model were 79.17%; 89.47%; and 68.84%. The AUC value is 0.8 which indicates the model is good
STUDI TENTANG IDENTIFIKASI JAMUR BERACUN DAN TIDAK BERACUN DENGAN ALGORITMA CART-LOGITBOOST moch anjas aprihartha; Zulhandi Putrawan; Dicky Zulhan; Fatma Ahardika Nurfaizal
Jurnal Matematika, Statistika dan Komputasi Vol. 21 No. 1 (2024): SEPTEMBER 2024
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/j.v21i1.35072

Abstract

Mushrooms are one of the groups of living organisms in the fungal regnum which have umbrella-like body characteristics. The body consists of an upright part that functions as a rod to support the hood as well as a hood that is horizontal and rounded with different color variations. There are types of mushrooms that can be a food source for humans. Some types of mushrooms can be eaten or processed like other foods. Apart from that, some types of mushrooms are dangerous if consumed by humans because they are poisonous. Based on these problems, this study offers a new contribution in identifying types of poisonous and non-toxic mushrooms based on mushroom characteristics using the CART algorithm combined with the LogitBoost boosting algorithm. The aim of this research can be used as material for further studies in making tools that can effectively and accurately differentiate between poisonous and non-toxic types of mushrooms. This can help reduce cases of poisoning due to consumption of poisonous mushrooms. The data used is secondary data from public sources UCI Machine Learning Repository. Evaluation of model performance resulted in an accuracy of 98.79%; recall 98.70%; specificity 98.85%; precision 98.56%; F1-Score 98.63%, and AUC 0.9876. These results show that the model is very effective in detecting poisonous mushrooms and has minimal errors in classification.
ANALISIS PERSEPSI MASYARAKAT LOMBOK YANG BERDAMPAK COVID-19 TERHADAP DUKUNGAN UNTUK PARIWISATA MOCH. ANJAS APRIHARTHA; JUS PRASETYA; SEFRI IMANUEL FALLO
E-Jurnal Matematika Vol 13 No 1 (2024)
Publisher : Mathematics Department, Faculty of Mathematics and Natural Sciences, Udayana University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/MTK.2024.v13.i01.p444

Abstract

Structural Equation Model (SEM) merupakan salah satu dari teknik analisis dalam ilmu statistika dengan gabungan dua teknik multivariat yaitu analisis faktor konfirmatori, analisis regresi, dan analisis jalur. Pada penelitian ini diterapkan analisis SEM untuk menganalisa faktor yang memengaruhi masyarakat Lombok yang berdampak Covid-19 terhadap dukungan untuk pariwisata. Data yang digunakan adalah data primer yang diperoleh dengan kuesioner kepada masyarakat Lombok pada tahun 2021. Pada studi kasus ini peneliti mengambil dua faktor yang dapat memengaruhi dukungan terhadap pariwisata (ST) yaitu resiko yang dirasakan (PR) dan solidaritas emosional (ES). Tujuan dari penelitian ini untuk mengetahui pengaruh variabel PR dan ES terhadap ST. Berdasarkan hasil analisis diperoleh solidaritas emosional (ES) berpengaruh signifikan pada dukungan terhadap pariwisata. Sementara itu, resiko yang dirasakan (PR) dan solidaritas emosional (ES) bersama-sama secara signifikan mampu menjelaskan pengaruhnya dukungan terhadap pariwisata (ST) sebesar 72,6% sedangkan 27,4% dijelaskan oleh variabel lain diluar model.
Perbandingan Metrik Euclidean dan Metrik Manhattan untuk K-Nearest Neighbors dalam Klasifikasi Kismis Aprihartha, Moch. Anjas; Alam, Taufik Nur; Husniyadi, M.
Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/jiki.126

Abstract

Pada konfrensi negara-negara penghasil kismis tanpa biji ke-63, Negara Turki dinobatkan sebagai pemimpin dunia dalam produksi dan ekspor kismis musim 2022/2023. Dalam menghasilkan kismis yang berkualitas sangat bergantung pada varietas anggur dan proses pengolahannya seperti pengeringan, grading, dll. Pada beberapa tempat, penyortiran kismis masih dilakukan secara manual berdasarkan indeks mutu. Namun, proses penyortiran dengan manual memiliki beberapa kelemahan seperti membutuhkan biaya yang besar dan pemilihan kismis oleh manusia cenderung tidak konsisten serta kurang efisien. Untuk mengatasi masalah tersebut maka dilakukan penelitian untuk mengembangkan metode alternatif dalam mengidentifikasi jenis kismis. K-Nearest Neighbors (KNN) merupakan algoritma machine learning nonparametrik yang dapat menyelesaikan masalah klasifikasi atau regresi. Metode KNN memprediksi kategori dengan memanfaatkan hubungan jarak antartetangga terdekat. Dalam analisis data, mengetahui jarak antartetangga terdekat dapat dihitung menggunakan dua metrik utama seperti jarak Manhattan dan jarak Euclidean. Studi kali ini akan mengembangkan metode KNN dalam mendeteksi jenis kismis Besni dan Kecimen. Setiap pelatihan dan pengujian menggunakan parameter k yang berbeda, yaitu 3, 5, 7, dan 9. Hasil penelitian diperoleh KNN pada metrik Euclidean menunjukkan nilai akurasi, presisi, sensitivitas, dan spesifisitas untuk setiap k hampir tidak memiliki perbedaan yang signifikan. Akurasi tertinggi sebesar 0,850 ketika k=7 dan k=9. Sedangkan KNN pada metrik Manhattan menunjukkan Akurasi tertinggi sebesar 0,867 ketika k=5 dan k=7. Algoritma KNN dengan metrik Manhattan dan metrik Euclidean, keduanya memberikan akurasi yang kuat dalam mengklasifikasikan data. Berdasarkan hasil uji kedua algoritma maka KNN pada metrik Manhattan lebih baik dibandingkan KNN pada metrik Euclidean.
Implementasi CART-Real Adaboost dalam Memprediksi Minat Pelanggan Membeli Sepatu Aprihartha, Moch. Anjas; Prasetya, Jus; Fallo, Sefri Imanuel
Jurnal EurekaMatika Vol 12, No 1 (2024): Jurnal EurekaMatika
Publisher : Universitas Pendidikan Indonesia (UPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17509/jem.v12i1.67808

Abstract

Machine learning is a field of science related to the development of computer algorithms to transform data into intelligent actions. In machine learning does not escape understanding machine learning algorithms. One popular machine learning algorithm is supervised learning. Supervised learning algorithms are commonly used in solving prediction problems. This study aims to implement supervided learning algorithms using CART and CART-Real Adaboost methods in predicting customer interest in buying shoes. The results of the study obtained the performance of the CART model resulted in an accuracy of 77.5% and an AUC of 0.711 which indicates that the model is quite good. While the performance of the CART-Real Adaboost model obtained the best model at tree depth level 6 or level 8. The model obtained an accuracy of 85.71% and an AUC of 0.8225 which indicates a good model. This makes CART-Real Adaboost the best model compared to the CART model.Keywords: CART, Prediction, Real Adaboost, Shoes, Supervised Learning.AbstrakPembelajaran mesin merupakan bidang ilmu yang berkaitan pengembangan algoritma komputer untuk mengubah data menjadi suatu tindakan cerdas. Dalam pembelajaran mesin tidak luput dari memahami algoritma pembelajaran mesin. Salah satu algoritma pembelajaran mesin yang populer adalah supervised learning. Algoritma supervised learning umumnya digunakan dalam memecahkan masalah prediksi. Penelitian ini bertujuan untuk menerapkan algoritma supervided learning menggunakan metode CART dan CART-Real Adaboost dalam memprediksi minat pelanggan membeli sepatu. Hasil penelitian diperoleh performa model CART menghasilkan akurasi sebesar 77,5% dan AUC sebesar 0,711 yang menandakan model cukup baik. Sedangkan performa model CART-Real Adaboost diperoleh model terbaik pada kedalaman pohon berada di level 6 atau level 8. Model menghasilkan akurasi sebesar 85,71% dan AUC sebesar 0,8225 yang menandakan model baik. Ini menjadikan CART-Real Adaboost menjadi model terbaik dibandingkan model CART.
Algoritma Synthetic Minority Oversampling Technique dan C5.0 dalam Mengatasi Ketidakseimbangan Data pada Klasifikasi Kelulusan Siswa Aprihartha, Moch Anjas; Putrawan, Zulhandi; Zulhan, Dicky; Nurfaizal, Fatma Ahardika
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 2 No 1 (2024): Vol. 2 No. 1 Agustus 2024
Publisher : Pendidikan Teknologi Informasi Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/upgrade.v2i1.4148

Abstract

Algoritma supervised learning digunakan untuk memprediksi dan mengklasifikasikan atribut tertentu, namun masalah utama adalah distribusi data yang tidak merata antar kelas yang dapat menyebabkan overfitting. Untuk mengatasi ini, diperlukan augmentasi kelas minoritas menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE). Tujuan penelitian ini memberikan solusi praktis untuk mengatasi ketidakseimbangan data dengan SMOTE pada kasus siswa yang tidak lulus semua mata pelajaran, guna mengurangi risiko overfitting. Metode penelitian ini adalah penelitian eksperimental dengan pendekatan kuantitatif menggunakan data sekunder dari kelulusan mata pelajaran siswa. Teknik analisis data hasil SMOTE diuji dengan algoritma C5.0, dan variasi state 1 hingga 100 digunakan untuk memastikan pemilihan data training dan testing secara acak di setiap iterasi. Hasil penelitian menunjukkan bahwa uji data asli dengan algoritma C5.0 menghasilkan plot akurasi, recall, dan spesifisitas yang tidak konsisten, sedangkan uji data yang diolah dengan SMOTE menunjukkan plot yang stabil mendekati 100%. Artinya, data SMOTE memberikan performa yang lebih baik pada algoritma C5.0 dibandingkan data asli. Efektivitas teknik SMOTE dan algoritma C5.0 dapat berkontribusi bagi peneliti yang menghadapi masalah serupa. Implikasi hasil penelitian ini juga dapat dijadikan acuan dalam membuat aplikasi untuk mendeteksi kelulusan siswa guna mempermudah guru dalam mengambil keputusan.
Pemanfaatan Google Site dalam Pelatihan Pembuatan Website Sebagai Kegiatan Penunjang Edukasi Life Skills Pelajar SMA N 2 Mranggen Kabupaten Demak Herowati, Wise; Kurniawan, Achmad Wahid; Budi, Setyo; Muljono, Muljono; Rustad, Supriadi; Ignatius Moses Setiadi, De Rosal; Sutojo, T.; Trisnapradika, Gustina Alfa; Aprihartha, Moch Anjas
ABDIMASKU : JURNAL PENGABDIAN MASYARAKAT Vol 8, No 1 (2025): JANUARI 2025
Publisher : LPPM UNIVERSITAS DIAN NUSWANTORO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/ja.v8i1.2840

Abstract

Menghadapi persaingan kemampuan dan keterampilan terutama untuk generasi sekarang harusnya dihadapi dengan mempersiapkan pengetahuan yang mumpuni terutama kemampuan-kemampuan untuk menunjang life skills . Kemampuan tersebut perlu diperkuat sedari diri terutama pada jenjang pendidikan menengah atas atau jenjang SMA. Salah satu kemampuan yang dapat diasah pada jenjang pendidikan tersebut adalah pengetahuan dan kemampuan mengenai pembuatan sebuah website. Menciptakan sebuah website sering kali dianggap sulit dan membutuhkan kemampuan pemrograman khusus, hal ini menjadi tantangan tersendiri salah satunya bagi salah satu sekolah yakni SMA N 2 Mranggen Demak. Sebagai salah satu cara menyelesaikan tantangan tersebut, kegiatan PKM yang telah terlaksana ini memperkenalkan konsep dasar pembuatan website menggunakan Google Site. Diharapkan melalui kegiatan pelatihan tersebut para pelajar dapat memiliki keterampilan tambahan untuk menambah kemampuan guna menunjang life skills mereka
Penerapan Gamifikasi Materi Pembelajaran Tingkat SMA dengan Menggunakan Wordwall Setiyanto, Noor Ageng; Hidayat, Novianto Nur; Akrom, Muhamad; Pertiwi, Ayu; Aprihartha, Moch. Anjas; Safitri, Aprilyani Nur; Sudibyo, Usman; Prabowo, Wahyu Aji Eko; Al Azies, Harun; Naufal, Muhammad
ABDIMASKU : JURNAL PENGABDIAN MASYARAKAT Vol 8, No 1 (2025): JANUARI 2025
Publisher : LPPM UNIVERSITAS DIAN NUSWANTORO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/ja.v8i1.2851

Abstract

Kegiatan Pengabdian Masyarakat ini dilaksanakan di SMA Negeri 2 Mranggen, Demak, dengan tujuan untuk menciptakan variasi materi pembelajaran melalui proses gamifikasi, sehingga pembelajaran menjadi lebih menarik dan interaktif bagi siswa tingkat menengah. Tema dari kegiatan ini adalah gamifikasi materi pembelajaran menggunakan alat bantu Wordwall, yang memungkinkan pengintegrasian elemen permainan dalam proses belajar-mengajar. Kegiatan ini melibatkan para guru di SMA Negeri 2 Mranggen, Demak. Metode yang digunakan meliputi observasi untuk memahami kebutuhan pembelajaran di sekolah, serta pelatihan langsung dalam bentuk seminar, demonstrasi, dan sesi diskusi interaktif. Teknik ini dirancang agar para guru dapat memahami konsep gamifikasi, mempraktikkan penggunaan Wordwall, dan mengembangkan materi ajar yang kreatif serta sesuai dengan kurikulum yang ada. Hasil kegiatan menunjukkan bahwa implementasi gamifikasi materi pembelajaran melalui Wordwall efektif dalam meningkatkan pemahaman guru terhadap konsep gamifikasi. Selain itu, para guru merasa terbantu dan termotivasi untuk menciptakan materi pembelajaran yang lebih kreatif, menarik, dan dinamis.
Studi Tentang Algoritma C5.0 Dalam Memprediksi Kepatuhan Nasabah Dalam Membayar Pajak Pertambahan Nilai Aprihartha, Moch Anjas; Husniyadi, M.; Alam, Taufik Nur
FORMAT Vol 13, No 1 (2024)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2024.v13.i1.001

Abstract

Data mining is the process of extracting valuable patterns, information, and knowledge from large data sets. Data mining has an important role in identifying and minimizing risks in various lives. One of the algorithms of data mining is the decision tree type C5.0. The C5.0 algorithm is an algorithm used to solve classification problems. The C5.0 method can be applied in various sectors such as the taxation sector. Paying taxes is an obligation by an individual or entity paid to the State. The value added tax is the highest contributory tax because it is collected several times to companies. Factors that affect customer compliance in paying value added tax are income, entity form, and reporting status. This study aims to predict public compliance in paying value added tax using the C5.0 method. This research aims to produce a classification model that can be a potential solution for dealing with prediction problems in customer compliance with paying taxes. The results of the study obtained an average accuracy of the C5.0 model of 66,5%. Based on this accuracy value, the model can be categorized as still weak in predicting the status of value added tax payments.
Co-Authors Achmad Wahid Kurniawan Ahardika Nurfaizal, Fatma Akrom, Muhamad Alam, Taufik Nur Andrianza, Muhammad Rafly Ayu Pertiwi Azizah, Rahmatul Azzahro, Salwa Paramita Budi, Setyo Dicky Zulhan Fatma Ahardika Nurfaizal Fitri Astutik Hady Rasikhun Harun Al Azies Herowati, Wise Hidayat, Novianto Nur Husniyadi, M. Idham Idham Ignatius Moses Setiadi, De Rosal Jus Prasetya JUS PRASETYA Muhammad Naufal, Muhammad Muljono Muljono Nani Sulistianingsih Noor Ageng Setiyanto, Noor Ageng Nurfaizal, Fatma Ahardika Prabowo, Wahyu Aji Eko Prasetya, Jus Putrawan, Zulhandi Safitri, Aprilyani Nur Sefri Imanuel Fallo Sudibyo, Usman Supriadi Rustad T. Sutojo Trisnapradika, Gustina Alfa Zulhan , Dicky Zulhan, Dicky Zulhandi Putrawan