UF - Mathematics

PERBANDINGAN RANDOM FOREST REGRESSION DAN SUPPORT VECTOR REGRESSION DALAM PREDIKSI HOTSPOT DI RIAU DENGAN PENDEKATAN FEATURE ENGINEERING

Thu, 01 Jan 2026 00:00:00 GMT

PERBANDINGAN RANDOM FOREST REGRESSION DAN SUPPORT VECTOR REGRESSION DALAM PREDIKSI HOTSPOT DI RIAU DENGAN PENDEKATAN FEATURE ENGINEERING NAPITUPULU, BERTHA NITA Kebakaran hutan dan lahan di Provinsi Riau merupakan ancaman tahunan yang memerlukan sistem peringatan dini berbasis prediksi hotspot. Penelitian ini membandingkan kinerja Random Forest (RF) dan Support Vector Regression (SVR) dalam memprediksi jumlah hotspot menggunakan pendekatan feature engineering dengan metrik evaluasi MAE dan RMSE. Peubah yang digunakan meliputi hotspot, curah hujan, anomali curah hujan, hari tanpa hujan, ENSO, dan IOD. Didapatkan hasil penerapan feature engineering efektif dalam meningkatkan performa Random Forest dan Support Vector Regression dengan penurunan nilai MAE dan RMSE yang signifikan. Melalui perbandingan kinerja pada kedua model didapatkan kinerja Random Forest lebih unggul dibandingkan Support Vector Regression yang ditunjukkan oleh nilai MAE dan RMSE yang lebih kecil.; Forest and land fires in Riau Province are an annual threat that requires an early warning system based on hotspot prediction. This study compares the performance of Random Forest (RF) and Support Vector Regression (SVR) in predicting the number of hotspots using a feature engineering approach, evaluated with MAE and RMSE metrics. The variables used include hotspots, rainfall, rainfall anomalies, consecutive dry days, ENSO, and IOD. The results show that the application of feature engineering is effective in improving the performance of both Random Forest and Support Vector Regression, as indicated by a significant reduction in MAE and RMSE values. Based on the performance comparison, Random Forest outperforms Support Vector Regression, as evidenced by lower MAE and RMSE values.

Penyelesaian Capacitated Vehicle Routing Problem with Time Windows menggunakan Sweep Algorithm Clustering dan Genetic Algorithm

Thu, 01 Jan 2026 00:00:00 GMT

Penyelesaian Capacitated Vehicle Routing Problem with Time Windows menggunakan Sweep Algorithm Clustering dan Genetic Algorithm ANGELICA, ELLYCIA CATHLEEN Permasalahan distribusi paket pada perusahaan ekspedisi umumnya terjadi karena keterlambatan pengiriman dan ketidakefesienan rute pengiriman. Penelitian ini bertujuan untuk menentukan rute distribusi yang optimal dengan meminimalkan total wktu tempuh kendaraan serta memenuhi kendala kapasitas dan time windows pelanggan. Dengan pendekatan dua tahap, yaitu clustering menggunakan Sweep Algorithm (SA) untuk mengelompokkan pelanggan berdasarkan kedekatan geografis, dan Genetic Algorithm (GA) untuk menentukan urutan kunjungan pelanggan dalam setiap cluster. Hasil penelitian menunjukkan bahwa SA dan GA mampu menghasilkan pembagian wilayah pelanggan yang terstruktur serta rute distribusi yang lebih efisien dari segi waktu tempuh. Selain itu, seluruh rute yang dihasilkan tetap memenuhi kendala kapasitas kendaraan dan time windows pelayanan. Implikasi dari penelitian ini menunjukkan bahwa kombinasi metode SA dan GA menjadi solusi efektif dalam mengoptimalkan sistem distribusi pada permasalahan Capacitated Vehicle Routing Problem with Time Windows.; The package distribution problem in courier companies is commonly associated with delivery delays and inefficient routing. This study aims to determine optimal distribution routes by minimizing the total transportation time while satisfying vehicle capacity constraints and customer time windows. A two-stage approach is employed, consisting of clustering using the Sweep Algorithm (SA) to group customers based on geographical proximity, and the Genetic Algorithm (GA) to determine the sequence of customer visits within each cluster. The results show that SA and GA are capable of generating well-structured customer groupings and more efficient distribution routes in terms of travel time. In addition, all generated routes satisfy vehicle capacity constraints and customer time window requirements. The findings indicate that the combination of SA and GA provides an effective solution for optimizing distribution systems in the Capacitated Vehicle Routing Problem with Time Windows.

Analisis Kestabilan dan Fenomena Bifurkasi pada Model SEITRS dengan Struktur Populasi Manusia-Nyamuk dalam Penyebaran Penyakit Malaria

Thu, 01 Jan 2026 00:00:00 GMT

Analisis Kestabilan dan Fenomena Bifurkasi pada Model SEITRS dengan Struktur Populasi Manusia-Nyamuk dalam Penyebaran Penyakit Malaria NURAENI, INTAN Malaria merupakan salah satu penyakit menular yang terjadi di wilayah endemis, khususnya wilayah Papua. Penyakit ini ditularkan melalui gigitan nyamuk Anopheles betina yang membawa parasit Plasmodium dengan jenis P.falciparum atau P.vivax. Penelitian ini bertujuan untuk merekonstruksi penyebaran penyakit malaria dengan model matematika SEITRS dengan melihat adanya fenomena bifurkasi maju dalam model tersebut. Langkah yang dilakukan adalah dengan menentukan bilangan reproduksi dasar (R0), analisis kestabilan, serta melakukan simulasi numerik dan interpretasi hasil. Dalam penelitian ini diperoleh dua titik tetap yaitu titik tetap bebas penyakit dan titik tetap endemik. Titik tetap bebas penyakit stabil jika R0 < 1, dan titik tetap endemik stabil jika R0 > 1, serta ditemukan fenomena bifurkasi maju yang memengaruhi keberlangsungan penyakit dalam populasi. Hasil simulasi numerik menunjukkan bahwa untuk menekan penyebaran penyakit malaria dapat dilakukan dengan kombinasi strategi yang menurunkan laju penularan dan mengurangi populasi nyamuk dengan meningkatkan laju kematiannya.; Malaria is an infectious disease that occurs in endemic areas, especially in Papua. This disease is transmitted through the bite of a female Anopheles mosquito carrying the Plasmodium parasite of the P. falciparum or P. vivax type. This study aims to reconstruct the spread of malaria using the SEITRS mathematical model by observing the forward bifurcation phenomenon in the model. The steps taken are determining the basic reproduction number (R0), stability analysis, and conducting numerical simulations and interpreting the results. In this study, two fixed points were obtained: a disease-free fixed point and an endemic fixed point. The disease-free fixed point is stable if R0 < 1, and the endemic fixed point is stable if R0 > 1, and a forward bifurcation phenomenon was found that affects the continuity of the disease in the population. The results of the numerical simulation indicate that to suppress the spread of malaria, a combination of strategies can be carried out that reduce the rate of transmission and reduce the mosquito population by increasing the mortality rate.

Peramalan Volatilitas Asimetris pada Indeks Harga Saham Gabungan (IHSG) Menggunakan Random Forest dan XGBoost

Thu, 01 Jan 2026 00:00:00 GMT

Peramalan Volatilitas Asimetris pada Indeks Harga Saham Gabungan (IHSG) Menggunakan Random Forest dan XGBoost Fadillah, Esa Bian Pergerakan harga saham di pasar modal Indonesia menunjukkan karakteristik volatilitas yang tidak simetris, di mana penurunan harga cenderung menghasilkan risiko yang lebih besar dibandingkan kenaikan harga. Penelitian ini menganalisis karakteristik volatilitas asimetris serta membandingkan model linear (Ordinary Least Squares) dengan dua metode pembelajaran mesin, yaitu Random Forest dan XGBoost, untuk meramalkan realized downside variance Indeks Harga Saham Gabungan (IHSG) satu hari ke depan menggunakan data harian periode 1990–2025. Hasil penelitian menunjukkan bahwa IHSG memiliki karakteristik volatilitas asimetris yang nyata dan kedua metode pembelajaran mesin memberikan akurasi peramalan yang lebih baik dibandingkan model linear. Sementara itu, perbedaan kinerja antara Random Forest dan XGBoost tidak terbukti signifikan secara statistik. Temuan ini menunjukkan bahwa pendekatan pembelajaran mesin dapat menjadi alternatif yang lebih efektif dalam meramalkan risiko pada pasar saham Indonesia. Kata kunci: IHSG, pembelajaran mesin, Random Forest, realized downside variance, volatilitas asimetris, XGBoost.; Stock price movements in the Indonesian capital market exhibit asymmetric volatility, where price declines tend to generate greater risk than price increases. This study analyzes the characteristics of asymmetric volatility and compares a conventional linear model (Ordinary Least Squares) with two machine learning methods, namely Random Forest and XGBoost, in forecasting one-day-ahead realized downside variance of the Indonesian Composite Stock Price Index (IDX Composite) using daily data from 1990–2025. The results indicate that the IDX Composite exhibits significant asymmetric volatility and that both machine learning methods provide better forecasting accuracy than the linear model. Meanwhile, the performance difference between Random Forest and XGBoost is not statistically significant. These findings suggest that machine learning approaches have the potential to serve as a more effective alternative for forecasting downside risk in the Indonesian stock market. Keywords: asymmetric volatility, IDX Composite, machine learning, Random Forest, realized downside variance, XGBoost.