cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Febriani Astuti
Contact Email
febriani@akprind.ac.id
Phone
+6285725192987
Journal Mail Official
statikom.jurnal@akprind.ac.id
Editorial Address
Kampus 3 Universitas AKPRIND Indonesia; Jl. Bimasakti No 3 Pengok Yogyakarta; Telp. (0274) 544504 (318); WA 0851-7106-0678
Location
Kota yogyakarta,
Daerah istimewa yogyakarta
INDONESIA
Jurnal Statistika Industri dan Komputasi
Published by Universitas AKPRIND Indonesia
ISSN : -     EISSN : 25279378     DOI : https://doi.org/10.34151
Core Subject : Economy, Science, Education, Engineering,
Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Mathematics
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.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 8 Documents
 1 
Search results for , issue "Vol. 9 No. 1 (2024): Jurnal Statistika Industri dan Komputasi" : 8 Documents clear
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%.
PREDIKSI INDEKS PEMBANGUNAN MANUSIA PADA KABUPATEN/KOTA DI PROVINSI NUSA TENGGARA TIMUR MENGGUNAKAN BACKPROPAGATION DENGAN KOMBINASI LEARNING RATE DAN EPOCH Mercynanda Yuliany Alang; Kris Suryowati; 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.v9i1.4821

Abstract

Penelitian ini dilakukan untuk memprediksi indeks pembangunan manusia (IPM) di Provinsi Nusa Tenggara Timur (NTT) tahun 2023. Dalam implementasinya, data dinormalisasi menggunakan min–max normalization sebelum dilakukan peramalan dengan membandingkan kombinasi parameter-parameter metode backpropagation, yaitu parameter learning rate (laju pembelajaran) dan epoch (iterasi). Dari kombinasi kedua parameter tersebut akan diseleksi kombinasi mana yang paling baik menggunakan Mean Absolute Percentage Error (MAPE). Penelitian ini menggunakan proporsi 90% data latih serta 10% data uji, dan menggunakan arsitektur jaringan 4-3-1. Berdasarkan hasil pengujian kombinasi parameter untuk metode backpropagation, parameter terbaik adalah parameter dengan Epoch = 5000 dan learning rate = 0,15 dengan hasil MAPE yang paling minimum yakni 0,22690492% dan akurasi prediksi 99,77%, terhadap 257 data latih dan 29 data uji. Hasil penelitian ini menunjukan bahwa prediksi IPM Provinsi NTT tahun 2023 adalah 65 dengan kategori sedang.
PEMODELAN GEOGRAPHICALLY WEIGHTED PANEL REGRESSION MENGGUNAKAN PEMBOBOT KERNEL GAUSSIAN DAN KERNEL BI-SQUARE PADA KEMISKINAN DI PAPUA Felicitas Avelline Yansi; Noeryanti; Noviana Pratiwi
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.v9i1.4829

Abstract

Papua merupakan provinsi dengan tingkat kemisikinan tertinggi di Indonesia. Jumlah penduduk miskin di Papua selama tahun 2019-2021 cukup fluktuatif. Kemiskinan disebabkan oleh banyak faktor, antara lain kesulitan dalam memenuhi kebutuhan dasar, kesulitan dalam memperoleh pendidikan dan pekerjaan. Penelitian ini bertujuan untuk melakukan pemodelan Geographically Weighted Panel Regression menggunakan fungsi pembobot adaptive kernel gaussian dan adaptive kernel bi-square pada jumlah penduduk miskin di Papua. Dalam suatu penelitian tidak cukup melakukan pengamatan dalam satu waktu tertentu, tetapi juga perlu dilakukan dalam berbagai periode waktu. Model regresi linier secara umum bersifat global, dimana estimasi parameternya bernilai sama untuk semua lokasi. Pada kenyataannya, antara lokasi satu dengan lainnya memiliki kondisi yang berbeda. Hal ini memungkinkan adanya keragaman spasial antar lokasi. GWPR merupakan metode statistika yang digunakan dalam menganalisis keragaman spasial. Hasil penelitian ini menyatakan bahwa nilai koefisien determinasi pada pembobot adaptive bi-square kernel lebih besar yaitu 79,84% dan nilai AIC pada pembobot adaptive bi-square kernel lebih kecil yaitu 666,8033 daripada model GWPR dengan fungsi pembobot adaptive kernel gaussian, sehingga model GWPR dengan fungsi pembobot adaptive kernel bi-square lebih baik digunakan untuk pemodelan Geographically Weighted Panel Regression pada jumlah penduduk miskin di kabupaten/kota provinsi Papua tahun 2019-2021 terhadap faktor-faktor yang mempengaruhinya.
PENGELOMPOKAN KABUPATEN DAN KOTA PADA SETIAP PROVINSI DI PULAU SULAWESI BERDASARKAN INDEKS PEMBANGUNAN MANUSIA MENGGUNAKNA METODE DENSITY-BASED SPATIAL CLUSTERING OF APPLICATIONS WITH NOISE DAN K-MEDOIDS Ni Made Asrikayani
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.v9i1.4831

Abstract

Pulau Sulawesi memiliki kondisi pembangunan yang tidak merata pada kabupaten dan kota di setiap provinsi di pulau Sulawesi yang ditandai dengan tingginya penduduk miskin, sehingga mengakibatkan rendahnya pertumbuhan ekonomi dan pembangunan manusia. Indeks Pembangunan Manusia dapat diukur dengan menggunakan sejumlah indikator, termasuk pengeluaran perkapita, umur harapan hidup, persentase penduduk miskin, harapan lama sekolah, dan rata-rata lama sekolah. Oleh karena itu, pengelompokan kabupaten dan kota di pulau Sulawesi dapat dilakukan dengan menggunakan metode DBSCAN (Density Spatial Clustering Application With Noise) dan metode K-Medoids. Kemudian dilakukan perhitungan jarak menggunakan jarak Euclidean dan jarak Minkowski. Selanjutnya dilakukan uji validitas pada tiap jarak menggunakan validitasi Davies-Bouldin Indeks dan C-Indeks . Sehingga diperoleh hasil bahwa metode K-Medoids lebih baik dari DBSCAN. Hal ini terlihat dari jarak Minkowski dengan parameter k=2 menghasilkan 2 klaster yaitu klaster 1 yang terdiri dari 67 kabupaten dan klaster 2 yang terdiri dari 7 kota, dengan nilai DBI terkecil sebesar 0.3528287 dan nilai jarak Minkowski dengan validitas C-Indeks adalah sebesar 0,1002084.
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%.
PENERAPAN REGRESI SPASIAL DURBIN MODEL UNTUK MENGANALISIS FAKTOR YANG BERHUBUNGAN DENGAN ANGKA PARTISIPASI KASAR PERGURUAN TINGGI (Studi Kasus: Angka Partisipasi Kasar Perguruan Tinggi di Provinsi Nusa Tenggara Timur, Tahun 2021) Yakobus Adventianus Nong; Noeryanti Asrikayani; Rokhana Dwi Bekti
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.v9i1.4842

Abstract

Pemerataan pendidikan telah mendapat perhatian sejak lama terutama di negara-negara berkembang, salah satunya Indonesia. Rendahnya persentase angka partisipasi kasar perguruan tinggi menunjukan bahwa masyarakat kesulitan dalam menempuh pendidikan diperguruan tingi. Penelitian ini bertujuan untuk menentukan model terbaik yang bisa menggambarkan angka partisipasi kasar perguruan tinggi di Provinsi Nusa Tenggara Timur. Analisis yang digunakan yaitu Spasial Durbin Model(SDM) dan Ordinary Least Square(OLS). Berdasarkan analisis diperoleh kesimpulan bahwa terdapat tiga variabel yang berpengaruh terhadap angka partisipasi perguruan tinggi, yaitu persentase penduduk miskin, jumlah perguruan tinggi dan lag persentase penduduk miskin. Dan untuk model terbaik yang digunakan adalah SDM, karena memiliki perbandingan nilai error yang lebih kecil atau lebih baik dari model OLS.
PERBANDINGAN FUNGSI AKTIVASI LINEAR, ReLU, SIGMOID, DAN TANSIG PADA ELM UNTUK PERAMALAN HARGA SAHAM Sri Mulyani; Rokhana Dwi Bekti; Noviana Pratiwi
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.v9i1.4844

Abstract

PT. Bank Central Asia Tbk (BBCA.JK) sebagai emiten sektor perbankan masih menempati posisi pertama sebagai emiten dengan kapitalisasi terbesar, dan saham teraktif di BEI. Berinvestasi di pasar saham mengikuti prinsip “high risk, high return, low risk, low return”. Itu sebabnya investor harus mencermati harga saham di masa depan. Salah satu cara memprediksi harga saham adalah dengan menggunakan metode Extreme Learning Machine (ELM). Hal ini melibatkan pemilihan dan pengaturan fungsi aktivasi yang memperkenalkan non-linearitas, memungkinkan jaringan saraf memodelkan hubungan kompleks antara input dan output. Hasil pengujian menunjukkan ELM optimal untuk memprediksi harga saham BBCA menggunakan fungsi aktivasi Sigmoid, inisialisasi bobot Uniform Positive, arsitektur jaringan yang terdiri dari 5 neuron input layer, 14 neuron hidden layer, dan 1 output layer. MAPE yang diperoleh sebesar 3.374546 < 10%, menunjukkan bahwa model dapat digeneralisasikan dengan baik, dengan rata-rata kecepatan pembelajaran sebesar 0.000343442 detik.
ANALISIS SENTIMEN TENTANG IMPLEMENTASI HAK ASASI MANUSIA DI INDONESIA PADA MEDIA SOSIAL TWITTER MENGGUNAKAN NAÏVE BAYES DAN SUPPORT VECTOR MACHINE Magdalena Teofila Usniaty; Yudi Setyawan; Rokhana Dwi Bekti
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.v9i1.4846

Abstract

Hak asasi manusia adalah seperangkat hak yang melekat pada hakikat dan keberadaan manusia yang wajib dihormati, dijunjung tinggi dan dilindungi. Beberapa kasus pelanggaran HAM di Indonesia sering menjadi trending topik twitter, oleh karena itu pada penelitian ini dilakukan analisis sentimen tentang implementasi HAM di Indonesia pada media sosial twitter. Analisis ini dilakukan untuk mengklasifikasikan tweet yang berisi sentimen masyarakat mengenai implementasi HAM di Indonesia. Metode klasifikasi yang digunakan dalam penelitian ini adalah Naïve Bayes Classifier dan Support Vector Machine dengan menggunakan pembobotan TF.IDF. Sumber data dalam penelitian ini diambil dari twitter menggunakan metode crawling dengan kata kunci #hakasasimanusia dan #HAM. Hasil analisis menunjukkan bahwa persentase sentimen negatif sebesar 81.2% dan sentimen positif sebesar 18.8%. Metode terbaik dalam melakukan klasifikasi implementasi HAM di Indonesia adalah Support Vector Machine, dilihat dari nilai akurasi Support Vector Machine yang lebih besar yakni sebesar 87% dibandingkan nilai akurasi Naïve Bayes Classifier yakni sebesar 81%. Saran yang diberikan dalam penelitian ini agar meningkatkan nilai akurasi yakni pada tahap pengolahan data dilakukan secara teliti, misalnya menambahkan kosa kata untuk normalisasi kata dan pengurangan fitur yaitu pada tahap stopword removal.

Page 1 of 1 | Total Record : 8

 1 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Vol. 9 No. 2 (2024): Jurnal Statistika Industri dan Komputasi Vol. 9 No. 1 (2024): Jurnal Statistika Industri dan Komputasi Vol. 8 No. 2 (2023): Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi Vol. 7 No. 01 (2022): Jurnal Statistika Industri dan Komputasi Vol. 7 No. 2 (2022): Jurnal Statistika Industri dan Komputasi Vol. 6 No. 01 (2021): Jurnal Statistika Industri dan Komputasi Vol. 6 No. 2 (2021): Jurnal Statistika Industri dan Komputasi Vol. 5 No. 02 (2020): Jurnal Statistika Industri dan Komputasi Vol. 5 No. 01 (2020): Jurnal Statistika Industri dan Komputasi Vol. 4 No. 01 (2019) Vol. 4 No. 2 (2019): Jurnal Statistika Industri dan Komputasi Vol. 3 No. 02 (2018) Vol. 3 No. 01 (2018) Vol. 2 No. 02 (2017) Vol. 2 No. 01 (2017) Vol. 1 No. 01 (2016) More Issue