Altien Rindengan
Unknown Affiliation

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

Identifikasi Tingkat Kesehatan Karang Berdasarkan Coral Health Chart Menggunakan Pengolahan Citra Digital Dan Metode Kuadrat Terkecil Arista Mandagi; Luther Latumakulita; Altien Rindengan
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 4 No. 1 (2015): Maret 2015
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.4.1.2015.7590

Abstract

Terumbu karang bermanfaat bagi kelangsungan hidup makhluk bawah air. Namun saat ini terancam keberadaannya, salah satu penyebab adalah peningkatan suhu Bumi sehingga banyak terumbu karang mengalami kerusakan ditandai dengan pemutihan warna karang. Pengamatan kesehatan karang dapat dilakukan dengan tabel kesehatan karang (Coral Health Chart). Penelitian ini dimulai dengan menghitung nilai rata-rata RGB (red, green, blue) dengan pengolahan citra digital terhadap Coral Health Chart, dan menerapkan metode kuadrat terkecil untuk memperoleh perumusan dalam rangka penentuan tingkat kesehatan dari terumbu karang menggunakan bantuan komputer. Langkah selanjutnya hitung nilai rata-rata RGB dari beberapa gambar karang dengan pengolahan citra digital, kemudian diterapkan pada perumusan yang telah diperoleh sebelumnya. Penelitian dilakukan pada 8 contoh gambar karang, hasilnya menunjukan tingkat kesehatan karang dan persentase tingkat kesehatan dari masing-masing karang yaitu untuk karang dengan simbol j=95.52%, k=65.02%, l=80.42%, m=81.11%, n=84.69%, o=52.87%, p=79.41% dan karang q=69.78%. Kata kunci : Tabel Kesehatan Karang, Pengolahan Citra Digital, Kesehatan Karang, Metode Kuadrat Terkecil
Hidden Markov Model Kezia Tumilaar; Yohanes Langi; Altien Rindengan
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 4 No. 1 (2015): Maret 2015
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.4.1.2015.8104

Abstract

Hidden Markov Models (HMM) is a stochastic model and is essentially an extension of Markov Chain. In Hidden Markov Model (HMM)  there are two types states: the observable states and the hidden states. The purpose of this research are to understand how hidden Markov model (HMM) and to understand how the solution of three basic problems on Hidden Markov Model (HMM) which consist of evaluation problem, decoding problem and learning problem.  The result of the research is hidden Markov model can be defined as . The evaluation problem or to compute probability of the observation sequence given the model P(O|) can solved  by Forward-Backward algorithm, the decoding problem or to choose hidden state sequence which is optimal can solved by Viterbi algorithm and learning problem or to estimate hidden Markov model parameter  to maximize P(O|)  can solved by Baum – Welch algorithm. From description above Hidden Markov Model  with state 3  can describe behavior  from the case studies. Key  words: Decoding Problem, Evaluation Problem, Hidden Markov Model, Learning Problem
Aplikasi Fuzzy Goal Programming (Studi Kasus: UD. Sinar Sakti Manado) Felliks Tampinongkol; Altien Rindengan; Luther Latumakulita
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 4 No. 2 (2015): September 2015
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.4.2.2015.8650

Abstract

Pengoptimalan merupakan salah satu proses penentuan tinggi rendah-nya suatu pendapatan atau memaksimumkan keuntungan, meminimumkan tenaga kerja sesuai dengan yang diinginkan oleh pengambil keputusan. Penentuan solusi optimal sering kali dipakai oleh sebuah perusahaan atau organisasi yang bergerak dibidang pemasaran atau produksi untuk memperoleh informasi yang dibutuhkan. Tujuan dari penelitian ini adalah membuat user interface (UI) untuk menyelesaikan masalah fuzzy goal programming (FGP) dan penentuan hasil solusi optimal pada perusahaan UD. Sinar Sakti Manado. Data yang digunakan merupakan data hasil produksi perusahaan pada tahun 2014. Dari hasil yang diperoleh, jika pengambil keputusan perusahaan menginginkan pendapatan minimum Rp. 250.000.000 dan waktu kerja maximum 2400 jam, maka keuntungan yang akan diperoleh perusahaan sebesar Rp. 318.816.650318.816.650 dengan produk yang harus dihasilkan adalah 2 buah Dresoar uk.250, 28,7646 buah Dresoar uk.150, 2 buah Dresoar uk.100 dan 24,1966 set Sofa Laminating. Kata kunci : Fuzzy Goal Programming, Optimalisasi, User InterfaceCallSend SMSCall from mobileAdd to SkypeYou'll need Skype CreditFree via Skype
Penerapan Hidden Markov Model Pada Harga Saham Sri Mamonto; Yohanes Langi; Altien Rindengan
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 5 No. 1 (2016): Maret 2016
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.5.1.2016.12731

Abstract

Hidden Markov Model (HMM) adalah perkembangan dari rantai Markov di mana statenya tidak dapat diamati secara langsung (tersembunyi), tetapi hanya dapat diobservasi melalui suatu himpunan pengamatan lain. Tujuan dari penelitian ini untuk memprediksi peluang kenaikan harga saham PT. Bank BNI Tbk, PT. Bank BRI Tbk, PT. Bank BTN Tbk, dan PT. Bank Mandiri Tbk dengan menggunakan Algoritma Baum Welch dalam Hidden Markov Model dan untuk memprediksi state tersembunyi (peluang naik turunnya) suatu harga saham dari PT. Bank BNI Tbk, PT. Bank BRI Tbk, PT. Bank BTN Tbk, dan PT. Bank Mandiri Tbk pada tahun 2016 dengan menggunakan decoding problem. Penelitian ini menggunakan data harga saham harian dengan periode satu minggu, satu bulan, dan satu tahun. Data yang digunakan yaitu data sekunder dari harga saham harian (penutupan) PT. Bank BNI Tbk, PT. Bank BRI Tbk, PT. Bank BTN Tbk, dan PT. Bank Mandiri Tbk untuk memprediksi peluang kenaikan harga saham dengan periode satu minggu, satu bulan dan satu tahun pada tahun 2016. Dari hasil penelitian menunjukkan bahwa Hidden Markov Model dapat digunakan untuk memprediksi peluang kenaikan harga saham dan hasil prediksi peluang kenaikan harga saham yang paling tinggi untuk satu minggu dan satu bulan yaitu PT. Bank Mandiri Tbk, sedangkan untuk satu tahun di tahun 2016 adalah harga saham PT. Bank BRI Tbk yang hanya selisih peluang sekitar 0.2 dengan bank lain. Pada algoritma Viterbi, dapat di ambil kesimpulan bahwa untuk 2016 kemungkinan harga saham dari bank PT. Bank BNI Tbk, PT. Bank BRI Tbk, PT. Bank BTN Tbk, dan PT. Bank Mandiri Tbk akan lebih banyak turun, walaupun akan lebih banyak turun tidak akan menutup kemungkinan untuk peluang kenaikan harga saham PT. Bank BRI Tbk pada tahun 2016 akan mengalami kenaikan. Kata kunci : Hidden Markov Model, Saham Bank.
Aplikasi Penentuan Tingkat Kesegaran Ikan Selar Berbasis Citra Digital Dengan Metode Kuadrat Terkecil Devit Bee; Winsy Weku; Altien Rindengan
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 5 No. 2 (2016): September 2016
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.5.2.2016.14985

Abstract

Ikan banyak mengandung nutrisi yang sangat bermanfaat bagi tubuh, namun seringkali ikan diperdagangkan dalam keadaan sudah mati juga dalam keadaan masih hidup. Untuk mengamati kesegaran ikan selar dilakukan dengan pengenalan perubahan warna yang tampak pada citra digital dengn menggunakan metode kuadrat terkecil. Tujuan dari penelitian ini adalah membangun sistem aplikasi pengelolahan citra untuk mendeteksi tingkat kesegaran ikan selar. Data yang gunakan adalah 10 sampel citra ikan selar yang di-photo setiap 1 jam selama 15 jam dan diperoleh 150 data gambar kemudian diolah dan dilakukan analisis dengan metode kuadrat terkecil. Proses pertama diawali dengan pengolahan citra dengan melakukan pemtotongan (cropping) pada bagian tepi mata citra original kemudian dilanjutkan dengan penyamaan ukuran (resize) menjadi 1000 x 1000 pixel dan pergantian format citra menjadi *.png. setelah gambar sudah diolah kemudian dilakukan perhitungan nilai rata-rata grayscale menggunakakn sistem aplikasi ‘Rata_rataGambar’ dan diperoleh persamaan yang disimpan sebagai data training pada sistem aplikasi. Setelah citra sudah diolah selanjutnya citra tersebut di-input pada sistem maka citra akan dikonversi kedalam bentuk grayscale dan ditampilkan pada tempat yang telah ditentukan bersamaan dengan histogram rgb dan grayscale kemudian dilakukan perhitungan dengan metode kuadrat terkecil. Proses terakhir kita lakukan pencocokan citra uji dengan citra yang disimpan sebagai data training dan diperoleh kesimpulan apakah citra itu (sangat segar, segar , cukup segar, tidak segar, atau sangat tidak segar ) , persentase ketidaksegaran ikan selar, dan lama waktu ikan selar mati. Penelitian ini menggunakan 150 sampel citra ikan selar dari ikan masih sangat segar sampai ikan sangat tidak segar (busuk) hasilnya menunjukan 125 citra sesuai dan 25 tidak sesuai dengan persentase akurasi sistem sebesar  83.333 %. Kata kunci  : Mata Ikan Selar, Pengolahan Citra Digital, Metode Kuadrat Terkecil.
Aplikasi Penentuan Tingkat Kesehatan Terumbu Karang Menggunakan Metode K-Nearest Neighbor dan Curve Fitting Berbasis Pengolahan Citra Digital Christian Elric Koba; Chriestie Montolalu; Altien Rindengan
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 6 No. 1 (2017): Maret 2017
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.6.1.2017.15836

Abstract

Terumbu karang merupakan sebuah ekosistem laut yang secara langsung sangat mempengaruhi kehidupan manusia. Akan tetapi, terumbu karang telah banyak mengalami kerusakan yang ditandai dengan pemutihan terumbu karang. Tujuan dari penelitian ini yakni untuk membangun sebuah sistem aplikasi yang mampu melakukan klasifikasi kelas warna terumbu karang berdasarkan Coral Health Chart dengan menggunakan ciri warna RGB (red, green, blue) serta menentukan persentasi tingkat kesehatan terumbu karang tersebut.  K-Nearest Neighbor merupakan metode yang digunakan untuk melakukan klasifikasi kelas warna terumbu karang. Dalam melakukan perhitungan persentase kesehatan terumbu karang digunakan metode Curve Fitting yang didasarkan pada rata-rata nilai RGB gambar terumbu karang. Penelitian ini menggunakan basis data citra Coral Health Chart. Sebagai data uji diambil 10 sampel citra terumbu karang.  Baik K-Nearest Neighbor maupun Curve Fitting keduanya dapat digunakan untuk mengolah sebuah data berbentuk citra digital serta dapat diimplementasikan kedalam sebuah sistem aplikasi.Kata Kunci :  Terumbu    Karang,    K-Nearest   Neighbor,  Curve   Fitting,  Coral  Health Chart, Image Processing.
Perhitungan Premi Netto Tahunan Dalam Menganalisis Komponen Biaya Pada Perusahaan Asuransi Jiwa Bumiputera Sumiati Tamalonggehe; Altien Rindengan; Tohap Manurung
d\'Cartesian: Jurnal Matematika dan Aplikasi Vol. 6 No. 2 (2017): September 2017
Publisher : Sam Ratulangi University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35799/dc.6.2.2017.17836

Abstract

Sekarang ini banyak jenis asuransi di Indonesia, salah satu jenis asuransi yaitu asuransi jiwa. Disadari bahwa asuransi mempunyai beberapa manfaat antara lain, membantu masyarakat dalam rangka mengatasi segala masalah risiko yang dihadapinya. Penelitian ini bertujuan untuk mengetahui besaran masing-masing komponen dan menghitung serta menganalisis bagaimana menentukan perhitungan premi netto pada asuransi jiwa dwiguna dengan menggunakan metode invers matriks. Sumber data diambil dari Asuransi Jiwa Bumi Putera. Dari hasil penelitian dapat disimpulkan bahwa untuk masa pertanggungan 4 tahun besaran komponen-komponen biaya untuk uang pertanggungan sebesar Rp. 1.500,000 dengan demikian untuk biaya penutupan baru sebesar Rp. 11.199,1821 dan Rp. 0,0299, biaya pengumpulan premi sebesar Rp. 0,9030 dan biaya untuk pemeliharaan sebesar Rp. 10,832.6678. dengan premi neto tahunan untuk usia 17 tahun adalah Rp. 279.162 , untuk usia 18 tahun sebesar Rp. 279.279 , untuk usia 19 tahu sebesar Rp. 279.336 , untuk usia 20 tahun sebesar Rp. 279.355 .Kata kunci: Asuransi Jiwa Dwiguna, Invers Matriks, Analisis Biaya