Articles
<![CDATA[Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang ]]>
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Bambang Susanto]]>;
<![CDATA[Lilik Linawati]]>;
<![CDATA[Suryasatriya Trihandaru]]>;
<![CDATA[Yohanes Sardjono]]>
<![CDATA[ SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education ]]>
Publisher : <![CDATA[Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35706/sjme.v4i2.3515
<![CDATA[Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.]]>
<![CDATA[Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang ]]>
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Bambang Susanto]]>;
<![CDATA[Lilik Linawati]]>;
<![CDATA[Suryasatriya Trihandaru]]>;
<![CDATA[Yohanes Sardjono]]>
<![CDATA[ SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education ]]>
Publisher : <![CDATA[Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35706/sjme.v4i2.3515
<![CDATA[Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.]]>
<![CDATA[Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang ]]>
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Bambang Susanto]]>;
<![CDATA[Lilik Linawati]]>;
<![CDATA[Suryasatriya Trihandaru]]>;
<![CDATA[Yohanes Sardjono]]>
<![CDATA[ SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education ]]>
Publisher : <![CDATA[Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35706/sjme.v4i2.3515
<![CDATA[Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.]]>
<![CDATA[Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang ]]>
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Bambang Susanto]]>;
<![CDATA[Lilik Linawati]]>;
<![CDATA[Suryasatriya Trihandaru]]>;
<![CDATA[Yohanes Sardjono]]>
<![CDATA[ SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education ]]>
Publisher : <![CDATA[Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35706/sjme.v4i2.3515
<![CDATA[Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.]]>
<![CDATA[Pembelajaran Vektor Untuk Klasifikasi Data Pada Bidang ]]>
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Bambang Susanto]]>;
<![CDATA[Lilik Linawati]]>;
<![CDATA[Suryasatriya Trihandaru]]>;
<![CDATA[Yohanes Sardjono]]>
<![CDATA[ SJME (Supremum Journal of Mathematics Education) Vol 4 No 2 (2020): Supremum Journal of Mahematics Education ]]>
Publisher : <![CDATA[Fakultas Keguruan dan Ilmu Pendidikan Universitas Singaperbangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35706/sjme.v4i2.3515
<![CDATA[Tujuan penelitian ini adalah penyusunan hyperplane untukmemisahkan data yang mempunyai 2 kelas dan bersifat linear padabidang datar sebagai pembelajaran vektor untuk klasifikasi data.Adapun metode yang digunakan adalah pre-Support Vector Machine(SVM). Metode ini mencari garis (hyperplane) terbaik yangmemisahkan data dan memberi ruang antar 2 kelas data dimana ruangpemisah tersebut tidak boleh memuat data serta ruang tersebutmerupakan margin maksimal. Langkah awal adalah menduga garispemisah (hyperplane) awal melalui titik O. Dengan mengambil salahsatu titik data yang menjadi titik referensi, disusun vektor dari Oterhadap titik referensi dan garis melalui titik referensi sebagai bataspertama margin. Kemudian dibentuk vektor arah dari titik O yangtegak lulus terhadap garis awal (hyperplane). Selanjutnya vektorproyeksi dibentuk dari titik referensi terhadap vektor arah sehinggavektor arah dan vektor proyeksi berhimpit (searah). Penyusunanmargin diperoleh dengan menyusun garis yang pararel terhadap garisawal sebagai hyperplane serta berjarak 2 kali dengan panjang vektorproyeksi tersebut. Hyperplane terbaik diperoleh secara manual denganmengatur batas kedua dari margin yang diperoleh dengan menggambargaris melalui suatu titik data pada kelas ke-2 dengan jarak terdekat danpararel terhadap garis yang melalui titik referensi dari data kelas ke-1.]]>
<![CDATA[Susceptible Vaccine Infected Removed (SVIR) Model for COVID-19 Cases in Indonesia ]]>
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Suryasatriya Trihandaru]]>;
<![CDATA[Bernadus Aryo Adhi Wicaksono]]>;
<![CDATA[Denny Indrajaya]]>;
<![CDATA[Yohanes Sardjono]]>;
<![CDATA[Om Prakash Vyas]]>
<![CDATA[ Science and Technology Indonesia Vol. 7 No. 3 (2022): July ]]>
Publisher : <![CDATA[Research Center of Inorganic Materials and Coordination Complexes, FMIPA Universitas Sriwijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (2154.038 KB)
|
DOI: 10.26554/sti.2022.7.3.400-408
<![CDATA[Analysis of data on COVID-19 cases in Indonesia is shown by using the Susceptible Vaccine Infected Removed (SVIR) in this article. In the previous research, cases in the period March-May 2021 were studied, and the reproduction number was computed based on the Susceptible Infected Removed (SIR) model. The prediction did not agree with the real data. Therefore the objective of this article is to improve the model by adding the vaccine variable leading to the new model called the SVIR model as the novelty of this article. The used data are collected from COVID-19 cases of the Indonesian population published by the Indonesian government from March 2020-April 2022. However, the vaccinated persons with COVID-19 cases have been recorded since January 2022. Therefore the models rely on the period January 2021-March 2022, where the parameters in the SIR and SVIR models are determined in this period. The method used is discretizing the models into linear systems, and these systems are solved by Ordinary Least Square (OLS) for time-dependent parameters. It is assumed that the birth rate and death rate in the considered period are constant. Additionally, individuals who have recovered from COVID-19 will not be infected again, and vaccination is not necessarily twice. Furthermore, individuals who have been vaccinated will not be infected with the COVID-19 virus. The SVIR model has captured 3 waves of COVID-19 cases that are appropriate to the real situation in Indonesia from January 2021-March 2022. Additionally, the reproduction numbers as functions of time have been generated. The fluctuations of reproduction numbers agree with the real data. For further research, different regions such as districts in Java and other islands will also be analyzed as the implication of this research.]]>
<![CDATA[Study on COVID-19 in the World and Indonesia Using Regression Model of SVM, Bayesian Ridge and Gaussian ]]>
<![CDATA[Hanna Arini Parhusip]]>
<![CDATA[ JURNAL ILMIAH SAINS Volume 20 Nomor 2, Oktober 2020 ]]>
Publisher : <![CDATA[Sam Ratulangi University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (2123.21 KB)
|
DOI: 10.35799/jis.20.2.2020.28256
<![CDATA[In this article, research on data of total cases COVID-19 in the world and Indonesia is presented. The purposes of this research is to predict the number of cases COVID-19 mainly in Indonesia in the near future. The used methods are regression of Support Vector Machine (SVM) and Bayessian Ridge predicting 10 days forward in several countries where Bayessian Ridge gives better result. Similarly, both methods are employed to study the total cases COVID-19 in Indonesia. To include social distancing in the study, an exponential model is applied for initialization and then Gaussian is used to predict future total cases. Using Gaussian model, one has 2 scenarios of future predictions. The number of total cases on 24th April 2020 is 14675 and considerable not realistic. This is  updated i.e. the total number of cases in 24 April 2020 is 4242. Actually, the number of total positive cases COVID-19 on 24th April 2020 was 8211. Compared to the prediction with the real data, the approach of this research should be improved to give better prediction.Keywords:  Bayesian Ridge; COVID-19; Gaussian; Social distancing; SVM (Support Vector Machine)Menelusuri COVID-19 di Dunia dan di Indonesia dengan Model Regresi SVM, Bayesian dan GaussianABSTRAKPada artikel ini ditunjukkan penelusuran data total kasus COVID-19 di dunia dan di Indonesia. Penelitian ini bertujuan memprediksi banyaknya kasus COVID-19 terutama di Indonesia pada waktu tertentu mendatang. Metode yang digunakan adalah metode SVM (Support Vector Machine) dan regresi Bayesian Ridge dimana kedua metode berhasil memprediksi untuk total kasus COVID-19 di beberapa negara di dunia dan hasil Bayesian Ridge lebih baik. Untuk itulah kedua metode ini digunakan untuk menelusuri data total kasus COVID-19 di Indonesia. Akan tetapi pengaruh social distancing belum ditunjukkan sehingga digunakan model eksponensial dan Gaussian. Model eksponensial digunakan sebagai nilai awal untuk prediksi pada model Gaussian. Pada model Gaussian diperoleh prediksi dalam bentuk 2 skenario yaitu skenario terburuk dan skenario realistis. Skenario terburuk memberikan total kasus pada 24 April 2020 sebanyak 14675. Hal ini tidak realistis karena data terakhir pada 31 Maret 2020 sebesar 1677. Oleh karena itu diusulkan skenario realistis dimana total kasus puncak berlaku pada 24 April 2020 dengan total kasus 4242. Akan tetapi ternyata data total kasus positif COVID-19 pada 24 April 2020 sebanyak 8211. Dengan memperhatikan hasil prediksi dan yang diperoleh dari data, pendekatan yang sudah dilakukan masih memerlukan perbaikan.Kata Kunci:  Bayesian Ridge; COVID-19; Gaussian; Social distancing; SVM (Support Vector Machine)]]>
<![CDATA[Realized Volatility Forecasting for AI-Mining Sensor Data Using the Multi Layer Perceptron Method ]]>
<![CDATA[Obed Christian Dimitrio]]>;
<![CDATA[Didit Budi Nugroho]]>;
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Atyanta Nika Rukmasari]]>
<![CDATA[ Journal of Science and Science Education Vol 5 No 2 (2021): JoSSE Vol. 5 No. 2 (November 2021) ]]>
Publisher : <![CDATA[Faculty of Science and Mathematics, Universitas Kristen Satya Wacana ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24246/josse.v5i2p36 - 43
<![CDATA[This study aims to predict the Realized Volatility (RV) value from AI-Mining sensor data for the period 23 May to 6 June 2022 by using the Multi Layer Preceptron (MLP) method. MLP is the simplest method of artificial neural network. Based on the results obtained after doing MLP with the Python language on Google Colab, the predicted RV value for each data shows a movement in value that is almost similar to the original RV value. The Root Mean Squares Error (RMSE) value for each data prediction is relatively small, which indicates that the MLP method provide accurate prediction on the use of the AI-Mining sensor data to forecast RV.]]>
<![CDATA[Campus Entrepreneurship Service with Batik and Mathematical Ornaments ]]>
<![CDATA[Hanna Arini Parhusip]]>;
<![CDATA[Hindriyanto Dwi Purnomo]]>;
<![CDATA[Didit Budi Nugroho]]>;
<![CDATA[Istiarsih Saputri Sri Kawuryan]]>
<![CDATA[ KAIBON ABHINAYA : JURNAL PENGABDIAN MASYARAKAT Vol. 5 No. 2 (2023) ]]>
Publisher : <![CDATA[Universitas Serang Raya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30656/ka.v5i2.5589
<![CDATA[The popularization of mathematics and the downstream of research in entrepreneurship is still very rare in universities. Therefore, the purpose of community service is to create campus entrepreneurial activities that popularize mathematics as research downstream. The used method is by preparing object-identifying designs and making products that contain and use these designs in the form of various items known to the public such as batik, accessories, souvenirs, and ornaments. Activities for socialization are carried out by participating in various exhibitions, and competitions and providing training to school students. Likewise, social media such as Instagram, YouTube, and Shopee are also marketing media. In 2022, partnerships with several restaurants and shops were used to expand marketing. In the last 3 years, significant results have been obtained in popularizing mathematics due to community service activities in the form of campus entrepreneurship in the Campus Intellectual Product Business Development Program scheme from the Indonesian government. The public can easily find products called Batik Innovation Mathematics (Batima) and Ornament Decorative of Mathematics (Odema) in the campus area, social media, Malioboro Mall Jogjakarta, and several restaurants in Salatiga.]]>
<![CDATA[Evaluating the Fitting Performance of AGARCH(1,1), NAGARCH(1,1), and VGARCH(1,1) Models ]]>
<![CDATA[Didit Budi Nugroho]]>;
<![CDATA[Veny M Ningtyas]]>;
<![CDATA[Hanna A Parhusip]]>
<![CDATA[ (IJCSAM) International Journal of Computing Science and Applied Mathematics Vol 9, No 2 (2023) ]]>
Publisher : <![CDATA[Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j24775401.v9i2.15921
<![CDATA[This study compares the performance of the GARCH(1,1), AGARCH(1,1), NAGARCH(1,1), and VGARCH(1,1) models fitted to real data. The observed real data are the USD exchange rate against IDR in the daily period from January 2010 to December 2017. To identify the superiority and evaluate the performance of those models in capturing the heavy-tailed and skewed character in exchange rate distribution, the return error is assumed to be the Normal, Skew Normal (SN), Skew Curved Normal (SCN), and Student-t distributions. The model's parameters are estimated using the GRG Non-Linear method in Excel Solver and the ARWM method in the MCMC scheme implemented in the Scilab program. Estimation results using Excel's Solver have similar values to the estimates obtained using MCMC, concluding that Excel's Solver has a good ability in estimating the model's parameters. Based on AIC values, this study concludes that the NAGARCH(1,1) model under Student-t distribution performs the best.]]>
