LOGIK@
Jurnal Matematika LOG!K@ menyajikan beberapa topik yang berkaitan dengan Matematika Murni, Komputasi, Statistika, Matematika Keuangan dan Riset Operasi, dengan tidak menutup kemungkinan munculnya beberapa penelitian di bidang matematika yang lain. Beberapa bidang yang muncul dalam edisi ini antara lain dalam bidang statistika, aljabar, graf, komputasi, dan lain-lain.
Articles
44 Documents
<![CDATA[APLIKASI LATENT DIRICHLET ALLOCATION (LDA) PADA CLUSTERING DATA TEKS ]]>
<![CDATA[. Zulhanif]]>;
<![CDATA[. Sudartianto]]>;
<![CDATA[Bertho Tantular]]>;
<![CDATA[I Gede Nyoman Mindra Jaya]]>
<![CDATA[ LOGIK@ Vol 7, No 1 (2017): Vol.7 No.1 Tahun 2017 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (473.878 KB)
<![CDATA[Latent Dirichlet Allocation (LDA), model probabilistik generatif pada sekumpulan data teks (corpus) . LDA adalah model Bayesian Hirarki , di mana sekumpulan teks dimodelkan sebagai model campuran dari berbagai topik. Dalam kontek pemodelan teks, probabilitas topik memberikan representasi eksplisit dari sebuah dokumen. Pada penelitian ini menyajikan teknik inferensi berdasarkan algoritma Gibbs Sampling untuk mengestimasi parameter Bayes dalam pemodelan dokumen dan klasifikasi teks.]]>
<![CDATA[HUBUNGAN PROFESIONALISME, MOTIVASI DAN GAYA KEPEMIMPINAN PARTISIFATIF TERHADAP PRODUKTIVITAS KERJA DOSEN MENGGUNAKAN METODE GENERALIZED STRUCTURED COMPONENT ANALYSIS (SEM-GSCA) ]]>
<![CDATA[A.D. Ristianto]]>;
<![CDATA[Irma Fauziah]]>
<![CDATA[ LOGIK@ Vol 6, No 2 (2016) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (998.533 KB)
<![CDATA[Artikel ini bertujuan untuk menganalisis kontribusi dari dimensi profesionalisme dosen, dimensi gaya kepemimpinan partisipatif dan dimensi motivasi kerja dosen terhadap variabel produktivitas kerja dosen. Pada penelitian ilmu sosial dan psikologi, variabel yang diteliti pada umumnya bersifat multidimensional dan tidak dapat diobservasi secara langsung, tetapi diukur melalui indikator sebagai manifest dari variabel yang hendak diukur. Teknik analisis statistik menggunakan metode Generalized Structured Component Analysis (GSCA). GSCA merupakan bagian dari Structural Equation Modeling (SEM) yang berbasis varian atau yang sering disebut juga berbasis komponen, merupakan metode analisis yang powerfull. Model analisis Generalized Structured Component Analysis (GSCA) yang memiliki goodness of fit yang cukup baik untuk dua kategori dosen. Dari model tersebut dapat diketahui kontribusi dari masing-masing indikator terhadap dimensi produktivitas dosen yaitu dimensi profesionalisme dosen, dimensi gaya kepemimpinan partisipatif dan dimensi motivasi kerja dosen. Kontribusi dari dimensi profesionalisme dosen, dimensi gaya kepemimpinan partisipatif dan dimensi motivasi kerja dosen terhadap dimensi produktivitas kerja dosen itu sendiri. Sehingga dapat diketahui kelebihan dan kekurangan dari apa yang dirasakan oleh dosen. Informasi ini tentunya akan membantu pihak universitas dalam menentukan kebijakan untuk para dosen yang nantinya akan berdampak pada produktivitas kerjanya.]]>
<![CDATA[KLASIFIKASI JENIS PENYAKIT ERYTHEMATO-SQUAMOUS BERDASARKAN CIRI KLINIS DAN HISTOPATOLOGIS MENGGUNAKAN METODE ANALISIS DISKRIMINAN VERTEX ]]>
<![CDATA[Nurmaleni Nurmaleni]]>;
<![CDATA[Ayu Puji Rahayu]]>;
<![CDATA[Nina Fitriyati]]>
<![CDATA[ LOGIK@ Vol 8, No 2 (2018): Vol.8 No.2 Tahun 2018 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (343.128 KB)
<![CDATA[Penelitian ini membahas mengenai klasifikasi jenis penyakit erythemato-squamous menggunakan metode Vertex Discriminant Analysis (VDA) berdasarkan hasil pemeriksaan klinis dan histopatologis. Digunakan 3 pinalti pada metode VDA yaitu Euclidian, Lasso, dan Ridge dan kesalahan klasifikasi dinilai menggunakan Apparent Rate Error (APER). Data yang digunakan berjumlah 366 terdiri dari 34 buah peubah hasil pemeriksaan klinis dan histopatologis yang berasal dari 6 kelompok penyakit: psoriasis, seboreic dermatits, lichen planus, pityriasis rosea, cronic dermatitis, dan pityriasis rubra pilaris. Hasil menunjukkan bahwa setiap pinalti pada metode VDA membentuk 5 buah fungsi diskriminan untuk membedakan 6 kelompok penyakit. VDA dengan pinalti Euclidian berhasil mengklasifikasikan dengan tepat 104 data dari 110 data training dengan 27 peubah penjelas yang terdiri dari 12 ciri klinis dan 15 ciri hispatologis. VDA dengan pinalti Lasso berhasil mengklasifikasikan dengan tepat 102 data dari 110 data training dengan 25 peubah penjelas yang terdiri dari 11 ciri klinis dan 14 ciri hispatologis. Sedangkan VDA dengan pinalti Ridge berhasil mengklasifikasikan dengan tepat 107 data dari 110 data training dengan 34 peubah penjelas yang terdiri dari 12 ciri klinis dan 22 ciri hispatologis.]]>
<![CDATA[PENGENALAN LAFAL HUKUM NUN MATI MENGGUNAKAN HIDDEN MARKOV MODEL ]]>
<![CDATA[Agus Jamaludin]]>;
<![CDATA[Arief Fatchul Huda]]>;
<![CDATA[Rini Cahyandari]]>
<![CDATA[ LOGIK@ Vol 6, No 1 (2016) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (814.039 KB)
<![CDATA[Membaca Al-Qur’an wajib bagi setiap umat muslim sebagaimana firman Allah SWT Q.S. Al-Ankabut ayat 45. Selain itu, Al-Qur’an mempunyai aturan dalam membacanya. Aturan tersebut berhubungan dengan pelafalan huruf atau makhrojul huruf dan hokum tajwid. Dunia teknologi berkembang begitu pesat. Salah satunya penemuan sistem pengenalan suara dimana sebuah mesin dapat memahami informasi yang disampaikan oleh manusia melalui suara. Banyak metode yang digunakan pada sistem pengenalan suara baik itu metode ekstraksi ciri ataupun metode pengenalannya. Metode ekstraksi ciri yang sering dipakai adalah Mel Frequency Cepstral Coefficient (MFCC). Metode ini menggabungkan cara linier dan non linier. Hal ini disebabkan oleh persepsi pendengaran manusia yang tidak berada pada skala linier dalam bentuk frekuensi melainkan diukur dalam bentuk skala frekuensi mel. Pada tahap ekstraksi ciri ini sinyal suara dibentuk menjadi vektor-vektor ciri, kemudian pada tahap berikutnya vektor ciri ini akan dikuantisasi atau dipetakan menjadi codeword dan dikumpulkan menjadi codebook. Codebook ini kemudian digunakan pada proses pelatihan model Hidden Markov Model (HMM). Pada proses pelatihan HMM, parameter peluang transisi (A), peluang inisialisasi (p), dan peluang observasi (B) dihitung dan di cari parameter yang paling baik sehingga membentuk sebuah model yang optimum. Kemudian model ini digunakan pada proses kualifikasi. Pada penelitian ini diterapkan metode HMM pada pengenalan lafal hokum nun mati. Model terbaik didapat pada percobaan yang dilakukan adalah pada saat besar codebook M=128 dan banyak state S=6 dengan tingkat akurasi 51,7%.]]>
<![CDATA[APLIKASI FILTER KALMAN DAN FILTER ADAPTIF KULLBACK-LEIBLER PADA MODEL OTOREGRESIF ORDO PERTAMA ]]>
<![CDATA[Haris Hamzah]]>;
<![CDATA[Nina Fitriyati]]>
<![CDATA[ LOGIK@ Vol 6, No 2 (2016) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (696.59 KB)
<![CDATA[Filter Kalman adalah salah satu metode untuk mengestimasi suatu keadaan berdasarkan model ruang-keadaan yang terdiri dari persamaan keadaan dan persamaan pengukuran. Filter Kalman dapat dijalankan ketika dugaan awal mengenai matriks kovariansi eror pada persamaan keadaan dan matriks kovariansi eror pada persamaan pengukuran diketahui dengan tepat. Namun, hal itu sulit untuk dilakukan. Oleh karena itu, E. L. Pervukhina mengusulkan filter adaptif Kullback-Leibler. Penelitian ini menjelaskan secara detail mengenai filter adaptif tersebut dan aplikasinya terhadap model otoregresif ordo pertama. Data simulasi dibangkitkan untuk mendukung aplikasi dari filter Kalman dan filter adaptif. Hasil simulasi menunjukkan bahwa estimasi keadaan menggunakan kedua metode sangat dekat dengan data pengukuran. Kalman gain untuk filter Kalman konvergen ke nilai 0,9525 sedangkan Kalman gain untuk filter adaptif konvergen ke nilai 1,001. Selain itu, variansi estimasi keadaan untuk filter Kalman lebih kecil daripada variansi estimasi keadaan filter adaptif, dengan nilai masing-masing adalah 0,2122 dan 0,2437.]]>
<![CDATA[ANALISIS SENTIMEN TERHADAP TOKOH PUBLIK MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) ]]>
<![CDATA[Ilham Taufik]]>;
<![CDATA[Slamet Adji Pamungkas]]>
<![CDATA[ LOGIK@ Vol 8, No 1 (2018): VOL.8 NO.1 TAHUN 2018 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (7681.055 KB)
<![CDATA[Sentiment analysis atau analisis sentimen adalah studi komputasional dari opini-opini orang. Analisis sentimen akan mengelompokkan teks yang ada dalam kalimat atau dokumen untuk mengetahui pendapat yang dikemukakan dalam kalimat atau dokumen tersebut, bisa berupa positif atau negatif. Skripsi ini membahas tentang sentimen seseorang di Twitter terhadap tokoh publik. Data yang digunakan berupa data tweet dengan kata kunci “Ahok” dan “@teman_ahok”. Tweet yang didapat kemudian diolah dengan melakukan text preprocessing kemudian diklasifikasikan dengan menggunakan algoritma support vector machine. Ada empat parameter kernel dalam algoritma ini: kernel linear, kernel sigmoid, kernel gaussian, dan kernel polinomial. Kinerja algoritma ini menggunakan presisi, akurasi, dan recall. Hasil menunjukkan bahwa Kernel linear memiliki tingkat presisi yang paling baik sekitar 80%. Kernel sigmoid memiliki tingkat recall yang paling baik sekitar 85%. Kernel sigmoid memiliki tingkat akurasi yang paling baik sekitar 81%.]]>
<![CDATA[OPTIMISASI RANGE DAN ENDURANCE SAAT TERBANG JELAJAH MENGGUNAKAN FIREFLY ALGORITHM ]]>
<![CDATA[Nurul Khikmah]]>;
<![CDATA[Muhaza Liebenlito]]>
<![CDATA[ LOGIK@ Vol 6, No 1 (2016) ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (663.574 KB)
<![CDATA[Terbang jelajah (Cruise) merupakan fase penerbangan dimana pesawat berada pada ketinggian dan kecepatan tertentu. Pada fase terbang jelajah terdapat dua hal yang berkaitan yaitu Range (jarak tempuh) dan Endurance (waktu tempuh). Range dan Endurance yang maksimal merupakan jarak dimana pesawat dapat terbang take off dan landing dengan bahan bakar yang terbatas. Keterbatasan bahan bakar saat cruise sangat dipengaruhi oleh kecepatan dan bobot pesawat itu sendiri. LAPAN Survillance UAV (LSU-05) merupakan pesawat tanpa awak yang dirancang peneliti LAPAN agar dapat membantu pekerjaan manusia, misalnya dalam misi kemanusiaan dan misi terbang jauh pada rekor MURI. Oleh karena itu, UAV diharapkan mampu menghasilkan range dan endurance yang maksimal saat melakukan misinya. Penelitian ini menggunakan Firefly Algorithm (FA) sebagai metode untuk mencari solusi dari masalah optimisasi jarak tempuh maksimum. Hasil dari penerapan metode FA pada LSU-05 diperoleh range maksimum 300.44 km dengan kecepatan jelajah 110 km/h. LSU-05 juga dapat dioperasikan dengan kecepatan jelajah 60.12 km/s dan diperoleh endurance maksimum 1.3 jam, dengan masing-masing maksimum fuel consumption 16 kg atau bekisar 20.78 liter.]]>
<![CDATA[SIMULASI PENAKSIRAN PARAMETER PADA DISTRIBUSI POISSON – POWER CAUCHY ]]>
<![CDATA[Reihan Farizky]]>;
<![CDATA[Nur Inayah]]>
<![CDATA[ LOGIK@ Vol 7, No 2 (2017): Vol.7 No.2 Tahun 2017 ]]>
Publisher : <![CDATA[Universitas Islam Negeri Syarif Hidayatullah Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1091.683 KB)
<![CDATA[Distribusi Poisson – Power Cauchy merupakan distribusi peluang kontinu dengan parameter c, alpha, dan sigma yang dapat dibangun dengan mengkombinasikan distribusi perluasan Poisson (Compound Poisson Distribution) dengan distribusi Power Cauchy menggunakan metode Transformed-Transformer. Pada penelitian ini, akan disimulasikan penaksiran parameter-parameter pada distribusi Poisson – Power Cauchy. Perhitungan taksiran parameter ini dilakukan secara numerik dengan metode maximum likelihood dengan menggunakan data bangkitan dari distribusi Uniform Standar . Pengujian distribusi data bangkitan tersebut dilakukan terhadap distribusi Power Cauchy dan distribusi Poisson – Power Cauchy. Hasil uji Kolmogorov-Smirnov menunjukkan bahwa distribusi data bangkitan lebih mendekati Poisson – Power Cauchy daripada distribusi Power Cauchy.]]>
