Articles
<![CDATA[PREDIKSI HARGA EMAS MENGGUNAKAN FUZZY TIME SERIES LEE ]]>
<![CDATA[Devi Eka Putri]]>;
<![CDATA[Naomi Nessyana Debataraja]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 2 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v12i2.65272
<![CDATA[Emas ialah suatu investasi dimasa depan yang dapat membawa keuntungan. Keuntungan berinvestasi emas salah satunya ialah harganya yang tidak terpengaruh oleh inflasi. Walaupun harga emas cenderung normal, tetap ada risiko dalam berinvestasi emas. Oleh karena itu, diperlukan suatu model peramalan yang dapat digunakan untuk membuat keputusan dalam menentukan prediksi harga emas dimasa yang akan datang. Metode peramalan yang tepat ialah metode fuzzy time series Lee. Metode fuzzy time series Lee ialah bentuk suatu gabungan antara peramalan time series dan konsep logika fuzzy yang digunakan dalam menyelesaikan peramalan. Penelitian ini menjelaskan tentang prediksi harga emas yang diambil dari web London Bullion Market Association (LBMA) dari tangal 4 Januari 2021 – 31 Maret 2021. Tahapan pertama pada penelitian ini yang digunakan ialah melakukan analisis statistik deskriptif, kemudian membentuk himpunan semesta pembicara U. Setelah itu, membentuk panjang interval menggunakan average based, berikutnya pembentukan himpunan fuzzy dengan fungsi keanggotan, kemudian pembentukan fuzzifikasi data, Fuzzy Logical Relationship (FLR), Fuzzy Logical Relationship Group (FLRG), defuzzifikasi dan hasil pramalan. Langkah terakhir yaitu perhitungan ukuran ketetapan peramalan. Hasil pada penelitian ini diperoleh prediksi harga emas untuk 1 April 2021 sebesar USD 1.694 dan memiliki tingkat kesalahan residual berdasarkan nilai MAPE dengan hasil 0,387% yang termasuk dalam kriteria sangat bagus dalam meramalkan harga emas. Kata Kunci: Mean Absolute Percentage Erorr, Emas, Fuzzy time series Lee.]]>
<![CDATA[ESTIMASI INDEKS HARGA SAHAM GABUNGAN DENGAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY BERDISTRIBUSI STUDENT-T ]]>
<![CDATA[Julianti Kastari]]>;
<![CDATA[Shantika Martha]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 2 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v12i2.65281
<![CDATA[Indeks Harga Saham Gabungan adalah nilai untuk mengukur gabungan seluruh saham yang ada di Bursa Efek Indonesia (BEI). Data keuangan seperti data indeks saham pada umumnya memiliki volatilitas yang tinggi dan varian error yang tidak konstan (heteroskedastisitas). Volatilitas yang tinggi menyebabkan sulit untuk dilakukan estimasi pada data indeks harga saham. Estimasi indeks harga saham penting dilakukan agar investor dapat menaksir keuntungan yang didapat nantinya. Salah satu model yang dapat mengestimasi indeks harga saham yang mempunyai volatilitas tinggi dan varian error yang tidak stabil yaitu Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Pada model GARCH yang berdistribusi normal tidak dapat mengakomodasi adanya sifat leptokurtic. Sifat leptokurtic ditandai dengan nilai kurtosis yang melebihi 3. Model yang dapat mengakomodasi adanya sifat leptokurtic adalah GARCH berdistribusi Student-t. Tujuan dari penelitian ini adalah mengestimasi nilai IHSG dengan model GARCH berdistribusi Student-t. Data yang digunakan yaitu data harian penutupan IHSG periode 2 Januari 2020 hingga 30 Desember 2020. Penelitian ini diawali dengan memilih model ARMA terbaik untuk data return. Selanjutnya, dilakukan uji heteroskedastisitas pada residual model ARMA. Jika terdapat heteroskedastisitas, maka pendugaan model menggunakan model GARCH. Sebelum dimodelkan kedalam model GARCH, residual diperiksa untuk melihat sifat leptokurtic. Jika terdapat leptokurtic, maka dilanjutkan dengan pendugaan model GARCH berdistribusi Student-t. Setelah didapat model GARCH berdistribusi Student-t, kemudian mengestimasi nilai IHSG. Berdasarkan analisis yang telah dilakukan, model terbaik untuk mengestimasi IHSG adalah GARCH (2,3) berdistribusi Student-t. Data hasil estimasi IHSG menunjukkan pergerakan yang mendekati data aktual. Nilai MAPE yang diperoleh pada penelitian ini sebesar 2,00%. Hal ini bermakna model GARCH (2,3) berdistribusi Student-t dapat digunakan untuk mengestimasi nilai IHSG.Kata Kunci: IHSG, leptokurtic, GARCH Student-t]]>
<![CDATA[ANALISIS REGRESI DENGAN METODE LEAST ABSOLUTE SHRINKAGE AND SELECTION OPERATOR (LASSO) DALAM MENGATASI MULTIKOLINEARITAS ]]>
<![CDATA[Imi Sartika]]>;
<![CDATA[Naomi Nessyana Debataraja]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (466.749 KB)
|
DOI: 10.26418/bbimst.v9i1.38029
<![CDATA[Multikolinearitas merupakan salah satu uji asumsi klasik pada analisis regresi. Terjadinya multikolinearitas berarti antara variabel prediktor yang satu dengan yang lainnya saling berkorelasi. Apabila data penelitian mengandung multikolinearitas akan menimbulkan masalah, yaitu dapat mengakibatkan koefisien regresi yang dihasilkan tidak efisien. Salah satu solusi untuk mengatasi masalah tersebut dapat menggunakan metode least absolute shrinkage and selection operator (LASSO). Metode ini menyusutkan koefisien regresi dari variabel prediktor yang memiliki korelasi tinggi menjadi tepat pada nol atau mendekati nol. Koefisien LASSO dicari dengan menggunakan pemrograman kuadratik sehingga digunakan algoritma least absolute and regression (LARS) yang lebih efisien dalam komputasi LASSO. Data penelitian yang digunakan ialah banyaknya kasus pneumonia pada pada balita di 34 puskesmas di Kota Pontianak dan Kabupaten Mempawah. Pada data tersebut terdapat dua variabel prediktor yang mengalami masalah multikolinearitas, yaitu pemberian imunisasi DPT-Hb3-Hib3 (X2) dan pemberian imunisasi campak (X3), sehingga masalah tersebut akan diatasi menggunakan metode LASSO. Berdasarkan analisis yang telah dilakukan, diperoleh model regresi terbaik menggunakan LASSO pada tahap ketiga saat nilai Cp= 2,62. Hasil analisis tersebut menunjukkan bahwa adanya perubahan koefisien regresi yang mendekati nol dan tepat nol, yaitu pada variabel X2 dari 0,285 menjadi 0,192 dan X3 dari -0,024 menjadi 0. Hal ini menunjukkan bahwa multikolinearitas yang terdeteksi telah teratasi. Kata Kunci : multikolinearitas, LASSO, LARS, pneumonia.]]>
<![CDATA[BAGAN KENDALI NONPARAMETRIK DENGAN ESTIMASI FUNGSI KEPEKATAN KERNEL (Studi Kasus: Indeks Prestasi Mahasiswa Jurusan Matematika Angkatan 2014-2016 FMIPA Untan pada Semester Genap 2016/2017) ]]>
<![CDATA[Sani Sani]]>;
<![CDATA[Setyo Wira Rizki]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v8i1.30862
<![CDATA[Indeks Prestasi (IP) merupakan salah satu tolok ukur prestasi belajar pada proses perkuliahan. Demi menjaga konsistensi dan kestabilan IP agar tetap baik, maka perlu dilakukan pengendalian kualitas. Pengendalian kualitas dapat dilakukan dengan bagan kendali. Bagan kendali yang digunakan adalah bagan kendali nonparametrik dengan pendekatan Kernel. Langkah yang dilakukan adalah menentukan fungsi Kernel yang digunakan. Setelah itu mengestimasi fungsi kepekatan dengan masing-masing fungsi Kernel tersebut. Berdasarkan fungsi estimasi kepekatan Kernel, selanjutnya dicari nilai bandwidth yang optimal dan ditentukan nilai-nilai batas kendali. Batas-batas kendali yang diperoleh digunakan untuk membentuk bagan kendali. Data yang digunakan adalah data IP mahasiswa Jurusan Matematika FMIPA Untan angkatan 2014-2016 semester genap 2016/2017. Hasil penelitian menunjukkan bahwa estimasi fungsi kepekatan Kernel Triangular adalah fungsi yang paling baik jika dibandingkan dengan fungsi Kernel Epanechnikov, Biweight, dan Gaussian pada kasus ini.Kata kunci: Bagan kendali, Kepekatan Kernel, Nonparametrik]]>
<![CDATA[PERAMALAN HARGA EMAS BATANGAN MENGGUNAKAN METODE GREY DOUBLE EXPONENTIAL SMOOTHING ]]>
<![CDATA[Ika Novira Zulianti]]>;
<![CDATA[Shantika Martha]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 4 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v9i4.42280
<![CDATA[Grey Double Exponential Smoothing (GDES) merupakan gabungan dari metode grey dan double exponential smoothing yang digunakan untuk melakukan peramalan data deret waktu yang berpola trend dengan keacakan, ketidakteraturan dan keterbatasan informasi data yang ada. Grey accumulated generating operator (r-AGO) yang dapat memuluskan gangguan acak data dimasukkan ke dalam metode double exponential smoothing sehingga kecenderungan pola data dapat dilihat dengan jelas. Hasil peramalan metode GDES diperoleh dengan cara mentransformasikan balik data transformasi r-AGO menggunakan inverse accumulated generating operator (IAGO). Penelitian ini bertujuan meramalkan harga emas batangan pada bulan Januari sampai Juni tahun 2020 menggunakan metode GDES serta mengukur kesalahan peramalan yang dihasilkan metode tersebut. Keakuratan hasil peramalan yang digunakan adalah mean absolute precentage error (MAPE). Dataset yang digunakan pada penelitian ini adalah rata-rata harga emas batangan per gram dari bulan Januari 2016 sampai Desember 2019. Hasil peramalan harga emas yang diperoleh menggunakan metode GDES menunjukkan trend naik setiap bulannya dengan hasil peramalan terendah adalah Rp.755.340,39 pada bulan Januari 2020 dan hasil peramalan tertinggi adalah Rp.763.833,70 pada bulan Juni 2020. Nilai MAPE yang dihasilkan sebesar 1,53% yang berarti bahwa peramalan GDES untuk harga emas batangan termasuk dalam kategori peramalan yang sangat baik. Kata Kunci : peramalan, exponential smoothing, grey, r-AGO, IAGO, MAPE]]>
<![CDATA[PENERAPAN ANALISIS KOMPONEN UTAMA UNTUK MEREDUKSI VARIABEL DALAM PENGUKURAN DESAIN HELM ]]>
<![CDATA[Sri Jumiati]]>;
<![CDATA[Shantika Martha]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v7i3.26554
<![CDATA[Analisis Komponen Utama (AKU) adalah salah satu metode yang dapat digunakan untuk mereduksi ukuran variabel dari yang berukuran besar dan saling berkorelasi menjadi ukuran yang lebih kecil dan tidak saling berkorelasi. Pada penelitian ini dilakukan analisis komponen utama pada data desain pembuatan helm american football. Berdasarkan analisis yang dilakukan, dapat disimpulkan bahwa komponen utama pertama memberikan kontribusi sebesar 47,81%, sebagai rata-rata tertimbang dari ke lima variabel. Komponen utama kedua memberikan kontribusi sebesar 23,47%, membentuk bobot negatif terhadap variabel dan bobot positif terhadap variabel dan sebagai perbandingan. komponen utama kedua membandingkan ukuran dari mata ke kepala bagian belakang ( dengan ukuran dari mata ke kepala bagian atas dan ukuran dari telinga ke kepala bagian atas . Dua komponen utama yang terbentuk dapat menjelaskan proporsi kumulatif sebesar 71,28%. Kata kunci: analisis komponen utama, matriks korelasi]]>
<![CDATA[PERAMALAN VOLATILITAS SAHAM MENGGUNAKAN MODEL THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY ]]>
<![CDATA[Ervina Ervina]]>;
<![CDATA[Dadan Kusnandar]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (599.462 KB)
|
DOI: 10.26418/bbimst.v9i1.38588
<![CDATA[Model Threshold Generalized Autoregressive Conditional Heteroscedasticity (TGARCH) merupakan model yang digunakan untuk memodelkan volatilitas yang memiliki efek asimetris. Tujuan penelitian ini adalah memodelkan dan meramalkan volatilitas IHSG menggunakan model TGARCH untuk sepuluh periode ke depan. Data yang digunakan adalah data return IHSG penutupan mingguan dari tanggal 8 Februari 2009 sampai dengan 10 Februari 2019. Penelitian ini diawali dengan pembentukan model Box Jenkins. Residual model Box Jenkins terbaik digunakan untuk mendeteksi heteroskedastisitas menggunakan uji ARCH-LM. Data residual yang memiliki heteroskedastisitas dimodelkan ke dalam model GARCH. Residual model GARCH dan residual model Box Jenkins digunakan untuk memeriksa pengaruh asimetris, yaitu dengan melakukan korelasi silang pada kedua residual model tersebut. Berdasarkan hasil korelasi silang yang dilakukan didapatkan adanya pengaruh asimetris terhadap volatilitas, sehingga digunakan model TGARCH untuk mengatasinya. Model TGARCH terbaik dalam penelitian ini adalah TGARCH(1,1) berdasarkan nilai Akaike Information Criterion (AIC) dan Schwarz Criterion (SC) terkecil. Model TGARCH(1,1) digunakan untuk meramalkan volatilitas IHSG. Hasil peramalan volatilitas yang diperoleh untuk sepuluh periode ke depan mengalami peningkatan sebesar 0,000015 sampai dengan 0,000029.Kata Kunci: Asimetris, GARCH, TGARCH]]>
<![CDATA[PENGENDALIAN KUALITAS DENGAN DIAGRAM KENDALI X ? VARIABLE SAMPLE SIZE AND SAMPLING INTERVAL ]]>
<![CDATA[Trinita Ariningsih]]>;
<![CDATA[Setyo Wira Rizki]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 3 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (313.211 KB)
|
DOI: 10.26418/bbimst.v9i3.41262
<![CDATA[Diagram kendali ܺത VSSI (Variable Sample Size and Sampling Interval) adalah suatu diagram kendali variabel yang memiliki kelebihan mendeteksi lebih awal adanya kesalahan atau kegagalan yang telah terjadi pada suatu proses. Tujuan penelitian ini menganalisis pengendalian kualitas dengan diagram kendali ܺത VSSI terhadap kualitas hasil uji kekuatan tekanan pada proses injection molding (dalam satuan psi). Data tersebut diperoleh dari buku Introduction to Statistical Quality Control, Douglas C. Montgomery edisi ke-6 tahun 2009. Data yang digunakan terdiri dari 100 sampel yang didapatkan dari 20 waktu pengamatan dan 5 pengambilan setiap waktu pengamatan. Hasil penelitian menunjukkan bahwa pada diagram kendali ܺത VSSI lebih sensitif, yang dimana sebelumnya pada hasil diagram kendali ܺത dan R menunjukkan terjadi out of control masing-masing pada waktu pengamatan ke-6 dan ke-9. Sedangkan pada diagram kendali ܺത VSSI menunjukkan lebih awal sinyal-sinyal out of control pada waktu pengamatan ke-2. Dari analisis ini dapat disimpulkan bahwa diagram kendali ܺത VSSI lebih sensitif dalam mendeteksi keadaan awal terjadinya out of control terhadap data uji kekuatan tekanan pada proses injection molding, sehingga hal ini bisa mencegah terjadinya kerusakan pada proses produksi injection molding berikutnya. Kata Kunci: Injection, Molding, Diagram Kendali, VSSI]]>
<![CDATA[PENENTUAN PORTOFOLIO SAHAM OPTIMAL MENGGUNAKAN ALGORITMA GENETIKA ]]>
<![CDATA[Eka Lestari]]>;
<![CDATA[Evy Sulistianingsih]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 2 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (135.774 KB)
|
DOI: 10.26418/bbimst.v8i2.31534
<![CDATA[Investor akan dihadapkan oleh keuntungan dan risiko dalam melakukan investasi. Untuk mengurangi risiko tersebut, investor dapat melakukan diversifikasi yaitu mengalokasikan dana ke beberapa saham sehingga terbentuk portofolio saham. Algoritma Genetika merupakan teknik yang diadopsi dari proses evolusi alam yang digunakan untuk melakukan pencarian penyelesaian optimal atas sejumlah penyelesaian masalah yang mungkin. Penelitian ini, mengimplementasikan Algoritma Genetika untuk memperoleh portofolio saham yang dapat memberikan keuntungan yang maksimal dan risiko tertentu. Parameter yang digunakan dalam Algoritma Genetika yaitu ukuran populasi (pop size) sebanyak 50 kromosom, probabilitas crossover 60% dan probabilitas mutasi sebesar 10%. Data yang digunakan adalah data penutupan harga saham bulanan indeks LQ 45 periode Januari 2010 sampai Juni 2018. Berdasarkan hasil analisis, Algoritma Genetika lebih optimal dibandingkan dengan perhitungan manual menggunakan Single Index Model dalam menentukan portofolio saham karena keuntungan yang diperoleh lebih besar dan risiko lebih kecil. Fitness terbesar dari tiga generasi diperoleh sebesar 0,1122 dengan keuntungan 0,0081 dan risiko 0,0719. Sedangkan keuntungan dan risiko berdasarkan perhitungan manual menggunakan Single Index Model diperoleh yaitu 0,0075 dan 0,0746.Kata Kunci: Algoritma Genetika, Offspring, Crossover, Mutasi, Single Index Model]]>
<![CDATA[ANALISIS PENGENDALIAN KUALITAS PRODUKSI CRUMB RUBBER DENGAN METODE STATISTICAL PROCESS CONTROL ]]>
<![CDATA[Robiansyah Robiansyah]]>;
<![CDATA[Dadan Kusnandar]]>;
<![CDATA[Nurfitri Imro’ah]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (217.877 KB)
|
DOI: 10.26418/bbimst.v7i2.24817
<![CDATA[Statistical Process Control (SPC) merupakan teknik penyelesaian masalah yang digunakan untuk menganalisis data produksi dalam rangka mengendalikan dan memperbaiki kualitas suatu produk. Dalam penelitian ini SPC diterapkan pada perusahaan karet yang memproduksi olahan karet menjadi barang setengah jadi yaitu crumb rubber. Meskipun proses produksi dilaksanakan dengan baik, kualitas crumb rubber yang dihasilkan masih banyak yang tidak sesuai dengan yang diharapkan karena banyak produk yang cacat. Penelitian ini bertujuan untuk menganalisis data produksi crumb rubber dengan SPC dan menganalisis faktor-faktor penyebab yang mempengaruhi cacat produk crumb rubber. Hasil pengamatan terhadap diagram kendali u untuk cacat jenis white spot menunjukkan adanya dua titik berada di luar batas kendali. Hal ini berarti proses produksi yang terjadi pada produksi crumb rubber yang diakibatkan cacat white spot dalam keadaan tidak terkendali dan perlu dilakukan tindakan perbaikan. Pengamatan terhadap cacat jenis logam, kontaminasi dan low PO menunjukkan bahwa variabel kecacatan tersebut secara keseluruhan berada di dalam batas kendali, yang artinya cacat tersebut dapat dikendalikan pada proses produksi crumb rubber. Faktor-faktor penyebab cacat produk crumb rubber yaitu faktor manusia, faktor bahan baku, faktor mesin, faktor metode dan faktor lingkungan.Kata Kunci: SPC, crumb rubber, diagram kendali u, pengendalian kualitas]]>
