Article Per Year (5 Year)
p-Index From 2021 - 2026
2.348
P-Index
This Author published in this journals
All Journal JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI Jurnal Sains Matematika dan Statistika Format : Jurnal Imiah Teknik Informatika EIGEN MATHEMATICS JOURNAL METIK JURNAL Abdimasku : Jurnal Pengabdian Masyarakat Jurnal Inovasi Penelitian dan Pengabdian Masyarakat Jurnal Ilmu Komputer dan Informatika Jurnal Eurekamatika JT-IBSI (Jurnal Teknik Ibnu Sina) UPGRADE: Jurnal Pendidikan Teknologi Informasi Diophantine Journal of Mathematics and Its Applications
Moch Anjas Aprihartha
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Mathematics Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Perbandingan Algoritma Real Adaptive Boosting pada Regresi Logistik, CART, dan Naive Bayes dalam Klasifikasi Biji Labu Aprihartha, Moch Anjas; Fallo, Sefri Imanuel; Rasikhun, Hady
Jurnal Sains Matematika dan Statistika Vol 11, No 2 (2025): JSMS Juli 2025
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/jsms.v11i2.36859

Abstract

Labu merupakan spesies tanaman yang bernilai ekonomis dan medis. Hampir setiap bagian dari labu dapat dikonsumsi terutama pada bijinya. Minyak dari biji labu dapat juga digunakan sebagai saus untuk salad, produk kosmetik, sabun dan lilin. Keterampilan dalam mengklasifikasikan biji labu dengan tepat sangat dibutuhkan diberbagai sektor, seperti pertanian dan industri pangan. Dibutuhkan teknologi pengembangan yang dapat mengidentifikasi dan mensortir biji labu dengan mudah dan cepat. Beberapa algoritma yang umum dapat digunakan untuk mengidentifikasi jenis biji labu seperti algoritma regresi logistik (RL), Classification and Regression Tree (CART), dan Naive Bayes (NB). Penelitian ini bertujuan mengeksplorasi model RL, CART, dan NB pada dua jenis varietas biji labu, yaitu Ürgüp Sivrisi dan Çerçevelik berdasarkan karakteristik fisiknya. Selain itu, digunakan pendekatan Real Adaptive Boosting (RAB) untuk meningkatkan kinerja model dasar. Teknik ini bekerja dengan kemampuan menggabungkan beberapa model homogen secara berulang untuk menghasilkan model yang kuat. Hasil uji kinerja model klasifikasi diperhitungkan melalui metrik evaluasi. Model RAB-RL memiliki performa tertinggi pada akurasi, presisi, dan f1-score sehingga menjadikan model terbaik dalam mengklasifikasikan jenis biji labu dibandingkan model-model lainnya. Dalam model dasar, model RL memiliki performa terbaik dibawah model RAB-RL
Klasifikasi Produktivitas Buah Nanas Menggunakan Algoritma Classification and Regression Tree (CART) Aprihartha, Moch. Anjas; Putrawan, Zulhandi; Zulhan , Dicky; Ahardika Nurfaizal, Fatma
Diophantine Journal of Mathematics and Its Applications Vol. 3 No. 1 (2024)
Publisher : UNIB Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/diophantine.v3i1.34193

Abstract

Indonesia is one of the countries that has a variety of fruits cultivated. One of them is the pineapple fruit. Various pineapple-based products such as pineapple juice, canned foods, pineapple jam, etc. The high demand for pineapples presents an opportunity for companies to increase pineapple product processing. The increase in pineapple productivity is influenced by several factors, one of which is the extent of land and the type of pineapple produced. To improve pineapple productivity, it can be done by classifying the types of pineapples based on productive and non-productive categories. The purpose of this classification is to enable farmers or plantation managers to allocate resources more efficiently by providing more intensive care for productive category pineapples. The classification method that can be used to classify productive and non-productive pineapples is the Classification and Regression Tree (CART) algorithm. The CART method is a method that produces decision tree models that are used to solve classification and regression problems. This research uses the CART method to classify pineapple productivity. The research results obtained accuracies, sensitivities, specificities, and precisions of 97.06%; 92.31%; 100%; 100% respectively. Meanwhile, the AUC obtained is 0.962 which indicates that the model is very good at predicting pineapple productivity correctly.
Eksplorasi Penggunaan Platform Kahoot! Sebagai Media Belajar Matematika Pada Siswa Kelas VIII SMP Aprihartha, Moch. Anjas; Prabowo, Wahyu Aji Eko; Wibawa, Vincentius Hadianta
Jurnal Inovasi Penelitian dan Pengabdian Masyarakat Vol. 4 No. 2 (2024): Desember
Publisher : Indonesia Emerging Literacy Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53621/jippmas.v4i2.383

Abstract

Pembelajaran merupakan mekanisme penyerapan ilmu pengetahuan yang terjadi di kelas. Dalam prosesnya terdapat aktivitas siswa dan guru yang didukung oleh media, alat, metode, serta bahan ajar yang sesuai dengan kebutuhan di kelas. Permasalahan yang dialami dalam proses belajar pada umumnya dapat berdampak signifikan pada efektifitas pendidikan dan pencapaian hasil belajar. Oleh karena itu diperlukan adopsi teknik belajar yang lebih dinamis dan interaktif agar proses belajar menjadi menyenangkan. Salah satunya dengan memanfaatkan platform Kahoot!. Platform Kahoot! merupakan website yang menyediakan media pembelajaran berbasis permainan interaktif. Pengabdian ini bertujuan untuk mengevaluasi kesesuaian penggunaan platform Kahoot! dalam pengembangan metode belajar serta akan dilakukan analisis sejauh mana respon siswa terhadap penggunaan fitur interaktif platform ini. Pelaksanaan kegiatan pengabdian ini berlokasi di SMPN 3 Gunung Sari dengan mengambil sampel siswa kelas VIII. Metode yang diterapkan meliputi studi lapangan, melatih siswa menggunakan Kahoot!, dan evaluasi hasil belajar. Secara keseluruhan dari hasil evaluasi yang telah dilaksanakan, siswa kelas VIII SMPN 3 Gunung Sari sepakat bahwa platform Kahoot! dapat memberikan pengalaman baru yang menyenangkan dalam menjalankan proses belajar matematika, terutama dari segi tampilan dan kejelasan soal yang dapat dipahami oleh peserta didik.
Prediksi Aksebilitas Molekul Tamu pada Metal-Organic Framework dengan SMOTE dan AdaBoost-Machine Learning Moch Anjas Aprihartha; Harun Al Azies; Wahyu Aji Eko Prabowo; Usman Sudibyo; Ika Puspitasari; Indah Putianik; Fatma Ahardika Nurfaizal
METIK Jurnal Vol. 10 No. 1 (2026): METIK Jurnal Issue Published
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/45crx119

Abstract

Metal-Organic Frameworks (MOFs) are a special class of organic-inorganic hybrid materials widely known for their regular and periodic crystal structures. MOFs are composed of metal ions or clusters connected by organic linkers that form a three-dimensional lattice-shaped series. The advantage of MOFs is their ability to capture guest molecules in their pores. Based on these capabilities, MOFs can be utilized in various applications such as gas absorption and separation processes, catalysts, and therapeutic compound delivery systems. Currently, in creating new materials, the MOFs synthesis process still applies a conventional trial-and-error approach that has the potential for high failure rates. The purpose of this study is to develop a machine learning model as an efficient tool design in creating new MOFs materials before the experimental process is carried out. This study implements the SMOTE and AdaBoost methods integrated with machine learning algorithms in classifying MOFs pores based on the pore limiting diameter (PLD) size. The results obtained from the CART-Gentle AdaBoost model provide the best performance with an accuracy of 72.82%; precision 71.32%; recall 73.53%; specificity 72.88%; and f1 score 72.39%. This model is quite suitable for use in identifying MOF structures that are accessible to guest molecules compared to other classification models.
Penyelesaian Masalah Ketidakseimbangan Data Melalui Teknik Oversampling dan Undersampling pada Klasifikasi Siswa Tidak Naik Kelas Moch. Anjas Aprihartha; Dicky Zulhan; Fatma Ahardika Nurfaizal; Taufik Nur Alam
Jurnal Teknik Ibnu Sina Vol 9 No 01 (2024): Jurnal Teknik Ibnu Sina
Publisher : Jurnal Teknik Ibnusina

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

Abstract

Data mining adalah proses menghasilkan pola dan pengetahuan dari himpunan data besar. Sumber data dapat diperoleh dari database, web, atau penyimpanan informasi lainnya. Sebagian besar algoritma data mining bekerja paling baik ketika jumlah sampel di setiap kelas berada pada jumlah yang hampir sama. Namun dalam kasus masalah klasifikasi, jumlah observasi yang termasuk dalam satu kelas sangatlah signifikan lebih kecil daripada kelas lain bukanlah hal yang langka sama sekali. Inilah yang disebut klasifikasi data yang tidak seimbang. Dalam mengatasi masalah ketidakseimbangan data dapat dilakukan teknik resampling. Pengambilan sampel ulang dibagi menjadi dua jenis, yaitu pengambilan sampel terlalu rendah yang disebut random undersampling dan pengambilan sampel berlebihan yang disebut random oversampling. Penelitian ini akan menerapkan teknik oversampling dan undesampling yang dilanjutkan dengan prediksi klasasifikasi menggunakan algoritma C5.0 pada kasus klasifikasi siswa yang tidak naik kelas disekolah. Berdasarkan hasil uji yang telah dilakukan dengan tiga dataset yang berbeda, algoritma C5.0 dengan k-fold cross validation dapat bekerja lebih baik pada dataset yang diolah melalui teknik random oversampling dibandingkan dataset asli ataupun dataset yang dibentuk dari teknik random undersampling. Ini ditunjukkan dengan akurasi pada setiap lipatan cenderung stabil dan konsisten pada kisaran 93% sampai 97,6%.
Algoritma Synthetic Minority Oversampling Technique dan C5.0 dalam Mengatasi Ketidakseimbangan Data pada Klasifikasi Kelulusan Siswa Moch Anjas Aprihartha; Zulhandi Putrawan; Dicky Zulhan; Fatma Ahardika Nurfaizal
Upgrade : Jurnal Pendidikan Teknologi Informasi Vol 2 No 1 (2024): Agustus
Publisher : 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.
Co-Authors Achmad Wahid Kurniawan Ahardika Nurfaizal, Fatma Alam, Taufik Nur Ayu Pertiwi Budi, Setyo Dicky Zulhan Dicky Zulhan Dicky Zulhan Fatma Ahardika Nurfaizal Fatma Ahardika Nurfaizal Fatma Ahardika Nurfaizal Fitri Astutik Hady Rasikhun Harun Al Azies Herowati, Wise Hidayat, Novianto Nur Husniyadi, M. Idham Idham Ignatius Moses Setiadi, De Rosal Ika Puspitasari Indah Putianik Jus Prasetya Muhammad Naufal Muljono Muljono Nani Sulistianingsih Noor Ageng Setiyanto, Noor Ageng Nurfaizal, Fatma Ahardika Prabowo, Wahyu Aji Eko Putrawan, Zulhandi Safitri, Aprilyani Nur Sefri Imanuel Fallo Sudibyo, Usman Supriadi Rustad T. Sutojo Taufik Nur Alam Trisnapradika, Gustina Alfa Usman Sudibyo Wahyu Aji Eko Prabowo Wibawa, Vincentius Hadianta Zulhan , Dicky Zulhan, Dicky Zulhandi Putrawan Zulhandi Putrawan