Article Per Year (5 Year)
p-Index From 2019 - 2024
1.037
P-Index
This Author published in this journals
All Journal Media Statistika Jurnal Statistika Industri dan Komputasi
Maria Titah Jatipaningrum
Jurusan Statistika, Fakultas Sains Terapan, Institut Sains & Teknologi AKPRIND Yogyakarta
Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Mathematics

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
ANALISIS PENGARUH LOKASI DAN KARAKTERISTIK KONSUMEN DALAM MEMILIH MINIMARKET DENGAN METODE REGRESI LOGISTIK DAN CART Rokhana Dwi Bekti; Noviana Pratiwi; Maria Titah Jatipaningrum; Dina Auliana
MEDIA STATISTIKA Vol 10, No 2 (2017): Media Statistika
Publisher : Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (236.317 KB) | DOI: 10.14710/medstat.10.2.119-130

Abstract

Konsumen saat ini memiliki banyak pilihan untuk berbelanja memenuhi kebutuhan sehari-hari, baik di pasar modern maupun tradisional, serta ritel khususnya dalam bentuk minimarket. Dengan demikian persaingan antar minimarket juga sangat tinggi. Setiap minimarket memiliki strategi pemasaran yang berbeda-beda, karena karakteristik konsumen dalam berbelanja juga berbeda-beda. Dalam strategi pemasaran, informasi dari berbagai aspek, yaitu dapat dari segi konsumen, pasar, pesaing, maupun produk sangat diperlukan. Pada penelitian ini melakukan analisis factor yang berpengaruh pada minat konsumen yang berbelanja di minimarket. Factor yang dikaji adalah dari segi konsumen, baik karakteristik maupun lokasi tempat tinggal. Data yang digunakan adalah data primer dengan melakukan survey wawancara pada konsumen di Kecamatan Ngaglik, Kab. Sleman, DIY. Sedangkan sampel minimarket adalah Indomaret. Metode analisis yang digunakan adalah regresi logistik dan Classification and Regression Trees (CART). Hasil analisis menunjukkan bahwa faktor-faktor yang signifikan berpengaruh terhadap minat belanja di Indomaret dengan metode regresi logistik adalah variabel jenis kelamin, pengeluaran rata-rata perbulan, dan lokasi tempat tinggal konsumen. Sedangkan factor berperan penting dalam pembentukan pohon klasifikasi CART adalah juga lokasi. Apabila dibandingkan berdasarkan nilai ketepatan klasifikasi, metode CART, sebagai metode nonparametrik yang tidak memiliki asumsi distribusi tertentu, menghasilkan ketepatan klasifikasi yang lebih tinggi dibandingkan regresi logistik.
SISTEM INFERENSI FUZZY MAMDANI DAN TSUKAMOTO DALAM SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN VOLUME IMPOR MINYAK BUMI DI INDONESIA Fitria Yoga Febriliana; Maria Titah Jatipaningrum
Jurnal Statistika Industri dan Komputasi Vol. 5 No. 01 (2020): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

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

Abstract

Menurunnya produksi minyak bumi dan meningkatnya konsumsi BBM (Bahan Bakar Minyak) menyebabkan terjadinya peningkatan impor minyak bumi di Indonesia. Dengan mempertimbangkan variabel-variabel yang mempengaruhi volume impor minyak bumi, dapat dibangun suatu sistem pendukung keputusan berbasis Sistem Inferensi Fuzzy. Sistem Inferensi Fuzzy Mamdani dan Tsukamoto diterapkan dalam Sistem Pendukung Keputusan dengan melakukan langkah-langkah dalam algoritma masing-masing metode, serta melakukan seleksi kombinasi metode fuzzifikasi dan defuzzifikasi. Pada penelitian ini diperoleh hasil bahwa kombinasi metode terbaik untuk menentukan volume impor minyak bumi di Indonesia pada metode Mamdani adalah fuzzifikasi kurva-s dengan defuzzifikasi MOM (Mean of Maximum), sedangkan pada metode Tsukamoto adalah fuzzifikasi kurva-s dengan defuzzifikasi rata-rata terpusat. Hasil perbandingan MAPE (Mean Absolute Percentage Error) dalam Sistem Pendukung Keputusan antara Sistem Inferensi Fuzzy Mamdani dan Tsukamoto menunjukkan bahwa Sistem Inferensi Fuzzy Mamdani menghasilkan nilai MAPE yang lebih kecil yaitu 3,22% dibandingkan Sistem Inferensi Fuzzy Tsukamoto yaitu 9,33%. Implementasi hasil penelitian dilakukan dengan memasukkan nilai input waktu yang akan datang yang diperoleh dari proses peramalan Double Exponential Smoothing kedalam program yang telah dibuat dan didapatkan hasil volume impor minyak bumi untuk tahun 2018, 2019, dan 2020 menggunakan metode Mamdani berturut-turut adalah 388,453 juta barel, 389,12 juta barel, dan 389,12 juta barel. Sedangkan menggunakan metode Tsukamoto didapatkan hasil keputusan untuk tahun 2018, 2019, dan 2020 berturut-turut adalah 368,495 juta barel, 369,596 juta barel, dan 369,596 juta barel.
PERAMALAN JUMLAH PENUMPANG PENERBANGAN INTERNASIONAL DI BANDAR UDARA INTERNASIONAL SOEKARNO HATTA DENGAN METODE HOLT-WINTERS EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA Demeytris Suryani Fahik; Maria Titah Jatipaningrum
Jurnal Statistika Industri dan Komputasi Vol. 6 No. 01 (2021): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

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

Abstract

Banyak masyarakat dan turis yang datang atau pergi dari Indonesia melalui Bandar Udara Internasional Soekarno Hatta. Saat ini pesawat udara menjadi pilihan yang diminati masyarakat karena dapat menempuh waktu yang singkat dengan jarak yang jauh. Hal tersebut mengantisipasi kesiapan pihak bandar udara dalam menyediakan fasilitas dan pelayanan yang terbaik bagi kenyamanan masyarakat. Peramalan jumlah penumpang sangat penting untuk perencanaan penyediaan dan peningkatan fasilitas bandar udara di masa mendatang. Metode peramalan Seasonal ARIMA dan Holt-Winters Exponential Smoothing merupakan metode yang mampu menangani data yang berpola musiman sekaligus bersifat trend. Jumlah penumpang di Bandar Udara Internasional Soekarno Hatta memiliki pola berulang (musiman) dan juga membentuk pola trend naik. Karena menunjukkan pola trend naik dan pola musiman dengan variasi musiman yang semakin membesar, maka pemilihan metode peramalan Holt-Winters Exponential Smoothing model multiplikatif dan Seasonal ARIMA adalah tepat untuk diimplementasikan pada data. Perbandingan metode peramalan dilakukan untuk mendapatkan tingkat akurasi model yang tinggi, dengan menggunakan data aktual pada periode Januari 2017 sampai November 2019. Peramalan dengan metode Holt-Winters Exponential Smoothing model multiplikatif dengan modifikasi Golden Section menghasilkan nilai MAPE sebesar 4,407%. Sedangkan peramalan dengan metode Seasonal ARIMA model (3,1,0)(0,1,1)12 menghasilkan nilai MAPE sebesar 5,306%. Dengan demikian metode yang terpilih adalah metode Holt-Winters Exponential Smoothing model multiplikatif dengan modifikasi Golden Section karena memiliki nilai MAPE lebih kecil dan lebih baik dalam meramalkan jumlah penumpang penerbangan internasional di Bandar Udara Internasional Soekarno Hatta dan hasil peramalan untuk satu tahun ke depan, pada bulan Maret 2020 diperkirakan mencapai 732.129 penumpang
PENERAPAN AUTOREGRESSIVE DISTRIBUTED LAG (ARDL) DALAM MEMODELKAN PENGARUH INDEKS HARGA KONSUMEN (IHK) TERHADAP INFLASI DI KOTA YOGYAKARTA Diaztri Hazam; Maria Titah Jatipaningrum
Jurnal Statistika Industri dan Komputasi Vol. 7 No. 01 (2022): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

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

Abstract

IHK merupakan indikator yang digunakan untuk mengukur tingkat inflasi. Hal ini dikarenakan apabila IHK suatu barang atau jasa naik dengan drastis dan mempengaruhi barang atau jasa lainnya, akan terjadi peningkatan inflasi yang cukup signifikan. Dalam penelitian ini, akan dilakukan analisis pengaruh IHK berdasarkan enam kelompok pengeluaran terhadap inflasi di Kota Yogyakarta. Metode yang akan digunakan adalah Autoregressive Distributed Lag (ARDL). Sebelum dilakukan pengujian, data harus distasioneritaskan dengan Phillips-Perron (PP) test dan memenuhi syarat stasioner di tingkat level nol I(0) atau first difference I(1). Setelah itu, dilakukan pemilihan model terbaik dengan panjang lag yang optimal berdasarkan nilai Akaike Info Criterion (AIC). Langkah selanjutnya merupakan uji kointegrasi menggunakan Bound Test Cointegration untuk mengetahui apakah model memiliki hubungan jangka panjang atau tidak. Hasil yang didapatkan bahwa seluruh variabel IHK dan inflasi telah stasioner di I(0) atau I(1), sehingga memenuhi syarat. Model dengan lag terbaik didapatkan pada model ARDL(4,3,6,5,6,4,6) dengan AIC sebesar -215,18819. Berdasarkan model yang telah terbentuk, diketahui bahwa terdapat kointegrasi. Kesimpulan yang dapat ditarik adalah variabel MKN, RMH, SDG, PND, dan TRP berpengaruh pada INFLASI pada jangka pendek dan tidak berpengaruh pada jangka panjang, sementara itu variabel SHT tidak berpengaruh pada inflasi pada jangka pendek dan jangka panjang.
KLASIFIKASI STATUS KEMISKINAN KABUPATEN/KOTA DI INDONESIA MENGGUNAKAN NAÏVE BAYES CLASSIFIER DAN CLASSIFICATION AND REGRESSION TREE Kristina Millenia Seran; Yudi Setyawan; Maria Titah Jatipaningrum; Febriani Astuti
Jurnal Statistika Industri dan Komputasi Vol. 9 No. 1 (2024): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v9i1.4819

Abstract

Indonesia masuk dalam 100 besar negara miskin dengan menempati urutan ke-73 di dunia. Diketahui persentase penduduk miskin dilihat pada Maret 2022 sebesar 5,94% atau 26,16 juta jiwa, meningkat pada September 2022 menjadi 9,57% atau 26,36 juta jiwa. Status kemiskinan adalah kondisi dimana seorang atau sekelompok orang tidak mampu memenuhi kebutuhan hidup. Kemiskinan juga dapat dipengaruhi oleh beberapa faktor seperti pengeluaran perkapita, rata-rata lama sekolah, tingkat pengangguran terbuka serta indeks pembangunan manusia. Data yang digunakan dalam penelitian ini yaitu data kabupaten/kota di Indonesia tahun 2022. Pada penelitian ini klasifikasi dilakukan dengan menggunakan metode Naïve Bayes Classifier dan Classification and Regression Tree. Kedua metode dilakukan dengan membagi data training dan data testing sebesar 90%:10%, 80%:20%, dan 70%:30%. Selain itu, dilakukan pengacakan sampel sebanyak 30 kali dengan fungsi set.seed(). Hasil analisis dengan kedua metode diperoleh metode Classification and Regression Tree lebih baik digunakan dengan rata-rata akurasi untuk proporsi data 90%:10% sebesar 77,81%, untuk proporsi data 80%:20% sebesar 78,31%, dan untuk proporsi data 70%:30% sebesar 79,67%. Sedangkan metode Naïve Bayes Classifier menghasilkan rata-rata akurasi untuk proporsi data 90%:10% sebesar 72,57%, untuk proporsi data 80%:20% sebesar 73,00%, dan untuk proporsi data 70%:30% sebesar 73,13%. Kedua metode ini masing-masing menghasilkan nilai akurasi yang tinggi pada proporsi data 70%:30%.
PERBANDINGAN METODE RANDOM FOREST DAN SUPPORT VECTOR MACHINE PADA KLASIFIKASI CURAH HUJAN DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA Sugeng Fauzi Mahendra; Yudi Setyawan; Maria Titah Jatipaningrum
Jurnal Statistika Industri dan Komputasi Vol. 9 No. 1 (2024): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v9i1.4840

Abstract

Curah hujan merupakan salah satu dari komponen iklim. Menurut Badan Meteorologi, Klimatologi dan Geofisika, curah hujan merupakan ketebalan air hujan yang terkumpul dalam satu luasan milimeter. Terdapat beberapa faktor yang mempengaruhi curah hujan diantaranya suhu, kelembapan, lama penyinaran dan kecepatan arah angin. Klasifikasi adalah teknik data mining yang bertujuan untuk memprediksi kategori yang tidak diketahui untuk setiap kasus data secara akurat. Penelitian ini bertujuan untuk melakukan klasifikasi curah hujan di Daerah Istimewa Yogyakarta menggunakan metode Random Forest dan Support Vector Machine dan melakukan perbandingan rerata keakuratan dengan tiga kali set.seed dan tiga proporsi data training dan data testing dari masing-masing metode. Untuk metode Random Forest melalui set.seed (107), proporsi data training dan data testing 70:30 diperoleh nilai akurasi terbesar 71,8% dengan prakiraan angka kejadian curah hujan selama 79 hari dari 110 hari. Untuk metode Support Vector Machine melalui set.seed (107), proporsi data training dan data testing 60:40 diperoleh nilai akurasi terbesar 93,83% dengan prakiraan angka kejadian curah hujan 137 hari dari 146 hari. Berdasarkan keakuratan yang dihitung melalui tiga kali set.seed dan tiga proporsi, metode support vector machine memiliki nilai akurasi yang lebih tinggi dengan nilai akurasi 90,25% dari metode random forest dengan nilai akurasi 70,5%.
Co-Authors Demeytris Suryani Fahik Diaztri Hazam Dina Auliana Febriani Astuti Fitria Yoga Febriliana Kristina Millenia Seran Noviana Pratiwi Rokhana Dwi Bekti Sugeng Fauzi Mahendra Yudi Setyawan