Articles
105 Documents
<![CDATA[Model matematika terapi kanker dengan viroterapi ]]>
<![CDATA[Thariq Muhariyanto]]>;
<![CDATA[Yudi Ari Adi]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 7, No 1 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v7i1.19538
<![CDATA[Model merupakan penyederhanaan fenomena-fenomena nyata dalam bentuk matematika. Salah satunya adalah model matematika pada terapi kanker dengan virus oncolytic atau yang disebut viroterapi. Viroterapi merupakan terapi kanker yang menggunakan virus sebagai terapinya. Virus yang digunakan yaitu virus onkolitik. Sistem persamaan dalam penelitian ini menggunakan sistem persamaan diferensial nonlinier dengan melibatkan tiga variabel yaitu sel tumor tidak terinfeksi x(t), sel tumor terinfeksi y(t), dan partikel virus bebas v(t). Kemudian dilakukan analisis model matematika yang meliputi titik ekuilibrium, kestabilan di sekitar titik ekuilibrium, dan simulasi numerik. Analisis kestabilan dilakukan untuk mempelajari kedinamikan suatu system dengan tujuan menyelidiki jenis kestabilan dari titik-titik ekuilibrium pada setiap variabel dalam model, sehingga dapat diketahui kapan mencapai titik keseimbangan (ekuilibrium). Hasil penelitian menunjukkan terdapat tiga titik ekuilibrium pada model matematika viroterapi yaitu E0(0; 0; 0), E1(K; 0; 0) dan E2. Dari model yang dibahas ukuran ledakan virus, selektivitas virus dari virus onkolitik dan ukuran tumor maksimum akan menentukan hasil dari viroterapi. Ini bermakna secara biologis. Semakin besar tumor, semakin banyak virus kuat diperlukan untuk melawannya.]]>
<![CDATA[Implementasi Fuzzy Neural Network untuk Peramalan Penjualan Sepeda Motor ]]>
<![CDATA[Diska Yulia Maisarah]]>;
<![CDATA[Sugiyarto Sugiyarto]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 7, No 2 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v7i2.19604
<![CDATA[Penelitian ini membahas tentang implementasi Fuzzy Neural Network untuk peramalan penjualan sepeda motor di Cahaya Sakti Motor. Fuzzy Neural Network merupakan salah satu system hybrid yang menggabungkan dua metode yaitu logika fuzzy dan dan jaringan syaraf tiruan. Metode Fuzzy Neural network yang digunakan dalam penelitian ini adalah kombinasi logika fuzzy dengan pendekatan Multi Layer Perceptron. Penelitian ini bertujuan mengetahui jumlah penjualan sepeda motor di tahun 2019 berdasarkan data penjualan Januari 2014 hingga Desember 2018. Berdasarkan hasil penelitian, model Fuzzy Neural Network ini cocok digunakan untuk peramalan penjualan sepda motor, karena nilai MSE yang diperoleh sangat kecil yaitu 9.9924e-06 untuk data training dan 0.0560 untuk data testing. Adapun hasil peramalan penjualan sepeda motor tahun 2019 di Cahaya Sakti Motor yaitu sebanyak 153 unit pada bulan Januari, 133 unit pada bulan Februari, 114 unit pada bulan Maret, 116 unit pada bulan April, 125 unit pada bulan Mei, 157 unit pada bulan Juni, 120 unit pada bulan Juli, 114 unit pada bulan Agustus, 122 unit pada bulan September, 125 unit pada bulan Oktober, 160 unit pada bulan November, dan 115 unit pada bulan Desember.]]>
<![CDATA[Pemodelan Persamaan Navier-Stokes untuk Aliran Fluida Tidak Termampatkan ]]>
<![CDATA[Joko Eliyanto]]>;
<![CDATA[Julan Hernadi]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 6, No 1 (2019) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v6i1.19545
<![CDATA[Kajian ini membahas pemodelan persamaan Navier-Stokes pada aliran fluida yang tidak termampatkan. Fluida diasumsikan tidak mengalami perubahan massa jenis(densitas) akibat aliran. Pemodelan persamaan ini didasarkan pada hukum-hukum dasar fisika yaitu hukum kekekalan massa dan hukum Newton dua. Tujuan skripsi ini adalah memodelkan aliran fluida ke dalam bentuk persamaan diferensial yang kemudian dapat dicari aproksimasi solusinya dan dapat disimulasikan secara numerik menggunakan metode beda hingga. Metode yang digunakan pada skripsi ini berupa studi pustaka dengan mengkaji dan mengembangkan literatur yang berhubungan dengan persamaan Navier-Stokes untuk aliran fluida yang tidak termampatkan dan ilmu mekanika fluida. Berdasarkan hukum kekekalan massa diperoleh persamaan kontinuitas kemudian berdasarkan hukum Newton ke-dua diperoleh persamaan momentum, kedua persamaan ini digabungkan menjadi suatu sistem persamaan diferensial parsiel nonlinear orde dua yang dikenal sebagai persamaan Navier-Stokes. Aliran dalam rongga disimulasikan secara grafis menggunakan persamaan yang telah diperoleh dan menghasilkan simulasi yang merepresentasikan aliran fluida sesungguhnya pada aliran dalam rongga.]]>
<![CDATA[Nilai Ketakteraturan Sisi Total Pada Graf Hasil Kali Comb Pm Dan C5, Serta Subdivisi Pada Hasil Kali Comb P_m Dan C_7 ]]>
<![CDATA[Kholifa Septia Ulfa]]>;
<![CDATA[Isnaini Rosyida]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 6, No 2 (2019) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v6i2.19550
<![CDATA[Misalkan  adalah sebuah graf dan  adalah bilangan bulat positif. Pelabelan total pada graf G adalah suatu pemetaan  Bobot titik  dinyatakan  dan bobot sisi  dinyatakan dengan . Suatu pelabelan total dikatakan tak teratur sisi total, jika bobot setiap sisi berbeda. Nilai ketakteraturan sisi total dari graf  dinotasikan dengan tes adalah nilai  minimum atau label terbesar minimum yang digunakan untuk melabeli graf  dengan pelabelan tak teratur sisi total. Penelitian ini diselidiki nilai ketakteraturan sisi total pada graf.]]>
<![CDATA[Model matematika penyebaran flu burung dengan vaksinasi dan pertumbuhan logistik pada populasi unggas ]]>
<![CDATA[Frida Anggraeni Setyowati]]>;
<![CDATA[Muhammad Kharis]]>;
<![CDATA[Tri Sri Noor Asih]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 7, No 1 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v7i1.19539
<![CDATA[Flu burung adalah penyakit yang disebabkan oleh virus influenza tipe A. Virus influenza tipe B dan C dapat diisolasi dari manusia dan sifatnya kurang patogen dibandingkan dengan virus influenza tipe A. Dalam penelitian ini populasi manusia dibagi menjadi tiga kelas yaitu kelas manusia rentan S(t), kelas manusia terinfeksi I(t), dan kelas manusia sembuh R(t). Sedangkan populasi unggas dibagi menjadi tiga kelas yaitu kelas unggas rentan Sb(t), kelas unggas terinfeksi Ib(t), dan kelas unggas divaksinasi Vb(t). Berdasarkan hasil penelitian diperoleh satu titik kesetimbangan bebas penyakit (P0) dan satu titik kesetimbangan endemik (P1). Analisis kestabilan juga telah dilakukan diperoleh R0 kurang dari 1 maka P0 stabil asimtotik lokal dan R0 lebih dari1 maka P1 stabil asimtotik lokal. Hasil simulasi menunjukkan bahwa proporsi unggas yang divaksinasi dan unggas terinfeksi yang dibakar memperkecil populasi unggas yang terinfeksi flu burung sehingga dapat mencegah terjadinya wabah endemik.]]>
<![CDATA[Pelabelan Graf dalam Rencana Tata Ruang Rumah Sakit Islam Klaten ]]>
<![CDATA[Nissa Oktavia Sabrina]]>;
<![CDATA[Aris Thobirin]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 7, No 2 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v7i2.19606
<![CDATA[Salah satu masalah yang ditemukan untuk penggunaan graf yaitu mencari efektivitas letak tata ruang Rumah Sakit, untuk mencari efektivitas letak tata ruang Rumah Sakit dapat menggunakan pelabelan graf sisi dan mencari rute tercepat dapat menggunakan algoritma Dijkstra. Penelitian ini dilakukan di Rumah Sakit Islam Klaten. Pelabelan sisi dilakukan untuk menemukan letak tata ruang yang efektif dimana jarak dari titik satu ke titik yang lain mempunyai jumlah waktu yang sama. Algoritma Dijkstra dilakukan untuk mencari rute tercepat dari titik satu ke titik yang dituju, dimana titik yang dituju adalah titik yang sering dikunjungi pasien ataupun pengunjung. Penelitian ini membandingkan hasil dari perhitungan graf awal dengan perhitungan graf yang sudah menggunakan pelabelan sisi.  adalah lobby,  adalah rawat inap makkah,  adalah rawat inap siti hajar,  adalah rawat inap marwah,  adalah bedah sentral. Hasil dari penelitian ini adalah waktu tempuh pada graf H’ menggunakan pelabelan sisi dari titik  ke  yaitu 120 detik, dari titik  ke  yaitu 120 detik, dari titik  ke  yaitu 120 detik, dari titik  ke  yaitu 120 detik, sedangkan waktu tempuh pada graf H dari titik  ke  yaitu 180 detik, dari titik  ke  yaitu 180 detik, dari titik  ke  yaitu 120 detik, dari titik  ke  yaitu 180 detik.]]>
<![CDATA[Analisi Resiko Portofolio Menggunakan Value at Risk dengan Metode Variansi Kovaransi dan Simulasi Historis ]]>
<![CDATA[Norinda Supriyani]]>;
<![CDATA[Sugiyarto Sugiyarto]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 6, No 1 (2019) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v6i1.19546
<![CDATA[Resiko merupakan sesuatu yang ditanggung seseorang dalam melakukan aktifitas. Demikian juga investor yang melakukan penanaman modal (investasi) pasti akan memperhitungkan resiko yang terjadi akibat dari investasinya. Oleh karena itu, Investor perlu mengetahui cara menghitung resiko agar dapat mengambil tindakan yang tepat untuk portofolionya, sehingga mereka dapat memperhitungkan tingkat resiko yang mungkin diperoleh. Salah satu cara menghitung nilai resiko adalah dengan Value at Risk (VaR). Makalah ini menyajikan perhitungan VaR, dengan menggunakan metode analisa variansi kovariansi. Berdasarkan metode ini , nilai resiko dipengaruhi oleh faktor harga pasar saham, volatilitas harga saham, periode waktu, dan tingkat kepercayaan yang digunakan. Asumsi yang digunakan pada metode ini adalah return berdistribusi normal.]]>
<![CDATA[Analisis Faktor Resiko Penderita Diabetes Mellitus (DM) Tipe II dengan Menggunakan Regresi Spline ]]>
<![CDATA[Linda Fatmawati]]>;
<![CDATA[Sugiyarto Sugiyarto]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 6, No 2 (2019) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v6i2.19551
<![CDATA[Diabetes Mellitus (DM) merupakan gangguan metabolisme dari distribusi gula oleh tubuh. Penderita DM tidak bisa memproduksi jumlah insulin dalam jumlah yang cukup, atau tubuh tidak mampu menggunakan insulin secara efektif, sehingga terjadilah kelebihan gula dalam darah. Kelebihan gula yang kronis dalam darah (hiperglikemia) ini menjadi racun bagi tubuh. Klasifikasi atau jenis DM ada bermacam-macam, tetapi di Indonesia yang paling banyak ditemukan adalah DM tipe II. Analisis faktor resiko DM tipe II dengan regresi spline mampu mengestimasi data yang tidak memiliki pola tertentu. Hasil permodelan diperoleh kesimpulan bahwa model terbaik dapat dijelaskan melalui model regresi linier kombinasi knot terbobot. Model ini menghasilkan nilai GCV sebesar GCV 24514,2137 dan koefisien determinasi 24,96 %. Dari hasil diatas nampak bahwa variabel yang berpengaruh tehadap gula darah sewaktu adalah hemoglobin, leukosit, tekanan sistol, dan tekanan distol.]]>
<![CDATA[Implementasi fuzzy inference system untuk pengambilan keputusan ]]>
<![CDATA[Upic Resta Fauziah Tolang]]>;
<![CDATA[Sugiyarto Sugiyarto]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 7, No 1 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v7i1.19541
<![CDATA[Jumlah penderita diabetes mellitus mengalami peningkatan dari tahun ke tahun. Hal ini dikarenakan keterlambatan diagnosa penyakit. Dan Indonesia sendiri menempati urutan ke-10 jumlah penderita diabetes terbanyak didunia. Penderita penyakit tersebut biasanya tidak menyadari kalau menderita penyakit diabetes melitus. Pada penelitian ini, dibuat suatu sistem pendukung keputusan penegakan penyakit diabetes mellitus dengan menggunakan metode Tsukamoto. Variabel-variabel pendukung penegakan diagnosa penyakit tersebut digunakan dalam pembentukan himpunan fuzzy. Himpunan fuzzy yang diproses dengan metode Tsukamoto sehingga menghasilkan suatu keputusan. Aplikasi yang dirancang telah diuji dengan melibatkan rekam medik diagnosa dari dokter, hasil keputusan yang dihasilkan dari metode adalah sama dengan diagnosa dokter yang tertera di rekam medik. Secara umum aplikasi berbasis web ini bisa digunakan sebagai alat bantu dalam penegakan diagnosa penyakit diabetes melitus. Hasil perhitungan SPK tidak berbeda dengan hasil pemeriksaan glukosa darah oleh dokter, hal ini ditunjukkan dengan uji validitas SPK dengan menggunakan dua ratus dua belas jenis data sampel dan menghasilkan tingkat validitas SPK sebesar 96%.Jumlah penderita diabetes mellitus mengalami peningkatan dari tahun ke tahun. Hal ini dikarenakan keterlambatan diagnosa penyakit. Dan Indonesia sendiri menempati urutan ke-10 jumlah penderita diabetes terbanyak didunia. Penderita penyakit tersebut biasanya tidak menyadari kalau menderita penyakit diabetes melitus. Pada penelitian ini, dibuat suatu sistem pendukung keputusan penegakan penyakit diabetes mellitus dengan menggunakan metode Tsukamoto. Variabel-variabel pendukung penegakan diagnosa penyakit tersebut digunakan dalam pembentukan himpunan fuzzy. Himpunan fuzzy yang diproses dengan metode Tsukamoto sehingga menghasilkan suatu keputusan. Aplikasi yang dirancang telah diuji dengan melibatkan rekam medik diagnosa dari dokter, hasil keputusan yang dihasilkan dari metode adalah sama dengan diagnosa dokter yang tertera di rekam medik. Secara umum aplikasi berbasis web ini bisa digunakan sebagai alat bantu dalam penegakan diagnosa penyakit diabetes melitus. Hasil perhitungan SPK tidak berbeda dengan hasil pemeriksaan glukosa darah oleh dokter, hal ini ditunjukkan dengan uji validitas SPK dengan menggunakan dua ratus dua belas jenis data sampel dan menghasilkan tingkat validitas SPK sebesar 96%.]]>
<![CDATA[Forecasting Tourist Visit Using the Vector Autoregressive Exogenous Method (VARX) ]]>
<![CDATA[Erni Muschilati]]>;
<![CDATA[Nursyiva Irsalinda]]>
<![CDATA[ Jurnal Ilmiah Matematika Vol 7, No 2 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/konvergensi.v7i2.19608
<![CDATA[Forecasting is an activity to predict what will happen in the future by paying attention to information from the past and the present. A regression model that explains the past movement of the variable itself and also all other variables without distinguishing which endogenous and exogenous variables are called Vector Autoregressive (VAR). But in practice, endogenous variables are supported by exogenous variables. The Vector Autoregressive Exogenous (VARX) model is a development of the VAR with the addition of exogenous variables. The purpose of this study is to form the best model in the VAR method with the addition of an exogenous variable in the form of an effect calendar for forecasting the number of tourists coming to the Special Region of Yogyakarta (DIY). The data used in this study are time series data for 10 years from January 2009 to December 2018 in the form of tourist visit data in the Special Region of Yogyakarta (DIY). The results obtained indicate that the effect calendar variable that affects tourist visitor data in DIY is at Christmas. After being analyzed using MAPE, the best model is the VARX (1.0) model which produces a smaller. So, it can be concluded that the VARX model with the addition of an effects calendar is suitable for predicting tourist visits]]>
