cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rudianto Artiono
Contact Email
rudiantoartiono@unesa.ac.id
Phone
+6281554785969
Journal Mail Official
mathunesa@unesa.ac.id
Editorial Address
The Department of Mathematics, The first floor of C-8 Building, Faculty of Mathematics and Natural Sciences, Universitas Negeri Surabaya Jl. Ketintang, Surabaya 60231, East Java, Indonesia
Location
Kota surabaya,
Jawa timur
INDONESIA
MATHunesa: Jurnal Ilmiah Matematika
Published by Universitas Negeri Surabaya
ISSN : 23019115     EISSN : 2716506X     DOI : https://doi.org/10.26740/mathunesa
Core Subject : Education,
Mathematics
MATHunesa is a mathematical scientific journal published by the Department of Mathematics, Faculty of Mathematics and Natural Sciences, The State University of Surabaya with e-ISSN 2716-506X and p-ISSN 2301-9115. This journal is published every four months in April, August, and December. One volume consists of three publication numbers. MATHunesa aims at providing a platform and encourages emerging scholars and academicians globally to share their professional and academic experiences to explore, but not limited to the following topics: 1. Analysis Mathematics, 2. Algebra, 3. Applied Mathematics, 4. Statistics, 5. Computation, 6. Combinatorics, and 7. Also giving an opportunity to show the power of innovation and finding new things in the field of mathematics. This journal was published online for the first time in 2013 as part of the graduation for students majoring in Mathematics at the State University of Surabaya.
Arjuna Subject : Matematika - Matematika (Lain-Lain)
Articles 625 Documents
 55   56   57   58   59 
DEKOMPOSISI DARI GRAF LENGKAP Kn DENGAN n ≥ 1 Nur Fitriana Maulidah; Budi Rahadjeng
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p278-288

Abstract

MODEL DETERMINISTIK DUA FASE UNTUK PENYEBARAN COVID-19 DI PROVINSI RIAU Octariansyah, Muhammad
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p172-179

Abstract

Penelitian ini bertujuan untuk memodelkan penyebaran COVID-19 di Provinsi Riau dengan pendekatan model deterministik dua fase. Model ini terdiri dari fase pertama yang mengikuti pertumbuhan eksponensial dan fase kedua yang menggunakan model eksponensial terbatas. Data yang digunakan adalah jumlah kasus kumulatif COVID-19 dari Maret 2020 hingga Januari 2024. Pengolahan dilakukan dengan tiga variasi titik belok untuk menguji akurasi prediksi. Setiap model dianalisis dengan metode regresi linier dan pendekatan numerik menggunakan Solver untuk menentukan parameter optimal. Akurasi masing-masing model dievaluasi dengan nilai Mean Absolute Percentage Error (MAPE). Hasil menunjukkan bahwa model dengan titik belok pada 18 Oktober 2020 memberikan hasil prediksi terbaik, dengan nilai MAPE sebesar 13,68% yang dikategorikan “akurat” menurut klasifikasi Lewis. Temuan ini menunjukkan bahwa pendekatan dua fase mampu merepresentasikan dinamika penyebaran COVID-19 secara lebih realistis dan akurat dibandingkan model satu fase. Hasil penelitian ini menjawab tujuan utama, yaitu mengembangkan model prediksi yang adaptif dan valid dalam menggambarkan transisi fase penyebaran COVID-19 di Provinsi Riau. Kata Kunci: model dua fase, COVID-19, eksponensial terbatas, titik belok, MAPE.
Analisis model generalized poisson regression pada kasus jumlah kematian bayi di Provinsi Nusa Tenggara Timur 2023: Analisis model generalized poisson regression pada kasus jumlah kematian bayi di Provinsi Nusa Tenggara Timur 2023 da Rato, Maria Ririanti da Rato
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p289-298

Abstract

Kematian bayi adalah istilah yang digunakan untuk menggambarkan kematian bayi sebelum berusia satu tahun. Menurut Sustainable Development Goals (SDGs), pada tahun 2030 Indonesia diharapkan dapat mencapai target AKB 12/1.000 kelahiran hidup. AKB di Provinsi Nusa Tenggara Timur (NTT) masih tinggi, sehingga tujuan dari penelitian ini untuk mengetahui faktor-faktor apa saja yang mempengaruhi jumlah kematian bayi di Provinsi NTT pada tahun 2023 dengan menggunakan metode Generalized Poisson Regression (GPR). Metode GPR digunakan untuk mengatasi kasus overdispersi pada data count dimana nilai varians dari variabel jumlah kematian bayi lebih besar dibandingkan nilai rata-ratanya. Dalam penelitian ini, peneliti mengambil data secara sekunder dari Badan Pusat Statistik (BPS) Provinsi NTT dimana terdapat sepuluh faktor yang diduga dapat memengaruhi jumlah kematian bayi di Provinsi NTT pada tahun 2023. Hasil penelitian menunjukan terdapat tujuh faktor yang mempengaruhi jumlah kematian bayi di Provinsi NTT tahun 2023. Faktor yang berpengaruh yaitu persentase penduduk miskin , persentase rumah tangga dengan akses sanitasi layak , persentase perempuan hamil dibawah 19 tahun , persentase balita usia 0-23 bulan yang pernah diberikan ASI , persentase sumber air minum yang tak terlindungi , persentase rata-rata lama sekolah perempuan , dan persentase persalinan dibantu pihak di luar tenaga medis .
SIMULASI ASSIGNMENT PROBLEM UNTUK DISTRIBUSI TUGAS OPTIMAL MENGGUNAKAN ALGORITMA HUNGARIAN DAN PYTHON Khoiriyati Azmi; Dinda Kartika
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p189-195

Abstract

Penelitian ini membahas ketidakseimbangan dalam pembagian tugas pengiriman dokumen di lingkungan pemerintahan dapat menimbulkan keterlambatan dan ketidakefisienan kerja. Penelitian ini bertujuan untuk mengoptimalkan pembagian tugas pengiriman dokumen secara adil dan efisien menggunakan algoritma Hungarian. Metode penelitian yang digunakan adalah pendekatan kuantitatif melalui simulasi assignment problem, di mana setiap kombinasi staf dan tugas dimodelkan dalam bentuk matriks beban kerja. Data dianalisis secara manual dan dengan implementasi Python untuk membandingkan hasil penugasan. Hasil penelitian menunjukkan bahwa pembagian tugas optimal menghasilkan total beban minimum sebesar 105 dokumen, dengan distribusi beban kerja yang merata untuk setiap staf. Implementasi algoritma Hungarian melalui Python menghasilkan hasil yang identik dengan perhitungan manual, namun dengan efisiensi waktu yang lebih baik. Temuan ini menunjukkan bahwa algoritma Hungarian efektif dan akurat dalam mengatasi permasalahan pembagian beban kerja di instansi pemerintahan, serta berpotensi untuk diotomatisasi dalam sistem informasi internal. Kata Kunci: assignment problem, algoritma Hungarian, Python.
PENERAPAN BACKPROPAGATION NEURAL NETWORK DALAM MERAMALKAN PRODUKSI KOPI DI INDONESIA Riezky Purnama Sari; Ulya Nabilla; baringbing, meylani
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p494-501

Abstract

Coffee is one of the most valuable agricultural commodities in the global market, ranking 4th among the ten largest coffee-producing countries in the world. In addition, coffee has the potential to drive the country's economic growth through exports, which can contribute to an increase in national foreign exchange. During the ten-year period from 2014 to 2023, the growth of coffee production was recorded to be lower, with an average increase of about 1.63% per year. The purpose of this research is to determine the forecast of coffee production in Indonesia from 2025 to 2029 using the Backpropagation Neural Network and the accuracy of the method in forecasting coffee production in Indonesia. Data was taken from the Secretariat of the Directorate General of Estates. The method used in this research is the backpropagation neural network method using 4 models of training and testing data, namely 50:50, 60:40, 70:30, and 80:20. Backpropagation Neural Network is a multilayer artificial neural network method that operates in a supervised manner and can be used for classification and forecasting. The results of this study show that the 80:20 model is the best model because the MAPE obtained is 7.672%, with the coffee production forecast in Indonesia for the years 2025 to 2029 being 698,979; 697,202; 696,081; 695,292; 694,700 (tons).With an accuracy level of 7.672%. This value indicates that this method is very good at forecasting coffee production in Indonesian. Keywords: Coffee, Backpropagation Neural Network, MAPE, Training-Test Data
KLASIFIKASI JENIS IKAN HIU BERDASARKAN CORAK TUBUH MENGGUNAKAN DIMENSI FRAKTAL BOX COUNTING DAN K-MEANS Silfa Amalia
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p411-420

Abstract

Hiu merupakan kelompok ikan bertulang rawan dalam subkelas Elasmobranchii. Hiu sebagai predator puncak berperan penting dalam menjaga keseimbangan ekosistem laut. Oleh karena itu, upaya pelestarian hiu sangat penting dan memerlukan identifikasi spesies yang akurat. Identifikasi berdasarkan corak tubuh hiu dapat meningkatkan ketepatan dalam mengklasifikasikan dan membedakan keragaman spesies, karena beberapa spesies hiu memiliki pola corak yang khas dan berbeda satu sama lain. Dalam ilmu matematika, konsep fraktal menjadi salah satu metode yang sesuai untuk menganalisis pola-pola tidak beraturan pada objek alami, termasuk corak pada tubuh hiu. Penelitian ini mengklasifikasikan jenis hiu berdasarkan corak tubuhnya dengan menggunakan dimensi fraktal. Sebanyak 105 citra berwarna pada bagian samping insang tubuh ikan hiu dipotong dan diubah menjadi citra grayscale, kemudian dilakukan segmentasi pada bagian corak tubuhnya. Hasil segmentasi tersebut selanjutnya digunakan untuk mengidentifikasi pola corak tubuh ikan hiu menggunakan metode deteksi tepi Canny. Nilai dimensi fraktal dihitung menggunakan metode box counting, kemudian hasilnya diklasifikasikan ke dalam 7 klaster dengan menggunakan algoritma K-Means Clustering. Menghasilkan tingkat akurasi klasifikasi sebesar 89,52%.
Perbandingan Metode Benktander dan Munich Chain Ladder dalam Mengestimasi Cadangan Klaim Asuransi Commercial Multi-Peril: Perbandingan Metode Benktander dan Munich Chain Ladder dalam Mengestimasi Cadangan Klaim Asuransi Commercial Multi-Peril Ariyanti, Rinda; Oktaviarina, Affiati
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p475-486

Abstract

ABSTRAK Sebagai salah satu manajemen risiko bagi perusahaan asuransi, perhitungan estimasi cadangan klaim diperlukan untuk mengetahui dana yang harus disiapkan untuk membayar klaim di masa depan. Perhitungan estimasi cadangan klaim harus dilakukan secara akurat dengan metode yang tepat agar tidak menyebabkan kerugian bahkan kebangkrutan bagi perusahaan asuransi apabila hasil estimasi yang diperoleh sangat jauh dari nilai aktual. Penelitian ini bertujuan untuk membandingkan metode Benktander dan Munich Chain Ladder dalam mengestimasi cadangan klaim asuransi commercial multi-peril berdasarkan nilai prediction error yang diperoleh. Prediction error yang digunakan adalah MAPE (Mean Absolute Percentage Error) dan MSE (Mean Square Error). Data yang digunakan berupa data sekunder yang bersumber dari laporan tahunan salah satu perusahaan asuransi di Amerika Serikat. Berdasarkan hasil penelitian yang diperoleh, dapat disimpulkan bahwa metode Munich Chain Ladder memiliki performa yang lebih baik dibandingkan dengan metode Benktander dalam mengestimasi cadangan klaim asuransi commercial multi-peril karena memiliki nilai MAPE dan MSE yang lebih kecil. ABSTRACT As a part of risk management for insurance companies, the estimation of claim reserves is essential to determine the funds that must be allocated for future claim payments. The estimation process must be conducted accurately using an appropriate method to prevent financial losses or even bankruptcy if the estimated results significantly deviate from the actual values. This study aims to compare the Benktander and Munich Chain Ladder methods in estimating claim reserves for commercial multi-peril insurance based on the obtained prediction error values. The prediction errors used in this study are MAPE (Mean Absolute Percentage Error) and MSE (Mean Square Error). The data utilized consists of secondary data sourced from the annual report of an insurance company in the United States. Based on the research findings, it can be concluded that the Munich Chain Ladder method performs better than the Benktander method in estimating claim reserves for commercial multi-peril insurance, as it yields lower MAPE and MSE values.
Perbandingan Hasil Peramalan Nilai Ekspor dan Impor Migas di Jawa Timur dengan Pengaruh Nilai Kurs Dolar Menggunakan Pemodelan ECM dan VECM Feby; Affiati
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p509-523

Abstract

Abstrak Dalam era globalisasi, Indonesia perlu meningkatkan ekspor dan impor untuk mempertahankan pertumbuhan ekonomi terutama dalam sektor migas. Migas memiliki nilai strategis bagi kehidupan dikarenakan migas merupakan sumber daya alam tak terbarukan. Sektor migas di Indonesia tersebar di beberapa wilayah, salah satunya di Provinsi Jawa Timur. Oleh karena itu, penelitian ini bertujuan untuk membandingkan hasil peramalan ekspor impor migas dengan menggunakan model ECM dan VECM. Dari hasil analisis diperoleh nilai MAPE model ECM untuk ekspor migas sebesar 123.5848% dan model VECM ekspor migas sebesar 133.5658%. Sedangkan untuk nilai MAPE model ECM untuk impor migas sebesar 22.1128% dan VECM impor migas sebesar 28.1592%. Sehingga model ECM merupakan model terbaik dibandingkan dengan VECM dalam meramalkan nilai ekspor dan impor migas, meskipun pada nilai MAPE untuk ekspor migas memiliki akurasi yang rendah dalam peramalan. Kata Kunci: ECM, VECM, ekspor migas, impor migas, nilai kurs Abstract In the era of globalization, Indonesia needs to increase exports and imports to maintain economic growth, especially in the oil and gas sector. Oil and gas have strategic value for life because oil and gas are non-renewable natural resources. The oil and gas sector in Indonesia is spread across several regions, one of which is in East Java Province. Therefore, this study aims to compare the results of oil and gas export and import forecasting using the ECM and VECM models. From the analysis results, the MAPE value of the ECM model for oil and gas exports is 123.5848% and the VECM model for oil and gas exports is 133.5658%. While the MAPE value of the ECM model for oil and gas imports is 22.1128% and the VECM for oil and gas imports is 28.1592%. So the ECM model is the best model compared to VECM in forecasting the value of oil and gas exports, although the MAPE value for oil and gas exports has low accuracy in forecasting. Keywords: ECM, VECM, oil and gas exports, oil and gas imports, exchange rates
MAKSIMALISASI LABA PADA TOKO LAMPU MENGGUNAKAN PEMROGRAMAN LINEAR Muhamad Furqon Al-Haqqi; Setyawan Humay Senja; Rasim
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p438-444

Abstract

Penelitian ini membahas tantangan krusial yang dihadapi oleh Usaha Mikro, Kecil, dan Menengah (UMKM) di Indonesia: keterbatasan alokasi modal di tengah persaingan pasar yang ketat, khususnya untuk bisnis ritel non-manufaktur. Meskipun UMKM memberikan kontribusi signifikan terhadap Produk Domestik Bruto (PDB) nasional dan penyerapan tenaga kerja, banyak dari mereka masih mengalami kesulitan dalam pengelolaan sumber daya secara efisien akibat ketergantungan pada proses manual dan pengambilan keputusan berbasis intuisi. Hal ini sering kali menyebabkan alokasi modal yang tidak optimal dan terhambatnya perolehan laba. Untuk mengatasi permasalahan ini, studi ini mengusulkan Pemrograman Linear (PL) sebagai alat optimasi matematis yang kuat. Meskipun PL telah banyak diterapkan dalam optimasi produksi pada UMKM manufaktur, penelitian ini secara khusus menyoroti penerapannya dalam pengambilan keputusan pembelian persediaan pada sebuah toko lampu ritel. Dengan memodelkan permasalahan alokasi modal sebagai masalah PL, menyelesaikannya menggunakan metode grafik, serta menganalisis implikasi manajerialnya, penelitian ini bertujuan untuk menghadirkan pendekatan perencanaan strategis berbasis data bagi UMKM. Temuan menunjukkan bahwa dengan membeli 10 unit lampu merek A dan 30 unit lampu merek B, toko dapat memperoleh laba maksimum sebesar Rp260.000 dengan total pengeluaran modal sebesar Rp990.000, yang masih berada dalam batas anggaran sebesar Rp1.000.000. Hal ini menggambarkan efektivitas PL dalam meningkatkan efisiensi operasional dan daya saing UMKM yang menghadapi keterbatasan sumber daya.
Metode Regresi Linier Berganda Berbasis Machine Learning untuk Memprediksi Peminjaman Buku di Kabupaten Pamekasan aini, ribkiyatul
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 3 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n3.p487-493

Abstract

Abstrak Peningkatan literasi masyarakat melalui perpustakaan daerah menuntut adanya pengelolaan data peminjaman buku yang efektif dan prediktif. Penelitian ini bertujuan untuk memprediksi jumlah peminjaman buku di Kabupaten Pamekasan menggunakan metode regresi linier berganda berbasis machine learning. Data yang digunakan merupakan data peminjaman buku tahun 2023 hingga 2024 dengan lima variabel bebas: jumlah mahasiswa, pelajar, sekolah, masyarakat umum, dan katagori lainnya. Penelitian menguji empat model regresi diuji, yaitu model linier dasar, model interaksi, model polinomial, dan model gabungan interaksi dan kuadrat. Hasil menunjukkan bahwa meskipun model model kompleks seperti interaksi dan polynomial meningkatkan nilai R-squared hingga maksimal, adjusted R-squared yang rendah menandakan kemungkinan overvitting. Model linier dasar memberikan keseimbangan terbaik antara akurasi dan kompleksitas dengan R-squared sebesar 46,8%.Dengan demikian, metode regresi linier berganda cocok untuk prediksi peminjaman buku jika dilakukan dengan pemilihan model yang tepat Abstract Increasing public literacy through regional libraries requires effective and predictive book lending data management. This study aims to predict the number of book lending in Pamekasan Regency using a multiple linear regression method based on machine learning. The data used is book lending data from 2023 to 2024 with five independent variables: the number of students, students, schools, the general public, and othercategories. The study tested four regression models,namely the basic linier model, interaction model, polynomial model, and a combined interaction and quadratic model. The results show that although complex models such as interaction and polynomial increase the R-squared value to the maximum, a lowadjusted R-squared indicates the possibility ofoverfitting. The basic linier model provides the best balance between accuracy and complexity with an R-squared of 45,8%. Thus, the multiple linier regression method is suitable for predicting book lending if it is carried out the right model selection.

Page 57 of 63 | Total Record : 625

 55   56   57   58   59 

Filter by Year

2013 2025


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