Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Journal of Mathematics Theory and Applications
Ebenhaiser Liunokas
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Education Health Professions Immunology & microbiology

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

Found 3 Documents
Search

 1 
PEMODELAN ARMA UNTUK PERAMALAN PENJUALAN BOLPOIN PADA CV. CHAVA GRUP CABANG KEFAMENANU: Indonesia Fanda Apriani Kolloh; Eva Binsasi; Cecilia Salsinha; Ebenhaiser Liunokas
Journal of Mathematics Theory and Applications Vol. 4 No. 1 (2025): Edisi Oktober 2025
Publisher : Program Studi Matematika, Universitas Timor

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

Abstract

Pengelolaan persediaan yang efektif memerlukan peramalan permintaan yang akurat, khususnya pada perusahaan pemasok alat tulis kantor. CV. Chava Grup Cabang Kefamenanu merupakan salah satu perusahaan yang menghadapi fluktuasi permintaan bolpoin dari waktu ke waktu. Penelitian ini bertujuan untuk menerapkan model Autoregressive Moving Average (ARMA) dalam meramalkan penjualan bolpoin sebagai dasar perencanaan persediaan. Data yang digunakan adalah data penjualan bolpoin harian selama periode Juni 2022 hingga Mei 2023 sebanyak 288 observasi. Analisis dilakukan menggunakan pendekatan deret waktu dengan bantuan perangkat lunak R. Hasil uji stasioneritas menunjukkan bahwa data bersifat stasioner sehingga dapat dimodelkan menggunakan ARMA. Berdasarkan kriteria Akaike Information Criterion (AIC) dan uji diagnostik residual, model terbaik yang diperoleh adalah ARMA(3,3). Model tersebut digunakan untuk melakukan peramalan penjualan bolpoin selama 30 hari ke depan. Hasil peramalan menunjukkan bahwa penjualan bolpoin cenderung berfluktuasi pada periode tertentu tanpa pola tren yang jelas. Temuan ini diharapkan dapat menjadi bahan pertimbangan bagi perusahaan dalam merencanakan persediaan bolpoin secara lebih optimal dan berbasis data.
PENERAPAN METODE DOUBLE EXPONENTIAL SMOOTHING UNTUK MEMPREDIKSI JUMLAH PELANGGAN AIR BERSIH: bahasa indonesia Imelda Iba; Eva Binsasi; Febrya Christin Handayani Buan; Ebenhaiser Liunokas
Journal of Mathematics Theory and Applications Vol. 4 No. 2 (2026): Edisi April 2026
Publisher : Program Studi Matematika, Universitas Timor

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

Abstract

Penelitian ini bertujuan menerapkan metode Double Exponential Smoothing untuk memprediksi jumlah pelanggan air bersih di PDAM Tirta Cendana Kota Kefamenanu. Data yang digunakan berupa jumlah pelanggan bulanan dari Desember 2018 hingga Desember 2024. Analisis dilakukan melalui pola data, estimasi parameter, evaluasi model menggunakan Mean Absolute Deviation (MAD), serta prediksi pelanggan periode Januari hingga Juli 2025. Hasil penelitian menunjukkan bahwa data pelanggan memiliki pola tren meningkat, kombinasi parameter α dan β terbaik menghasilkan nilai MAPE 10,22% (kategori baik) dan MAD 32,78. Prediksi menunjukkan jumlah pelanggan PDAM akan terus meningkat hingga Juli 2025. Dengan demikian, metode Double Exponential Smoothing dapat digunakan sebagai alat bantu yang efektif dalam perencanaan distribusi air bersih di masa mendatang.
Evaluasi Komparatif Algoritma Ensemble Learning pada Learning to Rank untuk Rekomendasi Produk berdasarkan data Transaksi E-Commerce aryanto dandan; Ebenhaiser Liunokas; Radian Januari Situmeang
Journal of Mathematics Theory and Applications Vol. 4 No. 2 (2026): Edisi April 2026
Publisher : Program Studi Matematika, Universitas Timor

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

Abstract

Learning to Rank (LTR) merupakan pendekatan machine learning yang telah menjadi inti dari sistem rekomendasi produk modern dalam industri e-commerce. Penelitian ini bertujuan membandingkan performa tiga algoritma gradient boosting, yaitu XGBoost, LightGBM, dan CatBoost, yang diterapkan pada tugas LTR menggunakan Instacart Online Grocery Shopping Dataset 2017. Dataset tersebut memuat lebih dari 3 juta pesanan dari lebih dari 200.000 pengguna anonim. Feature engineering dilakukan dengan menghitung statistik agregasi pada level pengguna dan level produk berdasarkan data transaksi historis. Pembagian data dilakukan berdasarkan pengguna untuk mencegah kebocoran informasi antara set pelatihan dan pengujian. Setiap algoritma dilatih menggunakan objektif ranking listwise atau pairwise bawaan masing-masing, dan dievaluasi menggunakan metrik NDCG@5, MAP@5, dan Mean Reciprocal Rank (MRR). Hasil eksperimen menunjukkan bahwa CatBoost mencapai NDCG@5 tertinggi (0,8036) dan MAP@5 tertinggi (0,8256), sementara XGBoost dan LightGBM menghasilkan performa yang kompetitif dan hampir identik. Ketiga model secara signifikan melampaui baseline Random Forest. Temuan ini menunjukkan bahwa algoritma gradient boosting sangat efektif untuk LTR dalam skenario rekomendasi ecommerce dan memberikan panduan praktis dalam pemilihan model ranking untuk sistem produksi.
Co-Authors aryanto dandan Cecilia Salsinha Eva Binsasi Fanda Apriani Kolloh Febrya Christin Handayani Buan Imelda Iba Radian Januari Situmeang