MATHunesa: Jurnal Ilmiah Matematika
MATHunesa is a mathematical scientific journal published by the Department of Mathematics, Faculty of Mathematics and Natural Sciences, The State University of Surabaya with e-ISSN 2716-506X and p-ISSN 2301-9115. This journal is published every four months in April, August, and December. One volume consists of three publication numbers. MATHunesa aims at providing a platform and encourages emerging scholars and academicians globally to share their professional and academic experiences to explore, but not limited to the following topics: 1. Analysis Mathematics, 2. Algebra, 3. Applied Mathematics, 4. Statistics, 5. Computation, 6. Combinatorics, and 7. Also giving an opportunity to show the power of innovation and finding new things in the field of mathematics. This journal was published online for the first time in 2013 as part of the graduation for students majoring in Mathematics at the State University of Surabaya.
Articles
24 Documents
Search results for
, issue
"Vol 9 No 1 (2021)"
:
24 Documents
clear
<![CDATA[Analisis Perbandingan Kompresi Suara Menggunakan Principal Component Analysis dan Transformasi Wavelet ]]>
<![CDATA[Karisma Karisma]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (457.816 KB)
|
DOI: 10.26740/mathunesa.v9n1.p1-8
<![CDATA[One of the requirements faced as a result of information technology development is memory and transmission efficiency. This requirement can be overcome with data compression. Compression is a method to obtain compact data with a smaller size but still maintaining similarity to the original data. Principal Component Analysis (PCA) is an algorithm in machine learning that is used to reduce dimensions. Dimensional reduction is a process of transforming high-dimensional data into new subspaces with lower dimensions. The goal is to use some principal components to represents the original data. Wavelet transformation represents a signal into a set of basic functions through filter analysis. Wavelets concentrate information into coefficients of approximation and coefficients of detail. Wavelet transform produces a lot of zero or close to zero coefficients that can be neglected so it can reduce storage space. In this research, we will propose the implementation of PCA and Wavelet for digital audio compression. The audio was performed with the .wav format. The compressed audio will be evaluated based on Peak Signal to Noise Ratio (PSNR) and Mean Square Error (MSE). The mean PSNR obtained when using a wavelet is 47.61601 dB with an average MSE of 3.76 x 10-5. Meanwhile, when using PCA, the PSNR average was 57.3962772 dB and the average MSE obtained was 4.59 x 10-5. Four out of five compressed audio had a larger PSNR and smaller MSE when using PCA. Thus, the Principal Component Analysis algorithm can be better used for audio compression than the level 1 of Symlet Wavelet Transformation.]]>
<![CDATA[EKUIVALENSI KEKONVERGENAN POINTWISE DAN SERAGAM PADA BARISAN FUNGSI DALAM RUANG METRIK C[a,b] ]]>
<![CDATA[Khoirul Anwar]]>;
<![CDATA[Manuharawati Manuharawati]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (381.576 KB)
|
DOI: 10.26740/mathunesa.v9n1.p9-21
<![CDATA[Penelitian tentang kekonvergenan barisan fungsi dalam ruang metrik dengan menggunakan metrik biasa mungkin telah banyak dilakukan oleh ahli matematika, tetapi dalam tulisan ini dibahas mengenai hal yang lebih menarik lagi yaitu tentang ekuivalensi kekonvergenan pointwise dan seragam pada barisan fungsi dalam ruang metrik . Namun untuk menuju kesana, pertama-tama akan dibahas sifat-sifat terkait kekonvergenan pointwise dan seragam barisan fungsi dalam ruang metrik , yaitu tentang banyaknya nilai kekonvergenan, keterbatasan, kepemilikan supremum atau infimum, pembentukan ruang metrik lengkap, kemampuan dalam mempertahankan kekontinuan, dan operasi biasa pada barisan fungsi yang konvergen. Sehingga ekuivalensi dari barisan fungsi yang konvergen pointwise dan seragam dalam ruang metrik terjadi jika barisan fungsi konvergen dan bersifat tidak turun (tidak naik) seragam.]]>
<![CDATA[Klasifikasi Video Pembelajaran Daring yang Membingungkan Siswa dengan Algoritma K-Star Nearest Neighbor ]]>
<![CDATA[Hanief Jamielatuththooah]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (227.597 KB)
|
DOI: 10.26740/mathunesa.v9n1.p22-26
<![CDATA[Massive Open Online Course (MOOC) adalah salah satu pembelajaran yang dilakukan secara daring melalui rekaman video yang dapat ditonton berulang kali sehingga memudahkan siswa dalam memahami pembelajaran. Namun pembelajaran ini dapat membingungkan siswa karena tidak ada umpan balik secara langsung dari guru. Untuk mengetahui tingkat kebingungan siswa terhadap video yang ditonton dapat menggunakan klasifikasi sinyal EEG. Pada penelitian ini digunakan algoritma K-Star Nearest Neighbor sebagai metode untuk mengklasifikasikan video MOOC yang membingungkan siswa melalui sinyal EEG. Penelitian ini bertujuan untuk mengetahui apakah algoritma K-Star Nearest Neighbor dapat digunakan untuk klasifikasi sinyal EEG ditinjau dari nilai akurasi. Dataset yang digunakan yaitu dataset Confused student EEG brainwave data bersumber dari Kaggle yang memiliki 15 atribut serta dua kelas yaitu kelas not confused dan confused. Data diambil dari 10 subyek dan masing-masing menonton 10 video MOOC berbeda. Sebelum proses klasifikasi, terlebih dahulu dilakukan normalisasi dan split validation. Akurasi terbaik untuk label pre-defined yaitu label pada video berdasarkan tingkat kebingungan yang diberikan oleh guru mencapai 63.33% dengan time split 0.42 detik, sedangkan untuk label user-defined yaitu label video berdasarkan tingkat kebingungan yang dialami oleh siswa dengan akurasi terbaik mencapai 73.33% dengan time split 0.13 detik.]]>
<![CDATA[KLASIFIKASI AUTISM SPECTRUM DISORDER MENGGUNAKAN ALGORITMA NAIVE BAYES ]]>
<![CDATA[Erina Seviyanti Dewi]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (330.785 KB)
|
DOI: 10.26740/mathunesa.v9n1.p27-35
<![CDATA[Autism Spectrum Disorders (ASD) merupakan suatu kelainan pada otak manusia yang mengakibatkan seseorang mengalami gangguan dalam melakukan komunikasi dan interaksi terhadap sosial. Meningkatnya penderita Autism Spectrum Disorders di dunia memerlukan deteksi dini terhadap kelainan tersebut untuk mengurangi risiko negatif yang ditimbulkan dan memberikan perawatan yang tepat untuk penderitanya. Beberapa peneliti telah melakukan klasifikasi Autism Spectrum Disorders, namun belum ada yang mengklasifikasikan Autism Spectrum Disorders dengan algoritma Naive Bayes. Sehingga pada penelitian ini klasifikasi Autism Spectrum Disorders dilakukan berdasarkan Diagnostic and Statistical Manual of Mental Disorders Fifth Edition (DSM-5) dengan algoritma Naive Bayes. Dalam dataset terdapat 292 anak dengan dua kelas yaitu normal dan Autism Spectrum Disorders yang diperoleh dari UCI Machine Learning Repository. Terdapat 20 atribut yang digunakan untuk mengklasifikasikan Autism Spectrum Disorders pada anak. Data yang ada dibagi menjadi data latih dan data uji berdasarkan hold out validation. Berdasarkan hasil klasifikasi, Naive Bayes dengan rasio data latih dan uji 1:1 menghasilkan akurasi tertinggi sebesar 98.6301%.]]>
<![CDATA[Penilaian Kinerja Karyawan Menggunakan Metode Intuitionistic Fuzzy TOPSIS ]]>
<![CDATA[Rapi Maulani]]>;
<![CDATA[Raden Sulaiman]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1023.504 KB)
|
DOI: 10.26740/mathunesa.v9n1.p54-64
<![CDATA[Kinerja karyawan sangat berpengaruh pada kesuksesan dan kemajuan suatu perusahaan, apalagi seiring berkembangnya zaman setiap individu dituntut untuk dapat menggali segala sumber daya manusia yang dimiliki. Penilaian kinerja termasuk bagian penting dari manajemen sumber daya manusia yaitu diantaranya meningkatkan produktivitas dan motivasi karyawan serta mempertahankan dan mengembangkan bakat yang dimiliki. Penilaian kinerja dapat dilakukan secara kuantitatif dan kualitatif. Namun, banyak indeks penilaian sulit diukur secara langsung. Pada penelitian ini menggunakan metode Intuitionistic Fuzzy TOPSIS dengan data simulasi berupa sampel 10 orang karyawan dengan 4 indeks sistem penilaian yaitu kualitas bakat, kemampuan pribadi, performa kerja dan sikap kerja dimana setiap indeksnya memiliki 5 hingga 6 cabang indeks penilaian. Tujuan dari penelitian ini adalah agar dapat mengevaluasi kinerja karyawan secara lebih komprehensif dan efektif dengan menggunakan metode Intuitionistic Fuzzy TOPSIS. Sehingga dapat memberikan dukungan yang kuat dalam pengambilan keputusan, seperti pelatihan, kajian keilmuan, promosi, apresiasi atau penghargaan, dan hukuman dalam pengelolaan sumber daya manusia. Hasil dari penelitian ini yaitu dapat menentukan dan mengurutkan kualitas kinerja karyawan yang diaplikasikan berupa simulasi atau studi kasus dan hasil perhitungan studi kasus dalam penelitian ini mengenai penilaian kinerja karyawan terbaik menggunakan metode Intuitionistic Fuzzy TOPSIS didapatkan rekomendasi mengenai karyawan terbaik dengan penilaian sebesar (0.7301) yaitu pada karyawan A4. Kata kunci : Penilaian Kinerja Karyawan, Intuitionistic Fuzzy TOPSIS, Sistem Pendukung Keputusan]]>
<![CDATA[Implementasi Metode Fuzzy C-Means dan TOPSIS dalam Evaluasi Kinerja Keuangan Perusahaan Perbankan di Indonesia Berdasarkan Rasio Keuangan ]]>
<![CDATA[Erlita Faridatul Himah]]>;
<![CDATA[Raden Sulaiman]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (360.283 KB)
|
DOI: 10.26740/mathunesa.v9n1.p43-53
<![CDATA[Dalam suatu negara, Bank adalah lembaga keuangan yang sangat penting sebagai lembaga perantara keuangan. Kemajuan bank pada suatu negara merepresentasikan kemajuan negaranya pula. Artinya, peranan perbankan sangat penting dalam mengendalikan suatu negara. Pada saat ini, evaluasi kinerja suatu perusahaan menjadi topik penelitian yang sangat penting, karena dapat mengetahui apakah perusahaan tersebut telah mencapai tujuannya dengan baik atau belum. Maka dari itu perlu dilakukan penelitian mengenai evaluasi kinerja keuangan perusahaa n perbankan di Indonesia. Metode FCM dan TOPSIS digunakan pada penelitian ini dengan tujuan untuk menentukan peringkat objek data berdasarkan beberapa kriteria, dan kriteria yang digunakan adalah Earning Per Share atau EPS, Return On Assets atau ROA, Return On Equity atau ROE, Net Profit Margin atau NPM, dan Operating Profit Margin atau OPM. Setelah dilakukan analisis kinerja perusahaan menggunakan metode FCM dan TOPSIS diperoleh hasil pengelompokan perusahaan dengan 4 cluster, cluster 1 yaitu perusahaan dengan laporan keuangan yang tidak baik sebanyak 25 perusahaan, cluster 2 yaitu perusahaan dengan laporan keuangan yang kurang baiksebanyak 9 perusahaan, cluster 3 yaitu perusahaan dengan laporan keuangan yang baik sebanyak 3 perusahaan, dan cluster 4 yaitu perusahaan dengan laporan keuangan yang sangat baik sebanyak 2 perusahaan. Perusahaan dengan tiga rangking teratas yaitu Bank 9, Bank 8, dan Bank 4. Dengan indeks perpindahan sebesar 1.23 dan tingkat kesalahan sebesar 25.64%. Kata kunci: Bank, Kinerja Keuangan, Rasio Keuangan, FCM dan TOPSIS]]>
<![CDATA[Bilangan Kromatik-b Graf Sentral, Tengah, Total dari Sebuah Bintang ]]>
<![CDATA[Miftakhul Jannah Setyorini]]>;
<![CDATA[I Ketut Budayasa]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (922.166 KB)
|
DOI: 10.26740/mathunesa.v9n1.p36-42
<![CDATA[Let G be a graph. A proper k-coloring of G is coloring all vertices of G with k colors such that every two adjacent vertices are assigned different colors. The minimum value of k for which a proper k-coloring of G exist is called the chromatic number of G. A b-coloring of G is a proper k-coloring of G such that each color class has a representative that is adjacent to at least one vertex in each of the other color classes. The largest positive integer k such that there is a b-coloring of G is called the b-chromatic number of G, denoted . In this article, we establish the b-chromatic number of the central graph on the star graph , the b-chromatic number of the middle graph on the star graph and the b-chromatic number of total graph on the star graph . Keywords : Chromatic Number; B-chromatic Number; Star Graf]]>
<![CDATA[PENENTUAN SEGMENTASI PELANGGAN E-COMMERCE MENGGUNAKAN FUZZY C-MEANS DAN MODEL FUZZY RFM ]]>
<![CDATA[Vista Hermawati]]>;
<![CDATA[Raden Sulaiman]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (509.597 KB)
|
DOI: 10.26740/mathunesa.v9n1.p76-88
<![CDATA[Persaingan bisnis di Indonesia dalam beberapa tahun terakhir mengalami persaingan yang ketat. E-commerce merupakan salah satu bisnis besar yang ada di Indonesia. Pelanggan merupakan sumber yang penting bagi e-commerce dalam memperoleh pendapatan semaksimal mungkin. Maka e-commerce perlu mengembangkan strategi pemasaran untuk kedepannya. E-commerce harus mengetahui pelanggan yang menguntungkan baginya melalui segmentasi pelanggan dimana pelanggan akan dibagi dalam beberapa kelompok menurut kemiripan karakteristik pada setiap pelanggannnya. Data pelanggan tersebut dikelompokkan menggunakan algoritma Fuzzy C-Means yang digabungkan dengan model Fuzzy RFM (Recency, Frequency, dan Monetary) guna mengetahui kelas pelanggan berdasarkan kelompoknya. Kelompok pelanggan tersebut diuji validitas cluster untuk menentukan cluster yang optimal menggunakan uji validitas Modified Partition Coefficient (MPC). Data pada penelitian ini yaitu sebanyak 111 pelanggan dalam periode 4 bulan. Data tersebut didapatkan dengan menggunakan kuisioner yang berisikan pertanyaan yang sesuai dengan model RFM. Model RFM berupa Recency (interval waktu antara tanggal transaksi terakhir sampai akhir periode yang sudah ditetapkan), Frequency (banyaknya transaksi yang sudah dilakukan dalam satu periode yang ditentukan), dan Monetary (jumlah uang yang dikeluarkan pada saat transaksi satu periode yang ditentukan). Dari data tersebut dapat diketahui bahwa pembagian kelompok yang optimal yaitu sebanyak 2 kelompok dengan hasil kelas pelanggan Dormant Customer F dan Everyday Shopper E dengan nilai validitas sebesar 0.778681508. Pelanggan pada Dormant Customer F yaitu sebanyak 83.7838% dengan nilai pusat cluster Recency 11.6472, Frequency 8.51460, dan Monetary 399770.18041. Everyday Shopper E yaitu sebanyak 16.2162% dengan nilai pusat cluster Recency 5.72924, Frequency 24.56709, dan Monetary 1957744.49306. Kata Kunci : Segementasi Pelanggan, Fuzzy C-Means, Model Fuzzy RFM, Modified Partition Coefficient]]>
<![CDATA[EVALUASI KINERJA AKADEMIK MAHASISWA S1 MATEMATIKA UNIVERSITAS NEGERI SURABAYA ANGKATAN 2019 MENGGUNAKAN TEKNIK LOGIKA FUZZY ]]>
<![CDATA[Febby Adella Putri]]>;
<![CDATA[Raden Sulaiman]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (704.15 KB)
|
DOI: 10.26740/mathunesa.v9n1.p65-75
<![CDATA[Seiring berjalannya waktu, kehidupan manusia akan terus berkembang, termasuk juga dalam bidang pendidikan. Salah satu contohnya yaitu manusia bisa memanfaatkan teknologi yang berbasis komputerisasi untuk melakukan penilaian atau mengevaluasi kinerja mahasiswa. Hal ini bisa dilakukan melalui sistem kecerdasan buatan seperti logika fuzzy. Penelitian ini membahas tentang evaluasi kinerja akademik mahasiswa menggunakan sistem kecerdasan buatan pendekatan logika fuzzy yang disebut Fuzzy Expert System (FES) atau Sistem Pakar Fuzzy. Evaluasi kinerja akademik mahasiswa perlu dilakukan guna untuk mengetahui kemampuan mahasiswa dalam memahami suatu materi dalam bidang akademik. Kinerja akademik mahasiswa berarti capaian yang diperoleh oleh mahasiswa dalam bidang akademik. Salah satu indikator pencapaian mahasiswa dalam bidang akademik adalah dari indeks prestasi mahasiswa. Tujuan dari penelitian adalah untuk mengevaluasi kinerja akademik mahasiswa menggunakan sistem kecerdasan buatan berbasis logika fuzzy dan membandingkan hasilnya dengan metode klasik. Metode klasik disini adalah metode statistika dengan menggunakan nilai rata-rata. Hasil yang diperoleh adalah terdapat perbedaan nilai kinerja akademik mahasiswa antara metode klasik dengan hasil yang didapat dengan menggunakan Fuzzy Expert System. Jadi dapat disimpulkan bahwa logika fuzzy bisa digunakan untuk evaluasi kinerja akademik mahasiswa.]]>
<![CDATA[BILANGAN KETERHUBUNGAN PELANGI GRAF “SNARK” BUNGA ]]>
<![CDATA[Altika Dwi Mawarni Syah]]>;
<![CDATA[I Ketut Budayasa]]>
<![CDATA[ MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (833.652 KB)
|
DOI: 10.26740/mathunesa.v9n1.p89-95
<![CDATA[Misalkan ???? graf dengan himpunan sisi ????(????). Pewarnaan-sisi graf ???? adalah sebuah fungsi ????:????(????)→????, dimana ???? adalah himpunan warna. Terhadap pewarnaan ????, ???? disebut graf pelangi jika semua sisi ???? berwarna berbeda. Graf ???? dikatakan terhubung pelangi jika setiap dua titik graf ???? dihubungkan oleh sebuah lintasan pelangi. Minimum banyaknya warna yang digunakan mewarnai semua sisi ???? sedemikian hingga ???? terhubung pelangi disebut bilangan keterhubungan pelangi ????, dilambangkan dengan ????????(????). Menentukan nilai eksak ????????(????) untuk sebarang graf ???? merupakan masalah sulit. Dalam artikel ini, ditentukan bilangan keterhubungan pelangi beberapa kelas graf seperti graf komplet, pohon, dan khususnya Graf “Snark” Bunga ????????. Dibuktikan bahwa ????????(????????)= ⌊????2⌋+4.]]>
