Pandemi COVID-19 dalam kurun waktu dua tahun berhasil menginfeksi jutaan orang di seluruh dunia dan menyebabkan banyak kematian. Guna menghentikan penyebaran virus, pemerintah melakukan tindakan yaitu menerapkan protokol kesehatan dan mewajibkan vaksinasi kepada masyarakat. Namun, kegiatan vaksinasi masih lamban untuk mencapai target. Maka dari itu, dalam penelitian ini akan dilakukan suatu pengelompokan untuk mengetahui tingkat persebaran vaksinasi di Indonesia menurut provinsi dengan data jumlah vaksinasi per-kategori masyarakat pada tanggal 1 Februari 2022. Salah satu algoritma pengelompokan dalam Data Mining yaitu Spectral Clustering. Pengelompokan spektral merupakan teknik yang mengikuti pendekatan konektivitas, dimana metode ini mengklasifikasikan titik-titik yang terhubung atau berbatasan langsung. Penelitian ini menghasilkan 3 klaster untuk masing-masing kategori, yaitu klaster daerah-daerah yang memiliki tingkat persebaran vaksinasi tinggi, sedang, dan rendah. Evaluasi klaster diukur menggunakan Davies-Bouldin Index (DBI) dengan rata-rata nilai DBI tiap kategori yaitu 1,01422.
{"title":"IMPLEMENTASI SPECTRAL CLUSTERING ALGORITHM UNTUK PENGELOMPOKAN SASARAN VAKSINASI COVID-19 DI INDONESIA","authors":"Millenia Winadya Putri, Indah Manfaati Nur, Rochdi Wasono","doi":"10.26714/jsunimus.10.1.2022.26-31","DOIUrl":"https://doi.org/10.26714/jsunimus.10.1.2022.26-31","url":null,"abstract":"Pandemi COVID-19 dalam kurun waktu dua tahun berhasil menginfeksi jutaan orang di seluruh dunia dan menyebabkan banyak kematian. Guna menghentikan penyebaran virus, pemerintah melakukan tindakan yaitu menerapkan protokol kesehatan dan mewajibkan vaksinasi kepada masyarakat. Namun, kegiatan vaksinasi masih lamban untuk mencapai target. Maka dari itu, dalam penelitian ini akan dilakukan suatu pengelompokan untuk mengetahui tingkat persebaran vaksinasi di Indonesia menurut provinsi dengan data jumlah vaksinasi per-kategori masyarakat pada tanggal 1 Februari 2022. Salah satu algoritma pengelompokan dalam Data Mining yaitu Spectral Clustering. Pengelompokan spektral merupakan teknik yang mengikuti pendekatan konektivitas, dimana metode ini mengklasifikasikan titik-titik yang terhubung atau berbatasan langsung. Penelitian ini menghasilkan 3 klaster untuk masing-masing kategori, yaitu klaster daerah-daerah yang memiliki tingkat persebaran vaksinasi tinggi, sedang, dan rendah. Evaluasi klaster diukur menggunakan Davies-Bouldin Index (DBI) dengan rata-rata nilai DBI tiap kategori yaitu 1,01422.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"14 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115488271","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-04-30DOI: 10.26714/jsunimus.10.1.2022.32-43
Nanda Yuliana Eka Putri, Dewi Kurniasih, Farizi Rachman
Penerapan keselamatan dan kesehatan kerja pada salah satu industri kemasan di Jawa Timur masih belum dilakukan dengan optimal sehingga berdampak pada tingginya angka kecelakaan kerja. Mayoritas kecelakaan kerja disebabkan oleh perilaku tidak aman yang dipicu oleh rendahnya safety behavior. Pengaruh safety leadership terhadap safety behavior diketahui sangat kuat. Penelitian ini bertujuan untuk menganalisis pengaruh safety leadership meliputi safety motivation, safety concern, dan safety policy terhadap safety behavior. Penelitian ini merupakan penelitian deskriptif observasional dengan menggunakan desain cross-sectional. Total populasi pekerja pada divisi jumbo bag sebanyak 91 pekerja. Sedangkan responden yang digunakan sebanyak 75 pekerja yang telah dihitung dengan menggunakan rumus Slovin dari total populasi. Pengambilan sampel menggunakan metode simple random sampling. Variabel independen dalam penelitian ini meliputi safety motivation, safety concern, dan safety policy, sedangkan variabel dependen meliputi safety behavior. Pengambilan data dilakukan dengan menggunakan kuesioner tertutup berskala likert. Data yang didapat dianalisis menggunakan metode regresi linier berganda dengan bantuan software SPSS (Statistical Package for the Social Sciences). Hasil penelitian menunjukkan bahwa safety motivation (p=0,045), safety concern (p=0,004), dan safety policy (p=0,019) memiliki pengaruh yang signifikan secara parsial terhadap variabel dependen berupa safety behavior.
{"title":"ANALISIS PENGARUH FAKTOR SAFETY LEADERSHIP TERHADAP SAFETY BEHAVIOR PEKERJA INDUSTRI KEMASAN","authors":"Nanda Yuliana Eka Putri, Dewi Kurniasih, Farizi Rachman","doi":"10.26714/jsunimus.10.1.2022.32-43","DOIUrl":"https://doi.org/10.26714/jsunimus.10.1.2022.32-43","url":null,"abstract":"Penerapan keselamatan dan kesehatan kerja pada salah satu industri kemasan di Jawa Timur masih belum dilakukan dengan optimal sehingga berdampak pada tingginya angka kecelakaan kerja. Mayoritas kecelakaan kerja disebabkan oleh perilaku tidak aman yang dipicu oleh rendahnya safety behavior. Pengaruh safety leadership terhadap safety behavior diketahui sangat kuat. Penelitian ini bertujuan untuk menganalisis pengaruh safety leadership meliputi safety motivation, safety concern, dan safety policy terhadap safety behavior. Penelitian ini merupakan penelitian deskriptif observasional dengan menggunakan desain cross-sectional. Total populasi pekerja pada divisi jumbo bag sebanyak 91 pekerja. Sedangkan responden yang digunakan sebanyak 75 pekerja yang telah dihitung dengan menggunakan rumus Slovin dari total populasi. Pengambilan sampel menggunakan metode simple random sampling. Variabel independen dalam penelitian ini meliputi safety motivation, safety concern, dan safety policy, sedangkan variabel dependen meliputi safety behavior. Pengambilan data dilakukan dengan menggunakan kuesioner tertutup berskala likert. Data yang didapat dianalisis menggunakan metode regresi linier berganda dengan bantuan software SPSS (Statistical Package for the Social Sciences). Hasil penelitian menunjukkan bahwa safety motivation (p=0,045), safety concern (p=0,004), dan safety policy (p=0,019) memiliki pengaruh yang signifikan secara parsial terhadap variabel dependen berupa safety behavior.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"os-14 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127762792","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-04-29DOI: 10.26714/jsunimus.10.1.2022.1-6
M. Miftahuddin, Vivi Dina Melani, M. Subianto, Indah Manfaati Nur
Indeks Harga Perdagangan Besar Indonesia (IHPBI) diperlukan sebagai suatu penunjuk awal dalam analisis harga konsumen, dimana ketika terjadi inflasi maka stabilitas ekonomi Indonesia akan mulai terganggu. Sehingga untuk menekan laju inflasi pemerintah perlu mengambil suatu kebijakan menaikkan suku bunga sebagai satu solusi. Penelitian ini bertujuan untuk melihat IHPBI dalam 3 tahun ke depan melalui peramalan runtun waktumenggunakan metode ARFIMA-GPH dan intervensi multi input. Hal ini dilakukan untuk mengetahui pergerakan IHPBI selama 3 tahun kedepan dan untuk membandingkan kedua metode tersebut. Hasil yang diperoleh menunjukkan bahwa model yang dipilih adalah ARFIMA (1,d,0) dengan nilai d 0,1579, intervensi multi input pada Januari 2009 dengan ARIMA (1,1,1) orde (b=0, s=1, r=1 ) dan intervensi pada November 2013 dengan orde ARIMA (1,1,2) (b=1, s=1, r=0). Peramalan IHPBI untuk 3 tahun ke depan meningkat secara perlahan setiap bulannya. Metode terbaik berdasarkan perbandingan nilai akurasi peramalan adalah intervensi Januari 2013 dengan ARIMA(1,1,2) dan orde (b=1, s=1, r=0), memiliki nilai akurasi MAE dan MAPE terkecil, yaitu MAE sebesar 0,0119 dan MAPE sebesar 0,9079% yang menunjukkan bahwa metode dan model dalam peramalan sangat baik karena nilai akurasi model peramalan mendekati 0.PERBANDINGAN NILAI AKURASI PERAMALAN MODEL TERBAIK ARFIMA-GPH DAN INTERVENSI MULTI INPUT DALAM PERAMALAN IHPBI
{"title":"PERBANDINGAN NILAI AKURASI PERAMALAN MODEL TERBAIK ARFIMA-GPH DAN INTERVENSI MULTI INPUT DALAM PERAMALAN IHPBI","authors":"M. Miftahuddin, Vivi Dina Melani, M. Subianto, Indah Manfaati Nur","doi":"10.26714/jsunimus.10.1.2022.1-6","DOIUrl":"https://doi.org/10.26714/jsunimus.10.1.2022.1-6","url":null,"abstract":"Indeks Harga Perdagangan Besar Indonesia (IHPBI) diperlukan sebagai suatu penunjuk awal dalam analisis harga konsumen, dimana ketika terjadi inflasi maka stabilitas ekonomi Indonesia akan mulai terganggu. Sehingga untuk menekan laju inflasi pemerintah perlu mengambil suatu kebijakan menaikkan suku bunga sebagai satu solusi. Penelitian ini bertujuan untuk melihat IHPBI dalam 3 tahun ke depan melalui peramalan runtun waktumenggunakan metode ARFIMA-GPH dan intervensi multi input. Hal ini dilakukan untuk mengetahui pergerakan IHPBI selama 3 tahun kedepan dan untuk membandingkan kedua metode tersebut. Hasil yang diperoleh menunjukkan bahwa model yang dipilih adalah ARFIMA (1,d,0) dengan nilai d 0,1579, intervensi multi input pada Januari 2009 dengan ARIMA (1,1,1) orde (b=0, s=1, r=1 ) dan intervensi pada November 2013 dengan orde ARIMA (1,1,2) (b=1, s=1, r=0). Peramalan IHPBI untuk 3 tahun ke depan meningkat secara perlahan setiap bulannya. Metode terbaik berdasarkan perbandingan nilai akurasi peramalan adalah intervensi Januari 2013 dengan ARIMA(1,1,2) dan orde (b=1, s=1, r=0), memiliki nilai akurasi MAE dan MAPE terkecil, yaitu MAE sebesar 0,0119 dan MAPE sebesar 0,9079% yang menunjukkan bahwa metode dan model dalam peramalan sangat baik karena nilai akurasi model peramalan mendekati 0.PERBANDINGAN NILAI AKURASI PERAMALAN MODEL TERBAIK ARFIMA-GPH DAN INTERVENSI MULTI INPUT DALAM PERAMALAN IHPBI","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"64 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"131778917","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-04-28DOI: 10.26714/jsunimus.10.1.2022.7-14
Alfisyahrina Hapsery, Izzadin Muhamad Nur Irfan, Prizka rismawati Arum
Stroke adalah penyakit yang disebabkan oleh terhentinya suplai darah ke otak yang menyebabkan otak kehilangan fungsinya. Stroke terjadi ketika pembuluh darah di otak tersumbat, mengakibatkan otak tidak mendapatkan suplai oksigen yang cukup untuk membawa darah ke seluruh tubuh, mengakibatkan kematian sel/jaringan. Faktor risiko stroke dapat dipengaruhi oleh usia, jenis kelamin, dan faktor akibat perilaku tidak sehat seperti hipertensi, diabetes. Berbagai faktor diduga mempengaruhi pasien stroke, oleh karena itu dilakukan pemodelan untuk memastikan faktor-faktor tersebut. Metode yang dapat memberikan informasi untuk menentukan faktor kelangsungan hidup seseorang adalah model regresi cox proporsional hazard. Variabel terikat ditentukan dari jumlah waktu kelangsungan hidup pasien dan jenis pasien yang termasuk data tersensor atau tidak. Dalam penelitian ini, data yang digunakan sebagai variabel terikat adalah lamanya pasien stroke dirawat inap sampai sembuh, atau mengalami suatu kejadian yaitu kekambuhan. Sedangkan variabel bebas yang digunakan dalam penelitian ini adalah umur, jenis kelamin, hipertensi, diabetes, lemas, nyeri, pelo, sulit makan, mual, muntah, demam dan pusing. Hasil pemodelan regresi cox proportional hazard diperoleh faktor-faktor yang mempengaruhi kekambuhan pasien stroke yaitu variabel diabetes dengan nilai estimasi 1,6696 dan variabel lemas.
{"title":"MODEL COX PROPORTIONAL HAZARD dengan Metode Backward untuk Analisis Ketahanan Hidup Pasien Penderita Stroke","authors":"Alfisyahrina Hapsery, Izzadin Muhamad Nur Irfan, Prizka rismawati Arum","doi":"10.26714/jsunimus.10.1.2022.7-14","DOIUrl":"https://doi.org/10.26714/jsunimus.10.1.2022.7-14","url":null,"abstract":"Stroke adalah penyakit yang disebabkan oleh terhentinya suplai darah ke otak yang menyebabkan otak kehilangan fungsinya. Stroke terjadi ketika pembuluh darah di otak tersumbat, mengakibatkan otak tidak mendapatkan suplai oksigen yang cukup untuk membawa darah ke seluruh tubuh, mengakibatkan kematian sel/jaringan. Faktor risiko stroke dapat dipengaruhi oleh usia, jenis kelamin, dan faktor akibat perilaku tidak sehat seperti hipertensi, diabetes. Berbagai faktor diduga mempengaruhi pasien stroke, oleh karena itu dilakukan pemodelan untuk memastikan faktor-faktor tersebut. Metode yang dapat memberikan informasi untuk menentukan faktor kelangsungan hidup seseorang adalah model regresi cox proporsional hazard. Variabel terikat ditentukan dari jumlah waktu kelangsungan hidup pasien dan jenis pasien yang termasuk data tersensor atau tidak. Dalam penelitian ini, data yang digunakan sebagai variabel terikat adalah lamanya pasien stroke dirawat inap sampai sembuh, atau mengalami suatu kejadian yaitu kekambuhan. Sedangkan variabel bebas yang digunakan dalam penelitian ini adalah umur, jenis kelamin, hipertensi, diabetes, lemas, nyeri, pelo, sulit makan, mual, muntah, demam dan pusing. Hasil pemodelan regresi cox proportional hazard diperoleh faktor-faktor yang mempengaruhi kekambuhan pasien stroke yaitu variabel diabetes dengan nilai estimasi 1,6696 dan variabel lemas.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"22 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134624176","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pesantren, juga dikenal sebagai Islamic boarding school, ada di tengah-tengah masyarakat sebagai lembaga pendidikan Islam dan lembaga penyiaran sosial-agama dan ekonomi. Pesantren memiliki sejarah panjang dalam mengembangkan ekonomi kerakyatan. Pesantren di Sumatera Utara diperkirakan sudah ada sejak tahun 1912 ketika Pesantren Musthafawiyah Purba Baru didirikan. Data Kementerian Agama Republik Indonesia menunjukkan 183 pesantren di Sumatera Utara yang tersebar di 23 kabupaten/kota pada 2019. Menghadapi era globalisasi di tengah perbaikan ekonomi di era new normal, pesantren harus lebih dinamis tanpa kehilangan karakteristik utamanya, yaitu kemampuan di bidang pengetahuan agama. Optimalnya pemberdayaan ekonomi pesantren di Sumatera Utara akan membuat pesantren memiliki daya saing industri. Merumuskan strategi pemberdayaan ekonomi pesantren di Sumatera Utara diawali dengan mendeskripsikan kendala yang dialami berdasarkan hasil kajian dan observasi di lapangan. Kemudian, berdasarkan kendala tersebut, dirumuskan strategi yang dapat diterapkan untuk mengoptimalkan pemberdayaan ekonomi pesantren. Penelitian ini bertujuan untuk menganalisis kendala pesantren dan strategi pemberdayaan dengan menggunakan kajian ilmiah, yaitu dengan menggunakan metode Analytic Network Process (ANP). Hasil analisis menggunakan metode ANP diharapkan dapat digunakan untuk merumuskan kebijakan agar lebih fokus. Selain itu, hasilnya diharapkan dapat dimanfaatkan oleh pesantren dan stakeholder untuk memaksimalkan peran pesantren dalam mengembangkan industri halal dan mendorong pemulihan ekonomi.
{"title":"METODE ANALYTIC NETWORK PROCESS UNTUK MENYUSUN STRATEGI PEMBERDAYAAN EKONOMI PESANTREN SUMATERA UTARA DI ERA NEW NORMAL","authors":"Devi Nurtiyasari, Angga Syahputra, Ardhina Wijayanti","doi":"10.26714/jsunimus.10.1.2022.15-25","DOIUrl":"https://doi.org/10.26714/jsunimus.10.1.2022.15-25","url":null,"abstract":"Pesantren, juga dikenal sebagai Islamic boarding school, ada di tengah-tengah masyarakat sebagai lembaga pendidikan Islam dan lembaga penyiaran sosial-agama dan ekonomi. Pesantren memiliki sejarah panjang dalam mengembangkan ekonomi kerakyatan. Pesantren di Sumatera Utara diperkirakan sudah ada sejak tahun 1912 ketika Pesantren Musthafawiyah Purba Baru didirikan. Data Kementerian Agama Republik Indonesia menunjukkan 183 pesantren di Sumatera Utara yang tersebar di 23 kabupaten/kota pada 2019. Menghadapi era globalisasi di tengah perbaikan ekonomi di era new normal, pesantren harus lebih dinamis tanpa kehilangan karakteristik utamanya, yaitu kemampuan di bidang pengetahuan agama. Optimalnya pemberdayaan ekonomi pesantren di Sumatera Utara akan membuat pesantren memiliki daya saing industri. Merumuskan strategi pemberdayaan ekonomi pesantren di Sumatera Utara diawali dengan mendeskripsikan kendala yang dialami berdasarkan hasil kajian dan observasi di lapangan. Kemudian, berdasarkan kendala tersebut, dirumuskan strategi yang dapat diterapkan untuk mengoptimalkan pemberdayaan ekonomi pesantren. Penelitian ini bertujuan untuk menganalisis kendala pesantren dan strategi pemberdayaan dengan menggunakan kajian ilmiah, yaitu dengan menggunakan metode Analytic Network Process (ANP). Hasil analisis menggunakan metode ANP diharapkan dapat digunakan untuk merumuskan kebijakan agar lebih fokus. Selain itu, hasilnya diharapkan dapat dimanfaatkan oleh pesantren dan stakeholder untuk memaksimalkan peran pesantren dalam mengembangkan industri halal dan mendorong pemulihan ekonomi.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"4 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-08","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128513110","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2021-12-31DOI: 10.26714/jsunimus.9.2.2021.101-108
Ilham Adnan Kasoqi, Memi Nor Hayati, Rito Goejantoro
Potential Villages (PODES) provide data on the existence, availability and development of the potential of each government administrative area. In order to make it easier for governments to make policies for a region, it is necessary to group the village and sub-districts. Cluster analysis is an analysis that aims to group objects based on the information that found in the data. One of the cluster analysis methods is the divisive analysis, which is a hierarchical grouping method with a top-down approach, where all objects are placed in one cluster and then sequentially divided into separate groups. This research aim to group villages or sub-districts in Kutai Kartanegara based on the determinants of village backwardness and obtaining the silhouette coefficient value from the optimal cluster analysis using the divisive analysis algorithm. The data used is the 2018 PODES data in Kutai Kartanegara and used 15 variables from natural and environmental factors, facilities infrastructure and access factors as well as socio-economic factors of the population. The results of the optimal cluster formed in the grouping of villages or sub-districts in Kutai Kartanegara using the divisive analysis method are 2 clusters. Cluster 1 consisting of 230 villages or sub-districts and cluster 2 consisting of 2 sub-districts. Silhouette coefficient value for data validation from clustering village or sub-districts in Kutai Kartanegara using the divisive analysis method produces 2 clusters is 0,744 which states that the cluster structure formed in this grouping is a strong structure.
{"title":"PENGELOMPOKAN DESA ATAU KELURAHAN DI KUTAI KARTANEGARA MENGGUNAKAN ALGORITMA DIVISIVE ANALYSIS","authors":"Ilham Adnan Kasoqi, Memi Nor Hayati, Rito Goejantoro","doi":"10.26714/jsunimus.9.2.2021.101-108","DOIUrl":"https://doi.org/10.26714/jsunimus.9.2.2021.101-108","url":null,"abstract":"Potential Villages (PODES) provide data on the existence, availability and development of the potential of each government administrative area. In order to make it easier for governments to make policies for a region, it is necessary to group the village and sub-districts. Cluster analysis is an analysis that aims to group objects based on the information that found in the data. One of the cluster analysis methods is the divisive analysis, which is a hierarchical grouping method with a top-down approach, where all objects are placed in one cluster and then sequentially divided into separate groups. This research aim to group villages or sub-districts in Kutai Kartanegara based on the determinants of village backwardness and obtaining the silhouette coefficient value from the optimal cluster analysis using the divisive analysis algorithm. The data used is the 2018 PODES data in Kutai Kartanegara and used 15 variables from natural and environmental factors, facilities infrastructure and access factors as well as socio-economic factors of the population. The results of the optimal cluster formed in the grouping of villages or sub-districts in Kutai Kartanegara using the divisive analysis method are 2 clusters. Cluster 1 consisting of 230 villages or sub-districts and cluster 2 consisting of 2 sub-districts. Silhouette coefficient value for data validation from clustering village or sub-districts in Kutai Kartanegara using the divisive analysis method produces 2 clusters is 0,744 which states that the cluster structure formed in this grouping is a strong structure.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"303 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2021-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115219987","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2021-12-31DOI: 10.26714/jsunimus.9.2.2021.86-95
Ayu Siska Maryoni
Penelitian ini bertujuan untuk menganalisis faktor-faktor apa saja yang mempengaruhi mahasiswa dalam pengambilan program studi Ekonomi Syariah di Perguruan Tinggi Universitas Islam Negeri Sultan Maulana Hasanuddin Banten. Adapun faktor – faktor yang akan diteliti oleh peneliti antara lain minat, motivasi, status orang tua, pekerjaan yang diharapkan dan pengaruh lingkungan belajar baik di lingkungan rumah, kampus maupun masyarakat. Pada penelitian ini menggunakan metode kuisioner yaitu dengan cara membuat daftar pertanyaan dan memberikannya kepada responden dengan harapan akan memberi respon atas pertanyaan tersebut. Pengukuran variabel dilakukan dengan skala Likert yang menggunakan metode skorsing. Adapun populasi dalam penelitian ini adalah mahasiswa S1 Fakultas Ekonomi dan Bisnis Islam Jurusan Ekonomi Syariah di Universitas Islam Negeri Sultan Maulana Hasanuddin Banten. Metode pengambilan sampel dilakukan dengan cara accidental sampling yaitu teknik penentuan sampel berdasarkan kebetulan/insidential bertemu dengan peneliti dan dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data.
{"title":"ANALISIS FAKTOR YANG MEMPENGARUHI MAHASISWA DALAM PENGAMBILAN PROGRAM STUDI EKONOMI SYARIAH UIN SULTAN MAULANA HASANUDDIN BANTEN","authors":"Ayu Siska Maryoni","doi":"10.26714/jsunimus.9.2.2021.86-95","DOIUrl":"https://doi.org/10.26714/jsunimus.9.2.2021.86-95","url":null,"abstract":"Penelitian ini bertujuan untuk menganalisis faktor-faktor apa saja yang mempengaruhi mahasiswa dalam pengambilan program studi Ekonomi Syariah di Perguruan Tinggi Universitas Islam Negeri Sultan Maulana Hasanuddin Banten. Adapun faktor – faktor yang akan diteliti oleh peneliti antara lain minat, motivasi, status orang tua, pekerjaan yang diharapkan dan pengaruh lingkungan belajar baik di lingkungan rumah, kampus maupun masyarakat. Pada penelitian ini menggunakan metode kuisioner yaitu dengan cara membuat daftar pertanyaan dan memberikannya kepada responden dengan harapan akan memberi respon atas pertanyaan tersebut. Pengukuran variabel dilakukan dengan skala Likert yang menggunakan metode skorsing. Adapun populasi dalam penelitian ini adalah mahasiswa S1 Fakultas Ekonomi dan Bisnis Islam Jurusan Ekonomi Syariah di Universitas Islam Negeri Sultan Maulana Hasanuddin Banten. Metode pengambilan sampel dilakukan dengan cara accidental sampling yaitu teknik penentuan sampel berdasarkan kebetulan/insidential bertemu dengan peneliti dan dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"129 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2021-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132222317","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2021-12-31DOI: 10.26714/jsunimus.9.2.2021.79-85
Jerhi Wahyu Fernanda
Latent Dirichlet Allocation (LDA) merupakan metode untuk pemodelan topik adalah yang didasarkan kepada konsep probabilitas untuk mencari kemiripan suatu dokumen dan mengelompokkan dokumen-dokumen menjadi beberapa topik atau kelompok. Metode ini masuk dalam unsupervised learning karena tidak ada label atau target pada data yang dianalisis. Penelitian ini bertujuan untuk mengelompokkan persepsi tentang pembelajaran online ke dalam beberapa topik menggunakan metode LDA. Data penelitian ini adalah data primer yang dikumpulkan melalui formulir online. Hasil analisis menunjukkan bahwa pemodelan LDA menggunakan 6 topik memiliki coherence score paling besar. Hasil visualisasi data text menggunakan wordcloud didapatkan kata tidak memiliki frekuensi kemunculan terbesar. Penentuan jumlah topik yang optimal berdasarkan coherence score, didapatkan pemodelan LDA dengan 6 topik adalah yang paling optimal. secara garis besar terdapat beberapa kata yang saling beririsan dengan topik yang lain. Hasil pemodelan memberikan gambaran bahwa persepsi/pandangan mahasiswa terdapat pembelajaran online terkait pemahaman materi yang diberikan dosen, sinyal atau jaringan internet, kuota, dan tugas. Pada kata-kata terkait pemahaman materi, mahasiswa memberikan pandangan bahwa mereka tidak dapat memahami dengan baik materi yang diberikan oleh dosen.
{"title":"PEMODELAN PERSEPSI PEMBELAJARAN ONLINE MENGGUNAKAN LATENT DIRICHLET ALLOCATION","authors":"Jerhi Wahyu Fernanda","doi":"10.26714/jsunimus.9.2.2021.79-85","DOIUrl":"https://doi.org/10.26714/jsunimus.9.2.2021.79-85","url":null,"abstract":"Latent Dirichlet Allocation (LDA) merupakan metode untuk pemodelan topik adalah yang didasarkan kepada konsep probabilitas untuk mencari kemiripan suatu dokumen dan mengelompokkan dokumen-dokumen menjadi beberapa topik atau kelompok. Metode ini masuk dalam unsupervised learning karena tidak ada label atau target pada data yang dianalisis. Penelitian ini bertujuan untuk mengelompokkan persepsi tentang pembelajaran online ke dalam beberapa topik menggunakan metode LDA. Data penelitian ini adalah data primer yang dikumpulkan melalui formulir online. Hasil analisis menunjukkan bahwa pemodelan LDA menggunakan 6 topik memiliki coherence score paling besar. Hasil visualisasi data text menggunakan wordcloud didapatkan kata tidak memiliki frekuensi kemunculan terbesar. Penentuan jumlah topik yang optimal berdasarkan coherence score, didapatkan pemodelan LDA dengan 6 topik adalah yang paling optimal. secara garis besar terdapat beberapa kata yang saling beririsan dengan topik yang lain. Hasil pemodelan memberikan gambaran bahwa persepsi/pandangan mahasiswa terdapat pembelajaran online terkait pemahaman materi yang diberikan dosen, sinyal atau jaringan internet, kuota, dan tugas. Pada kata-kata terkait pemahaman materi, mahasiswa memberikan pandangan bahwa mereka tidak dapat memahami dengan baik materi yang diberikan oleh dosen.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"62 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2021-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132783200","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
The manufacturing process consists of several stages, one of them is the finishing stage. The finishing stage at PT. Supra Surya Indonesia consists of surface preparation process and painting process. The adhesion of the paint must meet the criteria to get good protective quality for the product. In the painting process, there are always defective products that must go through the repair stage before packing. Process parameters such as cleanliness level of the material surface and paint thickness need to be considered and the selection of the type of paint will affect the results of painting. Based on the problems above, it is necessary to research the analysis of process parameters that can optimize the value of paint adhesion. This study uses the Taguchi method so that the contribution of cleanliness parameters is 49.6995 %, paint thickness is 5.0014 %, and paint type is 40.4139 %. The optimum combination of parameters is cleanliness Sa 2 1/2, the thickness of 100 µm, and the type of phenolic epoxy paint.
制造过程包括几个阶段，其中一个是精加工阶段。PT. Supra Surya Indonesia的精加工阶段包括表面准备过程和涂装过程。涂料的附着力必须符合标准，才能对产品起到良好的保护作用。在涂装过程中，总会出现不良品，在包装前必须经过修复阶段。需要考虑材料表面的清洁度水平和油漆厚度等工艺参数，油漆类型的选择将影响涂装结果。基于上述问题，有必要对能优化涂料附着力值的工艺参数进行研究分析。本研究采用田口法，清洁度参数的贡献率为49.6995%，涂料厚度为5.0014%，涂料类型为40.4139 %。最佳参数组合为洁净度Sa 2 1/2、厚度100µm、酚醛环氧涂料种类。
{"title":"OPTIMASI SETTING PARAMATER CLEANLINESS, KETEBALAN, DAN JENIS CAT PADA MATERIAL BAJA A572 TERHADAP DAYA REKAT CAT","authors":"Fariz Rachman, Bayu Wiro Karuniawan, Anggie Madhu Firdiandani","doi":"10.26714/jsunimus.9.2.2021.96-100","DOIUrl":"https://doi.org/10.26714/jsunimus.9.2.2021.96-100","url":null,"abstract":"The manufacturing process consists of several stages, one of them is the finishing stage. The finishing stage at PT. Supra Surya Indonesia consists of surface preparation process and painting process. The adhesion of the paint must meet the criteria to get good protective quality for the product. In the painting process, there are always defective products that must go through the repair stage before packing. Process parameters such as cleanliness level of the material surface and paint thickness need to be considered and the selection of the type of paint will affect the results of painting. Based on the problems above, it is necessary to research the analysis of process parameters that can optimize the value of paint adhesion. This study uses the Taguchi method so that the contribution of cleanliness parameters is 49.6995 %, paint thickness is 5.0014 %, and paint type is 40.4139 %. The optimum combination of parameters is cleanliness Sa 2 1/2, the thickness of 100 µm, and the type of phenolic epoxy paint.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"80 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2021-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126261274","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2021-12-31DOI: 10.26714/jsunimus.9.2.2021.109-116
Iin Fadliani, I. Purnamasari, Wasono Wasono
Inflation is defined as rising prices of goods in general and continuously. The effect of inflation on the economy can cause the currency to decline, resulting in the country's economic power becoming weak. Time series data is data arranged in order of time or data collected over time. Changes in the inflation rate tend to make inflation data unstable and affect the forecasting process in the time series data. The method used in this study is the seasonal autoregressive integrated moving (SARIMA) method to predict the time series in one or two periods ahead. This study also used outlier identifiers on models that still have outlier tendencies in residuals. The forecasting results of the SARIMA method become inaccurate when residual data contains outliers. The presence of outlier data in residual data results in residuals is not a normal distribution. The method used obtained the best model results, namely the SARIMA model (0,1,1) (0,1,1)12 with inflation forecast value for January to May 2015 is in the range of 5-6 %. On SARIMA models (0,1,1) (1,1,1)12 and SARIMA models (1,1,0) (2,1,0)12 outliers are detected in residual are Additive Outlier (AO) and Temporary Change (TC) type.
{"title":"PERAMALAN DENGAN METODE SARIMA PADA DATA INFLASI DAN IDENTIFIKASI TIPE OUTLIER (Studi Kasus: Data Inflasi Indonesia Tahun 2008-2014)","authors":"Iin Fadliani, I. Purnamasari, Wasono Wasono","doi":"10.26714/jsunimus.9.2.2021.109-116","DOIUrl":"https://doi.org/10.26714/jsunimus.9.2.2021.109-116","url":null,"abstract":"Inflation is defined as rising prices of goods in general and continuously. The effect of inflation on the economy can cause the currency to decline, resulting in the country's economic power becoming weak. Time series data is data arranged in order of time or data collected over time. Changes in the inflation rate tend to make inflation data unstable and affect the forecasting process in the time series data. The method used in this study is the seasonal autoregressive integrated moving (SARIMA) method to predict the time series in one or two periods ahead. This study also used outlier identifiers on models that still have outlier tendencies in residuals. The forecasting results of the SARIMA method become inaccurate when residual data contains outliers. The presence of outlier data in residual data results in residuals is not a normal distribution. The method used obtained the best model results, namely the SARIMA model (0,1,1) (0,1,1)12 with inflation forecast value for January to May 2015 is in the range of 5-6 %. On SARIMA models (0,1,1) (1,1,1)12 and SARIMA models (1,1,0) (2,1,0)12 outliers are detected in residual are Additive Outlier (AO) and Temporary Change (TC) type.","PeriodicalId":183562,"journal":{"name":"Jurnal Statistika Universitas Muhammadiyah Semarang","volume":"75 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2021-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124691321","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：