Prosiding Seminar Matematika dan Pendidikan Matematik
Prosiding Semnas Matematika dan Pendidikan Mamatika adalah prosiding kumpulan artikel hasil seminar nasional matematika dan pendidikan matematika. Tema semnas berbeda setiap terbitan disesuaikan dengan tema yang dikembangkan oleh panitia semnas. Terbit satu kali dalam setahun secara serial antara seminar nasional yang diselenggarakan oleh jurusan matematika FMIPA Universitas Jember dan program studi pendidikan matematika FKIP Universitas Jember. Prosiding ini ber ISBN dan terindeks oleh GOOGLE SCHOLAR dan IPI BETA.
Articles
150 Documents
<![CDATA[Prosedur Permutasi Untuk Analisis PLS Multi-Grup ]]>
<![CDATA[Prayitno, Iman Besar]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Saat ini SEM berbasis kovarians telah memiliki prosedur canggih untuk perbandingan kelompok , namun pendekatan ini memiliki tuntutan tinggi pada sifat data dan ukuran sampel, masalah dapat terjadi jika asumsi distribusi populasi normal atau ukuran sampel yang sama tidak dapat dipertahankan. Sampai saat ini, perbandingan model PLS multi-grup dalam mengestimasi jalur untuk sampel populasi berbeda masih sederhana. Seringkali, para peneliti hanya meneliti dan mendiskusikan perbedaan besarnya model khusus dalam mengestimasi jalur untuk dua atau lebih set data. Ketika menilai pentingnya perbedaan, dilakukan t-test berdasarkan kesalahan standar yang dikumpulkan dan diperoleh melalui prosedur resampling seperti bootstrap dari masing-masing sampel. Metode Permutation Based Procedure for Multi-Group PLS Analysis (PLS MGSEM) merupakan salah satu alternatif untuk menguji model persamaan struktural di seluruh kelompok yang menggunakan prosedur berbasis komponen, untuk mengatasi masalah ketika asumsi distribusi populasi normal atau ukuran sampel yang sama tidak dapat dipertahankan pada saat membandingkan model PLS multi-grup yang berbeda dalam mengestimasi jalur untuk sampel populasi berbeda.]]>
<![CDATA[Pemodelan Beban Sistem Listrik Jawa-Bali dengan Menggunakan Pendekatan Flexible Seasonality Forecasting ]]>
<![CDATA[Kusumawati, Fitri Ayu]]>;
<![CDATA[Kuswanto, Heri]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Persentase penggunaan energi listrik di Indonesia mencapai 55% dari total kebutuhan energi final dengan kapasitas total pembangkit nasional tahun 2011 adalah sebesar 38,9GW, dimana sekitar 76% diantaranya berada di wilayah Jawa-Bali. Hal ini menunjukkan bahwa pembangkit listrik regional Jawa-Bali memerlukan perhatian khusus dalam perencanaan kebutuhan tenaga listrik untuk menghindari krisis listrik di Jawa -Bali di masa mendatang yang salah  satu  caranya  adalah  dengan  peramalan atau  forecasting. Pada  data  konsumsi  listrik  itu  sendiri  terdapat kompleksitas pola musiman. Sehingga dalam penelitian ini digunakan metode flexible seasonality forecasting yaitu Box-Cox transform, ARMA errors, Trend, and Seasonal components (BATS).yang merupakan pengembangan dari model exponential smoothing. Model ini dapat mengakomodasi terjadinya pola musiman yang lebih kompleks, terjadinya trend, kasus-kasus non-linearitas, serta pemodelan error ARMA. Pada penelitian ini digunakan pula pola musiman harian dan mingguan serta penambahan hari raya idul fitri sebagai pola musiman tahunan pada data beban sistem listrik regional Jawa-Bali dengan menggunakan model BATS. Selanjutnya model ini dibandingkan dengan model Holt-Winter yang juga dapat digunakan dalam pemodelan data musiman. Hasil pemodelan menunjukkan model BATS lebih baik dalam memodelkan data musiman maupun dalam peramalan yang ditunjukkan dari nilai AIC dan RMSE yang lebih kecil.]]>
<![CDATA[MODEL LSTAR (LOGISTIK SMOOTHING TRANSITIONAUTOREGRESSIVE)UNTUK PEMODELAN RETURN SAHAMPADA PT. BANK RAKYAT INDONESIA DAN PT. BANK NEGARA INDONESIA ]]>
<![CDATA[Kartikasari, Puspita]]>;
<![CDATA[Kuswanto, Heri]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Peramalan dengan akurasi tinggi merupakan hal yang sangat dibutuhkan dalam membentuk suatu model peramalan.Salah satu model peramalan yang sering digunakan yaitu model nonlinier. Banyak penelitian melakukan pemodelan dengan menggunakan model nonlinier terutama pada kasus return saham karena para peneliti mengasumsikan bahwa return bergerak secara nonlinier. Data return saham yang dijadikan kasus dalam penelitian ini adalah saham-saham yang tergolong dalam indeks LQ 45. Dua data return saham yang digunakan adalah return saham PT. Bank Rakyat Indonesia dan return saham PT. Bank Negara Indonesia karena return saham kedua bank tersebut dalam keadaan liquid dan stabil. Sebagai langkah awal, pada penelitian ini akan dilakukan pengujian nonlinieritas dengan menggunakan uji Terasvirta. Langkah berikutnya melakukan pemodelan dengan menggunakan model LSTAR (Logistic Smoothing Transition Autoregressive). Hasil penelitian menunjukkan bahwa data return saham PT. Bank Negara Indonesia dan PT. Bank Rakyat Indonesia mengikuti fenomena nonlinier. Model terbaik yang dihasilkan untuk Bank Rakyat Indonesia memiliki nilai AIC sebesar 31665 sedangkan model terbaik yang dihasilkan untuk Bank Negara Indonesia memiliki nilai AIC sebesar 25883.]]>
<![CDATA[ESTIMASI PARAMETER DAN PENGUJIAN HIPOTESISMODEL REGRESI BURRTIGA PARAMETER TIPE XII ]]>
<![CDATA[Arisandi, Rizwan]]>;
<![CDATA[Purhadi, Purhadi]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Analisis regresi adalah metode statistik yang berguna untuk memeriksa dan memodelkan hubungan diantara variabel-variabel respon dan prediktor. Model regresi pada umumnya dibangun berdasarkan asumsi bahwa data mengikuti distribusi Normal, namun terbatasnya jumlah data dalam analisis dan pemodelan data statistika membuat asumsi kenormalan tidak tepat digunakan karena mungkin saja distribusi data bersifat menceng (asimetri) dan bahkan bisa juga berekor lebih tebal atau berekor lebih tipis dari distribusi normal (neo normal). Ada beberapa distribusi data yang relaksasinya mampu menangkap pola kemencengan dan ketebalan pada ekor datanya salah satunya adalah distribusi Burr.Ketika pola data menceng atau berekor tebal, pemodelan dan pengolahan data harus dilakukan secara hati-hati. Analisis klasik terutama dengan inferensi statistiknya terhadap parameter model tidak akan memberikan hasil yang lebih baik, oleh sebab itu distribusi Burr dirancang utuk mengatasi pola data yang sedikit miring atau tidak simetri karena distribusi ini didesain sebagai distribusi yang fleksibel dan adaptif. Untuk estimasi parameter regresi Burr menggunakan metode maximum likelihood estimation (MLE), namun hasil yang diperoleh tidak close form sehingga secara numerik digunakan metode iterasi Newton-Raphson. Dalam pengujian hipotesis menggunakan maksimum likelihood Ratio test (MLRT). Uji yang digunakan adalah uji serentak dan parsial yang dilakukan dengan statistik uji yang berdistribusi chi-square. Penelitian ini mengkaji estimasi parameter dan uji hipotesis model regresi Burr tiga parameter tipe XII. Hasil penelitian pada estimasi parameter dibawah populasi yaitu θ =[θ0 , θ1 , θ2 , ..., θJ], l, b dan parameter di bawah H0 yaitu l, b serta perbandingkan nilai lnlikelihood di bawah H0 dengan lnlikelihood di bawah populasi atau dengan perumusan  , pada pengujian hipotesis.]]>
<![CDATA[ESTIMATION OF GENERALIZED METHOD OF MOMENT IN LOGISTIC REGRESSION MODEL ]]>
<![CDATA[R, Muhammad Taurif]]>;
<![CDATA[Otok, Bambang W]]>;
<![CDATA[latra, I Nyoman]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Masalah pendugaan parameter dalam analisis regresi seringmenjadi topik yang menarik dalam beberapa penelitian, terutama pada penelitian yang bertujuan untuk mengetahui kontribusi relatif dari setiap variabel bebas yang menjelaskan variabel tak bebasnya. Pengambilan sampel dari suatu populasi bertujuan untuk memperoleh informasi mengenai parameter populasi. Untuk mengetahui parameter populasi digunakan metode statistika inferensi, yaitu estimasi sehingga didapatkan suatu nilai dari penaksir parameter tersebut. Salah satu kesulitan yang sering ditemukan dalam analisis regresi adalah pada saat variabel respon (Y) bertipe data kategori, sedangkan variabel bebas atau prediktornya (X) bertipe data kategori maupun kontinu. Tidak terpenuhinya asumsi distribusi multivariat normal dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metric) dan kategorial (non-metric) misalnya, probabilitas bahwa orang yang menderita HIV/AIDS dapat diprediksi dari informasiusia, prilaku seks, jeniskelamin, dan lainnya. Estimasi yang baik adalah estimasi yang dapat menggambarkan kuantitas populasi melalui kuantitas sampel. Generalized Method of Moments (GMM) merupakan salah satu metode dalam estimasi parameter.Estimasi GMM digunakan untuk mengeksploitasi informasi bentuk kondisi momen populasi. Pada penelitian ini model regresilogistik akan diestimasi dengan metode GMM. Hasil penelitian ini diharapkan dapat memberikan gambaran tentang estimasi GMM pada model regresilogistik untuk kasus penderita HIV/AIDS di Surabaya.]]>
<![CDATA[Pendekatan Multivariate Adaptive Regression SPLINES (MARS) pada Pemodelan Penduduk Miskin di Indonesia Tahun 2008-2012 ]]>
<![CDATA[Ayu A, Eta Dian]]>;
<![CDATA[Otok, Bambang Widjanarko]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kemiskinan merupakan salah satu persoalan mendasar yang menjadi pusat perhatian pemerintah di negara manapun karena merupakan masalah kependudukan yang kompleks dan menyangkut berbagai macam aspek. Untuk keperluan perencanaan, monitoring, dan evaluasi berbagai program terkait penanggulangan kemiskinan diperlukan sejumlah instrumen statistik, salah satunya adalah persentase penduduk miskin dari total populasi. Tujuan penelitian ini adalah untuk menganalisis faktor-faktor dari karakteristik penduduk miskin yang signifikan mempengaruhi kemiskinan tingkat Kabupaten/Kota di Indonesia. Untuk kasus kemiskinan di Indonesia yang terdiri dari banyak variabel prediktor, pendekatan regresi nonparametrik dapat menggunakan Multivariate Adaptive Regression Splines (MARS). Penelitian ini menggunakan variabel prediktor sebanyak 16 variabel dan satu buah variabel respon dengan menggunakan data SUSENAS untuk tahun 2008-2012 yang dihasilkan oleh Badan Pusat Statistik (BPS). Hasil penelitian dengan pendekatan MARS menunjukkan bahwa hampir semua variabel prediktor berpengaruh secara signifikan dalam pemodelan penduduk miskin tingkat Kabupaten/Kota di Indonesia. Sementara dari keenam belas variabel prediktor diperoleh tiga variabel penting yang paling besar pengaruhnya terhadap variabel respon, yaitu persentase perempuan pengguna alat KB di rumah tangga miskin, persentase rumah tangga yang pernah membeli raskin, serta persentase penduduk miskin usia 15 tahun ke atas yang bekerja di sektor pertanian.]]>
<![CDATA[PerbandinganAnalisisDiskriminan Linier, Diskriminan Linier RobustdanRegresiLogistikBiner ]]>
<![CDATA[Marino, Marino]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Dewi, Yuliani Setia]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini membandingkan analisis diskriminan linier, diskriminan linier robust dan regresi logistik biner untuk mengelompokan siswa SMA Negeri 1 Bangorejo ke dalam kelompok IPA/IPS. Data yang digunakanadalah data nilai raport dan psikotes siswa kelas X semester 2 tahun pelajaran 2012-2013 SMAN 1 Bangorejo Banyuwangi. Data yang digunakan merupakan data terkontaminasi outlier sebesar 6,70%. Untuk mengetahui performa terhadap keberadaan outlier, maka dilakukan simulasi secara berulang-ulang mengaplikasikan analisis diskriminan linier, diskriminan linier robust dan regresi logistik biner dengan besar sampel bervariasi yaitu n1=40, n2=80, n3=120 dan n4=120 responden dan besar outlier yang bervariasi yaitu 5%, 10%, 15% dan 20%. Dari hasil simulasi ditunjukkan bahwa regresi logisltik biner mempunyai ketepatan klasifikasi yang paling baik. Pengelompokan IPA atau IPS di SMA N. 1 Bangorejo dengan jumlah sampel keseluruhan (224 responden), dengan menggunakan analisis logistik biner mempunyai ketepatan klasifikasi sebesar 85,714%.]]>
<![CDATA[PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON ]]>
<![CDATA[Fittriyah, Nurul]]>;
<![CDATA[Hadi, Alfian Futuhul]]>;
<![CDATA[Dewi, Yuliani Setia]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penyakit Difteri merupakan salah satu penyakit menular yang berbahaya, karena terdapat 37 kasus kematian dari 955 kasus. Bakteri Corynebacterium diphteriae menyerang saluran pernafasan atas, racun menyebar melalui darah dan dapat menyebabkan kerusakan jaringan di seluruh tubuh terutama jantung dan saraf. Analisis regresi yang digunakan untuk variabel tak bebas berupa data count adalah analisis regresi Poisson, namun sering kali terjadi over dispers pada regresi Poisson. Hal ini dapa diatasi dengan menggunakan regresi Binomial Negatif, namun sering kali overdispersi pada data cacahan dapat disebabkan oleh excesszeros dan untuk mengatasinya digunakan regresi Zero-Inflated Poisson (ZIP). Keterkaitan antara prosentase cakupan desa/kelurahan UCI, jumlah kasus gizi buruk, prosentase masyarakat miskin dan hamper miskin, prosentase rumah tangga yang berperilaku hidup bersih dan sehat, serta jumlah puskesmas dengan banyaknya kematian akibat penyakit difteri dapat didekati dengan analisis statistika yang mengkaji tentang hubungan variable tak bebas dan variable bebas, yaitu analisis regresi. Langkah-langkah dalam penelitian ini adalah, pertama melakukan kajian pustaka tentang difteri. Kedua, melakukan pengujian model regresi Poisson pada data. Ketiga, mengidentifikasi overdispersi serta excesszeros. Keempat melakukan pengujian model regresi Binomial Negatif dan ZIP secara saturated dan full model dengan bantuan program R. Langkah terakhir membandingkan nilai log-likelihood dari model yang didapatkan untuk mendapatkan model terbaik. Hasil penelitian ini menunjukkan bahwa model terbaik diperoleh dari model regresi ZIP dengan nilai log-likelihood sebesar-29,29.]]>
<![CDATA[ImplementasiMetode Penalized Maximum Likelihood Estimation Pada Model RegresiLogistikBiner ]]>
<![CDATA[Sholihin, Miftahus]]>;
<![CDATA[Hadi, Alfian Futuhul]]>;
<![CDATA[Anggraeni, Dian]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Model regresi logistik biner merupakan salah satu model regresi logistik yang digunakan untuk menganalisa hubungan antara satu variabel respon bersifat biner dengan beberapa variabel prediktor bersifat kategorik. Parameter dari model regresi logistik biner diduga dengan metode Maximum Likelihood Estimation (MLE) yang selanjutnya diselesaikan dengan metode iteratif Newton-Raphson. Namun, dalam suatu kondisi tertentu metode Maximum Likelihood Estimation (MLE) tidak dapat digunakan karena diperoleh penduga yang tidak konvergen. Untuk menyelesaikan hal tersebut, digunakan pendekatan metode Penalized Maximum Likelihood Estimation (PMLE) yang pertama kali diusulkan oleh Firth (1993). Penalized Maximum Likelihood Estimation (PMLE) merupakan hasil modifikasi fungsi skor likelihood menjadi fungsi skor Penalized likelihood. Data yang digunakan dalam penelitian ini adalah data sekunder tentang pemberian kredit dari suatu badan usaha kepada peternak ayam potong, yang diperoleh dari Badan Usaha Peternakan di Kabupaten Magetan, Jawa Timur. Langkah-langkah dalam penelitian ini yang pertama adalah melakukan pendugaan parameter pada data menggunakan metode MLE dan Iteratif Newton-Raphson dengan bantuan ProgramR. Dari data yang di analisis, ditemukan masalah yaitu penduga parameter tidak konvergen. Kedua, mencari masalah yang mengakibatkan penduga tidak konvergen menggunakan peluang ketepatan alokasi yang dilanjut dengan memeriksa ragam penduga prediktor yang dibakukan. Dari data yang dianalisis mengandung masalah pemisahan kurang sempurna. Langkah terakhir mencari penduga parameter pada data tersebut yang telah teridentifikasi masalah pemisahan kurang sempurna menggunakan Metode PMLE untuk mendapatkan model terbaik. Hasil penelitian ini menunjukkan bahwa model terbaik dari data pembeikan kredit peternak ayam potong mengandung faktor-fakor yang paling mempengaruhi pemberian kredit tersebut, antara lain: faktor pengalaman, tingkat kebersihan kandang, tingkat kelembaban kandang, dan luas area kandang.]]>
<![CDATA[Pengembangan E-Modul Statistika Terintegrasi dan Dinamik dengan R-shiny dan mathJax ]]>
<![CDATA[Tirta, I Made]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1, No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pemanfaatan teknologi berbasis web dalam mendukung pembelajaran saat ini semakin dirasakan. Salah satu yang sangat populer adalah pemanfaatan e-learning baik sebagai suplemen bagi program reguler, maupun sebagai komplemen untuk program pembelajaran jarak jauh. Program e-learning seperti Moodle sudah dilengkapi banyak fasilitas untuk mendukung pembelajaran terutama terkait dengan penguasaan teori. Untuk mendukung aktivitas e-learning, diperlukan modul pembelajaran yang bersifat elektronik (e-modul). Dalam bidang statistika contoh-contoh ilustrasi bisa dibangkitkan melalui simulasi kompuer. Tentu akan sangat bermanfaat apabila contoh-contoh simulasi ini bersifat dinamik yang bisa diubah pembaca secara fleksibel. Dalam paper ini dibahas pengembangane-modul terintegrasi dengan simulasi komputer, sehingga e-modul ini memuat notasi matematika dengan baik, dengan contoh-contoh merupakan simulasi yang sebagian bisa dikendalikan oleh pengguna modul, tanpa bergantung pada penguasaan program yang mengendalikan simulasi.]]>
