Matematika Sains

OPTIMALISASI RUTE DISTRIBUSI DEPOT AISUKE DENGAN ALGORITMA CLARKE & WRIGHT SAVINGS

Sri Artha Dwi Anjarwati — 2024-07-01

Aisuke sebagai perusahaan penyedia air minum di Kota Pekanbaru, menghadapi permasalahan seringnya keterlambatan pengiriman air galon dan ketidaklayanan terhadap beberapa pelanggan sesuai jadwal pengiriman. Dalam rangka penyelesaian permasalahan ini, kami sebagai peneliti memutuskan untuk menggunakan algoritma Clarke and Wright diharapkan dapat meminimalkan jarak tempuh air galon ke tempat pelanggan. Dalam penelitin ini, digunakan metode deskriptif dengan data yang diperoleh secara langsung dari Depot Aisuke pada bulan Agustus 2023. Hasil penelitian menunjukkan keberhasilan implementasi algoritma Clarke and Wright, awal jarak tempuh yang mencapai 127,1 Km. sekarang berhasil dikurangi hingga mencapai 52,7 Km. Ini menandakan bahwa solusi algoritma Clarke and Wright berhasil mengatasi permasalahan distribusi, meningkatkan efisiensi operasional, dan memenuhi kebutuhan pelanggan dengan lebih baik.

PREDICTIONS OF A SPIKE IN PASSENGER BUS TRANS PEKANBARU USING A MONTE CARLO SIMULATION

Wirda Jamiatul Sholeha — 2024-07-01

Tujuan dari penelitian ini adalah untuk memprediksi tingkat lonjakan penumpang di masa depan dengan menggunakan simulasi Monte Carlo, yang bertujuan untuk membantu PT. Trans Metro Pekanbaru dalam pengambilan keputusan pada saat terjadi lonjakan penumpang. Data yang digunakan berupa jumlah penumpang bus Trans Metro Pekanbaru pada hari libur (Minggu), yang merupakan data rute perjalanan UIN Panam-Kampus Sudirman. Metodologi yang digunakan dalam penelitian ini melibatkan penerapan simulasi Monte Carlo. Hasil pengujian simulasi Monte Carlo ini menunjukkan adanya lonjakan jumlah penumpang, meningkat dari 44% menjadi 61% pada hari Minggu berikutnya. Dengan adanya peningkatan persentase yang cukup besar ini, maka penerapan metode Monte Carlo direkomendasikan untuk memprediksi tingkat lonjakan penumpang dan memfasilitasi peningkatan pelayanan penumpang di PT. Trans Metro Pekanbaru.

ENSEMBLE MACHINE LEARNING ALGORITHM FOR DIABETES PREDICTION IN MAIDUGURI, BORNO STATE

Emmanuel Gbenga Dada — 2024-07-01

Diabetes mellitus (DM) is a metabolic disease characterised by high levels of glucose in the blood, known as hyperglycemia, that can result in multiple problems within the body. The World Health Organisation (WHO) data for 2021 reveals a substantial increase in the prevalence of diabetes mellitus (DM), with the number of cases rising from 108 million in 1980 to 422 million in 2014. Between 2000 and 2019, there was a 3% increase in mortality rates associated with diabetes, categorised by age. In 2019, DM caused the deaths of more than 2 million people. These concerning figures clearly necessitate an immediate response. An alarming incidence of diabetes among the population of Maiduguri and Borno State inspired this investigation. This research proposed stacking ensemble learning approach to predict the rate of occurrence of diabetes cases in Maiduguri. The paper used different types of regression models to predict the occurrences of diabetes cases in Maiduguri over time. These models included adaptive boosting regression (Adaboost), gradient boosting regression (GBOOST), random forest regression (RFR), ordinary least square regression (OLS), least absolute shrinkage selection operator regression (LASSO), and ridge regression (RIDGE). The performance indicators studied in this work are root mean square (RMSE), mean absolute error (MAE), and mean square error (MSE). These metrics were used to assess the effectiveness of both the machine learning and proposed Stacking Ensemble Learning (SEL) approaches. Performance metrics considered in this study are root mean square (RMSE), mean absolute error (MAE), and mean square error (MSE), which were used to evaluate the performance of the machine learning and the proposed Stacking Ensemble Learning (SEL) technique. Experimental results revealed that SEL is a better predictor compared to other machine learning approaches considered in this work with an RMSE of 0.0493; a MSE of 0.0024; and a MAE of 0.0349. It is hoped that this research will help government officials understand the threat of diabetes and take the necessary mitigation actions.

APLIKASI R PADA AKURASI ESTIMASI OBSERVASI HILANG DALAM PENELITIAN RANCANGAN ACAK KELOMPOK

Lisana Sumarah Pratignyo — 2024-07-01

Abstrak.Tujuan Penelitian ini mengkaji Aplikasi Software R pada Akurasi Estimasi Observasi yang Hilang dalam penelitian Rancangan Acak Lengkap (RAK), serta Analisis Signifikansi Hasil Pengujian F-ANAVA/ Proses Estimasi observasi Hilang menggunakan metode Yates berdasarkan Prinsip Least Means Square (LMS). sSedangkan Akurasi estimasi observasi hilang menggunakan kriteria Means Absolute Percentage Error (MAPE).rPenelitian memberikan Hasil Akurasi estimasi observasi hilang menunjukkan masuk dalam kriteria Sangat Baik atau Akurat. Observasi Hilang berpengaruh pada Proses perhitungan Analisis Variansi, kehilangan dua observasi mengakibatkan derajat kebebasan berkurang 2 dan mempengaruni jumlah Kuadrat Residu sehingga menjadi kecil.

HIDDEN MARKOV MODEL DAN APLIKASINYA

Mirtawati Mulyami — 2024-07-01

This paper presents the results of research literature about the author of Hidden Markov Model (HMM). Theories about HMM developed for state that can not be observed directly, the model also remain hidden, but the model parameters are known and fixed output can be obtained. Application state HMM on weather observation within 7 days and hidden and not brought the state to bring a raincoat, using all five parameters: The transition matrix (A), the emission matrix (B), the number of hidden elements of state (N), the number of state observed (M) and the initial probability distribution (π). The output obtained after the evaluation phase and decoding is the same as the chance of rain state 0.13 or δ₂ (h) = 0.13 and optimal sequence state is Q={q₁*,q₂* } = {rain. rain}