Article Per Year (5 Year)
p-Index From 2020 - 2025
1.845
P-Index
This Author published in this journals
All Journal Jurnal Penyuluhan Techno.Com: Jurnal Teknologi Informasi Kubik Teorema: Teori dan Riset Matematika Jambura Journal of Mathematics KUBIK: Jurnal Publikasi Ilmiah Matematika Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi MATHunesa: Jurnal Ilmiah Matematika
Jumansyah, L.M. Risman Dwi
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Economics, Econometrics & Finance Education Engineering Mathematics

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Perbandingan Metode Klastering K-Means dan DBSCAN dalam Identifikasi Kelompok Rumah Tangga Berdasarkan Fasilitas Sosial Ekonomi di Jawa Barat Mutiah, Siti; Hasnataeni, Yunia; Fitrianto, Anwar; Erfiani, Erfiani; Jumansyah, L.M. Risman Dwi
Teorema: Teori dan Riset Matematika Vol 9, No 2 (2024): September
Publisher : Universitas Galuh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25157/teorema.v9i2.16290

Abstract

Penelitian ini bertujuan untuk membandingkan efektivitas dua metode klastering, yaitu K-Means dan Density-Based Spatial Clustering of Applications with Noise (DBSCAN), dalam mengelompokkan rumah tangga berdasarkan karakteristik sosial ekonomi di Jawa Barat. Perbandingan kedua metode ini penting karena masing-masing metode memiliki kelebihan dan keterbatasan yang berbeda, K-Means unggul dalam menangani data dengan klaster yang lebih seragam, sedangkan DBSCAN lebih fleksibel dalam mengelola outlier dan klaster tidak teratur yang sering muncul dalam data sosial ekonomi. Data yang digunakan meliputi empat kategori: Fasilitas Rumah Tangga, Ketersediaan dan Kualitas Air, Bantuan Sosial dan Ekonomi, serta Kesejahteraan Ekonomi. Hasil analisis menunjukkan ketimpangan dalam akses fasilitas, air bersih, dan bantuan sosial ekonomi di berbagai wilayah, di mana wilayah seperti Bandung dan Garut lebih unggul dibanding Indramayu dan Cirebon. Motode terbaik dilihat dari nilai silhouette tertinggi. Metode K-Means menghasilkan segmentasi yang lebih terstruktur dengan skor silhouette 0,69, menunjukkan performa yang baik dalam mengelompokkan data dengan karakteristik yang lebih seragam. Sebaliknya, metode DBSCAN, yang lebih fleksibel dalam menangani outlier, menghasilkan 7 klaster dengan 248 noise points dan skor silhouette yang lebih rendah yaitu 0,398, mengindikasikan struktur klaster yang kurang kuat. Perbandingan kedua metode ini relevan dalam konteks klastering rumah tangga di Jawa Barat, di mana K-Means lebih efektif untuk wilayah dengan akses fasilitas yang seragam, sedangkan DBSCAN lebih baik dalam menangkap variasi yang tidak beraturan dan outlier. Penjelasan perbandingan kedua metode ini telah diperinci lebih lanjut untuk mencakup bagaimana variasi akses sosial ekonomi di berbagai wilayah memengaruhi efektivitas masing-masing metode sehingga memberikan pemahaman yang lebih mendalam tentang keunggulan dan keterbatasan keduanya dalam menangani heterogenitas data social ekonomi di Jawa Barat.Kata kunci: DBSCAN, K-Means, Klastering, Susenas
Perbandingan Metode Complete Linkage, Average Linkage dan Ward’s untuk Pengelompokan Ketahanan Pangan di Provinsi Jawa Timur Amanda, Nabila; Yulianti, Riska; Fitrianto, Anwar; Erfiani; JUMANSYAH, L.M. RISMAN DWI
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 1 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n1.p227-235

Abstract

Provinsi Jawa Timur merupakan produsen utama padi nasional dengan total produksi mencapai 9,59 juta ton pada tahun 2023, yang memainkan peran penting dalam memenuhi kebutuhan pangan Indonesia. Namun, disparitas indikator ketahanan pangan di beberapa kabupaten/kota masih menjadi perhatian, di mana beberapa wilayah dikhawatirkan masuk dalam kategori rawan pangan. Penelitian ini berfokus pada analisis clustering untuk mengelompokkan ketahanan pangan kabupaten/kota di Jawa Timur dengan membandingkan tiga metode agglomerative hierarchical clustering, yakni complete linkage, average linkage, dan ward’s. Data yang digunakan terdiri dari 12 variabel terkait ketahanan pangan, seperti produksi padi, konsumsi kalori, akses listrik, umur harapan hidup, prevalensi stunting dan lain-lain. Ketiga metode dievaluasi menggunakan koefisien cophenetic yang menghasilkan bahwa metode average linkage memiliki performa terbaik dengan nilai cophenetic sebesar 0,859 yang mengindikasikan ketepatan representasi data yang tinggi. Metode ini mengelompokkan wilayah Jawa Timur menjadi tiga cluster dengan kategori rentan pangan, tahan pangan, rawan pangan yang mampu memberikan informasi penting bagi pengambilan kebijakan.
Shear Wave Travel Time Prediction using Well Log Filtering and Machine Learning Siregar, Indra Rivaldi; Nugraha, Adhiyatma; Fitrianto, Anwar; Erfiani, Erfiani; Jumansyah, L.M. Risman Dwi
Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi Volume 12 Issue 2 December 2024
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/euler.v12i2.29021

Abstract

Shear wave travel time (also known as Delta-T Shear and commonly abbreviated as DTS) is an important parameter in petroleum for exploration, production, and characterization of borehole stability. Direct measurement of DTS is often limited by high costs and a constraint of geography, making machine learning (ML) predictive approaches necessary. This study aims to explore the effectiveness of ML models in predicting DTS, emphasizing the importance of data preprocessing techniques to improve prediction accuracy. Preprocessing techniques include Yeo-Johnson transformation to handle non-normality, outlier elimination using z-score, and data smoothing using the Savitzky-Golay filter and median filter. Incorporating smoothing techniques can fill important gaps in some existing studies and may improve the performance of machine learning models in predicting DTS, particularly in situations with limited or noisy data. Four ML models were tested in this study, namely Linear Regression (LR), K-Nearest Neighbors (KNN), Extreme Gradient Boosting (XGBoost), and Random Forest (RF), with performance evaluation based on metrics RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), and R2 (coefficient of determination). The results showed that the RF model produced the best performance with RMSE of 9.41, MAE of 6.35, and R2 of 0.90 in scenarios with Yeo-Johnson transformation, outlier elimination, and smoothing techniques using a median filter with a window size of 5.
Dinamika Kelompok Peternak Sapi Potong di Kabupaten Timor Tengah Utara Simamora, Ture; Beyleto, Veronika Yuneriati; Sahala, Josua; Neonnub, Jefrianus; Jumansyah, L.M. Risman Dwi
Jurnal Penyuluhan Vol. 20 No. 02 (2024): Jurnal Penyuluhan
Publisher : Department of Communication and Community Development Sciences and PAPPI (Perhimpunan Ahli Penyuluhan Pembangunan Indonesia)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25015/20202451330

Abstract

Kelompok tani sangat menentukan keberhasilan suatu usaha peternakan. Kelompok tani memiliki peran yang sangat penting dalam pengembangan usaha peternakan. Tingkat kedinamisan kelompok sangat penting bagi pengembangan usaha peternakan rakyat. Usaha peternakan sapi potong di Timor Tengah Utara (TTU) didominasi peternakan rakyat. Pada umumnya peternak rakyat tergabung dalam kelompok tani. Peran kelompok sangat penting dalam pengembangan usaha peternakan sapi potong. Penelitian ini bertujuan untuk menganalisis tingkat karakteristik kelompok tani, tingkat dukungan penyuluhan, tingkat dinamika kelompok, menganalisis pengaruh karakteristik kelompok tani dan dukungan penyuluhan terhadap dinamika kelompok. Penelitian dilaksanakan pada bulan Juli sampai dengan September 2023. Pengumpulan data primer dilakukan melalui wawancara dengan menggunakan kuesioner kepada 180 responden peternak sapi potong yang tergabung dalam kelompok. Data dianalisis secara deskriptif dan inferensial. Analisis data deskriptif dijelaskan dengan menggunakan Excel, sedangkan analisis data inferensial menggunakan partial least square (PLS). Hasil penelitian menunjukkan bahwa variabel karakteristik kelompok tani/peternak dan dukungan penyuluhan mempunyai pengaruh yang signifikan terhadap dinamika kelompok tani sapi potong di Kabupaten TTU.
Perbandingan Algoritma Klasterisasi dengan Principal Component Analysis pada Indikator Sosial Ekonomi Kesehatan Jawa Timur Hasanah, Uswatun; Fauziah, Monica Rahma; Fitrianto, Anwar; Erfiani, Erfiani; Jumansyah, L.M. Risman Dwi
Techno.Com Vol. 23 No. 4 (2024): November 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i4.11534

Abstract

K-Means dan K-Medoids digunakan untuk menilai indikator sosial ekonomi dan kesehatan di Provinsi Jawa Timur tahun 2023 melalui metode klasterisasi. Dengan menggunakan Principal Component Analysis (PCA) untuk mereduksi dimensi variabel, penelitian ini mengelompokkan wilayah berdasarkan karakteristik sosial ekonomi dan kesehatan. Data yang dianalisis termasuk angka harapan hidup, tingkat kemiskinan, pengangguran, dan akses ke layanan kesehatan. Kebaruan penelitian ini terletak pada kombinasi unik antara PCA dan K-Medoids untuk menghasilkan klaster yang lebih akurat dan robust terhadap outlier, dibandingkan metode yang biasanya hanya menggunakan satu teknik klasterisasi atau tidak melibatkan reduksi dimensi. Hasil penelitian menunjukkan bahwa K-Medoids dengan PCA menghasilkan klaster yang lebih koheren dan terpisah daripada K-Means, terutama dalam menangani outlier. Menurut metode Elbow dan Silhouette, empat hingga lima klaster adalah pilihan terbaik. PCA meningkatkan akurasi dan efisiensi klasterisasi dengan mengurangi kompleksitas data, yang menghasilkan klaster yang lebih baik Diharapkan temuan ini akan membantu pemerintah membuat kebijakan yang lebih baik untuk mengatasi ketimpangan kesehatan dan sosial ekonomi di Jawa Timur.   Kata kunci: Klasterisasi, Outlier, Principal Component Analysis (PCA)
Analisis Pola Konvergensi Transpor Kelembapan Udara di Indonesia Bagian Barat Menggunakan K-Means dengan Pembobotan Statistik dan Hierarchical Shape-Based Clustering Pratiwi, Asri; Azis, Tukhfatur Rizmah; Fitrianto, Anwar; Erfiani, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39753

Abstract

This study analyzes the convergence patterns of Vertically Integrated Moisture Transport (VIMT) in the western region of Indonesia using the K-Means method with statistical weighting and Hierarchical Shape-Based Clustering based on Dynamic Time Warping (DTW). Daily data on specific humidity, zonal wind speed, and meridional wind speed from 2020–2023 were used to calculate VIMT. Clustering methods were utilized to identify grouping patterns in moisture transport data. The results showed that moisture convergence significantly increased during the rainy season (November–February). Using the K-Means method, five clusters with clearer separations were obtained compared to the four clusters produced by the Hierarchical Clustering method. Performance evaluation using Silhouette and Calinski-Harabasz scores indicated that the K-Means method was superior, with scores of 0.37 and 104.88 compared to 0.13 and 96.34 for the Hierarchical method. This provides an understanding of the moisture transport patterns, serving as a reference for predicting weather and climate patterns, thereby supporting efforts to mitigate the impacts of extreme weather in Western Indonesia.
Perbandingan Metode K-Means dan OPTICS dalam Penggerombolan Kemiskinan Multidimensi di Indonesia Sari, Devi Permata; Rizqi, Tasya Anisah; Fitrianto, Anwar; M.S, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39877

Abstract

Kemiskinan multidimensi tetap menjadi tantangan serius di Indonesia meskipun telah mengalami penurunan dalam beberapa tahun terakhir. Penelitian ini bertujuan menganalisis dan membandingkan pola kemiskinan multidimensi di 34 provinsi Indonesia menggunakan metode K-Means dan OPTICS Clustering. Data kemiskinan multidimensi yang digunakan mencakup aspek ekonomi, pendidikan, ketenagakerjaan, dan standar hidup dari Badan Pusat Statistik. Analisis statistik deskriptif mengungkapkan kesenjangan signifikan antar provinsi dalam berbagai dimensi kemiskinan, dengan korelasi tertinggi sebesar 0,4 antara dimensi pendidikan dan status ketenagakerjaan. K-Means Clustering mengidentifikasi 5 cluster provinsi dengan karakteristik beragam, menunjukkan adanya trade-off antara akses fasilitas dan tingkat kemiskinan. Sementara itu, OPTICS Clustering menghasilkan 2 cluster utama, dengan cluster 1 terdiri dari 24 provinsi yang memiliki kondisi cenderung homogen dan cluster 2 terdiri dari 7 provinsi dengan karakteristik yang berbeda secara signifikan. Perbandingan performa menunjukkan OPTICS unggul dengan nilai Silhouette Index dan WCSS yang lebih baik dibandingkan K-Means. Temuan ini memberikan kontribusi penting dalam analisis kemiskinan multidimensi di Indonesia dan dapat dimanfaatkan untuk merancang program pengentasan kemiskinan yang lebih terlokalisasi sesuai karakteristik masing-masing cluster.
Perbandingan Metode K-Means dan OPTICS dalam Penggerombolan Kemiskinan Multidimensi di Indonesia Sari, Devi Permata; Rizqi, Tasya Anisah; Fitrianto, Anwar; M.S, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39877

Abstract

Kemiskinan multidimensi tetap menjadi tantangan serius di Indonesia meskipun telah mengalami penurunan dalam beberapa tahun terakhir. Penelitian ini bertujuan menganalisis dan membandingkan pola kemiskinan multidimensi di 34 provinsi Indonesia menggunakan metode K-Means dan OPTICS Clustering. Data kemiskinan multidimensi yang digunakan mencakup aspek ekonomi, pendidikan, ketenagakerjaan, dan standar hidup dari Badan Pusat Statistik. Analisis statistik deskriptif mengungkapkan kesenjangan signifikan antar provinsi dalam berbagai dimensi kemiskinan, dengan korelasi tertinggi sebesar 0,4 antara dimensi pendidikan dan status ketenagakerjaan. K-Means Clustering mengidentifikasi 5 cluster provinsi dengan karakteristik beragam, menunjukkan adanya trade-off antara akses fasilitas dan tingkat kemiskinan. Sementara itu, OPTICS Clustering menghasilkan 2 cluster utama, dengan cluster 1 terdiri dari 24 provinsi yang memiliki kondisi cenderung homogen dan cluster 2 terdiri dari 7 provinsi dengan karakteristik yang berbeda secara signifikan. Perbandingan performa menunjukkan OPTICS unggul dengan nilai Silhouette Index dan WCSS yang lebih baik dibandingkan K-Means. Temuan ini memberikan kontribusi penting dalam analisis kemiskinan multidimensi di Indonesia dan dapat dimanfaatkan untuk merancang program pengentasan kemiskinan yang lebih terlokalisasi sesuai karakteristik masing-masing cluster.
Analisis Pola Konvergensi Transpor Kelembapan Udara di Indonesia Bagian Barat Menggunakan K-Means dengan Pembobotan Statistik dan Hierarchical Shape-Based Clustering Pratiwi, Asri; Azis, Tukhfatur Rizmah; Fitrianto, Anwar; Erfiani, Erfiani; Jumansyah, L.M. Risman Dwi
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/kubik.v9i2.39753

Abstract

This study analyzes the convergence patterns of Vertically Integrated Moisture Transport (VIMT) in the western region of Indonesia using the K-Means method with statistical weighting and Hierarchical Shape-Based Clustering based on Dynamic Time Warping (DTW). Daily data on specific humidity, zonal wind speed, and meridional wind speed from 2020–2023 were used to calculate VIMT. Clustering methods were utilized to identify grouping patterns in moisture transport data. The results showed that moisture convergence significantly increased during the rainy season (November–February). Using the K-Means method, five clusters with clearer separations were obtained compared to the four clusters produced by the Hierarchical Clustering method. Performance evaluation using Silhouette and Calinski-Harabasz scores indicated that the K-Means method was superior, with scores of 0.37 and 104.88 compared to 0.13 and 96.34 for the Hierarchical method. This provides an understanding of the moisture transport patterns, serving as a reference for predicting weather and climate patterns, thereby supporting efforts to mitigate the impacts of extreme weather in Western Indonesia.
Comparison of Random Forest, XGBoost, and LightGBM Methods for the Human Development Index Classification Indah, Yunna Mentari; Aristawidya, Rafika; Fitrianto, Anwar; Erfiani, Erfiani; Jumansyah, L.M. Risman Dwi
Jambura Journal of Mathematics Vol 7, No 1: February 2025
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jjom.v7i1.28290

Abstract

Machine learning classification is an effective tool for categorizing data based on patterns, which is particularly useful in analyzing the Human Development Index (HDI) in Indonesia. HDI serves as a key indicator of regional development progress, making it crucial to classify HDI categories at the regency/city level to support targeted development planning. This study aims to compare the performance of three ensemble-based classification methods—Random Forest, XGBoost, and LightGBM—in classifying HDI categories in Indonesia. Data from the Central Bureau of Statistics (BPS) in 2023, comprising 514 observations across nine variables, was used for analysis. The study applied these algorithms to analyze the most influential variables affecting HDI. The results show that LightGBM outperformed both Random Forest and XGBoost, achieving an accuracy of 0.937 without outlier handling and 0.944 with outlier handling. Additionally, per capita expenditure was identified as the most influential factor in predicting HDI. These findings contribute to the field of statistical modeling by demonstrating how ensemble methods can improve classification accuracy and provide valuable insights for data-driven policymaking, thus enhancing regional development planning and supporting future HDI-related research.
Co-Authors Amanda, Nabila Aristawidya, Rafika Asri Pratiwi, Asri Azis, Tukhfatur Rizmah Devi Permata Sari Erfiani Erfiani Erfiani Fauziah, Monica Rahma Fitrianto, Anwar Hasnataeni, Yunia Indah, Yunna Mentari Josua Sahala M.S, Erfiani mutiah, siti Neonnub, Jefrianus Nugraha, Adhiyatma Riska Yulianti, Riska Rizqi, Tasya Anisah Simamora, Ture Siregar, Indra Rivaldi Uswatun Hasanah Veronika Yuneriati Beyleto