Moh. Hafiyusholeh, Moh.
Unknown Affiliation

Published : 6 Documents
Articles

Found 6 Documents
Search

ANALISIS SINYAL EKG ARITMIA UNTUK DETEKSI RISIKO JANTUNG KORONER MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE (ANFIS) Rini, Dian Candra; Asyhar, Ahmad Hanif; Hafiyusholeh, Moh.; R, Gita Purnamasari; Monita, Yuyun
MathVisioN Vol 1 No 1 (2019): Maret 2019
Publisher : Prodi Matematika FMIPA Unirow Tuban

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

Abstract

Sinyal EKG (Elektrokardiograf) merupakan sinyal yang digunakan untuk mendeteksi irama jantung. Irama jantung dari setiap orang berbeda-beda,terlebih jika orang tersebut berisiko penyakit jantung koroner (PJK). Dalam penulisan ini bertujuan untuk mengklasifikasikan data dari sinyal EKG aritmia ke antara kelompok yang berisiko terkena PJK atau yang tidak berisiko. Penelitian ini menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) serta tranformasi wavelet dan penerapan filter Infinite Impuls Respons (IIR) pada pengolahan sinyal. Hasil akurasi dari data 22 testing yang digunakan yaitu sebesar 90,9%
Literasi Statistik: Siswa SMA dalam Membaca, Menafsirkan, dan Menyimpulkan Data Hafiyusholeh, Moh.; Budayasa, I Ketut; Siswono, Tatag Yuli Eko
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami) Vol 1 No 1 (2017): Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami )
Publisher : Mathematics Department

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (299.379 KB)

Abstract

Pemahaman terhadap data adalah penting bagi semua lapisan masyarakat, termasuk siswa. Siswa harus memiliki kemampuan dalam memahami data agar mereka mampu bereaksi secara cerdas terhadap informasi kuantitatif di sekitar mereka.Tujuan dari penelitian ini adalah mendeskripsikan bagaimana siswa SMA dalam membaca, menafsirkan dan membuat simpulan dari suatu data. Untuk memperoleh gambaran tersebut, peneliti menetapkan satu siswa perempuan yang mempunyai tingkat kemampuan matematika tinggi sebagai subjek penelitian. Pengambilan data dilakukan melalui wawancara berbasis tugas yang divalidasi melalui triangulasi waktu. Hasil penelitian menunjukkan bahwa subjek perempuan yang berkemampuan matematika tinggi dalam membaca data memulai dengan memperhatikan judul grafik/diagram dan keterangan pada setiap sumbu yang diberikan, subjek menggali informasi langsung dari apa yang tertulis secara eksplisit berdasarkan grafik yang ada, memaknai dan menjelaskan titik-titik dalam grafik sebagai hubungan sumbu x terhadap sumbu y. Dalam menafsirkan dan menyimpulkan data, subjek memperhatikan pola umum dari fluktuasi data dan menggunakan tren data umum untuk memprediksi kemungkinan data yang akan datang dan menentukan nilai kenaikan atau penurunan data berdasarkan nilai rata-ratanya
VEKTOR PRIORITAS DALAM ANALYTICAL HIERARCHY PROCESS (AHP) DENGAN METODE NILAI EIGEN Hafiyusholeh, Moh.; Asyhar, Ahmad Hanif
Jurnal Matematika "MANTIK" Vol. 1 No. 2 (2016): Mathematics and Applied Mathematics
Publisher : Mathematics Department, Faculty of Science and Technology, UIN Sunan Ampel Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (374.221 KB)

Abstract

Pada Penelitian ini dikaji metode nilai eigen yang digunakan untuk mengkonstruksivektor prioritas model pengambilan keputusan yang dikenal dengan Analytical Hierarchy Process (AHP). AHP merupakan suatu metode pengambilan keputusan yang berdasarkan pada keragaman kriteria. Melalui metode nilai eigen ini diperoleh ?_mak?n, dengan ?_mak adalah nilai eigen maksimum dan n adalah ukuran matriks. Untuk membatasi apakah suatu keputusan yang telah diambil dengan AHP sudah valid atau belum, bisa diverifikasi dengan menggunakan indeks konsistensi.
PERBANDINGAN ANTARA METODE K-MEANS CLUSTERING DENGAN GATH-GEVA CLUSTERING Lailiyah, Siti; Hafiyusholeh, Moh.
Jurnal Matematika "MANTIK" Vol. 1 No. 2 (2016): Mathematics and Applied Mathematics
Publisher : Mathematics Department, Faculty of Science and Technology, UIN Sunan Ampel Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (721.889 KB)

Abstract

Perdagangan luar negeri Indonesia sedang ditata kembali format dan kinerjanya, agar pemerintah tidak membuat kesalahan dalam mengambil keputusan untuk meningkatkan ekspor non migas, maka pemerintah harus mampu memprediksi volume ekspor non migas. Prediksi pada dasarnya merupakan suatu perkiraan tentang terjadinya suatu kejadian di waktu yang akan datang. Salah satu cara yang dapat digunakan untuk memprediksi nilai ekspor tersebut adalah dengan k-means clustering dan gath-geva clustering. Kemudian dibentuk Fuzzy Inference System (FIS) untuk memperoleh hasil prediksi sehingga didapatkan error dan validasi hasil prediksi.Berdasarkan hasil analisa RMSE, cek maksimum dan cek minimum maka dapat disimpulkan bahwa metode Gath-Geva (GG) Clustering lebih teliti dibandingkan dengan metode K-means clustering
APPLICATION OF FUZZY K-NEAREST NEIGHBOR (FKNN) TO DETECT THE PARKINSON’S DISEASE Desinaini, L.N.; Mualimah, Azizatul; Novitasari, Dian C. R.; Hafiyusholeh, Moh.
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol 1, No 1 (2019)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (819.517 KB) | DOI: 10.15408/inprime.v1i1.12827

Abstract

AbstractParkinson?s disease is a neurological disorder in which there is a gradual loss of brain cells that make and store dopamine. Researchers estimate that four to six million people worldwide, are living with Parkinson?s. The average age of patients is 60 years old, but some are diagnosed at age 40 or even younger and the worst thing is some patients are late to find out that they have Parkinson's disease. In this paper, we present a diagnosis system based on Fuzzy K-Nearest Neighbor (FKNN) to detect Parkinson?s disease. We use Parkinson?s disease dataset taken from UCI Machine Learning Repository. The first step is normalize the Parkinson?s disease dataset and analyze using Principal Component Analysis (PCA). The result shows that there are four new factors that influence Parkinson?s disease with total variance is 85.719%. In classification step, we use several percentage of training data to classify (detect) the Parkinson's disease i.e. 50%, 60%, 70%, 75%, 80% and 90%. We also use k = 3, 5, 7, and 9. The classification result shows that the highest accuracy obtained for the percentage of training data is 90% and k = 5, where 19 are correctly classified i.e. 14 positive data and 5 negative data, while 1 positive data is classified incorrectly.Keywords: Parkinson's disease; Fuzzy K-Nearest Neighbor; Principal Component Analysis. AbstrakPenyakit Parkinson merupakan kelainan sel saraf pada otak yang menyebabkan hilangnya dopamin pada otak. Para peneliti mengestimasi bahwa, empat sampai enam juta orang di dunia, menderita Parkinson. Penyakit ini rata-rata diderita oleh pasien berusia 60 tahun, namun beberapa orang terdeteksi saat berusia 40 tahun atau lebih muda dan hal terburuk adalah seseorang terlambat untuk mendeteksinya. Di dalam artikel ini, kami menyajikan sistem diagnosa penyakit Parkinson menggunakan metode Fuzzy K-Nearest Neighbor (FKNN). Kami menggunakan Data uji yang diperoleh dari UCI Machine Learning Repository yang telah banyak diterapkan pada masalah klasifikasi. Tahapan pertama yang kami lakukan adalah menormalisasi data kemudian menganalisisnya menggunakan Analisis Komponen Utama (Principal Component Analysis). Hasil Analisis Komponen Utama menunjukkan bahwa terdapat empat factor baru yang mempengaruhi penyakit Parkinson dengan variansi total 87,719%. Pada tahap klasifikasi, kami menggunakan beberapa prosentase data latih untuk mendeteksi penyakit yaitu 50%, 60%, 70%, 75%, 80% and 90%. Selain itu, kami menggunakan beberapa nilai k yaitu 3, 5, 7, and 9. Hasil menunjukkan bahwa klasifikasi dengan akurasi tertinggi diperoleh untuk 90% data latih dengan k = 5, dimana 19 diklasifikasikan secara tepat yaitu 14 data positif dan 5 data negatif, sedangkan satu data positif tidak diklasifikasikan dengan tepat.Keywords: penyakit Parkinson; Fuzzy K-Nearest Neighbor; Analisis Komponen Utama.
PERBANDINGAN PENGKLUSTERAN DATA IRIS MENGGUNAKAN METODE K-MEANS DAN FUZZY C-MEANS Febrianti, Fitria; Hafiyusholeh, Moh.; Asyhar, Ahmad Hanif
Jurnal Matematika "MANTIK" Vol. 2 No. 1 (2016): Mathematics and Applied Mathematics
Publisher : Mathematics Department, Faculty of Science and Technology, UIN Sunan Ampel Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (150.672 KB)

Abstract

Indonesia with abundant natural resources, certainly have a lot of plants are innumerable. To clasify the plants into different clusters can use several methods. Methods used are K-Means and Fuzzy C-Means. However, this methods have difference. Not only in terms of algorithms, but in terms of value calculation on the root mean square error (RMSE) also different. To calculate the value of RMSE there are two indicators are required, namelt the training data and the checking data. Of discussion, the Fuzzy C-Means method has RMSE values smaller than the K-Means method, namely on 80 training data and 70 checking data with RMSE value 2,2122E-14. This indicates that the Fuzzy C-Means method has a higher level of accuracy than the K-Means method