Matematika Sains: Jurnal Ilmu Matematika
Pure Mathematics, Applied Mathematics and Computation, Statistics and Probability, and Mathematics Education : Pure Mathematics, include analysis and applied analysis, algebra and applied algebra, logic, geometry, differential equations, dynamical system, fuzzy set, and fuzzy logic, etc. Graph and Combinatorics, include all areas in graph theory, combinatorics, number theory, coding theory, cryptography, etc. Applied Mathematics and Computation, include mathematical modeling (including but not limited to mathematical physics, mathematical biology, mathematical medicine), control theory and automation, optimization, operational research, neural network, data science, machine learning, etc. Statistics and Probability, include all areas in statistics and probability, finance mathematics, biostatistics, actuary, etc. Realistic Mathematics Education (RME). The journal receives the results of research on teaching and learning in RME-based mathematics education. Design or Development Research in Mathematics Education. includes of validation studies or development studies in mathematics education, with a comprehensive description and analysis of each stage. PISA Task. Authors can submit their articles on the evaluation of the education system by measuring the scholastic performance of school students about math, science, and students reading activities as well as measuring their math literacy. Mathematics Ability, includes the following abilities: reasoning, connection, communication, representation, and problem solving.
Articles
34 Documents
<![CDATA[APLIKASI ALJABAR LINIER PADA PEMROGRAMAN LINIER ]]>
<![CDATA[Mirtawati Mulyami]]>
<![CDATA[ Matematika Sains Vol 2 No 2 (2024): Jurnal MatematikaSains Volume 2 Nomor 2 tahun 2024 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v2i2.4291
<![CDATA[Pemrograman linier merupakan model matematika untuk menentukan harga ekstrim dari fungsi fungsi linier, bila variabelnya harus memenuhi satu atau lebih kendala dalam bentuk persamaan atau pertidaksamaan. Penyelesaian masalah pemrograman linier dengan metode simpleks adalah metode yang paling popular diantara metode penyelesaian yang lain. Makalah ini juga menuliskan metode simplesk untuk menyelesaikan pemrograman linier namun dengan penekanan pada aplikasi aljabar linier pada metoda simpleks.]]>
<![CDATA[APLIKASI R BERBASIS MATRIKS DATA DALAM ANALISIS INDEKS HARGA AGREGAT TERTIMBANG FISHER ]]>
<![CDATA[Soekardi Hadi Prabowo]]>
<![CDATA[ Matematika Sains Vol 2 No 2 (2024): Jurnal MatematikaSains Volume 2 Nomor 2 tahun 2024 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v2i2.4331
<![CDATA[Paper ini membahas Aplikasi R basis Matriks Data dalam Hitung Indeks harga Agregat tertimbang Fisher, suatu ukuran statistik yang meliputi perubahan-perubahan kelomok komoditas harga dari satu periode ke periode lainnya. Indeks Fisher dianggap Indeks Harga Agregatif Ideal, sebab merupakan kompromi yang mengoreksi bias ke atas dari Indeks Harga Laspeyres dan bias ke bawah dari Indeks Harga Paasche dengan mengambil rata-rata geometris dari dua indeks tertimbang tersebut. Aplikasi olah data perhitungannya menggunakan perangkat lunak bahasa R, bersifat gratis dan sangat baik digunakan untuk melakukan program Komputasi berbasis matriks. Hasil analisis pembahasan dapat disimpulkan Terdapat efektifitas Aplikasi R berbasis matriks data pada perhitungan Indeks Harga Agregat Fisher, Klasifikasi Tingkat Inflasi di Kabupaten Bandung periode September 2024 dan Oktober 2024 termasuk ke dalam katagori ringan dan ketiga Tingkat harga serta daya beli Masyarakat di Kabupaten Bandung pada oktober 2024 atas dasar indikator Bahan Pangan relatif stabil dan kondusif.]]>
<![CDATA[PERAMALAN INFLASI UMUM DI INDONESIA TAHUN 2024 MENGGUNAKAN MODEL ARIMA ]]>
<![CDATA[M. Farhan Dinureja]]>;
<![CDATA[Ali Ilham Sofiyat]]>;
<![CDATA[Lisana Sumarah Pratignyo]]>
<![CDATA[ Matematika Sains Vol 2 No 2 (2024): Jurnal MatematikaSains Volume 2 Nomor 2 tahun 2024 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v2i2.4332
<![CDATA[Inflasi merupakan salah satu indikator ekonomi yang krusial dan memiliki dampak signifikan terhadap perekonomian sebuah negara. Penelitian ini berfokus pada upaya meramalkan tingkat Inflasi di Indonesia tahun 2024. Data Tingkat Inflasi Harga Konsumen Nasional diperoleh dari Badan Pusat Statistik (BPS) dan Peramalan menggunakan model ARIMA. Hasil analisis data menunjukan bahwa ARIMA(1,1,1) adalah model terpilih dan terbaik untuk melakukan peramalan. Berdasarkan model tersebut, maka hasil peramalan menunjukan tren negatif.]]>
<![CDATA[APLIKASI SOFTWARE R PADA PENDETEKSIAN ASUMSI NORMALITAS DAN MULTIKOLINEARITAS REGRESI LINIER BERGANDA ]]>
<![CDATA[Lisana Sumarah Pratignyo]]>;
<![CDATA[Soekardi Hadi Prabowo]]>
<![CDATA[ Matematika Sains Vol 2 No 2 (2024): Jurnal MatematikaSains Volume 2 Nomor 2 tahun 2024 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v2i2.4333
<![CDATA[Makalah ini pemenuhan hasil pendeteksian Asumsi Klasik Model Regresi Linier Berganda dua Prediktor terkait dengan masalah Normalitas Residu dan Multikolinesritas, Data Penelitian dengan skala Pengukuran minimal Interval untuk seluruh Variabel. Namun untuk Variabel yang Datanya diperoleh dari hasil penelitian dengan Metode Survei menggunakan Kuesioner berbasis Skala Likert, diperoleh Skala Pungkuran Data ordinal, hal ini mengakibatkan Teknik Regresi tidak efektif diterapkan. Oleh karena itu, agar Model Regresi Ganda tersebut tetap efektif diterapkan, maka perlu dilakukan Transformasi Data Data dari ordinal ke interval. Proses Tansrformasi Data dapat menggunakan Metoda Suksesif Interval (MSI) atau acuan Angka Normal baku Z. Prosedur analisis selanjutnya dilakukan Pengujian Asumsi Persyaratan Analisis Regresi untuk m,endeteksi bahwa Taksiran Parameter Model gresi berbasis OLS memiliki sifat Penaksir Tak Bias Terbaik (Best Linier Unbiased Estimator atau BLUE dan Asumsi Kenormalan distribusi Populasi residu serta tidak terdapat masalah multikolinearitas dipenuhi.]]>
<![CDATA[MODELING VOLATILITY IN GARCH MODELS WITH SINE STUDENT’S T ERROR INNOVATION ]]>
<![CDATA[Kaigama, Aishatu]]>;
<![CDATA[Zamani, Farid]]>;
<![CDATA[Rann, Harun Bakari]]>;
<![CDATA[Mohammed, Yusuf Abbakar]]>
<![CDATA[ Matematika Sains Vol 3 No 1 (2025): Jurnal Matematika Sains Volume 3 Nomor 1 Tahun 2025 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v3i1.4649
<![CDATA[This study compares the performance of various GARCH models GARCH(1,1), GARCH(1,2), and GARCH(2,1) with different error innovations, focusing on the use of Student’s t-distributions, including sine-modulated, to model financial volatility dynamics. This study offers a novel approach to modeling volatility in financial time series data using GARCH models with sine Student's t error innovation. The analysis uses both simulated data and real-life data from the Nigerian Stock Exchange (NSE). The results reveal that the GARCH(1,1) model with sine-modulated Student’s t error innovation outperforms other models, showing superior model fit (lowest AIC and BIC) and forecasting accuracy (lowest MAE, MSE, and RMSE) in the simulation results. Additionally, GARCH(1,2) with sine-exponentiated Student’s t innovations is found to be the most effective for real-life data, capturing volatility clustering and extreme tail events. The study concludes that advanced error innovations, particularly sine-modulated Student’s t distributions, improve model accuracy by addressing the heavy tails, volatility clustering, and asymmetry typical of financial markets. The study findings also suggest that incorporating the Sine Student's t distribution in GARCH models can provide a more nuanced understanding of financial market dynamics.]]>
<![CDATA[STUDENT PERCEPTIONS OF LEARNING VIDEOS IN BASIC NURSING SKILLS COURSES AT THE FACULTY OF HEALTH SCIENCES, AS-SYAFI'IYAH ISLAMIC UNIVERSITY ]]>
<![CDATA[Fatimah, Siti]]>;
<![CDATA[Sofiyat, Ali Ilham]]>
<![CDATA[ Matematika Sains Vol 3 No 1 (2025): Jurnal Matematika Sains Volume 3 Nomor 1 Tahun 2025 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v3i1.5043
<![CDATA[One of the learning outcomes of basic nursing skills courses in the nursing science study, is that after participating in learning, students are expected to be able to: apply the principles and procedures of infection control and patient safety. For this reason, the stidents’ skills students must be perfect so that malpractice does not occur. In overcoming this, it is necessary to develop a video assisted learning model in Basic Nursing Skills Course. This study explored nursing students’ perceptions of using video-assisted in basic nursing skills teaching and learning. This study utilized a descriptive quantitative analysis approach. One hundred and fifty eight (158) nursing students were selected through purposive sampling. The primary data collection method was online questioner survey. Data analysis using descriptive statistics. The results showed that 75% of students use mobile phones in accessing videos for less than 60 minutes, while accessing videos for more than 60 minutes is around 78%, 71% of videos accessed on the youtube platform and 84% of videos accessed on the tiktok platform, 97% of students stated that video-based learning is interesting, as well as student perceptions of the learning model developed will be able to improve student understanding of basic nursing skills courses. It is concluded that student perceptions of the development of video-based learning models are very good and supportive of being applied in basic nursing skills courses.]]>
<![CDATA[PERAMALAN PASIEN POSITIF COVID-19 DI DKI JAKARTA ]]>
<![CDATA[Mulyami, Mirtawati]]>;
<![CDATA[Choiriyah, Nasihatul]]>;
<![CDATA[Saputra, Andri]]>
<![CDATA[ Matematika Sains Vol 3 No 1 (2025): Jurnal Matematika Sains Volume 3 Nomor 1 Tahun 2025 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v3i1.5044
<![CDATA[Virus corona 2019 (coronavirus disease / Covid-19) merupakan nama baru yang diberikan oleh World Health Organization (WHO) bagi pasien dengan infeksi virus novel corona 2019 yang dilaporkan pertama kali dari kota Wuhan, Cina pada akhir 2019. Penyebarannya terjadi secara cepat ke penjuru dunia termasuk Indonesia sehingga membuat ancaman pandemi baru. Tujuan pembahasan pada tugas akhir ini yaitu bagaimana model ARIMA dan hasil peramalan jumlah pasien positif covid-19 di DKI Jakarta yang merupakan ibukota Indonesia. Data yang digunakan dalam peramalan adalah data harian pada tanggal 01 Maret 2020 sampai dengan 06 Februari 2021. Hasil analisis data menunjukkan bahwa ARIMA (3,0,1) adalah model yang terpilih untuk dilakukan peramalan. Berdasarkan model tersebut, maka hasil peramalan pasien positif covid-19 di DKI Jakarta pada bulan Februari 2021 tidak terjadi pergerakan yang berarti.]]>
<![CDATA[PENGARUH IPM DAN PENGANGGURAN TERHADAP PERSENTASE PENDUDUK MISKIN DI 10 PROVINSI DALAM REGRESI LINIER BERGANDA ]]>
<![CDATA[Ningsih, Putri Mulya]]>;
<![CDATA[Syifa, Firda Ainus]]>;
<![CDATA[Aini, Naya Nur]]>;
<![CDATA[Pratignyo, Lisana Sumarah]]>
<![CDATA[ Matematika Sains Vol 3 No 1 (2025): Jurnal Matematika Sains Volume 3 Nomor 1 Tahun 2025 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v3i1.5147
<![CDATA[Kemiskinan merupakan salah satu indikator penting dalam mengevaluasi keberhasilan pembangunan suatu negara. Penelitian ini bertujuan untuk mengkaji dampak Indeks Pembangunan Manusia (IPM) dan tingkat pengangguran terhadap persentase jumlah penduduk miskin di 10 provinsi di Indonesia. Metode yang dipakai adalah regresi linier berganda dengan bantuan software SPSS. Data mengenai kemiskinan diperoleh dari publikasi BPS pada bulan September 2024, sedangkan informasi tentang IPM dan tingkat pengangguran diambil dari data tahunan BPS tahun 2024. Hasil analisis menunjukkan bahwa IPM memiliki pengaruh negatif yang signifikan terhadap presentase kemiskinan yang menunjukkan bahwa semakin tinggi nilai IPM, maka tingkat kemiskinan akan semakin rendah. Sementara itu, tingkat pengangguran menunjukkan pengaruh positif yang tidak signifikan terhadap kemiskinan. Nilai koefisien determinasi (R²) yang mencapai 0,68 menunjukkan bahwa variabel IPM dan pengangguran dapat menjelaskan 68% variasi kemiskinan antar provinsi. Penelitian ini menyimpulkan bahwa peningkatan kualitas pembangunan manusia adalah salah satu faktor kunci dalam mengurangi angka kemiskinan di Indonesia.]]>
<![CDATA[ANALISIS REGRESI LINIER SEDERHANA ANTARA WAKTU BELAJAR TERHADAP NILAI MATEMATIKA MAHASISWA DENGAN SPSS ]]>
<![CDATA[Khofidah, Siti]]>;
<![CDATA[Khairunnisa, Addini Putri]]>;
<![CDATA[Aziz, Taufik]]>
<![CDATA[ Matematika Sains Vol. 3 No. 1 (2025): Jurnal Matematika Sains Volume 3 Nomor 1 Tahun 2025 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v3i1.5403
<![CDATA[Artikel ini bertujuan untuk mengetahui dan menganalisis pengaruh waktu belajar terhadap nilai matematika mahasiswa dengan menggunakan analisis regresi linier sederhana melalui bantuan program SPSS. Latar belakang dari penelitian ini didasari oleh pentingnya manajemen waktu belajar dalam meningkatkan prestasi akademik, khususnya pada mata kuliah matematika yang menuntut tingkat pemahaman tinggi. Variabel independen dalam penelitian ini adalah waktu belajar (X) yang diukur dalam satuan jam per minggu, sementara variabel dependen adalah nilai matematika (Y) yang diambil dari hasil ujian tengah semester. Pengumpulan data dilakukan melalui kuesioner dan dokumentasi nilai. Sampel sebanyak 30 mahasiswa dipilih secara acak dari program studi pendidikan matematika pada salah satu perguruan tinggi. Analisis menunjukkan bahwa terdapat hubungan positif dan signifikan antara waktu belajar dan nilai matematika. Persamaan regresi yang diperoleh adalah Y = 52,134 + 2,344X, yang berarti setiap penambahan satu jam waktu belajar akan meningkatkan nilai matematika sebesar 2,344 poin. Nilai koefisien determinasi (R²) sebesar 0,621 mengindikasikan bahwa 62,1% variasi nilai matematika dapat dijelaskan oleh waktu belajar, sedangkan sisanya dipengaruhi oleh variabel lain yang tidak diteliti. Hasil ini memberikan bukti empiris bahwa peningkatan durasi belajar secara langsung berkorelasi dengan peningkatan prestasi akademik mahasiswa dalam bidang matematika.]]>
<![CDATA[Analisis Pengaruh Faktor Ekonomi terhadap Harga Rumah di Indonesia Menggunakan Metode Regresi Linier Berganda ]]>
<![CDATA[Rahmaliza, Rania]]>;
<![CDATA[An Naja, Imas Utari]]>;
<![CDATA[Aji, Wahyu Prasetyo]]>;
<![CDATA[Pratignyo, Lisana Sumarah]]>
<![CDATA[ Matematika Sains Vol. 3 No. 2 (2025): Jurnal Matematika Sains Volume 3 Nomor 2 Tahun 2025 ]]>
Publisher : <![CDATA[Fakultas Sains Dan Teknologi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34005/ms.v3i2.5404
<![CDATA[Penelitian ini bertujuan untuk menganalisis pengaruh faktor-faktor ekonomi terhadap harga rumah di Indonesia selama periode Januari 2020 hingga Desember 2023. Tiga variabel independen yang dianalisis adalah suku bunga acuan Bank Indonesia (BI 7-Day Repo Rate), inflasi inti, dan pendapatan per kapita. Data yang digunakan bersifat time series dengan frekuensi bulanan sebanyak 48 observasi. Metode yang digunakan dalam penelitian ini adalah regresi linier berganda, yang bertujuan untuk mengetahui seberapa besar pengaruh masing- masing variabel ekonomi terhadap fluktuasi harga rumah. Hasil analisis menunjukkan bahwa ketiga variabel independen memiliki pengaruh yang signifikan terhadap harga rumah, dengan nilai koefisien determinasi (R²) sebesar 0,82 yang menandakan bahwa model mampu menjelaskan 82% variasi harga rumah. Penelitian ini memberikan kontribusi pada bidang ekonometrika terapan dan diharapkan dapat menjadi referensi bagi pengambil kebijakan dan pelaku pasar properti.]]>
