Jurnal Matematika, Statistika dan Komputasi
Not a member yet
562 research outputs found
Sort by
Analisis Curah Hujan Ekstrem Daerah Provinsi Papua Barat Menggunakan Max Stable Process Model Schlather
Get PDFData from Badan Pusat Statistik (BPS) in 2021 notes the province of West Papua as the province with the 5th highest rainfall in Indonesia with a rainfall of 3,811 mm. The province also recorded 268 rainy days, the most amongst all provinces in the country. The excess amount of rain is one of the causes of disasters such as floods. This research uses rainfall data from the Regencies of Manokwari, Fakfak, and Kaimana. The method used is Spatial Extreme Value particularly Schlather\u27s Model of the Max Stable Process. The data used is hourly rainfall for the period of 13 March 2022 to 17 October 2022 with the proportion of training and testing data respectively 85.84% and 14.16%. Extreme data collection was carried out using the Block Maxima method with a fitting to the Generalized Extreme Value (GEV) distribution before being transformed into the Frechet Z margin units. The calculation of the extreme coefficient resulted in a value between 1.4 to 1.85, indicating a relationship between the locations. Next, the best trend surface model was determined, which involves latitude coordinates for the calculation of the location parameter and both longitude and latitude coordinates for the calculation of the scale parameter. The spatial parameter estimation is carried using the powered exponential correlation function. Then, model validation was carried out using MAPE based on a comparison of return levels and testing data. The MAPE values obtained was 22.61% for the BFGS iteration method. The final step is to calculate return levels for periods of 2, 4, 6, 8, and 10 years ahead. All the results were categorized under very heavy rain. These results can be used by related parties to carry out disaster mitigation efforts.Data dari BPS pada tahun 2021 mencatatkan bahwa Provinsi Papua Barat dengan curah hujan sebesar 3.811 mm adalah provinsi dengan curah hujan tertinggi ke-5 di Indonesia. Selain itu, Provinsi Papua Barat juga mencatatkan 286 hari hujan, menjadikan provinsi tersebut sebagai provinsi yang paling sering hujan di Indonesia pada tahun 2021. Banyaknya hujan yang turun merupakan salah satu penyebab bencana alam seperti banjir. Penelitian ini menggunakan data curah hujan dari Kabupaten Manokwari, Kabupaten Fakfak, dan Kabupaten Kaimana. Metode yang digunakan adalah Spatial Extreme Value dengan Max Stable Process Model Schlather. Data yang digunakan adalah curah hujan per jam periode 13 Maret 2022 hingga 17 Oktober 2022 dengan proporsi data training 85,84% dan testing 14,16%. Pengambilan data ekstrem dilakukan dengan metode Block Maximalalu fitting distribusi GEV kemudian ditransformasi ke unit margin Frechet Z. Selanjutnya dilakukan perhitungan koefisien ekstremal dengan hasil di antara 1,4 hingga 1,85 yang menunjukkan adanya hubungan antar lokasi. Kemudian ditentukan model trend surface terbaik, yaitu melibatkan koordinat lintang dalam perhitungan parameter lokasi serta menggunakan koordinat bujur dan lintang dalam perhitungan parameter skala. Selanjutnya dilanjutkan dengan estimasi parameter secara spasial dengan menggunakan fungsi korelasi powered exponential. Kemudian, dilakukan validasi model dengan menggunakan MAPE berdasarkan perbandingan return level dan data testing. Nilai MAPE yang didapatkan adalah 22,61% untuk metode iterasi BFGS. Langkah terakhir yaitu menghitung prediksi return level untuk periode 2, 4, 6, 8, dan 10 tahun ke depan. Seluruh hasil yang didapatkan termasuk ke dalam kategori sangat lebat. Hasil ini dapat digunakan oleh pihak terkait untuk melakukan upaya mitigasi bencana
Klasifikasi Financial Distress Menggunakan Feedforward Neural Network Berdasarkan Rasio Keuangan Altman dan Ohlson
Get PDFThe ever-changing economy requires companies to anticipate future conditions in order to avoid financial distress, a continuous decline in financial conditions. The research focused on comparing Altman and Ohlson’s financial ratio in classifying financial distress on Property and Real Estate companies using the Feedforward Neural Network. The data used is the financial report data of 19 Property and Real Estate companies listed on the Indonesian Stock Exchange in 2016-2022, with the initial status of financial conditions based on earnings per share. (EPS). The study also used the Synthetic Minority Oversampling Technique (SMOTE) method to address class imbalances. The best financial ratio is selected based on accuracy values and Area Under Curve (AUC). Altman’s financial ratio with the FFNN model architecture (5-2-1) with a balance of 60:40 yields an accuracy of 84.62% and an AUC of 0.8325. The Ohlson Financial ratio with the 60:40 data balancing process and the FFNN model architecture (9-4-1) yields an accuracy of 93.27% and an AUC of 0.9045. Thus, in predicting financial distress in companies in the Property and Real Estate sector, Ohlson’s financial ratio with the predictor variables Corporate Size (SIZE), Total Liabilities to Total Assets (TLTA), Working Capital to Total Acts (WCTA), Current Liability to Current Asset (CLCA), OENEG, Net Income to total assets (NITA), Cash Flows Operating to Total Responsibilities (CFOTL), Net Revenue (INTWO), and Net Incoming Change (CHIN) yielded the best results. This best ratio can be used as a consideration in using alternative financial ratio to classify financial distress.Kondisi perekonomian yang selalu berubah menuntut perusahaan untuk dapat mengantisipasi kondisi yang akan datang, untuk menghindari financial distress, yaitu penurunan kondisi keuangan yang berkelanjutan dan sering terjadi sebelum mengalami kebangkrutan. Fokus pada penelitian ini adalah membandingkan rasio keuangan Altman dan Ohlson dalam mengklasifikasikan financial distress pada perusahaan Properti dan Real Estate menggunakan Feedforward Neural Network. Data yang digunakan merupakan data laporan keuangan 19 perusahaan Properti dan Real Estate yang terdaftar di Bursa Efek Indonesia tahun 2016-2022, dengan status awal kondisi keuangan perusahaan berdasarkan Earnings Per Share (EPS). Dalam penelitian ini digunakan juga metode Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas data. Model dan metode terbaik dipilih berdasarkan nilai akurasi dan Area Under Curve (AUC). Rasio keuangan Altman dengan arsitektur model FFNN (5-2-1) dengan balancing 60:40 menghasilkan nilai akurasi 84,62% dan AUC 0,8325. Rasio Keuangan Ohlson dengan proses balancing data 60:40 dan arsitektur model FFNN (9-4-1) menghasilkan nilai akurasi 93,27% dan AUC 0,9045. Dengan demikian, dalam memprediksi financial distress pada perusahaan sektor Properti dan Real Estate, rasio keuangan Ohlson dengan variabel prediktor Ukuran Perusahaan (SIZE), Total Liabilities to Total Assets (TLTA), Working Capital to Total Assets (WCTA), Current Liabilities to Current Assets (CLCA), Perbandingan Total Liabilities dan Total Assets (OENEG), Net Income to Total Assets (NITA), Cash Flows Operating to Total Liabilities (CFOTL), Nilai Net Income (INTWO), dan Perubahan Net Income (CHIN) memberikan hasil terbaik. Hasil klasifikasi ini dapat digunakan sebagai pertimbangan dalam menggunakan alternatif rasio keuangan untuk mengklasifikasikan financial distress
Rainbow Connection Number of Double Quadrilateral Snake Graph
Get PDFLet graph G = be a non trivial connected graph. A graph G with edge coloring is called a rainbow connection, if for every pair of vertices on a path has a different color. The rainbow connection number denoted by is the minimum color needed to make graph G rainbow connection. In this study, we will determine the rainbow connection number of double quadrilateral snake graph and alternate double quadrilateral snake graph. The research results show that while if and if
Pemodelan Geographically Weighted Panel Regression pada Data Indeks Pembangunan Manusia di Provinsi Kalimantan Timur Tahun 2017-2020
Get PDFGeographically Weighted Panel Regression (GWPR) model is a panel regression model applied on spatial data. This research applied Fixed Effect Model (FEM) on panel regression as the global model and GWPR as the local model for Human Development Index (HDI) regencies/municipalities in East Kalimantan Province data over the years 2017-2020. The aim of this research is to obtain the GWPR model of HDI data, as well as to acquire factors that influence it. The parameter of GWPR model was estimated on each observation location using the Weighted Least Square (WLS) method, namely Ordinary Least Square (OLS) with addition of spatial weighting. The spatial weighting on GWPR model was calculated using fixed bisquare, fixed tricube, adaptive bisquare and adaptive tricube. After the selection process, the optimum weighting function is adaptive tricube which provides a minimum Cross Validation (CV) value of 5.1419. Based on GWPR parameter testing, factors that affect HDI are local and diverse in each 10 regencies/municipalities in East Kalimantan Province. These factors are the labor force participation rate, number of health facilities, Gini ratio, population growth rate, open unemployment rate, poverty gap index and percentage of food expenditure. The coefficient of determination of the GWPR model obtains a value of 94.36% with the RMSE value of 0.1221.Model Geographically Weighted Panel Regression (GWPR) merupakan model regresi panel yang diterapkan pada data spasial. Penelitian ini menerapkan Fixed Effect Model (FEM) pada regresi panel sebagai model global dan GWPR sebagai model lokal untuk data Indeks Pembangunan Manusia (IPM) kabupaten/kota di Provinsi Kalimantan Timur tahun 2017-2020. Penelitian ini bertujuan untuk memperoleh model GWPR untuk data IPM, serta faktor-faktor yang mempengaruhinya. Parameter model GWPR diestimasi pada setiap lokasi pengamatan menggunakan metode Weighted Least Square (WLS) yaitu Ordinary Least Square (OLS) dengan penambahan pembobotan spasial. Pembobotan spasial pada model GWPR dihitung menggunakan fungsi pembobot fixed bisquare, fixed tricube, adaptive bisquare dan adaptive tricube. Setelah proses penyeleksian, fungsi pembobot optimum adalah adaptive tricube yang memberikan nilai Cross Validation (CV) minimum sebesar 5,1419. Berdasarkan pengujian parameter model GWPR, faktor-faktor yang mempengaruhi IPM bersifat lokal dan beragam di setiap 10 kabupaten/kota di Provinsi Kalimantan Timur. Faktor-faktor tersebut adalah tingkat partisipasi angkatan kerja, jumlah fasilitas kesehatan, Gini ratio, laju pertumbuhan penduduk, tingkat pengangguran terbuka, indeks kedalaman kemiskinan dan persentase pengeluaran per kapita kelompok makanan. Koefisien determinasi model GWPR sebesar 94,36% dengan nilai RMSE sebesar 0,1221
Nilai Total Ketidakteraturan Titik Pada Amalgamasi Graf Prisma
Get PDFIt is not possible to determine the total vertex of irregular strength of all graphs. This study aims to ascertain the total vertex irregularity strength in prismatic graph amalgamation for n>=4. Determination of the total vertex irregularity strength in prismatic graph amalgamation is done by ascertaining the largest lower limit and the smallest upper limit. The lower limit is analyzed based on the graph properties and other supporting theorems, while the upper limit is analyzed by labeling the vertices and edges of the prismatic amalgamation graph. Based on the results of this study, the total vertex irregularity strength in prismatic graph amalgamation is obtained, namely (4(P2,n))=2n , for n>=4.Penentuan nilai total ketidakteraturan titik dari semua graf belum dapat dilakukan. Penelitian ini bertujuan untuk menentukan nilai total ketidakteraturan titik pada amalgamasi graf prisma untuk n>=4. Penentuan nilai total ketidakteraturan titik pada amalgamasi graf prisma dilakukan dengan menentukan batas bawah terbesar dan batas atas terkecil. Batas bawah dianalisis berdasarkan sifat-sifat graf dan teorema pendukung lainnya, sedangkan batas atas dianalisis dengan pemberian label pada titik dan sisi pada amalgamasi graf prisma. Berdasarkan hasil penelitian ini diperoleh nilai total ketidakteraturan titik pada amalgamasi graf prisma, (4(P2,n))=2n, untuk n>=4
Pembentukkan Portofolio Optimal pada Saham JII dengan Indeks Sharpe, Treynor, dan Jensen pada Periode 2018-2023
No full textInvestment is an activity carried out by investors by placing their funds in an asset. The purpose of investment is to gain long-term profits in the future. These profits come from changes in the price of assets in the future, which refers to the increase in the value of an asset over time. Currently, there are several types of investments. However, the type of investment that is quite widely practiced by Indonesian society is stock investment. The Indonesia Stock Exchange (IDX) groups the stocks available in the stock market into several indexes. One index that is currently receiving attention from Indonesian society is the Jakarta Islamic Index (JII). The JII is a collection of shares from companies that adhere to sharia principles in their business operations. Investment activities must be carried out carefully by conducting analysis beforehand so that investors do not make mistakes in choosing the stocks to be purchased. Several popular methods for selecting stocks are the Sharpe, Treynor, and Jensen indexes. These three indexes can be used to select the best stocks based on their respective criteria. This study combine these three indexes to prioritize the formation of a portfolio. The data used in this study is the closing value of stock prices in the JII index from March 2018 to February 2023. The optimization resulted in a composition of 69.17% for MDKA shares, 26.55% for HRUM shares, and 4.28% for BRIS shares of the total portfolio composition.Investasi merupakan kegiatan yang dilakukan oleh investor dengan melakukan penempatan dana pada sebuat aset. Tujuan dari investasi adalah mendapat keuntungan di masa yang akan datang. Keuntungan ini berasal dari perubahan harga aset di masa mendatang atau yang disebut dengan capitan gain. Saat ini terdapat beberapa jenis investasi. Namun, jenis investasi yang cukup banyak dilakukan oleh masyarakat Indonesia adalah investasi saham. Bursa Efek Indonesia (BEI) menyusun beberapa indeks untuk mengelompokkan saham yang tersedia di pasar bursa saham. Salah satu indeks yang saat ini mendapat perhatian masyarakat Indonesia adalah indeks Jakarta Islamic Index (JII). JII merupakan kumpulan saham dari perusahaan yang menjalankan prinsip syariah dalam pelaksanaan usahanya. Kegiatan investasi harus dilakukan secara hati-hati dengan melakukan analisa terlebih dahulu agar investor tidak salah dalam memilih saham yang akan dibeli. Beberapa cara yang cukup populer untuk memilih saham adalah menggunakan indeks Sharpe, Treynor, dan Jensen. Ketiga indeks ini dapat digunakan untuk memilih saham terbaik berdasarkan kriterianya masing-masing. Penelitian ini menggabungkan ketiga indeks tersebut sebagai dasar prioritas untuk membentuk suatu portofolio. Data yang digunakan dalam penelitian ini merupakan nilai penutupan dari harga saham dalam indeks JII dari bulan Maret 2018 hingga Februari 2023. Pengoptmalan portofolio dengan meminimalkan variansinya diperoleh komposisi saham MDKA sebesar 69,17 %, saham HRUM sebesar 26,55 %, dan saham BRIS sebesar 4,28 % dari total portofolio
Comparison of Transfer Learning Algorithm Performance in Hand Sign Language Digits Image Classification
Get PDFImage hand sign classification has become an interesting topic in image processing and machine learning. However, to achieve optimal performance in hand sign image classification tasks, a large and diverse dataset as well as powerful learning algorithms are required. One popular technique for improving the performance of classification models is transfer learning, which allows the use of knowledge learned from previous models and applies it to new tasks. In this study, the performance of two different transfer learning algorithms, ResNet-50 and VGG-16, was compared on the Sign Language Digits Dataset, which consists of 10 different types of handwriting images. The results of the experiment showed that both tested transfer learning algorithms had good performance. However, VGG-16 provided the best results with an accuracy of 97,29%, precision of 97,38%, recall of 97,45%, and an F1 score of 97,36%, while ResNet-50 achieved an accuracy of 94,57%, precision of 94,75%, recall of 94,96%, and an F1 score of 94,78%. In conclusion, transfer learning algorithms are effective techniques for improving the performance of hand sign image classification models. Choosing the appropriate transfer learning algorithm and dataset can help generate more accurate classification models.Klasifikasi citra handwriting telah menjadi topik yang menarik dalam pengolahan citra dan pembelajaran mesin. Namun, untuk mencapai kinerja yang optimal dalam tugas klasifikasi citra handwriting, diperlukan dataset yang besar dan beragam, serta algoritma pembelajaran yang kuat. Salah satu teknik yang populer untuk meningkatkan kinerja model klasifikasi adalah transfer learning, yang memungkinkan untuk menggunakan pengetahuan yang telah dipelajari dari model sebelumnya dan diterapkan pada tugas baru. Pada penelitian ini, dibandingkan kinerja dua algoritma transfer learning yang berbeda, yaitu ResNet-50 dan VGG-16 pada klasifikasi citra dataset Sign Language Digits Dataset yang terdiri dari 10 jenis citra handwriting yang berbeda. Hasil dari eksperimen menunjukkan bahwa kedua algoritma transfer learning yang diuji memiliki kinerja yang baik. Namun, VGG-16 memberikan hasil terbaik dengan akurasi sebesar 97.67% dan presisi sebesar 97.67%, sedangkan pada ResNet-50 memberikan akurasi sebesar 94,96% dan presisi sebesar 94.96%. Sebagai kesimpulan, algoritma transfer learning merupakan teknik yang efektif dalam meningkatkan kinerja model klasifikasi citra handwriting. Pemilihan algoritma transfer learning yang tepat dan dataset yang sesuai dapat membantu menghasilkan model klasifikasi yang lebih akurat
Dimensi Partisi Hasil Amalgamasi-Sisi pada Graf Siklus
Get PDFThe graph is a pair of sets , where is a finite set whose elements are called vertices, and is the set of pairs of members of . which is called the edge. Let be a simple graph where . The distance between points and is denoted by is the length of the shortest path between and . Given and there is a vertex on the connected graph , then the distance between and is denoted . If is -partition of , then the representation of with respect to is -ordered pairs, . If the -ordered pairs for are all different, then the partition is called a dimension partition. The minimal -number which is the -differentiating partition of is called the partition dimension of and is denoted by . In this study, the partition dimensions of the sided amalgamation result will be determined on an even-order cycle graph. In determining the dimensions of the partition, characterization of the partition dimensions is used in the path graph, the lemma about the distinguishing set and the equivalence point, especially in the even-order cycle graph. The results of this study are pd(Amal(Cn,e,k)) = 3 for n≥4 , pd(Amal(C4,e,k))=4 for k=4 , pd(Amal(C4,e,k))=3+m for k=2m+3 and k=2m+4 where m=1,2,3,...Graf adalah pasangan himpunan (V(G),E(G)) , dengan V(G) adalah himpunan berhingga yang anggota-anggotanya disebut titik (vertex), dan E(G) adalah himpunan dari pasangan anggota-anggota yang disebut sisi (edge). Misalkan G adalah graf sederhana dimana Jarak antara titik dan dinotasikan dengan adalah panjang lintasan terpendek antara dan . Diberikan dan terdapat titik pada graf terhubung maka jarak antara dan dinotasikan Jika adalah -partisi dari maka representasi terhadap adalah -pasangan berurutan, Jika -pasangan berurutan untuk semuanya berbeda, maka partisi disebut sebagai partisi pembeda. Bilangan minimal yang merupakan partisi pembeda dari disebut dimensi partisi dari dan dinotasikan dengan Pada penelitian ini akan ditentukan dimensi partisi dari graf hasil amalgamasisi-sisi pada graf siklus orde genap. Dalam penentuan dimensi partisi tersebut digunakan karakterisasi dimensi partisi pada graf path, lemma tentang himpunan pembeda dan titik setara khususnya pada graf siklus orde genap. Hasil dari penelitian ini adalah pd(Amal(Cn,e,k)) = 3 untuk n≥4, pd(Amal(C4,e,k))=4 untuk k=4, pd(Amal(C4,e,k))=3+m untuk k=2m+3 dan k=2m+4 dengan m=1,2,3,..
Identification Of Hijaiyah Letters Image Using Extreme Learning Machine Method
Get PDFThe development of digital image processing technology has many benefits, one of which is the identification of an object, such as the identification of the image of the hijaiyah letter. Hijaiyah letters are the letters of the arabic alphabet as the original language of the Qur\u27an. In essence, humans have the ability to recognize and distinguish hijaiyah letter patterns from one another, but this is not the case with computers, using digital images and machine learning, in this study an identification concept was built by recognizing the image of hijaiyah letters using one of the machine learning methods. namely the extreme learning machine (ELM) method. Extreme learning machine (ELM) is a feedforward neural network with one hidden layer or better known as single hidden layer feedforward neural networks (SLFNs). Therefore, the purpose of this study is that the computer can identify objects as well as human capabilities and see how accurate the results obtained in the ELM method are. The digital image identification process using the extreme learning machine (ELM) method is carried out in two stages, namely training and testing, where previously the preprocessing process was carried out first by changing the color of the RGB image to HSV and processing the color v, then segmentation was carried out with the aim of separating the objects (foreground) with the background, then to make it easier to recognize the pattern, a morphological process is carried out. From the simulation carried out on the test data, the results obtained an average accuracy of 90% with an error of 10%
Peramalan Tren Pencarian Kata Kunci “Sarung Wadimor” Di Indonesia Pada Data Google Trends Menggunakan Time Series Regression with Calender Variation dan Arima Box-Jenkins
Get PDFThe impact of this 4.0 era is that data is growing and can be collected very easily and then reprocessed to obtain information. One of the search engines for various data and information that is often used is Google, causing a high search intensity and will further impact on increasing the amount of data generated by search engines. Google Trends is one of the official websites from Google that reflects or takes pictures of events in society based on search keywords. The search keyword that will be studied in this article is “Sarung Wadimor”. Therefore, the purpose of this research is to forecast the search trend for the keyword "Sarung Wadimor" which is interesting because the resulting time series data pattern shows a recurring pattern due to the effect of calendar variations which are thought to be related to the month of Ramadan. Forecasting modeling uses Autoregressive Integrated Moving Average (ARIMA) and Time Series Regression (TSR). The goodness of the model used in this article is the Mean Square Error (MSE), Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (SMAPE). Based on the results of the analysis, using three goodness-of-fit measures shows that the TSR model with the Calendar Variation of Ramadan + Month Periods has smaller MSE, RMSE, and SMAPE values than the other models with goodness-of-fit values of 88.602, 9.413, and 26.950, respectively. Forecasting results for the next 6 periods show that the search trend for the keyword "Sarung Wadimor" tends to decrease, this is because the month of Ramadan is still quite far in 2023.Dampak dari era 4.0 ini adalah data semakin berkembang dan dapat dihimpun dengan sangat mudah dan kemudian diproses kembali untuk diperoleh suatu informasi. Salah satu mesin pencarian berbagai data maupun informasi yang seringkali digunakan adalah Google sehingga menyebabkan tingginya intensitas pencarian dan selanjutnya akan berdampak terhadap peningkatan jumlah data yang dihasillkan oleh mesin pencarian. Google Trends merupakan salah satu laman resmi dari Google yang merefleksikan atau mempotret kejadian di masyarakat berdasarkan kata kunci pencarian. Kata kunci pencarian yang akan dikaji dalam artikel ini adalah “Sarung Wadimor”. Oleh karena itu, tujuan dari penelitian ini adalah melakukan peramalan tren pencarian kata kunci “Sarung Wadimor” di mana menjadi hal yang menarik dikarenakan pola data runtun waktu yang dihasilkan menunjukkan pola yang berulang akibat adanya efek variasi kalender yang diduga berhubungan dengan bulan Ramadan. Pemodelan peramalan menggunakan Autoregressive Integrated Moving Average (ARIMA) dan Time Series Regression (TSR). Ukuran kebaikan model yang digunakan pada artikel ini yaitu Mean Square Error (MSE), Root Mean Square Error (RMSE), dan Symmetric Mean Absolute Percentage Error (SMAPE). Berdasarkan hasil analisis, dengan menggunakan tiga ukuran kebaikan menunjukkan bahwa model TSR dengan Variasi Kalender Periode Ramadan + Bulan memiliki nilai MSE, RMSE, dan SMAPE yang lebih kecil dibandingkan model lainnya dengan nilai ukuran kebaikan berturut-turut sebesar 88,602, 9,413, dan 26,950. Hasil peramalan untuk 6 periode kedepan menunjukkan tren pencarian kata kunci “Sarung Wadimor” cenderung turun, hal ini mengingat karena periode bulan Ramadan masih cukup jauh di Tahun 2023