Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal J-Icon : Jurnal Komputer dan Informatika Journal of Applied Statistics, Mathematics, and Data Science
Kette, Efraim Kurniawan Dairo
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Mathematics

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analyze of The Distance k-Domination Number of The Amalgamation of Complete and Star Graph Retnowardani, Dwi Agustin; Septory, Brian Juned; Kumanireng, Albert Mario; Kette, Efraim Kurniawan Dairo
ESTIMATOR : Journal of Applied Statistics, Mathematics, and Data Science Vol. 2 No. 2 (2024):
Publisher : Program Studi Statistika Universitas PGRI Argopuro Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31537/estimator.v2i2.2198

Abstract

Penelitian ini meneliti konsep bilangan dominasi jarak-k (distance k-domination number) dengan secara khusus mengkaji penerapannya pada graf amalgamasi pada graf lengkap dan graf bintang. Graf amalgamasi, yang dinotasikan sebagai Amal(G,v,n), adalah graf yang dibangun dari graf dasar G, sebuah simpul tertentu v di G, dan bilangan bulat positif n. Graf amalgamasi dibentuk dengan menyisipkan n salinan dari graf G pada simpul v, di mana semua simpul v dalam n salinan tersebut digabungkan menjadi satu titik. Bilangan dominasi jarak-k adalah kardinalitas minimum dari himpunan dominasi jarak-k, yang dinotasikan sebagai ?_k (G). Melalui formulasi matematika dan prinsip-prinsip teori graf, kami menetapkan sifat-sifat dan batasan bilangan dominasi jarak-k pada amalgamasi graf lengkap (K_n) dan graf bintang (S_n).
Analyze of The Distance k-Domination Number of The Amalgamation of Complete and Star Graph Retnowardani, Dwi Agustin; Septory, Brian Juned; Kumanireng, Albert Mario; Kette, Efraim Kurniawan Dairo
ESTIMATOR : Journal of Applied Statistics, Mathematics, and Data Science Vol. 2 No. 2 (2024):
Publisher : Program Studi Statistika Universitas PGRI Argopuro Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31537/estimator.v2i2.2198

Abstract

Penelitian ini meneliti konsep bilangan dominasi jarak-k (distance k-domination number) dengan secara khusus mengkaji penerapannya pada graf amalgamasi pada graf lengkap dan graf bintang. Graf amalgamasi, yang dinotasikan sebagai Amal(G,v,n), adalah graf yang dibangun dari graf dasar G, sebuah simpul tertentu v di G, dan bilangan bulat positif n. Graf amalgamasi dibentuk dengan menyisipkan n salinan dari graf G pada simpul v, di mana semua simpul v dalam n salinan tersebut digabungkan menjadi satu titik. Bilangan dominasi jarak-k adalah kardinalitas minimum dari himpunan dominasi jarak-k, yang dinotasikan sebagai ?_k (G). Melalui formulasi matematika dan prinsip-prinsip teori graf, kami menetapkan sifat-sifat dan batasan bilangan dominasi jarak-k pada amalgamasi graf lengkap (K_n) dan graf bintang (S_n).
Optimasi Hiperparameter Model Pembelajaran Mesin Untuk Klasifikasi Data Survey Langit Kette, Efraim Kurniawan Dairo
J-Icon : Jurnal Komputer dan Informatika Vol 13 No 2 (2025): October 2025
Publisher : Universitas Nusa Cendana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35508/jicon.v13i2.18493

Abstract

Discovering the optimal model in today's popularity of various machine learning applications remains an essential challenge. Besides data dependency, the performance of classification models is also affected by deciding on suitable algorithm with optimal hyperparameter settings. This study conducted a hyperparameter optimization process and compared the accuracy results by applying various classification models to the observation dataset. This study obtains data from the Sloan Digital Sky Survey Data Release 18 (SDSS-DR18) and Sloan Extension for Galactic Understanding and Exploration (SEGUE-IV). The SDSS-DR18 and SEGUE-IV provide observational data of space objects, such as stellar spectra with corresponding positions and magnitudes of galaxies or stars. The SDSS-DR18 dataset contains magnitude and redshift data of celestial objects with target features of stars, Quasi Stellar Objects (QSOs), and galaxies. The SEGUE-IV dataset contains equivalent-width parameters, inline indices, and other features to the radial velocity of the corresponding star spectrum. This study utilized several machine learning models, such as k-Nearest Neighbor (KNN), Gaussian-Naive Bayes, eXtreme Gradient Boosting (XGBoost), Random Forest, Support Vector Machine (SVM), and Multi-Layer Perceptron (MLP). This study utilized Bayesian, Grid, and Random-based approaches to find the optimal hyperparameters to maximize the performance of the classification model. This study proved that some classification models have improved accuracy scores through the Bayesian-based hyperparameter optimization settings. This study discovers the XGBoost model shows the highest classification results after hyperparameters optimization compared to other models for both datasets with an average accuracy of 99.10% and 95.11%, respectively.
Co-Authors Dwi Agustin Retnowardani Kumanireng, Albert Mario Septory, Brian Juned