Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Official Statistics
Chaterina Dwi Puspita
Unknown Affiliation
Humanities Computer Science & IT Economics, Econometrics & Finance Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Prosiding Seminar Nasional Official Statistics

 1 
POLA KONSUMSI, ELASTISITAS PENDAPATAN, SERTA VARIABEL-VARIABEL SOSIAL EKONOMI YANG MEMENGARUHI PENGELUARAN KONSUMSI RUMAH TANGGA Chaterina Dwi Puspita; Neli Agustina
Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019
Publisher : Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (301.364 KB) | DOI: 10.34123/semnasoffstat.v2019i1.46

Abstract

Pengeluaran konsumsi rumah tangga merupakan indikator utama kesejahteraan rumah tangga. Pengeluaran konsumsi rumah tangga memiliki share terbesar terhadap Produk Domestik Regional Bruto (PDRB) di Provinsi Bengkulu, yaitu 64,80 persen pada tahun 2017. Selain itu, rata-rata laju pertumbuhan Produk Domestik Regional Bruto (PDRB) Provinsi Bengkulu (5,63 persen) lebih tinggi dari pada rata-rata laju pertumbuhan Produk Domestik Bruto (PDB) nasional (5,27 persen) pada tahun 2012-2017. Namun, pembangunan ekonomi yang baik di Provinsi Bengkulu tidak diikuti dengan rendahnya angka kemiskinan yang dapat menggambarkan kesejahteraan rumah tangga di provinsi tersebut. Angka kemiskinan Provinsi Bengkulu berada di atas angka kemiskinan nasional pada tahun 2012-2017. Penelitian ini bertujuan untuk menganalisis gambaran umum pola konsumsi dan kesejahteraan di Provinsi Bengkulu serta pengaruh perubahan pendapatan (elastisitas pendapatan) dan karakteristik rumah tangga terhadap pola konsumsi makanan dan bukan makanan. Analisis data dilakukan dengan menggunakan Fungsi Engel Kuadratik dan metode regresi berganda dengan estimasi Robust. Hasil penelitian menunjukkan tingginya angka kemiskinan di Provinsi Bengkulu sejalan dengan pola konsumsi untuk rumah tangga, baik miskin maupun tidak miskin, yang masih memiliki rata-rata proporsi pengeluaran konsumsi untuk makanan lebih besar daripada bukan makanan. Pengeluaran konsumsi rumah tangga di perdesaan lebih responsif terhadap perubahan pendapatan rumah tangga serta pendapatan dan karakteristik rumah tangga signifikan terhadap proporsi pengeluaran konsumsi untuk beberapa komoditas makanan dan bukan makanan.
PEMANFAATAN METODE WEIGHTED K-NEAREST NEIGHBOR IMPUTATION (WEIGHTED KNNI) UNTUK MENGATASI MISSING DATA Iman Jihad Fadillah; Chaterina Dwi Puspita
Seminar Nasional Official Statistics Vol 2020 No 1 (2020): Seminar Nasional Official Statistics 2020
Publisher : Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (208.516 KB) | DOI: 10.34123/semnasoffstat.v2020i1.409

Abstract

By 2020, almost all countries in the world will face the COVID-19 outbreak, including Indonesia. One of the impacts that occurred due to the COVID-19 pandemic was the obstruction of statistical activities, such as delayed or stopped carrying out survey and census data collection and other data collection. Meanwhile, to meet data demands and needs during the COVID-19 pandemic, the national statistical agencies must continue to collect data and provide statistical data. Therefore, the national statistical agency must adapt to the census and survey process activities carried out, such as finding alternative data collection modes, reducing sample sizes, modifying sample designs, reducing question items in questionnaires, or others. Based on this description, the adaptation of census / survey data collection activities carried out during the COVID-19 pandemic will affect the quality of the data produced. One of them is missing data. To solve the problem of missing data, one method that can be used is data imputation. One type of machine learning-based imputation method that is often used is Weighted K-Nearest Neighbor Imputation (Weighted KNNI). The Weighted KNNI method has better accuracy than the other two imputation methods (Unweighted KNNI and Mean Imputation) for each percentage of missing data, both the accuracy from the RMSE side and the accuracy from the MAPE side. Based on these results, seen from its accuracy, the KNNI Weighted method can be used as a solution to dealing with incomplete data during the current COVID19 pandemic
Co-Authors Iman Jihad Fadillah Neli Agustina