PRISMA, Prosiding Seminar Nasional Matematika
PRISMA, Prosiding Seminar Nasional Matematika, mempublikasikan ide, gagasan, hasil penelitian matematika atau pembelajarannya. Prisma diterbitkan berkala setiap tahun, sebagai ajang publikasi seminar nasional yang diselenggarakan oleh Jurusan Matematika Fakultas MIPA Universitas Negeri Semarang. Naskah yang dipublikasikan telah dipresentasikan dalam pertemuan ilmiah tersebut. PRISMA diterbitkan setiap Februari pada tahun setelah pelaksanaan Seminar Nasional Matematika UNNES.
Articles
98 Documents
Search results for
, issue
"Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika"
:
98 Documents
clear
<![CDATA[Penerapan Jaringan Syaraf Tiruan dengan Metode Learning Vector Quantization (LVQ) untuk Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA) ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penderita ISPA di Indonesia merupakan masalah kesehatan yang utama, terutama jumlah penderita ISPA di Indonesia yang masih tinggi. Penyakit ISPA harus ditangani dengan tepat sesuai diagnosis yang akurat. Diagnosis ISPA dilakukan secara manual dengan melihat gejala yang dialami pasien. Dalam Penelitian bertujuan untuk membuat sebuah aplikasi jaringan syaraf tiruan untuk mendiagnosis penyakit ISPA dengan menerapkan metode Learning Vector Quantization. Software dibuat dengan menggunakan Matlab R2018a. Gejala ISPA yang digunakan untuk mendiagnosis penyakit meliputi 10 variabel input dan 2 variabel output yaitu Suspect ISPA dan Non ISPA. Metode pengumpulan data yang digunakan yaitu metode kuantitatif yang berupa data primer dengan menggunakan kuesioner dan wawancara, data yang berhasil dikumpulkan dari Puskesmas Wedung 2 sebanyak 200 data. Berdasarkan hasil penelitian bahwa metode Learning Vector Quantization mampu mengenali pola dengan sangat baik dengan persentase rata-rata akurasi mencapai 96.5% dan akurasi tertinggi sebesar 100%. Nilai parameter yang digunakan adalah learning rate (α)=0.02, error goal = 0.01, iterasi maksimum 20 dengan perbandingan data latih dan data uji yang digunakan adalah 80:20. Dapat disimpulkan bahwa aplikasi yang dibuat mampu untuk mendiagnosis penyakit ISPA secara optimal.]]>
<![CDATA[Algoritme Quick RObust Clustering using linKs (QROCK) untuk Clustering Data Kategorik ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Data mining adalah proses ekstraksi dari suatu informasi pengetahuan atau pola yang bersifat penting dan bermanfaat dalam suatu basis data yang memiliki ukuran besar dan merupakan bagian integral dari Knowledge Discovery in Databases (KDD). Clustering merupakan salah satu proses data mining yang digunakan untuk melihat pola pendistribusian data yang akan digunakan sesuai dengan karakteristik data. Metode clustering hirarki dan non hirarki dikatakan tidak cocok digunakan untuk data kategorik sehingga dikembangkan Metode RObust Clustering using linKs (ROCK) dan berikutnya Quick ROCK. ROCK, metode yang di dalamnya membangun link untuk menggabungkan cluster-cluster-nya dan memiliki robustness yang baik sehingga dapat mengelompokkan data secara efektif. Sementara QROCK menghitung cluster dengan menentukan komponen yang terhubung dari grafik, diduga hal ini lebih efisien untuk mendapatkan cluster yang memberikan pengurangan waktu komputasi dibandingkan algoritme ROCK. Tujuan penelitian ini untuk mengkaji algoritme QROCK dari aspek akurasi dan efisiensinya. Hasil menunjukkan bahwa Quick RObust Clustering using linKs (QROCK) lebih efisien dan lebih akurat karena dapat mendeteksi outlier pada data kategorik.]]>
<![CDATA[Pemodelan Banyaknya Penumpang Kereta Api di Pulau Jawa dengan Nonlinear Autoregressive Neural Network ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Model Autoregressive (AR) adalah model regresi yang menghubungkan nilai amatan dengan nilai sebelumnya pada lag tertentu. Pada model AR terkadang diperoleh struktur nonlinear sehingga dikembangkan model nonlinear AR (NAR). Untuk keperluan evaluasi model dikembangkan model NAR dengan neural network (NN) dengan arsitektur input, hidden layer, dan output. Model tersebut dikenal dengan model Nonlinear Autoregressive Neural Network (NAR-NN). Model NAR-NN dapat diterapkan pada data banyaknya penumpang kereta api di Pulau Jawa. Data banyaknya penumpang kereta api merupakan data runtun waktu. Data banyaknya penumpang kereta api pada tahun 2006-2019 mengalami trend naik dan mengikuti pola nonlinear. Pada penelitian ini dilakukan pemodelan banyaknya penumpang kereta api di Pulau Jawa dengan NAR-NN yang menggunakan fungsi aktivasi sigmoid biner dan algoritme training Levenberg-Marquadt Backpropagation (LMBP). Adapun evaluasi model yang digunakan pada penelitian ini adalah Mean Absolute Percentage Error (MAPE). Hasil penelitian dengan percobaan hidden neuron, diperoleh bahwa model terbaik pada saat delay 2 dan hidden neuron 12 dengan nilai MAPE sebesar 3,75%.]]>
<![CDATA[Model Regresi Robust untuk Indeks Pembangunan Manusia di Jawa Timur dengan Estimasi M ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Indeks Pembangunan Manusia (IPM) merupakan salah satu indikator untuk mengukur tingkat keberhasilan pembangunan karena dalam perhitungan IPM melibatkan komponen ekonomi maupun non ekonomi. Salah satu provinsi pada Pulau Jawa memiliki luas wilayah terbesar yaitu Jawa Timur, selain itu dalam lima tahun terakhir IPM di Jawa Timur mengalami peningkatan. Tujuan dari penelitian ini yaitu untuk mengetahui faktor yang mempengaruhi signifikan terhadap IPM yang diharapkan dapat meningkatkan IPM di wilayah lainnya. Data IPM diambil pada BPS Jawa Timur tahun 2019 dengan variabel dependen IPM dan variabel independennya angka harapan hidup, rata-rata lama sekolah, harapan lama sekolah dan pendapatan per kapita (ribu rupiah). Pada data tersebut terdapat pencilan sehingga distribusi dari residu tidak normal oleh karena itu dilakukan analisis regresi robust, karena dapat mengatasi pencilan. Perhitungan dilakukan secara berulang dengan regresi robust estimasi M hingga diperoleh estimasi parameter yang konvergen dengan menggunakan pembobot Tukey bisquare. Dari hasil penelitian yang dilakukan didapatkan nilai dengan regresi robust estimasi M sebesar 99,91% dan semua variabel independen berpengaruh signifikan terhadap IPM.]]>
<![CDATA[PDRB Lapangan Usaha yang Berpengaruh terhadap Perkembangan Ekonomi Kabupaten Semarang ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Tujuan pada penelitian ini, yaitu untuk mengetahui berapa faktor yang dapat terbentuk dari variabel-variabel PDRB dari sektor basis setelah dilakukan analisis faktor, serta untuk mengetahui variabel PDRB dari sektor basis yang paling dominan berpengaruh terhadap perkembangan ekonomi di Kabupaten Semarang pada tahun 2010-2019. Pada penelitian ini untuk pengumpulan data menggunakan metode dokumentasi dan data yang digunakan, yaitu data sekunder yang didapatkan dari BPS Kabupaten Semarang. Data selanjutnya di analisis dengan analisis faktor menggunakan software SPSS. Berdasarkan hasil analisis diperoleh satu faktor adalah yang optimal dalam meringkas kedelapan variabel tersebut. Variabel PDRB dari sektor basis yang paling dominan berpengaruh terhadap perkembangan ekonomi di Kabupaten Semarang pada tahun 2010-2019, yaitu variabel Jasa Perusahaan , karena nilai component matrix dari variabel ini sebesar 1,000.]]>
<![CDATA[Analisis Faktor Produk Domestik Regional Bruto yang Mempengaruhi Pertumbuhan Ekonomi Kabupaten Brebes ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Analisis faktor pada metode statistik masuk dalam kategori multivariat, analisis faktor memiliki syarat bahwa harus terdapat hubungan antar variabel yang diteliti. Analisis faktor pada jurnal ini berguna untuk mengetahui sektor yang mempengaruhi laju pertumbuhan ekonomi di Kabupaten Brebes. Tujuan dari penelitian ini, yaitu untuk mengetahui sektor yang tumbuh cepat di Kabupaten Brebes berdasarkan pendekatan proportional shift dan differential shift jika dibandingkan dengan Provinsi Jawa Tengah, mengetahui berapa faktor yang terbentuk setelah dilakukan analisis faktor, dan mengetahui variabel yang mempengaruhi pertumbuhan ekonomi di Kabupaten Brebes. Metode pengumpulan data menggunakan data sekunder publikasi Badan Pusat Statistik dan penelitian analisis faktor dihitung dengan berbantuan software SPSS 22. Hasil yang didapat ada 11 sektor yang membuat perekonomian Kabupaten Brebes tumbuh cepat dalam perekonomian Provinsi Jawa Tengah, dan ada 13 sektor yang tumbuh cepat di Kabupaten Brebes dibandingkan Provinsi Jawa Tengah, setelah dilakukan pengujian analisis faktor yang menggunakan data penggabungan proportional shift dan differential shift, didapat hanya ada satu faktor yang terbentuk. Terdapat tiga variabel yang mempengaruhi laju pertumbuhan ekonomi di Kabupaten Brebes tahun 2010-2019 variabel tersebut adalah (1) jasa perusahaan, (2) pertambangan dan penggalian, dan (3) transportasi dan pergudangan.]]>
<![CDATA[Pemodelan Survival untuk Ketahanan Pemberian ASI Eksklusif di Indonesia pada Tahun 2018 ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[ASI Eksklusif adalah ASI yang diberikan oleh ibu kepada anaknya pada usia 0-6 bulan tanpa bahan makanan yang lain, kecuali vitamin dan obat-obatan yang dibutuhkan. ASI Eksklusif penting diberikan oleh ibu karena sangat bermanfaat baik bagi ibu maupun bagi anak. Manfaat tersebut dapat berupa pengurangan risiko penyakit tertentu atau dapat juga berupa pertumbuhan dan perkembangan anak yang lebih baik. Namun, pada tahun 2018 persentase pemberian ASI Eksklusif di Indonesia belum memenuhi target pemerintah dan target WHO. Padahal fasilitas kesehatan, cakupan kesehatan ibu hamil, dan cakupan kunjungan neonatal terus meningkat. Sehingga, perlu ditinjau variabel-variabel yang berperan di dalam pemberian ASI Eksklusif agar dapat diketahui gambaran umum dari pemberian ASI Eksklusif di Indonesia pada tahun 2018, dan juga untuk dapat memfokuskan diri pada variabel-variabel tersebut. Hal ini dilakukan agar target nasional dapat tercapai dan mempercepat pemenuhan target yang ditetapkan WHO pada tahun-tahun berikutnya. Penelitian ini mengambil sumber data dari Riskesdas 2018. Metode yang digunakan adalah Survival Analysis. Ditemukan bahwa variabel umur ibu, kondisi psikis, status pekerjaan, tingkat pendidikan, dan tempat tinggal signifikan memengaruhi ketahanan pemberian ASI Eksklusif di Indonesia pada tahun 2018.]]>
<![CDATA[Model Dinamika Interaksi Virus Corona (SARS-CoV-2) Penyebab COVID-19 dengan Sistem Imun Tubuh ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pemodelan merupakan representasi sistem fisik ke dalam bentuk matematis. Sehingga permasalahan tersebut dapat dicari solusinya. Pemanfaatan model dan metode numerik salah satunya, yaitu di bidang biologi. Pemodelan dalam biologi yang paling sering digunakan yaitu pemodelan untuk penyakit menular, seperti penyakit yang disebabkan oleh virus. Akhir-akhir ini dunia digemparkan dengan wabah COVID-19 yang disebabkan oleh virus corona jenis SARS-CoV-2. Virus tersebut menyerang sistem pernafasan manusia sehingga menimbulkan permasalahan pada paru-paru yang mengakibatkan sesak nafas. Permasalahan interaksi antara virus corona dengan sistem imun tubuh yang kompleks dapat dimodelkan dalam persamaan diferensial. Artikel ini merupakan artikel kajian teori berdasarkan literatur medis dan pemodelan matematika. Pada artikel ini akan diuraikan penelitian terkait interaksi virus corona (SARS-CoV-2) dengan sistem imun tubuh pernah diteliti.]]>
<![CDATA[Pemodelan Matematika Perkembangan Kanker Serviks dengan Treatment Radioterapi ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kanker serviks merupakan salah satu penyakit yang disebabkan oleh Human Papillomavirus (HPV). Penyakit ini merupakan penyakit kronis yang menyerang bagian organ reproduksi wanita, tepatnya di daerah bagian bawah rahim. Virus HPV ini mudah berpindah dan menyebar, tidak hanya melalui hubungan seksual dan pertukaran cairan tubuh, tetapi juga dapat melalui sentuhan kulit. Pengobatan kanker serviks dapat dilakukan dengan beberapa cara, salah satunya dengan menggunakan radioterapi atau terapi radiasi. Dengan adanya treatment radioterapi diharapkan dapat mengurangi atau menghilangkan virus pada sel yang terinfeksi. Model matematika menjadi salah satu solusi untuk menggambarkan perkembangan kanker serviks dengan treatment radioterapi. Metode yang digunakan dalam penelitian ini adalah studi pustaka. Langkah-langkah yang dilakukan adalah menentukan masalah, perumusan masalah, studi pustaka, analisis dan pemecahan masalah, serta penarikan kesimpulan. Pada pemodelan kanker serviks dengan treatment radioterapi menggunakan model SIVPC yang dibagi menjadi lima sub populasi, yaitu sub populasi sel rentan (S), sub populasi sel terinfeksi (I), sub populasi virus (V), sub populasi sel pra-kanker (P), dan sub populasi sel kanker (C). Dilakukan analisis stabilitas di sekitar titik ekuilibrium pada sistem, dan melakukan simulasi numerik.]]>
<![CDATA[Analisis Model Predator-Prey dengan Protection Zone Menggunakan Fungsi Respon Holling Tipe II ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Fungsi respon adalah hubungan antara tingkat konsumsi pemangsa dan kepadatan populasi mangsanya. Artikel ini membahas tentang model predator-prey dengan fungsi respon Holling tipe II dan zona perlindungan bagi prey. Zona perlindungan adalah zona yang ditempati oleh prey namun predator tidak dapat memasukinya, sedangkan prey dengan bebas keluar-masuk zona tersebut. Hasil penelitian ini adalah model matematika predator-prey dengan protection zone menggunakan fungsi respon Holling tipe II yang memiliki enam titik kesetimbangan yaitu E1, E2, E3, E4, E5, dan E6. Model matematika ini memiliki tiga titik kesetimbangan non-negatif; titik E1 = (0,0,0) merupakan titik saddle; titik E2, E3, dan E4 bersifat tidak stabil; dan titik E5 dan E6 akan bersifat stabil jika memenuhi syarat kestabilan dari masing-masing titik.]]>
