cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
mipa.jurnal@gmail.com
Phone
-
Journal Mail Official
mipa.jurnal@gmail.com
Editorial Address
Faculty of Mathematics and Natural Sciences, D12 Building 1st Floor, Universitas Negeri Semarang, Sekaran, Gunungpati, Semarang, Indonesia 50229
Location
Kota semarang,
Jawa tengah
INDONESIA
Indonesian Journal of Mathematics and Natural Sciences
Published by Universitas Negeri Semarang
ISSN : 02159945     EISSN : 27747832     DOI : https://doi.org/10.15294/ijmns
Core Subject : Education,
Mathematics
The scope of the journal includes the following areas of research: Natural Sciences, Mathematics, and Applied Sciences
Arjuna Subject : Matematika - Matematika (Lain-Lain)
Articles 5 Documents
 1 
Search results for , issue "Vol 46, No 1 (2023): April 2023" : 5 Documents clear
Optimasi Deep Convolutional Neural Network (Deep CNN) untuk Deteksi Aritmia Melalui Sinyal EKG Menggunakan Arsitektur Conv1D Yopi Julia Nurriski; Alamsyah Alamsyah
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46176

Abstract

Cardiovascular disease (CVD) adalah penyebab signifikan morbiditas dan mortalitas di seluruh dunia. Aritmia menjadi salah satu kondisi yang paling parah dari CVD. Penyakit ini mengacu pada ketidakteraturan denyut atau irama jantung. Penyakit aritmia dapat diidentifikasi melalui rekaman sinyal elektrokardiogram (EKG). Pada penelitian ini, dilakukan data cleaning yang bertujuan untuk menghilangkan missing value pada dataset. Adapun metode yang digunakan untuk klasifikasi adalah Deep Convolutional Neural Network (Deep CNN) dengan arsitektur Conv1D. Oleh karena itu, dilakukan perubahan dimensi input menjadi satu dimensi. Data hasil perubahan dimensi dilanjutkan dengan proses normalisasi data menggunakan metode standar (z-score normalization) dan pembobotan dengan menggunakan WeightedRandomSample. Hal ini dilakukan agar didapatkan keseimbangan data. Selanjutnya, dataset diekstrasi dan diklasifikasikan dengan Deep CNN. Pemilihan Deep CNN dalam ekstraksi fitur karena dapat mengektraksi fitur yang sangat kompleks dari sinyal EKG sehingga dapat mencegah kehilangan informasi-informasi penting pada dataset. Selanjutnya dilakukan evaluasi menggunakan Confusion Matrix. Dari hasil evaluasi Deep CNN dengan arsitektur Conv1D pada deteksi arimtia menghasilkan akurasi 98,88% yang lebih tinggi dari metode sebelumnya.
Klasifikasi Diabetic Retinopathy Menggunakan CNN dengan Arsitektur yang Dimodifikasi Kevyn Alifian Hernanda Wibowo; Alamsyah Alamsyah
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46172

Abstract

Diabetic Retinopathy (DR), juga dikenal sebagai penyakit mata diabetes, terjadi karena kerusakan pada retina akibat diabetes melitus yang berkepanjangan. DR dapat diklasifikasikan melalui gambar fundus retina. Namun, klasifikasi retinopati diabetik membutuhkan waktu yang tidak sedikit dan belum ada model yang memiliki performa tinggi dalam mengklasifikasikan DR. Tujuan dari penelitian ini mengusulkan model yang diharapkan memiliki tingkat akurasi yang lebih tinggi daripada penelitian sebelumnya. Metode yang digunakan adalah Convolutional Neural Network (CNN). Hasil evaluasi menunjukkan klasifikasi DR menggunakan CNN berarsitektur VGG-16 Net menghasilkan akurasi 96,24% sedangkan klasifikasi DR menggunakan CNN berarsitektur yang dimodifikasi menghasilkan akurasi 96.45%. Pada penelitian ini, akurasi model klasifikasi dapat ditingkatkan dengan menggunakan metode CNN berarsitektur termodifikasi.
Uji Aktivitas Fibrinolitik Jus Cacing Tanah (Lumbricus rubellus) Pada Tikus yang Diberi Asam Traneksamat Ulin Nasirotuzahroh; R. Susanti
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46173

Abstract

Trombosis merupakan pembentukan bekuan darah (trombus) yang tidak normal di pembuluh darah akibat ketidakseimbangan sistem hemostasis. Protease cacing (lumbrokinase) dari Lumbricus rubellus memiliki kemampuan fibrinolitik dengan aktivitas ganda, yaitu melarutkan fibrin dalam trombus dan mengubah plasminogen menjadi plasmin. Tujuan penelitian ini adalah untuk menganalisis pengaruh pemberian jus cacing tanah terhadap waktu perdarahan, waktu pembekuan, dan jumlah trombosit pada tikus yang diberi asam traneksamat (TXA). Penelitian ini menggunakan postest randomized controlled group design dengan rancangan acak lengkap (RAL). Sebanyak 15 ekor tikus jantan galur Wistar dibagi menjadi 5 kelompok, yaitu kelompok kontrol normal (KN) yang tidak diberi perlakuan, kelompok kontrol positif (KP) diberi TXA 50 mg/kgBB dan aspirin 100 mg/kgBB, dan kelompok perlakuan jus cacing yang diberi TXA 50 mg/kgBB kemudian masingmasing diberi jus cacing 1,5 gram/kgBB (P1); 2 gram/kgBB (P2); dan 2,5 gram/kgBB (P3). Sediaan uji diberikan sekali sehari secara oral selama 7 hari. Pengambilan darah dilakukan pada hari ke-7 untuk pemeriksaan waktu perdarahan, waktu pembekuan, dan jumlah trombosit. Masing-masing data dianalisis dengan one-way anova dilanjutkan uji LSD. Hasil penelitian menunjukkan bahwa pemberian jus cacing tanah pada tikus yang diberi asam traneksamat berpengaruh signifikan meningkatkan waktu perdarahan dan waktu pembekuan darah, namun tidak berpengaruh signifikan menurunkan jumlah trombosit. Hal ini menunjukkan bahwa cacing tanah berpotensi dikembangkan sebagai obat terapi fibrinolitik yang aman tanpa risiko perdarahan.
Komparasi Metode Support Vector Machine dan Naive Bayes Classifier untuk Pemodelan Kualitas Pengajuan Kredit Moh Khubaib Tamami; Iqbal Kharisudin
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46174

Abstract

Kredit bermasalah atau Non-Performing Loan (NPL) merupakan suatu risiko yang terdapat dalam setiap pemberian kredit oleh bank atau institusi pemberian kredit kepada customernya. Suatu bank memiliki risiko yang tinggi dalam hal kredit dapat dilihat dari tinggi rendahnya NPL bank tersebut. Permasalahan NPL ditandai dengan kredit yang tidak dapat kembali tepat pada jangka waktu yang telah ditentukan. Analisis penilaian risiko calon debitur pada suatu bank perlu dilakukan untuk mengantisipasi permasalahan NPL. Pada penelitian ini dilakukan analisis pemodelan kualitas kredit menggunakan metode Support Vector Machine (SVM) dan Naive Bayes Classifier (NBC) untuk melakukan klasifikasi penilaian risiko calon debitur. Pada SVM diujikan tiga fungsi kernel, yaitu fungsi kernel Linear, fungsi kernel Gaussian Radial Basis Function (RBF), dan fungsi kernel Polynomial. Hasil penelitian menunjukkan model klasifikasi yang dihasilkan oleh metode SVM fungsi kernel RBF merupakan model terbaik, dengan akurasi 96.65%. Hasil pemodelan dapat digunakan dalam mengklasifikasi sekaligus menyeleksi calon debitur, apakah akan menjadi debitur yang mempunyai kualitas kredit baik atau buruk.
Pemodelan Matematika Tentang Penyebaran Virus Flu Burung (H5N1) Dengan Treatment Pada Manusia Dan Vaksinasi Burung Rentan Dalam Populasi Konstan Taufan Giri Ramdani; Muhammad Kharis
Indonesian Journal of Mathematics and Natural Sciences Vol 46, No 1 (2023): April 2023
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/ijmns.v46i1.46175

Abstract

Dari bulan oktober sampai November 2020, Inggris, Jerman dan Jepang telah memusnahkan lebih dari 3 juta unggas karena terinfeksi virus flu burung. Pada bulan februari tahun 2021 rusia melaporkan kasus penularan virus flu burung varian H5N8 pada pekerja peternakan unggas. Virus ini disebarkan melalui unggas terinfeksi ke unggas rentan dan unggas terinfeksi ke manusia rentan serta manusia terinfeksi dengan manusia rentan. Pemberian vaksin pada unggas merupakan salah satu cara menekan penyebaran virus flu burung. Sehingga Dibentuk sebuah penelitian untuk membangun model matematika penyebaran virus flu burung, mencari titik kestabilan dari model yang dibuat dan pembuatan simulasi numerik. Penelitian ini menghasilkan model S,I,T,R,Sb,Ib,Vb dengan adanya pemberian treatment kepada manusia terinfeksi (I) dan vaksinasi burung rentan (Vb) dalam populasi burung dan manusia konstan,: (a) titik ekuilibrium P0 stabil asimtotik lokal untuk kondisi R01 dan r01 (b) titik ekuilibrium P0 tidak stabil dan P1 stabil asimtotik lokal untuk kondisi R01 dan r01 dan (c) titik ekuilibrium P0 dan P1 tidak stabil serta P2 stabil asimtotik lokal untuk kondisi R01 dan r01. Hasil penelitian ini diperoleh beberapa fakta yaitu semakin kecil nilai peluang kontak unggas rentan dengan unggas terinfeksi dan kontak manusia rentan dengan manusia terinfeksi serta semakin besar nilai proporsi manusia yang diberi treatment dan burung rentan yang diberikan vaksin maka akan memperkecil populasi manusia yang terinfeksi virus flu burung.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Vol 46, No 2 (2023): October 2023 Vol 46, No 1 (2023): April 2023 Vol 45, No 2 (2022): October 2022 Vol 45, No 1 (2022): April 2022 Vol 44, No 2 (2021): October 2021 Vol 44, No 1 (2021): April 2021 Vol 42, No 1 (2019): April 2019 Vol 41, No 2 (2018): October 2018 Vol 41, No 1 (2018): April 2018 Vol 40, No 2 (2017): October 2017 Vol 40, No 1 (2017): April 2017 Vol 39, No 2 (2016): October 2016 Vol 39, No 2 (2016): October 2016 Vol 39, No 1 (2016): April 2016 Vol 39, No 1 (2016): April 2016 Vol 38, No 2 (2015): October 2015 Vol 38, No 2 (2015): October 2015 Vol 38, No 1 (2015): April 2015 Vol 38, No 1 (2015): April 2015 Vol 37, No 2 (2014): October 2014 Vol 37, No 2 (2014): October 2014 Vol 37, No 1 (2014): April 2014 Vol 37, No 1 (2014): April 2014 Vol 36, No 2 (2013): October 2013 Vol 36, No 2 (2013): October 2013 Vol 36, No 1 (2013): April 2013 Vol 36, No 1 (2013): April 2013 Vol 35, No 2 (2012): October 2012 Vol 35, No 2 (2012): October 2012 Vol 35, No 1 (2012): April 2012 Vol 35, No 1 (2012): April 2012 Vol 35, No 2 (2012) More Issue