Garuda - Garba Rujukan Digital

Local Metric Dimension of Certain Operation of Generalized Petersen Graph Tadjuddin, Nur Fahri; Nikbakht, Samaneh
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 1 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v7i1.41320

A subset W of V(G) is called a local resolving set of G if r(u│W)≠r(v│W) for every two adjacent vertices u,v∈V(G). The smallest cardinality of all local resolving sets in G is called the local metric dimension of G, denoted by lmd(G). The local resolving set of G with cardinality lmd⁡(G) is called a local basis of G. In this paper, we present a novel study, a topic that has not been extensively explored in previous research, on the local metric dimension of certain operation of generalized Petersen graph sP_(n,1) and determine the lower and upper bounds of "lmd(" sP_(n,m)) with n≥3, s≥1, and 1≤m≤⌊(n-1)/2⌋ . We also show that the lower bound is sharp.Keywords: local resolving set; local metric dimension; generalized Petersen graph.AbstrakSuatu subset W dari V(G) dikatakan himpunan pembeda lokal dari G jika r(u|W) ≠ r(v|W) untuk setiap dua titik bertetangga u,v∈V(G). Kardinalitas terkecil dari semua himpunan pembeda lokal di G disebut dimensi metrik lokal dari G, dinotasikan lmd(G). Himpunan pembeda lokal G dengan kardinalitas lmd(G) disebut basis lokal dari G. Pada artikel ini, disajikan sebuah studi baru, topik yang belum dieskplorasi secara ekstensif dalam penelitian sebelumnya, tentang dimensi metrik lokal dari graf hasil operasi tertentu untuk graf Petersen diperumum sP_(n,1) dan menentukan batas atas dan bawah dari lmd(sP_(n,m)) dengan n≥3, s≥1, dan 1≤m≤⌊(n-1)/2⌋. Kami juga menunjukkan bahwa batas bawah tersebut tajam.Kata Kunci: himpunan pembeda local; dimensi metrik local; graf Petersen diperumum.2020MSC: 05C12, 05C76

Integrating Spatial Autoregressive Exogenous with Ordinary Kriging for Improved Rainfall Prediction in Java: Enhancing Accuracy with Climate Variables and Spatial Autocorrelation Najwa, Sandrina; Pratiwi, Dhanti Aurilia; Ahdian, Muhammad Rhafi; Indriani, Ayu; Mindra, I Gede Nyoman; Falah, Annisa Nur; Ruchjana, Budi Nurani
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 1 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v7i1.42070

Indonesia is a tropical country with high rainfall influenced by its archipelagic geography and phenomena like El Niño and La Niña. According to the Meteorology, Climatology, and Geophysics Agency (BMKG), La Niña can increase Indonesia's monthly rainfall by 20-40% above normal. Despite numerous existing spatial interpolation methods, there remains a significant research gap in accurately predicting rainfall at unsampled locations, specifically when considering both spatial autocorrelation and multiple climate variables simultaneously. This research proposes Spatial Autoregressive Exogenous Kriging (SAR-X Kriging), a novel hybrid approach that integrates the SAR-X model with Ordinary Kriging to enhance rainfall prediction accuracy. Unlike conventional methods, SAR-X Kriging explicitly captures both spatial dependence and the influence of external climate factors, improving predictive performance. SAR-X Kriging first models spatial dependencies between locations and incorporates exogenous climate variables (surface pressure, air temperature, humidity, wind speed, and solar radiation) to enhance prediction accuracy. It also applies kriging for spatial interpolation. This method was chosen for its robustness in capturing spatial dependence and external influences. The analysis revealed significant spatial dependence across districts/cities in Java Island based on the Moran's Index test. The best SAR-X model, utilizing air temperature and wind speed as exogenous variables, achieved a p-value of 6.0352 × 10-9. Predictions using SAR-X Kriging yielded the lowest Mean Absolute Percentage Error (MAPE) of 3.82%, outperforming the standalone SAR-X method MAPE 4.68% and the Ordinary Kriging method MAPE 3.86%. Practically, these results provide reliable rainfall predictions, enabling better climate-informed decision-making in water resource management, agricultural planning, and flood prevention strategies in Java.Keywords: climate; rainfall; MAPE; SAR-X; SAR-X Kriging. AbstrakIndonesia merupakan negara tropis dengan curah hujan tinggi yang dipengaruhi oleh kondisi geografis kepulauan serta fenomena alam seperti El Niño dan La Niña. Menurut Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), La Niña mampu meningkatkan curah hujan bulanan Indonesia hingga 20-40% di atas normal. Meskipun terdapat berbagai metode interpolasi spasial yang telah dikembangkan, masih terdapat kesenjangan penelitian dalam menghasilkan prediksi curah hujan secara akurat di lokasi yang tidak tersampel, terutama ketika mempertimbangkan secara bersamaan ketergantungan spasial serta pengaruh dari berbagai variabel iklim. Penelitian ini mengusulkan metode bernama Spatial Autoregressive Exogenous Kriging (SAR-X Kriging), sebuah pendekatan hybrid baru yang mengintegrasikan model SAR-X dengan metode Ordinary Kriging untuk meningkatkan akurasi prediksi curah hujan. Tidak seperti metode konvensional, SAR-X Kriging secara eksplisit menangkap ketergantungan spasial serta pengaruh faktor iklim eksternal, sehingga meningkatkan kinerja prediktif. SAR-X Kriging bekerja dengan memodelkan terlebih dahulu ketergantungan spasial antar lokasi, kemudian memasukkan variabel eksogen berupa tekanan permukaan, suhu udara, kelembaban, kecepatan angin, dan radiasi matahari untuk meningkatkan akurasi prediksi, serta terakhir menerapkan teknik kriging untuk interpolasi spasial. Metode ini dipilih karena mampu menangkap secara lebih baik ketergantungan spasial sekaligus pengaruh variabel eksternal dibandingkan metode konvensional. Hasil analisis menunjukkan adanya ketergantungan spasial yang signifikan antar kabupaten/kota di Pulau Jawa berdasarkan uji Moran’s Index. Model SAR-X terbaik diperoleh dengan variabel suhu udara dan kecepatan angin, mencapai nilai p-value sebesar 6.0352 × 10-9. Prediksi menggunakan SAR-X Kriging menghasilkan Mean Absolute Percentage Error (MAPE) sebesar 3,82%, mengungguli metode SAR-X yaitu MAPE 4,68% dan metode Ordinary Kriging yaitu MAPE 3,86%. Secara praktis, hasil ini dapat meningkatkan kualitas prediksi curah hujan yang bermanfaat dalam pengelolaan sumber daya air, perencanaan pertanian, serta strategi mitigasi banjir di Pulau Jawa.Kata Kunci: curah hujan; iklim; MAPE; SAR-X; SAR-X Kriging. 2020MSC: 62H11, 86A32

Completely Closed Filter in BN -Algebra Ramadhan, Andi Rio; Gemawati, Sri; Kartini, Kartini
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 1 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v7i1.42170

A BN-algebra (A; *,0) is a non-empty set A equipped with a binary operation * and a constant 0, which satisfies the following axioms: (B1) a*a=0, (B2) a*0=a, and (BN) (a*b)*c=(0*c)*(b*a) for all a,b,c ∈A. A subset I of A is called an ideal in A if it satisfies (i) 0∈I, (ii) if b∈I and a*b∈I imply a∈I, for all a, b ∈ A. This paper presents an original investigation on the completely closed filter in BN-algebra, a topic that has not been extensively explored in previous research. The concepts of filter, closed filter, and completely closed filter in BN-algebra are defined, which can always be associated with the concept of an ideal in BN-algebra. It begins by defining a filter in BN-algebra and then providing additional conditions to make it a closed and completely closed filter. The results show that every filter in BN-algebra has a condition (D), and every non-empty subset of BN1-algebra is a closed filter. Furthermore, every normal ideal in BN-algebra, ideal in Coxeter algebra, and subalgebra in BN1-algebra is a completely closed filter.Keywords: BN-algebra; completely closed filter; filter; ideal.AbstrakBN-Aljabar (A; *,0) adalah himpunan tak kosong A yang dilengkapi dengan operasi biner * dan konstanta 0, yang memenuhi aksioma berikut: (B1) a*a=0,(B2) a*0=a, dan (BN) (a*b)*c=(0*c)*(b*a) untuk setiap a,b,c ∈A. Subhimpunan I dari A disebut ideal di A jika memenuhi: (i) 0∈I, (ii) untuk setiap b∈I dan a*b∈I mengakibatkan a∈I, untuk setiap a,b∈A. Dalam artikel ini, kami menyajikan sebuah studi baru tentang filter tertutup lengkap dalam BN-aljabar, sebuah topik yang belum banyak dieksplorasi dalam penelitian sebelumnya. Konsep filter, filter tertutup, dan filter tertutup lengkap dalam BN-Aljabar didefinisikan, yang mana selalu dapat dikaitkan dengan konsep ideal dalam BN-Aljabar. Dimulai dengan mendefinisikan filter dalam BN-aljabar, kemudian memberikan kondisi tambahan untuk menjadikannya filter tertutup dan filter tertutup lengkap. Hasil yang diperoleh adalah setiap filter dalam BN-Aljabar dengan kondisi (D) dan setiap subset tak kosong dari BN1-aljabar merupakan filter tertutup. Lebih jauh, setiap ideal normal dalam BN-aljabar, ideal dalam Coxeter aljabar, dan subaljabar dalam BN1-aljabar merupakan filter tertutup lengkap.Kata Kunci: BN-aljabar; filter tertutup lengkap; filter; ideal.2020MSC: 03G25, 03G10

A Study on Sentiment Analysis of Public Response to The New Fuel Price Policy In 2022: A Support Vector Machine Approach Putri, Niluh Putu Aprillia Puspitadewi Sudarsana; Angreni, Dwi Shinta; Sudarsana, I Wayan
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 1 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/2twt5d12

The Indonesian government's decision to raise fuel prices in 2022, following a global surge in crude oil prices, triggered widespread public debate. Understanding public sentiment toward such policy decisions is essential for determining the appropriate timing of implementation while minimizing negative reactions. This study aims to classify public sentiment regarding the fuel price hike using the Support Vector Machine (SVM) algorithm. Data were collected from Twitter through web scraping using the SNScrape library in Python. A total of 3,000 tweets were gathered and underwent preprocessing steps such as case folding, tokenization, stopword removal, and stemming. The classification model was built in Google Colab using the SVM algorithm to categorize tweets as positive (+) or negative (–). Model performance was evaluated using a confusion matrix, achieving an accuracy of 81.0%. The results showed that 63.6% of public responses were negative, while 36.4% were positive. Additionally, it was observed that the accuracy converged to 81.1% as the number of training iterations increased. The findings were presented through word clouds and pie charts to enhance interpretability, and a simple graphical user interface (GUI) was developed for user interaction. The study indicates that the government’s repeated delays in implementing the price adjustment may have reflected sensitivity to public sentiment. This research demonstrates the potential of sentiment classification as a tool for evidence-based policymaking, offering insights into the social dynamics surrounding policy changes. Future research could expand by incorporating multi-class sentiment categories or real-time data for dynamic policy evaluation. Keywords: Fuel price; Public opinion; Sentiment analysis; Social media; SVM. Abstrak Keputusan pemerintah Indonesia untuk menaikkan harga bahan bakar minyak pada tahun 2022 dan disusul oleh lonjakan harga minyak mentah global, memicu perdebatan publik yang meluas. Memahami sentimen publik terhadap keputusan kebijakan tersebut sangat penting untuk menentukan waktu implementasi yang tepat untuk meminimalkan reaksi negatif. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap kenaikan harga bahan bakar minyak menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan dari Twitter melalui web scraping menggunakan pustaka SNScrape dalam bahasa Python. Sebanyak 3.000 tweet dikumpulkan dan dilakukan tahap praproses seperti case folding, tokenization, stopword removal, dan stemming. Model klasifikasi dibangun di Google Colab menggunakan algoritma SVM untuk mengkategorikan tweet sebagai positif (+) atau negatif (–). Kinerja model dievaluasi menggunakan matriks confusion dan mencapai akurasi 81,0%. Hasil penelitian menunjukkan bahwa 63,6% tanggapan publik bersifat negatif, sedangkan 36,4% bersifat positif. Selain itu, akurasi konvergen menjadi 81,1% seiring dengan peningkatan jumlah iterasi pelatihan. Temuan tersebut disajikan melalui word cloud dan diagram pai untuk meningkatkan interpretabilitas, dan graphical user interface (GUI) sederhana dikembangkan untuk interaksi pengguna. Studi ini menunjukkan bahwa penundaan berulang pemerintah dalam menerapkan penyesuaian harga mungkin mencerminkan kepekaan terhadap sentimen publik. Penelitian ini menunjukkan potensi klasifikasi sentimen sebagai alat untuk pembuatan kebijakan berbasis bukti, yang menawarkan wawasan tentang dinamika sosial seputar perubahan kebijakan. Penelitian di masa mendatang dapat diperluas dengan menggabungkan kategori sentimen multikelas atau data waktu nyata untuk evaluasi kebijakan yang dinamis. Kata Kunci: Bahan bakar; Opini public; Analisis sentiment; Mesia social; SVM. 2020MSC: 62H30, 91D30.

Fuzzy Unsupervised Artificial Learning Based on Credibilistic Fuzzy C-Means Richard, Kangiama Lwangi; Pierre, Kafunda Katalayi; Blaise, Kabamba Baludikay; Rostin, Mabela Makengo Matendo; Djonive, Munene Asidi
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 1 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/b5jwzh79

This study proposes an unsupervised artificial learning approach based on the Credibilistic Fuzzy C-Means (CFCM) algorithm to enhance the governance and analysis of oil production data. The research focuses on supporting decision-making in managing oil output from the MOTOBA oil field, operated by PERENCO in Moanda, Democratic Republic of Congo, covering the period from 2018 to 2021. The methodology involves structuring and segmenting production data using the CFCM algorithm, which enables the identification of meaningful production patterns despite the presence of uncertainty and imprecision in the data. The analysis identified three distinct clusters: wells with low production, wells with moderate production, and wells with high production. These clusters offer valuable insights into the variability of well performance and provide a basis for optimizing operational strategies. The credibilistic enhancement of traditional fuzzy clustering allows for more effective handling of data uncertainty, resulting in a robust and interpretable model—particularly beneficial in complex and data-limited environments. This clustering framework supports more refined monitoring, resource allocation, and operational planning, making it well-suited for the dynamic nature of oil field management. Furthermore, the methodology demonstrates potential scalability and applicability to other industrial domains facing similar challenges in data quality and decision-making under uncertainty. Ultimately, this work contributes to the advancement of data-driven governance in natural resource management through a rigorous and adaptable analytical approach. Keywords: Artificial learning; Clustering; Credibilist; Fuzzy C-means; Fuzzy logic. Abstrak Studi ini mengusulkan pendekatan pembelajaran buatan tanpa pengawasan berdasarkan algoritma Credibilistic Fuzzy C-Means (CFCM) untuk meningkatkan tata kelola dan analisis data produksi minyak. Penelitian ini berfokus pada dukungan pengambilan keputusan dalam mengelola produksi minyak dari ladang minyak MOTOBA, yang dioperasikan oleh PERENCO di Moanda, Republik Demokratik Kongo, yang mencakup periode 2018 hingga 2021. Metodologi ini melibatkan penataan dan segmentasi data produksi menggunakan algoritma CFCM, yang memungkinkan identifikasi pola produksi yang bermakna meskipun terdapat ketidakpastian dan ketidaktepatan dalam data. Analisis ini mengidentifikasi tiga klaster yang berbeda: sumur dengan produksi rendah, sumur dengan produksi sedang, dan sumur dengan produksi tinggi. Klaster ini menawarkan wawasan berharga tentang variabilitas kinerja sumur dan menyediakan dasar untuk mengoptimalkan strategi operasional. Peningkatan kredibilistik dari pengelompokan fuzzy tradisional memungkinkan penanganan ketidakpastian data yang lebih efektif, menghasilkan model yang kuat dan dapat ditafsirkan—terutama bermanfaat dalam lingkungan yang kompleks dan terbatas data. Kerangka pengelompokan ini mendukung pemantauan, alokasi sumber daya, dan perencanaan operasional yang lebih baik, sehingga sangat sesuai untuk sifat dinamis pengelolaan ladang minyak. Lebih jauh lagi, metodologi ini menunjukkan potensi skalabilitas dan penerapan pada domain industri lain yang menghadapi tantangan serupa dalam kualitas data dan pengambilan keputusan dalam ketidakpastian. Pada akhirnya, karya ini berkontribusi pada kemajuan tata kelola berbasis data dalam pengelolaan sumber daya alam melalui pendekatan analitis yang ketat dan adaptif. Kata Kunci: Pembelajaran buatan; Pengelompokan; Kredibilitas; Fuzzy C-means; Logika Fuzzy. 2020MSC: 68T05, 62H30, 90C90.

Error-Resilient Quantum Machine Learning for Real-World Optimization Problems in Finance and Supply Chain Networks Rahmati, Milad
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 1 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/zmv0gv56

The advent of quantum computing has introduced a revolutionary shift in computational paradigms, with the potential to address complex problems beyond the reach of classical systems. However, the practical deployment of quantum solutions is challenged by inherent issues such as noise and decoherence, which hinder their reliability. This study presents a novel error-resilient framework tailored for quantum machine learning (QML) to address optimization problems in finance and supply chain networks. By utilizing hybrid quantum-classical algorithms, the framework mitigates the detrimental effects of quantum noise and enhances computational robustness through advanced techniques like quantum variational circuits. Comprehensive experiments on real-world datasets highlight the framework's ability to outperform conventional methods in solving intricate optimization challenges. The findings demonstrate the transformative potential of quantum-assisted optimization for tackling critical issues in financial modeling and supply chain resilience. In this work, I propose a novel hybrid quantum-classical framework that integrates variational quantum circuits with noise mitigation strategies such as Zero Noise Extrapolation (ZNE), tailored for real-world optimization in finance and supply chain domains. This integrated approach—addressing error resilience and practical scalability together—sets the work apart from existing studies focused solely on theoretical or idealized scenarios. Keywords: Error resilience; Financial modeling; Hybrid algorithms; Optimization challenges; Quantum computing; Quantum machine learning. Abstrak Munculnya komputasi kuantum telah memperkenalkan pergeseran revolusioner dalam paradigma komputasi, dengan potensi untuk mengatasi masalah kompleks di luar jangkauan sistem klasik. Namun, penerapan praktis solusi kuantum ditantang oleh masalah inheren seperti kebisingan dan dekoherensi, yang menghambat keandalannya. Studi ini menyajikan kerangka kerja baru mengenai ketahanan kesalahan (error-resilient) yang dirancang untuk pembelajaran mesin kuantum (QML) dalam mengatasi masalah optimasi pada jaringan keuangan dan rantai pasokan. Dengan memanfaatkan algoritma kuantum-klasik hibrida, kerangka kerja tersebut mengurangi efek merugikan dari kebisingan kuantum dan meningkatkan ketahanan komputasi melalui teknik canggih seperti sirkuit variasional kuantum. Eksperimen komprehensif pada kumpulan data dunia nyata menyoroti kemampuan kerangka kerja untuk mengungguli metode konvensional dalam memecahkan tantangan pengoptimalan yang rumit. Temuan ini menunjukkan potensi transformatif pengoptimalan berbantuan kuantum (quantum-assisted) untuk mengatasi masalah kritis dalam pemodelan keuangan dan ketahanan rantai pasokan. Pada artikel ini, kami mengusulkan kerangka kerja kuantum-klasik hibrida baru yang memadukan sirkuit kuantum variasional dengan strategi mitigasi derau seperti Zero Noise Extrapolation (ZNE), yang dirancang khusus untuk pengoptimalan dunia nyata dalam domain keuangan dan rantai pasokan. Pendekatan terpadu ini—yang menangani ketahanan kesalahan dan skalabilitas praktis secara bersamaan—hal inilah yang menjadi pembeda penelitian ini dengan studi-studi sebelumnya yang hanya berfokus pada skenario teoritis atau ideal. Kata Kunci: Ketahanan kesalahan; Pemodelan keuangan; Algoritma hibrida; Tantangan optimasi; Komputasi kuantum; Pembelajaran mesin kuantum. 2020MSC: 81P68, 90C59, 91G60

The First Zagreb Index and the Narumi-Katayama Index of the Non-Commuting Graph on the Group U_{6n} Hisan, Khairatun; Gambo, Ibrahim; Wardhana, I Gede Adhitya Wisnu
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 2 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/sxha8875

This paper introduces a novel approach to computing the First Zagreb and Narumi–Katayama indices for non-commuting graphs associated with specific algebraic groups, specifically focusing on the group U_{6n}. The Narumi–Katayama index, first introduced by Narumi and Katayama in 1984, is a degree-based topological index widely used in the study of various graph properties, including its applications in theoretical chemistry. Non-commuting graphs, where two elements are adjacent if and only if they do not commute, have become an intriguing object of study in recent years. To the best of our knowledge, this is the first study to derive closed-form expressions for the First Zagreb and Narumi–Katayama indices on the non-commuting graph of the group U_{6n}. Building on previous research on the detour index and eccentric connectivity in the graph Γ(U_{6n}), this work makes new contributions by deriving generalized formulas that apply to a broader class of non-commutative groups. Unlike previous studies that focused on commuting or coprime graphs, this research specifically addresses the structure and index computation of non-commuting graphs in a group-theoretic context. The findings offer new theoretical insights into algebraic graph theory by linking degree-based indices with the internal structure of non-abelian groups. These results are expected to expand the understanding of the topological properties of non-commuting graphs and to provide valuable connections to chemical applications.Keywords: Non-commuting graph; First Zagreb Index; Narumi–Katayama Index; graph topology; group structure. AbstrakArtikel ini memperkenalkan pendekatan baru untuk menghitung indeks First Zagreb dan Narumi–Katayama pada graf non-commuting yang terkait dengan grup aljabar tertentu, khususnya berfokus pada grup U_{6n}. Indeks Narumi–Katayama, yang pertama kali diperkenalkan oleh Narumi dan Katayama pada tahun 1984, adalah indeks topologis berbasis derajat yang banyak digunakan dalam studi berbagai properti graf, termasuk penerapannya dalam kimia teoretis. Graf non-commuting, di mana dua elemen saling berhubungan jika dan hanya jika mereka tidak komutatif, telah menjadi objek studi yang menarik dalam beberapa tahun terakhir. Sejauh yang kami ketahui, ini adalah studi pertama yang menghasilkan ekspresi bentuk tertutup untuk indeks First Zagreb dan Narumi–Katayama pada graf non-commuting dari grup U_{6n}. Berdasarkan penelitian sebelumnya tentang indeks detour dan konektivitas eksentrik pada graf Γ(U_{6n}), karya ini memberikan kontribusi baru dengan menghasilkan rumus umum yang dapat diterapkan pada kelas grup non-komutatif yang lebih luas. Berbeda dengan studi sebelumnya yang berfokus pada graf commuting atau coprime, penelitian ini secara khusus membahas struktur dan perhitungan indeks pada graf non-commuting dalam konteks teori grup. Hasil penelitian ini memberikan wawasan teoretis baru dalam teori graf aljabar dengan menghubungkan indeks berbasis derajat dengan struktur internal grup non-abelian. Diharapkan, temuan ini akan memperluas pemahaman tentang properti topologis graf non-commuting dan memberikan koneksi yang berharga untuk penerapan kimia.Kata Kunci: Graf non-commuting; Indeks Zagreb Pertama; Indeks Narumi–Katayama; Topologi graf; Struktur grup. 2020MSC: 05C25, 05C09, 20D60, 05C75.

A Multidimensional Approach for Solving Multi-Objective Linear Programming Problems Mohammed, Chiya A.; Ramadan, Ayad M.
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 1 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/tc5hws29

Solving multi-objective linear programming problems (MOLPP) is a great challenge because it is essential in many real-life problems, especially manufacturing. Choosing the best solution is the goal of the decision-maker to produce a possibility to improve their ability to decide. Multi-dimensional scaling (MDS) gives this capability to make the right decision. In this study, we develop the MDS method for (MOLPP) in the work of Mrakhan et al. (2020). The method depends on embedding points in R2. Start by building a matrix from a collection of points, and then use clustering to optimize the matrix dimensions and configure the points in R2. The matrix has (k1*2) dimensions, where k1 is the big cluster of the points. Also, a center of points was used to find the scaling points, and then the center of the generated points was used to find a distance from the origin (0,0). Our proposed algorithm offers a structured, efficient compromise solution for MOLPPs, outperforming traditional scalarization-based methods. Keywords: Comprise solution; Multi-dimensional scaling; Multi-objective linear programming; Optimal advanced; Optimal average; Quadratic average. Abstrak Menyelesaikan masalah pemrograman linier multiobjektif (MOLPP) merupakan tantangan besar karena sangat penting dalam banyak masalah kehidupan nyata, terutama manufaktur. Memilih solusi terbaik adalah tujuan pembuat keputusan untuk menciptakan kemungkinan guna meningkatkan kemampuan mereka dalam mengambil keputusan. Penskalaan multidimensi (MDS) memberikan kemampuan ini untuk keputusan yang tepat. Pada studi ini, akan dikembangkan metode MDS untuk (MOLPP) dalam karya Mrakhan et al. (2020). Metode ini bergantung pada penyematan titik-titik di R2: dimulai dengan membangun matriks dari kumpulan titik, lalu gunakan pengelompokan untuk mengoptimalkan dimensi matriks dan mengonfigurasi titik-titik di R2. Matriks memiliki dimensi (k1*2), dimana k1 adalah klaster besar titik-titik. Selain itu, titik pusat digunakan untuk menemukan titik penskalaan, kemudian titik pusat tersebut digunakan untuk menemukan jarak dari titik asal (0,0). Algoritma yang kami usulkan menawarkan solusi kompromi yang terstruktur dan efisien untuk MOLPP, yang mengungguli metode berbasis skalarisasi tradisional. Kata Kunci: Solusi terpadu; Skala multidimensi; Pemrograman linier multiobjektif; Lanjutan optimal; Rata-rata optimal; Rata-rata kuadratik. 2020MSC: 90C29, 90C90

Survival Analysis of Stroke Incidence in National Health Insurance Participants from 2015–2020 Ilmi, Irfan; Suardi, Lenny
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 2 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/9dxvy438

This study aims to analyze the survival of stroke patients enrolled in the National Health Insurance (Jaminan Kesehatan Nasional, JKN) program and factors affecting it during the 2015–2020 period. Survival analysis was utilized using the Kaplan-Meier estimator and the Cox Proportional Hazards model. The dataset consisted of 12,773 stroke patients sampled from BPJS Kesehatan administrative records. The results indicate that since being registered as BPJS Kesehatan participants or from the baseline year 2015, stroke patients had an average survival time of 2,264 days, with a 95% confidence interval between 2,240 and 2,287 days. The Cox model revealed that patients aged 18–35, 36–50, 51–65, and >65 had Hazard Ratios (HR) of 1.30, 1.69, 2.47, and 3.52, respectively. Female patients exhibited a lower risk of death (HR = 0.81) than males. Employment segment effects were modest, and regional disparities were observed, with the Eastern region showing a higher risk (HR = 1.29). Comorbidities further increased hazards, with hypertension (HR = 1.70) and diabetes (HR = 2.17) significantly raising mortality risk. As one of the first large-scale survival analyses using JKN national data, this study offers novel evidence on key determinants of stroke outcomes in Indonesia. Its findings highlight critical risk factors and support more targeted, data-driven strategies for stroke prevention under universal health coverage. Keywords: Cox Proportional Hazard; Kaplan-Meier; National Health Insurance Agency; Stroke; Survival Analysis. Abstrak Penelitian ini bertujuan untuk menganalisis survival pasien stroke yang terdaftar dalam program Jaminan Kesehatan Nasional (JKN) dan faktor-faktor yang memengaruhinya selama periode 2015–2020. Metode yang digunakan adalah analisis survival dengan pendekatan Kaplan-Meier dan model Cox Proportional Hazards. Data yang dianalisis diambil dari sampel BPJS Kesehatan peserta JKN selama 2015–2020, yang berjumlah 12.773 pasien. Hasil penelitian menunjukkan bahwa sejak terdaftar sebagai peserta BPJS Kesehatan atau sejak tahun dasar 2015, pasien stroke memiliki waktu survival rata-rata 2.264 hari, dengan interval kepercayaan 95% antara 2.240 dan 2.287 hari. Model Cox mengungkapkan pasien berusia 18–35, 36–50, 51–65, dan >65 memiliki HR masing-masing sebesar 1,30, 1,69, 2,47, dan 3,52. Perempuan memiliki risiko lebih rendah (HR = 0,81) dibandingkan laki-laki. Efek pada segmen pekerjaan relatif kecil, dan disparitas regional teramati, dengan wilayah Timur menunjukkan risiko yang lebih tinggi (HR = 1,29). Komorbiditas semakin meningkatkan risiko, dengan hipertensi (HR = 1,70) dan diabetes (HR = 2,17) secara signifikan meningkatkan risiko mortalitas. Sebagai salah satu analisis survival skala besar pertama yang menggunakan data nasional JKN, studi ini menawarkan bukti baru tentang determinan utama luaran stroke di Indonesia. Temuannya menyoroti faktor risiko kritis dan mendukung strategi pencegahan stroke yang lebih terarah dan berbasis data dalam kerangka jaminan kesehatan semesta. Kata Kunci: Cox Proportional Hazard; Kaplan-Meier; Jaminan Kesehatan Nasional; Stroke; Analisis survival. 2020MSC: 91G05.

Spatial Bayesian Small Area Estimation of Stunting Prevalence at the Subdistrict Level Wulandari, Ita; Darmawan, Ede Surya; Zamzanah, Sofi
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 7 No. 2 (2025)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/8gpjhz91

Achieving Sustainable Development Goal (SDG) 3—ensuring healthy lives and promoting well-being for all—requires reliable health indicators at disaggregated levels. However, conventional large-scale surveys often fail to capture local disparities due to limited sample sizes, leading to unreliable small-area estimates. This study proposes a hierarchical Bayesian Small Area Estimation (HB SAE) framework using a beta distribution and spatial Conditional Autoregressive (CAR) priors to estimate sub-district-level stunting prevalence in Banten Province, Indonesia. The model accounts for both the bound nature of prevalence data and spatial dependence across neighboring areas. Using data from the 2023 Indonesian Health Survey and auxiliary variables from the 2024 Village Potential Data (Podes), the proposed approach demonstrates improved analytical performance. Compared to direct estimation, the HB SAE model reduced the number of sub-districts with Relative Standard Errors (RSE) above 25% from 55 to 44, achieving lower Mean Squared Error (MSE) values and more stable estimates. These results confirm that incorporating spatial effects enhances the precision and reliability of stunting prevalence estimates. The findings provide analytically grounded evidence for localized, data-driven interventions to accelerate efforts to reduce stunting and strengthen policy planning at the sub-district level. Keywords: Bayesian hierarchical model; small area estimation; spatial analysis; stunting prevalence; CAR model. Abstrak Pencapaian Sustainable Development Goal (SDG) 3, yaitu menjamin kehidupan yang sehat dan meningkatkan kesejahteraan bagi semua orang, memerlukan indikator kesehatan yang andal hingga tingkat wilayah kecil. Namun, survei berskala besar sering kali tidak mampu menggambarkan variasi lokal akibat keterbatasan ukuran sampel, sehingga menghasilkan estimasi yang tidak stabil pada wilayah kecil. Penelitian ini mengusulkan kerangka kerja Hierarchical Bayesian Small Area Estimation (HB SAE) menggunakan distribusi beta dengan prior spasial Conditional Autoregressive (CAR) untuk mengestimasi prevalensi stunting di tingkat kecamatan di Provinsi Banten, Indonesia. Model ini mempertimbangkan sifat terbatas (bounded) dari data prevalensi dan ketergantungan spasial antarwilayah. Dengan memanfaatkan data Survei Kesehatan Indonesia 2023 serta variabel bantu dari data Potensi Desa (Podes) 2024, model HB SAE menunjukkan kinerja analitis yang lebih baik. Dibandingkan dengan estimasi langsung, model HB SAE menurunkan jumlah kecamatan dengan Relative Standard Error (RSE) di atas 25% dari 55 menjadi 44, dengan nilai Mean Squared Error (MSE) yang lebih rendah dan hasil estimasi yang lebih stabil. Hasil ini menunjukkan bahwa penambahan efek spasial meningkatkan ketepatan dan reliabilitas estimasi prevalensi stunting. Temuan ini memberikan dasar analitis yang kuat untuk mendukung intervensi berbasis data dalam percepatan penurunan stunting dan perencanaan kebijakan di tingkat kecamatan. Kata Kunci: Model hierarkis Bayes; Small area estimation; Analisis spasial; Prevalensi stunting; Model CAR. 2020MSC: 62F15, 62M30.

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Nur Inayah

Contact Email
inprime.journal@uinjkt.ac.id

Phone
+6285280159917

Journal Mail Official
inprime.journal@uinjkt.ac.id

Editorial Address
Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah Jl. Ir H. Juanda No.95, Cemp. Putih, Kec. Ciputat, Kota Tangerang Selatan, Banten 15412

Location
Kota tangerang selatan,

Banten

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Nur Inayah

Contact Email inprime.journal@uinjkt.ac.id

Phone +6285280159917

Journal Mail Official inprime.journal@uinjkt.ac.id

Editorial Address Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah Jl. Ir H. Juanda No.95, Cemp. Putih, Kec. Ciputat, Kota Tangerang Selatan, Banten 15412

Location Kota tangerang selatan, Banten INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Nur Inayah

Contact Email
inprime.journal@uinjkt.ac.id

Phone
+6285280159917

Journal Mail Official
inprime.journal@uinjkt.ac.id

Editorial Address
Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah Jl. Ir H. Juanda No.95, Cemp. Putih, Kec. Ciputat, Kota Tangerang Selatan, Banten 15412

Location
Kota tangerang selatan,

Banten

INDONESIA