Article Per Year (5 Year)
p-Index From 2019 - 2024
0.562
P-Index
This Author published in this journals
All Journal Jurnal Statistika Industri dan Komputasi
Maria Titah Jatipaningrum
Jurusan Statistika, Fakultas Sains Terapan, Institut Sains & Teknologi AKPRIND
Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Mathematics

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 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.
PERBANDINGAN PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Arif Muhamad; Noeryanti; 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.v8i2.4456

Abstract

Harga saham merupakan faktor penting dan harus diperhatikan oleh investor. Indeks saham bermanfaat sebagai gambaran pergerakan harga saham secara menyeluruh melalui Indeks Harga Saham Gabungan dan sebagai acuan kinerja untuk mengukur keuntungan di masa mendatang. Tujuan penelitian ini untuk meramalkan Indeks Harga Saham Gabungan yang akan datang menggunakan metode Autoregressive Integrated Moving Average (ARIMA) dan metode Backpropagation. Dari hasil analisis diperoleh nilai MAPE dan MSE terkecil, menggunakan metode ARIMA dengan nilai MAPE 0,010597656 dan nilai MSE 6458,939925. Memberikan hasil ramalan Indeks Harga Saham Gabungan sebesar 6976,71 untuk bulan November 2022, 6810,22 untuk bulan Desember 2022, 6731,88 untuk bulan Januari 2023 ,dan 6849,16 untuk bulan Februari 2023.
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.
Co-Authors Arif Muhamad Kris Suryowati Maria Jefin Paput Neli Erliani Noeryanti