cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Mochamad Tito Julianto
Contact Email
mtjulianto@apps.ipb.ac.id
Phone
+6282210017722
Journal Mail Official
milang@apps.ipb.ac.id
Editorial Address
Sekolah Sains Data, Matematika dan Informatika, Jl. Meranti, Kampus IPB Dramaga, Kabupaten Bogor 16680
Location
Kota bogor,
Jawa barat
INDONESIA
MILANG Journal of Mathematics and Its Applications
Published by Institut Pertanian Bogor
ISSN : -     EISSN : 29635233     DOI : https://doi.org/10.29244/milang.18.1
Core Subject : Education,
Mathematics
MILANG Journal of Mathematics and Its Applications, originally established in 2002 as the Journal of Mathematics and Its Applications (ISSN 1412-677X), transitioned to online publishing in 2018 and was renamed in 2022 to reflect its broadened scope. The name MILANG, a Sundanese word meaning “to count,” also stands for the journal’s key focus areas: Mathematics in Informatics, Life Sciences, Actuarial Science, Natural Sciences, and Graph Theory. This journal, published twice a year in June and December by the Department of Mathematics, IPB University, embraces an open access policy, making all articles freely available upon publication to support the global dissemination of innovative mathematical research.
Arjuna Subject : Matematika - Matematika (Lain-Lain)
Articles 6 Documents
 1 
Search results for , issue "Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications" : 6 Documents clear
ANALISIS EMPIRICAL ORTHOGONAL FUNCTION (EOF) BERBASIS EIGEN VALUE PROBLEM (EVP) PADA DATASET SUHU PERMUKAAN LAUT INDONESIA ROBIAL, S. M.; NURDIATI, S.; SOPAHELUWAKAN, A.
MILANG Journal of Mathematics and Its Applications Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications
Publisher : School of Data Science, Mathematics and Informatics, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jmap.15.1.1-12

Abstract

Data global Suhu Permukaan Laut (SPL) hasil observasi dari tahun ke tahun dibatasi penggunaannya untuk menentukan variasi spasial dan temporal. Analisis dilakukan terhadap data SPL di wilayah perairan Indonesia selama 600 bulan. Metode yang digunakan untuk analisis tersebut adalah metode Empirical Orthogonal Function (EOF) berbasis Eigen Value Problem (EVP). Metode ini lebih dikenal sebagai metode Principal Component Analysis (PCA). Metode EOF bertujuan mereduksi data yang berukuran besar menjadi beberapa mode tanpa menghilangkan informasi dari data yang diamati. Analisis dengan metode tersebut menghasilkan empat komponen utama terbesar yang diinisialkan dengan mode EOF1, EOF2, EOF3 dan EOF4. Mode EOF1 menjelaskan 51.4% dari variasi total dan merupakan pola dominan yang mewakili hampir seluruh data. Mode EOF2 menunjukkan 26.7% dari variasi total. Mode EOF3 dan EOF4 masing-masing menjelaskan 11.2% dan 4.9% dari variasi total. Setiap mode EOF mengandung koefisien yang memuat variabel berupa data grid dan vektor eigen. Data grid menggambarkan letak geografis dan vektor eigen menggambarkan dimensi ruang. Efektifitas dari empat mode EOF yang dihasilkan tersebut dipertahankan untuk dapat menghampiri data asli. Hampiran data asli diperoleh dengan menentukan nilai norm error dari hasil reduksi menggunakan teknik error norm matriks. Teknik ini menghasilkan pola hubungan antara tingkat kesalahan relatif (relative error) dan mode EOF. Pola hubungan yang diperoleh memperlihatkan bahwa semakin banyak mode yang diambil, maka kesalahan relatif akan semakin kecil.
ANALISIS EMPIRICAL ORTHOGONAL FUNCTION (EOF) BERBASIS SINGULAR VALUE DECOMPOSITION (SVD) PADA DATA CURAH HUJAN INDONESIA LESTARI, I. L.; NURDIATI, S.; SOPAHELUWAKAN, A.
MILANG Journal of Mathematics and Its Applications Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications
Publisher : School of Data Science, Mathematics and Informatics, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jmap.15.1.13-22

Abstract

Analisis Empirical Orthogonal Function (EOF) digunakan untuk mereduksi dimensi data yang berukuran besar dengan mempertahankan sebanyak mungkin variasi dari himpunan data asal. EOF merupakan suatu metode untuk menentukan pola-pola dominan pada data yang berevolusi dalam ruang dan waktu. Secara aljabar, EOF atau komponen utama yang diperoleh merupakan kombinasi linear dari semua peubah asli yang memiliki varians terbesar secara berurutan dan tidak berkorelasi dengan komponen utama sebelumnya. Metode EOF yang dilakukan pada penelitian ini menggunakan pendekatan Singular Value Decomposition (SVD). Analisis dilakukan pada data curah hujan TRMM 3B43 bulanan untuk wilayah cakupan Indonesia selama 204 bulan dan dihitung nilai kesalahan dari hasil reduksi data. Berdasarkan hasil analisis diperoleh lima nilai singular terbesar yang memiliki total varians sebesar 90.03%. Mode pertama (EOF1) menjelaskan 30,68% dari total varians dan merupakan varians terbesar yang mewakili hampir seluruh data. Mode EOF kedua sampai EOF kelima masing-masing menjelaskan 19.89%, 16.82%, 11.43% dan 11.19% dari total varians. Setiap mode EOF yang diperoleh menggambarkan pola spasial, sedangkan vektor singular menggambarkan pola temporal. Efektifitas dari lima mode EOF yang dihasilkan tersebut diuji untuk dapat menghampiri data asli. Hampiran data asli diperoleh dengan menentukan nilai kesalahan dari hasil reduksi menggunakan teknik error norm matriks.
MODEL GOAL PROGRAMMING DAN PENGOPTIMUMAN TAKLINEAR PADA PENJADWALAN PERAWAT HAKIM, L.; BAKHTIAR, T.; JAHARUDDIN, J.
MILANG Journal of Mathematics and Its Applications Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications
Publisher : School of Data Science, Mathematics and Informatics, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jmap.15.1.23-32

Abstract

Penjadwalan perawat merupakan pekerjaan penting dalam operasional sebuah rumah sakit. Jika manajemen rumah sakit melakukan penjadwalan dengan baik maka akan berdampak pada kinerja perawat yang semakin baik. Salah satu indikator penjadwalan yang baik adalah tercapainya distribusi beban kerja yang merata bagi seluruh perawat. Namun demikian, adanya keterbatasan sumber daya untuk memenuhi kebutuhan rumah sakit menjadi kendala tersendiri dalam upaya mencapai keadilan. Dalam hal ini, goal programming dapat menjadi salah satu solusi untuk mengatasi kendala tersebut. Dalam penelitian ini, nonpreemptive goal programming digunakan untuk memecahkan masalah penjadwalan perawat. Tujuan model ini adalah untuk meminimumkan beberapa simpangan preferensi perawat terhadap banyaknya shift kerja dan libur. Kami juga memberikan alternatif penyelesaian penjadwalan perawat menggunakan model optimasi taklinear dengan meminimumkan ragam beban kerja pada setiap shift kerja dan libur. Model ini diaplikasikan pada penjadwalan perawat ruang rawat inap Rumah Sakit Umum Daerah Kota Bogor.
ANALISIS BIFURKASI MODEL LESLIE GOWER TIPE HOLLING II DENGAN WAKTU TUNDA SAHAMONY, N. F.; SIANTURI, P.; JAHARUDDIN, J.
MILANG Journal of Mathematics and Its Applications Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications
Publisher : School of Data Science, Mathematics and Informatics, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jmap.15.1.33-44

Abstract

Pada artikel ini dijelaskan model persamaan diferensial nonlinear  mangsa pemangsa Leslie Gower dengan waktu tunda pada mangsa dan pemangsa. Berdasarkan hasil analisis diperoleh empat titik tetap, satu di antaranya bersifat stabil dan tiga lainnya tidak stabil pada saat nilai ???? = 0 (tanpa waktu tunda). Waktu tunda kritis (????0) adalah nilai batas yang menyebabkan perubahan kestabilan. Simulasi numerik dibagi menjadi tiga kasus, yakni ketika nilai ???? = 0 (tanpa waktu tunda) bersifat stabil, ???? < ????0 bersifat stabil dan saat nilai ???? > ????0 bersifat tidak stabil. Dari hasil simulasi saat nilai ???? > ????0 bersifat tidak stabil hal ini disebabkan karena terjadi bifurkasi pada model tersebut, titik tetap yang awalnya bersifat stabil menjadi tidak stabil.
PENDUGAAN PARAMETER DAN KEKONVERGENAN PENDUGA PARAMETER MODEL POISSON HIDDEN MARKOV FIKRI, M.; SETIAWATY, B.; PURNABA, I G. P.
MILANG Journal of Mathematics and Its Applications Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications
Publisher : School of Data Science, Mathematics and Informatics, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jmap.15.1.45-54

Abstract

Model hidden Markov terdiri dari sepasang proses stokastik yaitu proses observasi dan proses yang memengaruhi observasi. Proses stokastik yang memengaruhi observasi ini diasumsikan membentuk rantai Markov dan tidak diamati. Model Poisson hidden Markov (MPHM) adalah salah satu model hidden Markov diskret dan proses observasinya jika diketahui proses yang memengaruhinya diasumsikan menyebar Poisson. Salah satu ciri MPHM adalah bersifat overdispersi, yaitu ragam data lebih besar dari rataannya. Permasalahan utama MPHM ialah  menduga parameter yang memaksimumkan fungsi likelihood. Fungsi likelihood dihitung menggunakan algoritme Forward-Backward. Algoritme Expectation Maximization (algoritme EM) digunakan untuk memaksimumkan fungsi likelihood. Penduga parameter MPHM yang diperoleh menggunakan algoritme EM konvergen ke titik stasioner dari fungsi likelihood.
PEMODELAN POISSON HIDDEN MARKOV UNTUK PREDIKSI BANYAKNYA KECELAKAAN DI JALAN TOL JAKARTA-CIKAMPEK NURHASANAH, N.; SETIAWATY, B.; BUKHARI, F.
MILANG Journal of Mathematics and Its Applications Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications
Publisher : School of Data Science, Mathematics and Informatics, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jmap.15.1.55-64

Abstract

Model Poisson hidden Markov digunakan untuk memodelkan banyaknya kecelakaan yang terjadi di jalan tol Jakarta-Cikampek pada tahun 2013- 2014. Data banyaknya kecelakaan merupakan barisan observasi yang mengalami overdispersi dan bergantung pada penyebab kecelakaan yang diasumsikan tidak diamati secara langsung dan membentuk rantai Markov. Model Poisson hidden Markov dicirikan oleh parameternya. Pendugaan parameter model dilakukan dengan menggunakan metode Maksimum Likelihood yang perhitungannya menggunakan algoritme Expectation Maximization. Nilai dugaan parameter digunakan untuk membangkitkan barisan penduga kecelakaan. Keakuratan model diukur menggunakan Mean Absolute Percentage Error (MAPE). Menggunakan kriteria AIC diperoleh model Poisson hidden Markov 2 state sebagai model terbaik dengan nilai MAPE 34.0786% untuk prediksi satu waktu yang akan datang.

Page 1 of 1 | Total Record : 6

 1 

Filter by Year

2016 2016


Reset
Filter By Issues
All Issue Vol. 21 No. 1 (2025): MILANG Journal of Mathematics and Its Applications Vol. 20 No. 2 (2024): MILANG Journal of Mathematics and Its Applications Vol. 20 No. 1 (2024): MILANG Journal of Mathematics and Its Applications Vol. 19 No. 2 (2023): MILANG Journal of Mathematics and Its Applications Vol. 19 No. 1 (2023): MILANG Journal of Mathematics and Its Applications Vol. 18 No. 2 (2022): MILANG Journal of Mathematics and Its Applications Vol. 18 No. 1 (2022): MILANG Journal of Mathematics and Its Applications Vol. 17 No. 2 (2018): Journal of Mathematics and Its Applications Vol. 17 No. 1 (2018): Journal of Mathematics and Its Applications Vol. 16 No. 2 (2017): Journal of Mathematics and Its Applications Vol. 16 No. 1 (2017): Journal of Mathematics and Its Applications Vol. 15 No. 2 (2016): Journal of Mathematics and Its Applications Vol. 15 No. 1 (2016): Journal of Mathematics and Its Applications Vol. 14 No. 2 (2015): Journal of Mathematics and Its Applications Vol. 14 No. 1 (2015): Journal of Mathematics and Its Applications Vol. 13 No. 2 (2014): Journal of Mathematics and Its Applications Vol. 13 No. 1 (2014): Journal of Mathematics and Its Applications Vol. 12 No. 2 (2013): Journal of Mathematics and Its Applications Vol. 12 No. 1 (2013): Journal of Mathematics and Its Applications Vol. 11 No. 2 (2012): Journal of Mathematics and Its Applications Vol. 11 No. 1 (2012): Journal of Mathematics and Its Applications Vol. 10 No. 2 (2011): Journal of Mathematics and Its Applications Vol. 10 No. 1 (2011): Journal of Mathematics and Its Applications Vol. 9 No. 2 (2010): Journal of Mathematics and Its Applications Vol. 9 No. 1 (2010): Journal of Mathematics and Its Applications Vol. 8 No. 2 (2009): Journal of Mathematics and Its Applications Vol. 8 No. 1 (2009): Journal of Mathematics and Its Applications Vol. 7 No. 2 (2008): Journal of Mathematics and Its Applications Vol. 7 No. 1 (2008): Journal of Mathematics and Its Applications Vol. 6 No. 2 (2007): Journal of Mathematics and Its Applications Vol. 6 No. 1 (2007): Journal of Mathematics and Its Applications Vol. 5 No. 2 (2006): Journal of Mathematics and Its Applications Vol. 5 No. 1 (2006): Journal of Mathematics and Its Applications Vol. 4 No. 2 (2005): Journal of Mathematics and Its Applications Vol. 4 No. 1 (2005): Journal of Mathematics and Its Applications Vol. 3 No. 2 (2004): Journal of Mathematics and Its Applications Vol. 3 No. 1 (2004): Journal of Mathematics and Its Applications Vol. 2 No. 2 (2003): Journal of Mathematics and Its Applications Vol. 2 No. 1 (2003): Journal of Mathematics and Its Applications Vol. 1 No. 2 (2002): Journal of Mathematics and Its Applications Vol. 1 No. 1 (2002): Journal of Mathematics and Its Applications More Issue