Articles
15 Documents
Search results for
, issue
"Vol 8, No 2 (2021)"
:
15 Documents
clear
<![CDATA[Peramalan curah hujan di kota bandung menggunakan singular spectrum analysis ]]>
<![CDATA[Tri Kartika Febrianti]]>;
<![CDATA[Winita Sulandari]]>;
<![CDATA[Hasih Pratiwi]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.21461
<![CDATA[Curah hujan merupakan fenomena alam yang selalu terjadi di Indonesia setiap tahunnya. Fenomena ini bisa saja menyebabkan bencana seperti banjir dan tanah longsor. Adanya peramalan sangat dibutuhkan sebagai bentuk peringatan dini mengenai kondisi di waktu yang akan datang. Singular Spectrum Analysis (SSA) merupakan suatu teknik analisis deret waktu dan peramalan. SSA bertujuan untuk menguraikan deret waktu asli menjadi sejumlah kecil komponen yang dapat diinterpretasikan menjadi tren, osilasi dan noise. Tujuan dari penelitian ini yaitu menyajikan model peramalan curah hujan di Kota Bandung menggunakan metode Singular Spectrum Analysis (SSA). Berdasarkan penelitian ini, diketahui bahwa data curah hujan di Kota Bandung memiliki pola musiman. Penentuan window length (L) dilakukan dengan trial and error, yang dalam kasus ini diperoleh window length 17. Melalui dekomposisi dan rekonstruksi dengan window length 17 diperoleh 4 pengelompokan, yaitu satu kelompok tren dan tiga kelompok musiman. Pada penelitian ini digunakan RMSE untuk mengukur kesalahan hasil peramalan. Berdasarkan hasil pengujian dengan metode Singular Spectrum Analysis (SSA) diperoleh RMSE sebesar 167,510.]]>
<![CDATA[Analysis of diabetes mellitus gene expression data using two-phase biclustering method ]]>
<![CDATA[Rahmat Al Kafi]]>;
<![CDATA[Alhadi Bustamam]]>;
<![CDATA[Wibowo Mangunwardoyo]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.22111
<![CDATA[The purpose of this research is to find bicluster from Type 2 Diabetes Mellitus genes expression data which samples are obese and lean people using two-phase biclustering. The first step is to use Singular Value Decomposition to decompose matrix gene expression data into gene and condition based matrices. The second step is to use K-means to cluster gene and condition based matrices, forming several clusters from each matrix. Furthermore, the silhouette method is applied to determine the number of optimum clusters and measure the accuracy of grouping results. Based on the experimental results, Type 2 Diabetes Mellitus dataset with 668 selected genes produced optimal biclusters, with six biclusters. The obtained biclusters consist of 2 clusters on the gene-based matrix and 3 clusters on the sample-based matrix with silhouette values, respectively, are 0.7361615 and 0.7050163.]]>
<![CDATA[Power analysis in designing an experiment: The effect of acoustic treatments on mung beans ]]>
<![CDATA[Nurul Ain Hazirah Abdullah]]>;
<![CDATA[Khatijahhusna Abd Rani]]>;
<![CDATA[Aishah Mohd Noor]]>;
<![CDATA[Mohd Hafiz Fazalul Rahiman]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.22113
<![CDATA[Recently, acoustic treatments have become an attention in agricultural studies. Many researchers found that acoustic treatments can be a supplemental factor in enhancing plant growth. However, the researches on this field have been mostly restricted to find the significant effect of their studies. Although extensive researches have been carried out, few studies do not report the sample size used in their experiment. Hence, this study will emphasise on the application of power analysis in the phase of designing an experiment which focus on the experiment to find the effect of acoustic treatments on mung beans. This paper presents a step-by-step guide to find the minimum number of sample size needed to conduct the experiment and how retrospective power analysis is calculated specifically for the data analysis using multivariate analysis of variance (MANOVA). Based on this study, the minimum total sample size estimated to conduct this experiment is 120 to 216. Upon conducting the experiment, the retrospective power is 97.3% and the effect size is 0.096. The effect size obtained can be a reference parameter for future experiment.]]>
<![CDATA[Penentuan Jadwal Tanam Padi Berdasarkan Skenario Representative Concentration Pathways (RCP) 4.5 periode 2021-2040 ]]>
<![CDATA[Aditya Mulya]]>;
<![CDATA[Novia Dewi Ismawardani]]>;
<![CDATA[Mulyono Rahadi Prabowo]]>;
<![CDATA[Nuryadi Nuryadi]]>;
<![CDATA[Munawar Munawar]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.22160
<![CDATA[Bali merupakan daerah beriklim tropis yang juga rentan terhadap dampak perubahan iklim. Perubahan iklim menyebabkan kemarau panjang sehingga banyak sawah di Provinsi Bali mengalami kekurangan air dan gagal panen. Upaya adaptasi dan mitigasi jangka panjang terhadap perubahan iklim diperlukan untuk mencegah dampak negatif tersebut. Salah satu upaya pencegahan dengan membuat informasi mengenai ketersediaan air tanah bagi tanaman serta memberikan gambaran jadwal tanam yang sesuai dengan kondisi iklim di masa yang akan datang. Representative Concentration Pathways (RCP) 4.5 merupakan skenario yang menggambarkan perubahan iklim di masa mendatang. Tujuan dalam penelitian ini untuk mengetahui perubahan jadwal tanam padi Provinsi Bali berdasarkan skenario RCP 4.5 dengan model MIROC 5. Data model yang digunakan berisi data parameter suhu udara dan curah hujan periode 2006-2040. Data observasi yang digunakan adalah data curah hujan dan suhu udara periode 1991-2010 serta data ketinggian. Hasil penelitian menunjukkan bahwa di wilayah Bali bagian tengah, pada periode proyeksi 2021-2030 terjadi peningkatan ketersediaan air tanah sehingga jadwal tanam dimulai lebih awal dari periode 1991-2010 yaitu dari Oktober menjadi September. Sedangkan pada periode proyeksi 2031-2040, tingkat ketersediaan air tanah hampir sama dengan periode 1991-2010, sehingga jadwal tanam pertama kembali dimulai pada bulan Oktober]]>
<![CDATA[Perbandingan 5 Jarak K-Nearest Neighbor pada Analisis Sentimen ]]>
<![CDATA[Almuzhidul Mujhid]]>;
<![CDATA[Aris Thobirin]]>;
<![CDATA[Salma Nadya Firdausy]]>;
<![CDATA[Sugiyarto Surono]]>;
<![CDATA[Lanova Ade Rahmadani]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.23170
<![CDATA[K-Nearest Neighbor (KNN) merupakan algoritma yang biasa digunakan untuk klasifikasi. Penelitian ini menggunakan ulasan aplikasi Maxim di Google Play Store. Pengguna yang sudah mengunduh aplikasi Maxim berhak memberikan ulasan di Google Play Store guna berbagi informasi untuk pengguna lain. Implementasi K-Nearest Neighbor (KNN) terhadap Sentiment Analysis ulasan aplikasi Maxim dapat digunakan untuk menentukan kelas ulasan bernilai positif, neutral, atau negatif. Peneliti melakukan perbandingan 5 jarak yang berbeda untuk metode KNN yaitu jarak Euclidean, Manhattan, Minkowski, Chebyshev dan Canberra. Pengujian yang telah dilakukan memberikan hasil akurasi pada klasifikasi KNN dengan jarak yang berbeda, memberikan hasil akurasi yang berbeda-beda, yaitu jarak Euclidean 84 persen, jarak Manhattan 79 persen, jarak Minkowski 84 persen, jarak Chebyshev 7 persen dan jarak Canberra =44 persen.]]>
<![CDATA[Peramalan curah hujan di kota bandung menggunakan singular spectrum analysis ]]>
<![CDATA[Tri Kartika Febrianti]]>;
<![CDATA[Winita Sulandari]]>;
<![CDATA[Hasih Pratiwi]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.21461
<![CDATA[Curah hujan merupakan fenomena alam yang selalu terjadi di Indonesia setiap tahunnya. Fenomena ini bisa saja menyebabkan bencana seperti banjir dan tanah longsor. Adanya peramalan sangat dibutuhkan sebagai bentuk peringatan dini mengenai kondisi di waktu yang akan datang. Singular Spectrum Analysis (SSA) merupakan suatu teknik analisis deret waktu dan peramalan. SSA bertujuan untuk menguraikan deret waktu asli menjadi sejumlah kecil komponen yang dapat diinterpretasikan menjadi tren, osilasi dan noise. Tujuan dari penelitian ini yaitu menyajikan model peramalan curah hujan di Kota Bandung menggunakan metode Singular Spectrum Analysis (SSA). Berdasarkan penelitian ini, diketahui bahwa data curah hujan di Kota Bandung memiliki pola musiman. Penentuan window length (L) dilakukan dengan trial and error, yang dalam kasus ini diperoleh window length 17. Melalui dekomposisi dan rekonstruksi dengan window length 17 diperoleh 4 pengelompokan, yaitu satu kelompok tren dan tiga kelompok musiman. Pada penelitian ini digunakan RMSE untuk mengukur kesalahan hasil peramalan. Berdasarkan hasil pengujian dengan metode Singular Spectrum Analysis (SSA) diperoleh RMSE sebesar 167,510.]]>
<![CDATA[Analysis of diabetes mellitus gene expression data using two-phase biclustering method ]]>
<![CDATA[Rahmat Al Kafi]]>;
<![CDATA[Alhadi Bustamam]]>;
<![CDATA[Wibowo Mangunwardoyo]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.22111
<![CDATA[The purpose of this research is to find bicluster from Type 2 Diabetes Mellitus genes expression data which samples are obese and lean people using two-phase biclustering. The first step is to use Singular Value Decomposition to decompose matrix gene expression data into gene and condition based matrices. The second step is to use K-means to cluster gene and condition based matrices, forming several clusters from each matrix. Furthermore, the silhouette method is applied to determine the number of optimum clusters and measure the accuracy of grouping results. Based on the experimental results, Type 2 Diabetes Mellitus dataset with 668 selected genes produced optimal biclusters, with six biclusters. The obtained biclusters consist of 2 clusters on the gene-based matrix and 3 clusters on the sample-based matrix with silhouette values, respectively, are 0.7361615 and 0.7050163.]]>
<![CDATA[Power analysis in designing an experiment: The effect of acoustic treatments on mung beans ]]>
<![CDATA[Nurul Ain Hazirah Abdullah]]>;
<![CDATA[Khatijahhusna Abd Rani]]>;
<![CDATA[Aishah Mohd Noor]]>;
<![CDATA[Mohd Hafiz Fazalul Rahiman]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.22113
<![CDATA[Recently, acoustic treatments have become an attention in agricultural studies. Many researchers found that acoustic treatments can be a supplemental factor in enhancing plant growth. However, the researches on this field have been mostly restricted to find the significant effect of their studies. Although extensive researches have been carried out, few studies do not report the sample size used in their experiment. Hence, this study will emphasise on the application of power analysis in the phase of designing an experiment which focus on the experiment to find the effect of acoustic treatments on mung beans. This paper presents a step-by-step guide to find the minimum number of sample size needed to conduct the experiment and how retrospective power analysis is calculated specifically for the data analysis using multivariate analysis of variance (MANOVA). Based on this study, the minimum total sample size estimated to conduct this experiment is 120 to 216. Upon conducting the experiment, the retrospective power is 97.3% and the effect size is 0.096. The effect size obtained can be a reference parameter for future experiment.]]>
<![CDATA[Penentuan Jadwal Tanam Padi Berdasarkan Skenario Representative Concentration Pathways (RCP) 4.5 periode 2021-2040 ]]>
<![CDATA[Aditya Mulya]]>;
<![CDATA[Novia Dewi Ismawardani]]>;
<![CDATA[Mulyono Rahadi Prabowo]]>;
<![CDATA[Nuryadi Nuryadi]]>;
<![CDATA[Munawar Munawar]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.22160
<![CDATA[Bali merupakan daerah beriklim tropis yang juga rentan terhadap dampak perubahan iklim. Perubahan iklim menyebabkan kemarau panjang sehingga banyak sawah di Provinsi Bali mengalami kekurangan air dan gagal panen. Upaya adaptasi dan mitigasi jangka panjang terhadap perubahan iklim diperlukan untuk mencegah dampak negatif tersebut. Salah satu upaya pencegahan dengan membuat informasi mengenai ketersediaan air tanah bagi tanaman serta memberikan gambaran jadwal tanam yang sesuai dengan kondisi iklim di masa yang akan datang. Representative Concentration Pathways (RCP) 4.5 merupakan skenario yang menggambarkan perubahan iklim di masa mendatang. Tujuan dalam penelitian ini untuk mengetahui perubahan jadwal tanam padi Provinsi Bali berdasarkan skenario RCP 4.5 dengan model MIROC 5. Data model yang digunakan berisi data parameter suhu udara dan curah hujan periode 2006-2040. Data observasi yang digunakan adalah data curah hujan dan suhu udara periode 1991-2010 serta data ketinggian. Hasil penelitian menunjukkan bahwa di wilayah Bali bagian tengah, pada periode proyeksi 2021-2030 terjadi peningkatan ketersediaan air tanah sehingga jadwal tanam dimulai lebih awal dari periode 1991-2010 yaitu dari Oktober menjadi September. Sedangkan pada periode proyeksi 2031-2040, tingkat ketersediaan air tanah hampir sama dengan periode 1991-2010, sehingga jadwal tanam pertama kembali dimulai pada bulan Oktober]]>
<![CDATA[Perbandingan 5 Jarak K-Nearest Neighbor pada Analisis Sentimen ]]>
<![CDATA[Almuzhidul Mujhid]]>;
<![CDATA[Aris Thobirin]]>;
<![CDATA[Salma Nadya Firdausy]]>;
<![CDATA[Sugiyarto Surono]]>;
<![CDATA[Lanova Ade Rahmadani]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 8, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v0i0.23170
<![CDATA[K-Nearest Neighbor (KNN) merupakan algoritma yang biasa digunakan untuk klasifikasi. Penelitian ini menggunakan ulasan aplikasi Maxim di Google Play Store. Pengguna yang sudah mengunduh aplikasi Maxim berhak memberikan ulasan di Google Play Store guna berbagi informasi untuk pengguna lain. Implementasi K-Nearest Neighbor (KNN) terhadap Sentiment Analysis ulasan aplikasi Maxim dapat digunakan untuk menentukan kelas ulasan bernilai positif, neutral, atau negatif. Peneliti melakukan perbandingan 5 jarak yang berbeda untuk metode KNN yaitu jarak Euclidean, Manhattan, Minkowski, Chebyshev dan Canberra. Pengujian yang telah dilakukan memberikan hasil akurasi pada klasifikasi KNN dengan jarak yang berbeda, memberikan hasil akurasi yang berbeda-beda, yaitu jarak Euclidean 84 persen, jarak Manhattan 79 persen, jarak Minkowski 84 persen, jarak Chebyshev 7 persen dan jarak Canberra =44 persen.]]>
