cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Sri Andayani
Contact Email
jktm@uny.ac.id
Phone
-
Journal Mail Official
jktm@uny.ac.id
Editorial Address
Program Studi Matematika FMIPA UNY Jl. Colombo No. 1 Karangmalang, Yogyakarta 55281
Location
Kab. sleman,
Daerah istimewa yogyakarta
INDONESIA
Jurnal Kajian dan Terapan Matematika
Published by Universitas Negeri Yogyakarta
ISSN : -     EISSN : 30311152     DOI : 10.21831
Core Subject : Science, Education,
Computer Science & IT Decision Sciences, Operations Research & Management Mathematics
Jurnal Kajian dan Terapan Matematika adalah jurnal yang menyajikan hasil penelitian, pemikiran, kajian teori, pengembangan terkini, dan penerapan matematika. Ruang lingkup jurnal ini mencakup bidang: • Aljabar, • Analisis, • Geometri, • Matematika terapan, • Komputasi, dan • Statistika.
Arjuna Subject : Matematika - Matematika Terapan
Articles 8 Documents
 1 
Search results for , issue "Vol 5, No 5 (2016): Jurnal Matematika" : 8 Documents clear
IMPLEMENTASI ALGORITMA FLOYD WARSHALL DAN NEAREST NEIGHBOUR DALAM PENGOPTIMALAN RUTE CAPACITATED VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (CVRPTW) Intrada Reviladi; Bambang Sumarno Hadi M.
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Capacitated Vehicle Routing Problem with Time Windows (CVRPTW) merupakan masalah penentuan rute tercepat kendaraan untuk memenuhi permintaan konsumen yang terdiri dari pelayanan antar dengan kendala kapasitas kendaraan, time windows, dan kecepatan pada tiap jalur berdasarkan waktu per jam. Dalam menyelesaikan masalah CVRPTW akan digunakan dua algoritma, yakni algoritma Floyd Warshall dan Nearest Neighbour. Pada penelitian ini, dijelaskan mengenai penggunaan algoritma Floyd Warshall dan Nearest Neighbour dalam penyelesaian masalah CVRPTW yang diimplementasikan pada data simulasi secara manual dan menggunakan perangkat lunak MatLab. Selanjutnya akan dibandingkan efektifitas kedua algoritma tersebut yang diukur berdasarkan waktu penyelesaian dan hasil pembentukan rute. Berdasarkan hasil penelitian, diperoleh bahwa algoritma Floyd Warshall dapat membentuk rute dengan total waktu tempuh 939 menit, yang lebih efektif dibandingkan dengan algoritma Nearest Neighbor dengan total waktu tempuh 1.006 menit. Namun dalam proses penerapannya, algoritma Nearest Neighbour jauh lebih cepat dan praktis dibandingkan dengan algoritma Floyd Warshall.Kata kunci: Capacitated Vehicle Routing Problem With Time Windows (CVRPTW), Floyd Warshall, Nearest Neighbour
PERBANDINGAN METODE ESTIMASI-????, ESTIMASI-????, DAN ESTIMASI-???????? PADA MODEL REGRESI ROBUST Wening Dyah Pratitis; Endang Listyani
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Analisis regresi linier adalah analisis terhadap  hubungan satu variabel dependen  (????)  dengan satu atau lebih variabel independen (????). Estimasi parameter yang sering digunakan adalah Metode Kuadrat Terkecil (MKT). MKT memberikan  nilai  error  yang  besar  apabila  data  mengandung  pencilan.  untuk  itu  diperlukannya  model  regresirobust yang dapat menangani keberadaan pencilan. Permasalahan yang akan dikaji adalah membandingkan metode estimasi-????,  estimasi-????,  dan  estimasi-????????  pada  model  regresi  robust.  Tujuan  dari  penelitian  ini  adalah  untuk membandingkan manakah dari ketiga metode estimasi yang paling efektif untuk memprediksi produksi kedelai di Indonesia.  Dalam  penelitian  ini  diambil  data  produksi  kedelai  sebagai  variabel  ????  dan  variabel  independen  yang meliputi  luas  panen,  suhu,  curah  hujan,  kelembaban,  dan  lama  penyinaran.  Keefektifan  suatu  metode  dapat dibandingkan  dengan  melihat  nilai  ????2.  Dari  hasil  pembahasan  diperoleh  metode  estimasi  paling  efektif  untuk memprediksi produksi kedelai di Indonesia adalah metode estimasi-????  dengan nilai R2sebesar 97,73%, estimasi-???????? sebesar 82,22%, dan estimasi-???? sebesar 67,38%.Kata kunci: analisis regresi, metode kuadrat terkecil, regresi robust, estimasi-????, estimasi-????,  estimasi-????????.
APLIKASI MODEL SUKU BUNGA STOKASTIK BLACK-DERMAN-TOY DENGAN FORWARD INDUCTION DALAM PENGHITUNGAN ANUITAS Chandra Nugroho Erlangga; Rosita Kusumawati
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penghitungan  nilai  anuitas  sering  dilakukan  dengan  suku  bunga  konstan  (deterministik),  padakenyataannya  suku bunga berubah-ubah sesuai dengan waktu (stokastik). Penelitian ini bertujuan untuk menerapkan model suku bunga stokastik dalam penghitungan anuitas. Model suku bunga stokastik yang digunakan adalah model Black-Derman-Toy yang diselesaikan dengan metode  forward-induction  untuk memodelkan kemungkinan-kemungkinan suku bunga sesaat. Data yang digunakan adalah data imbal hasil harian obligasi tanpa kupon United States Treasury Zero Coupon Yield Rate  tahun 2010.  Suku bunga sesaat yang diperoleh digunakan untuk menghitung nilai sekarang dan nilai masa depan anuitas. Nilai sekarang dan nilai masa depan tersebut dibandingkan dengan nilai sekarang dan nilai masa depan  yang dihitung menggunakan suku bunga aktual untuk tahun 2010-2014 dan menghasilkan nilai MAPE dan MSE sebesar 1,2147%  dan  0,004358  untuk  nilai  sekarang  anuitas  serta  MAPE  sebesar  1,3655%  dan  MSE  sebesar 0,007974 untuk nilai masa depan anuitas.Kata kunci: Black-Derman-Toy, suku bunga stokastik, anuitas, forward-induction
JENIS-JENIS SEGILIMA-BOLA DAN SIFAT-SIFATNYA Eduard Situmorang; Himmawati Puji Lestari
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Segilima-bola adalah suatu bentuk segilima pada bola yang terjadi akibat perpotongan lima lingkaran besar berbeda. Hasil kajian menunjukkan adanya pengklasifikasian jenis-jenis segilima-bola berdasarkan tiga hal, yaitu berdasarkan  kesamaan panjang sisi, berdasarkan  jenis sudut, dan berdasarkan perpaduan antara jenis sudut dan kesamaan panjang sisi.  Berdasarkan kesamaan panjang sisi terdapat: (1)segilima-bola 5 kongruen atau sama sisi, (2)segilima-bola  2  kongruen,  (3)segilima-bola  3  kongruen,  (4)segilima-bola  4  kongruen,  (5)segilima-bola  2-2 kongruen,  (6)segilima-bola  2-3  kongruen,  dan  (7)segilima-bola  sembarang.  Berdasarkan  jenis  sudut  terdapat: (1)segilima-bola 2 siku 3 tumpul, (2)segilima-bola siku 4 tumpul, (3)segilima-bola 2 lancip 3 tumpul, (4)segilimabola  lancip  4  tumpul,  (5)segilima-bola  siku  3  tumpul  lancip,  dan  (6)segilima-bola  5  tumpul.  Berdasarkan perpaduan antara jenis sudut dan kesamaan panjang sisi terdapat: (1)segilima-bola sempurna, (2)segilima-bola 2 siku 3 tumpul  2 kongruen, (3)segilima-bola 2 siku 4 tumpul 2 kongruen, (4)segilima-bola 5 tumpul 2 kongruen, (5)segilima-bola lancip 4 tumpul 2 kongruen, (6)segilima-bola siku 3 tumpul lancip 2 kongruen,  (7)segilima-bola 2 lancip 3 tumpul 2  kongruen,  (8)segilima-bola 2 siku 3 tumpul 3  kongruen, (9)segilima-bola 2 siku  4 tumpul 3 kongruen, dan (10)segilima-bola 5 tumpul 3 kongruen.  Hasil kajian juga menunjukkan adanya sifat yang dimiliki oleh sebarang jenis segilima-bola, yaitu jumlah sudut sebarang segilima-bola tidak lebih dari 540o. Kata kunci: geometri bola, lingkaran besar, segilima-bola.
MODEL GOAL PROGRAMMING UNTUK OPTIMISASI PENJADWALAN PERAWAT DI RUMAH SAKIT GRHASIA Dimas Pamungkas; Dwi Lestari; Bambang Sumarno H.M.
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tujuan penelitian ini  adalah membentuk penjadwalan perawat yang efektif dan optimal  di Wisma Drupadi  Rumah  Sakit  Grhasia.  Rumah  Sakit  Grhasia  masih  melakukan  penjadwalan  perawat  secara manual  dengan  jumlah  perawat  sebanyak  sebelas  dan  memiliki  tiga  shift  kerja  yaitu  pagi,  siang,  dan malam.  Model  yang  digunakan  untuk  menyelesaikan  masalah  penjadwalan  perawat  adalah  model preemptive goal programming, non-preemptive berbobot sama, dan non-preemptive berbobot beda karena masalah penjadwalan  perawat juga merupakan salah satu masalah optimisasi yang memiliki tujuan lebih dari satu. Hasil dari model  preemptive goal programming dapat membentuk jadwal yang optimal dengan meminimalkan  variabel  deviasi  pada  keempat  tujuan,  sedangkan  model  non-preemptive  goal programming  berbobot sama dan berbobot beda tidak mampu menghasilkan jadwal yang optimal   karena tidak  memenuhi  Tujuan  3,  yaitu  menjamin  setiap  perawat  paling  tidak  memiliki  satu  hari  libur  dan maksimal dua hari libur berturut-turut dalam satu minggu.Kata kunci: Goal programming, optimisasi, penjadwalan perawat, pembobotan, prioritas.
PENERAPAN METODE MEAN CONDITIONAL VALUE AT RISK PADA PORTOFOLIO BLACK-LITTERMAN Ni Luh Putu Rian Sumariska; Retno Subekti
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Metode Mean Conditional Value at Risk  (Mean-CVaR)  merupakan suatu metode yang digunakan untuk  optimalisasi  portofolio  dengan  CVaR  sebagai  ukuran   risiko.  CVaR  adalah  ukuran  risiko  yang memperhitungkan risiko kerugian di atas Value at Risk  (VaR) dengan VaR adalah  nilai estimasi kerugian maksimum  dalam  suatu  portofolio.  Tujuan  penulisan  skripsi  ini  adalah  untuk  menjelaskan  penerapan metode  Mean-CVaR  pada  optimisasi  portofolio  Black-Litterman  terhadap  analisis  saham-saham  yang tergabung  dalam  Jakarta  Islamic  Index  (JII).  Nilai  return  dari  masing-masing  sekuritas  yang  diperoleh dari  portofolio  Black-Litterman  kemudian  pada  metode  Mean-CVaR  digunakan  sebagai  kendala tambahan  untuk  menentukan  pembobotan,  risiko,  dan  return  portofolio.  Hasil  penerapan  dari  4  saham terpilih pada JII yaitu  Adaro Energy Tbk. (ADRO), PP London Sumatra Indonesia Tbk. (LSIP), MatahariPutra  Prima  (MPPA),  Tambang  Batu  Bara  Bukit  Asam  Tbk.  (PTBA)  dengan  metode  Mean-CVaR diperoleh  bobot  saham  PTBA  53,997%,  LSIP 31,737%, dan  MPPA  14,266% sedangkan untuk  saham ADRO tidak termasuk dalam portofolio karena bobotnya 0%. Dihasilkan nilai  expected return  portofolio sebesar 3,64% dengan nilai risiko VaR  dan CVaR masing-masing sebesar 6,5% dan 8,4%.Kata kunci : Portofolio, Black-Litterman, Mean-CVaR, CVaR, VaR
ANALISIS TRACKING ERROR UNTUK MENGUKUR KINERJA PORTOFOLIO MODEL BLACK-LITTERMAN Fitri Amanah; Retno Subekti
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Salah  satu  factor  utama  dalam  investasi  adalah  risiko.  Risiko  portofolio  yang  relatif  terhadap  benchmarkdisebut  tracking  error,  selanjutnya  disebut  tracking  error  volatility  (TEV).  Tujuan  penelitian  ini  adalah  untuk menjelaskan  aplikasi  TEV  serta  menganalisis  sensitivitas  TEV  terhadap  views  pada  portofolio  Black-Litterman. Tahapan  dalam  perhitungan  TEV  adalah  menentukan  bobot  portofolio  Black-Litterman  dan  bobot  benchmark.Model CAPM merupakan model ekuilibrium diasumsikan sebagai ukuran benchmark. Selisih kedua bobot tersebut disebut  bobot  aktif  .  Selanjutnya  TEV  dinyatakan  dalam  fungsi    sedangkan    adalah  fungsi dalam    yang  merepresentasikan views. Sehingga dengan aturan rantai dapat ditentukan sensitivitas TEV terhadap views. Pembentukan  views  dilakukan  dengan metode  moving average  dari data return 10 hari terakhir.  Diperoleh nilai TEV dari tujuh saham LQ-45 sebesar 0.99% artinya portofolio Black-Litterman lebih berisiko dibandingkan benchmark.  Sensitivitas TEV terhadap  view  pertama    bernilai negatif yaitu  -0.05, artinya dengan mengurangi nilai  maka nilai TEV akan meningkat. Sensitivitas TEV terhadap view kedua   dan view ketiga   bernilai positif yaitu 0.11 dan 0.45, artinya dengan memperbesar nilai   atau  maka nilai TEV akan meningkat.Kata kunci: Black-Litterman, TEV, sensitivitas, benchmark, view
PENYELESAIAN MODEL PORTOFOLIO NONLINEAR MENGGUNAKAN METODE SEPARABLE PROGRAMMING DAN LAGRANGE MULTIPLIER Puji Rahayu; Eminugroho Ratna Sari; Retno Subekti
Jurnal Kajian dan Terapan Matematika Vol 5, No 5 (2016): Jurnal Matematika
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Optimalisasi  model  portofolio  nonlinear  dapat  dijadikan  acuan  investor  dalam  berinvestasi.  Tujuan  dari penelitian  ini  adalah  membentuk  model  portofolio  nonlinear  pada  investasi  saham  dan  menyelesaikan  masalah optimalisasi portofolio menggunakan  separable programming  dan  lagrange multiplier.  Model portofolio  memuat tiga saham terpilih dari Liquid-45 (LQ-45) periode 1 Desember 2014 sampai 28 Desember 2015 melalui Purposivesampling.  Separable  programming  merupakan  suatu  pendekatan  penyelesaian  masalah  nonlinear  dengan mentransformasikan bentuk nonlinear menjadi bentuk linear yang hanya memuat satu variabel. Sedangkan lagrange multiplier  merupakan  metode  penyelesaian  optimalisasi  dengan  membentuk  fungsi  lagrange.  Hasil  penyelesaian model  nonlinear  pada  portofolio  menggunakan  separable  programming  menunjukkan  proporsi  dana  yang  akan diinvestasikan  sebesar  30%  pada  Unilever  Indonesia  Tbk  (UNVR),  30%  pada  Telekomunikasi  Indonesia  Tbk (TLKM) dan 40% pada  Waskita Karya Tbk (WSKT). Sedangkan pada  lagrange multiplier  sebesar 30,37% pada saham  UNVR;  26,61%  pada  saham  TLKM  dan  43,001%  pada  saham  WSKT.  Lagrange  multiplier  mempunyai penyelesaian efisien dilihat dari keuntungan dan indeks sharpe  yang lebih  tinggi  daripada separable programming.Kata kunci: optimalisasi, portofolio, separable programming, lagrange multiplier

Page 1 of 1 | Total Record : 8

 1 

Filter by Year

2016 2016


Reset
Filter By Issues
All Issue Vol 11, No 2 (2025): Jurnal Kajian dan Terapan Matematika (Juli) Vol 11, No 1 (2025): Jurnal Kajian dan Terapan Matematika (April) Vol 10, No 3 (2024): Jurnal Kajian dan Terapan Matematika (November) Vol 10, No 2 (2024): Jurnal Kajian dan Terapan Matematika (Juli) Vol 10, No 1 (2024): Jurnal Kajian dan Terapan Matematika (April) Vol 9, No 3 (2023): Jurnal Kajian dan Terapan Matematika (November) Vol 9, No 2 (2023): Jurnal Kajian dan Terapan Matematika (Juli) Vol 9, No 1 (2023): Jurnal Kajian dan Terapan Matematika (Maret) Vol 8, No 3 (2022): Jurnal Kajian dan Terapan Matematika Vol 8, No 2 (2022): Jurnal Kajian dan Terapan Matematika Vol 8, No 1 (2022): Jurnal Kajian dan Terapan Matematika Vol 7, No 5 (2018): Jurnal Matematika Vol 7, No 4 (2018): Jurnal Matematika Vol 7, No 3 (2018): Jurnal Matematika Vol 7, No 2 (2018): Jurnal Matematika Vol 7, No 1 (2018): Jurnal Matematika Vol 6, No 4 (2017): Jurnal Matematika Vol 6, No 3 (2017): Jurnal Matematika Vol 6, No 2 (2017): Jurnal Matematika Vol 6, No 1 (2017): Jurnal Matematika Vol 5, No 6 (2016): Jurnal Matematika Vol 5, No 5 (2016): Jurnal Matematika Vol 5, No 4 (2016): Jurnal Matematika Vol 5, No 3 (2016): Jurnal Matematika Vol 5, No 2 (2016): Jurnal Matematika Vol 5, No 1 (2016): Jurnal Matematika More Issue