Ujian Tertutup Mahasiswa S3 Matematika atas nama Sutrima yang dilaksanakan tanggal 9 Juli 2019.
Judul disertasi Semigrup Kuasi Kontinu Kuat dan Sistem Kendali Linear Bergantung Waktu dengan pembimbing Prof. Dr. Ch. Rini Indrati, M.Si. dan Dr. Lina Aryati, M.S.

Ujian Tertutup dilaksanakan di Ruang Sidang Gedung KPTU FMIPA UGM (lantai 2) berlangsung selama kurang lebih 2,5 jam dengan Tim Penguj: Tim Promotor Prof. Dr. Christiana Rini Indrati, M.Si., Dr. Lina Aryati, M.S., Prof. Dr. Supama, M.Si., Atok Zulijanto, S.Si., M.Si., Ph.D., Prof. Dr. Widodo, M.S., Imam Sholekhudin,S.si., m.Si., Ph.D. dan penguji tamu dari Fakultas Matematika dan Ilmu Pengetahuan Alam ITB: Drs. Yudi Soeharyadi, M.Si., Ph.D. read more

Ujian Tertutup Mahasiswa S3 Matematika atas nama Sutrima yang dilaksanakan tanggal 9 Juli 2019.
Judul disertasi Semigrup Kuasi Kontinu Kuat dan Sistem Kendali Linear Bergantung Waktu dengan pembimbing Prof. Dr. Ch. Rini Indrati, M.Si. dan Dr. Lina Aryati, M.S.

Ujian Tertutup dilaksanakan di Ruang Sidang Gedung KPTU FMIPA UGM (lantai 2) berlangsung selama kurang lebih 2,5 jam dengan Tim Penguj: Tim Promotor Prof. Dr. Christiana Rini Indrati, M.Si., Dr. Lina Aryati, M.S., Prof. Dr. Supama, M.Si., Atok Zulijanto, S.Si., M.Si., Ph.D., Prof. Dr. Widodo, M.S., Imam Sholekhudin,S.si., m.Si., Ph.D. dan penguji tamu dari Fakultas Matematika dan Ilmu Pengetahuan Alam ITB: Drs. Yudi Soeharyadi, M.Si., Ph.D. read more

The research entitled  “wavelet Neural Network Modeling With Genetic Algorithm” was conducted by Budi Warsito under the guidance of Prof. Drs. Subanar, Ph.D.,  and Dr. Abdurakhman, M.Si. in 2017.

The following is the abstract of this research.

ABSTRACT

Neural Network (NN) is one of the non-linear model which has been developed a lot in statistical modeling, especially in time series analysis. Many researches have shown the advantages of this model compared to the others. However, there are still some problems in NN modeling for time series, including the handling of the input preprocessing, inconsistency of the estimation results and the selection of optimal architecture. The handling of the input preprocessing problem is carried out through the separation of data based on the original components and the noise using wavelet decomposition. Wavelet coefficients resulting from the decomposition are then become the inputs of NN model.Wavelet transformation which is regarded more appropriate for time series data is Maximal Overlap Discrete Wavelet Transform (MODWT), because each level of the decomposition contained wavelet coefficients and scaling coefficients as many as the length of the data. This advantage reduces the weaknesses of filtering by Discrete Wavelet Transform (DWT) which can not be performed on any sample size. The next problems arising is how to determine the level of decomposition and the number of coefficients in each level. In this study, the Maximal Relevance Minimum Redundancy (mRMR) criteria is applied in MODWT decomposition to obtain the optimal input. The criteria based on the Mutual Information (MI) value has been selected due to consider the redundancy between the input variable itself, as well as its value is based on the relevance of input variables with the target. read more

Penelitian dengan judul “Pemodelan Wavelet Neural Network dengan Algoritma Genetika” dilakukan oleh Budi Warsito dibawah bimbingan Prof. Drs. Subanar, Ph.D.,  dan Dr. Abdurakhman, M.Si., pada tahun 2017.

Berikut ini merupakan intisari dari penelitian tersebut.

INTISARI

Neural Network (NN) merupakan salah satu model nonlinear yang banyak dikembangkan dalam pemodelan statistika terutama pada analisis data time series. Banyak penelitian yang telah dilakukan menunjukkan keunggulan model ini dibandingkan model-model yang lain. Namun demikian masih terdapat beberapa permasalahan dalam pemodelan NN untuk time series, diantaranya adalah penanganan pre processing data input, inkonsistensi hasil estimasi serta pemilihan arsitektur jaringan optimal. Untuk penanganan permasalahan pre processing data input dilakukan melalui pemisahan data berdasarkan komponen asli dan noise menggunakan dekomposisi wavelet. Koefisien wavelet hasil dekomposisi ini yang selanjutnya menjadi input bagi model NN. Transformasi wavelet yang digunakan untuk data time series adalah Maximal Overlap Discrete Wavelet Transform (MODWT) karena dalam setiap level dekomposisi terdapat koefisien wavelet dan skala sebanyak panjang data. Kelebihan ini mereduksi kelemahan pemfilteran dengan Discrete Wavelet Transform (DWT) yang tidak dapat dilakukan pada sebarang ukuran sampel. Permasalahan yang kemudian muncul adalah bagaimana menentukan level dekomposisi dan banyak koefisien pada setiap level. Pada penelitian ini kriteria Maximal Relevance Minimum Redundancy (mRMR) diterapkan pada transformasi MODWT untuk mendapatkan input optimal. Kriteria yang didasarkan pada nilai Mutual Information (MI) ini dipilih karena selain nilainya yang didasarkan pada relevansi antara variabel input dengan nilai target juga mempertimbangkan redundansi antar variabel input itu sendiri. read more

Click here

The research entitled  “The Wavelet Radial Basis Model for Forecasting Time Series With Jumps” was conducted by Rukun Santoso under the guidance of Prof. Drs. Subanar, Ph.D., Prof. Dr. Dedi Rosadi, M.Sc., and Dr. Suhartono, M.Sc. in 2017.

The following is the abstract of this research.

ABSTRACT

This dissertation research has resulted new computation mathematics model called as Wavelet Radial Basis (WRB) model. This model can be used for nonlinear time series forecasting, especially when clustering effect was occurred. The model construction consist of three stage, i.e. prepossessing through wavelet transformation, filtering the clustering effect through radial basis function, and estimation of model parameters. If the result of radial basis filtering support the linear regression assumption, then ordinary least squared method can be used for parameters estimation. In other case, an empirical solution becomes an alternative solution. One of the recommended solution can be reached by neural network (NN) method. read more

Penelitian dengan judul “Model Wavelet Radial Basis untuk Peramalan Data Runtun Waktu dengan Lompatan” dilakukan oleh Rukun Santoso dibawah bimbingan Prof. Drs. Subanar, Ph.D., Prof. Dr. Dedi Rosadi, M.Sc., dan Dr. Suhartono, M.Sc. pada tahun 2017.

Berikut ini merupakan intisari dari penelitian tersebut.

INTISARI

Penelitian disertasi ini telah menghasilkan model matematika komputatif baru dengan namaWavelet Radial Basis (WRB). Model ini dikembangkan dari model Multiresolution Autoregressive (MAR) dengan penambahan fungsi radial basis dalam arsitekturnya. Penambahan fungsi radial basis dapat mengatasi masalah efek kelompok yang belum tercakup pada model MAR. Penyusunan model memuat tiga tahapan proses yaitu praproses masukan dengan wavelet, proses penyaringan efek kelompok dengan lapis radial basis dan proses penaksiran parameter model. read more

Ujian Tertutup Mahasiswa S3 Matematika atas nama Burhanudin Arif Nurnugroho yang dilaksanakan tanggal 7 Februari 2019.
Judul disertasi Operator Linear pada Ruang Modular-2 dengan pembimbing Prof. Dr. Supama, M.Si. dan Atok Zulijanto, S.Si., M.Si., Ph.D.

Ujian Tertutup dilaksanakan di Ruang Sidang Gedung KPTU FMIPA UGM (lantai 2) berlangsung selama kurang lebih 2,5 jam dengan Ketua Tim Penguji: Dr.rer.nat. Ari Suparwanto, M.Si. dan 6 anggota Tim Penguji yaitu: Tim Promotor, Prof. Dr. Christiana Rini Indrati, M.Si., Dr. Imam Solekhudin, S.Si., M.Si., Prof. Dr. Soeparna Darmawijaya dan penguji tamu dari Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Brawijaya: Prof. Dr. Marjono, M.Phil. read more

Ujian Tertutup Mahasiswa S3 Matematika atas nama Burhanudin Arif Nurnugroho
dilaksanakan tanggal 7 Februari 2019 di Ruang Sidang Gedung KPTU FMIPA UGM (lantai 2).

Judul Disertasi Operator Linear pada Ruang Modular-2, dengan Pembimbing Prof. Dr. Supama, M.Si. dan Atok Zulijanto, S.Si., M.Si., Ph.D.