Article Per Year (5 Year)
p-Index From 2019 - 2024
0.702
P-Index
This Author published in this journals
All Journal Jurnal Statistika Industri dan Komputasi
Kris Suryowati
Jurusan Statistika, Fakultas Sains Terapan, Institut Sains & Teknologi AKPRIND
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
Journal : Jurnal Statistika Industri dan Komputasi

 1 
KLASIFIKASI TINGKAT PENJUALAN LAPTOP DI E-COMMERCE MENGGUNAKAN ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) Neli Erliani; Kris Suryowati; Maria Titah Jatipaningrum
Jurnal Statistika Industri dan Komputasi Vol. 8 No. 2 (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.v8i2.4455

Abstract

Seiring perkembangan zaman laptop sudah menjadi kebutuhan dasar bagi masyarakat dalam kegiatan sehari-hari, seperti melakukan kegiatan belajar, mengajar, bekerja, bahkan berbelanja, hal inilah yang menyebabkan meningkatnya pembelian laptop melalui E-commerce. Penelitian ini bertujuan untuk mengetahui karakteristik tingkat penjualan laptop di E-commerce sehingga dapat memberikan gambaran kepada calon pembeli dalam menentukan laptop yang akan dibeli sesuai dengan budget yang disediakan dan kriteria yang diinginkan serta dapat memberikan gambaran kepada pemilik toko dalam meningkatkan penjualan laptop di E-commerce. Pada penelitian ini metode klasifikasi yang digunakan adalah classification and regression tree (CART). CART merupakan salah satu algoritma decision tree yang dapat digunakan untuk melakukan klasifikasi menggunakan struktur hirarki atau pohon. Algoritma CART memiliki kelebihan yang sesuai dengan data penelitian yaitu 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. Hasil dari penelitian ini menunjukkan bahwa model pohon keputusan yang terbentuk dari algoritma CART menghasilkan kedalaman lima, variabel yang berpengaruh terhadap tingkat penjualan laptop di E-commerce yaitu jumlah ulasan, harga dan jumlah produk dilihat, variabel jumlah ulasan menjadi akar atau merupakan variabel yang paling penting terhadap tingkat penjualan laptop di E-commerce. Algoritma classification and regression tree (CART) menghasilkan nilai akurasi yang sangat tinggi yaitu sebesar 95,10% sehingga algoritma CART dapat digunakan untuk melakukan klasifikasi tingkat penjualan laptop di E-commerce.
PREDIKSI KLASIFIKASI MAHASISWA BARU TAHUN 2022 IST AKPRIND YOGYAKARTA BERDASARKAN LATAR BELAKANG PEMILIHAN PERGURUAN TINGGI MENGGUNAKAN METODE BACKPROPAGATION DAN SUPPORT VECTOR MACHINE (SVM) Guntur Ayoma L.M.; Kris Suryowati; Yudi Setyawan
Jurnal Statistika Industri dan Komputasi Vol. 8 No. 2 (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.v8i2.4457

Abstract

Pendidikan saat ini merupakan masalah yang selalu mendapat perhatian bagi bangsa Indonesia. Hal ini disebabkan peningkatan mutu pendidikan yang berkaitan erat dengan kualitas manusia Indonesia. Pendidikan tinggi merupakan kelanjutan pendidikan menengah yang diselenggarakan untuk menyiapkan peserta didik menjadi anggota masyarakat yang memiliki kemampuan akademi atau profesional yang dapat menerapkan, mengembangkan dan menciptakan ilmu pengetahuan, teknologi dan kesenian. Maka dari itu, calon mahasiswa baru akan memilih perguruan tinggi yang diminatinya. Dalam memilih perguruan tinggi terdapat beberapa faktor, yaitu atas dasar keinginan sendiri atau mendapatkan dorongan orang lain untuk memilih perguruan tinggi tersebut. Objek penelitian ini adalah mahasiswa baru IST AKPRIND Yogyakarta tahun 2022 yaitu sebanyak 166 mahasiswa. Tujuan penelitian ini adalah ingin mengetahui bagaimana klasifikasi latar belakang dari mahasiswa baru memilih IST AKPRIND Yogyakarta sebagai perguruan tingginya. Latar belakang tersebut akan diklasifikasikan menjadi atas dasar pilihan sendiri dan bukan pilihan sendiri. Metode analisis yang digunakan adalah metode JST Backpropagation dan Support Vector Machines (SVM). Hasil klasifikasi menunjukan bahwa metode SVM lebih baik dibandingkan dengan metode JST Backpropagation dengan nilai akurasi sebesar 84.3% sedangkan akurasi metode JST Backpropagation sebesar 77.10%. Hasil Klasifikasi juga menunjukan bahwa mahasiswa baru IST AKPRIND Yogyakarta cenderung memilih IST AKPRIND Yogyakarta atas dasar bukan pilihan sendiri, hal ini dapat ditunjukan bahwa 58,12% (136 mahasiswa) memilih atas dasar bukan pilihan sendiri dan 41,88% (98 mahasiswa) memilih atas dasar pilihan sendiri.
PERBANDINGAN METODE RANDOM FOREST DAN ADAPTIVE BOOSTING PADA KLASIFIKASI INDEKS PEMBANGUNAN MANUSIA DI INDONESIA Maria Jefin Paput; Kris Suryowati; Maria Titah Jatipaningrum
Jurnal Statistika Industri dan Komputasi Vol. 8 No. 2 (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.v8i2.4458

Abstract

Indeks Pembangunan Manusia (IPM) merupakan pengukuran capaian pembangunan manusia berbasis sejumlah komponen dasar kualitas hidup. Penentuan program pembangunan yang dilaksanakan pemerintah daerah harus tepat sasaran dan sesuai dengan prioritas kabupaten/kota berdasarkan kategori IPM yang dimilikinya. Oleh karena itu, perlu adanya suatu sistem keputusan yang dapat menentukan klasifikasi kategori IPM di masing-masing kabupaten/kota di Indonesia secara akurat. Penelitian ini melakukan klasifikasi menggunakan metode Random Forest dan Adaptive Boosting. Penelitian ini menggunakan data sekunder yang bersumber dari Badan Pusat Statistik (BPS). Variabel yang digunakan yaitu Indeks Pembangunan Manusia (IPM), Umur Harapan Hidup saat lahir (UHH), Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS), Pengeluaran per Kapita disesuaikan (PPD), dan Persentase Penduduk Miskin (P0). Semua data adalah data cross-section yaitu kumpulan data dari 514 Kabupaten/Kota pada 34 Provinsi di Indonesia tahun 2022. Hasil analisis menunjukkan bahwa metode Adaptive Boosting lebih baik dari pada metode Random Forest dalam melakukan klasifikasi. Di mana tingkat akurasi klasifikasi metode Adaptive Boosting adalah 96,08% lebih besar dari tingkat akurasi klasifikasi metode Random Forest yaitu 95,10%. Hasil klasifikasi IPM diperoleh 41 kabupaten/kota yang termasuk IPM sangat tinggi, diantaranya Kota Yogyakarta. Kemudian 233 kabupaten/kota termasuk dalam klasifikasi IPM tinggi, diantaranya Kota Probolinggo. Terdapat 221 kabupaten/kota termasuk dalam klasifikasi IPM sedang, diantaranya Kabupaten Simeulue. Sedangkan 19 kabupaten/kota termasuk klasifikasi IPM rendah, diantaranya Kabupaten Nduga. Kabupaten/kota termasuk klasifikasi IPM rendah mayoritas berada di Provinsi Papua. Adapun peran variabel terhadap klasifikasi dari yang terbesar secara berurutan adalah PPD, RLS, UHH, HLS,dan P0.
PENERAPAN MODEL GEOGRAPGICALLY WEIGHTED REGRESSION (GWR) MENGGUNAKAN FUNGSI PEMBOBOT ADAPTIVE KERNEL GAUSSIAN DAN ADAPTIVE KERNEL BISQUARE PADATINGKAT PENGANGGURAN TERBUKA DI PULAU PAPUA Yohanes Taek; Rokhana Dwi Bekti; Kris Suryowati
Jurnal Statistika Industri dan Komputasi Vol. 8 No. 2 (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.v8i2.4459

Abstract

Tingkat Pengangguran Terbuka merupakan indikator yang digunakan dalam mengukur tenaga kerja yang tidak diserap oleh pasar kerja dan menggambarkan kurang termanfaatkannya pasokan tenaga kerja. Penyebab munculnya tingkat pengangguran terbuka karena ketidakcocokan ketrampilan, minimnya pengelaman, rendahnya permintaan, dan kondisi ekonomi. Persentase tingkat pengangguran terbuka antarasatu lokasi dengan lokasi lainnya berbeda-beda, hal ini memungkinkan adanya keragaman spasial antara lokasi. Dalam upaya mengatasi masalah Tingkat Pengangguran Terbuka diperlukan suatu analisis spasial sehingga dapat menentukan faktor apa saja yang berpengaruh terhadap Tingkat Pengangguran Terbuka yang terdapat di Pulau Papua tahun 2020 yaitu menggunakan metode Geographically Weighted Regression(GWR) dengan fungsi pembobot adaptive kernel Gaussian dan fungsi pembobot adaptive kernel Bisquare.Berdasarkan hasil analisis diperoleh model GWR menggunakan fungsi pembobot adaptive kernel Gaussian dengan taraf signifikansi 10%, variabel Indeks Pembangunan Manusia (X1) signifikan di 37 kabupaten/kotadan variabel PDRB Perkapita (X2) signifikan di 36 kabupaten/kota di Pulau Papua tahun 2020. Model GWR dengan fungsi pembobot adaptive kernel Bisquare pada taraf signifikansi 10%, variabel Indeks Pembangunan Manusia (X1) signifikan di 23 kabupaten/kota dan variabel PDRB Perkapita (X2) signifikandi 23 kabupaten/kota di Pulau Papua tahun 2020. Berdasarkan hasil perbandingan dari kedua fungsi pembobot disimpulkan bahwa model terbaik untuk mengestimasi Tingkat Pengangguran Terbuka di PulauPapua tahun 2020 adalah dengan fungsi pembobot adaptive kernel Bisquare karena mempunyai nilai R2 terbesar yaitu 0,8427351 dan AIC terkecil yaitu 155,8274.
Co-Authors Guntur Ayoma L.M. Maria Jefin Paput Maria Titah Jatipaningrum Neli Erliani Rokhana Dwi Bekti Yohanes Taek Yudi Setyawan