cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rudianto Artiono
Contact Email
rudiantoartiono@unesa.ac.id
Phone
+6281554785969
Journal Mail Official
mathunesa@unesa.ac.id
Editorial Address
The Department of Mathematics, The first floor of C-8 Building, Faculty of Mathematics and Natural Sciences, Universitas Negeri Surabaya Jl. Ketintang, Surabaya 60231, East Java, Indonesia
Location
Kota surabaya,
Jawa timur
INDONESIA
MATHunesa: Jurnal Ilmiah Matematika
Published by Universitas Negeri Surabaya
ISSN : 23019115     EISSN : 2716506X     DOI : https://doi.org/10.26740/mathunesa
Core Subject : Education,
Mathematics
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.
Arjuna Subject : Matematika - Matematika (Lain-Lain)
Articles 24 Documents
 1   2   3 
Search results for , issue "Vol 9 No 1 (2021)" : 24 Documents clear
KLASIFIKASI K-NEAREST NEIGHBOR CHEST X-RAY PASIEN COVID-19 DENGAN HARALICK FEATURES DAN HISTOGRAM OF ORIENTED GRADIENT Christian Adi Nugroho
MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (718.412 KB) | DOI: 10.26740/mathunesa.v9n1.p188-195

Abstract

Pandemi Covid-19 memiliki dampak serius pada kehidupan masyarakat. Salah satu langkah penting untuk mengatasi pandemi ini terletak pada kemampuan tenaga medis untuk mengidentifikasi pasien yang terinfeksi Covid-19 secara dini. Kemudian segera lakukan prosedur pengobatan dan isolasi pasien. Mendeteksi Covid-19 dari radiograph pasien mungkin menjadi salah satu cara tercepat untuk mengidentifikasi pasien Covid-19, yang didukung oleh penelitian sebelumnya yang menunjukkan gejala abnormal pada radiograph dada pasien Covid-19. Untuk mendeteksi pasien Covid-19 dari rontgen dada (CXR) yang terinspirasi dari penelitian sebelumnya yang menggunakan Artificial Intelligence, aplikasi classifier Machine Learning k-Nearest Neighbor telah dipelajari untuk hal yang sama. 1000 CXR diperoleh dari posisi Anterior-Posterior berlabel dari dataset COVID-Xray-5k, kemudian dipartisi dengan random sampling, 80% untuk training set dan sisanya untuk test set. Citra CXR yang ada dikonversi menjadi citra grayscale dimana diperoleh 149 fitur; 5 fitur adalah Haralick Features dan 144 fitur berasal dari Histogram of Oriented Gradient. Hasil klasifikasi dengan nilai estimasi k, dengan k = 10 mencapai akurasi rata-rata di atas 90% untuk jarak atau metric Euclid, Mahalanobis, Cosine, dan Cityblock. Oleh karena CXR pasien Covid-19 yang tersedia untuk umum terbatas, diperlukan penelitian terhadap dataset yang memiliki jumlah CXR pasien Covid-19 lebih banyak untuk menguji keakuratan classifier.
Struktur Himpunan Fuzzy Graf Intuisionistik Farizkha Amalia Suryani; Raden Sulaiman
MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (367.162 KB) | DOI: 10.26740/mathunesa.v9n1.p196-203

Abstract

KLASIFIKASI JENIS DELPHINIDAE (LUMBA-LUMBA) DENGAN DIMENSI FRAKTAL MENGGUNAKAN METODE HIGUCHI DAN KNN (K-NEAREST NEIGHBOR) Yolanda Gandes Pamela; Dwi Juniati
MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1547.708 KB) | DOI: 10.26740/mathunesa.v9n1.p204-211

Abstract

The delphinidae family belongs to the Cetacean Order and is a member of the Odontocetes. The delphinidae family has characterized by the physical characteristics and frequency ranges of sound signals produced. Living in the sea and being a rare animal makes delphinidae very difficult to find and if we want to be classified, we have to capture and analyze the physicality of delphinidae. By using the fractal dimension we can analyze the sounds of the delphinidae family based on the characteristics of their sound signals to classify them. In this research, members of the delphinidae family will be classified using the Higuchi and K-Nearest Neighbor methods. By using 80 data, namely Common Dolphin 18 data, Killer Whale 20 data, Fraser's Dolphin 20 data, and Long-Finned Pilot Whale 22 data, the data used is .wav. In the first step, the Pre-Processing process will be carried out, then the feature extraction process will be carried out using the Discrete Wavelet Transform type mother wavelet Daubechies db4 wavelet with level 5 decomposition and Fast Fourier Transform. Then we will find the fractal dimension value using the Higuchi method. After obtaining the fractal dimension, the data will be divided into Training data and Testing data using k-cross validation with k value experiments namely 2, 4, 8, and 10. After the data is divided the data will be classified using K-Nearest Neighbor with an experimental K value. namely 1, 3, 5 and 7. In this study, the highest accuracy value was 82.5% with Kmax = 50, k = 8, and K = 3.Thus it can be concluded, the Higuchi and K-Nearest Neighbor methods can be used to classify members of the family delphinidae Keywords: Delphinidae, classification of member of family delphinidae, Higuchi fractal dimension, KNN
ANALISIS PERILAKU BRAND SWITCHING DENGAN METODE RANTAI MARKOV Ade Sitoresmi Phasa; Yuliani Puji Astuti
MATHunesa: Jurnal Ilmiah Matematika Vol 9 No 1 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (759.892 KB) | DOI: 10.26740/mathunesa.v9n1.p212-219

Abstract

Rantai markov merupakan sebuah metode yang mengkaji tentang sifat dari suatu variabel pada saat ini yang didasari oleh sifat dari masa lalu dalam upaya memprediksi sifat dari variabel tersebut di masa depan. Dalam kehidupan sehari-hari rantai markov dapat digunakan sebagai alat bantu dalam proses pengambilan keputusan pada beberapa bidang, salah satunya pada bidang ekonomi yaitu untuk menganalisis perilaku perpindahan merek. Brand switching merupakan suatu aktivitas dari konsumen yang melakukan perpindahan merek dari merek yang satu ke merek yang lain dengan berbagai alasan. Perilaku ini merupakan ancaman yang berbahaya dalam dunia bisnis karena jika tidak bisa memuaskan konsumen maka perusahaan pesaing mungkin akan mendapatkan keuntungan secara tidak langsung. Dalam suatu penelitian disebutkan bahwa mempertahankan pelanggan adalah strategi pemasaran yang lebih murah dan efisien dibandingkan dengan menemukan pelanggan baru. Pada penelitian ini akan dianalisis perilaku perpindahan merek selama periode satu tahun dari nasabah layanan perbankan. Untuk menganalisis perilaku perpindahan merek dengan menggunakan metode ini, langkah pertama yang dilakukan adalah menyusun tabel perpindahan merek, setelah itu menghitung probabilitas dari setiap state untuk dibuat matriks probabilitas transisi, kemudian mencari kondisi steady state. Dari 25 data diperoleh hasil yaitu kondisi steady state dicapai pada periode ke-8 dengan nilai probabilitas masing-masing layanan perbankan yaitu untuk bank A = 0.2817, bank B = 0.3565, bank C = 0.1049, dan bank D = 0.2569. Sehingga dapat dilihat bahwa bank B merupakan layanan perbankan yang menjadi pilihan utama dimasa depan dibandingkan dengan layanan perbankan yang lain, kemudian disusul dengan bank A, bank D dan bank C.Kata Kunci: rantai markov, brand switching, steady state, matriks probabilitas transisi.

Page 3 of 3 | Total Record : 24

 1   2   3 

Filter by Year

2021 2021


Reset
Filter By Issues
All Issue Vol 11 No 03 (2023): Article in Press Vol 11 No 2 (2023) Vol 11 No 1 (2023) Vol 10 No 3 (2022) Vol 10 No 2 (2022) Vol 10 No 1 (2022) Vol 9 No 3 (2021) Vol 9 No 2 (2021) Vol 9 No 1 (2021) Vol 8 No 3 (2020) Vol 8 No 2 (2020) Vol 8 No 1 (2020) Vol 7 No 3 (2019) Vol 7 No 2 (2019) Vol 7 No 1 (2019) Vol 6 No 3 (2018) Vol 6 No 2 (2018) Vol 6 No 1 (2018) Vol 5 No 3 (2017) Vol 5 No 2 (2017) Vol 5 No 1 (2017) Vol 3 No 3 (2014) Vol 3 No 2 (2014) Vol 3 No 1 (2014) Vol 1 No 5 (2013) Vol 1 No 4 (2013) Vol 1 No 3 (2013) Vol 1 No 2 (2013) Vol 1 No 1 (2013) More Issue