cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota bandung,
Jawa barat
INDONESIA
EurekaMatika (Jurnal Online Matematika S1)
Published by Universitas Pendidikan Indonesia
ISSN : -     EISSN : -     DOI : -
Core Subject : Education,
Mathematics
Arjuna Subject : -
Articles 10 Documents
 1 
Search results for , issue " Vol 3, No 1 (2015): Journal EurekaMatika" : 10 Documents clear
PENERAPAN MODEL THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (TGARCH) DALAM PERAMALAN HARGA EMAS DUNIA Darmawan, Ryaneka; Puspita, Entit; Agustina, Fitriani
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Ekonomi merupakan aspek penting suatu negara, beragamnya bentuk kegiatan ekonomi menggambarkan pentingnya ekonomi bagi masyarakat. Salah satu kegiatan ekonomi adalah investasi, investasi saat ini sangat beragam salah satunya investasi emas. Emas merupakan barang berharga dan memiliki nilai jual yang tinggi, selain itu emas juga lebih mudah didapatkan untuk saat ini. Oleh karena itu diperlukan suatu cara menentukan harga emas pada masa yang akan datang, sehingga investasi yang dilakukan mendapatkan keuntungan. Model runtun waktu terbagi dua kondisi, pertama kondisi dengan variansi konstan (homoskedastisitas) dan kedua kondisi variansi tidak konstan (heteroskedastisitas). Model runtun waktu dengan variansi konstan biasa disebut dengan model Box-Jenkin’s. Harga emas dunia merupakan data yang memiliki variansi tidak konstan, oleh karena itu peramalan harga emas dunia dengan menggunakan model Box-Jenkin’s kurang tepat sehingga model runtun waktu dengan kasus heteroskedastisitas lebih cocok digunakan. Banyak model runtun waktu untuk kondisi heteroskedastisitas, salah satu model terbaik yaitu model Threshold Generalized Autoregressive Conditional Heteroscedastic (TGARCH). Identifikasi model TGARCH dengan cara trial dan error, setelah dilakukan estimasi dan verifikasi maka didapatkan model TGARCH(2,1) sebagai model terbaik untuk peramalan. Hasil peramalan dengan model TGARCH(2,1) memiliki nilai Mean Squared Error (MSE) sebesar 723,032 dan nilai The Mean Absolute Percentage Error (MAPE) yang relatif kecil sebesar 1,4952%.Kata kunci: Investasi, Emas, TGARCH, MSE, MAPEABSTRACT  Economics is an important aspect of a country, the diversity of forms of economic activity illustrate the economic importance for the community. One of the economic activity is investment, now investment is diverse one of them gold investment. Gold is valuable and has a high resale value, moreover gold more readily available for the moment. Therefore we need a way to determine the price of gold in the future, so that the investment will be getting profit. Time series models is divided into two conditions, the first condition with constant variance (homoscedastic) and the second condition is variance not constant (heteroscedastic). Time series models with constant variance commonly called the Box-Jenkins models. World gold prices is data that has variance is not constant, therefore the world gold price forecasting using models Box-Jenkins not quite right so the model time series with heteroskedastic case more suitable. Many models for time series heteroskedastic conditions, one of the best model is a model Threshold Generalized Autoregressive Conditional Heteroscedastic (TGARCH). Identification TGARCH model using by trial and error, after the estimation and verification of the obtained models TGARCH (2.1) as the best model for forecasting. Results forecasting model TGARCH (2.1) has a value of Mean Squared Error (MSE) of 723.032 and the value of the Mean Absolute Percentage Error (MAPE) is relatively small as 1.4952%.Keywords : Investment, Gold, TGARCH, MSE, MAPE
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Prihastiwi, Dwiningrum; Juandi, Dadang; Herrhyanto, Nar
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

Abstrak. Pokok pembahasan dalam skripsi ini adalah langkah-langkah mendeteksi pencilan dengan pendekatan Bayesian pada model regresi linear. Metode Bayesian memberikan hasil penaksiran yang lebih baik daripada penaksiran dengan metode klasik. Pendekatan Bayesian yang dilakukan adalah dengan mempertimbangkan distribusi awal (prior) dengan melihat fungsi likelihood data dan juga melibatkan distribusi posterior. Data pencilan merupakan salah satu masalah yang sering terjadi pada model regresi. Keberadaan data pencilan dapat mengganggu proses pengujian dan pengambilan keputusan dalam penelitian. Untuk itu, ingin dikaji lebih lanjut mengenai pencarian data pencilan dengan pendekatan Bayesian. Data pencilan ini dapat diketahui dengan membandingkan peluang prior dan peluang posterior dari data regresi yang diperoleh, jika nilai peluang posterior lebih besar dari peluang prior maka data tersebut dikatakan data pencilan.Kata kunci: Pencilan, Bayesian.Abstract. The main issue in this study is the steps to detect outlier by Bayesian approach in the linear regression model. Bayesian method gives better results than the assessment of assessments by classical methods. Bayesian approach is done by considering prior distribution, which is obtained by looking likelihood function, and posterior distribution. Data outliers is one of the problem that often occur in the regression model. The existence of data outliers can disturb trial processes and decision-making in research. Furthermore, would be examined on detecting outlier by Bayesian approach. The outlier can be determined by comparing prior and posterior probability which is obtained of data regression, if posterior probability value is greater than prior probability then it called by outlier.Keyword: outlier, Bayesian.
PENERAPAN METODE WEIGTHED LEAST SQUARE UNTUK MENGATASI HETEROSKEDASTISITAS PADA ANALISIS REGRESI LINEAR Hanifah, Nurul; Herrhyanto, Nar; Agustina, Fitriani
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Analisis regresi merupakan analisis statistik yang mempalajari bagaimana memodelkan regresi linear. Jika model regresi linear memenuhi uji asumsi klasik dengan metode OLS maka mempunyai sifat BLUE (Beast Linear Unbiased Estimator). Uji heteroskedastisitas,yaitu varian error pada setiap nilai variabel bebas bernilai tidak konstan. Akibat dari heteroskedastisitas yaitu nilai parameter yang diperoleh tetap tidak bias tetapi varian penaksir yang diperoleh menjadi tidak efisien, artinya uji hipotesis yang dilakukan tidak akan memberikan hasil yang baik (tidak valid) atau prediksi koefisien-koefisien populasinya akan keliru. Oleh karena itu untuk mengetahui apakah terdapat heteroskedastisitas dilakukan uji White. Karena terdapat heteroskedastisitas pada skripsi ini, maka harus dilakukan transformasi dengan metode kuadrat terkecil tertimbang (Weighted Least Square).Kata Kunci: Uji Asumsi Klasik, Weighted least Square, Uji White. ABSTRACT  Regression analysis is a statistical analysis that learn how to model linear regression. If a linear regression model meets the Classic Assumption Test by OLS method, it has the nature of BLUE (Best Linear Unbiased Estimator). Error variance at each independent variable value is not constant. It means that heteroskedasticity test is unfulfilled and  the classical assumption is not met.The result of heteroskedastisitas is that the parameter value remains biased but variance estimator becomes inefficient. It means thata hypothesis test wouldn’t give good results (not valid) or predictions coefficients of the population would be mislead. Therefore, to know whether there are heteroskedasticity, White test is conducted. Because heteroskedasticity exists in this thesis, transformation with weighted least squares method (Weighted Least Square) must be carried out.Keyword: Classic Assumption Test, Weighted least Square, White Test. 
Metode Peramalan Mortalita Menggunakan Metode Lee-Carter Nursaadah, Ima; Puspita, Entit; Marwati, Rini
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Skripsi ini membahas mengenai aplikasi Model Lee-Carter untuk peramalan laju mortalita di Australia. Data yang digunakan adalah data peluang mortalita Australia tahun 1921-2008, dimana usia yang digunakan adalah 0-109 tahun. Central death rates  diasumsikan berbentuk linear dan eksponensial. Selanjutnya peluang mortalita diestimasi menggunakan Singular Value Deomposition (SVD) dan dibentuk kembali menjadi sebuah tabel mortalita Model Lee-Carter. Selanjutnya, akan diramalkan indeks kematian menggunakan ARIMA (0,1,1) untuk tahun 2009-2011. Dengan asumsi  dan  konstan, akan dibentuk tabel mortalita tahun 2009-2011. Hasil dari peramalan tabel mortalita tahun 2009-2011 memberikan hasil peramalan yang baik. Diperoleh pula bahwa asumsi eksponensial untuk central death rates memberikan error yang lebih kecil dibandingkan dengan asumsi linear.Kata kunci : mortalita, central death rates, peramalan, Lee-CarterABSTRACT This paper discusses about the application of the Lee-Carter Model to forecasting mortality rates in Australia. These rates are available for the periode that goes from 1921-2008, which using 0-109 ages. Central death rates assumed has linear and exponensial form. The probability of mortallity is estimated using The Singular Value Decomposition (SVD) and rebuilt to a mortality table Lee-carter model. Next, ARIMA (0,1,1) used for forecast the mortality indeks for the time periode that goes from 2009-2011 in order to project. Assuming both of  and  are constant. Results of forecasting mortality tables for 2009-2011 shows that exponential assumption for central death rates better than the linear assumption.Keyword : mortality, central death rates, forecasting, Lee-Carter
APLIKASI METODE THORANI DALAM PENYELESAIAN PERMASALAHAN PROGRAM LINEAR FUZZY Haryanti, Mutia Dwi; Lukman, Lukman; Agustina, Fitriani
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Program linear merupakan salah satu teknik untuk menyelesaikan persoalan pengalokasian sumber-sumber yang terbatas menggunakan persamaan dan ketidaksamaan linear dalam rangka untuk mencari pemecahan yang optimum dengan memperhatikan pembatasan-pembatasan yang ada. Permasalahan program linear memiliki parameter antara lain jumlah produk yang harus diproduksi, jumlah bahan mentah yang tersedia terbatas atau jumlah tenaga kerja yang terampil terbatas. Seringkali parameter-parameter tersebut tidak dapat diprediksi secara pasti sehingga nilainya menjadi samar (fuzzy). Oleh karena itu, Thorani et al. (2012) memperkenalkan Metode Perangkingan Thorani untuk menyelesaikan masalah pemrograman linear dengan parameternya samar (fuzzy). Metode ini memiliki kelebihan dibanding metode lain karena perhitungannya lebih akurat dalam membandingkan beberapa bilangan samar (fuzzy). Untuk membantu perhitungan, sebuah aplikasi komputer dibuat untuk memudahkan pengguna dalam memahami penyelesain masalah program linear tersebut.Kata kunci: pemrograman linear fuzzy, bilangan fuzzy. ABSTRACT  Linear programming is one technique for solving the problems of allocating limited resources to use linear equations and inequalities in order to find the optimum solution by taking into account the existing restrictions. Parameters of linear programming problem are the amount of product to be produced, the amount of raw material available is limited or the amount of skilled labor is limited. Often these parameters can not be predicted with certainty so that its value become fuzzy. Therefore, Thorani et al. (2012) introduced a Thorani method to solve the linear programming problems where the parameters are fuzzy numbers. This method has advantages over other methods because the calculation is more accurate to compare some fuzzy numbers To help the calculation, a software designed to enable users to understand how to solve the linear programming problem.Key words: fuzzy linear programming, fuzzy numbers.
APLIKASI MODEL ANTRIAN MULTISERVER DENGAN VACATION PADA SISTEM ANTRIAN DI BANK BCA CABANG UJUNG BERUNG zabeth, Ely; Suherman, Maman; Marwati, Rini
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Antrian merupakan kegiatan yang sering dijumpai dalam kehidupan sehari-hari. Pelaku utama dalam antrian adalah customer yang membutuhkan pelayanan serta server yang memberikan pelayanan. Sistem antrian dengan laju kedatangan dan pelayanan yang berdistribusi Poisson dan waktu pelayanan yang berdistribusi Eksponensial dilambangkan dengan M/M/c, dimana c adalah banyaknya server. Vacation pada sistem antrian adalah waktu tunda server melayani customer dalam waktu tertentu saat jam operasional. Sistem antrian dengan laju kedatangan dan laju pelayanan yang berdistribusi Poisson serta waktu pelayanan dan waktu vacation yang berdistribusi Eksponensial dimana server yang ada lebih dari satu dan server tidak secara serentak melakukan vacation disebut dengan Asynchronous Multiple Vacation Model (M/M/c (AS, MV)). Berdasarkan studi kasus yang dilakukan di Bank BCA Cabang Ujung Berung dimana pengamatan dipusatkan pada antrian untuk transaksi tunai di atas 10 juta rupiah, dengan banyaknya server sebanyak 3 orang maka model antriannya menjadi (M/M/3 (AS, SV)) dan diperoleh laju kedatangan (λ) 24 orang per jam dan laju pelayanan () 13 orang per jam serta Ekspektasi banyaknya customer dalam antrian ( 4 orang dan Ekspektasi waktu menunggu customer dalam sistem ( 10 menit.Kata kunci: Antrian, Customer, Multiserver, Vacation ABSTRACT  Queuing is the most likely happensin daily life. Those who queue are customers who need service and server that gives service. Queuing system due to arrival and service rate which distribute in Poisson and service time which distributes in Exponensial are symbolized M/M/c, in which c is the quantity of server. Vacation on queuing system is the duration which server delays to serve the customers at a certain time during operational hour. Queuing system due to arrival and service rate which distribute in Poisson along with service and vacation time which distributes in Exponensial which has more than one server and it doesn’t do vacation at the same time is called Asynchronous Multiple Vacation Model (M/M/c (AS, MV)). Based on study which is done in BCA Ujung Berung, we focus on queuing for cash transaction of 10 million rupiahs above, whereas there are three servers and we pay attention to the vacation queuing model which becomes (M/M/3 (AS, MV)) and results arrival rate ( 24 people per hour and service rate ( 13 people per hour and expectation on the quantity of customer in the queue () 4 people and expectation of customer’s queuing time ()10 minutes.Key words: Queuing, Customer, Multiserver, Vacation
PENERAPAN METODE MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) UNTUK MENENTUKAN FAKTOR YANG MEMPENGARUHI MASA STUDI MAHASISWA FPMIPA UPI Annur, Mardiah; Dahlan, Jarnawi Afgani; Agustina, Fitriani
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Keterlambatan lulus dari program S1 menjadi salah satu permasalahan yang terjadi pada mahasiswa di sebagian besar perguruan tinggi, salah satunya terjadi di FPMIPA UPI. Salah satu upaya yang dapat dilakukan sebagai usaha meminimalisir banyaknya mahasiswa yang lulus terlambat adalah dengan cara menganalisis faktor yang mempengaruhi lama masa studi mahasiswa FPMIPA UPI.Multivariate Adaptive Regression Spline (MARS), suatu kombinasi antara Recursive Partitioning Regression (RPR) dan metode Spline, mampu mengolah data berdimensi tinggi dan berukuran besar, serta mampu mengolah data dengan variabel respon berbentuk kontinu ataupun biner, sesuai dengan permasalahan klasifikasi alumni FPMIPA UPI. MARS akan membangun suatu model terbaik sebagai model klasifikasi yang melibatkan beberapa fungsi basis yang memuat variabel prediktor yang berpengaruh.Berdasarkan analisis klasifikasi yang dilakukan diperoleh kesimpulan bahwa variabel prediktor yang paling berpengaruh terhadap masa studi mahasiswa FPMIPA UPI adalah jalur masuk. Sementara variabel prediktor yang berpengaruh lainnya yaitu IP semester pertama, jenis kelamin, dan program studi.Kata kunci : Masa Studi, MARS
MODEL REGRESI DATA PANEL BERGANDA (Contoh Kasus: Data Hubungan Valuasi (Cum Dividen Price (CDP)) yang diduga dipengaruhi oleh Laba (earnings per share (EPS)) dan Nilai Buku Ekuitas (Book Value (BV)) pada Tahun 1991-2000) Kurniawan, Asep Egi; Herrhyanto, Nar; Agustina, Fitriani
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Metode regresi data panel merupakan salah satu metode regresi yang mengikutsertakan pengaruh waktu kedalam model. Model yang diperoleh melalui metode regresi data panel adalah model regresi data panel. Model regresi data panel beranekaragam dan dapat ditaksir melalui dua pendekatan, yakni pendekatan fixed effect dan pendekatan random effect. Model yang dihasilkan dengan pendekatan fixed effect disebut Fixed Effect Model (FEM), sedangkan model yang dihasilkan dengan pendekatan random effect disebut Random Effect Model (REM). Jika kedua pendekatan signifikan, maka pengujian hipotesis yang digunakan untuk memilih model terbaik antara pendekatan fixed effect dan random effect adalah dengan menggunakan uji Hausman. Jika, pada model data panel terdapat variabel prediktor lebih dari satu dan satu variabel respon, maka model regresi data panel tersebut merupakan model regresi data panel dengan bentuk linear berganda. Sehingga, model yang dihasilkan menjadi model regresi data panel berganda.Kata kunci: Data Panel, Pendekatan Fixed Effect, Pendekatan Random Effect, Uji Hausman.ABSTRACT  Panel data regression method is one method of regression that includes the influence of time into the model. The model obtained through the method of panel data regression is panel data regression model. Panel data regression models are diverse and can be assessed through two approaches, namely the approach of fixed effect and random effect approach. The resulting model with fixed effect approach is called Fixed Effect Model (FEM), while the resulting models with random effects approach is called Random Effects Model (REM). If both approaches significantly, then the hypothesis testing is used to select the best model among the approaches fixed effect and random effect is to use the Hausman test. If, on the model of panel data there are more than one predictor variables and the response variable, then the panel data regression model is a panel data regression model with linear forms. Thus, the resulting model into multiple panel data regression model.Keywords: Panel Data, Fixed Effect Approach, Random Effect Approach, Hausman Test.
SIFAT-SIFAT FUNGSI KONVEKS YANG TIDAK DAPAT DIGENERALISASI MENJADI SIFAT-SIFAT FUNGSI KUASIKONVEKS Andina, Vika; Cahya, Endang; Fatimah, Siti
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK  Fungsi konveks adalah fungsi yang dapat ditandai oleh epigraph yang konveks tetapi fungsi konveks tidak dapat ditandai oleh himpunan level bawah yang konveks. Fungsi kuasikonveks merupakan generalisasi dari fungsi konveks yang dapat ditandai oleh himpunan level bawah yang konveks. Kajian ini menghadirkan sifat-sifat fungsi konveks yang memiliki kemiripan dengan sifat-sifat fungsi kuasikonveks dan mengkaji sifat-sifat fungsi konveks yang tidak memiliki kemiripan dengan sifat-sifat fungsi kuasikonveks. Dengan kata lain, sifat-sifat tersebut berlaku untuk fungsi konveks tetapi tidak berlaku untuk fungsi kuasikonveks.Kata kunci: fungsi konveks, epigraph, himpunan level bawah, fungsi kuasikonveks, sifat dengan kemiripan, sifat tanpa kemiripan ABSTRACT  Convex function is a function that can be characterized by convexity of its epigraph but can not be characterized by convexity of its lower level set. Quasiconvex function is a generalization of convex functions which can be characterized by convexity of its lower level set. This study presents the properties of convex functions with analogue for quasiconvex functions and observes the properties of convex functions with no analogue for quasiconvex functions. In other words, these properties valid for convex functions but does not valid for quasiconvex functions.Keyword: convex function, epigraph, lower level set, quasiconvex function, analogue properties, no analogue properties
Kaitan Antara Homomorfisma Pada Graf dan Homomorfisma Pada Aljabar Graf Nurhidayah, Nunung; Rosjanuardi, Rizky; Yusnitha, Isnie
Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika
Publisher : Program Studi Matematika Jurusan Pendidikan Matematika FPMIPA UPI

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

Abstract

ABSTRAK. Diberikan graf berarah  dan  serta masing-masing aljabar-  yang terkait dengan graf tersebut, yakni  dan . Selanjutnya aljabar-  ini disebut sebagai aljabar graf. Homomorfisma pada graf adalah pemetaan  dari E  ke  yang mengawetkan struktur graf. Sama halnya untuk aljabar-    dan , homomorfisma pada aljabar graf  dan  merupakan pemetaan  dari  ke  yang mengawetkan struktur aljabar-  Rosjanuardi dan Albania (2012) menyatakan bahwa automorfisma pada graf  dapat menginduksi automorfisma pada aljabar graf . Selanjutnya, dari hubungan ini dapat diperoleh bahwa aksi  dapat menginduksi suatu aksi .Kata Kunci : aljabar graf, homomorfisma, automorfisma dan aksi. ABSTRACT. Let  and  be directed graphs and their associated -algebras respectively,  and . We call this -algebras as graph algebras. Graph homomorphism is a map  of E to  such that preserves the structure of graph. Moreover for graph algebras  and , their homomorphism is a map  of  to  such that preserves the structure of graph algebras  Rosjanuardi and Albania (2012) said that an automorphism of  induces an automorphism of graph algebras . Furthermore, from this relation we get an action  induces an action .Key word : graph algebras, homomorphism, automorphism and action.

Page 1 of 1 | Total Record : 10

 1 

Filter by Year

2015 2015


Reset
Filter By Issues
All Issue Vol 5, No 1 (2017) Vol. 4, No. 1 (2016): Jurnal EurekaMatika Vol 3, No 1 (2015): Journal EurekaMatika Vol 2, No 1 (2014): Jurnal EurekaMatika Vol 1, No 1 (2013): Jurnal EurekaMatika