i

PROPOSAL PROGRAM KREATIVITAS MAHASISWA

ANALISIS VARIABEL PENENTU KUALITAS MINUMAN ANGGUR (WINE)

MENGGUNAKAN METODE SVD

BIDANG KEGIATAN :
PKM ARTIKEL ILMIAH

Diusulkan Oleh :

Vera Manondang Damaianty Butarbutar 662016012/2016

Egidius Saut Poltak Situmorang 662016021/2016
Adrian Pieter Supusepa 662018016/2018

UNIVERSITAS KRISTEN SATYA WACANA

SALATIGA
2018

i
 ii

DAFTAR ISI

PENGESAHAN PKM ARTIKEL ILMIAH................................................................iii

ABSTRAK........................................................................................................................1
ABSTRACT......................................................................................................................1
I. PENDAHULUAN.....................................................................................................1
II. TUJUAN...............................................................................................................2
III. METODE PENELITIAN....................................................................................3
IV. HASIL DAN PEMBAHASAN.............................................................................5
V. KESIMPULAN.........................................................................................................8
VI. UCAPAN TERIMA KASIH.................................................................................9
VII. DAFTAR PUSTAKA............................................................................................9
Lampiran 1. Biodata Ketua, Anggota, dan Dosen Pembimbing.................................10
Lampiran 1 (Lanjutan)..............................................................................................10
Lampiran 2. Surat Pernyataan Ketua Pelaksana........................................................15
SURAT PERNYATAAN SUMBER TULISAN PKM-AI.................................................16

ii
 iii

PENGESAHAN PKM ARTIKEL ILMIAH

1. Judul kegiatan : Analisis Variabel Penentu

2. Bidang Kegiatan
3. Ketua Pelaksana Kegiatan
a. Nama Lengkap
b. NIM
c. Jurusan
d. Perguruan Tinggi
e. Alamat Rumah dan No Tel./HP
f. Email
4. Anggota Pelaksana Kegiatan/Penulis :
5. Dosen Pendamping
a. Nama Lengkap dan Gelar
b. NIDN/NIK
c. Alamat Rumah dan No Tel./HP :
Kualitas Minuman Anggur
(Wine) Menggunakan Metode
SVD
: PKM – AI
: Vera Manondang Damaianty
Butarbutar
: 662016012
: Matematika
: Universitas Kristen Satya
Wacana
: Jalan Turen 1 No. 33/
085244795919
: 662016012@student.uksw.edu
2 Orang
: Dr. Hanna Arini Parhusip
: 0627026801
Jl. Sumbawa no. 173 RT/RW
05/07 Kec. Argomulyo,
Salatiga/ 089508799019

Salatiga, 7 Desember 2018

Menyetujui
Ketua Program Studi Ketua Pelaksana Kegiatan,

(Dr. Hanna Arini Parhusip) (Vera M D Butarbutar)

NIP/NIK. 1994009 NIM. 662016012

Pembantu Rektor III Bidang Dosen Pendamping,

Kemahasiswaan,

(Andeka Rocky Panaamah, S. E., M.Cs) (Dr. Hanna Arini Parhusip)

NIP/NIK. 2004022 NIDN. 0627026801

iii
 1

ANALISIS VARIABEL PENENTU KUALITAS MINUMAN ANGGUR (WINE)

MENGGUNAKAN METODE SVD

Vera Manondang Damaianty Butarbutar’*, ,

Program Studi Matematika, Fakultas Sains dan Matematika

Universitas Kristen Satya Wacana, Jl. Diponegoro 52-60 Salatiga 50711

662016012@student.uksw.edu’*

ABSTRAK
Pada penelitian ini akan ditunjukkan hasil analisis Variabel Penentu Kualitas
Minuman Anggur (Wine) menggunakan metode Singular Value Decomposition
(SVD). Demi mencapai suatu kualitas anggur yang baik, diteliti terdapat beberapa
indikator yang mempengaruhinya. SVD dapat membantu untuk menemukan
indikator yang berpengaruh terhadap kualitas minuman anggur. Dengan cara
memodelkan ke-11 indikator ke dalam bentuk persamaan linear.

Kata kunci: Singular value decomposition, wine, python

ABSTRACT
In this study, an analysis of the determinants of the quality of wine using the SVD
method was shown. In achieving a good wine quality, there were several
indicators that influenced it. Singular Value Decomposition can help to find
indicators that influence the quality of wine. By way of modeling the 11 indicators
into the form of linear equations.

Keywords: Singular value decomposition, wine, python

I. PENDAHULUAN

I.1 Latar Belakang

Minuman anggur merupakan salah satu minuman yang menjadi budaya

masyarakat yang hidup di iklim dingin misalnya di Eropa. Oleh karena itu studi
tentang kualitas minuman anggur telah banyak dilakukan bahkan telah ada data
pada internet tentang pengukuran kualitas berbagai jenis minuman anggur
berdasarkan beberapa variabel yang diukur. Dengan data tersebut peneliti yang
lain juga dapat menggunakan untuk melakukan penelitian yang serupa (misalkan
kualitas berbagai minuman yang ada di Indonesia). Sebagai salah satu upaya
untuk melakukan penelitian yang serupa maka data tentang kualitas minuman

1
 2

anggur di internet diteliti dalam kegiatan perkuliahan komputasi matematika di

matematika FSM UKSW dalam satu tahun terakhir ini.

Dalam penelitian di atas dijumpai sistem persamaan linear adalah

kumpulan dari beberapa persamaan linear. Pada data penelitian memuat 11
variabel dengan 1599 jenis minuman anggur yang diukur. Data demikian
tergolong Big Data sehingga menjadi topik menarik untuk dipelajari dewasa ini.

Penyelesaian sistem persamaan linear yang diperoleh dapat berupa solusi

tunggal, banyak solusi atau bahkan tidak ada solusi. Ada beberapa metode yang
dapat digunakan untuk menyelesaikan suatu sistem persamaan. Salah satunya
adalah dengan metode Singular Value Decomposition (SVD). Dengan
menggunakan SVD, penyelesaian dari suatu sistem persamaan linear selalu dapat
ditemukan meskipun nantinya matriks yang terbentuk dari metode ini bukanlah
matriks yang mempunyai invers maupun matriks persegi (yang ukuran baris dan
kolomnya sama). Dalam hal ini penyelesaian yang diperoleh adalah suatu solusi
pendekatan yang terbaik.

Dalam penyelesaian suatu persamaan menggunakan SVD, kita perlu

terlebih dahulu memahami aljabar matriks, vektor eigen dan nilai eigen untuk
memudahkan kita mempelajari SVD. Data anggur sendiri adalah kum pulan data
yang berisi 11 variabel penentu kualitas suatu anggur merah.

Metode SVD memerlukan penyusunan matriks yang dalam ukuran sangat

besar, sehingga data yang ada dapat diolah dengan metode SVD menggunakan
python dimana variabel penentu kualitas anggur dianalisa pada penelitian ini.

I.2 Rumusan Masalah

 Bagaimana menganalisa kualitas anggur berdasarkan variabel yang diukur

menggunakan SVD?

I.3 Manfaat

 Hasil penelitian dapat menjadi acuan untuk melakukan penelitian pada

bidang pengukuran kualitas minuman yang lain yang merupakan jenis
minuman kekayaan lokal Indonesia (Contoh : Arak, Teh)
 Hasil penelitian yang telah dilakukan dapat memberikan pengembangan
perkuliahan di matematika FSM UKSW dalam menentukan suatu
persamaan linear yang tidak memiliki penyelesaian
 Mahasiswa mendapat pelatihan dalam skill penggunaan dan penulisan
program python

II. TUJUAN

2
 3

Tujuan dari pembahasan mengenai SVD ini adalah agar diperoleh

variabel-variabel penentu kualitas minuman anggur. Selain itu, dari kegiatan
penelitian ini diharapkan mahasiswa dapat mempunyai pengalaman penelitian
dengan big data dan pengolahannya dengan bahasa Python.

III. METODE PENELITIAN

II.1 Langkah-langkah SVD

SVD sangat bermanfaat dalam bidang sains secara khusus adalah pada
bidang psikologi dan sosiologi, astronomi bahkan ilmu iklim dan atmosfer. Oleh
karena itu pada pembahasan kali ini dilakukan pencobaan terhadap penyelesaian
persamaan linear menggunakan data anggur. Metode SVD ini akan menguraikan
suatu matriks ke dalam 3 matriks, dimana salah satu matriksnya berisi nilai
singular dari matriks awal tadi (Haidir, 2010). Metode ini menggunakan Python 3
sebagai alat bantu untuk menyelesaikan pengolahan data. Data yang dipakai
tercantum dalam web. Dengan program aplikasi Python 3, akan dilakukan
penghitungan dengan rumus yang ada.

Dekomposisi nilai singular (SVD) dinyatakan sebagai berikut :

A adalah suatu matriks berukuran . U dan V adalah matriks ortonormal

(matriks yang tegak lurus dan nilainya adalah 1). adalah elemen diagonal yang

adalah nilai singular A. bernilai tidak negatif dengan diurutkan secara menurun

mulai dari dengan p=min(m,n).

Dalam menentukan SVD sangat perlu untuk menentukan vektor eigen dan nilai
eigen dari matriks atau . Vektor eigen matriks Identitas akan
membentuk kolom yang dinotasikan dengan U yang adalah matriks berukuran

, sedangkan akan membentuk kolom yang dinotasikan dengan V yang

adalah matriks berukuran , dan nilai singular adalah akar kuadrat dari nilai

eigen matriks Identitas atau . Dalam bahasan ini akan di bahas mengenai
cara manual dan menggunakan program Python, namun khusus pada kasus ini
kami digunakan Python karena data yang cukup besar serta hasil solusi
pendekatan yang lebih akurat.

3
 4

Langkah-langkah mencari Dekomposisi Nilai Singular secara manual sebagai

berikut:
1. Persamaan linear yang diketahui dibuat ke dalam bentuk Ax = b
2. Mendefinisikan Matriks dari matriks Ax = b (matriks yang diketahui)
dengan cara sebagai berikut :
 Jika matriks A memiliki baris (dinotasikan dengan ) yang

berukuran sama atau lebih kecil dari kolom (dinotasikan dengan ,

maka dapat didefinisikan sebagai berikut :

Untuk

 Jika matriks A memiliki baris (dinotasikan dengan ) yang

berukuran lebih besar dari kolom (dinotasikan dengan ), maka

dapat didefinisikan sebagai berikut :

Untuk

3. Mencari nilai eigen dari matriks B melalui persamaan karakteristik

4. Mencari nilai singular dari matriks A yang adalah akar pangkat dua positif
nilai eigen dari matriks B

5. Menguraikan matriks , V dan U :

a. Membentuk matriks dengan cara

 Jika ukuran baris lebih kecil dari kolom, maka berbentuk :

Untuk

 Jika ukuran baris lebih besar dari kolom, maka berbentuk :

4
 5

Untuk

 Jika ukuran baris sama dengan kolom, maka berbentuk :

Untuk
b. Menyusun matriks U dan matriks V
 Kolom dari matriks U terbentuk dari normalisasi vektor eigen dari
matriks . Kemudian dicari basis ortonormal dari matriks U :

 Kolom dari matriks V terbentuk dari normalisasi vektor eigen dari

matriks . Kemudian dicari basis ortonormal dari matriks V :

6. Menentukan solusi dari suatu persamaan linear

IV. HASIL DAN PEMBAHASAN

Dalam kasus ini, data yang digunakan adalah data anggur merah (Ytang,
2017) dimana terdapat 11 variabel yang menyatakan penentu kualitas dari anggur
merah. Kesebelas variabel tersebut yaitu fixed acidity, volatile acidity, citric acid,
residual sugar, chlorides, free sulfur dioxide, total sulfur dioxide, density, pH,
sulphates, dan alcohol. nantinya dengan Python 3.0 akan didefinisikan dalam
bentuk matriks.

Sebelumnya, file Winequality disimpan dalam excel dengan format xls. Untuk
mempermudah, kita memanggil data Winequality red (kualitas anggur merah)
yang disimpan dalam format .xls ke dalam Python 3, dengan mencantumkan
alamat file yang tersimpan di Komputer. Pada penelitian ini akan dilakukan studi
kasus dalam 2 hal, yaitu :

5
 6

a. Banyaknya jenis minuman anggur lebih sedikit daripada banyaknya

variabel yang diukur
b. Banyaknya jenis minuman anggur jauh lebih banyak daripada banyaknya
variabel yang diukur.

III.1 Contoh penyusunan SVD untuk 3 jenis minuman anggur pertama

#Program
import pandas as pd
import numpy as np
import xlrd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
wb=pd.read_csv('12x3.csv')
print(wb)
#Contoh Luaran Program 3 baris pertama

Gambar 1. Contoh Luaran program 3 baris pertama untuk diolah

Apabila data tersebut dinyatakan dalam suatu sistem persamaan linear yang terdiri
dari 1600 persamaan linear. Tiga baris persamaan pertama sebagai berikut :

Sebagaimana yang tertera pada Gambar 1, terdapat 11 kolom dan 3 baris yang
mewakili data winequality red. Sehingga akan dibentuk suatu matriks 11 x 3.
Kemudian dengan rumus svd yang sudah diprogramkan di Python 3.0 kita
mencari nilai SVD dari data tersebut

1. Mendefinisikan persamaan ke bentuk Ax=b

#Program

# Singular-value decomposition
from numpy import array
from scipy.linalg import svd
from scipy import linalg, mat, dot

6
 7

# mendefinisikan matriks
A = array(wb)
print(A)
# SVD
U, s, VT = linalg.svd(A)
#Menampilkan matriks U
print(U)
#Contoh Luaran Matriks U
[[ 0.56131659 -0.5852024 -0.5852024 ]
[ 0.5852024 0.78065829 -0.21934171]
[ 0.5852024 -0.21934171 0.78065829]]

#Menampilkan matriks sigma

print(s)
#Contoh Luaran Matriks sigma
[ 16.74634288]
#Menampilkan matriks
print(VT)
#Contoh Luaran matriks

(array([[ 0.56131659, -0.5852024 , -0.5852024 ],

[ 0.5852024 , 0.78065829, -0.21934171],
[ 0.5852024 , -0.21934171, 0.78065829]]),

III.2 Pengolahan data untuk 1599 jenis minuman anggur

Data winequality red terbilang sangat banyak karena terdapat 11 variabel
penentu kualitas anggur merah dan tiap variabelnya terdapat 1599 nilai, sehingga
sangat sesuai untuk digunakan dalam metode SVD dan diaplikasikan kepada
sebuah data besar (Big Data ).
#Program
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
wine = pd.read_csv('red2.csv')
wine.head()
print(wine)
#Contoh Luaran

Gambar 2. Contoh luaran program untuk data winequality red yang akan diolah

#Program
# Singular-value decomposition

7
 8

from numpy import array

from scipy.linalg import svd
from scipy import linalg, mat, dot
# mendefinisikan matriks
A = array(wine)
print(A)
# SVD
U, s, VT = linalg.svd(A)
#menampilkan matriks U
print(U)
#Contoh Luaran matriks U (lampiran)

#menampilkan matriks sigma

print(s)
#Contoh Luaran matriks sigma (lampiran)

#menampilkan matriks VT
print(VT)
#Contoh Luaran matriks VT (lampiran)

#menampilkan matriks svd dari matriks data anggur

print(linalg.svd(A))
#Contoh Luaran matriks svd(A) (lampiran)

Sama seperti langkah pada contoh menampilkan 3 persamaan pertama, kita

lakukan juga untuk 1599 persamaan.

#Program menampilkan nilai variabel data anggur

u, s, v = np.linalg.svd(A)

print ('Singular values: {0}'.format(s))

print ('# of independent rows: {0}'.format(np.sum(np.abs(s) >

TOLERANCE)))

#Contoh Luaran nilai variabel data anggur

[2.42936623e+03 3.92721699e+02 2.69702707e+02 6.32915660e+01
5.35558433e+01 2.55747125e+01 1.38432069e+01 7.13350473e+00
5.95389389e+00 4.01559842e+00 1.63230695e+00 ]

Dari hasil yang telah diperoleh menggunakan program aplikasi Python, kita
mendapatkan nilai untuk varibel hingga . Kesebelas nilai tersebut

8
 9

membantu kita menganalisa indikator apa saja yang perlu diperhatikan takarannya
untuk menjaga kualitas minuman anggur.

V. KESIMPULAN

Pada makalah ini telah ditunjukkan analisa data minuman anggur tentang kualitas
minuman anggur berdasarkan variabel-variabel yang diukur yaitu fixed acidity,
volatile acidity, citric acid, residual sugar, chlorides, free sulfur dioxide, total
sulfur dioxide, density, pH, sulphates, dan alcohol. Jadi terdapat 11 variabel
dengan 1600 jenis minuman anggur. Metode yang digunakan adalah regresi linear
dimana SVD merupakan metode penyelesaian sistem persamaan linear yang
diperoleh. Hasil penelitian menunjukkan variabel penentu kualitas dari minuman
anggur :

Fixed acidity = 2.42936623e+03; Volatile acidity = 3.92721699e+02; Citric acid

= 2.69702707e+02; Residual sugar = 6.32915660e+01; Chlorides =
5.35558433e+01; Free sulfur dioxide = 2.55747125e+01; Total sulfur dioxide =
1.38432069e+01; Density = 7.13350473e+00; pH = 5.95389389e+00; Sulphates =
4.01559842e+00; Alcohol = 1.63230695e+00

Suatu sistem persamaan linear dapat mempunyai penyelesaian tunggal, lebih dari
satu dan tidak punya penyelesaian. Dengan metode SVD maka sistem persamaan
linear selalu dapat mempunyai penyelesaian. Dari hasil pembahasan serta
penerapannya dalam menyelesaikan masalah pengklasifikasian anggur wine di
atas. menggunakan svd kita mengetahui nilai beberapa variabel yang dapat
memengaruhi kualitas wine.

Saran :

Hasil yang sudah diperoleh belum diteliti tingkat signifikansi koefisien yang
diperoleh. Untuk itu perlu diterapkan uji statistic terkait.

VI. UCAPAN TERIMA KASIH

Penelitian ini merupakan penelitian di dalam perkuliahan Komputasi Matematika

FSM UKSW semester 1 2018/2019.

VII. DAFTAR PUSTAKA

A. Irdam Haidir & R. Lucia, 2010, Menyelesaikan Sistem Persamaan Linier

Menggunakan Analisis SVD, Jurnal Matematika, Vol. 13, No. 1

Dewi Y., 2012, Penyelesaian Sistem Persamaan Linear Kompleks Menggunakan

Metode Dekomposisi Nilai Singular (SVD), Skripsi, Tidak diterbitkan, Fakultas
Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim: Pekanbaru

9
 10

Web :

Ytang. (2017). Red Wine Quality : https://github.com/ytang3/red-wine-quality.

M, Peter. (2017, Oktober 05). Singular Value Decomposition (SVD) Tutorial:

Applications, Examples, Exercises : https://statsbot.co/blog/singular-value-
decomposition-tutorial/

10
 11

Lampiran 1. Biodata Ketua, Anggota, dan Dosen Pembimbing

Biodata Ketua Kelompok

A. Identitas Diri
1 Nama Lengkap Vera Manondang Damaianty Butarbutar
2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIM 662016012
5 Tempat dan Tanggal Lahir Jayapura, 03 Desember 1999
6 E-mail 662016012@student.uksw.edu
7 Nomor Telepon/HP 085244795919

B. Riwayat Pendidikan*)
SD SMP SMA
Nama Institusi SD Kristen SMP Negeri 5 SMA Negeri 5
Kalam Kudus Jayapura Jayapura
Jayapura
Jurusan - - IPA
Tahun Masuk- 2004-2010 2010-2013 2013-2016
Lulus

Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD

Salatiga, 7 Desember 2018

Pengusul,

(Vera M D Butarbutar)

11
 12

Lampiran 1 (Lanjutan)
Biodata Anggota Kelompok

A. Identitas Diri
1 Nama Lengkap Egidius Saut Poltak Situmorang
2 Jenis Kelamin Laki-laki
3 Program Studi Matematika
4 NIM 662016021
5 Tempat dan Tanggal Lahir Bekasi, 23 April 1998
6 E-mail 662016021@student.uksw.edu
7 Nomor Telepon/HP 081325072405

B. Riwayat Pendidikan*)
SD SMP SMA
Nama Institusi SD Charitas 01 SMP Charitas 01 SMA Sedes
Belitang Belitang Sapientiae
Bedono
Jurusan IPA
Tahun Masuk- 2004-2010 2010-2013 2013-2016
Lulus

Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD.

Salatiga, 5 Desember 2018

Pengusul,

(Egidius Saut Poltak S.)

12
 13

Lampiran 1 (Lanjutan)

Biodata Anggota Kelompok

A. Identitas Diri
1 Nama Lengkap Adrian Pieter Supusepa
2 Jenis Kelamin Laki-laki
3 Program Studi Matematika
4 NIM 662018016
5 Tempat dan Tanggal Lahir Waikabubak, 18 Juni 2000
6 E-mail 662018016@student.uksw.edu
7 Nomor Telepon/HP 082144341734

B. Riwayat Pendidikan*)
SD SMP SMA
Nama Institusi SD Masehi SMP Kristen SMA Negeri 1
Waikabubak I Waikabubak Waikabubak
Jurusan IPA
Tahun Masuk- 2006-2012 2012-2014 2014-2018
Lulus

Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD

Salatiga, 7 Desember 2018

Pengusul,

(Adrian Pieter Supusepa)

13
 14

Lampiran 1 (Lanjutan)

Biodata Dosen Pembimbing

A. Identitas Diri
1 Nama Lengkap Dr. Hanna Arini Parhusip
2 Jenis Kelamin P
3 Program Studi Matematika
4 NIDN 0627026801
5 Tempat dan Tanggal Lahir Salatiga, 27 Februari 1968
6 E-mail hanna.arini@staff.uksw.edu
7 Nomor Telepon/HP 298 255 / 081-542-523-955

B. Riwayat Pendidikan*)
Sarjana S2/Magister S3/Doktor
Nama Institusi UGM Univ. ITB
Kaiserslautern
Jurusan Matematika Industrial Matematika
murni mathematics terapan
Tahun Masuk- 1987-1992 1995-1997 2000-2005
Lulus

C. Pemakalah Seminar Ilmiah (Oral Presentation)

No. Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Sseminar Tempat
1 Training of Trainer Field Parhusip, H.A. 11 April 2015,
School of Traditional 2015.PEMODELAN Fakultas
Climate Forecastingwith STATISTIKA (Dari Teknologi
Local Wisdom Data ke Model dan Informasi –
Pranatamangsa based Analisanya untuk UKSW
Pranatamangsa 21, Data Pertanian)
Software for Effective
Pattern Planting and Pest
Early Detection, 11 April
2015
2 SEMINAR ALJABAR Parhusip, H.A. 2012, 14 April 2012
2012, oleh HPA dan Various Applications di UNDIP
IndoMS di UNDIP of Linear Algebra,
2012. Invited speaker
(keynote speaker)

14
 15

D. Penghargaan dalam 10 tahun terakhir (dari pemerintah, asosiasi atau

institusi lainnya)
No. Jenis Penghargaan Institusi Pemberi Tahun
Penghargaan
1 One of 180s Innovators in Selected by 2016
Indonesia 2016 with the Business
product: BATIMA (Batik Innovation Center
Innovation of Mathematics) (BIC)
2 Travel grant IC16 Imaginary, 2016
Volkswagen
Foundatio,
Germany in 19-23
July 2016
3 Pemenang ketiga lomba Pemkot Salatiga 2015
Kreasi dan Inovasi Riset di
Salatiga pada 11 Desember
2014
4 Travel Grant Nanum 2014 Pemerintah Korea 2014
untuk International Conggress Selatan
Mathematician (ICM di
Seoul, Korea Selatan)

Semua data yang saya isikan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi.
Demikian data ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal PKM-AI berjudul Analisis Variabel
Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD

Salatiga, 7 Desember 2018

Dosen Pembimbing,

(Dr. Hanna Arini Parhusip)

15
 16

Lampiran 2. Surat Pernyataan Ketua Pelaksana

UNIVERSITAS KRISTEN SATYA WACANA

FAKULTAS SAINS DAN MATEMATIKA
Jalan Diponegoro No. 52-60 Salatiga 50711
Telp (0298) 326-421212 Fax. (0298) 321433

SURAT PERNYATAAN KETUA PELAKSANA

Yang bertandatangan di bawah ini :

Nama : Vera Manondang Damaianty Butarbutar

NIM : 662016012

Program Studi : Matematika

Fakultas : Fakultas Sains dan Matematika

Dengan ini menyatakan bahwa proposal PKM-AI saya dengan judul Analisis
Variabel Penentu Kualitas Minuman Anggur (Wine) Menggunakan Metode SVD
yang diusulkan untuk tahun anggaran 2018 adalah asli karya kami dan belum
pernah dibiayai oleh lembaga atau sumber dana lain.

Bilamana di kemudian hari ditemukan ketidaksesuaian dengan pernyataan ini,

maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku
dan mengembalikan seluruh biaya yang sudah diterima ke kas Negara.

Demikian pernyataan ini dibuat dengan sesungguhnya dan sebenar-benarnya.

Salatiga, 7 Desember 2018

Mengetahui, Yang menyatakan,

Pembantu Rektor
Bidang Kemahasiswaan

(Andeka Rocky Panaamah, S. E., M.Cs) (Vera M. D. Butarbutar)

NIP/NIK. 2004022 NIM. 662016012

16
 17

Lampiran 3. Surat Pernyataan Sumber Tulisan PKM-AI

SURAT PERNYATAAN SUMBER TULISAN PKM-AI

Saya yang menandatangani Surat Pernyataan ini :

- Nama : Vera Manondang Damaianty Butarbutar

- NIM : 662016012
1) Menyatakan bahwa PKM-AI yang saya tuliskan bersama anggota tim
lainnya benar bersumber dari kegiatan yang telah dilakukan dalam tugas
kelompok di perkuliahan Komputasi Matematika FSM UKSW
2) Naskah ini belum pernah diterbitkan/dipublikasikan dalam bentuk
prosiding maupun jurnal sebelumnya

Demikian Surat Pernyataan ini dibuat dengan penuh kesadaran tanpa paksaan
pihak manapun juga untuk dapat digunakan sebagaimana mestinya.

Salatiga, 7 Desember 2018

Mengetahui/Menyetujui

Yang membuat pernyataan Ketua Jurusan/Prodi,

(Vera M. D. Butarbutar) (Dr. Hanna Arini Parhusip)

NIM. 662016012 NIP/NIK. 0627026801

17
 18

Lampiran luaran hasil dari Python

#Program
# Singular-value decomposition
from numpy import array
from scipy.linalg import svd
from scipy import linalg, mat, dot
# mendefinisikan matriks
A = array(wine)
print(A)
# SVD
U, s, VT = linalg.svd(A)
#menampilkan matriks U
print(U)
#Contoh Luaran
[[ 7.4 0.7 0. ...,
0.56 9.4 5. ]
[ 7.8 0.88 0. ...,
0.68 9.8 5. ]
[ 7.8 0.76 0.04 ...,
0.65 9.8 5. ]
...,
[ 6.3 0.51 0.13 ..., 0.75 11. 6. ]
[ 5.9 0.645 0.12 ..., 0.71 10.2 5. ]
[ 6. 0.31 0.47 ..., 0.66 11. 6. ]]
[[-0.01554963 -0.01242413 -0.01252531 ..., -0.01836188
-0.01884827 -0.01698292]
[-0.02995486 -0.00517799 0.01435347 ..., -0.01529709
-0.03255738 0.0075811 ]
[-0.02376607 -0.00186662 -0.00946062 ..., -0.00637712
0.00750481 0.05152907]
...,
[-0.02006206 -0.03511221 0.03484276 ..., 0.99607261
-0.00387709 -0.00229488]
[-0.02185712 -0.03378034 0.04463328 ..., -0.00390904
0.9934938 -0.00260208]
[-0.01953974 -0.0174369 0.00281822 ..., -0.00231317
-0.00244715 0.9925041 ]]

#menampilkan matriks sigma

print(s)
#Contoh Luaran matriks sigma
[2.42936623e+03 3.92721699e+02 2.69702707e+02 6.32915660e+01
5.35558433e+01 2.55747125e+01 1.38432069e+01 7.13350473e+00
5.95389389e+00 4.01559842e+00 1.63230695e+00 9.65223587e-01]

18
 19

#menampilkan matriks VT
print(VT)
#Contoh Luaran matriks VT
[[-1.13528222e-01 -7.42210577e-03 -3.81207519e-03 -3.78133534e-02
-1.23064566e-03 -2.86573099e-01 -9.35344167e-01 -1.38140947e-02
-4.58045006e-02 -9.19146749e-03 -1.42606394e-01 -7.68606440e-02]

[-4.11135268e-01 -2.24620392e-02 -1.24493011e-02 -1.06454138e-01

-3.83919677e-03 -5.69832587e-01 3.40271391e-01 -4.69456997e-02
-1.57252595e-01 -3.11285020e-02 -5.18859370e-01 -2.85220855e-01]

[-3.85055808e-01 -2.06735825e-02 -1.55437642e-02 -7.92086585e-02

-3.47789963e-03 7.69283077e-01 -9.62505195e-02 -3.90723486e-02
-1.25822838e-01 -2.55278750e-02 -4.17830676e-01 -2.26106423e-01]

[-7.86041287e-01 2.64297232e-02 -5.98614252e-02 -1.57969304e-01

-3.46610444e-03 -3.28402979e-02 5.79110604e-03 2.14609262e-02
1.39465194e-01 3.00910411e-03 5.38371633e-01 2.04974769e-01]

[-2.05662389e-01 6.14083785e-03 -7.02979409e-03 9.77347626e-01

3.74515773e-04 -1.59435088e-02 -6.03665964e-03 -6.15785076e-03
-1.00704083e-02 -1.23411287e-02 3.64046508e-03 -4.25653066e-02]

[7.08495622e-02 8.86491999e-02 -2.80943674e-02 -2.60456244e-02

1.19544077e-03 5.23694833e-03 -2.12153248e-03 1.67806350e-02
8.65509662e-02 -4.50514777e-02 4.08305142e-01 -8.99502780e-01]

[5.39158587e-03 -3.75385279e-01 2.61983339e-01 -5.48386555e-03

-2.63011213e-02 1.71357963e-03 2.42681291e-03 -2.02113004e-01
-8.20419962e-01 -5.42493824e-03 2.75169456e-01 -2.15994249e-03]

[-4.61969417e-02 -4.89703306e-01 4.33115400e-01 4.94313923e-03

9.19429368e-02 -9.95816410e-04 -8.94057978e-04 8.43904489e-02
3.17742284e-01 6.66055391e-01 -4.88361369e-02 -8.88322924e-02]

[-5.20703661e-03 -5.44336215e-01 2.63845641e-01 -1.49263049e-03

-1.04845725e-01 -5.46369565e-04 2.49794087e-04 4.72043672e-02
3.19686046e-01 -7.19481185e-01 -3.01639122e-02 -8.41292419e-03]

[-4.66415427e-02 5.51507601e-01 8.10710305e-01 -7.99497874e-03

1.25595355e-01 2.40224342e-03 -1.08686613e-03 1.70783332e-02
-5.99207149e-03 -1.39134309e-01 -1.46038102e-02 2.58547337e-02]

[-8.41738161e-04 -9.59829310e-02 -1.07749279e-01 -1.35939058e-03

9.38759954e-01 -1.11843794e-04 7.20574123e-05 2.74534553e-01
-8.46912085e-02 -1.23667252e-01 8.08035875e-03 1.95997527e-03]

[-1.63429784e-02 4.39827151e-03 2.16084308e-02 3.06171973e-04

-2.87707741e-01 3.34960093e-04 -3.00625512e-04 9.32436586e-01
-2.16431079e-01 1.18123530e-02 -1.97912418e-03 -6.83741785e-03]]

19
 20

#menampilkan matriks svd dari matriks data anggur

print(linalg.svd(A))

#Contoh luaran matriks svd

array([[-0.01554963,-0.01242413,-0.01252531, ..., -0.01836188,
-0.01884827,-0.01698292],
[-0.02995486,-0.00517799, 0.01435347, ..., -0.01529709,
-0.03255738, 0.0075811 ],
[-0.02376607,-0.00186662,-0.00946062, ..., -0.00637712,
0.00750481, 0.05152907],
...,
[-0.02006206,-0.03511221, 0.03484276, ..., 0.99607261,
-0.00387709,-0.00229488],
[-0.02185712,-0.03378034, 0.04463328, ..., -0.00390904,
0.9934938 ,-0.00260208],
[-0.01953974,-0.0174369 , 0.00281822, ..., -0.00231317,
-0.00244715, 0.9925041 ]]),
array([ 2.42936623e+03, 3.92721699e+02, 2.69702707e+02,
6.32915660e+01, 5.35558433e+01, 2.55747125e+01,
1.38432069e+01, 7.13350473e+00, 5.95389389e+00,
4.01559842e+00, 1.63230695e+00, 9.65223587e-01]),
array([[-1.13528222e-01,-7.42210577e-03, -3.81207519e-03,
-3.78133534e-02,-1.23064566e-03, -2.86573099e-01,
-9.35344167e-01,-1.38140947e-02, -4.58045006e-02,
-9.19146749e-03,-1.42606394e-01, -7.68606440e-02],
[-4.11135268e-01,-2.24620392e-02, -1.24493011e-02,
-1.06454138e-01,-3.83919677e-03, -5.69832587e-01,
3.40271391e-01,-4.69456997e-02, -1.57252595e-01,
-3.11285020e-02,-5.18859370e-01, -2.85220855e-01],
[-3.85055808e-01,-2.06735825e-02, -1.55437642e-02,
-7.92086585e-02,-3.47789963e-03, 7.69283077e-01,
-9.62505195e-02,-3.90723486e-02, -1.25822838e-01,
-2.55278750e-02,-4.17830676e-01, -2.26106423e-01],
[-7.86041287e-01, 2.64297232e-02, -5.98614252e-02,
-1.57969304e-01,-3.46610444e-03, -3.28402979e-02,
5.79110604e-03, 2.14609262e-02, 1.39465194e-01,
3.00910411e-03, 5.38371633e-01, 2.04974769e-01],
[-2.05662389e-01, 6.14083785e-03, -7.02979409e-03,
9.77347626e-01, 3.74515773e-04, -1.59435088e-02,
-6.03665964e-03,-6.15785076e-03, -1.00704083e-02,
-1.23411287e-02, 3.64046508e-03, -4.25653066e-02],
[ 7.08495622e-02, 8.86491999e-02, -2.80943674e-02,
-2.60456244e-02, 1.19544077e-03, 5.23694833e-03,
-2.12153248e-03, 1.67806350e-02, 8.65509662e-02,
-4.50514777e-02, 4.08305142e-01, -8.99502780e-01],
[ 5.39158587e-03,-3.75385279e-01, 2.61983339e-01,
-5.48386555e-03,-2.63011213e-02, 1.71357963e-03,
2.42681291e-03,-2.02113004e-01, -8.20419962e-01,
-5.42493824e-03, 2.75169456e-01, -2.15994249e-03],
[-4.61969417e-02,-4.89703306e-01, 4.33115400e-01,
4.94313923e-03, 9.19429368e-02, -9.95816410e-04,
-8.94057978e-04, 8.43904489e-02, 3.17742284e-01,

20
 21

6.66055391e-01,-4.88361369e-02, -8.88322924e-02],
[-5.20703661e-03,-5.44336215e-01, 2.63845641e-01,
-1.49263049e-03, -1.04845725e-01, -5.46369565e-04,
2.49794087e-04, 4.72043672e-02, 3.19686046e-01,
-7.19481185e-01, -3.01639122e-02, -8.41292419e-03],
[-4.66415427e-02, 5.51507601e-01, 8.10710305e-01,
-7.99497874e-03, 1.25595355e-01, 2.40224342e-03,
-1.08686613e-03, 1.70783332e-02, -5.99207149e-03,
-1.39134309e-01, -1.46038102e-02, 2.58547337e-02],
[-8.41738161e-04, -9.59829310e-02, -1.07749279e-01,
-1.35939058e-03, 9.38759954e-01, -1.11843794e-04,
7.20574123e-05, 2.74534553e-01, -8.46912085e-02,
-1.23667252e-01, 8.08035875e-03, 1.95997527e-03],
[-1.63429784e-02, 4.39827151e-03, 2.16084308e-02,
3.06171973e-04, -2.87707741e-01, 3.34960093e-04,
-3.00625512e-04, 9.32436586e-01, -2.16431079e-01,
1.18123530e-02, -1.97912418e-03, -6.83741785e-03]]))

21