Pub Date : 2024-01-12DOI: 10.26740/mathunesa.v12n1.p197-207
Ayu Mazidatul Faizah, Dwi Juniati
Ikan adalah kelompok hewan bertulang belakang (vertebrata) yang hidup di dalam air, bernapas melalui insang, dan memiliki sirip untuk berenang. Dalam taksonomi, ikan masuk dalam kelompok paraphyletic. Ikan berperan penting dalam ekosistem perairan dan juga menjadi makanan pokok bagi banyak masyarakat di muka bumi ini. Selain dilihat dari bentuk tubuh, ekor, dan bentuk siripnya, corak pada tubuh ikan juga berperan penting dalam mengidentifikasi jenis ikan. Dalam matematika, gagasan mengenai fraktal adalah salah satu metode yang cocok untuk memahami pola atau bentuk yang tidak beraturan pada suatu objek. Dalam penelitian ini, dilakukan pengklasifikasian ikan laut berdasarkan corak pada tubuhnya menggunakan dimensi fraktal. Sebanyak 120 citra berwarna pada bagian tengah tubuh ikan laut digunakan untuk diubah ke dalam citra grayscale lalu dilakukan segmentasi pada corak tubuhnya. Daerah hasil segmentasi tersebut digunakan untuk mengetahui pola corak tubuh ikan menggunakan deteksi tepi Canny. Hasil nilai dimensi menggunakan box counting diklasifikasikan menggunakan metode K-Means Clustering dengan 8 klaster yang memiliki nilai akurasi sebesar 90%. Kata Kunci: Corak Tubuh Ikan Laut, Box Counting, K-Means.
{"title":"IMPLEMENTASI DIMENSI FRAKTAL BOX COUNTING DAN K-MEANS DALAM KLASIFIKASI JENIS IKAN LAUT BERDASARKAN CORAK TUBUH","authors":"Ayu Mazidatul Faizah, Dwi Juniati","doi":"10.26740/mathunesa.v12n1.p197-207","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p197-207","url":null,"abstract":"Ikan adalah kelompok hewan bertulang belakang (vertebrata) yang hidup di dalam air, bernapas melalui insang, dan memiliki sirip untuk berenang. Dalam taksonomi, ikan masuk dalam kelompok paraphyletic. Ikan berperan penting dalam ekosistem perairan dan juga menjadi makanan pokok bagi banyak masyarakat di muka bumi ini. Selain dilihat dari bentuk tubuh, ekor, dan bentuk siripnya, corak pada tubuh ikan juga berperan penting dalam mengidentifikasi jenis ikan. Dalam matematika, gagasan mengenai fraktal adalah salah satu metode yang cocok untuk memahami pola atau bentuk yang tidak beraturan pada suatu objek. Dalam penelitian ini, dilakukan pengklasifikasian ikan laut berdasarkan corak pada tubuhnya menggunakan dimensi fraktal. Sebanyak 120 citra berwarna pada bagian tengah tubuh ikan laut digunakan untuk diubah ke dalam citra grayscale lalu dilakukan segmentasi pada corak tubuhnya. Daerah hasil segmentasi tersebut digunakan untuk mengetahui pola corak tubuh ikan menggunakan deteksi tepi Canny. Hasil nilai dimensi menggunakan box counting diklasifikasikan menggunakan metode K-Means Clustering dengan 8 klaster yang memiliki nilai akurasi sebesar 90%. \u0000Kata Kunci: Corak Tubuh Ikan Laut, Box Counting, K-Means.","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"1 3","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140509667","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Salah satu model peramalan yang dapat yang menggabungkan unsur spasial (spatial) dan temporal (time) adalah Generalized Space Time Autoregressive (GSTAR). Pendugaan parameter yang digunakan adalah Seemingly Unrelated Regression (SUR). Peramalan iklim pada tanaman hortikultura pada masa kini sulit untuk diprediksi karena memiliki pola dan karakteristik yang sulit diidentifikasi dan dapat disebut aktivitas non linier. Unsur non linier ini dapat ditangkap oleh metode neural network. Penelitian ini ingin mengetahui hasil peramalan curah hujan pada 6 wilayah di Tengger menggunakan model GSTAR dengan pendugaan parameter menggunakan metode SUR dan digabungkan dengan neural network agar hasil peramalan yang lebih akurat. Data yang digunakan dalam penelitian ini adalah data curah hujan enam lokasi di wilayah Tengger, yakni Ngadirejo, Puspo, Wonokitri, Argosari, Ngadas, dan Wonokerto. Model yang tepat dalam melakukan peramalan pada data curah hujan pada 6 lokasi Tengger adalah model GSTAR (1,2,3,4,5,6,7,36(1)) Backpropagation Neural Network (96-120-6).
{"title":"PENAMBAHAN METODE NEURAL NETWORK DALAM PEMODELAN GSTAR-SUR UNTUK MENGATASI KASUS NON LINIER PADA PERAMALAN DATA CURAH HUJAN","authors":"Atiek Iriany, adjie achmad rienaldo fernandes, Achmad Efendi, Henida Ratna Ayu Putri, D. Ariyanto, Wigbertus Ngabu","doi":"10.26740/mathunesa.v12n1.p226-236","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p226-236","url":null,"abstract":"Salah satu model peramalan yang dapat yang menggabungkan unsur spasial (spatial) dan temporal (time) adalah Generalized Space Time Autoregressive (GSTAR). Pendugaan parameter yang digunakan adalah Seemingly Unrelated Regression (SUR). Peramalan iklim pada tanaman hortikultura pada masa kini sulit untuk diprediksi karena memiliki pola dan karakteristik yang sulit diidentifikasi dan dapat disebut aktivitas non linier. Unsur non linier ini dapat ditangkap oleh metode neural network. Penelitian ini ingin mengetahui hasil peramalan curah hujan pada 6 wilayah di Tengger menggunakan model GSTAR dengan pendugaan parameter menggunakan metode SUR dan digabungkan dengan neural network agar hasil peramalan yang lebih akurat. Data yang digunakan dalam penelitian ini adalah data curah hujan enam lokasi di wilayah Tengger, yakni Ngadirejo, Puspo, Wonokitri, Argosari, Ngadas, dan Wonokerto. Model yang tepat dalam melakukan peramalan pada data curah hujan pada 6 lokasi Tengger adalah model GSTAR (1,2,3,4,5,6,7,36(1)) Backpropagation Neural Network (96-120-6).","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"29 5","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140509885","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-01-12DOI: 10.26740/mathunesa.v12n1.p208-218
N. Salsabila, Affiati Oktaviarina
PDRB (Pendapatan Domestik Regional Bruto) merupakan salah satu faktor yang mempengaruhi pertumbuhan ekonomi dimana pertumbuhan ekonomi merupakan tolak ukur kesejahteraan masyarakat. Faktor-faktor yang mempengaruhi PDRB adalah Ekspor-Impor. Ekspor-Impor berpengaruh secara positif dan signifikan terhadap PDRB. Salah satu provinsi di Indonesia yang mengalami peningkatan pada PDRB ialah Jawa Timur. Dengan adanya fenomena peningkatan tersebut penelitian ini akan menerapkan model ARIMAX pada peramalan PDRB di Jawa Timur dengan variabel eksogen Ekspor - Impor.model ARIMAX dapat mengkombinasikan beberapa data dan mengetahi hubungan antar variabel Yt dan variabel Xt. Model ARIMAX adalah sebuah modifikasi dari metode ARIMA dengan penambahan variabel prediktor. Penentuan model ARIMAX dalam penelitian ini, menggunakan oleh metode Maximum Likelihood Estimation dalam proses estimasi parameternya. Nilai AIC digunakan dalam pemilihan model terbaik dan Nilai MAPE untuk mengukur akurasi data ramalan. Model ARIMAX yang dapat digunakan untuk peramala PDRB di Jawa Timur adalah ARIMAX(0,2,1). Dimana model tersebut merupakan model terbaik karena sesuai dengan uji signifikansi dan diagnostik checking dengan nilai AIC adalah 892.62. Akurasi hasil peramalan pada data testing tergolong bagus karena memiliki nilai MAPE sebesar 1.76% atau 0.176. Hasil Peramalan pada periode selanjutnya yaitu pada tahun 2023 Kuartil III sampai 2025 Kuartil IV juga mengalami kenaikan secara perlahan.
{"title":"Peramalan PDRB PERAMALAN PDRB DI JAWA TIMUR MENGGUNAKAN MODEL ARIMAX DENGAN VARIABElL EKSOGEN EKSPOR-IMPOR","authors":"N. Salsabila, Affiati Oktaviarina","doi":"10.26740/mathunesa.v12n1.p208-218","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p208-218","url":null,"abstract":"PDRB (Pendapatan Domestik Regional Bruto) merupakan salah satu faktor yang mempengaruhi pertumbuhan ekonomi dimana pertumbuhan ekonomi merupakan tolak ukur kesejahteraan masyarakat. Faktor-faktor yang mempengaruhi PDRB adalah Ekspor-Impor. Ekspor-Impor berpengaruh secara positif dan signifikan terhadap PDRB. Salah satu provinsi di Indonesia yang mengalami peningkatan pada PDRB ialah Jawa Timur. Dengan adanya fenomena peningkatan tersebut penelitian ini akan menerapkan model ARIMAX pada peramalan PDRB di Jawa Timur dengan variabel eksogen Ekspor - Impor.model ARIMAX dapat mengkombinasikan beberapa data dan mengetahi hubungan antar variabel Yt dan variabel Xt. Model ARIMAX adalah sebuah modifikasi dari metode ARIMA dengan penambahan variabel prediktor. Penentuan model ARIMAX dalam penelitian ini, menggunakan oleh metode Maximum Likelihood Estimation dalam proses estimasi parameternya. Nilai AIC digunakan dalam pemilihan model terbaik dan Nilai MAPE untuk mengukur akurasi data ramalan. Model ARIMAX yang dapat digunakan untuk peramala PDRB di Jawa Timur adalah ARIMAX(0,2,1). Dimana model tersebut merupakan model terbaik karena sesuai dengan uji signifikansi dan diagnostik checking dengan nilai AIC adalah 892.62. Akurasi hasil peramalan pada data testing tergolong bagus karena memiliki nilai MAPE sebesar 1.76% atau 0.176. Hasil Peramalan pada periode selanjutnya yaitu pada tahun 2023 Kuartil III sampai 2025 Kuartil IV juga mengalami kenaikan secara perlahan.","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"33 2","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140509994","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-01-12DOI: 10.26740/mathunesa.v12n1.p219-225
Annisa Nur Fariha Hasanah
Masalah penentuan rute terbuka pada kendaraan atau Open Vehicle Routing Problem (OVRP) merupakan suatu permasalahan untuk penentuan rute terbuka pada sejumlah kendaraan yang akan melayani sejumlah pelanggan dengan membawa produk dengan kapasitas tertentu. Rute kendaraan dimulai dari depot dan berakhir di pelanggan terakhir. OVRP biasa terjadi pada perusahaan yang akan mendistribusikan produknya namun tidak memiliki kendaraan yang memadai sehingga harus menyewa kendaraan. Penyelesaian ini bertujuan untuk menyelesaikan permasalahan OVRP dengan menerapkan algoritma Student Psyhcology Based Optimization (SPBO). SPBO adalah salah satu algoritma yang terinspirasi dari psikologi murid yang berusaha memberikan usaha terbaik untuk meningkatkan performa mereka dalam ujian agar menjadi murid terbaik di kelas. Program penerapan algoritma SPBO pada OVRP dibuat menggunakan bahasa C++ yang diimplementasikan pada tiga data, yaitu data kecil (18 pelanggan), data sedang (75 pelanggan), dan data besar (100 pelanggan). Berdasarkan hasil implementasi program, dapat disimpulkan bahwa algoritma SPBO dapat digunakan untuk menyelesaikan OVRP dengan semakin banyak iterasi yang digunakan maka dapat diperoleh hasil yang semakin baik. Sementara untuk parameter lainnya, semakin besar jumlah murid dan jumlah mata pelajaran yang digunakan akan cenderung mempengaruhi hasil menjadi lebih baik.
{"title":"PENERAPAN ALGORITMA STUDENT PSYCHOLOGY BASED OPTIMIZATION (SPBO) PADA OPEN VEHICLE ROUTING PROBLEM (OVRP)","authors":"Annisa Nur Fariha Hasanah","doi":"10.26740/mathunesa.v12n1.p219-225","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p219-225","url":null,"abstract":"Masalah penentuan rute terbuka pada kendaraan atau Open Vehicle Routing Problem (OVRP) merupakan suatu permasalahan untuk penentuan rute terbuka pada sejumlah kendaraan yang akan melayani sejumlah pelanggan dengan membawa produk dengan kapasitas tertentu. Rute kendaraan dimulai dari depot dan berakhir di pelanggan terakhir. OVRP biasa terjadi pada perusahaan yang akan mendistribusikan produknya namun tidak memiliki kendaraan yang memadai sehingga harus menyewa kendaraan. Penyelesaian ini bertujuan untuk menyelesaikan permasalahan OVRP dengan menerapkan algoritma Student Psyhcology Based Optimization (SPBO). SPBO adalah salah satu algoritma yang terinspirasi dari psikologi murid yang berusaha memberikan usaha terbaik untuk meningkatkan performa mereka dalam ujian agar menjadi murid terbaik di kelas. Program penerapan algoritma SPBO pada OVRP dibuat menggunakan bahasa C++ yang diimplementasikan pada tiga data, yaitu data kecil (18 pelanggan), data sedang (75 pelanggan), dan data besar (100 pelanggan). Berdasarkan hasil implementasi program, dapat disimpulkan bahwa algoritma SPBO dapat digunakan untuk menyelesaikan OVRP dengan semakin banyak iterasi yang digunakan maka dapat diperoleh hasil yang semakin baik. Sementara untuk parameter lainnya, semakin besar jumlah murid dan jumlah mata pelajaran yang digunakan akan cenderung mempengaruhi hasil menjadi lebih baik.","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"6 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140509157","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-01-10DOI: 10.26740/mathunesa.v12n1.p134-140
Fadia Nailah, D. Larasati, S. Siswanto, Anisa Kalondeng
Rainfall is a natural phenomenon that depends on many factors that are an important part of life on earth. The high intensity of rainfall can lead to disasters. Therefore, this study aims to forecast monthly rainfall. The data used was obtained from BMKG Bali Province, namely monthly rainfall data for Denpasar City from 2009 to 2019. The method used is backpropagation artificial neural network. The artificial neural network method is an information processing method inspired by the human nervous system. Optimal backpropagation network architecture is needed so that the prediction results have a low error rate, by optimizing the use of training data and test data taken from sample data. Based on the results of the testing and prediction process with the parameters of one hidden layer with 50 neorons, epoch 11 and learning rate 0.01, the results obtained with the MSE value in network testing are 0.037. So it can be concluded that the backpropagation artificial neural network method has good accuracy results used as a reference for decision making in predicting monthly rainfall in Denpasar City in the future.
{"title":"OPTIMASI METODE JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PERAMALAN CURAH HUJAN BULANAN DI KOTA DENPASAR","authors":"Fadia Nailah, D. Larasati, S. Siswanto, Anisa Kalondeng","doi":"10.26740/mathunesa.v12n1.p134-140","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p134-140","url":null,"abstract":"Rainfall is a natural phenomenon that depends on many factors that are an important part of life on earth. The high intensity of rainfall can lead to disasters. Therefore, this study aims to forecast monthly rainfall. The data used was obtained from BMKG Bali Province, namely monthly rainfall data for Denpasar City from 2009 to 2019. The method used is backpropagation artificial neural network. The artificial neural network method is an information processing method inspired by the human nervous system. Optimal backpropagation network architecture is needed so that the prediction results have a low error rate, by optimizing the use of training data and test data taken from sample data. Based on the results of the testing and prediction process with the parameters of one hidden layer with 50 neorons, epoch 11 and learning rate 0.01, the results obtained with the MSE value in network testing are 0.037. So it can be concluded that the backpropagation artificial neural network method has good accuracy results used as a reference for decision making in predicting monthly rainfall in Denpasar City in the future. \u0000 ","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"26 4","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140510910","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-01-10DOI: 10.26740/mathunesa.v12n1.p30-37
Widiarti Widarti, Novi Darina, Siti Laelatul Chasanah, E. Setiawan
The smoothing method is classified into two, namely the average smoothing method and the exponential smoothing method. This study examines the application of the double moving average (DMA) and double exponential smoothing (DES) methods in forecasting a data. This study uses 72 data, namely consumer goods import value data for the period January 2017 to December 2022. The method with the lowest MSE and MAPE values is used to predict the import value of consumer goods. The results obtained show that the brown double exponential smoothing method with parameter α, which is 0.1, is the best method for predicting the import value of consumer goods in 2017-2022 with an MSE value of 60374.46 and a MAPE value of 13.66%.
{"title":"A Penerapan Metode Double Moving Average dan Double Exponential Smoothing pada Peramalan Nilai Impor Barang Konsumsi Tahun 2017-2022","authors":"Widiarti Widarti, Novi Darina, Siti Laelatul Chasanah, E. Setiawan","doi":"10.26740/mathunesa.v12n1.p30-37","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p30-37","url":null,"abstract":"The smoothing method is classified into two, namely the average smoothing method and the exponential smoothing method. This study examines the application of the double moving average (DMA) and double exponential smoothing (DES) methods in forecasting a data. This study uses 72 data, namely consumer goods import value data for the period January 2017 to December 2022. The method with the lowest MSE and MAPE values is used to predict the import value of consumer goods. The results obtained show that the brown double exponential smoothing method with parameter α, which is 0.1, is the best method for predicting the import value of consumer goods in 2017-2022 with an MSE value of 60374.46 and a MAPE value of 13.66%.","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"17 5","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140510515","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-01-10DOI: 10.26740/mathunesa.v12n1.p121-126
Asmianto Asmianto, Kridha Pusawidjayanti, Vita Kusumasari
This study aimed to investigate optimal strategies in dynamic models of smoking. The smoking dynamic model is divided into 3 subpopulations including potential smokers (non-smokers), active smokers who smoke daily, and people who have quit smoking permanently. There are five variables of the smoking dynamic model control strategy, including education related to the dangers of smoking for health, vaccination, tobacco taxation, treatment, and rehabilitation. In solving optimization problems, this study uses the Maximum Pontryagin Principle method. Furthermore, the 4th-order runge kutta method was used to implement numerical solutions and Matlab Software to simulate a control model of smoking dynamics. Based on the simulation results, it can be seen that the control provided is effective in reducing the number of smokers and increasing the number of people who quit smoking.
{"title":"STRATEGI KONTROL OPTIMAL PADA SISTEM DINAMIK PEROKOK","authors":"Asmianto Asmianto, Kridha Pusawidjayanti, Vita Kusumasari","doi":"10.26740/mathunesa.v12n1.p121-126","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p121-126","url":null,"abstract":"This study aimed to investigate optimal strategies in dynamic models of smoking. The smoking dynamic model is divided into 3 subpopulations including potential smokers (non-smokers), active smokers who smoke daily, and people who have quit smoking permanently. There are five variables of the smoking dynamic model control strategy, including education related to the dangers of smoking for health, vaccination, tobacco taxation, treatment, and rehabilitation. In solving optimization problems, this study uses the Maximum Pontryagin Principle method. Furthermore, the 4th-order runge kutta method was used to implement numerical solutions and Matlab Software to simulate a control model of smoking dynamics. Based on the simulation results, it can be seen that the control provided is effective in reducing the number of smokers and increasing the number of people who quit smoking.","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"41 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140511271","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-01-10DOI: 10.26740/mathunesa.v12n1.p67-78
Viora Roza Savitri, Muhammad Subhan
Obesity is a health problem that is increasing among teenagers and consumption of fast food is often cited as a contributing factor. It could also be that peer pressure influences unhealthy eating behavior, including consumption of fast food. The aim of this research is to model the dynamics of fast food consumption and adolescent obesity to assess the impact of peer pressure. This research is basic or theoretical research. The method used in this research is descriptive (illustrative). This research was carried out by identifying variables, parameters and hypotheses related to the problem so that a mathematical model can be created for fast food and obesity to assess peer pressure. In addition, mathematical model analysis is carried out and the stability of the equilibrium point is determined. Based on the results of the analysis of the mathematical model of fast food and obesity to assess the effect of reference point pressure, the equilibrium point is reached and the stability of the equilibrium point observation is based on locally asymptotically stable and unstable Jacobian matrix values, a simulation is carried out. Keywords: Mathematical Model, Obesity, Overweight.
{"title":"PEMODELAN DINAMIKA MAKANAN CEPAT SAJI DAN OBESITAS UNTUK MENGEVALUASI EFEK TEKANAN TEMAN SEBAYA","authors":"Viora Roza Savitri, Muhammad Subhan","doi":"10.26740/mathunesa.v12n1.p67-78","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p67-78","url":null,"abstract":"Obesity is a health problem that is increasing among teenagers and consumption of fast food is often cited as a contributing factor. It could also be that peer pressure influences unhealthy eating behavior, including consumption of fast food. The aim of this research is to model the dynamics of fast food consumption and adolescent obesity to assess the impact of peer pressure. This research is basic or theoretical research. The method used in this research is descriptive (illustrative). This research was carried out by identifying variables, parameters and hypotheses related to the problem so that a mathematical model can be created for fast food and obesity to assess peer pressure. In addition, mathematical model analysis is carried out and the stability of the equilibrium point is determined. Based on the results of the analysis of the mathematical model of fast food and obesity to assess the effect of reference point pressure, the equilibrium point is reached and the stability of the equilibrium point observation is based on locally asymptotically stable and unstable Jacobian matrix values, a simulation is carried out. \u0000Keywords: Mathematical Model, Obesity, Overweight.","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"24 4","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140510917","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Masyarakat sering memanfaatkan media sosial sebagai platform untuk mengungkapkan minat dan pandangan mereka terhadap berbagai topik. Di Indonesia, masyarakat juga sering menggunakan media sosial sebagai wadah untuk mengekspresikan minat dan pandangan mereka terhadap berbagai isu. Kemajuan teknologi informasi telah memperluas cakupan dan meningkatkan kecepatan dalam penyebaran informasi melalui media sosial. Salah satu isu yang ramai dibahas di Twitter adalah terkait Redenominasi Rupiah, yang tercermin dari tingginya jumlah retweet pada tweet yang terkait. Penelitian ini menerapkan Metode Analisis Jaringan Sosial (SNA) sebagai teknik untuk memetakan dan mengukur hubungan serta komunikasi di antara akun-akun. Hasil penelitian menunjukkan bahwa akun Twitter @BigAlphaID memunculkan nilai Degree Centrality tertinggi sebesar 1387, nilai Betweeness Centrality sebesar 1386, dan nilai Closeness Centrality mencapai 1.0. Closeness Centrality yang mencapai 1.0 menggambarkan bahwa akun tersebut menjadi simpul terdekat dengan akun lain dalam jaringan. Dengan kata lain, akun Twitter @BigAlphaID memiliki dampak signifikan dalam menyuarakan isu Redenominasi Rupiah
{"title":"Aplikasi Topologi Jaringan Pada Akun Twitter Paling Berpengaruh Terkait Redenominasi Rupiah dengan Metode SNA","authors":"Mohammad Dian Purnama, Ivon Tressyta Nanda Aisyah, Salma Azmi Rasyidah, Dwi Juniati, Fika Yulistina","doi":"10.26740/mathunesa.v12n1.p141-148","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p141-148","url":null,"abstract":"Masyarakat sering memanfaatkan media sosial sebagai platform untuk mengungkapkan minat dan pandangan mereka terhadap berbagai topik. Di Indonesia, masyarakat juga sering menggunakan media sosial sebagai wadah untuk mengekspresikan minat dan pandangan mereka terhadap berbagai isu. Kemajuan teknologi informasi telah memperluas cakupan dan meningkatkan kecepatan dalam penyebaran informasi melalui media sosial. Salah satu isu yang ramai dibahas di Twitter adalah terkait Redenominasi Rupiah, yang tercermin dari tingginya jumlah retweet pada tweet yang terkait. Penelitian ini menerapkan Metode Analisis Jaringan Sosial (SNA) sebagai teknik untuk memetakan dan mengukur hubungan serta komunikasi di antara akun-akun. Hasil penelitian menunjukkan bahwa akun Twitter @BigAlphaID memunculkan nilai Degree Centrality tertinggi sebesar 1387, nilai Betweeness Centrality sebesar 1386, dan nilai Closeness Centrality mencapai 1.0. Closeness Centrality yang mencapai 1.0 menggambarkan bahwa akun tersebut menjadi simpul terdekat dengan akun lain dalam jaringan. Dengan kata lain, akun Twitter @BigAlphaID memiliki dampak signifikan dalam menyuarakan isu Redenominasi Rupiah","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"50 15","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140511000","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-01-10DOI: 10.26740/mathunesa.v12n1.p1-10
Laily Nadiyah Aminy, Walid
Penyebaran pandemi novel coronavirus disease (COVID-19) di Indonesia menjadi perhatian besar bagi pemerintah, masyarakat, dan peneliti. Kajian ini membandingkan dua model peramalan yaitu, Feed Forward Neural Network (FFNN) dan Autoregressive Integrated Moving Average (ARIMA), untuk meramalkan perkembangan COVID-19 di Indonesia. Adapun studi ini bertujuan untuk mengetahui Model ARIMA pada peramalan kasus perkembangan COVID-19 di Indonesia, untuk mengetahui Model FFNN pada peramalan kasus perkembangan COVID-19 di Indonesia, serta untuk mengetahui perbandingan hasil peramalan Model ARIMA dan FFNN pada kasus perkembangan COVID-19 di Indonesia. Metode penelitian yang digunakan yaitu metode analisis deskriptif kuantitif pada data kasus harian COVID-19 di Indonesia. Hasil penelitian menunjukkan bahwa kedua model peramalan tersebut memiliki kinerja yang cukup untuk meramalkan evolusi COVID-19 di Indonesia. Secara umum, model FFNN memberikan hasil peramalan yang lebih akurat dan lebih baik daripada model ARIMA. Secara keseluruhan, temuan ini mengindikasikan bahwa model FFNN memiliki performa tingkat akurasi yang lebih baik dalam peramalan kasus harian COVID-19 di Indonesia. Dengan demikian, mempertimbangkan pilihan model yang sesuai dengan karakteristik data dan tujuan peramalan akan menjadi langkah penting dalam usaha untuk meramalkan perkembangan COVID-19 dengan lebih akurat di masa yang akan datang.
{"title":"Perbandingan Model Feed Forward Neural Network dan ARIMA untuk Meramalkan Perkembangan COVID-19 di Indonesia","authors":"Laily Nadiyah Aminy, Walid","doi":"10.26740/mathunesa.v12n1.p1-10","DOIUrl":"https://doi.org/10.26740/mathunesa.v12n1.p1-10","url":null,"abstract":"Penyebaran pandemi novel coronavirus disease (COVID-19) di Indonesia menjadi perhatian besar bagi pemerintah, masyarakat, dan peneliti. Kajian ini membandingkan dua model peramalan yaitu, Feed Forward Neural Network (FFNN) dan Autoregressive Integrated Moving Average (ARIMA), untuk meramalkan perkembangan COVID-19 di Indonesia. Adapun studi ini bertujuan untuk mengetahui Model ARIMA pada peramalan kasus perkembangan COVID-19 di Indonesia, untuk mengetahui Model FFNN pada peramalan kasus perkembangan COVID-19 di Indonesia, serta untuk mengetahui perbandingan hasil peramalan Model ARIMA dan FFNN pada kasus perkembangan COVID-19 di Indonesia. Metode penelitian yang digunakan yaitu metode analisis deskriptif kuantitif pada data kasus harian COVID-19 di Indonesia. Hasil penelitian menunjukkan bahwa kedua model peramalan tersebut memiliki kinerja yang cukup untuk meramalkan evolusi COVID-19 di Indonesia. Secara umum, model FFNN memberikan hasil peramalan yang lebih akurat dan lebih baik daripada model ARIMA. Secara keseluruhan, temuan ini mengindikasikan bahwa model FFNN memiliki performa tingkat akurasi yang lebih baik dalam peramalan kasus harian COVID-19 di Indonesia. Dengan demikian, mempertimbangkan pilihan model yang sesuai dengan karakteristik data dan tujuan peramalan akan menjadi langkah penting dalam usaha untuk meramalkan perkembangan COVID-19 dengan lebih akurat di masa yang akan datang.","PeriodicalId":516694,"journal":{"name":"MATHunesa: Jurnal Ilmiah Matematika","volume":"33 2","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-01-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"140510691","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：