Article Per Year (5 Year)
p-Index From 2020 - 2025
2.096
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Dasar AKSIOMA: Jurnal Program Studi Pendidikan Matematika Jurnal Sains Matematika dan Statistika Jurnal Aplikasi Statistika & Komputasi Statistik INSIST (International Series on Interdisciplinary Research) Buguh: Jurnal Pengabdian Kepada Masyarakat Jurnal Siger Matematika
Khoirin Nisa
Department Of Mathematics, Faculty Of Mathematics And Natural Sciences, University Of Lampung
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Environmental Science Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Model EGARCH dan TGARCH untuk Mengukur Volatilitas Asimetris Return Saham Sofalina Nodra Brilliantya; Khoirin Nisa; Subian Saidi; Eri Setiawan
Jurnal Siger Matematika Vol 3, No 2 (2022): Jurnal Siger Matematika
Publisher : FMIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jsm.v3i2.3111

Abstract

Model Generalized Autoregressive Conditional Heterocedasticity (GARCH) merupakan salah satu pemodelan data deret waktu yang digunakan untuk mengukur data yang memiliki varians residual yang tidak konstan atau bersifat heteroskedastisitas.  Heteroskedastisitas terjadi karena data deret waktu memiliki volatilitas yang tinggi.  Model Exponential GARCH (EGARCH) dan Threshold GARCH (TGARCH) adalah model-model GARCH yang dapat mengatasi efek asimetris pada volatilitas.  Data yang digunakan pada penelitian ini adalah data return saham harian PT KB Bukopin Tbk (BBKP).  Penelitan ini bertujuan untuk menerapkan model EGARCH dan TGARCH serta mendapatkan  model terbaik dalam mengukur volatilitas asimetris data return saham harian.  Pemilihan model terbaik didasarkan pada nilai Akaike Information Criterion (AIC) terkecil.  Hasil analisis menunjukan bahwa model EGARCH (2,1) adalah model terbaik untuk mengukur dan meramalkan volatilitas asimetris return saham yang digunakan.
IMPLEMENTATION OF DECISION TREE AND SUPPORT VECTOR MACHINE ON RAISIN SEED CLASSIFICATION Wardhani Utami Dewi; Khoirin Nisa; Mustofa Usman
AKSIOMA: Jurnal Program Studi Pendidikan Matematika Vol 12, No 1 (2023)
Publisher : UNIVERSITAS MUHAMMADIYAH METRO

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (402.668 KB) | DOI: 10.24127/ajpm.v12i1.6873

Abstract

In everyday life there are many complex and global problems, especially in terms of decision making. Machine learning (ML) which is built from the concepts of computer science statistics and mathematics can automatically solve problems without guidance from ordinary users. Decision tree (DT) and support vector machine (SVM) are two supervised learning methods among several classification algorithms in ML. Both algorithms are the most popular classification techniques due to their ability to change a complex decision-making process into a simple process. In this study, the accuracy of the DT and SVM algorithms is studied on classifying raisin seeds into the Besni class and the Kecimen class based on existing features. The raisin data are divided into training and testing data, and the evaluation of the two methods is done using the testing data. The results of the evaluation are compared based on the accuracy, sensitivity, specificity, and kappa levels of the DT and SVM algorithms. The results on classifying raisin seeds data show that the SVM algorithm is superior to DT, therefor the number of positive observations is more precise in the prediction.
Penerapan Adaptive Neuro Fuzzy Inference System (ANFIS) Menggunakan Fungsi Keanggotaan Generalized Bell Untuk Peramalan Data Time Series Rachma Adji Ramadanti; Nusyirwan Nusyirwan; Pandri Ferdias; Khoirin Nisa
Jurnal Sains Matematika dan Statistika Vol 9, No 2 (2023): JSMS Juli 2023
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/jsms.v9i2.20789

Abstract

Analisis deret waktu merupakan teknik analisis dalam statistika yang menggunakan data observasi dari beberapa periode secara beruntun dalam interval waktu yang tetap.  Dalam analisis ini, model dibangun dan diidentifikasi dari pola data peristiwa dari masa lalu.  ANFIS merupakan salah satu metode yang dapat digunakan untuk melakukan peramalan data time series, ANFIS sendiri merupakan salah satu jenis neural network yang berbasis pada sistem inferensi fuzzy Takagi Sugeno.  Tujuan dari penelitian ini adalah menerapkan ANFIS untuk meramalkan data time series menggunakan fungsi keanggotaan generalized bell.  Selanjutnya menduga model ANFIS dan memperoleh tingkat akurasi dari model peramalan Indeks Harga Konsumen (IHK) dengan metode ANFIS.  Variabel prediktor yang digunakan adalah inflasi dan uang beredar, untuk variabel respon yang digunakan adalah IHK.  Model terbaik dipilih berdasarkan pada nilai RMSE.  Hasil analisis menunjukan bahwa penggunaan metode ANFIS sudah baik untuk peramalan data karena hasil prediksi sudah cukup mendekati data aktual dan RMSE model ANFIS dengan 2-cluster memberikan tingkat keakuratan yang baik untuk meramalkan IHK dengan nilai RMSE sebesar 5,29907. Kata Kunci:  data time series, ANFIS, indeks harga konsumen, peramalan
Kinerja Naive Nayes Classifier Pada Penyaringan Short Message Service (SMS) Spam Putri Apricia; Khoirin Nisa; Netti Herawati; Muslim Ansori
Jurnal Siger Matematika Vol 4, No 2 (2023): Jurnal Siger Matematika
Publisher : FMIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jsm.v4i2.12541

Abstract

Currently short messages or known as SMS (short message service) is one of the communication media that is often used by some irresponsible people to commit criminal acts of fraud. This type of SMS that is abused is called spam. To overcome this problem, SMS operators need to filter the type of incoming SMS to clients using a classification algorithm. One of the classification methods that can be used is the Naïve Bayes method. The Naïve Bayes method is a classification method in machine learning that involves the concept of probability. This method is a simple Bayes algorithm model and it can be used to classify text or document data. In this paper the Naïve Bayes method is applied for SMS data classification analysis. This method is used to classify the type of SMS whether it is "spam" or not spam (called "ham"). Based on the results of the analysis by trying several proportions of the distribution of training data and testing data, the best accuracy results were obtained at 97% using a training-testing data ratio of 60: 40.
Co-Authors Agus Sutrisno Ahmad Faisol Dorrah Azis Eri Setiawan Eri Setiawan Eri Setiawan Hilda Venelia Mona Arif Muda Muslim Ansori Mustofa Usman Naflah Faulina Netti Herawati Netti Herawati Netti Herawati Netti Herawati Netti Herawati Netti Herawati Netti Herawati Nusyirwan Nusyirwan Nusyirwan Nusyirwan Pandri Ferdias Putri Apricia Rachma Adji Ramadanti Rizki Agung Wibowo Saidi, Subian Shabrina Novaindah Dwiyamti Siska Diah Ayu Larasati Sofalina Nodra Brilliantya Tiryono Ruby Wardhani Utami Dewi