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[Solusi Persamaan Panas pada Heat Exchanger Menggunakan Transformasi Fourier ]]>
<![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 mengkaji mengenai persamaan panas pada Heat Exchanger dalam koodinat silinder ð‘…3. Selanjutnya persamaan panas tersebut diselesaikan menggunakan Transformasi Fourier dengan kaidah invers dan konvolusi. Penyelesaian dilakukan dengan meninjau perpindahan panas pada Heat Exchanger secara radial dan aksial. Penyelesaian tersebut menghasilkan suatu persamaan solusi yang kemudian disederhanakan menjadi bentuk suatu fungsi eror untuk disimulasikan. Selanjutnya simulasi dilakukan dengan beberapa asumsi yakni (a) jenis pipa yang digunakan memiliki nilai koefisien difusivitas termal (ð¾) yang berbeda, (b) suhu awal pemanasan 50℃, dan (c) pemanasan dilakukan pada tiga waktu berbeda yakni saat ð‘¡ = 300, ð‘¡ = 600 dan ð‘¡ = 900. Simulasi tersebut kemudian divisualisasikan dengan menggunakan MATLABR2018a. Adapun hasil yang diperoleh yakni (a) persamaan solusi perpindahan panas pada Heat Exchanger merupakan suatu fungsi simetris, (b) pipa Heat Exchanger dengan nilai koefisien difusivitas termal terbesar memiliki perpindahan panas yang terjadi lebih cepat, dan (c) perpindahan panas pada saat ð‘¡ = 900 lebih cepat dibanding saat ð‘¡ = 600 , perpindahan panas pada saat ð‘¡ = 600 lebih cepat dibanding saat ð‘¡ = 300.]]>
<![CDATA[Telaah kerangka kerja PISA 2021: era integrasi computational thinking dalam bidang matematika ]]>
<![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[PISA adalah studi yang diselenggarakan untuk mengevaluasi sistem pendidikan negara-negara yang berpartisipasi. Siswa yang ikut berkontribusi dalam PISA adalah siswa usia SMP yang diukur kemampuannya dalam bidang matematika, sains, dan membaca. Pada tahun 2021, siklus studi mayor PISA akan kembali ke bidang matematika sebagaimana yang dilakukan pada tahun 2012. Dari draft yang telah dirilis, terdapat beberapa perbedaan kerangka kerja (framework) PISA 2021 dengan PISA 2012, salah satunya adalah pendefinisian ulang kemampuan literasi matematis dan masuknya computational thinking dalam asesmen bidang matematika. Dalam artikel ini, penulis membuka diskusi tentang kerangka kerja PISA 2021 sekaligus membahas aspek computational thinking yang menjadi pembeda PISA 2021 bidang matematika dengan PISA sebelumnya.]]>
<![CDATA[Penggunaan Metode Dodgson’s Condensation untuk Mencari Persamaan Karakteristik Matriks Vandermonde dan Estimasi Nilai Eigen Menggunakan Metode Newton-Raphson ]]>
<![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[Dalam paper ini kami menyajikan penggunaan metode Dodgson’s Condensation dalam mencari persamaan karakteristik dari matriks Vandermonde dan metode Newton-Raphson untuk melakukan estimasi nilai eigen dari persamaan karakteristik matriks Vandermonde. Dengan menggunakan metode Newton-Raphson diperoleh nilai eigen dari matriks Vandermonde dengan galat yang minim.]]>
<![CDATA[Pemodelan dan Peramalan Data Saham dengan Analisis Time Series menggunakan Python ]]>
<![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[Dalam makalah ini dilakukan pemodelan time series menggunakan software Python. Data yang digunakan adalah data saham PT Bank Negara Indoneia. Secara umum diketahui bahwa pergerakan saham di Indonesia sangat fluktuatif oleh karena itu perlu di lakukan prediksi untuk mengetahui kondisi dan mempersiapkan strategi untuk menghadapi penurunan atau pelonjakan harga saham. Dalam makalah ini diselidiki pula factor seasonal atau musiman, sehingga pada identifikasi model digunakan analisis time series Seasonal Autoregressive Integrated Moving Average (SARIMA) berbantuan software Jupyter Notebook berbahasa Python. Dalam analisis ini Python membantu untuk melakukan perhitungan dan visualisasi data agar lebih mudah dan efisien. Dalam menganalisis data saham dengan metode SARIMA menggunakan Python, langkah pertama yang dilakukan adalah mempersiapkan modul yang akan digunakan untuk analisis SARIMA, kemudian dilakukan preprocessing data dan indexing. Langkah selanjutnya adalah visualisasi data untuk mengetahui pola data secara umum. Mengikuti langkah metode Box Jenkins, dilakukan identifikasi dan diagnosa model. Pada studi kasus ini didapat model SARIMA (1,1,1) (0,1,1,12). Berdasarkan studi kasus dari model tersebut, dilakukan fitting model dan didapat Mean Square Error (MSE) sebesar 460418,82. Langkah terakhir adalah melakukan peramalan untuk beberapa periode mendatang.]]>
<![CDATA[Pemodelan Persebaran Spasial Rabies di Kalimantan Barat ]]>
<![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[Rabies masih menyebar pada populasi anjing, oleh karena itu penting untuk memahami laju penyebaran rabies ke area geografis yang tidak terinfeksi. Model matematika pada penelitian ini menggunakan tiga sub-populasi anjing, yaitu anjing sehat , anjing terinfeksi rabies , dan anjing yang divaksinasi dengan menambahkan difusi ke dalam model untuk mendapatkan model persamaan reaksi-difusi. Tujuan dari penelitian ini untuk mengetahui penyebaran spasial rabies di Kalimantan Barat. Hasil penelitian menunjukkan bahwa kecepatan minimum travelling wave untuk penyebaran spasial dari model rabies di Kalimantan Barat sebesar 0,0088 .]]>
<![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.]]>
