cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Lyra Yulianti
Contact Email
lyra@sci.unand.ac.id
Phone
-
Journal Mail Official
lyra@si.unand.ac.id
Editorial Address
http://jmua.fmipa.unand.ac.id/index.php/jmua/index
Location
Kota padang,
Sumatera barat
INDONESIA
Jurnal Matematika UNAND
Published by Universitas Andalas
ISSN : 2303291X     EISSN : 27219410     DOI : -
Core Subject : Science, Education,
Computer Science & IT Mathematics
Fokus dan Lingkup dari Jurnal Matematika FMIPA Unand meliputi topik-topik dalam Matematika sebagai berikut : Analisis dan Geometri Aljabar Matematika Terapan Matematika Kombinatorika Statistika dan Teori Peluang.
Arjuna Subject : -
Articles 858 Documents
 48   49   50   51   52 
PERBANDINGAN METODE MAXIMUM LIKELIHOOD DAN METODE BAYES DALAM MENGESTIMASI PARAMETER MODEL REGRESI LINIER BERGANDA UNTUK DATA BERDISTRIBUSI NORMAL Catrin Muharisa; Ferra Yanuar; Hazmira Yozza
Jurnal Matematika UNAND Vol 4, No 2 (2015)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.4.2.100-107.2015

Abstract

Analisis regresi merupakan salah satu metode untuk melihat hubungan antara variabel bebas (independent) dengan variabel terikat (dependent) yang dinyatakan dalam model regresi. Beberapa metode yang bisa digunakan untuk mengestimasi parameter model regresi, diantaranya adalah metode klasik dan metode Bayes. Salah satu metode klasik adalah metode maximum likelihood. Penelitian ini membahas tentang perbandingan metode maximum likelihood dan metode Bayes dalam mengestimasi parameter model regresi linear berganda untuk data berdistribusi normal. Adapun rumus untuk mengestimasi parameter dengan metode maximum likelihood adalah βˆ=(XTX)-1XTY dan ˆσ2 = 1 n P∞ k=1 ei. Sedangkan untuk mengestimasi parameter dengan metode Bayes adalah dengan menggunakan distribusi prior dan fungsi likelihood. Distribusi prior yag dipilih pada kajian ini adalah f(β, σ2 ) = Qn i=1 f(βj |σ 2 )f(σ 2 ) dengan βj ∼ N(µβj , σ2 ) dan σ 2 ∼ IG(a, b). Distribusi prior konjugat tersebut kemudian dikalikan dengan fungsi likelihood L(β, σ2 ) sehingga membentuk distribusi posterior f(β|σ 2 ). Distribusi posterior inilah yang digunakan untuk mengestimasi parameter model melalui proses Markov Chain Monte Carlo (MCMC). Algoritma MCMC yang digunakan adalah algoritma Gibbs Sampler. Model regresi linear berganda yang diperoleh dengan metode maximum likelihood adalahyˆ = −27, 8210000 + 0, 0307430X1 + 0, 0039211X2 + 0, 0034631X3 + 0, 6537000X4dengan kecocokan modelnya adalah sebesar 95,7 %. Sedangkan model regresi linear berganda yang diperoleh dengan metode Bayes adalahyˆ = −26, 620000 + 0, 029380X1 + 0, 004204X2 + 0, 003321X3 + 0, 656200X4dengan kecocokan modelnya adalah sebesar 99,99 %. Dengan demikian dapat disimpulkan bahwa metode Bayes lebih baik dari pada metode maximum likelihood.Kata Kunci: Model Regresi Linear Berganda, metode Maximum Likelihood, dan metode Bayes
Penggunaan Analisis Kovarians (ANAKOVA) Pada Analisis Regresi Dummy Yolwi Dyatma
Jurnal Matematika UNAND Vol 4, No 4 (2015)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.4.4.137-144.2015

Abstract

Analisis kovarian merupakan salah satu metode yang dapat dilakukan untuk mempelajari pengaruh variabel dummy secara bersama-sama pada analisis regresi. Pada paper ini akan dilihat pengaruh variabel bebas kategori terhadap peubah tak bebas dengan menjadikan variabel kategori sebagai variabel dummy. Bentuk model regresi pada analisis kovarian dengan peubah dummy adalah y = Dα + Xβ + , dengan D matriks peubah dummy dan X matriks rancangan untuk intersep dan peubah bebas numerik. Selanjutnya, uji analisis varian (ANOVA) dan uji-t dilakukan pada model untuk melihat variabel mana yang berpengaruh nyata terhadap model.Kata Kunci: Analisis kovarian (ANAKOVA), variabel dummy, analisis varian (ANOVA), uji-t
MENENTUKAN AKAR PERSAMAAN NONLINIER DENGAN METODE APPROKSIMASI LINGKARAN Fadli Frayudi; Susila Bahri; Nova Noliza Bakar
Jurnal Matematika UNAND Vol 4, No 2 (2015)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.4.2.38-45.2015

Abstract

Penelitian ini bertujuan untuk menentukan akar dari suatu persamaaan nonlinier dengan menggunakan Metode Approksimasi Lingkaran. Dengan menggunakan metode ini, akar dari persamaan nonlinier dapat ditemukan melalui dua pendekatan, yaitu Teknik Singgung Luar Lingkaran dan Teknik Perpotongan Ortogonal Lingkaran. Misalkan x0 adalah taksiran awal untuk akar persamaan f(x) = 0, kemudian asumsikan x1 = x0 +h dimana h adalah bilangan positif atau negatif kecil. Pada kasus pertama, sebuah lingkaran C1 dengan jari-jari f(x0) digambarkan dengan pusat pada sebarang titik (x0, f(x0)) terhadap kurva fungsi f(x). Lingkaran yang lainnya yaitu C2 dengan jari-jari f(x0 + h) dan pusat pada (x0 + h, f(x0 + h)), digambarkan terhadap kurva fungsi f(x) sedemikian sehingga menyinggung atau berpotongan dengan lingkaran C1 secara eksternal atau ortogonal. Pada kasus yang kedua, sebuah lingkaran C1 dengan jari-jari f(x0+h) digambarkan dengan titik pusat (x0+h, f(x0+h)) terhadap kurva fungsi f(x). Lingkaran yang lainnya yaitu C2 dengan jari-jari f(x0−h) dan pusat pada(x0−h, f(x0−h)) digambarkan terhadap kurva fungsi f(x) sedemikian sehingga menyinggung atau berpotongan dengan lingkaran C1 secara eksternal atau ortogonal. Proses iterasi pada kedua kasus tersebut bergantung pada nilai taksiran awal (x0) yang diambil, semakin dekat nilai taksiran awal yang diambil dengan akar sejatinya, maka akan semakin cepat proses iterasi dalam menentukan akar dari persamaan nonlinier yang diinginkan.Kata Kunci: Persamaan Nonlinier, Teknik Singgung Luar Lingkaran, Teknik Perpotongan Ortogonal Lingkaran, Metode Approksimasi Lingkaran
Model Inflasi di Indonesia dengan Menggunakan ARIMA Lathifah Yulyanisa; Dodi Devianto; maMaiyastri Maiyastri
Jurnal Matematika UNAND Vol 4, No 4 (2015)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.4.4.65-74.2015

Abstract

Kenaikan harga barang dan jasa dimana barang dan jasa merupakan kebutuhan pokok masyarakat disebut dengan inflasi. Salah satu metode yang dapat digunakan untuk menduga nilai inflasi adalah dengan menggunakan ARIMA. Model ARIMA terdiri dari model Autoregreesive (AR) dan model Moving Average (MA). Dimana model ini adalah salah satu pemodelan untuk data deret waktu. metode ini diaplikasikan pada data nilai inflasi periode 2007 sampai 2014 dengan data yang bersifat bulanan. Hasil yang diperoleh adalah model ARIMA(1,1,12) sebagai model terbaik. Sehingga diperoleh ramalan nilai inflasi untuk periode selanjutnya. Hasil tersebut dibandingkan dengan data aktual dimana data yang diperoleh tidak jauh berbeda dengan data aktual.Kata Kunci: Metode ARIMA, Inflasi, Forecasting
Semidirect Products Putri May Windy; I Made Arnawa; Yanita Yanita
Jurnal Matematika UNAND Vol 8, No 1 (2019)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.8.1.255-259.2019

Abstract

Misalkan G adalah grup perkalian, dan X adalah grup Abelian terhadap operasi penjumlahan. Misalkan µ : G → Aut(X) adalah homomorfisma grup. ”Semidirect products” dari X dan G relatif ke µ didefinisikan sebagai X oµ G = {(x, a) | x ∈ X, a ∈ G}, dengan operasi (x1, a1)(x2, a2) = (x1 +µ(a1)[x2], a1a2), untuk x1, x2 ∈ X dan a1, a2 ∈ G. Tulisan ini membahas bagaimana hubungan semidirect products dengan homomorfisma grup dan sifat-sifat semidirect products.Kata Kunci: Grup, Subgrup, Subgrup Normal, Homomorfisma, Isomorfisma, Semidirect Products
HUBUNGAN ANTARA UKURAN-UKURAN INFORMASI PADA HIMPUNAN KABUR HESITANT BERNILAI INTERVAL Shafira Raihana; Monika Rianti Helmi
Jurnal Matematika UNAND Vol 8, No 2 (2019)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.8.2.165-172.2019

Abstract

Himpunan kabur diperkenalkan oleh Zadeh [11] pada tahun 1965 untuk mengatasi masalah ketidakpastian. Kemudian diusulkan beberapa bentuk umum dari himpunan kabur salah satunya yaitu himpunan kabur hesitant bernilai interval yang diperkenalkan oleh Chen dkk [3]. Ada beberapa topik kajian pada himpunan kabur, diantaranya adalah ukuran entropi, ukuran jarak, dan ukuran kesamaan yang ketiganya dinamakan dengan ukuran informasi. Pada penelitian ini dikaji hubungan antara ukuran-ukuran informasi pada himpunan kabur hesitant bernilai interval.Kata Kunci: Himpunan Kabur Hesitant Bernilai Interval, Ukuran Entropi, Ukuran Jarak, Ukuran Kesamaan, Ukuran Informasi
Peramalan Indeks Prestasi Mahasiswa Menggunakan Rantai Markov (Studi Kasus: Indeks Prestasi Mahasiswa Matematika Universitas Andalas Angkatan 2011, 2012 dan 2013) Ainul Mardhiyah; Maiyastri Maiyastri; Dodi Devianto
Jurnal Matematika UNAND Vol 4, No 3 (2015)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.4.3.107-105.2015

Abstract

Keberhasilan pembelajaran mahasiswa di perguruan tinggi ditandai dengan prestasi akademik yang bagus, yang ditunjukkan oleh indeks prestasi yang tinggi. Gambaran indeks prestasi dari waktu ke waktu sangat diperlukan pada suatu institusi perguruan tinggi, agar dapat melihat perkembangan proses akademik pada institusi tersebut. Pada tugas akhir ini dilakukan peramalan indeks prestasi mahasiswa Jurusan Matematika pada satu semester tertentu berdasarkan satu semester sebelumnya. Peramalan dilakukan dengan rantai Markov. Rantai Markov adalah suatu metode yang mempelajari sifat-sifat suatu variabel pada masa sekarang yang didasarkan pada sifat-sifatnya dimasa lalu untuk memprediksi sifat-sifat tersebut dimasa yang akan datang. Peramalan dengan rantai Markov menggunakan matriks probabilitas transisi. Data yang digunakan adalah nilai indeks prestasi mahasiswa Jurusan Matematika angkatan 2011, 2012 dan 2013 pada semester ganjil 2013/2014 dan semester genap 2013/2014. Secara umum diperoleh sebahagian besar mahasiswa (±50%) indeks prestasinya tetap, indeks prestasi mahasiswa hanya bisa naik pada nilai yang tidak jauh lebih tinggi dari nilai sebelumnya. Begitu juga untuk nilai yang turun, hanya turun pada nilai sedikit lebih kecil dari nilai sebelumnya. Artinya kondisi akademik mahasiswa Jurusan Matematika cenderung stabil.Kata Kunci: Rantai Markov, matriks probabilitas transisi
Pemodelan Berat Badan Balita dengan Menggunakan Regresi Kernel Agni Horti Maharani; Hazmira Yozza; Yudiantri Asdi
Jurnal Matematika UNAND Vol 4, No 3 (2015)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.4.3.31-40.2015

Abstract

Dalam analisis regresi terdapat dua pendekatan yang digunakan untuk mengestimasi fungsi regresi yaitu pendekatan parametrik dan pendekatan nonparametrik. Pendekatan parametrik digunakan apabila informasi hubungan antara variabel prediktor dengan variabel respon diketahui. Namun apabila informasi hubungan antara variabel prediktor dengan variabel respon tidak diketahui maka alternatif lain yang dapat digunakan adalah dengan pendekatan nonparametrik. Estimator kernel adalah metode yang digunakan pada penelitian ini. Penelitian ini bertujuan untuk mengetahui bentuk model regresi kernel dengan fungsi kernel Gaussian untuk memodelkan berat badan balita berdasarkan umur serta membandingkan model yang dibentuk dengan Metode Kuadrat Terkecil. Dari hasil perhitungan diperoleh nilai koefisien determinasi (R2 ) dengan regresi linier sederhana adalah sebesar 0,719 dan nilai koefisien determinasi (R2 ) dengan regesi nonparametrik menggunakan estimator kernel adalah sebesar 0,770606. Dari hasil perhitungan tersebut disimpulkan bahwa pada kasus ini analisis regresi nonparametrik menggunakan estimator kernel dengan fungsi kernel Gaussian mampu menghasilkan model yang jauh lebih baik pada data berat badan balita terhadap umur daripada analisis regresi dengan Metode Kuadrat Terkecil.Kata Kunci: Analisis regresi, estimator kernel, fungsi kernel gaussian, berat badan balita
KRITERIA KEPOSITIFAN SISTEM DESKRIPTOR LINIER KONTINU HARDES SWASTIKA
Jurnal Matematika UNAND Vol 8, No 2 (2019)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.8.2.195-200.2019

Abstract

Dalam tulisan ini akan dikaji syarat perlu dan syarat cukup untuk memeriksa kepositifan sistem deskriptor linier kontinu. Algoritma Shuffle diaplikasikan untuk mentransformasi persamaan keadaan menjadi bentuk yang ekivalen sedemikian sehingga syarat perlu dan syarat cukup dapat dibentuk. Beberapa contoh disajikan untuk mengilustrasikan masalah utama.Kata Kunci: Deskriptor, Sistem Linier, Waktu Kontinu, Kepositifan, Algoritma Shuffle
POTRET KEMISKINAN KOTA PADANG MENGGUNAKAN METODE WAJAH CHERNOFF Rini Eka Putri; Hazmira Yozza; Izzati Rahmi HG
Jurnal Matematika UNAND Vol 4, No 2 (2015)
Publisher : Jurusan Matematika FMIPA Universitas Andalas Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jmu.4.2.73-80.2015

Abstract

Metode Wajah Chernoff merupakan suatu upaya untuk merepresentasi data peubah ganda dalam bentuk wajah kartun dengan 20 ciri wajah spesifik. Pada penelitian ini ditunjukkan bagaimana metode wajah Chernoff digunakan untuk melihat potret kemiskinan Kota Padang. Untuk memasangkan ciri wajah Chernoff dengan indikator kemiskinan, maka dilakukan survei peringkat ciri wajah dan Analisis Komponen Utama. Dari 15 indikator kemiskinan Kota Padang, terdapat lima indikator di bawah rata-rata, empat indikator di atas rata-rata, dan selainnya di sekitar rata-rata. Dari 11 wajah Chernoff kecamatan Kota Padang, terdapat empat kandidat kecamatan dengan wajah Chernoff relatif tidak bagus yaitu kecamatan Bungus Teluk Kabung, kecamatan Koto Tangah, kecamatan Lubuk Kilangan, dan kecamatan Padang Selatan; lima kandidat kecamatan dengan wajah Chernoff relatif bagus yaitu kecamatan Padang Barat, kecamatan Padang Utara, kecamatan Nanggalo, kecamatan Lubuk Begalung, dan kecamatan Padang Timur.Kata Kunci: Indikator kemiskinan, Analisis Komponen Utama, Metode wajah Chernof

Page 50 of 86 | Total Record : 858

 48   49   50   51   52 

Filter by Year

2012 2026


Reset
Filter By Issues
All Issue Vol. 15 No. 1 (2026) Vol. 14 No. 4 (2025) Vol. 14 No. 3 (2025) Vol. 14 No. 2 (2025) Vol 14, No 1 (2025) Vol. 14 No. 1 (2025) Vol 13, No 4 (2024) Vol. 13 No. 4 (2024) Vol 13, No 3 (2024) Vol. 13 No. 3 (2024) Vol. 13 No. 2 (2024) Vol 13, No 2 (2024) Vol. 13 No. 1 (2024) Vol 13, No 1 (2024) Vol. 12 No. 4 (2023) Vol 12, No 4 (2023) Vol. 12 No. 3 (2023) Vol 12, No 3 (2023) Vol 12, No 2 (2023) Vol. 12 No. 2 (2023) Vol 12, No 1 (2023) Vol 11, No 4 (2022) Vol 11, No 3 (2022) Vol 11, No 2 (2022) Vol 11, No 1 (2022) Vol 10, No 4 (2021) Vol 10, No 3 (2021) Vol 10, No 2 (2021) Vol 10, No 1 (2021) Vol 9, No 4 (2020) Vol 9, No 3 (2020) Vol 9, No 2 (2020) Vol 9, No 1 (2020) Vol 8, No 4 (2019) Vol 8, No 3 (2019) Vol 8, No 2 (2019) Vol 8, No 1 (2019) Vol 7, No 4 (2018) Vol 7, No 3 (2018) Vol 7, No 2 (2018) Vol 7, No 1 (2018) Vol 6, No 4 (2017) Vol 6, No 3 (2017) Vol 6, No 2 (2017) Vol 6, No 1 (2017) Vol 5, No 4 (2016) Vol 5, No 3 (2016) Vol 5, No 2 (2016) Vol 5, No 1 (2016) Vol 4, No 4 (2015) Vol 4, No 3 (2015) Vol 4, No 2 (2015) Vol 4, No 1 (2015) Vol 3, No 4 (2014) Vol 3, No 3 (2014) Vol 3, No 2 (2014) Vol 3, No 1 (2014) Vol 2, No 4 (2013) Vol 2, No 3 (2013) Vol 2, No 2 (2013) Vol 2, No 1 (2013) Vol 1, No 2 (2012) Vol 1, No 1 (2012) Vol 1, No 1 (2012) More Issue