Article Per Year (5 Year)
p-Index From 2019 - 2024
0.817
P-Index
This Author published in this journals
All Journal Jurnal Statistika Industri dan Komputasi
Noviana Pratiwi
Jurusan Statistika, Fakultas Sains Terapan, IST AKPRIND Yogyakarta
Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Mathematics

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PENGUKURAN VALUE AT RISK (VaR) PORTOFOLIO OPTIMAL PADA INVESTASI SAHAM BANK BADAN USAHA MILIK NEGARA (BUMN) MENGGUNAKAN METODE VARIAN COVARIAN DAN METODE SIMULASI MONTE CARLO Syariah Syariah; Noviana Pratiwi
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

Value at Risk (VaR) merupakan salah satu ukuran risiko yang dapat digunakan untuk mengetahui maksimal kerugian dari suatu saham individu maupun portofolio pada periode mendatang. Penelitian ini membahas perbandingan perhitungan VaR metode varian-kovarian dan metode simulasi monte carlo yang kemudian kedua model akan divalidasi uji backtesting dengan kupiec POF-test pada sahan individu dan portofoio pada periode 23 Januari 2018 - 23 Januari 2019. Pengukuran Value at Risk dengan metode Varians Kovarians dan metode Simulasi Monte Carlo yang dibahas pada skripsi ini harga penutupan saham harian PT Bank Rakyat Indonesia (Persero) Tbk, PT Bank Mandiri (Persero) Tbk dan PT Bank Negara Indonesia (Persero) Tbk pada periode 23 Januari 2018 - 23 Januari 2019. Dari analisis Model Indeks Tunggal didapatkan bahwa proporsi yang dialokasikan untuk saham BBRI.JK sebesar 28%, BMRI.JK sebesar 46% dan BBNI.JK sebesar 24% dengan metode varian kovarian untuk tingkat kepercayaan 95% diperoleh hasil Value at Risk (VaR) masing-masing saham BBRI.JK 3.31%, BMRI.JK 3.58%, BBNI.JK 3.91% dan portofolio 3.10% sedangkan dengan metode simulasi monte carlo diperoleh hasil rata-rata Value at Risk (VaR) dengan tiga belas kali simulasi untuk masing-masing saham BBRI.JK -3.3% BMRI.JK -3.5% BBNI.JK -3.7% dan portofolio -2.2%. Berdasarkan uji backtesting nilai VaR Portofolio kedua metode tidak akurat.
PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS KETAHANAN PANGAN DENGAN MENGGUNAKAN PENDEKATAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) Prismakawa Punggodewi; Noviana Pratiwi
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

Multivariate Adaptive Regression Spline (MARS) merupakan analisis regresi dengan pendekatan nonparametrik yang digunakan ketika hubungan antara variabel respon terhadap variabel prediktor tidak membentuk suatu pola tertentu. MARS merupakan perkembangan dari regresi spline truncated linier yang dikombinasikan dengan recursive partitioning regression. Model MARS terbaik adalah model yang memiliki kombinasi basis function (BF), maximum interaction (MI), dan minimum observation (MO) yang menghasilkan nilai Generalized Cross Validation (GCV) yang paling kecil. Tujuan dari adanya penelitian ini untuk mendapatkan model regresi dari faktor-faktor yang mempengaruhi Indeks Ketahanan Pangan (IKP) sehingga dapat mengetahui kontribusi masing-masing faktor dalam nilai IKP. Berdasarkan hasil pemodelan faktor-faktor yang mempengaruhi IKP, dipilih model kombinasi nilai BF=20, MI=3 dan MO=2 yang menghasilkan nilai GCV terkecil yakni sebesar 25,20945 dan nilai R2 sebesar 86,4% menandakan model tersebut baik. Model MARS yang terpilih memiliki 12 fungsi basis termasuk intercept dengan lima variabel termuat didalamnya, dan variabel dengan tingkat kepentingan tertinggi adalah indeks pembangunan desa.
KLASIFIKASI TINGKAT PENGANGGURAN TERBUKA DI INDONESIA DENGAN ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) DAN C4.5 Inggit Fatika; Kris Suryowati; Noviana Pratiwi; Muhammad Sholeh
Jurnal Statistika Industri dan Komputasi Vol. 7 No. 2 (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

Tingkat pengangguran terbuka di Indonesia bulan Februari 2021 sebesar 6,26%, jumlah ini mengalami kenaikan sebesar 1,32% jika dibandingkan dengan keadaan bulan Februari 2020 yaitu sebesar 4,94%. Tingkat pengangguran terbuka yang tinggi pada suatu negara dapat menyebabkan rendahnya partisipasi masyarakat dalam pertumbuhan perekonomian yang akan berakibat pada penurunan tingkat pembangunan nasional. Selain itu, tingginya tingkat pengangguran terbuka juga dapat menyebabkan tingginya biaya sosial sehingga terjadi berbagai tindak kriminalitas dalam masyarakat. Agar permasalahan ini dapat diatasi perlunya mengetahui berbagai faktor yang dapat mempengaruhi peningkatan tingkat pengangguran terbuka pada berbagai Provinsi di Indonesia salah satunya dengan melakukan klasifikasi. Pada penelitian ini klasifikasi yang digunakan adalah CART (Classification and Regression Tree) dan C4.5. CART dan C4.5 merupakan salah satu algoritma decision tree yang dapat digunakan untuk melakukan klasifikasi menggunakan struktur hirarki. Algoritma CART dapat digunakan untuk klasifikasi dengan jumlah data yang cukup besar dengan banyak faktor serta dapat melakukan analisis klasifikasi pada peubah respon baik nominal, ordinal, maupun kontinu. Algoritma C4.5 memiliki kelebihan dalam menangani missing value, mengatasi pohon keputusan yang overfitting, serta dapat digunakan untuk jenis data kontinu yang mana sesuai dengan bentuk data penelitian yang akan digunakan. Hasil dari penelitian ini menunjukkan bahwa model pohon keputusan yang terbentuk dari kedua algoritma adalah sama, yaitu dengan kedalaman satu dan variabel tingkat kesempatan kerja merupakan variabel yang paling berpengaruh. Tingkat akurasi, sensitivity, dan Specificity dari kedua model yang terbentuk berdasarkan algoritma tersebut adalah sama, yaitu sebesar 100%, sehingga kedua model sama baiknya untuk digunakan dalam melakukan klasifikasi tingkat pengangguran terbuka di Indonesia.
PREDIKSI INFLASI DI KOTA PEKANBARU MENGGUNAKAN METODE EXTREME LEARNING MACHINE (ELM) Tegar Rezki Pangestu; Yudi Setyawan; Noviana Pratiwi
Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): 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.v8i1.4431

Abstract

Inflasi merupakan salah satu indikator untuk mengukur perkembangan suatu bangsa. Berbagai permasalahan timbul apabila laju inflasi mengalami peningkatan secara berkelanjutan seperti perekonomian yang tidak stabil, pertumbuhan ekonomi lambat, penurunan nilai mata uang yang secara tidak langsung mempengaruhi aktivitas perdagangan global. Oleh karena itu, perlu adanya perkiraan mengenai tingkat inflasi agar dapat dijadikan dasar pengambilan kebijakan oleh pemerintah setempat. Penelitian ini akan difokuskan dalam peramalan tingkat inflasi di Kota Pekanbaru menggunakan metode Extreme Learning Machine untuk memprediksi tingkat inflasi pada bulan September, Oktober, November, dan Desember tahun 2022. ELM adalah algoritma pembelajaran single layer feedforward neural networks yang secara acak menentukan bobot input dan output. Data yang digunakan adalah data inflasi bulanan yang diperoleh dari Website Badan Pusat Statistik Riau. Proporsi yang digunakan dalam penelitian ini adalah 50% : 50%, 60% : 40%, 70% : 30% dengan menggunakan 3 sampai 15 hidden neuron. Hasil penelitian ini menunjukkan bahwa proses training dan testing dengan proporsi 70% : 30% mendapatkan hasil terbaik dengan model 12 neuron input, 15 hidden neuron, dan 1 neuron output. Model ini memberikan akurasi kemampuan peramalan yang sangat baik dalam memprediksi inflasi di Kota Pekanbaru karena menghasilkan nilai MAPE 10-20% yaitu 16,16%.
Co-Authors Inggit Fatika Kris Suryowati, Kris Muhammad Sholeh Prismakawa Punggodewi Syariah Syariah Tegar Rezki Pangestu Yudi Setyawan