Article Per Year (5 Year)
p-Index From 2019 - 2024
0
P-Index
This Author published in this journals
All Journal PROSIDING SEMINAR NASIONAL Jurnal Statistika Universitas Muhammadiyah Semarang Value Added : Majalah Ekonomi dan Bisnis
Moh. Yamin Darsyah
Unknown Affiliation
Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Social Sciences

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
SMALL AREA ESTIMATION PADA TINGKAT KEMISKINAN DI PROVINSI JAWA TENGAH DENGAN PENDEKATAN EMPIRICAL BEST LINIER UNBIASED PREDICTION Wijaya, Arianto; Darsyah, Moh. Yamin; Suprayitno, Iswahyudi Joko
PROSIDING SEMINAR NASIONAL & INTERNASIONAL 2017: Prosiding Seminar Nasional Pendidikan, Sains dan Teknologi
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (443.082 KB)

Abstract

Poverty is a complex problem for every country, similar to Indonesia. Poverty isone of the important measures to determine the level of welfare of a household.Factors that cause poverty include low income, the number of familydependents, health, and education levels that characterize poor families inIndonesia. The purpose of this research is to know the level of impact atdistricts level in Central Java Province by using Small Area Estimation (SAE)method with Empirical Best Linier Prediction (EBLUP) approach. The dataused in this research are poverty data obtained from SUSENAS of Central JavaProvince with the response variable that is the number of poor population,while as the participant variable is selected gross enrollment rate (X1), schoolparticipation rate (X2), health insurance (X3), goods per capita (X4) and lifeexpectancy (X5). The results of the MSE study of the SAE model were smallerthan the direct predicted MSE, indicating the SAE model was better than thedirect estimates in the estimated number of poor people in each district inCentral Java Province.Keywords : Poverty Rate, SAE and EBLUP.
ANALISIS PENGARUH STATUS BEKERJA TERHADAP JENIS KELAMIN DAN UMUR DENGAN PENDEKATAN BINARY LOGISTIC REGRESSION Syamsul Rizal; Imaroh Izzatun Nisa; Moh. Yamin Darsyah
PROSIDING SEMINAR NASIONAL & INTERNASIONAL 2017: Prosiding Seminar Nasional Pendidikan, Sains dan Teknologi
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (568.537 KB)

Abstract

One of method of Data Analysis Category used to determine the effect of the relationship with the response variable of type nominal is using Binary LogisticRegression (BLR) approach. BLR is used for data whose response variable isdata consisting of two categories, with one predictor variable or more, bothcategorical and continuous. In determining the degree of workforce inIndonesia, one indicator that can be used is the status of working. Status workdefined into two, namely the status is still working and the status does not work.Variabel used in this study is the working status ( Y) as the response variablewith category 1 is still working, category 0 does not work, while the predictorvariables are education level (X1) and gender (X2). There are 2 variables thataffect the model of education variables (X1) and age (X2). The accuracyclassification is 87%. Keywords: Working Status, BLR,Classification
PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TENGAH MENGGUNAKAN METODE K-MEANS DAN FUZZY C-MEANS Rahman Hidayat; Rochdi Wasono; Moh. Yamin Darsyah
PROSIDING SEMINAR NASIONAL & INTERNASIONAL 2017: Prosiding Seminar Nasional Pendidikan, Sains dan Teknologi
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (663.508 KB)

Abstract

The Poverty is still a serious problem, especially in Indonesia. Central Java is the province with the highest percentage of poor people in Java Island 13, 19%,the figure is above the national poverty rate. In this research will be an analysisof the factors affecting poverty in Central Java. The statistical approach used inthis case is cluster analysis. Cluster analysis is an analysis that aims to classifyan object (region) based on similarity characteristics of data. The method usedis the method of K-Means and Fuzzy C-Means. The object of research isgrouped into 4 clusters. The result of grouping shows that K-Means method isthe best method based on SW and SB ratio of 0.124. Keywords: Data Mining, K-means, Fuzzy C-Means
SMALL AREA ESTIMATION UNTUK PEMETAAN KEMISKINAN DI KABUPATEN DEMAK Moh. Yamin Darsyah; Setia Iriyanto; Iswahyudi Joko S
PROSIDING SEMINAR NASIONAL & INTERNASIONAL 2014: PROSIDING SEMINAR NASIONAL HASIL - HASIL PENELITIAN & PENGABDIAN
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Small area statistic is very interested in various fields at present. Estimation of small area is needed to obtain information on a small area, such as the scope of the district, subdistrict, or village. Such information becomes very important with the development of regional autonomy in Indonesia because it can be used as reference to construct a system ofplanning, monitoring, and other government policies without the cost of large to collect the data itself. The method being developed to predict small area statistics is the estimation of small area (small area estimation). Estimation for small areas in this study is applied to estimate poverty mapping of distric level in Demak. The result of poverty mapping in demak shows that population density become dominan factor poverty in some areas of demak.
LASIFIKASI INDEKS PEMBANGUNAN MANUSIA (IPM) DENGAN PENDEKATAN K-NEARSET NEIGHBOR (K-NN) Moh. Yamin Darsyah
PROSIDING SEMINAR NASIONAL & INTERNASIONAL 2017: Prosiding Seminar Nasional Pendidikan, Sains dan Teknologi
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (174.342 KB)

Abstract

Human development index (HDI) is one of measuring instrument of achieving quality of life of one region even country. There are three basic components of the Human Development Index compilers: health dimension, knowledge dimension, and decent living dimension. To measure the health dimension, we use life expectancy at birth, knowledge dimension is used combination of indicator of old school expectation and mean of school length, and life dimension suitable for use indicator ability of people purchasing power to some basic requirement seen from mean of expense per customized capita. Data mining works to gather information from a large amount of data. Jobs that are closely related to data mining are prediction models, group analysis, association analysis, and anomaly detection. One of the classification methods contained in data mining and is often used and produces a fairly good accuracy is the K-Nearset Neighbor (k-NN) method. The absence of research on the classification or grouping of Human Development Index withK-Nearset Neighbor (k-NN) method will be done by using k-NN method with k value of 1, 5, and 10. With the ultimate goal of comparing the accuracy of kaslifikasi between value k on the k-NN method. The result of classification of IPM by using k-NN method with k value of 5 and 10 obtained classification accuracy of 91.43% which is the best classification accuracy, with sensitivity of 100% and 83.33%. Key words: HDI , Classification, K-Nearset Neighbor, Accuracy
KLASIFIKASI INDEKS PEMBANGUNAN MANUSIA KABUPATEN/KOTA SE-INDONESIA DENGAN PENDEKATAN SMOOTH SUPPORT VECTOR MACHINE (SSVM) KERNEL RADIAL BASIS FUNCTION (RBF) Fatkhurokhman Fauzi; Moh. Yamin Darsyah; Tiani Wahyu Utami
PROSIDING SEMINAR NASIONAL & INTERNASIONAL 2017: Prosiding Seminar Nasional Pendidikan, Sains dan Teknologi
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (532.023 KB)

Abstract

Human Development Index (HDI) is a measure of human development achievementbased on basic components of quality of life. The human development index is low ifthe HDI is less than 60, moderate HDI between 60 to less than 70, high HDI between70 to less than 80, and equal to 80 and more than 80 are high. Smooth SupportVector Machine (SSVM) is a classification technique that is new. The algorithm usedis Radial Basis Function (RBF). The result of human development sperm using SSVMmethod with RBF kernel is 100%. With 41 districts / cities including low HDI. While332 districts / cities are included in medium HDI coverage, 134 districts / cities areincluded in the high HDI, and 12 districts / cities including HDI is very high. Keywords : Human Development Index, Smooth Support Vector Machine (SSVM), Radial Basis Function (RBF), accuracy, classification.
Peramalan Pola Data Musiman Dengan Model Winters & ARIMA Moh. Yamin Darsyah
Value Added : Majalah Ekonomi dan Bisnis Vol 11, No 1 (2015): Value Added : Majalah Ekonomi dan Bisnis
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (947.905 KB) | DOI: 10.26714/vameb.v11i1.1948

Abstract

Peramalan merupakan seni dan ilmu untuk memperkirakan kejadian di masa depan, sehingga hasil dari peramalan dapat digunakan oleh pemangku kebijakan dalam mengambil kebijakan strategis untuk menyelesaikan persoalan dimasa mendatang. Peramalan melibatkan analisis time series dimana urutan pengamatan berdasarkan interval waktu yang sama dan pengamatan tersebut memiliki korelasi. Model time series yang digunakan pada penelitian ini antara lain model winters dan model ARIMA yang diaplikasikan pada data debit air di telaga warna. Pemilihan model terbaik dengan meggunakan nilai MSE terkecil. Berdasarkan hasil perbandingan model time series diperoleh model terbaik dengan MSE terkecil yaitu pada model ARIMA.Kata Kunci : Model winters, Model ARIMA, Debit Air.
MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI KEJADIAN KONSTIPASI TERHADAP PEMBERIAN AIR SUSU IBU DAN PEMBERIAN AIR SUSU FORMULA Ria Muslikah; Moh. Yamin Darsyah
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 2 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (125.834 KB) | DOI: 10.26714/jsunimus.3.2.2015.%p

Abstract

Salah satu metode Regresi Nonparametrik yang digunakan untuk klasifikasi dan mengatasi permasalahan data yang berdimensi tinggi yaitu menggunakan Multivariate Adaptive Regression Spline (MARS). MARS juga digunakan memperbaiki kelemahan dengan menghasilkan model yang kontinu dalam knot berdasarkan nilai generalized cross validation (GCV) terkecil. Dalam menentukan derajat kesehatan di indonesia, terdapat beberapa indikator yang dapat digunakan antara lain angka kematian bayi, angka kesakitan bayi, status gizi dan angka harapan hidup waktu lahir. Salah satu contoh masalah mordibitas atau angka kesakitan yang dialami bayi dan anak balita yaitu sembelit atau konstipasi. Tujuan dari penelitian ini yaitu untuk mengklasifikasikan dan menganalisis kejadian konstipasi terhadap pemberian ASI eksklusif dan pemberian susu formula pada bayi usia 6-12 bulan .Variabel yang digunakan dalam penelitian ini adalah kejadian konstipasi (Y) sebagai variabel dependen dengan kategori 1 adalah terjadi konstipasi, kategori 0 tidak terjadi konstipasisedangkan variabel independennya yaitu frekuensi BAB < 5 kali (X1), pemberian makanan bayi pada usia 6 bulan (X2), tinja padat (X3), menangis (X4), mengejan (X5), kesakitan (X6). Model MARS terbaik dengan kombinasi Funsi Basis (BF), maksimum interaksi (MI), dan minimum observasi (MO) secara Trial and error. Model MARS terbaik untuk klasifikasi kejadian konstipasi yaitu BF=24, MI=2, dan MO=0.Terdapat lima variabel yang berpengaruh terhadap model yaitu variabel frekuensi defekasi atau BAB < 5 kali (X1), pemberian makanan bayi pada usia 6 bulan (X2), Konsistensi tinja padat (X3), Mengejan (X4) dan kesakitan (X5).Kata Kunci : MARS, GCV, Konstipasi
MENAKAR TINGKAT AKURASI SUPPORT VECTOR MACHINE STUDY KASUS KANKER PAYUDARA Moh. Yamin Darsyah
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 1, No 1 (2013): Jurnal Statistika
Publisher : Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Muham

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (125.938 KB) | DOI: 10.26714/jsunimus.1.1.2013.%p

Abstract

Kanker payudara adalah salah satu jenis kanker yang paling banyak menyerang kaum wanita. Menurut WHO 8-9% wanita akan mengalami kanker payudara. Pada tahun 2000 yang lalu WHO memperkirakan 1,2 juta wanita terdiagnosis kanker payudara dan lebih dari 700.000 meninggal dunia (WHO, 2005). Di Indonesia, pada tahun 2005 kanker payudara menduduki peringkat kedua setelah kanker leher rahim diantara kanker yang menyerang wanita Indonesia. Kanker ini sering menyebabkan kematian jika penangannya terlambat. Oleh karena itu, deteksi dini penyakit kanker payudara sangat diperlukan. Dewasa ini, penggunaan machine learning untuk diagnosis atau prognosis suatu penyakit telah banyak dilakukan. Dalam penelitian ini, ada metode yang terkenal dalam machine learning yaitu Support Vector Machine (SVM) digunakan untuk analisis diagnosis dan prognosis kanker payudara. SVM merupakan salah satu machine learning yang mempunyai beberapa kelebihan, diantaranya bisa memodelkan dan mengklasifikasikan hubungan antar variabel tanpa perlu asumsi yang ketat, efisien, dan interpretasinya mudah. SVM dalam mengklasifikasikan kategori penyakit penyakit kanker payudara akan bandingkan dengan metode statistika lainnya yaitu  Regresi Logistik dan CART . Selanjutnya masing- masing hasil metode klasifikasi tersebut akan bandingkan dengan hasil dugaan K-Mean dan Kernel K-Mean Clustering.  Maka dapat simpulkan seberapa akurat dan efisien antara SVM, Regresi Logistik,  dan CART  dalam ketepatan akurasi.   Kata Kunci: Kanker Payudara, SVM, Regresi Logistik, CART, K- Mean dan Kernel K-Mean
PERBANDINGAN KURVA PADA DISTRIBUSI UNIFORM DAN DISTRIBUSI BINOMIAL Moh. Yamin Darsyah; Dwi Haryo Ismunarti
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 1, No 1 (2013): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (107.646 KB) | DOI: 10.26714/jsunimus.1.1.2013.%p

Abstract

Suatu percobaan dapat dikatakan menarik jika terlihat pada hasil percobaannya itu sendiri. Besaran – besaran yang menjadi perhatian dari hasil percobaan diperoleh berdasakan pengacakan data atau yang sering disebut peubah acak yang termasuk dalam sebaran peluang diskret. Nilai suatu peubah acak ditentukan oleh hasil percobaannya, sehingga dapat memberi peluang kepada berbagai kemungkinan nilai peubah acak. Salah satu contoh dari peubah acak adalah peubah acak binomial dan peubah acak uniform yang  merupakan sama – sama distribusi peluang diskret. Distribusi binomial merupakan pengembangan dari distribusi bernouli dimana dari suatu percobaan yang menghasilkan, sukses atau gagal, dengan peluang kejadian suksesnya pada setiap kejadian adalah konstant. Distribusi uniform yaitu peubah acaknya memperoleh semua nilainya dengan peluang yang sama, biasanya distribusi ini bergantung pada parameter k. Percobaan pada penelitian ini digunakan software minitab yang ada di Laboratorium Statistika untuk mendapatkan variabel acak binomial dan uniform. Tujuan yang akan dicapai dalam percobaan ini adalah untuk mengetahui perbandingan  kurva hasil bangkitan data dan untuk mengetahui perbandingan nilai parameter hasil bangkitan data. Kata Kunci : Peubah Acak, Distribusi Diskret, Distribusi Binomial, Distribusi Uniform.
Co-Authors - Pristiyani Abdul Karim Devi Sumayya Sara Dwi Haryo Ismunarti Fatkhurokhman Fauzi Imaroh Izzatun Nisa Indah Manfaati Nur Iswahyudi Joko S Iswahyudi Joko Suprayitno Mega Kartika Lestari Monica Firda Agustina MUHAMMAD AGUS SUPRAYUDI Muhammad Saifudin Nur Prisca Shery Camelia Rahman Hidayat Rena Muntafiah Ria Muslikah Rochdi Wasono Setia Iriyanto Tiani Wahyu Utami Ujiati Suci Rahayu Wijaya, Arianto