Jurnal Statistika Industri dan Komputasi
Jurnal Statistika Industri dan Komputasi memfasilitasi peneliti, baik dosen, mahasiswa, maupun praktisi untuk mempublikasikan hasil penelitian. Selain itu juga memberikan fasilitas bagi peneliti lain untuk mendapatkan referensi-referensi terkait bidang statistika, aplikasi statistika pada industri, serta komputasinya. Jurnal ini terbit dalam bentuk edisi cetak dan edisi online pada https://ejournal.akprind.ac.id. Edisi setiap jurnal berisikan 8 makalah yang memiliki tema pada bidang teori statistika dan aplikasinya. Kami akan menerima publikasi hasil penelitian pada bidang yang lebih spesifik, diantaranya tentang statistika matematika, ekonometrika, statistika komputasi, matematika keuangan, statistika spasial, aktuaria, demografi, fuzzy, statistika nonparametrik, multivariat, teori statistika, riset operasi, optimasi, time series, analisis survival, dan manajemen resiko.
Articles
8 Documents
Search results for
, issue
"Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi"
:
8 Documents
clear
<![CDATA[KAJIAN PENGARUH MATRIKS PEMBOBOT SPASIAL DALAM MODEL SPASIAL DATA PANEL UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT KEMISKINAN DI PROVINSI NUSA TENGGARA TIMUR ]]>
<![CDATA[Frederikus Benmar Lega]]>;
<![CDATA[Rokhana Dwi Bekti]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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.v8i1.4402
<![CDATA[Kemiskinan merupakan salah satu masalah sosial yang terus menggerogoti masyarakat di Indonesia terkhususnya di Provinsi Nusa Tenggara Timur sejak lama. Berdasarkan hasil laporan BPS pada Maret 2018, Provinsi Nusa Tenggara Timur merupakan Provinsi ketiga di Indonesia yang masih ada dalam ketegori Provinsi paling miskin. Analisis ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi tingkat kemiskinan di Provinsi Nusa Tenggara Timur menggunakan metode regresi spasial data panel dengan pendekatan matriks pembobot spasial queen contiguity dan euclidean distance. Regresi spasial data panel merupakan metode regresi yang menganalisis data obeservasi yang menggabungkan antara data time series dan cross section, yaitu berupa data yang diamati pada tiap-tiap lokasi pengamatan secara berkala dari waktu ke waktu dengan memperhatikan letak keterkaitan antar wlayah secara geografis. Pada penelitian ini variabel dependen yang digunanakan yaitu tingkat kemiskinan dan variabel independennya adalah laju pertumbuhan PDRB, persentase penduduk yang lulus SMP, fasilitas kesehatan (Puskesmas), angka harapan hidup, dan tingkat partisipasi angkatan kerja. Berdasarkan hasil analisis menunjukan model regresi data panel yang terpilih adalah model random effect. Model random effect yang diperoleh memiliki tingkat akurasi yang sangat kecil yaitu hanya sebesar sebesar 21,21 %. Dengan melihat hasil tersebut diduga bahwa terdapat pengaruh spasial antar lokasi secara geografi. Pengaruh antar lokasi diukur dengan membuat matriks pembobot spasial queen contiguity dan euclidaen distance. Pada pengujian efek spasial diperoleh adanya autokorelasi spasial pada variabel tingkat kemiskinan dan terdapat ketergantungan spasial error. Oleh sebab itu perlu dilakukan analisis model SEM-Random Effect dengan kedua matriks pembobot tersebut. Diperoleh nilai AIC untuk model SEM-Random Effect dengan pembobot spasial queen contiguity sebesar 4.3968 lebih kecil dibandingkan dengan nilai AIC model SEM-Random Effect dengan pembobot spasial euclidaen distance sebesar 4.4919. Hal ini menunjukkan SEM-Random Effect dengan matriks pembobot spasial queen contiguity memberikan model yang lebih baik untuk menjelaskan faktor-faktor yang mempengaruhi tingkat kemiskinan. Variabel independen yang signifikan berpengaruh terhadap tingkat kemiskinan Kabupaten/Kota di Nusa Tenggara Timur adalah angka harapan hidup.]]>
<![CDATA[PREDIKSI CURAH HUJAN PERBULAN DI KOTA YOGYAKARTA PERIODE 2015-2019 MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DAN KALMAN FILTER (Studi Kasus : Data Curah Hujan Tahun 2015-2019) ]]>
<![CDATA[Irene Kristija Selamat]]>;
<![CDATA[Yudi Setyawan]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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.v8i1.4415
<![CDATA[Curah hujan sangat menarik untuk dikaji sebab curah hujan merupakan salah satu faktor terbesar yang mempengaruhi iklim suatu wilayah dan mempengaruhi berbagai sektor kehidupan manusia. Penelitian ini bertujuan untuk mengetahui hasil prediksi curah hujan perbulan di Kota Yogyakarta periode 2015-2019 yang dianalisis menggunakan metode Autoregressive Integrated Moving Average (ARIMA) untuk mendapatkan hasil peramalan yang diharapkan dapat memberikan tingkat akurasi yang tinggi dan metode Kalman Filter yang merupakan sebuah model bagian dari state space (ruang keadaan) yang dapat diterapkan dalam model peramalan. Model ini menggunakan teknik rekursif untuk mengintegrasikan data pengamatan terbaru ke model untuk mengoreksi prediksi sebelumnya dan melakukan prediksi selanjutnya dan salah satu model runtun waktu yang digunakan dalam menentukan prediksi selanjutnya. Model ini bekerja secara rekursif untuk meminimalkan ketidaktepatan dalam peramalan. Kedua metode tersebut digunakan untuk memprediksi curah hujan (mm) perbulan di Kota Yogyakarta periode 2015-2019. Hasil penelitian menunjukkan bahwa model yang terbentuk adalah model ARIMA (1, 0, 1) dan model ARIMA (1,0,2). Setelah dilakukan perhitungan menggunakan metode ARIMA dan Kalman Filter, menggunakan nilai MSE, model yang terbaik adalah model ARIMA (1,0,1) menggunakan metode Kalman Filter karna memiliki nilai MSE terkecil yaitu sebesar 6,722873 dibanding metode ARIMA. Hal ini membuktikan bahwa prediksi menggunakan metode Kalman Filter baik dibandingkan metode ARIMA.]]>
<![CDATA[PERBANDINGAN METODE K-MEANS DAN FUZZY C-MEANS TERHADAP INDIKATOR KEMISKINAN NTT 2021 (Studi Kasus : Indikator Tingkat Kemiskinan di NTT tahun 2021) ]]>
<![CDATA[Alfriyani R D Klau]]>;
<![CDATA[Kris Suryowati]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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.v8i1.4416
<![CDATA[Kemiskinan merupakan keadaan yang terjadi ketidak mampuan untuk memenuhi kebutuhan dasar seperti makanan, pakaian, tempat berlindung, pendidikan, dan kesehatan. Tujuan dalam analisis ini adalah untuk mengetahui karakteristik tingkat kemiskinan di Provinsi Nusa Tenggara Timur, untuk mengetahui faktor-faktor dari tingkat kemiskinan di Provinsi Nusa Tenggara Timur dan menentukan analisis model terbaik,mengetahui hasil pengelompokan tingkat kemiskinan berdasarkan factor-faktor yang mempengaruhi dengan menggunakan metode K-Means, mengetahui hasil pengelompokan tingkat kemiskinan berdasarkan factor-faktor yang mempengaruhi dengan menggunakan metode K-Means, mengetahui metode manakah yang terbaik antara metode K-Means dan Fuzzy C-Means.Beberapa metode yang ada dalam clustering antara lain metode K-Means dan Fuzzy C-means. Hasil analisis dapat disumpulkan bahwa metode terbaik dalam studi kasus Kemiskinan di Nusa Tenggara Timur tahun 2021 adalah metode K-Means dengan nilai nilai Davies Bouldin Index dan R-Squared. sebesar 1.615 dengan jumlah cluster sebanyak 2 cluster. Dari dua cluster tersebut dikelompokkan menjadi wilayah yang tinggi dan rendah mempengaruhi tingkat kemiskinan di Provinsi Nusa Tenggara Timur Tahun 2021. Daerah yang tinggi mempengaruhi tingkat kemiskinan di Provinsi Nusa Tenggara Timur Tahun 2021 terdapat pada cluster 2.]]>
<![CDATA[PERBANDINGAN METODE SPATIAL LAG X, SPATIAL AUTOREGRESSIVE MODEL DAN SPATIAL ERROR MODEL UNTUK FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT PENGANGGURAN TERBUKA DI PROVINSI NTT ]]>
<![CDATA[Elsa Kristiana Soinbala]]>;
<![CDATA[Rokhana Dwi Bekti]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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.v8i1.4417
<![CDATA[Pengangguran merupakan keadaan seseorang yang tergolong dalam angkatan kerja dan tidak memiliki pekerjaan dan secara aktif sedang mencari pekerjaan. Pengangguran di suatu wilayah dapat dipengaruhi oleh faktor geografis, yang merupakan besarnya angka pengangguran di suatu wilayah yang dapat mempengaruhi angka pengangguran pada wilayah yang berdekatan sehingga faktor geografis diduga dapat mempengaruhi dan memberikan efek dependensi spasial pada nilai pengangguran di Provinsi Nusa Tenggara Timur. Penelitian ini bertujuan untuk mengetahui perbandingan metode Spatial Lag X, Spatial Autoregressive Model, dan Spatial Error Model, untuk Faktor-Faktor Yang Mempengaruhi Tingkat Pengangguran Terbuka Di Provinsi NTT. Unit pengamatan pada penelitian ini adalah 22 Kabupaten/ Kota di Provinsi NTT. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik Nusa Tenggara Timur tahun 2021. Metode analisis yang digunakan adalah Spatial Lag X (SLX), Spatial Autoregressive Model (SAR), dan Spatial Error Model (SEM). Hasil penelitian menunjukkan bahwa berdasarkan nilai uji Morans’I variabel presentase penduduk yang tidak mempunyai ijazah (X1), distibusi presentase PDRB atas harga berlaku (X3) terdapat autokorelasi atau keterkaitan antar wilayah Kabupaten di Provinsi NTT. Pada nilai uji Lagrange Multiplier, uji Robust Lagrange Multiplier error () memiliki dependensi spasial error. Variabel predictor yang secara signifikan berpengaruh terhadap tingkat pengangguran pada model SLX dan SAR adalah distibusi presentase PDRB atas harga berlaku (X3), sedangkan pada model SEM adalah variabel Indeks pembangunan manusia (X4). Berdasarkan hasil penelitian didapatkan model SEM memiliki nilai AIC terkecil sehingga model SEM lebih baik digunakan untuk menganalisis nilai tingkat pengangguran di Provinsi Nusa Tenggara Timur dibandingkan model Regresi OLS, SLX, dan SAR.]]>
<![CDATA[PERBANDINGAN METODE ALGORITMA K-MEANS DAN K-MEDOIDS PADA PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI NUSA TENGGARA TIMUR BERDASARKAN DIMENSI INDEKS PEMBANGUNAN MANUSIA TAHUN 2020 ]]>
<![CDATA[Maria Khoncita Dasriana Bau]]>;
<![CDATA[Yudi Setyawan]]>;
<![CDATA[Maria Titah Jatipaningrum]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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.v8i1.4418
<![CDATA[Manusia merupakan kekayaan bangsa yang sesungguhnya. Sudah sepantasnya apabila manusia menjadi tujuan utama dalam pembangunan. Untuk mengetahui keberhasilan pembangunan tersebut adalah dengan melihat indeks pembangunan manusia yang dapat menggambarkan perkembangan pembangunan manusia secara terukur dan representatif. Pertumbuhan indeks pembangunan di NTT pada tahun 2020 mengalami penurunan sebesar 0,04 poin dari tahun sebelumnya yaitu tahun 2019. Untuk mengetahui penurunan pertumbuhan Indeks Pembangunan Manusia (IPM) diperlukan penelitian mengenai kesamaan karakteristik pada kabupaten/kota di NTT untuk mempermudah melihat wilayah yang mempengaruhi penurunan pertumbuhan Indeks Pembangunan Manusia (IPM) tersebut. Proses pengelompokan dapat dilakukan dengan mengimplementasikan metode clustering, yang dimana metode clustering merupakan pengelompokan objek kedalam suatu kelompok yang memiliki kesamaan tinggi dibandingkan dengan objek yang berada dalam satu kelompok lain. Beberapa metode yang ada dalam clustering antara lain metode K-Means dan K-Medoids. Hasil analisis dapat disimpulkan bahwa metode terbaik dalam studi kasus indikator Indeks Pembangunan Manusia di NTT tahun 2020 adalah metode K-Means clustering dengan k = 2 dengan nilai Silhouette Index sebesar 0,18, nilai Davies-Bouldin Index sebesar 1,15 dan nilai Dunn index sebesar 0,24 dimana cluster 1 memiliki 14 anggota kabupaten/kota dan cluster 2 memiliki 8 anggota kabupaten.]]>
<![CDATA[PERBANDINGAN METODE K-NEAREST NEIGHBOR DAN RANDOM FOREST PADA KLASIFIKASI INDEKS PEMBANGUNAN MANUSIA DI KABUPATEN/KOTA SELURUH INDONESIA ]]>
<![CDATA[Nurafidah]]>;
<![CDATA[Kris Suryowati]]>;
<![CDATA[Maria Titah Jatipaningrum]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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.v8i1.4419
<![CDATA[Indeks Pembangunan Manusia yang ada di Kabupaten/Kota Indonesia beragam, hal ini sebabkan oleh pembangunan yang ada di Indonesia masih tidak merata. IPM di Indonesia digunakan sebagai salah satu alokator penentuan Dana Alokasi Umum dan untuk mengukur kinerja dari pemerintah. Tujuan dari penelitian ini yaitu membandingkan metode K-Nearest Neighbor dan Random Forest pada klasifikasi IPM. Pada metode K-Nearest Neighbor dalam melakukan klasifikasi menggunakan dan pada metode Random Forest dalam melakukan klasifikasi menggunakan dan . Variabel-variabel yang digunakan pada penelitian ini diantaranya variabel dependent terdapat IPM dengan kategori IPM rendah, sedang, tinggi dan sangat tinggi, sedangkan pada variabel independen terdapat HLS, RLS, UHH dan PPKD. Klasifikasi dengan menggunakan metode K-Nearest Neighbor menghasilkan 124 data benar klasifikasi dan 5 data kesalahan klasifikasi sedangkan metode Random Forest menghasilkan 119 data benar lasifikasi dan 10 data kesalahan klasifikasi. Hasil klasifikasi juga menunjukkkan bahwa metode K-Nearest Neighbor adalah metode yang terbaik untuk digunakan dalam melakukan klasifikasi IPM di Kabupaten/Kota seluruh Indonesia, karena menghasilkan nilai akurasi dan rata-rata AUC sebesar 96.12% dan 0.9618 lebih besar dibandingkan metode Random Forest yaitu sebesar 92.25% dan 0.9538 serta metode K-Nearest Neighbor menghasilkan nilai error rate yang lebih kecil yaitu sebesar 3.88% dibandingkan metode Random Forest sebesar 7.75%. Hasil dari penelitian ini diharapkan dapat menjadi informasi untuk terus meningkat Indeks Pembangunan Manusia di Kabupaten/Kota seluruh Indonesia pada tahun 2022.]]>
<![CDATA[PENERAPAN METODE KULLDORFF’S SPATIAL SCAN STATISTIC UNTUK MENDETEKSI KASUS KECELAKAAN DI INDONESIA ]]>
<![CDATA[Agung Martanto]]>;
<![CDATA[Rokhana Dwi Bekti]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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.v8i1.4430
<![CDATA[Kecelakaan lalulintas adalah kejadian tabrakan yang melibatkan sebuah kendaraan bermotor dengan benda/kendaraan lain dan menyebabkan kerusakan, kadang kecelakaan ini dapat mengakibatkan luka-luka atau kematian. Peran pemerintah diperlukan untuk meminimalisir jumlah korban terutama korban yang meninggal dunia. Penelitian ini bertujuan untuk mendeteksi hotspot kasus kecelakaan di Indonesia menggunakan metode Kulldorff’s Spatial Scan Statistic dengan model peluang Bernoulli. Data yang digunakan berupa data sekunder tentang data kecelakaan di 31 POLDA yang tersebar di seluruh Indonesia pada tahun 2019, bersumber dari Korlantas POLRI. Sebagai data pendukung adalah data koordinat longitude dan latitude seluruh wilayah 31 POLDA. Dalam penelitian ini digunakan dua aturan untuk mendeteksi hotspot sebagai perbandingan, yaitu persentase risiko dalam populasi sebanyak 25% dan 10%. Untuk aturan yang pertama yaitu 25% terdeteksi sebanyak lima hotspot dengan total lokasi yang tercakup adalah sebanyak 19 POLDA. Untuk aturan yang kedua yaitu 10% terdeteksi sebanyak lima hotspot dengan total lokasi yang tercakup adalah sebanyak 16 POLDA.]]>
<![CDATA[PREDIKSI INFLASI DI KOTA PEKANBARU MENGGUNAKAN METODE EXTREME LEARNING MACHINE (ELM) ]]>
<![CDATA[Tegar Rezki Pangestu]]>;
<![CDATA[Yudi Setyawan]]>;
<![CDATA[Noviana Pratiwi]]>
<![CDATA[ Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi ]]>
Publisher : <![CDATA[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
<![CDATA[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%.]]>
