Article Per Year (5 Year)
p-Index From 2019 - 2024
1.168
P-Index
This Author published in this journals
All Journal Journal of Science and Applicative Technology Unisda Journal of Mathematics and Computer Science (UJMC) Delta: Jurnal Ilmiah Pendidikan Matematika Variance : Journal of Statistics and Its Applications Jurnal Statistika dan Matematika (Statmat) Mathematics and Applications (MAp) Journal Amalgamasi: Journal of Mathematics and Applications
Andi Fitriawati
Institut Teknologi Sumatera
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Other

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
ANALISIS FAKTOR UNTUK MENGANALISIS VARIABEL PENDUDUK MISKIN Anggraini, Dian; Al Mahkya, Dani; Fitriawati, Andi; Siahaan, Radot MH
MAp (Mathematics and Applications) Journal Vol 2, No 1 (2020)
Publisher : Universitas Islam Negeri Imam Bonjol Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (520.631 KB) | DOI: 10.15548/map.v2i1.1636

Abstract

Data kemiskinan Indonesia umumnya menggunakan pengukuran basic needs approach. Berdasarkan data Survei Sosial Ekonomi Nasional (SUSENAS) yang dilakukan oleh Badan Pusat Statistik (BPS) setiap tahun, BPS membagi kriteria kesejahteraan masyarakat menjadi tiga kelompok berdasarkan kelompok pengeluaran, yaitu 40% kebawah, 40% tengah dan 20% keatas. Kelompok pengeluaran 40% kebawah bisa dikatakan sebagai penduduk miskin. Kelompok inilah yang akan diamati dan dilakukan analisis. Data BPS 10 tahun terakhir menyebutkan bahwa kemiskinan Provinsi Lampung terus mengalami penurunan setiap tahunnya dari tahun 2008 sebesar 22,19% sampai tahun 2018 menjadi 13,14%. Analisis faktor merupakan salah satu teknik untuk mengombinasikan variabel dengan tujuan menciptakan kelompok variabel baru. Analisis faktor sendiri dibagi menjadi dua, yaitu analisis faktor eksploratori dan konfirmatori. Informasi yang diperoleh dari data SUSENAS 2018 akan digunakan dalam analisis dan harapannya variabel baru yang didapatkan dengan analisis faktor eksploratori bisa menyederhanakan variabel yang selama ini digunakan oleh BPS. Berdasarkan hasil analisis faktor eksploratori yang telah dilakukan dapat disimpulkan bahwa faktor baru yaitu faktor kebutuhan tambahan dan faktor kebutuhan utama yang terbentuk dari 5 variabel awal bisa digunakan untuk menggambarkan kondisi kelompok masyarakat dengan kelompok pengeluaran 40% kebawah. Faktor kebutuhan tambahan terdiri dari status kepemilikan rumah sendiri, memakai BPJS dan bisa baca tulis. Sedangkan faktor kebutuhan utama terdiri dari sumber air bersih yang digunakan dan pengeluaran untuk makan.AbstractThe Poverty data Indonesia usually use the basic needs approach. Based on the national socio economic data (SUSENAS) conducted by the Central Bureau of Statistics (BPS) every year. BPS divide criteria community welfare into three groups based on the expenditure, namely 40% down, 40% middle and 20% above. Level Expenditure group 40 % down can be as poor group. These groups are the ones to be observed and analysis. BPS data for the last 10 years states that poverty in Lampung Province continues to decrease every year from 2008 by 22.19% until 2018 to 13.14%. Factor analysis is one technique for combining variables with the aim of creating a new group of variables. Factor analysis itself is divided exploratory and confirmatory factor analysis. Information obtained from the 2018 SUSENAS data will be used in the analysis and it is hoped that new variables obtained by exploratory factor analysis can simplify the variables that have been used by BPS. Based on the results of exploratory factor analysis that has been carried out, it can be concluded that the new factors, namely the additional needs factor and the main needs factor formed from the 5 initial variables, can be used to describe the condition of community groups with expenditure groups 40% down. The additional needs factor consists of the ownership status of the house itself, using BPJS and being able to read and write. While the main needs factor consists of the source of clean water used and expenditure for food.
Teknik Mengkonstruksi Distribusi Bivariat Copula Clayton pada Data Marginal Diskrit dengan Implikasi Kebergantungan Andi Fitriawati; Werry Febrianti; Ariestha Widyastuty Bustan; Amris -
Delta: Jurnal Ilmiah Pendidikan Matematika Vol 8, No 2 (2020): Delta Jurnal Ilmiah Pendidikan Matematika
Publisher : Universitas Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31941/delta.v8i2.1075

Abstract

Data memiliki peranan yang sangat penting dalam berbagai aspek kehidupan. Ketika memiliki dua jenis data, maka hal menarik yang diketahui dalah peluang kedua jenis data tersebut dapat terjadi secara serentak/bersamaan. Hal ini berarti bahwa perlu dikonstruksi distribusi bivariatnya, baik fungsi peluang maupun fungsi distribusi (fungsi peluang kumulatif). Dalam mengkonstruksi distribusi bivariat, diperlukan distribusi marginal dari masing-masing data serta perlu diketahui sifat kebergantungannya. Adanya informasi mengenai kebergantungan pada data akan mempengaruhi teknik yang digunakan dalam mengkonstruksi distribusi bivariatnya. Jika data memiliki kebergantungan, maka mengkonstruksi distribusi bivariatnya dapat menggunakan Copula. Copula merupakan salah satu alat popular yang digunakan untuk mengkonstruksi distribusi bivariat maupun multivariat dengan implikasi kebergantungan. Namun, ketika data berasal dari distribusi marginal diskrit maka mengkonstruksi distribusi bivariat Copula secara langsung akan menghasilkan Copula C yang tidak unik sesuai dengan teorema Sklar. Akibatnya, akan menghasilkan interprestasi yang tidak jelas, terutama pada sifat kebergantungannya. Oleh sebab itu, perlu adanya teknik tertentu dalam mengkonstruksi distribusi bivariat Copula pada data marginal diskrit. Idenya, dengan mengkontinukan distribusi marginalnya melalui transformasi jitters. Hasil transformasi jitters inilah yang kemudian digunakan untuk mengkonstruksi distribusi bivariat Copula. Distribusi bivariat Copula pada data jitters sama dengan distribusi bivariat pada data aslinya karena data jitters mampu mempresentasikan data aslinya. Adapun Copula yang digunakan adalah Copula Clayton. Semua proses mengkonstruksi distribusi bivariat Copula Clayton pada data marginal diskrit dengan implikasi kebergantungan akan diilustrasikan melalui data simulasi.
PEMODELAN KEBERGANTUNGAN DALAM MENGKONSTRUKSI DISTRIBUSI BIVARIAT COPULA FRANK PADA DATA MARGINAL DISKRIT MELALUI TRANSFORMASI NORMAL STANDAR DAN JITTERS Andi - Fitriawati; Dani Al Mahkya; Radot MH Siahaan; Dian Anggraini
VARIANCE: Journal of Statistics and Its Applications Vol 2 No 1 (2020): VARIANCE: Journal of Statistics and Its Applications
Publisher : Statistics Study Programme, Department of Mathematics, Faculty of Mathematics and Natural Sciences, University of Pattimura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/variancevol2iss1page1-13

Abstract

Data diskrit merupakan data empirik hasil realisasi variabel acak diskrit maupun kontinu. Ketika memiliki dua jenis data diskrit, seringkali ingin dikonstruksi distibusi bivariatnya untuk berbagai keperluan, baik fungsi peluang maupun fungsi distribusinya. Namun, saat data yang dimiliki terdapat kebergantungan, maka mengkonstruksi distibusi bivariatnya tidaklah mudah. Oleh sebab itu, digunakan Copula. Permasalahan lain timbul ketika data yang dimiliki tidak hanya memiliki kebergantungan tetapi juga berasal dari marginal diskrit. Berdasarkan teorema Sklar, penggunaan Copula dalam mengkonstruksi distribusi bivariat pada marginal diskrit akan menghasilkan suatu Copula C yang tidak unik. Akibatnya akan menimbulkan interprestasi yang tidak jelas, terutama untuk sifat kebergantungannya. Oleh sebab itu, diperlukan suatu teknik untuk mengkonstruksi distribusi bivariat dari data tersebut, yaitu dengan mengkontinukan distribusi marginalnya. Mengkontinukan distribusi marginalnya dilakukan melalui transformasi normal standar dan jitters. Hasil trasnformasi mampu mempresentasikan data aslinya. Hal ini terlihat dari perilaku penyebaran data dan ukuran kebergantungan dari data hasil transformasi dengan data aslinya adalah sama. Ukuran kebergantungan yang digunakan, yaitu Korelasi Pearson dan Kendall’s tau. Selanjutnya, hasil transformasi ini kemudian digunakan untuk mengkontrusksi distribusi bivariat dari data yang dimiliki menggunakan Copula. Copula yang digunakan adalah Copula Frank dengan asumsi bahwa data tidak memiliki kebergantungan ekor atas maupun bawah. Jadi, fungsi peluang bivariat dan/atau fungsi distribusi bivariat dari data hasil transformasi mempresentasikan fungsi peluang bivariat dan/atau fungsi distribusi bivariat dari data aslinya. Seluruh prosesnya akan diilustrasikan melalui data simulasi.
Expected Value Premium Principle Pada Data Reasuransi Radot Mh Siahaan; Dian Anggraini; Andi Fitriawati; Dani Al Makhya
Unisda Journal of Mathematics and Computer Science (UJMC) Vol 6 No 2 (2020): Unisda Journal of Mathematics and Computer science
Publisher : Mathematics Department of Mathematics and Natural Sciences Unisda Lamongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52166/ujmc.v6i2.2116

Abstract

The amount of stop loss cover reinsurance using krone as Danish currency. The stop loss cover reinsurance scheme with a retention value of r = 50 million krone from fire insurance data in Denmark from 1980-1990 with truncate date at 10 million krone, resulting in a conditional expected value that decreases in value when the higher the threshold value. This is indicated by the threshold value of 1 = 2.976 resulting in pure premium of 1 = 0.1217, a threshold value of 2 = 10.0539 resulting in pure premium 2 = 0.0867 and a threshold value of 3 = 26.199 resulting in pure premium 3 = 0.0849. The use of expected value premium principle with the loading factor () is weighted to the value of the pure premium represented by. This is indicated by the weight of premium 1 = 0.13387, the weight of the premium 2 = 0.09537 and the weight of premium 3 = 0.09339.
Pemodelan dan prediksi jumlah penumpang pelabuhan bakauheni selama periode tsunami Selat Sunda menggunakan autoregressive integrated moving average Dani Al Mahkya; Dian Anggraini; Andi Fitriawati; Radot MH Siahaan
Journal of Science and Applicative Technology Vol 4 No 1 (2020): Journal of Science and Applicative Technology June Chapter
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM), Institut Teknologi Sumatera, Lampung Selatan, Lampung, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (536.671 KB) | DOI: 10.35472/jsat.v4i1.266

Abstract

Bakauheni Port is a ferry port located in Bakauheni District, South Lampung. This port is one of the major ports located on Sumatera island connecting Sumatera and Java and is located in the Sunda Strait. The tsunami that occurred in the Sunda Strait on December 22, 2018 indirectly affected the sea crossing node, especially the Bakauheni-Merak route. This can lead to changes in time series data patterns. The phenomenon is expected to be captured through a mathematical modeling that can be used as a decision making in the future. The purpose of this study was to model and predict the number of Bakauheni port passengers during the Sunda Strait Tsunami period using the Autoregressive Integrated Moving Average (ARIMA). The ARIMA approach uses past information as a basis for modeling. Based on visual information on the number of Bakauheni Port passengers, there was an increase in December in general. Other information is that there are seasonal patterns that occur with a span of 7 days. This was indicated by the pattern of repeated increases in the number of passengers every Sunday. After the tsunami, the number of passengers decreased for 2 days. In the 3 days after the Tsunami or during the Christmas holiday on December 25, 2018, the number of passengers has increased again. Based on the analysis and discussion that has been done, the best time series model obtained is ARIMA([5],1,2)(2,1,0)7 with a Mean Absolute Percentage Error (MAPE) of 9.55%.
PENENTUAN CURAH HUJAN MENGGUNAKAN RANTAI MARKOV DI BEBERAPA DAERAH PROVINSI BANTEN Ahmad Shulhany; Andi Fitriawati; Dina Prariesa; Yoshua Yeremy Budiman; Karina Ayudhia Sasmito
STATMAT : JURNAL STATISTIKA DAN MATEMATIKA Vol 4, No 2 (2022)
Publisher : Math Program, Math and Science faculty, Pamulang University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/sm.v4i2.28077

Abstract

Rantai markov merupakan salah satu model proses stokastik yang menyatakan bahwa peluang keadaan yang akan datang , hanya dipengaruhi oleh peluang keadaan terdekat sebelumnya yaitu . Salah satu penerapan dari Rantai Markov adalah penentuan curah hujan berdasarkan data yang diperoleh. Pengamatan untuk Rantai Markov dengan tiga keadaan diperoleh dari website NASA Prediction of Worldwide Energy Resource. Data yang diperoleh adalah data curah hujan di beberapa daerah di Provinsi Banten, yaitu Kota Cilegon, Kota Serang, Kota Tangerang, Kota Tangerang Selatan, Kabupaten Serang, Kabupaten Lebak, Kabupaten Pandeglang, dan Kabupaten Tangerang. Dari data tersebut, ditentukan matriks transisi satu langkah yang diperoleh. Matriks transisi tersebut diolah menggunakan perkalian matriks biasa, memanfaatkan nilai eigen, serta rumus khusus untuk menghitung matriks transisi dengan n langkah. Penentuan distribusi peluang Rantai Markov  langkah dengan tiga keadaan dilakukan dengan pengamatan kekonvergenan peluang transisi.
Penerapan Metode Structural Equation Modelling dengan Path Analysis untuk Menganalisis Pengaruh Motivasi Orang Tua dan Kondisioning Rumah terhadap Akhlak (Mandiri, Kerja Keras, dan Tanggung Jawab) Siswa Mayawi; Ariestha Widyastuty Bustan; Nurhayati; Andi fitriawati; Munazat Salmin
Amalgamasi: Journal of Mathematics and Applications Vol. 1 No. 1 (2022): Amalgamasi: Journal of Mathematics and Applications
Publisher : Universitas Pasifik Morotai

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (883.862 KB) | DOI: 10.55098/amalgamasi.v1.i1.pp18-24

Abstract

Membentuk akhlak merupakan hal mendasar dan paling penting dalam penyelenggaraan pendidikan. Orang tua  sebagai bagian dari penyelenggara pendidikan informal harus selalu mengajarkan pendidikan akhlak seperti nasihat, bimbingan, disiplin, dan arahan yang berlandaskan nilai-nilai ajaran. Khususnya bagaimana orang tua memberikan motivasi kepada anaknya serta memberikan kondisi lingkungan keluarga atau pengondisian rumah yang baik dalam membentuk akhlak seorang anak agar memiliki kemandirian, kerja keras dan tanggung jawab. Data pada penelitian ini menggunakan data akhlak mulia siswa sekolah menengah pertama yang dianalisis menggunakan SEM dengan Path Analysis. Terdapat 5 variabel manifest yaitu motivasi orang tua, kondisioning rumah, kemandirian, kerja keras dan tanggung jawab. Motivasi orang tua dan kondisioning rumah berpengaruh terhadap kemandirian dan tanggung jawab siswa. Adapun motivasi orang tua dan kondisoning rumah juga secara tidak lagsung berpengaruh terhadap kerja keras siswa. Selanjutnya kemandirian berpengaruh langsung terhadap tanggung jawab siswa dan kamandirian serta tanggung jawab juga berpengaruh secara langsung terhadap kerja keras siswa. Dari hasil Uji Goodness of Fit terhadap model pada gambar di atas menunjukkan probabilitas nilai chi-square di atas 0,05. Adapun semua nilai GFI, AGFI, TLI dan CFI diatas 0,9 serta nilai RMSEA dibawah 0,08 sehingga dapat disimpulkan bahwa model diatas didukung oleh data atau model tersebut fit
Co-Authors Amris Amris Bustan, Ariestha Widyastuty Dani Al Mahkya Dani Al Makhya Dian Anggraini Dian Anggraini Dian Anggraini Dian Anggraini Dina Prariesa Karina Ayudhia Sasmito Mayawi Munazat Salmin Nurhayati Radot Mh Siahaan Radot MH Siahaan Radot MH Siahaan Shulhany M, Ahmad Siahaan, Radot MH Werry Febrianti Yoshua Yeremy Budiman