Articles
<![CDATA[PENERAPAN GERAK BROWN GEOMETRIK PADA DATA SAHAM PT. ANTM ]]>
<![CDATA[Putri, Darvi Mailisa]]>;
<![CDATA[Hasibuan, Lilis Harianti]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 2, No 2 (2020) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1174.481 KB)
|
DOI: 10.15548/map.v2i2.2258
<![CDATA[Penelitian ini akan mengkaji aplikasi gerak Brown geometrik pada data harga saham PT. Antm. Data harga saham yang digunakan adalah data harga saham penutupan dari tanggal 02 Januari 2019 sampai dengan 30 Desember 2019 dengan periode harian. Dalam mengaplikasikan data harga saham PT. Antm pada gerak Brown geometrik diperlukan nilai return harga saham yang memenuhi asumsi dari gerak Brown geometrik. Selanjutnya melalui parameter-parameter yang diperoleh dari return harga saham dan membangkitkan data berdistribusi normal atau  sebanyak data yang diamati dan harga awal yang telah diketahui maka didapat plot hasil dari data harga saham PT. Antm yang telah memenuhi asumsi gerak Brown geometik.AbstractThis research will examine the application of geometric Brownian motion on the stock price of PT. Antm. The stock price data used is the closing stock price data from January 02nd 2019 to December 30th 2019 with a daily period. In applying the stock price of PT. Antm on geometric Brownian motion requires a stock price return value that satisfies the assumptions of geometric Brownian motion. Futhermore, through the parameters obtained from the stock price return and generate normally distributed data or   as much as the observed data and the known intial price, then we get the plot of PT. Antm has fulfilled the assumption of geometric Brownian motion.]]>
<![CDATA[LEFT INVERTIBLE SEMIGRUP PADA RUANG HILBERT ]]>
<![CDATA[Asfa’ani, Ezhari]]>;
<![CDATA[Hasibuan, Lilis Harianti]]>;
<![CDATA[Jannah, Miftahul]]>;
<![CDATA[Putri, Darvi Mailisa]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 2, No 1 (2020) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (655.093 KB)
|
DOI: 10.15548/map.v2i1.1640
<![CDATA[Analisis Fungsional merupakan salah satu cabang dari ilmu Matematika yang membahas tentang ruang vektor serta pemetaan di antara ruang - ruang tersebut. Pada artikel ini membahas tentang semigrup pada ruang Hilbert yang dapat dibalik dan mempunyai balikan. Untuk Semigrup yang sangat kontinu pada Ruang Hilbert, disini disajikan bukti singkat dari fakta-fakta bahwa inverse kiri dari semigrup yang dapat dibalik dan dapat dipilih menjadi semigrup juga. Lebih jauh pada tulisan ini akan ditunjukkan pula bahwa semigrup ini tidak perlu unik.AbstractFunctional Analysis is one branch of Mathematics that deals with vector spaces and mapping between these spaces This article to discuss about semigroups on Hilbert Space. For strongly continous semigroups on Hilbert space, we present a short proof of the fact that the left inverse of a left invertible semigroup can be chosen to be a semigroups as well. Furthermore, we show that this semigroups need not to be unique.Keywords: three-five word(s) or phrase(s), that it’s representative for the article.]]>
<![CDATA[NULLITAS MAKSIMUM MATRIKS HERMITIAN DIGAMBARKAN OLEH GRAF G ]]>
<![CDATA[Syafii, Mohamad]]>;
<![CDATA[Putri, Darvi Mailisa]]>;
<![CDATA[Rahman, Alfit]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 3, No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1048.142 KB)
|
DOI: 10.15548/map.v3i1.2784
<![CDATA[Penelitian ini bertujuan untuk mendapatkan sebuah pola matriks Hermitian yang digambarkan graf G. Tentunya banyak kemungkinan matriks Hermitian yang didapatkan. Dengan berbantuan program Matlab, peneliti merumuskan pola matriks Hermitian yang didapatkan dengan tujuan memperoleh nullitas maksimum. Pada penilitian ini nullitas terbesar (maksimum) dari matriks Hermitian yang digambarkan graf G dapat dituliskan dengan M(G)=maks{null(A):A∈H(G), G(A)=G). Adapun graf yang digunakan pada penelitian adalah graf komplit, graf lintasan, graf sikel, graf bipartisi komplit, dan graf star. Teorema pendukung yang digunakan dalam penelitian ini untuk menentukan M(G) adalah M(G)+mr(G)=|G|, dengan mr(G) adalah minimum rank dari matriks Hermite yang digambarkan oleh graf G dan |G| adalah order dari G atau banyaknya sisi pada Graf G. ]]>
<![CDATA[APLIKASI TEOREMA HUKUM LEMAH BILANGAN BESAR PADA PEMBUKTIAN TEOREMA APROKSIMASI WEIERSTRASS ]]>
<![CDATA[Ul Hasanah, Fitri Rahmah]]>;
<![CDATA[Putri, Darvi Mailisa]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 3, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (316.943 KB)
|
DOI: 10.15548/map.v3i2.3354
<![CDATA[Teorema aproksimasi weierstrass dinyatakan sebagai fungsi kontinu pada selang tertutup dan terbatas yang daoat didekati dengan barisan suku banyak. Salah satu pembuktian teorema ini dengan menggunakan polinomial Bernstein ). Oleh karena,  dimana  untuk ukuran  cukup besar maka ) dirumuskan menjadi , dimana berlaku hukum lemah bilangan besar dengan . Oleh karena itu, dalam tulisan ini dibahas pembuktian teorema aproksimasi weierstrass dengan hukum lemah bilangan besar.Kata Kunci: bilangan besar, Weierstrass, polinomial Bernstein.]]>
<![CDATA[ESTIMASI MODEL TERBAIK UNTUK PERAMALAN HARGA SAHAM PT. POLYCHEM INDONESIA Tbk. DENGAN ARIMA ]]>
<![CDATA[Putri, Darvi Mailisa]]>;
<![CDATA[Aghsilni, Aghsilni]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 1, No 2 (2019) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (835.504 KB)
|
DOI: 10.15548/map.v1i2.1176
<![CDATA[Saham merupakan hal yang masih sangat menarik dibahas dalam dunia investasi. Investasi dalam bentuk saham sangat dihadapkan dengan resiko yang tinggi. Hal ini disebabkan harga saham bersifat fluktuatif dan stokastik. Sehingga bagi suatu perusahaan harus memiki dasar pengambilan keputusan yang tepat dan akurat agar bisa meminimalisir kerugian dalam berinvestasi. Analisis deret waktu merupakan analisis yang biasa digunakan untuk memodelkan data deret waktu. Analisis ini dapat digunakan untuk meramalkan harga saham kedepannya dengan menggunakan data sebelumnya. Model Autoregressive Integrated Moving Average (ARIMA) adalah salah satu model deret waktu yang dapat digunakan untuk memodelkan harga saham. Persamaan pada model ARIMA yang diperoleh akan membantu meramalkan harga saham periode selanjutnya. Pada penelitian ini digunakan data harga saham penutupan pada PT. Polychem Tbk. dengan periode harian. Data harga saham yang ada diolah dengan menggunakan program eviews. Melalui program eviews dikaji nilai AIC, SIC, dan HQC minimum untuk memilih model terbaik. Model ARIMA(1,1,0) menjadi model terbaik dalam meramalkan harga saham PT. Polychem Indonesia TbkAbstractThe stocks are very interesting matters discussed in the investment world. Investment in the form of shares is very faced by high risk. This is due to fluctuating and stochastic stock prices. So to minimize losses in investment, a company must have appropriate and accurate decision-making standards. Time series analysis is an analysis commonly used to model time series data. This analysis can be used to forecast future stock prices by using previous data. The Integrated Moving Average Autoregressive Model (ARIMA) is a time series model that can be used to model stock prices. Equations obtained in the ARIMA model will help predict future stock prices. The data used in this study is the closing stock price data at PT. Polychem Tbk. in daily periods. Existing stock price data is processed using the eviews program. Through the eviews program, the minimum AIC, SIC, and HQC values are examined to choose the best model. ARIMA model (1,1,0) is the best model in predicting the stock price of PT. Polychem Indonesia Tbk.]]>
<![CDATA[MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA HARGA SAHAM PT. ADMF TBK ]]>
<![CDATA[Darvi Mailisa Putri]]>;
<![CDATA[Lilis Harianti Hasibuan]]>;
<![CDATA[Miftahul Jannah]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 4, No 1 (2022) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15548/map.v4i1.4241
<![CDATA[Autoregressive Integrated Moving Average (ARIMA) adalah salah satu model deret waktu yang masih sering digunakan sampai saat ini. Model ini dapat melakukan prediksi suatu nilai dari hasil persamaan model. Dimana persamaan model diperoleh dari data deret waktu pada periode sebelumnya. Pada penelitian ini akan diterapkan model ARIMA pada data saham PT. Adira Dinamika Multi Finance Tbk [ADMF]. Data yang diambil adalah data harga saham dengan periode harian sepanjang tahun 2021. Hasil pengolahan data diperoleh model terbaik ARIMA (5,2,3). Model ini dipilih berdasarkan nilai MAPE terkecil yaitu 0,564 dan nilai signifikansi model sebesar 5%.]]>
<![CDATA[PENERAPAN METODE LEAST SQUARE UNTUK MEMPREDIKSI JUMLAH PENERIMAAN MAHASISWA BARU ]]>
<![CDATA[Lilis Harianti Hasibuan]]>;
<![CDATA[Darvi Mailisa Putri]]>;
<![CDATA[Miftahul Jannah]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 4, No 1 (2022) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15548/map.v4i1.4239
<![CDATA[UIN Imam Bonjol Padang mempunyai trend yang meningkat dalam penerimaan mahasiswa baru dibandingkan tahun tahun sebelumnya. Jumlah perolehan mahasiswa baru tidak selalu sama setiap tahun. Jumlah perolehan mahasiswa tidak selalu sama setiap tahun. Jumlah perolehan penerimaan mahasiswa baru yang tidak stabil membuat kesulitan dalam merancang kelas, dosen,biaya dan lainnya. Mengetahui jumlah prediksi mahasiswa baru untuk periode yang akan dating sangat penting sebagai dasar untuk pengambilan keputusan lebih lanjut. Metode kuadrat terkecil sebagai metode perhitungan untuk menentukan prediksi. Penelitian ini bertujuan untuk membantu perguruan tinggi negeri dalam memprediksi jumlah mahasiswa baru yang diterima, sehingga akan lebih mudah untuk mengambil keputusan dalam menentukan langkah selanjutnya dan memperkirakan masalah keuangan. Persamaan prediksi yang diperoleh dalam penelitian ini adalah Y’=2514.91+148.918X dengan tingkat persentase antara data sebenarnya dengan prediksi 81 % dapat dikatakan valid.]]>
<![CDATA[OPTIMASI PREDIKSI CURAH HUJAN KOTA PADANG DENGAN MODEL ARIMA ]]>
<![CDATA[Putri, Darvi Mailisa]]>;
<![CDATA[Hasibuan, Lilis Harianti]]>;
<![CDATA[Nur, Rizki Amalia]]>;
<![CDATA[Asfa'ani, Ezhari]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 5, No 2 (2023) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15548/map.v5i2.7138
<![CDATA[The rain is a natural phenomenon that is still a concern for several parties. Especially the assessment of rainfall in an area. This is important because high rainfall will result in natural disasters and have an impact on people's lives. So it is necessary to predict rainfall, although this is a complex problem. This research aims to optimise the prediction of Padang city rainfall data with monthly data for the period January 2018 to December 2021. The ARIMA model is used to analyse the data provided that the data must be stationary. Data stationarity can be seen from the Augmented Dickey-Fuller (ADF) test. After the ADF test is performed, the Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF) plots help in determining the order of the ARIMA model. The ARIMA (0,1,1) model was found to be the best model based on the smallest Akaike's Information Criterion (AIC) value.]]>
<![CDATA[ANALISIS DATA LONGITUDINAL DENGAN RESPON BINER MENGGUNAKAN GENERALIZED ESTIMATING EQUATION (GEE) ]]>
<![CDATA[Musthofa, Syarto]]>;
<![CDATA[Hasibuan, Lilis Harianti]]>;
<![CDATA[Putri, Darvi Mailisa]]>;
<![CDATA[Jannah, Miftahul]]>;
<![CDATA[Rianjaya, Ilham Dangu]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 5, No 2 (2023) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15548/map.v5i2.7416
<![CDATA[Data longitudinal adalah data yang diperoleh dari hasil pengukuran sejumlah individu secara berulang dalam beberapa waktu yang berbeda. Data longitudinal menunjukkan bagaimana perubahan nilai pada individu yang diamati relatif terhadap waktu dan beberapa kovariat yang menjadi perhatian. Variabel respon pada data longitudinal dimungkinkan dalam bentuk biner. Data dengan respon biner pada dasarnya bisa dianalisis dengan regresi logistik. Namun, regresi logistik tidak mempertimbangkan korelasi antar pengamatan yang mungkin terjadi pada satu individu. Dalam penelitian ini Generalized Estimating Equation (GEE) digunakan dalam melakukan estimasi parameter pada model data longitudinal. GEE memberi ruang pembahasan pada adanya kemungkinan korelasi antar pengamatan pada satu individu untuk data longitudinal yang memiliki variabel respon biner. Studi kasus dalam penelitian ini menganalisis probabilitas terjadinya kondisi suhu di atas normal berdasarkan lamanya penyinaran matahari (X_1). Estimasi parameter yang dilakukan menghasilkan model π_i=1/(1+e^(-(-2.427+0.553x_1i)) ) dengan struktur korelasi exchangeable (α=0,607) yang menunjukkan bahwa semakin lama penyinaran matahari akan semakin memperbesar probabilitas kondisi suhu di atas normal. Kata Kunci: Data Longitudinal, Regresi Logistik, Generalized Estimating Equation (GEE)]]>
<![CDATA[PENDEKATAN KOMPARATIF ALGORTIMA MACHINE LEARNING UNTUK PREDIKSI KEMISKINAN GLOBAL ]]>
<![CDATA[Putri, Darvi Mailisa]]>;
<![CDATA[Friska, Dina]]>
<![CDATA[ MAp (Mathematics and Applications) Journal Vol 6, No 2 (2024) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Imam Bonjol Padang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15548/map.v6i2.10063
<![CDATA[Kemiskinan masih menjadi masalah sosial yang butuh perhatian khusus untuk ditangani. Banyak dampak yang ditimbulkan, diantaranya permasalahan pertumbuhan otak anak, meningkatnya penyakit jangka panjang, dan meningkatnya konflik sosisal dan keamanan. Maka perlu usaha untuk mengatasi kasus kemiskinan secara efektif dengan pendekatan yang inovatif dan berbasis data yaitu penggunaan Algoritma machine learning. Algoritma ini dapat menganalisis data kemiskinan, mengidentifikasi pola, dan memprediksi risiko kemiskinan dengan lebih akurat. Penelitian ini fokus menganalisis performa algoritm machine learning yaitu Decision Trees dan Naïve Bayes. Hasil penelitian menunjukkan algoritma Decision Trees memiliki akurasi lebih baik (84,2%) dibandingkan akurasi algortima Naïve Bayes (78,9%). Namun performa algoritma Naïve Bayes dalam memprediksi berbagai kelas lebih stabil dibanding algoritma Decision Trees berdasarkan nilai presisi, recall, F1-score dan specificity.]]>
