cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
BIMASTER
Published by Universitas Tanjungpura
ISSN : -     EISSN : -     DOI : -
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Mathematics
Bimaster adalah Jurnal Ilmiah berkala bidang Matematika, Statistika dan Terapannya yang terbit secara online dan dikelola oleh Jurusan Matematika FMIPA Untan
Arjuna Subject : -
Articles 15 Documents
 1   2 
Search results for , issue "Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya" : 15 Documents clear
IMPLEMENTASI ALGORITMA GATED RECURRENT UNIT (GRU) UNTUK MEMPREDIKSI HARGA CRUDE PALM OIL (CPO) INDONESIA Robbiati, Dian; Perdana, Hendra; Martha, Shantika
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.95959

Abstract

Minyak sawit mentah atau crude palm oil (CPO) merupakan salah satu hasil olahan utama kelapa sawit dengan nilai ekonomis tinggi sebagai komoditas ekspor dan sumber devisa negara. Fluktuasi harga CPO menyebabkan ketidakstabilan harga Tandan Buah Segar (TBS), yang berdampak pada menurunnya pendapatan petani dan risiko kerugian perusahaan akibat biaya produksi yang tidak tertutupi serta penumpukan CPO yang tidak terjual. Penelitian ini bertujuan untuk memprediksi harga CPO Indonesia menggunakan algoritma Gated Recurrent Unit (GRU). GRU merupakan salah satu varian dari algoritma Recurrent Neural Networks (RNN) yang efisien dalam menangani data time series. Data yang digunakan adalah data harga harian CPO Indonesia dari Badan Pengawas Perdagangan Berjangka Komoditi (Bappebti). Dataset kemudian dibagi menjadi data training yang terdiri dari periode 1 April 2023 "“ 31 Mei 2024 dan data testing yang terdiri dari periode 1 Juni "“ 31 Juli 2024. Penelitian ini dilakukan menggunakan software RStudio dengan package "Tsdeeplearning". Proses pelatihan model meliputi inisialisasi bobot dan bias, perhitungan reset gate dan update gate dengan fungsi aktivasi sigmoid, kandidat hidden state dengan fungsi aktivasi tanh, serta hidden state. Pelatihan model berhenti pada epoch ke-10 setelah mencapai kondisi optimum . Hasil penelitian menunjukkan bahwa model GRU memiliki kinerja yang sangat baik dalam memprediksi harga CPO Indonesia. Hal ini ditunjukkan oleh nilai MAPE pada data training dan testing masing-masing sebesar 2,6% dan 2,7%. Hasil prediksi untuk satu bulan ke depan yaitu periode Agustus 2024 menunjukkan bahwa rata-rata harga CPO Indonesia sebesar Rp15.378.
PENERAPAN RECURRENT NEURAL NETWORK UNTUK MERAMALKAN HARGA CRUDE PALM OIL DI INDONESIA Sesilisvana, Nevil; Perdana, Hendra; Imro’ah, Nurfitri
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.99123

Abstract

Machine Learning (ML) merupakan salah satu pendekatan dalam Artificial Intelligence (AI) yang dipakai untuk meniru cara manusia dalam melakukan peramalan secara otomatis. Salah satu metode dalam ML adalah Recurrent Neural Network (RNN). Untuk data deret waktu, RNN cocok digunakan karena mempunyai memori internal yang dapat mengingat informasi masa lalu untuk meramalkan masa depan. Dalam berbagai sektor, kemampuan untuk meramalkan kejadian di masa depan merupakan aspek penting untuk dipertimbangkan dalam perencanaan, pengambilan keputusan dan manajemen risiko. Pada sub sektor perkebunan seperti kelapa sawit, minyak sawit mentah (CPO) merupakan hasil olahan kelapa sawit yang dimanfaatkan sebagai bahan baku produk pangan maupun non-pangan. Fluktuasi harga CPO di Indonesia dapat menyebabkan kerugian tidak hanya pada produsen tetapi juga pada konsumen. Untuk meminimalisir kerugian tersebut maka diperlukannya peramalan harga CPO. Data yang digunakan pada penelitian ini adalah harga CPO di Indonesia dari 1 April 2023 hingga 31 Juli 2024. Penelitian ini menggunakan 260 data training dan 41 data testing. Evaluasi kinerja model yang digunakan untuk melihat seberapa baik model dalam melakukan peramalan ialah Mean Absolute Percentage Error (MAPE). Dari tahap pelatihan dan pengujian yang telah dilakukan, menunjukkan bahwa nilai MAPE sebesar 3,08% untuk data training dan 3,2% untuk data testing. Dikarenakan nilai MAPE kurang dari 10% maka disimpulkan bahwa model yang dibangun memiliki kemampuan peramalan yang sangat baik. Hasil dari peramalan periode 1 bulan ke depan yaitu Agustus 2024 menunjukkan bahwa rata-rata harga CPO pada bulan Agustus 2024 sebesar Rp15.302.
ANALISIS HUBUNGAN CURAH HUJAN, KECEPATAN ANGIN, KELEMBAPAN UDARA, DAN SUHU UDARA MENGGUNAKAN BAYESIAN VECTOR AUTOREGRESSIVE Romanda, Putri; Helmi, Helmi; Huda, Nur’ainul Miftahul
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.98430

Abstract

Curah hujan, kecepatan angin, kelembapan udara, dan suhu udara merupakan variabel penting dalam sistem iklim yang saling memengaruhi secara dinamis. Penelitian ini bertujuan untuk menganalisis hubungan dinamis antara curah hujan, kecepatan angin, kelembapan udara, dan suhu udara serta membandingkan model Vector Autoregressive (VAR) dan Bayesian Vector Autoregressive (BVAR). Tahapan analisis diawali dengan uji Augmented Dickey-Fuller (ADF) untuk menguji stasioneritas data. Selanjutnya, panjang lag optimal ditentukan menggunakan Akaike Information Criterion (AIC), kemudian dilakukan uji kointegrasi untuk mengidentifikasi adanya hubungan jangka panjang antar variabel. Model VAR dan BVAR kemudian diestimasi untuk menangkap pola hubungan dinamis antar variabel. Perbandingan kedua model dilakukan berdasarkan Mean Absolute Percentage Error (MAPE) guna menentukan model yang lebih akurat. Selain itu, uji kausalitas Granger juga diterapkan untuk mengevaluasi hubungan prediktif antar variabel iklim. Hasil menunjukkan bahwa model BVAR lebih akurat dibandingkan VAR yang ditunjukkan dengan nilai MAPE yang lebih rendah. Uji kausalitas Granger mengungkapkan bahwa kecepatan angin dapat digunakan untuk memprediksi kelembapan udara, tetapi tidak sebaliknya. Temuan ini menegaskan keunggulan BVAR dalam peramalan variabel iklim dan pemahaman hubungan prediktif antar variabel.
PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN TINGKAT KEMISKINAN DENGAN K-MEDOIDS DENGAN JARAK MANHATTAN Fiqriani, Rizha Aynul; Imro’ah, Nurfitri; Sulistianingsih, Evy
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.99124

Abstract

Salah satu masalah utama yang masih dihadapi oleh banyak negara, termasuk Indonesia adalah masalah kemiskinan. Faktor-faktor seperti minimnya peluang kerja dan tingginya tingkat persaingan menjadi penyebab utama permasalahan ini. Di Kalimantan Barat, pembangunan ekonomi belum mampu memberikan dampak merata terhadap kesejahteraan masyarakat, yang menunjukkan terjadinya kemiskinan di wilayah tersebut. Penelitian ini memiliki tujuan untuk mengelompokkan daerah di Kalimantan Barat berdasarkan tingkat kemiskinan dengan menggunakan metode cluster. Sumber data dalam penelitian ini berasal dari Badan Pusat Statistik (BPS) Kalimantan Barat tahun 2023 dengan beberapa indikator kemiskinan. Proses pengelompokan dilakukan menggunakan metode K-Medoids, yaitu salah satu metode cluster non-hierarki yang merupakan pengembangan dari metode K-Means. Proses pengelompokan dimulai dengan pemilihan medoid secara acak, kemudian perhitungan jarak dilakukan menggunakan jarak Manhattan dan hasil pengelompokan dievaluasi dengan Davies Bouldin Index (DBI) sehingga diperoleh jumlah cluster optimal yaitu empat cluster. Cluster 1 terdiri dari Kota Pontianak yang memiliki tingkat kemiskinan sangat rendah. Cluster 2 terdiri dari Bengkayang, Sanggau dan Sekadau dengan tingkat kemiskinan rendah. Cluster 3 terdiri dari Sambas, Landak, Mempawah, Sintang, Kayong Utara, Kapuas Hulu, Kota Singkawang, dan Kubu Raya yang memiliki tingkat kemiskinan tinggi. Dan cluster 4 terdiri dari Ketapang dan Melawi yang memiliki tingkat kemiskinan sangat tinggi. Berdasarkan hasil ini, diperlukan kebijakan yang disesuaikan dengan karakteristik masing-masing cluster, seperti pemberian bantuan sosial, peningkatan akses pendidikan, serta pembangunan infrastruktur dan penciptaan lapangan kerja.
ANALISIS DISKRIMINAN LINEAR ROBUST PADA PENGKLASIFIKASIAN BERAT BAYI LAHIR DENGAN METODE WINSORIZED MODIFIED ONE-STEP M-ESTIMATOR Silvia, Elma; Yundari, Yundari; Kusumastuti, Nilamsari
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i4.99120

Abstract

Analisis diskriminan adalah suatu metode yang digunakan dalam mengklasifikasi suatu objek ke dalam kelompok berdasarkan dengan variabel bebasnya. Metode ini harus memenuhi asumsi dasar analisis diskriminan yaitu uji sebaran multivariat dan uji homogenitas matriks varians-kovarians, metode analisis ini juga sangat mudah terpengaruh terhadap data yang mengandung pencilan sehingga membuat asumsi menjadi tidak terpenuhi. Tujuan dari penelitian ini adalah untuk mengklasifikasi berat badan bayi baru lahir, yang mana menurut organisasi kesehatan dunia (WHO) berat badan bayi ini dapat dikelompokan menjadi 2 yaitu bayi berbobot lahir rendah (≤2500 g) dan bayi berbobot lahir normal (>2500 g), menggunakan analisis diskriminan linear robust dengan metode winsorized modified one-step M-estimator (WMOM). WMOM bekerja dengan cara mengganti nilai yang lebih dari batas atas atau kurang dari batas bawah berdasarkan kriteria pemangkasan Modified one step M-estimator (MOM), dimana metode ini dapat mengatasi pencilan pada data. Dalam penelitian ini data yang digunakan adalah data berat badan bayi yang baru lahir dan variabel-variabel yang mewakili kondisi ibu ketika hamil di Kecamatan Jawai tahun 2023-2024. Berdasarkan hasil dari klasifikasi menunjukan bahwa dari 9 bayi pada waktu lahir mempunyai berat bayi lahir rendah diklasifikasi 4 diantaranya diprediksikan akan masuk ke dalam kelompok bayi berbobot lahir normal dan sebaliknya dari 78 bayi pada waktu lahir mempunyai berat bayi normal didapat 20 diantaranya diprediksikan akan masuk ke dalam kelompok bayi berbobot lahir rendah. Tingkat akurasi klasifikasi yang diperoleh sebesar 72,41% dengan nilai APER sebesar 27,59%, dan hasil uji statistik press"™s Q menunjukan bahwa klasifikasi yang dilakukan secara konsisten.

Page 2 of 2 | Total Record : 15

 1   2 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 14, No 5 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 3 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 4 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 1 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 6 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 5 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya (dalam proses) Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 2 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 1 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 5 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 2 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 2 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 1 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 4 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 3 (2020): BIMASTER Vol 9, No 3 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): BIMASTER Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): BIMASTER Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): BIMASTER Vol 8, No 2 (2019): BIMASTER Vol 8, No 2 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): BIMASTER Vol 7, No 4 (2018): BIMASTER Vol 7, No 4 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): BIMASTER Vol 7, No 3 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): BIMASTER Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 1 (2018): BIMASTER Vol 7, No 1 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 03 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 03 (2017): BIMASTER Vol 6, No 02 (2017): BIMASTER Vol 6, No 02 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 01 (2017): BIMASTER Vol 6, No 01 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 5, No 03 (2016): BIMASTER Vol 5, No 02 (2016): BIMASTER Vol 5, No 01 (2016): BIMASTER Vol 4, No 03 (2015): BIMASTER Vol 4, No 01 (2015): BIMASTER Vol 4, No 2 (2015): BIMASTER Vol 3, No 03 (2014): BIMASTER Vol 3, No 02 (2014): BIMASTER Vol 3, No 01 (2014): Bimaster Vol 2, No 03 (2013) Vol 2, No 02 (2013): Bimaster Vol 2, No 1 (2013): BIMASTER Vol 1, No 01 (2012): BIMASTER More Issue