Hasil Pencarian  ::  Simpan CSV :: Kembali

"Globalisasi membawa dampak besar bagi pertumbuhan ekonomi Indonesia. Sejak tahun 1961, secara umum pertumbuhan ekonomi Indonesia selalu mengalami kenaikan. Banyak faktor yang menyebabkan meningkatnya pertumbuhan ekonomi nasional. Salah satunya adalah investasi. Terdapat berbagai macam instrumen investasi. Sekarang ini yang paling banyak diminati oleh masyarakat umum adalah investasi saham. Bursa Efek Indonesia (BEI) mencatat bahwa per Juni 2018 banyaknya investor pasar modal mencapai 1,12 juta Single Investor Identification (SID) dengan 710.000 Single Investor Identification (SID) merupakan total investor saham ritel. Saham menjadi salah satu usaha dalam pemenuhan kebutuhan hidup di masa depan. Daya tarik utamanya adalah karena saham memberikan potensi keuntungan yang tinggi dalam jangka panjang. Namun, dengan potensi keuntungan yang tinggi tersebut, saham juga memiliki potensi kerugian yang tinggi. Salah satu usaha untuk meminimalkan potensi kerugian saham adalah dengan melakukan prediksi harga saham menggunakan machine learning. Harga saham akan diprediksi menggunakan metode penyelesaian masalah regresi, yaitu Fuzzy Support Vector Regression (FSVR). Fungsi pemetaan dalam fungsi keanggotaan fuzzy digunakan untuk menghasilkan fluktuasi harga saham yang tepat. Untuk memastikan keefektifan dan keefisienan penggunaan fitur, Fisher Score digunakan untuk memilih fitur yang paling berpengaruh dan informatif dalam model prediksi sehingga kesalahan hasil prediksi dapat diminimalkan. Fitur-fitur terpilih tersebut akan dijadikan sebagai variabel input dalam model prediksi. Evaluasi hasil prediksi dari data dengan dan tanpa dilakukan pemilihan fitur selanjutnya akan dianalisis menggunakan Normalized Mean Square Error (NMSE) dan dibandingkan sebagai bagian dari evaluasi performa model prediksi. Dari hasil prediksi pada salah satu data yang digunakan, tanpa pemilihan fitur, diperoleh model terbaik dengan nilai NMSE terendah sebesar 0,179 dan persentase data training 80%, sedangkan dengan pemilihan fitur Fisher Score, diperoleh model terbaik menggunakan sembilan fitur dengan nilai NMSE terendah sebesar 0,011 dan persentase data training 90%.

---

Globalization has a big impact on Indonesias economic growth. Since 1961, in general Indonesias economic growth has always increased. Many factors have led to an increase in national economic growth. One of which is investment. There are many investment instruments. The most popular among the public is stock investment. Indonesia Stock Exchange (IDX) recorded as of June 2018 total of capital market investors reached 1,12 million Single Investor Identification (SID) with 710,000 Single Investor Identification (SID) representing total retail stock investors. Stock has become one of the activities to fulfill the needs of life in the future. Its main attraction is that stock provides high potential return of profit in long run. However, as high return of profit, stock also has high potential return of risks. One of the ways to minimize the potential return of risks is by predicting stock prices using machine learning. The stock prices will be predicted using a regression problem solving method, namely Fuzzy Support Vector Regression (FSVR). The mapping function in fuzzy membership function is used to produce the right stock price fluctuations. To ensure the effectiveness and the efficiency of using features, Fisher Score is used to select the most influential and informative features in the prediction model so that the prediction errors can be minimized. These selected features will be used as input variables in the stock price prediction model. The evaluation of the prediction results from the data with and without feature selection will be analyzed using Normalized Mean Square Error (NMSE) and compared as part of the performance evaluation of the prediction model. From the prediction results on one of data used, without doing feature selection, the best model is obtained with the lowest error is 0.179 and 80% training data, while with doing Fisher Score feature selection, the best model is obtained by using nine features with the lowest error is 0.011 and 90% training data."

"Saham merupakan salah satu surat berharga yang diterbitkan dan dijual oleh perusahaan,yang telah memenuhi syarat, di Bursa Efek Indonesia. Prinsip dasar yang dimiliki olehsaham adalah High Risk High Reward, yang menggambarkan bahwa saham memangdapat memiliki hasil yang besar, namun memiliki risiko yang tinggi pula. Denganprinsip High Risk High Reward, tentunya para investor harus lebih hati-hati dalammenentukan langkah yang akan mereka lakukan. Salah satu cara yang dapat digunakanuntuk mengurangi risiko, yaitu melakukan prediksi tren harga saham menggunakanMachine Learning. Menggunakan data historis saham pada Bursa Efek Indonesia,yaitu open, high, low, dan close price, algoritma Machine Learning dapat melakukanprediksi tren harga saham yang selanjutnya akan digunakan sebagai strategi investasipara investor. Terdapat banyak metode Machine Learning yang dapat digunakan untukmelakukan prediksi, salah satu metode yang dapat digunakan adalah Recurrent NeuralNetwork yaitu Long Short Term Memory (LSTM). Pada metode LSTM, data historisharga saham akan dibawa ke depan melalui seluruh gerbang LSTM yaitu: ForgetGate, Input Gate, dan Output Gate. Selanjutnya akan dicari nilai loss dari model,setelah didapat nilai loss, model akan ditinjau kembali setiap tahapannya, dimulai daribelakang. Langkah pengulangan tesebut dilakukan agar mendapat variabel Weight danBias yang optimal. Kemudian, tingkat akurasi dari metode tersebut akan ditentukanmenggunakan: Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE).Penelitian ini menggunakan data historis perusahaan yang termasuk pada Indeks LQ45dan dapat diambil melalui website, finance.yahoo.com. Dari penelitian ini, diketahuibahwa, masing-masing masalah memiliki model terbaiknya, untuk penyelesaian masalahtersebut.

---

Stock is a part of ownership of a company, that have fulfill the requirement to be sold at

Bursa Efek Indonesia. The basic principal of stock market is High Risk High Reward,

which describe that stock market indeed have a chance to get a great profit, but it also

come with a high risk. This principal is the reason that all investor must be cautious in

deciding their move. There’s many method to do this, with one of the being, forecasting

the stock market trend with machine learning. With the historical data, that include

open, high, low, dan close price, the machine learning algorithm, could forecast the stock

market direction for the next days, which will be one of the deciding factor for investor to

choose their move. Nowadays, there’s many machine learning method that can be used to

forecast, one of them is the branch method of Recurrent Neural Network, which is, Long

Short Term Memory (LSTM). LSTM use the historical data, and bring them forward to,

Forget Gate, Input Gate, Memory State, Output Gate. Then the loss value of the model

will be calculated. After all the process the model will be re-evaluated. The re-evaluation

step is to update all the weights and biases in the model. Then the accuracy of the model

will be evaluated with Root Mean Squared Error (RMSE) and Mean Absolute Error

(MAE). This study uses the historical data of the companys that’s included in the index

LQ45, and the data is taken from the website, finance.yahoo.com. From this research, it

is known that every problem has their own preference model to solve."

"ABSTRAKTB atau tuberkulosis adalah penyakit yang disebabkan oleh bakteri dan menyerang hewan dan manusia. Model deterministik penyebaran tuberkulosis pada skripsi ini melibatkan populasi manusia, dan dua macam penyakit. yaitu TB sensitif dan resisten. Fenomena mutasi, dimana seseorang yang terjangkit penyakit TB sensitif kemudian berubah menjadi terjangkit TB resisten dipertimbangkan. Hal ini lumrah terjadi dikarenakn beberapa sebab medis. Model ini dikontruksi berdasarkan model SEIS dengan sistem persamaan difer- ensial biasa berdimensi lima dengan dua titik keseimbangan: titik keseimbangan bebas penyakit dan endemik. Analisis terhadap titik keseimbangan bebas penyakit dilakukan secara analitik, sementara untuk titik endemik dilakukan secara numerik. Dari model ini juga diperoleh nilai bilangan reproduksi dasar sebagai faktor penentu, apakah penyakit mewabah dalam populasi atau tidak. Bilangan ini dibagi menjadi dua, yaitu bilangan reproduksi untuk TB sensitif, dan bilangan reproduksi untuk TB resisten. Hasil dari ana- lisis bilangan reproduksi dan simulasi, diperoleh bahwa penyakit TB resisten dinilai lebih dominan dalam konteks pewabahan dibandingkan dengan TB sensitif.

---

ABSTRACTTB or tuberculosis is a disease caused by bacteria and attacks on animals and humans. The deterministic model of the spread of tuberculosis in this paper involves the human pop- ulation, and two types of diseases, namely sensitive and resistant TB. The phenomenon of mutation, in which someone who is infected with sensitive TB then changes to con- tracting resistant TB is considered. This happens naturally due to some medical reasons. This model is constructed based on the SEIS model with a system of ordinary differential equations with a dimension of five with two equilibrium points: a disease-free and en- demic equilibrium points. The analysis of disease-free equilibrium points is carried out analytically, while for endemic points is done numerically. From this model also obtained the value of basic reproduction numbers as a determining factor, whether the disease is prevalent in the population or not. This number is divided into two, namely reproduction numbers for sensitive TB, and reproduction numbers for resistant TB. From the results of reproduction numbers and simulation analysis, it was found that resistant TB was consid- ered more dominant in the context of breeding compared to sensitive TB."

"Aljabar Lie adalah ruang vektor atas suatu lapangan yang memenuhi beberapa aksioma tertentu. Salah satu dari aksioma aljabar Lie ini dikenal dengan identitas Jacobi. Dalam skripsi ini, dibahas karakteristik dari aljabar Lie seperti ideal, homomorfisma dan struktur konstan. Selain itu juga dibahas aljabar yang terturunkan dari suatu aljabar Lie. Untuk aljabar Lie berdimensi 2 dan 3 yang dibahas adalah aljabar Lie yang non-abelian. Khusus untuk aljabar Lie berdimensi 3 yang dibahas hanya sampai aljabar yang terturunkan berdimensi 2 dan pada lapangan kompleks.

---

Lie algebra is a vector space over a field that satisfy some axioms. One of the axioms is known as the Jacobi identity. In this thesis, it is discussed the characteristics of Lie algebra such as ideal, homomorphism and constant structure. Here, it is also discussed the derived algebra of Lie algebra. For the Lie algebra with dimension 2 and 3 to be discussed is a non-abelian Lie algebra. Especially for a 3-dimensional Lie algebra is discussed only to the derived algebra of dimension 2 on complex field."

"ABSTRAKProses pengembangan perangkat lunak tidak hanya bagaimana perangkat lunak dikembangkan dan bagaimana para pelaku dilibatkan, tetapi juga alat bantu yang dapat mempermudah pengembangan. JIRA merupakan alat bantu pengembangan perangkat lunak yang digunakan di Pusilkom UI. Fitur yang ada pada JIRA tidak semuanya dapat mendukung kegiatan pengembangan di Pusilkom UI. Penelitian ini melakukan analisis terhadap kebutuhan fitur tambahan pada JIRA sehingga dapat mendukung proses pengembangan perangkat lunak. Pusilkom Agile Unified Process (PAUS) adalah metodologi pengembangan perangkat lunak yang digunakan oleh Pusilkom UI. Berdasarkan PAUS, Informasi tentang kebutuhan fitur digali melalui kegiatan Focus Group Discussion (FGD). Hasil FGD akan dianalisis dengan menggunakan metode hermeneutika fenomenologi. Pada akhir penelitian didapatkan 6 fitur tambahan yang harus ada pada JIRA sehingga dapat memenuhi kebutuhan pengembangan perangkat lunak di Pusilkom UI.

---

ABSTRACTSoftware development lifecycles is not only about how the software was developed and how the people was involved, but also about tools which facilitate software development. JIRA is a tool which is used in software development at Pusilkom UI. JIRA’s features do not help development activity at all. This research analyzes additional JIRA’s feature for supporting software development process. Pusilkom Agile Unified Process (PAUS) is software development methodology which is used at Pusilkom UI. Based on PAUS, requirement informations are capture through Focus Group Discussion activity. FGD’s results will be analyzed using phenomonelogy hermeneutical method. At last, this research come up with 6 additional JIRA’s features so that requirements for software development are satisfied."

"Twitter merupakan salah satu media sosial yang digunakan secara massive di Indonesia. Para pengguna Twitter ini membicarakan berbagai macam hal, salah satunya terkait pencalonan presiden. Perbincangan para pengguna Twitter ini memiliki nilai sentimen baik positif maupun negatif. Dukungan masyarakat terhadap masing-masing kandidat calon presiden dapat diketahui dengan melihat sentimen masyarakat melalui perbincangan mereka di Twitter, hal ini sering disebut juga sebagai analisis sentimen. Namun, jumlah pengguna dan obrolan para pengguna Twitter yang sangat banyak mengakibatkan data yang akan diproses membutuhkan waktu yang cukup lama. Untuk melakukan proses analisis sentimen para pengguna Twitter secara cepat dan otomatis dapat digunakan bantuan mesin. Salah satu metode yang digunakan untuk melakukan proses analisis sentimen adalah Support Vector Machine (SVM). Pada dasarnya, semakin banyak data yang digunakan sebagai data training dalam pemilihan model fungsi klasifikator maka akan memberikan generalisasi akurasi analisis sentimen untuk data testing yang tinggi pula. Namun di sisi lain, semakin banyaknya data training juga akan menyebabkan besarnya dimensi ruang fitur. Hal ini membuat mesin membutuhkan waktu yang cukup lama dalam melakukan pembentukan fungsi klasifikator. Untuk menanggulangi hal ini, akan dilakukan metode optimasi fitur sehingga mesin dapat tetap membentuk fungsi klasifikator dengan akurasi yang tinggi namun dengan dimensi ruang fitur yang rendah.

---

Twitter is a social media that used in Indonesia massively. Twitter users talk (tweet) about various things, one of them is about presidential nomination. Twitter user conversations have a positive or negative sentiment. Community support for each presidential candidate can be determined by looking at the public sentiment through their conversations on Twitter, this is often referred to sentiment analysis. However, the number of users and tweets cause the data to be processed requires quite a long time. Machine can be used to make the process of Twitter sentiment analysis quickly and automatically. One method that used to perform the sentiment analysis process is a Support Vector Machine (SVM). Basically, the more data that used as data training in the model selection function will give a high accuracy generalization sentiment analysis on data testing. On the other hand, the increasing number of training data will also cause large dimensional feature space. This makes the machine takes a long time to perform model selection. To overcome this problem, feature optimization will be performed. Feature optimization will preserve the high accuracy of the model, but with a low dimensional feature space."

"Pengamanan terhadap citra digital guna menghindari berbagai bentuk kejahatan dunia teknologi menjadi aspek yang sangat penting dan mendesak untuk diperhatikan. Salah satu teknik pengamanan yang sering digunakan adalah teknik kriptografi. Salah satu teknik kriptografi yang sedang berkembang saat ini adalah teknik kriptografi berbasis fungsi chaos. Fungsi chaos yang akan digunakan dalam skripsi ini adalah skew tent map dengan dua proses yang akan dilakukan, yaitu proses permutasi dan difusi. Proses permutasi akan mengubah posisi piksel sedangkan proses difusi akan mengubah nilai piksel. Analisis hasil uji coba dilakukan dengan cara analisis waktu proses enkripsi dan dekripsi, analisis ruang kunci, analisis sensitivitas nilai kunci, koefisien korelasi antara plaintext dan chipertext, uji goodness of fit, dan uji NIST (National Institute of Standard and Technology). Adapun hasil yang diperoleh yakni waktu proses enkripsi dan dekripsi hampir sama, ruang kuncinya mencapai 1030, sensitifitas kuncinya mencapai 10-16, koefisien korelasi antara plaintext dan chipertext mendekati nol, nilai-nilai piksel chipertext berdistribusi uniform, dan keystream yang digunakan acak. Sehingga hasil enkripsi dengan algoritma yang diusulkan dalam skripsi ini sulit untuk dipecahkan dengan serangan brute force dan known plaintext.

---

Securing the digital image in order to avoid various forms of world's crime technology aspect is a very important issue and needs to be disscused. The security techniques which are often used are cryptography techniques. One of the cryptography techniques which is being developed today is cryptography technique based on chaos function. Chaos function, which is used on this research, is the skew tent map with two processes applied, the permutation and diffusion processes. Permutation process will change the position of pixels while the diffusion process will change the value of pixels.

Test Analysis results are done by encryption and decryption time analysis, key space analysis, key value sensitivity analysis, correlation coefficient between plaintext and chipertext, the goodness of fit test, and the NIST (National Institute of Standard and Technology) test.

The results are encryption and decryption time are almost same, the key space reach 1030, the key value sensitivity reach 10-16, correlation coefficient between plaintext and chipertext near to zero, the ciphertext pixel values distributed uniformly and keystream which is randomly used. So the result of this proposed encryption algorithm is difficult to be solved with brute force attack and known plaintext attack."

"Karet merupakan salah satu komoditas penyumbang Produk Domestik Bruto (PDB) terbesar Indonesia. Indonesia merupakan negara dengan lahan karet terluas di dunia. Namun hasil karet yang diproduksi oleh Indonesia masih kalah dibanding Thailand. Hal tersebut disebabkan oleh pemberian pupuk, pestisida, dan perlindungan tanaman yang masih belum maksimal. Untuk perlindungan tanaman karet, di Indonesia biasanya dilakukan melalui penelitian daun karet. Akan tetapi, hal tersebut sangatlah tidak efisien dibanding dengan luas lahan yang ada. Sehingga diperlukan suatu metode yang lebih efisien untuk mendeteksi penyakit pada tanaman karet. Pada penelitian ini, penulis merancang suatu metode pendeteksian dini pengendalian penyakit tanaman karet menggunakan metode k-means clustering dan spectral clustering menggunakan citra digital yang diambil menggunakan drone. Melalui penelitian ini, diharapkan produksi tanaman karet dapat ditingkatkan dikarenakan proses pengendalian penyakit yang lebih efisien. Dengan penelitian ini, lahan karet sehat dan bergejala penyakit dapat dikelompokkan ke masing-masing klaster. Untuk selanjutnya, untuk lahan karet bergejala penyakit dapat dilakukan penelitian lebih lanjut untuk mengetahui jenis penyakit dan level penyakit yang dialami. Pendeteksian penyakit tanaman karet pada penelitian ini memiliki hasil 0,702 untuk k-means clustering dan 0,566 untuk spectral clustering dengan metode evaluasi silhouette score. Hal tersebut dikarenakan data citra yang masih sangat terbatas baik dalam jumlah maupun teknik pengambilan gambar. Namun untuk evaluasi menggunakan mean dan standard deviation, Spectral Clustering dengan perspective transform memiliki hasil yang lebih baik. Metode Spectral Clustering dengan data yang telah dilakukan perspective transform mampu mengklaster lahan karet yang hijau dan agak menguning.

---

Rubber is one of the largest contributors to Indonesia's Gross Domestic Product (GDP). Indonesia is a country with the largest rubber plantation in the world. However, the rubber produced by Indonesia is still inferior to Thailand. This is caused by the provision of fertilizers, pesticides, and plant protection that is still not optimal. For the protection of rubber plants, in Indonesia it is usually done through rubber leaf research. However, this is very inefficient compared to the existing land area. So we need a more efficient method to detect diseases in rubber plants. In this study, the authors designed a method for early detection of rubber plant disease control using the k-means clustering method and spectral clustering using digital images taken using drones. Through this research, it is hoped that the production of rubber plants can be increased due to a more efficient disease control process. With this research, healthy rubber fields and disease symptoms can be grouped into each cluster. Henceforth, for rubber fields with disease symptoms, further research can be carried out to determine the type of disease and the level of disease experienced. The detection of rubber plant diseases in this study had satisfactory results, namely  for k-means clustering and  for spectral clustering. This is because the image data is still very limited both in number and technique of taking pictures. However, for evaluation using the mean and standard deviation, Spectral Clustering with perspective transform has better results. The Spectral Clustering method with data that has been carried out with perspective transform is better able to cluster green and slightly yellow rubber land."

"Coronavirus disease 19 (COVID-19) adalah penyakit pernapasan menular yang pertama kali terdeteksi di Kota Wuhan, Provinsi Hubei, China. Penyakit ini memiliki gejala umum yang mirip dengan gejala penyakit pernapasan lain seperti alergi, flu, dan pilek. Tetapi setiap penyakit membutuhkan obat dan perawatan yang berbeda-beda. Sehingga, penting bagi penderita untuk mendapatkan diagnosis yang tepat atas penyakit yang diderita. Diagnosis biasanya dilakukan dengan pertemuan langsung antara dokter dan pasien. Akan tetapi, cara ini memiliki banyak hambatan, seperti: membutuhkan banyak waktu dan biaya. Selain itu, cara ini juga berpotensi menularkan penyakit kepada orang lain. Oleh karena itu, diajukan implementasi chatbot untuk mengatasi hambatan dalam melakukan diagnosis COVID-19. Chatbot menerima input data berupa gejala yang dialami pasien. Data tersebut terlebih dahulu diubah menjadi data tabular untuk kemudian dilakukan klasifikasi jenis penyakit dengan bantuan algoritma machine learning. Pada Penelitian ini, akan dilakXGBoost pada data gejala yang dipublikasikan oleh Walter Conway di situs Kaggle. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja terbaik pada data testing dengan skor rata-rata accuracy sebesar 93.38%, precision sebesar 96.58%, recall sebesar 93.38%,F1-Score sebesar 94.32%, specificity sebesar 99.73%, Geometric Mean sebesar 95.94%, dan waktu training selama 0.33 detik.

---

Coronavirus disease 19 (COVID-19) is an infectious respiratory disease that was first detected in Wuhan City, Hubei Province, China. This disease has general symptoms that are similar to the symptoms of other respiratory diseases such as allergies, flu, and colds. But each disease requires different medications and treatments. Thus, it is important for patients to get a proper diagnosis of the disease they are suffering from. Diagnosis is usually made by direct meeting between doctor and patient. However, this method has many obstacles, such as: it takes a lot of time and money. In addition, this method also has the potential to transmit the disease to others. Therefore, it is proposed to implement a chatbot to overcome obstacles in diagnosing COVID-19. The chatbot receives input data in the form of symptoms experienced by the patient. The data is first converted into tabular data and then the classification of the type of disease is carried out with the help of machine learning algorithms. In this study, a diagnosis of COVID-19 will be carried out using the Random Forest and XGBoost models on symptom data published by Walter Conway on the Kaggle website. The results showed that the Random Forest model had the best performance on data testing with an average score of 93.38% accuracy, 96.58% precision, 93.38% recall, 94.32% F1-Score, 99.73% specificity, and 95.94% Geometric Mean, and the training time is 0.33 seconds."

"Misalkan graf G terdiri dari himpunan tak kosong V yang dinamakan sebagai himpunan simpul dan himpunan E yang disebut sebagai busur. Jarak adalah panjang lintasan terpendek antara dua pasang simpul, dan diameter merupakan maksimum jarak antar pasang simpul dalam graf tersebut. Geodesik pelangi pada pewarnaan busur di graf G merupakan lintasan terpendek antara dua pasang simpul yang tidak mengandung pengulangan warna. Pewarnaan pelangi kuat lokal-d pada graf G merupakan pewarnaan dimana terdapat geodesik pelangi untuk setiap antar pasangan simpul dengan jarak maksimum d. Jumlah warna minimum yang dibutuhkan agar graf G memiliki pewarnaan pelangi kuat lokal-d adalah bilangan keterhubungan pelangi kuat lokal-d (d-local strong rainbow connection number) yang dinotasikan sebagai lsrc_d. Misalkan graf G dan H merupakan graf berderajat m, n berturut-turut. Graf hasil operasi korona dari graf G dan H, G ⊙ H merupakan graf yang diperoleh dengan mengambil satu salinan dari graf G dan m salinan dari graf H, lalu tiap simpul dari salinan ke-i graf H dihubungkan dengan simpul ke-i dari graf G. Pada penelitian ini, akan diberikan konstruksi pewarnaan pelangi kuat lokal pada graf hasil operasi korona antara graf berdiameter maksimum dua beserta bilangan keterhubungan pelangi kuat lokalnya.

---

Let graph G=(V,E) consists of a non-empty set of vertices V and set E that is said to be edge. Distance in graph G is the number of edges of a shortest path between two vertices and the shortest path between two vertices is called geodesic. A rainbow geodesic in an edge-colored graph G is a shortest path between a pair of vertices in which doesn’t contain color repetition. A local strong rainbow coloring of G is a coloring where there is a rainbow geodesic between each pair of vertices with a maximum d-distance. The minimum number of colors required for a graph to have local strong rainbow coloring is called local strong rainbow connection number-d, written as lsrc_d. Suppose that graphs G and H are graphs of degree m and n, respectively. The corona product of G and H, G ⊙ H is a graph obtained by taking a copy of graph G and m copies of graph H, then each vertex of the i-th copy of H is connected to the i-th vertex of G. In this research, we construct the d-local strong rainbow coloring of corona product of graph with maximum diameter of 2 and its local strong rainbow connection numbers."