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
837 Documents
<![CDATA[Metode Robust Principle Component Analysis (RPCA) dengan Algoritme Proyeksi dan Matriks Ragam Peragam ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Metode principle component analysis (PCA) merupakan analisis multivariate yang mentransformasi variabel-variabel asal yang saling berkorelasi menjadi variabel-variabel baru yang tidak saling berkorelasi dengan mereduksi sejumlah variabel tersebut sehingga mempunyai dimensi yang lebih kecil namun dapat menerangkan sebagian besar keragaman variabel aslinya. Selainnya PCA dapat mengatasi multikolinearitas dengan vektor eigen. Namun metode tersebut sangat sensitif terhadap pencilan sehingga akan menghasilkan penduga parameter berbias. Kelemahan pada metode PCA dapat diatasi dengan metode yang merupakan kombinasi dari konsep projection pursuit dengan penduga kovarian minimum covariance determinant yaitu RPCA. Kehadiran pencilan mampu diatasi oleh RPCA karena vektor ciri pada komponen utama tidak terpengaruh oleh adanya pencilan. Akar ciri komponen utama pertama tidak bertambah seiring dengan penambahan proporsi pencilan sehingga proporsi keragaman kumulatif data yang mampu direpresentasikan oleh komponen utama pertama cenderung stabil. Pada penelitian ini dilakukan kajian tentang metode RPCA yang robust terhadap pencilan dengan algoritme proyeksi dan matriks ragam peragam.]]>
<![CDATA[Clustering Data dengan Algoritme Fuzzy c-Means Berbasis Indeks Validitas Partition Coefficient and Exponential Separation (PCAES) ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Clustering merupakan proses pengelompokkan data menjadi beberapa cluster atau kelompok. Hasil dari clustering diperoleh data dengan tingkat kemiripan yang tinggi dalam satu cluster dan berbeda dengan cluster lainnya. Pengelompokkan data tidak dilakukan secara manual melainkan dengan algoritme clustering. Salah satu algoritme tersebut adalah fuzzy c-means (FCM). FCM mengelompokkan data ke dalam suatu cluster berdasarkan derajat keanggotaan dari setiap data tersebut. FCM juga memiliki tingkat akurasi yang tinggi dan waktu komputasi yang cepat. Banyaknya cluster menjadi hal penting dalam proses clustering. Diperlukan suatu metode yang dapat digunakan untuk memeroleh cluster yang optimal sehingga hasil clustering dikatakan valid. Validitas tersebut dapat dilakukan dengan menentukan indeks validitas yang mempunyai nilai maksimum pada uji validitas. PCAES merupakan salah satu indeks validitas cluster yang menggabungkan dua faktor yaitu koefisien partisi yang dinormalisasi dan ukuran pemisahan eksponensial untuk setiap cluster. Pada penelitian ini dibahas teori clustering dengan metode FCM berbasis indeks validitas PCAES sebagai penentu banyak kelompok dalam proses clustering.]]>
<![CDATA[Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5 ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Data mining merupakan suatu proses menemukan pola dalam sejumlah data besar dengan tujuan untuk melakukan klasifikasi, estimasi, prediksi, asosiasi dan klaster. Salah satu metode klasifikasi yang popular adalah pohon keputusan (decision tree). Konsep dasar dari pohon keputusan adalah mengubah data menjadi sebuah model pohon keputusan, kemudian mengubah model pohon menjadi rule dan menyederhanakan rule. Data dalam pohon keputusan dinyatakan dalam bentuk tabel dengan atribut dan record. Terdapat beberapa cara untuk mengkonstruksikan pohon keputusan salah satunya menggunakan algoritme C4.5. Algoritme C4.5 merupakan pengembangan dari Iterative Dichotomiser (ID3). ID3 adalah algoritme pembelajaran pohon keputusan (decision tree learning) yang paling dasar. Algoritme ini melakukan pencarian secara menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Algoritme ID3 membangun pohon keputusan secara top-down (dari atas ke bawah) yang diawali dengan suatu atribut. Top-down artinya pohon keputusan dibangun dari simpul akar ke daun. Algoritme ini tidak dapat mengatasi atribut dengan data kosong, oleh karena itu diperlukan algoritme C4.5 yang dapat mengatasi atribut dengan data kosong serta dapat melakukan pemangkasan cabang yang juga tidak terdapat pada algoritme ID3. Contoh dari algoritme C4.5 ditunjukkan pada Gambar 4.]]>
<![CDATA[Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C5.0 untuk Atribut Kontinu dan Diskrit ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Data mining merupakan proses semi automatis yang menggunakan teknik statistik, matematika, keceradan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan yang potensial dan bermanfaat yang tersimpan dalam database. Klasi kasi dengan pohon keputusan merupakan salah satu teknik data mining. Pohon keputusan adalah struktur flowchart yang menyerupai tree (pohon), dimana setiap node internal menandakan suatu tes pada atribut dan setiap cabang merepresentasikan hasil tes, dan node daun merepresentasikan kelas-kelas. Alur pada pohon keputusan ditelusuri dari node akar ke node daun yang memegang prediksi kelas. Pohon keputusan terdiri dari node yang membentuk pohon yang berakar, semua node memiliki satu masukan. Node yang keluar disebut node tes. Node yang lain disebut node keputusan atau sering disebut node daun. Setiap node internal membagi dua atau lebih sub-ruang sesuai dengan kategori atribut dan akan dipartisi sesuai dengan nilai kategori kasus. Kasus-kasus tersebut membentuk pohon keputusan, yang menghasilkan problem solving. Dalam menentukan pohon keputusan ada beberapa algoritme salah satunya adalah algoritme C5.0. Pohon keputusan berbasis algoritme C5.0 merupakan penyempurnaan dari algoritme ID3 dan C4.5. Algortime C5.0 dapat menangani atribut kontinu dan diskrit yang tidak dapat ditangani oleh algoritme ID3. Pada penelitian dilakukan kajian klasifikasi dengan pohon keputusan berbasis algoritme C5.0.]]>
<![CDATA[Minat terhadap Penggunaan Paket Software Analisis Statistika Mahasiswa Tadris Matematika Iain Purwokerto ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini bertujuan untuk mengetahui seberapa besar minat terhadap penggunaan paket software SPSS dan R dalam melakukan analisis data statistik, seberapa tingkat penguasaan terhadap paket software SPSS dan R untuk melakukan analisis data statistik, dan untuk mengetahui pengaruh antara minat terhadap penggunaan paket software SPSS dan R dengan penguasaan untuk melakukan analisis data statistik menggunakan paket software SPSS dan R mahasiswa Tadris Matematika Fakultas Tarbiyah dan Ilmu Keguruan Institut Agama Islam Negeri Purwokerto. Penelitian menggunakan metode kuantitatif dengan teknik pengumpulan data menggunakan angket dan dokumen. Angket digunakan untuk memperoleh data minat terhadap penggunaan paket software SPSS dan R. Hasil analisis validitas dan reliabilitas bahwa angket yang digunakan adalah valid dan reliabel. Dokumen digunakan untuk memperoleh data hasil penguasaan terhadap paket software SPSS dan R. Hasil Penelitian menunjukkan minat terhadap penggunaan paket software SPSS dan R berturut-turut sebesar 79,30% dan 79,11% yang termasuk kategori baik, tingkat penguasaan terhadap paket software SPSS sebesar 73,87% yang termasuk kategori baik, sedangkan tingkat penguasaan terhadap paket software R sebesr 39,94% yang termasuk kategori tidak baik, ada pengaruh antara minat terhadap penguasaan paket software SPSS dan R berturut-turut masing-masing sebesar 1,2% dan 4,2%.]]>
<![CDATA[Pengaruh Remunerasi dan Motivasi Terhadap Kinerja Pegawai UIN Sunan Kalijaga Yogyakarta dengan Menggunakan Structural Equation Modelling ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Salah satu upaya peningkatan kinerja pegawai adalah menerapkan remunerasi. Remunerasi bertujuan memberikan rangsangan (motivasi) kepada pegawai untuk memberikan kinerja terbaik. Penelitian ini bertujuan untuk menyelidiki pengaruh remunerasi dan motivasi kerja terhadap kinerja pegawai UIN Sunan Kalijaga Yogyakarta. Model yang digunakan adalah Structural Equation Modelling (SEM). SEM adalah teknik analisis multivariat yang merupakan gabungan analisis regresi, analisis jalur, analisis faktor dan model struktural. Pada penelitian ini model SEM menggunakan metode Partial Least Square (PLS). Kelebihan SEM – PLS adalah tidak memerlukan asumsi distribusi normal serta dapat digunakan pada sampel yang berukuran kecil. Variabel dalam penelitian ini terdiri dari dari tiga variabel laten yaitu variabel kinerja pegawai , motivasi kerja serta variabel remunerasi. Hasil analisis menunjukkan bahwa variabel remunerasi memiliki pengaruh positif terhadap motivasi kerja serta variabel motivasi kerja memiliki pengaruh posiitif terhadap kinerja pegawai.]]>
<![CDATA[Analisis Pengaruh Luas Penggunaan Lahan dan Tinggi Tempat Terhadap Produksi Padi di Kabupaten Semarang Tahun 2018 ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Sektor Pertanian adalah sektor yang memiliki peran penting dalam pertumbuhan ekonomi nasional. Pertumbuhan jumlah penduduk Kabupaten Semarang tidak disertai dengan pertumbuhan produksi pangan yang seimbang. Ketidakseimbangan tersebut menjadikan Kabupaten Semarang memiliki ketergantungan terhadap impor bahan pangan dari daerah lain. Dalam penelitian bertujuan untuk menganalisis pengaruh luas lahan dan tinggi tempat terhadap produksi padi di Kabupaten Semarang. Metode pengumpulan data yang dilakukan yaitu metode kepustakaan dan dokumentasi. Pengolahan data yang digunakan adalah analisis regresi dengan membutuhkan software SPSS. Dari analisis regresi diperoleh hasil sebagai berikut: (1) Ada pengaruh yang signifikan antara Luas Penggunaan Lahan dan Produksi Padi di Kabupaten Semarang tahun 2018 adalah sebesar 87,9%, (2) Ada pengaruh antara tinggi tempat dan Produksi Padi di Kabupaten Semarang tahun 2018 adalah sebesar 63,4%, (3) Ada pengaruh bersama antara Luas Penggunaan Lahan dan Tinggi Tempat terhadap Produksi Padi di Kabupaten Semarang tahun 2018 adalah sebesar 88,0%, sedangkan 12,0% dipengaruhi oleh variabel lain. Persamaan regresi ganda antara Luas Lahan (X1) dan Tinggi tempat (X2) terhadap Produksi Padi (Y) adalah Y= -2716,224 + 12,971X1– 0,790X2. Dapat disimpulkan bahwa luas lahan dan tinggi tempat mempengaruhi produksi padi di Kabupaten Semarang.]]>
<![CDATA[Kemampuan Literasi dalam Menyelesaikan Soal Cerita Siswa Kelas IX A ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Literasi matematika adalah pengetahuan untuk mengetahui dan menerapkan matematika dasar dalam kehidupan kita sehari-hari. Penelitian ini bertujuan untuk mendeskripsikan kemampuan literasi matematika siswa dalam menyelesaikan soal cerita. Penelitian ini bersifat kualitatif yaitu penelitian tentang riset dan cenderung dengan menganalisa suatu permasalahan dengan subjek penelitian ini melibatkan 30 orang siswa dari kelas IX A SMP Sarbini Grabag tahun ajaran 2019/2020. Indikator literasi matematika: (1) Merumuskan masalah nyata dalam pemecahan masalah, (2) Menggunakan matematika dalam pemecahan masalah, (3) Menafsirkan solusi dalam pemecahan masalah, dan (4) Mengevaluasi solusi dalam pemecahan masalah. Hasil penelitian menunjukkan bahwa hanya 20 % siswa yang mampu mengevaluasi solusi dari soal yang diberikan dari jumlah siswa dan hanya 26,67% dari jumlah siswa yang dapat merumuskan masalah nyata yang terdapat dalam soal.]]>
<![CDATA[Kreativitas Matematis Siswa Kelas VIII Ditinjau dari Adversity Quotient dalam Setting PBL dengan Pendekatan RME pada Materi SPLDV ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Tujuan penelitian ini adalah menguji kualitas pembelajaran dalam setting PBL dengan pendekatan RME dalam meningkatkan kreativitas matematis siswa dan mendeskripsikan kreativitas matematis siswa melalui penerapan pembelajaran dalam setting PBL dengan pendekatan RME ditinjau dari Adversity Quotient. Metode yang digunakan dalam penelitian ini adalah mixed methods dengan menggunakan model concurrent embedded. Desain pada penelitian adalah Pretest-Posttest Control Group Design. Hasil penelitian menunjukkan bahwa pembelajaran dalam setting PBL dengan pendekatan RME berkualitas dalam meningkatkan kreativitas matematis siswa: kreativitas matematis siswa mencapai ketuntasan rata-rata dan ketuntasan klasikal, terdapat peningkatan kreativitas matematis siswa setelah diadakan pembelajaran dengan kriteria peningkatan sedang, serta kreativitas matematis siswa melalui pembelajaran matematika dalam setting PBL dengan pendekatan RME lebih baik daripada kreativitas matematis siswa yang menggunakan pembelajaran biasa. Deskripsi kreativitas matematis siswa berdasarkan Adversity Quotient diperoleh bahwa siswa climbers belum tentu memiliki kreativitas matematis yang lebih baik daripada siswa campers-climbers maupun siswa campers. Demikian pula, siswa campers-climbers belum tentu memiliki kreativitas matematis yang lebih baik daripada siswa campers.]]>
<![CDATA[Tingkat kreativitas matematika siswa dalam menyelesaikan muliple solution task setting challenge based learning ditinjau dari kemampuan matematika dan perbedaan gender ]]>
<![CDATA[ PRISMA, Prosiding Seminar Nasional Matematika Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA UNNES ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Challenge Based Learning (CBL) mampu memberikan pengalaman baik bagi siswa dan pemberian Multiple Solution Task (MST) dapat mengembangkan kreativitas matematika siswa. Namun masih perlu dilakukan pengkajian lebih lanjut dalam rangka memberikan stimulasi pada siswa dengan kemampuan matematika dan perbedaan gender. Penelitian ini dilaksanakan untuk mendeskripsikan tingkat kreativitas matematika (TKM) siswa dalam menyelesaikan MST setting CBL ditinjau dari kemampuan matematika dan perbendaan gender. Penelitian deskriptif kualitatif dengan 12 siswa kelas VIII E SMP 1 Semarang sebagai subjek penelitian yang berasal dari kategori atas rata-rata (ART), kategori rata-rata (RT), dan kategori bawah rata-rata (BRT) dilaksanakan dengan menganalisis tes dan wawancara sehingga mendeskripsikan TKM siswa berdasarkan kefasihan, keluwesan, dan kebaruan. Hasil penelitian menunjukkan bahwa subjek kategori ART Putra dan Putri teridentifikasi TKM 4 (Sangat Kreatif); subjek kategori RT Putra teridentifikasi TKM3 (Kreatif) dan TKM 4 (Sangat Kreatif), sedangkan subjek kategori RT Putri teridentifikasi TKM 0 (Tidak Kreatif), TKM 2 (Cukup Kreatif); dan subjek kategori BRT Putra teridentifikasi TKM 2 (Cukup Kreatif), sedangkan subjek kategori BRT Putri terdientifikasi TKM 0 (Tidak Kreatif). Hasil tersebut mengindikasikan bahwa guru perlu memperhatikan siswa dengan kemampuan matematika rendah terutama siswa putri karena terindikasi tidak kreatif dan cukup kreatif dengan menerapkan CBL dan memberikan latihan soal tipe MST.]]>
