Articles
295 Documents
<![CDATA[PENERAPAN INTEGRAL LIPAT DUA DALAM PENENTUAN VOLUME PERMUKAAN KUADRATIS ]]>
<![CDATA[irwan, Muh]]>;
<![CDATA[Kasse, Irwan]]>;
<![CDATA[Darmiani, Darmiani]]>;
<![CDATA[Jalil, Erniwati]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.18459
<![CDATA[Perhitungan volume permukaan kuadratis dengan menggunakan integral lipat dua membutuhkan ketelitian dalam proses pencariannya, oleh karena itu diperlukan alat atau sarana yang dapat membantu mengecek keakuratannya. Salah satu alat atau sarana yang dapat digunakan adalah program R. Penelitian ini bertujuan untuk menentukan rumus volume permukaan kuadratis serta mengetahui aplikasi integral dalam menentukan volume benda permukaan kuadratis menggunakan program R. Berdasarkan hasil pengamatan diperoleh rumus volume permukaan kuadratis serta penggunaan integral dalam menentukan volume benda permukaan kuadratis menggunakan R. Benda permukaan kuadratis yang akan dihitung harus diukur panjang bagian-bagiannya terlebih dahulu, selanjutnya akan ditentukan daerah integrasi dan fungsi yang akan diintegrasikan.]]>
<![CDATA[ANALISIS PENGENDALIAN KUALITAS STATISTIK GULA RAFINASI DENGAN PETA KENDALI MULTIVARIAT T-SQUARE (STUDI KASUS: PT. MAKASSAR TENE) ]]>
<![CDATA[Kasse, Irwan]]>;
<![CDATA[Erianti, Efita]]>;
<![CDATA[Irwan, Muh.]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 8 No 1 (2020): Volume 8 Nomor 1 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v8i1.19364
<![CDATA[Sugar is a simple carbohydrate that is a source of energy. Sugar consumption in each country are different from Indonesia. Demand for sugar in Indonesia is always changing and increasing along with increasing of the population in Indonesia. If sugar consumption in Indonesia is Increasing, Sugar Production have to be increased. Of course, the company have to guarantee the quality of sugar. There are several factors that affect the quality of sugar. So, the company must always check the quality of sugar to be producted by considering these factors. Therefore, this research used multivariate T2 control chart method. This study aims to determine whether refined sugar products have been statistically controlled using multivariate T-Square control chart. The method used is the Statistical Quality Control method with multivariate T-Square control chart. The results of the study show that all refined sugar products have been statistically controlled by using multivariate T-Square control chart after making several revisions and can be a reference in the analysis control chart.]]>
<![CDATA[ANALISIS PERBANDINGAN METODE MULLER DAN METODE BIRGE-VIETA DALAM MENYELESAIKAN PERSAMAAN POLINOMIAL ]]>
<![CDATA[Nurman, Try Azisah]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.20990
<![CDATA[Penelitian ini membahas tentang menyelesaikan permasalahan-permasalahan persamaan polinomial dengan perbandingan penyelesaian persamaan polinomial menggunakan metode Muller dan metode Birge-Vieta dengan bantuan Program R berdasarkan akar, galat terkecil, iterasinya dan waktu komputasi. Persamaan polinomial merupakan persamaan yang sering ditemui pada banyak analisis problem. Persamaan yang digunakan penulis pada penelitian ini meggunakan persamaan berderajat 4 yaitu , persamaan berdejat 5 yaitu , persamaan berderajat 6 yaitu dan persamaan berderajat 7 yaitu . Hasil penelitian menunjukkan pada metode Muller membutuhkan iterasi yang sedikit dan memperoleh akar berubah akar real dan komplek, tetapi galatnya masih besar dan membutuhkan waktu komputasi yang panjang, sedangkan pada metode Birge-vieta membutuhkan iterasi yang lebih banyak dan akar yang diperoleh berupa akar real saja, tetapi galatnya kecil dan membutuhkan waktu komputasi yang lebih sedikit.]]>
<![CDATA[Peramalan Luas Panen Padi Indonesia Dengan Model ETS (Error, Trend, Seasonal) ]]>
<![CDATA[Kadir, Kadir]]>;
<![CDATA[Prasetyo, Octavia Rizky]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.19666
<![CDATA[Makalah ini bertujuan untuk mengevaluasi akurasi perkiraan potensi luas panen padi yang dihasilkan melalui metode Kerangka Sampel Area (KSA) dan menyajikan alternatif metode perkiraan luas panen padi dengan mempertimbangkan unsur musimam pada data. Data yang digunakan dalam penelitian ini adalah data realisasi dan potensi luas panen padi hasil Survei KSA periode Januari 2018 sampai dengan Desember 2020. Evaluasi akurasi yang digunakan yaitu nilai Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Metode alternatif peramalan yang digunakan adalah metode ETS. Hasil penelitian menunjukkan perkiraan luas panen padi satu bulan ke depan dengan menggunakan metode KSA memiliki tingkat akurasi yang relatif tinggi, ditunjukkan oleh nilai MAPE yang relatif kecil yakni sebesar 7,52 persen. Sementara itu, ramalan panen menggunakan metode ETS memiliki nilai MAPE, MAE, dan RMSE yang relatif lebih tinggi dibandingkan dengan prediksi panen berdasarkan hasil amatan KSA. Namun, kesalahan peramalan terhadap realisasi luas panen cenderung semakin mengecil seiring dengan penambahan data training. Dengan kata lain, semakin banyak titik data untuk peramalan, semakin baik akurasi hasil peramalan yang dihasilkan oleh metode ETS. Oleh karena itu, model ini dapat dipertimbangkan dalam peramalan luas panen padi dengan menggunakan data hasil Survei KSA ke depannya.]]>
<![CDATA[Analisis Pengaruh Indeks Pembangunan Manusia, Pengangguran Dan Jumlah Penduduk Terhadap Jumlah Penduduk Miskin Di Sulawesi Selatan Pada Tahun 2019 ]]>
<![CDATA[Syata, Ilham]]>;
<![CDATA[Darja, Rahma]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.19592
<![CDATA[Tujuan penelitian ini adalah untuk mengetahui pengaruh indeks pembangunan manusia, pengangguran dan jumlah penduduk terhadap jumlah penduduk miskin di Sulawesi Selatan tahun 2019. Hasil penelitian ini menunjukkan model terbaik yang terbentuk untuk analisis regresi adalah Dari persamaan regresi dapat dijelaskan nilai konstanta sebesar . Artinya apabila variabel Indeks pembangunan manusia (X1) dan variabel jumlah penduduk (X3) diasumsikan konstan maka diperkirakan rasio jumlah penduduk miskin sebesar jiwa/orang dalam setahun dan variabel Indeks Pembangunan Manusia (X1) dan variabel Jumlah Penduduk (X3) berpengaruh positif dan signifikan terhadap Jumlah Penduduk Miskin.]]>
<![CDATA[ANALISIS CLUSTER LONGITUDINAL PADA PEMBANGUNAN MANUSIA DI SULAWESI SELATAN BERBASIS GENDER ]]>
<![CDATA[nurfadilah, khalilah]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.21180
<![CDATA[Disparitas capaian IPG dan IDG masih relatif tinggi antar kabupaten/kota di Sulawesi Selatan. Masalah lain yang muncul pada pembangunan manusia di Sulawesi Selatan adalah capaian IPG yang tinggi namun tingkat IPM rendah dan sebaliknya capaian IPM yang tinggi namun IPG rendah. Perlu formulasi khusus untuk menetapkan pendekatan pembangunan yang berorientasi pada kesetaraan dan keadilan gender. Salah satu solusinya adalah dengan mengklasifikasikan kabupaten/kota berdasarkan capaian IPM, IPG, dan IDG sehingga intervensi pemerintah tepat sasaran. Klasifikasi dilakukan dengan metode analisis Cluster Longitudinal dengan metode K-Means jarak Manhattan. Ruang lingkup penelitian terdiri dari 24 kabupaten/Kota di Sulawesi Selatan pada periode waktu 2010-2020. Hasil dari Calinski & Harabasz Criterion menunjukkan cluster optimum sebanyak 6 cluster. Pembahasan hasil menunjukkan bahwa daerah perkotaan di Sulawesi Selatan relatif lebih sukses dalam pembangunan manusia berbasis gender, dapat dibuktikan dengan cluster E yang beranggotakan kota Makassar, Parepare, dan Palopo dengan kategori IPM perempuan, IPG, dan IDG yang relatif tinggi dibandingkan cluster lain. Sedangkan kabupaten pada cluster C, walaupun IDG-nya relatif tinggi namun capaian IPM perempuan dan IPG relatif rendah.]]>
<![CDATA[Penerapan Model Seemingly Unrealated Regression (SUR) Spasial pada Tingkat Kasus Kriminalitas di Provinsi Sulawesi Selatan ]]>
<![CDATA[Rasyid, Adiatma]]>;
<![CDATA[Kasse, Irwan]]>;
<![CDATA[Sauddin, Adnan]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.19361
<![CDATA[This research conducted discusses the crime rate in South Sulawesi Province. There are several main factors that can lead to crime, especially in South Sulawesi Province. This research was conducted to see the Spatial Seemingly Unrealated Regression SUR) model at the crime rate in South Sulawesi Province, but there are assumptions that do not meet the SUR Spatial Analysis, so the model obtained is limited to the Spatial Autoregressive (SAR) and Spatial Eror Model (SEM). The SAR model obtained shows that the population, the number of poor people, and the GDP per capita have a positive and significant effect on the risk of the population being affected by crime. The SEM model obtained shows a positive and significant effect between the population, the number of unemployed has a negative and significant effect on the risk of the population being exposed to crime.]]>
<![CDATA[IMPLEMENTASI FUZZY C-MEANS DALAM KLASTERISASI KABUPATEN/KOTA DI PULAU SULAWESI BERDASARKAN KINERJA PEMBANGUNAN EKONOMI DAERAH ]]>
<![CDATA[Satrio, Roni Anom]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.18319
<![CDATA[Pembangunan ekonomi merupakan rangkaian usaha dalam suatu perekonomian guna mengembangkan kegiatan ekonomi dalam rangka peningkatan taraf hidup masyarakat. Pembangunan ekonomi nasional tidak terlepas dari pembangunan ekonomi daerah. Pulau Sulawesi merupakan salah satu daerah di Kawasan Indonesia Timur yang mengalami pertumbuhan ekonomi pesat. Meski perekonomian Sulawesi tumbuh dengan pesat, namun sumber perekonomiannya sebagian besar masih berpusat di salah satu daerah saja. Dengan demikian, penelitian ini memiliki tujuan untuk membentuk klaster kabupaten/kota di Pulau Sulawesi berdasarkan kinerja pembangunan ekonomi daerah dengan menggunakan Algoritma Fuzzy C-Means. Sebanyak 81 kabupaten/kota di Sulawesi dibagi kedalam lima klaster dan diperoleh fungsi objektif yang konvergen pada iterasi ke-663 sebesar . Klaster 1 merupakan Klaster Pembangunan Ekonomi Menengah Kebawah, terdiri dari 21 kabupaten. Klaster 2 merupakan Klaster Pembangunan Ekonomi Menengah, terdiri dari lima kabupaten. Klaster 3 merupakan Klaster Pembangunan Ekonomi Rendah (Tertinggal), terdiri dari 18 kabupaten. Klaster 4 merupakan Klaster Pembangunan Ekonomi Menengah Atas, terdiri dari 45 kabupaten/kota. Klaster 5 merupakan Klaster Pembangunan Ekonomi Tinggi, terdiri dari dua kabupaten dan 11 kota.]]>
<![CDATA[Pengelompokkan Provinsi di Indonesia berdasarkan Penyakit Tidak Menular Menggunakan Metode Partisi, Hierarki, dan Fuzzy Clustering ]]>
<![CDATA[Vira, Salsa]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.17942
<![CDATA[Penyakit tidak menular menjadi isu penting di Indonesia. Berdasarkan data Riset Kesehatan Dasar, tingkat prevalensi penyakit tidak menular di Indonesia melonjak lebih dari 34 persen pada tahun 2018. Oleh karena itu diperlukan suatu penelitian sebagai dasar pemerintah dan pihak terkait untuk membuat kebijakan yang tepat. Penelitian pengelompokkan provinsi di Indonesia berdasarkan penyakit tidak menular menggunakan metode partisi, hierarki, dan fuzzy clustering memiliki tujuan mengelompokkan provinsi-provinsi di Indonesia berdasarkan penyakit tidak menular dan menentukan metode terbaik untuk melakukan pengelompokkannya. Variabel yang digunakan pada penelitian ini terdiri dari delapan jenis penyakit tidak menular yang bersumber dari data RISKESDAS 2018. Berdasarkan hasil pengujiannya didapatkan bahwa provinsi-provinsi di Indonesia dapat dikelompokkan berdasarkan penyakit tidak menular dengan menggunakan metode k-means, k-medoids, AGNES, DIANA, dan fuzzy c-means clustering, dan berdasarkan hasil perbandingan kelima metode tersebut dapat disimpulkann bahwa metode paling baik untuk mengelompokkan provinsi di Indonesia berdasarkan penyakit tidak menular adalah dengan fuzzy c-means clustering.]]>
<![CDATA[Faktor-Faktor yang Memepengaruhi Tingkat Stres Mahasiswa Prodi Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri Alauddin Makassar dalam Menyelesaikan Tugas Akhir Menggunakan Confirmatory Factor Analysis (CFA) ]]>
<![CDATA[Hayati, Hayati]]>;
<![CDATA[Alwi, Wahidah]]>;
<![CDATA[Sauddin, Adnan]]>
<![CDATA[ Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 9 No 1 (2021): VOLUME 9 NOMOR 1 TAHUN 2021 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Alauddin Makassar ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24252/msa.v9i1.19142
<![CDATA[Penelitian ini membahas tentang faktor-faktor yang mempengaruhi tingkat stres mahasiswa Prodi Matematika Fakultas Sains dan Teknologi UIN Alauddin Makassar dalam menyelesaikan tugas akhir menggunakan Confirmatory Factor Analysis (CFA). Mahasiswa merupakan peserta didik yang terdaftar dan belajar pada suatu perguruan tinggi baik perguruan tinggi negeri maupun perguruan tinggi swasta.Mahasiswa dalam tahap perkembangannya digolongkan sebagai remaja akhir dan dewasa awal, umumnya berusia 18-21 tahun dan 22-24 tahun. Masa peralihan mendorong mahasiswa untuk menghadapi berbagai tuntutan dan tugas perkembangan yang baru. Adapun salah satu masalah penyesuaian diri yang sering dihadapi mahasiswa adalah penyesuaian diri dalam bidang pendidikan yang salah satunya adalah penyesuaian diri pada tugas akhir yang biasanya menimbulkan adanya stres pada mahasiswa. Penelitian ini membahas tentang faktor-faktor yang mempengaruhi tingkat stres mahasiswa prodi matematika dalam menyelesaikan tugas akhir. Oleh karena itu, banyak faktor yang mempengaruhi tingkat stres mahasiswa dalam menyelesaikan tugas akhir. Dalam penelitian ini diasumsikan bahwa faktor fisik, faktor emosional, faktor kognitif dan faktor interpersonal berpengaruh terhadap tingkat stres mahasiswa. Dengan menggunakan Confirmatory Factor Analysis (CFA) diperoleh hasil penelitian bahwa faktor fisik, faktor emosional, faktor kognitif berpengaruh terhadap tingkat stres mahasiswa.]]>
