Jurnal Matematika, Statistika dan Komputasi
Not a member yet
562 research outputs found
Sort by
Analisis Model Diskret Predator-Prey untuk Pengendalian Kepunahan Pesut Mahakam (Orcaella brevirostris) dengan Efek Toksik di Sungai Mahakam
Get PDFThe Pesut Mahakam (Orcaella brevirostris) is an East Kalimantan animal in critical condition and on the verge of extinction. One of the causes of the extinction of the Mahakam dolphins is the toxic effects of environmental pollution. In this study, an analysis of the discrete predator-prey model using Euler\u27s forward difference between the Pesut Mahakam (Orcaella brevirostris) and its prey was investigated. Dynamic analysis includes determining the equilibrium point, stability analysis of the equilibrium point, and numerical simulation. The value of the Mahakam dolphin growth rate parameter (predator) is obtained by adjusting the curve based on data in the field. Numerical simulations were carried out to describe the results of the analysis. Changes in the value of the toxic effect rate parameter affects the number of Mahakam dolphins and their prey.Pesut mahakam (Orcaella brevirostris) merupakan satwa Kalimantan Timur yang berada dalam kondisi kritis menuju kepunahan. Salah satu penyebab kepunahan pesut mahakam adalah efek racun dari pencemaran lingkungan. Dalam penelitian ini, analisis model predator-prey diskrit antara pesut mahakam (Orcaella brevirostris) dan mangsanya telah diselidiki. Analisis dinamik meliputi penentuan titik kesetimbangan, analisis stabilitas titik kesetimbangan, dan simulasi numerik. Nilai parameter laju pertumbuhan pesut mahakam (predator) diperoleh dengan menyesuaikan kurva berdasarkan data di lapangan. Simulasi numerik dilakukan untuk menggambarkan hasil analisis. Perubahan nilai parameter laju efek toksik berpengaruh terhadap jumlah pesut mahakam dan mangsany
Stability Analysis and Numerical Simulation of the COVID-19 SISiR Model : Bahasa Indonesia
No full textThis research discusses the SISiR model (Susceptible Infected Sick Recovered) considering individual immune parameters and lockdown parameters. The consideration of these parameters aims to determine whether immunity and lockdown have an impact on the spread of COVID-19. The model\u27s stability is analyzed around the equilibrium point to understand the dynamics of COVID-19 spread in a population. Furthermore, the parameter R0 is determined to indicate whether COVID-19 disappears or remains in the population. From numerical simulations with spesific parameter values, it is concluded that COVID-19 continues to spread in the population with an R0 = of 4.4486. The addition and reduction of immune and lockdown parameters affect the spread of COVID-19
Stock Portfolio Optimization Using Mean-Variance and Mean Absolute Deviation Model Based On K-Medoids Clustering by Dynamic Time Warping
Get PDFThe tendency of investors to choose investments with maximum return and minimal risk causes the need for diversification in a portfolio to form an optimal portfolio. A lot of research on stock portfolio optimization has been conducted extensively, but not many have tried to apply machine learning concepts such as clustering analysis to accelerate the establishment of a model that can have a positive effect on the time and cost efficiency of portfolio management. However, clustering is only limited to determining the optimal stock candidate, so it is necessary to add another optimization model to calculate the portfolio weight. Based on these problems, this study carried out portfolio optimization using Mean-Variance (MV) and Mean Absolute Deviation (MAD) model based on K-Medoids Clustering by Dynamic Time Warping approach using Monte Carlo-Expected Tail Loss for risk analysis. Based on the analysis results, the MAD portfolio is more optimal than the MV portfolio by the MAD portfolio consists of five stocks, namely BMRI shares with a weight of 0.06243, UNTR shares of 0.08658, BBRI shares of 0.10285, BBCA of 0.53623, and KLBF shares of 0.21191 are the best optimal portfolios. The optimal portfolio of the MAD model has a rate of return of 87.836% in May 2017 - December 2022 with a portfolio performance of 0.03704, while the resulting risk level based on Carlo-Expected Tail Loss is 2.2416%.
Kecenderungan investor untuk memilih investasi dengan return maksimal dan risiko minimal mengakibatkan perlunya diversifikasi dalam suatu portofolio untuk membentuk portofolio optimal. Salah satu alternatif optimasi portofolio dapat dilakukan menggunakan analisis pengelompokan (clustering). Namun, clustering hanya terbatas untuk menentukan kandidat saham optimal, sehingga perlu ditambah metode atau model optimasi lain untuk menghitung bobot portofolio. Model pembentukan portofolio optimal seperti model Mean-Variance (MV) dan Mean Absolute Deviation (MAD) menggunakan asumsi bahwa preferensi investor didasarkan pada tingkat expected return dan risiko dari portofolio, tetapi cara memilih saham untuk model tersebut tidak didiversifikasi secara detail, sehingga dalam penelitian ini, dilakukan penggabungan metode pembentukan portofolio optimal antara model optimasi MV dan MAD dengan analisis pengelompokan (clustering) saham menggunakan metode K-Medoids Clustering dengan pendekatan ukuran jarak Dynamic Time Warping (DTW). Idealnya, dalam pembentukan portofolio optimal juga disertai dengan perhitungan estimasi risiko yang akan diperoleh investor. Alternatif pengestimasian risiko yang digunakan dalam penelitian ini adalah metode Expected Tail Loss (ETL) berdasarkan hasil Simulasi Monte Carlo. Variabel yang digunakan dalam penelitian ini adalah data saham yang konsisten terdaftar dalam Indeks SRI-KEHATI periode 1 Mei 2017 hingga 31 Desember 2022 dan tingkat suku bunga IndONIA sebagai aset bebas risiko (risk free rate). Berdasarkan analisis yang telah dilakukan, portofolio MAD merupakan portofolio yang lebih optimal dibandingkan portofolio MV dengan portofolio MAD yang tersusun atas lima saham yaitu saham BMRI dengan bobot sebesar 0,06243, saham UNTR sebesar 0,08658, saham BBRI sebesar 0,10285, saham BBCA sebesar 0,53623, dan saham KLBF sebesar 0,21191 menjadi portofolio optimal yang terbaik. Portofolio optimal model MAD memiliki tingkat pengembalian (return) sebesar 87,836% dalam kurun waktu Mei 2017 – Desember 2022 dengan kinerja portofolio sebesar 0,03704, sedangkan tingkat risiko yang dihasilkan berdasarkan Monte Carlo-Expected Tail Loss adalah sebesar 2,2416%
Analisis Strategi Pemasaran Transportasi Online Menggunakan Teori Permainan
No full textAdvances in information and communication technology that are growing rapidly also bring influence in the field of transportation. It can be seen with the emergence of online transportation applications that help people so that it can be easier to order fast and efficient transportation in reaching various places. Along with the many online transportation applications that appear, this makes competition between online transportation increase. For this reason, online transportation companies need the right and best strategy to reach consumer profits and interests. The purpose of this research is to analyze competitive strategies based on optimal online transportation marketing strategies. The solution that can be used for this problem is to use the Game Theory method. Game Theory method is an approach or technique used to analyze the situation of interaction between two or more people or entities that have conflicting interests in choosing the action to be performed. The results of the research obtained show competition between Gojek and Grab, Gojek\u27s optimal strategy is Security and Promo while Grab is Service and Promo. In the competition of Gojek and InDrive, Gojek\u27s optimal strategy is promo, while InDrive is price. In the Gojek and Maxim competition, the same optimal strategy is Promo. On the competition of Grab and InDrive, Grab\u27s optimal strategy is Security, while InDrive is price. In the competition of Grab and Maxim, Grab\u27s optimal strategy is Promo while Maxim is price. In InDrive and Maxim competition, InDrive\u27s optimal strategy is Price, while Maxim is Promo. So, from the research results, it is concluded that gojek has the most profitable marketing strategy if it uses promos, grab uses service and security, maxim uses promos, and indrive uses prices.Kemajuan teknologi informasi dan komunikasi yang semakin berkembang pesat juga membawa pengaruh di bidang transportasi. Hal ini dapat dilihat dengan munculnya aplikasi transportasi online yang membantu masyarakat agar dapat lebih mudah dalam memesan transportasi yang cepat dan efisien dalam menjangkau berbagai tempat. Seiring dengan banyaknya aplikasi transportasi online yang bermunculan, hal ini membuat persaingan antar transportasi online semakin meningkat. Untuk itu, perusahaan transportasi online membutuhkan strategi yang tepat dan terbaik untuk meraih keuntungan dan minat konsumen. Solusi yang dapat digunakan untuk permasalahan ini adalah dengan menggunakan metode Game Theory. Metode Game Theory merupakan suatu pendekatan atau teknik yang digunakan untuk menganalisis situasi interaksi antara dua orang atau lebih atau entitas yang memiliki kepentingan yang saling bertentangan dalam memilih tindakan yang akan dilakukan. Hasil penelitian yang diperoleh menunjukkan persaingan antara Gojek dan Grab, strategi optimal Gojek adalah Keamanan dan Promo sedangkan Grab adalah Pelayanan dan Promo. Pada persaingan Gojek dan InDrive, strategi optimal Gojek adalah promo, sedangkan InDrive adalah harga. Pada persaingan Gojek dan Maxim, strategi optimal yang sama adalah Promo. Pada persaingan Grab dan InDrive, strategi optimal Grab adalah Keamanan, sedangkan InDrive adalah harga. Pada persaingan Grab dan Maxim, strategi optimal Grab adalah Promo, sedangkan Maxim adalah harga. Pada persaingan InDrive dan Maxim, strategi optimal InDrive adalah Harga, sedangkan Maxim adalah Promo
Continuous weaving -frames in Hilbert -modules
No full textThe present paper aims to study --woven for Hilbert -module spaces, first, we give some definitions and fundamental properties which will be useful to introduce the notion. And also some of his properties are given. Finally, we discuss the perturbation for --woven
Prediksi persediaan air bersih dengan metode fuzzy time series cheng pada PDAM Tirta Silau Piasa
No full textThis research aims to determine predictions of clean water supply at PDAM Tirta Silau Piasa in 2023 using the Fuzzy Time Series Cheng method. This type of research is quantitative research using data sources, namely secondary data. This research data was taken from clean water supply data at PDAM Tirta Silau Piasa, namely data on the volume of clean water for the period January 2021 to May 2023. From the calculation results of the prediction analysis of clean water supply at PDAM Tirta Silau Piasa using the Fuzzy Time Series Cheng method, for the amount of water supply clean water in June 2023 is 443,620, with a total predicted clean water supply from 2021 to June 2023 of 12,031,703. With a MAPE value of 3%, if we look at the MAPE which is less than 10%, the results of predicting clean water supply using the Fuzzy Time Series Cheng method produce the best prediction value.
Penelitian ini bertujuan untuk mengetahui prediksi persediaan air bersih di PDAM Tirta Silau Piasa pada tahun 2023 dengan metode Fuzzy Time Series Cheng. Adapun jenis penelitian ini adalah penelitian kuantitatif dengan menggunakan sumber data yaitu data sekunder. Data penelitian ini diambil dari data penyediaan air bersih PDAM Tirta Silau Piasa yaitu data jumlah volume air bersih periode Januari 2021 hingga Mei 2023. Dari hasil perhitungan analisis prediksi persediaan air bersih pada PDAM Tirta Silau Piasa dengan metode Fuzzy Time Series Cheng, untuk jumlah persediaan air bersih pada bulan juni tahun 2023 adalah 443.620 , dengan jumlah keseluruhan prediksi persediaan air bersih dari tahun 2021 hingga bulan juni 2023 sebesar 12.031.703 . Dengan nilai MAPE 3%, jika dilihat dari MAPE yang kurang dari 10% bahwa hasil prediksi persediaan air bersih dengan metode Fuzzy Time Series Cheng menghasilkan nilai prediksi yang terbaik.
 
Model Regresi Weibull pada Data Waktu Rawat Inap Pasien COVID-19 di RSUD Abdul Wahab Sjahranie Samarinda
Get PDFThe Weibull regression model is a Weibull distribution that is directly influenced by covariates. The Weibull regression model discussed in this study was the Weibull survival and the Weibull hazard regression model. The Weibull regression model in this study was applied to the hospitalization time data of COVID-19 patients from May to September 2021 at the RSUD Abdul Wahab Sjahranie Samarinda. The event of the study is recovery of patient. This study aims to obtain Weibull survival and hazard regression model to the hospitalization time data of Covid-19 patients, to obtain the factors that affect the chance of not recovering (survive) and the recovery rate of Covid-19 patients, and also to interpret Weibull survival and hazard regression models based on the obtained model. In this study, the Maximum Likelihood Estimation (MLE) was used as the parameter estimation method. The closed form of the Maximum Likelihood (ML) estimator cannot be found analytically, and the approximation of ML estimator was found using Newton-Raphson iterative method. Based on the test results, the factors that influence the chance of not recovering and the recovery rate of COVID-19 patients were comorbidities history. The chance of not not recovering (survive) for patients who have a history of comorbidities is greater than the chance of not recovering (survive) for patients who have no history of comorbidities. The recovery rate for COVID-19 patients who have a history of comorbidities is 0,5358 times the recovery rate for patients without a history of comorbidities.Model regresi Weibull adalah distribusi Weibull yang dipengaruhi langsung oleh kovariat. Model regresi Weibull yang dibahas pada penelitian ini adalah model regresi survival Weibull dan model regresi hazard Weibull. Model regresi Weibull pada penelitian ini diaplikasikan pada data waktu rawat inap pasien COVID-19 di RSUD Abdul Wahab Sjahranie Samarinda periode Mei-September 2021. Event pada penelitian ini adalah kesembuhan pasien. Tujuan penelitian ini adalah memperoleh model regresi survival dan regresi hazard Weibull pada data waktu rawat inap pasien COVID-19, mengetahui faktor-faktor yang memengaruhi peluang tidak sembuh dan laju kesembuhan pasien COVID-19, serta menginterpretasikan model regresi survival dan model regresi hazard Weibull berdasarkan model yang diperoleh. Metode penaksiran parameter adalah Maximum Likelihood Estimation (MLE). Kesimpulan penelitian ini adalah penaksir eksak Maximum Likelihood (ML) tidak dapat ditemukan secara analitikal dan hampiran penaksir ML ditemukan menggunakan metode iteratif Newton-Raphson. Berdasarkan hasil pengujian hipotesis ditemukan bahwa faktor-faktor yang berpengaruh terhadap peluang tidak sembuh dan laju kesembuhan pasien COVID-19 adalah riwayat komorbiditas
Klasifikasi Kelayakan Penerima Bantuan Program Keluarga Harapan Di Desa Cinta Rakyat Menggunakan Metode Weighted Naive Bayes Dengan Laplace Smoothing
Get PDFThe Indonesian government sometimes faces difficulties in dealing with poverty problems. The Indonesian government utilizes a number of programs and stimulants to overcome the problem of poverty. The government\u27s PKH program offers conditional assistance to low-income families who have been designated as PKH recipient households. PKH provision is still below optimal standards, this may be because the data used is not updated frequently. To assist village officials in determining which residents are eligible to receive PKH assistance, this research tries to classify the eligibility of recipient residents in Cinta Rakyat Village. With the Weighted Naive Bayes method, classification calculations are not only based on probability distributions but also by adding weights to each attribute to the class. Assisted with Laplace Smoothing to avoid a probability value of 0. As a result, there are eight factors that determine a person\u27s eligibility to receive PKH assistance, including age, occupation, income, number of family members, number of dependent school children, quality of house, type of floor, and type of walls. As well as classification into eligible and non-eligible groups. And obtained test results using the Confusion Matrix with an accuracy value of 95.65%, error rate of 4.34%, sensitivity of 100% and specificity of 94.74%. To identify village communities who deserve PKH assistance, Cinta Rakyat Village administrators can use the findings of this research.
Pemerintah Indonesia terkadang menghadapi kesulitan dalam menangani permasalahan kemiskinan. Pemerintah Indonesia memanfaatkan sejumlah program dan stimulan untuk mengatasi masalah kemiskinan. Program PKH pemerintah menawarkan bantuan bersyarat kepada keluarga berpenghasilan rendah yang telah ditetapkan sebagai rumah tangga penerima PKH. Pemberian PKH masih di bawah standar optimal, hal ini mungkin disebabkan karena data yang digunakan tidak sering diperbarui. Untuk membantu aparat desa dalam menentukan warga mana yang layak menerima bantuan PKH, penelitian ini mencoba mengklasifikasikan kelayakan warga penerima di Desa Cinta Rakyat. Dengan metode Weighted Naive Bayes perhitungan klasifikasi tidak hanya berdasarkan distribusi probabilitas saja tetapi juga dengan penambahan bobot pada setiap atribut ke kelas. Dibantu dengan Laplace Smoothing untuk menghindari nilai probabilitas 0. Hasilnya, ada delapan faktor yang menentukan kelayakan seseorang untuk menerima bantuan PKH, antara lain usia, pekerjaan, pendapatan, jumlah anggota keluarga, jumlah tanggungan anak sekolah, kualitas rumah, jenis lantai, dan jenis dinding. serta klasifikasi ke dalam kelompok yang layak dan tidak layak. Dan memperoleh hasil pengujian dengan menggunakan Confusion Matrix dengan nilai akurasi sebesar 95,65%, laju eror 4,34%, sensitivitas 100% dan spesifisitas sebesar 94,74%. Untuk mengidentifikasi masyarakat desa yang layak mendapatkan bantuan PKH, pengurus Desa Cinta Rakyat dapat menggunakan temuan penelitian ini.
 
Comparison of Feedforward Neural Network and Classical Statistics Methods: Application in Finance
Get PDFThe flexibility and elevated accurateness of the statistical machine learning method makes this method widely applied in various fields. One of the statistical machine learning methods is the neural network, which can be used for data analysis. The great performance of the neural network method can be used in the field of finance. In this study, the neural network method was used to predict Non-Performing Loans (NPL) data and forecast credit receivables. In the NPL prediction, the banks used are State-Owned Banks, Regional Government Banks, and National Private Banks with a main capital of more than 6 trillion rupiahs in March 2021, i.e. 26 banks with the period of March 2018 until March 2021. In predicting NPL, a moving window scheme involves several different periods. In the forecast of the number of credit receivables, the data used is the number of financing receivables. The period from November 2012 to December 2020 is used as training data, while data for the period from January to June 2021 is used as testing data. The results of the analysis show that the neural network for NPL prediction and credit receivables forecasting shows better performance compared to classical methods such as multiple linear regression and ARIMA. A comparison of methods for banking NPLs prediction is based on the RMSE data testing values, while forecasting credit receivable is based on RMSE, MAE, and MAPE data testing values.Fleksibilitas dan akurasi yang tinggi dari metode statistical machine learning membuat metode ini banyak diaplikasikan pada berbagai bidang. Salah satu metode dalam machine learning adalah neural network, yang dapat digunakan untuk analisis data. Akurasi yang tinggi dari metode neural network juga dapat dimanfaatkan dalam bidang pengawasan lembaga keuangan. Pada penelitian ini, metode neural network akan digunakan untuk prediksi data Non-Performing Loans (NPL) dan peramalan piutang kredit. Pada prediksi NPL, perbankan yang digunakan adalah Bank Persero, Bank Pemerintah Daerah, dan Bank Swasta Nasional dengan modal inti lebih dari 6 triliun rupiah pada Maret 2021, yakni sebanyak 26 perbankan. Periode data yang digunakan adalah Maret 2018 hingga Maret 2021. Dalam memprediksi NPL, juga akan digunakan skema moving window, yakni memprediksi NPL pada periode yang berbeda. Pada analisis peramalan besarnya piutang kredit, data yang digunakan adalah jumlah piutang pembiayaan dengan periode November 2012 hingga Desember 2020 digunakan sebagai data training, sedangkan data periode Januari hingga Juni 2021 digunakan sebagai data testing. Hasil analisis menunjukkan bahwa metode neural network yang digunakan untuk prediksi NPL perbankan dan juga peramalan piutang kredit lembaga pembiayaan menunjukkan performa yang lebih baik dibandingkan dengan metode klasik seperti regresi linier berganda dan juga ARIMA. Perbandingan metode untuk prediksi NPL perbankan dilakukan berdasarkan nilai RMSE data testing, sedangkan pada peramalan piutang dilakukan berdasarkan nilai RMSE, MAE, dan MAPE data testing
Continuous --fusion frames in Hilbert -modules
Get PDFIn this paper, we introduce the concept of continuous -fusion frame and --fusion frame in Hilbert -modules. Furthermore, we investigate some properties of them and discuss the perturbation problem for continuous --fusion frames