Latar Belakang: Segala tindakan yang melanggar hukum pidana ialah tindak kejahatan atau Kriminalitas. Tindakan yang memberikan bahaya secara fisik dan harta orang lain ialah karakteristik kiriminalitas, seperti: kekerasan fisik, pelecehan, pembunuhan, perbudakan, dan obat-obatan terlarang atau narkotika, serta penipuan, perampasan hak milik, korupsi, dan penggelapan uang. Tujuan: Menganalisis pengelompokan wilayah dengan metode Ward clustering terhadap daerah rawan kriminal di Provinsi Jawa Timur tahun 2021. Metode: Menerapkan metode kuantitatif berupa metode Cluster Hierarki menggunakan analisis Ward untuk data skunder tentang jumlah kriminalitas di Jawa Timur tahun 2021. Data pengamatan diperoleh dari publikasi Badan Pusat Statistik (BPS) Provinsi Jawa Timur 2021. Hasil: Diperolaeh hasil Cluster 1 beranggotakan 31 Kabupaten/kota yaitu Pacitan, Ponorogo, Trenggalek, Tulungagung, Blitar, Kediri, Malang, Situbondo, Probolinggo, Pasuruan, Sidoarjo, Mojokerto, Jombang, Nganjuk, Madiun, Magetan, Ngawi, Bojonegoro, Tuban, Lamongan, Sampang, Pamekasan, Sumenep, Kota Kediri, Kota Blitar, Kota Probolinggo, Kota Pasuruan, Kota Mojokerto, Kota Madiun, kota Surabaya, dan kota Batu.Cluster 2 beranggotakan 5 kabupaten/kota yaitu Lumajang, Banyuwangi, Bondowoso, Bangkalan, dan Kota Malang.Cluster 3 beranggotakan 2 kabupaten/kota yaitu Jember dan Gresik.. Kesimpulan: Diperoleh 3 cluster kecamatan yang memiliki kemiripan karakteristik dari studi clustering dengan metode Ward untuk kabupaten/kota yang rawan kriminalitas di Jawa Timur Tahun 2021.
{"title":"Penerapan Metode Ward Clustering Untuk Pengelompokkan Daerah Rawan Kriminalitas Di Jawa Timur Tahun 2021","authors":"Insiyah Insiyah, Miftakhul Khasanah, Tantra Pratama Hendarsyah","doi":"10.32665/statkom.v2i1.1664","DOIUrl":"https://doi.org/10.32665/statkom.v2i1.1664","url":null,"abstract":"Latar Belakang: Segala tindakan yang melanggar hukum pidana ialah tindak kejahatan atau Kriminalitas. Tindakan yang memberikan bahaya secara fisik dan harta orang lain ialah karakteristik kiriminalitas, seperti: kekerasan fisik, pelecehan, pembunuhan, perbudakan, dan obat-obatan terlarang atau narkotika, serta penipuan, perampasan hak milik, korupsi, dan penggelapan uang.\u0000Tujuan: Menganalisis pengelompokan wilayah dengan metode Ward clustering terhadap daerah rawan kriminal di Provinsi Jawa Timur tahun 2021.\u0000Metode: Menerapkan metode kuantitatif berupa metode Cluster Hierarki menggunakan analisis Ward untuk data skunder tentang jumlah kriminalitas di Jawa Timur tahun 2021. Data pengamatan diperoleh dari publikasi Badan Pusat Statistik (BPS) Provinsi Jawa Timur 2021.\u0000Hasil: Diperolaeh hasil Cluster 1 beranggotakan 31 Kabupaten/kota yaitu Pacitan, Ponorogo, Trenggalek, Tulungagung, Blitar, Kediri, Malang, Situbondo, Probolinggo, Pasuruan, Sidoarjo, Mojokerto, Jombang, Nganjuk, Madiun, Magetan, Ngawi, Bojonegoro, Tuban, Lamongan, Sampang, Pamekasan, Sumenep, Kota Kediri, Kota Blitar, Kota Probolinggo, Kota Pasuruan, Kota Mojokerto, Kota Madiun, kota Surabaya, dan kota Batu.Cluster 2 beranggotakan 5 kabupaten/kota yaitu Lumajang, Banyuwangi, Bondowoso, Bangkalan, dan Kota Malang.Cluster 3 beranggotakan 2 kabupaten/kota yaitu Jember dan Gresik..\u0000Kesimpulan: Diperoleh 3 cluster kecamatan yang memiliki kemiripan karakteristik dari studi clustering dengan metode Ward untuk kabupaten/kota yang rawan kriminalitas di Jawa Timur Tahun 2021.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"83 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"123432610","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 : 2023-06-30DOI: 10.32665/statkom.v2i1.1661
Muhammad Arifat, Wardiana Adinda Putri, Alfin Syayirotin Mufida
Latar Belakang: IPM adalah alat ukur pencapaian kualitas hidup suatu negara yang terdiri atas tiga dimensi, yaitu: kesehatan, pengetahuan, dan hidup layak. Terdapat variasi IPM yang cukup signifikan antara kota dan kabupaten. Untuk mengatasi permasalahan ini, perlu adanya klasifikasi IPM di Jawa Timur sebagai acuan pemerataan di seluruh wilayah Jawa Timur. Tujuan : Mendapatkan hasil klasifikasi IPM di Jawa Timur menggunakan metode Naive Bayes Classifier (NBC). Metode : Digunakan metode kuantitatif dengan metode NBC dan software Jupyter Notebook untuk mengklasifikasikan data IPM skala nominal yang didapatkan dari BPS Provinsi Jawa Timur. Faktor-faktor yang dianalisis meliputi Pendapatan Per kapita, Angka Harapan Hidup, Harapan Lama Sekolah, Rata-rata Lama Sekolah, Produk Domestik Regional Bruto, Penduduk Miskin, Jumlah Fasilitas Kesehatan, dan Jumlah Tenaga Kesehatan dengan skala rasio. Hasil: Metode klasifikasi NBC berhasil dipakai untuk memprediksi IPM di Jawa Timur. Data training dan testing yang optimal dengan pembagian 70% dan 30% menghasilkan akurasi 91,6%. Dari 12 data testing, model dapat memprediksi IPM dengan keakuratan 92% dan sensitivitas yang baik pada kelas Sangat Tinggi dan Tinggi. Kesimpulan: Disimpulkan bahwa prediksi IPM di Provinsi Jawa Timur cukup akurat dengan persentase keakuratan mencapai 92%. Model juga memiliki nilai recall yang baik pada kelas Sangat Tinggi dan Tinggi serta cukup pada kelas Sedang.
{"title":"Penerapan Metode Naive Bayes Classifier Untuk Klasifikasi Indeks Pembangunan Manusia Di Provinsi Jawa Timur","authors":"Muhammad Arifat, Wardiana Adinda Putri, Alfin Syayirotin Mufida","doi":"10.32665/statkom.v2i1.1661","DOIUrl":"https://doi.org/10.32665/statkom.v2i1.1661","url":null,"abstract":"Latar Belakang: IPM adalah alat ukur pencapaian kualitas hidup suatu negara yang terdiri atas tiga dimensi, yaitu: kesehatan, pengetahuan, dan hidup layak. Terdapat variasi IPM yang cukup signifikan antara kota dan kabupaten. Untuk mengatasi permasalahan ini, perlu adanya klasifikasi IPM di Jawa Timur sebagai acuan pemerataan di seluruh wilayah Jawa Timur.\u0000Tujuan : Mendapatkan hasil klasifikasi IPM di Jawa Timur menggunakan metode Naive Bayes Classifier (NBC).\u0000Metode : Digunakan metode kuantitatif dengan metode NBC dan software Jupyter Notebook untuk mengklasifikasikan data IPM skala nominal yang didapatkan dari BPS Provinsi Jawa Timur. Faktor-faktor yang dianalisis meliputi Pendapatan Per kapita, Angka Harapan Hidup, Harapan Lama Sekolah, Rata-rata Lama Sekolah, Produk Domestik Regional Bruto, Penduduk Miskin, Jumlah Fasilitas Kesehatan, dan Jumlah Tenaga Kesehatan dengan skala rasio.\u0000Hasil: Metode klasifikasi NBC berhasil dipakai untuk memprediksi IPM di Jawa Timur. Data training dan testing yang optimal dengan pembagian 70% dan 30% menghasilkan akurasi 91,6%. Dari 12 data testing, model dapat memprediksi IPM dengan keakuratan 92% dan sensitivitas yang baik pada kelas Sangat Tinggi dan Tinggi.\u0000Kesimpulan: Disimpulkan bahwa prediksi IPM di Provinsi Jawa Timur cukup akurat dengan persentase keakuratan mencapai 92%. Model juga memiliki nilai recall yang baik pada kelas Sangat Tinggi dan Tinggi serta cukup pada kelas Sedang.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132902143","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 : 2023-06-30DOI: 10.32665/statkom.v2i1.1592
Rina Aprilianti, I. Purnamasari, Surya Prangga
Latar Belakang: Pariwisata merupakan salah satu bidang ekonomi yang menjadi sumber penerimaan devisa bagi negara. Banyaknya wisatawan merupakan salah satu faktor yang dapat berpengaruh terhadap perkembangan pariwisata. Sepanjang tahun 2021, jumlah wisatawan mancanegara di Provinsi Kalimantan Timur mengalami penurunan. Penurunan tersebut merupakan dampak dari mewabahnya COVID-19. Peneliti melakukan peramalan jumlah wisatawan mancanegara di Kalimantan Timur menggunakan Fuzzy Backpropagation Neural Network (FBPNN) guna mengantisipasi kenaikan maupun penurunan jumlah wisatawan di masa mendatang. FBPNN adalah metode peramalan Neural Network (NN) yang menggunakan algoritma pembelajaran backpropagation dimana nilai input dan output-nya berupa derajat keanggotaan himpunan fuzzy. Tujuan: Meramalkan jumlah wisatawan mancanegara di Kalimantan Timur pada bulan Januari 2022 sampai dengan Mei 2022. Metode: Metode yang digunakan adalah Fuzzy Backpropagation Neural Network (FBPNN). Hasil: Berdasarkan hasil prediksi FBPNN dengan proporsi 80%:20% untuk data training diperoleh Root Mean Square Error (RMSE) sebesar 113,61 sedangkan untuk RMSE data testing dipeoleh adalah sebesar 108,45. Kesimpulan: Adapun kesimpulan penelitian yaitu metode Fuzzy Backpropagation Neural Network dapat digunakan untuk meramalkan jumlah wisatawan dengan nilai RMSE yang dihasilkan oleh data testing lebih kecil jika dibandingkan dengan nilai RMSE yang dihasilkan oleh data training.
{"title":"Peramalan Jumlah Wisatawan Mancanegara di Provinsi Kalimantan Timur Menggunakan Fuzzy Backpropagation Neural Network","authors":"Rina Aprilianti, I. Purnamasari, Surya Prangga","doi":"10.32665/statkom.v2i1.1592","DOIUrl":"https://doi.org/10.32665/statkom.v2i1.1592","url":null,"abstract":"Latar Belakang: Pariwisata merupakan salah satu bidang ekonomi yang menjadi sumber penerimaan devisa bagi negara. Banyaknya wisatawan merupakan salah satu faktor yang dapat berpengaruh terhadap perkembangan pariwisata. Sepanjang tahun 2021, jumlah wisatawan mancanegara di Provinsi Kalimantan Timur mengalami penurunan. Penurunan tersebut merupakan dampak dari mewabahnya COVID-19. Peneliti melakukan peramalan jumlah wisatawan mancanegara di Kalimantan Timur menggunakan Fuzzy Backpropagation Neural Network (FBPNN) guna mengantisipasi kenaikan maupun penurunan jumlah wisatawan di masa mendatang. FBPNN adalah metode peramalan Neural Network (NN) yang menggunakan algoritma pembelajaran backpropagation dimana nilai input dan output-nya berupa derajat keanggotaan himpunan fuzzy.\u0000Tujuan: Meramalkan jumlah wisatawan mancanegara di Kalimantan Timur pada bulan Januari 2022 sampai dengan Mei 2022.\u0000Metode: Metode yang digunakan adalah Fuzzy Backpropagation Neural Network (FBPNN).\u0000Hasil: Berdasarkan hasil prediksi FBPNN dengan proporsi 80%:20% untuk data training diperoleh Root Mean Square Error (RMSE) sebesar 113,61 sedangkan untuk RMSE data testing dipeoleh adalah sebesar 108,45.\u0000Kesimpulan: Adapun kesimpulan penelitian yaitu metode Fuzzy Backpropagation Neural Network dapat digunakan untuk meramalkan jumlah wisatawan dengan nilai RMSE yang dihasilkan oleh data testing lebih kecil jika dibandingkan dengan nilai RMSE yang dihasilkan oleh data training.","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"122907600","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 : 2023-06-30DOI: 10.32665/statkom.v2i1.1594
Mega Silfiani, Farida Nur Hayati, M. Azka
Background: Stock price forecasting assists investors to anticipate risks and opportunities in making prudent investments and maximizing returns. Objective: This study aims to identify the most accurate model for stock forecasting. Methods: This paper utilized the daily closing stock price of Unilever Indonesia, Tbk (UNVR) from January 1, 2018 to July 31, 202. Double Seasonal Autoregressive Integrated Moving Average (DSARIMA), was utilized in this study. Mean Absolute Scaled Error (MASE) and Median Absolute Percentage Error (MdAPE) are used to compare forecasting accuracy. Results: Following conducting each model, we assessed that the best models are DSARIMAX (0,1,[4]) ([3],1,1)5(1,1,0)253, regarding MASE and MdAPE corresponding to approximately 1.423 and 0.111. The scope of this study has limitations to a test set for one-month forecast periods. Conclusion: As stock prices rise, investors require precise forecasts. Models of forecasting must perform well. This analysis shows how the DSARIMA generate forecasts stock prices more accurately. This investigation evaluated the closing stock price of UNVR. Both MASE and MdAPE assess prediction. After analyzing each model, DSARIMAX (0,1,[4])([3],1,1)5(1,1,0)253 has the lowest MASE and MdAPE values, 1.423 and 0.111, respectively. The procedure lasted one month. Research may combine forecasts and improve their accuracy.
{"title":"Application of Double Seasonal Autoregressive Integrated Moving Average (DSARIMA) for Stock Forecasting","authors":"Mega Silfiani, Farida Nur Hayati, M. Azka","doi":"10.32665/statkom.v2i1.1594","DOIUrl":"https://doi.org/10.32665/statkom.v2i1.1594","url":null,"abstract":"Background: Stock price forecasting assists investors to anticipate risks and opportunities in making prudent investments and maximizing returns.\u0000Objective: This study aims to identify the most accurate model for stock forecasting.\u0000Methods: This paper utilized the daily closing stock price of Unilever Indonesia, Tbk (UNVR) from January 1, 2018 to July 31, 202. Double Seasonal Autoregressive Integrated Moving Average (DSARIMA), was utilized in this study. Mean Absolute Scaled Error (MASE) and Median Absolute Percentage Error (MdAPE) are used to compare forecasting accuracy.\u0000Results: Following conducting each model, we assessed that the best models are DSARIMAX (0,1,[4]) ([3],1,1)5(1,1,0)253, regarding MASE and MdAPE corresponding to approximately 1.423 and 0.111. The scope of this study has limitations to a test set for one-month forecast periods.\u0000Conclusion: As stock prices rise, investors require precise forecasts. Models of forecasting must perform well. This analysis shows how the DSARIMA generate forecasts stock prices more accurately. This investigation evaluated the closing stock price of UNVR. Both MASE and MdAPE assess prediction. After analyzing each model, DSARIMAX (0,1,[4])([3],1,1)5(1,1,0)253 has the lowest MASE and MdAPE values, 1.423 and 0.111, respectively. The procedure lasted one month. Research may combine forecasts and improve their accuracy.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"115 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116021190","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 : 2023-06-30DOI: 10.32665/statkom.v2i1.1597
Hosni Mubarak, Gusmi Kholijah
Latar Belakang: Kesehatan merupakan salah satu indikator pada pembangunan manusia, masalah kesehatan di Provinsi Jambi sedang dihadapkan pada beban ganda yang mana masalah penyakit menular masih menjadi masalah yang belum dapat diselesaikan. Tujuan: Menerapkan analisis kluster metode K-Means untuk mengetahui hasil pengelompokan setiap kabupaten/kota di Provinsi Jambi, sehingga memudahkan Dinas Kesehatan Provinsi Jambi dalam mengevaluasi dan menggambil kebijakan terkait masalah penyakit menular. Metode: Pengelompokan menggunakan metode yaitu K-Means untuk mengelompokan data. Penelitian ini dilakukan di Provinsi Jambi dengan menggunakan data dari Badan Pusat Statistik Provinsi Jambi dengan data penyakit menular adalah malaria, kusta, pneumonia, IMS dan HIV/AIDS. Hasil: Diperoleh hasil tiga centroid dengan masing-masing karakteristik yang berbeda yaitu kluster 1 rendah pada penyakit malaria, pneumonia dan HIV/AIDS, Klaster 2 tinggi pada penyakit malaria, pneumonia dan HIV/AIDS, dan kluster 3 sedang pada kusta, penumonia dan HIV/AIDS. Kesimpulan: Kabupaten/kota di Provinsi Jambi berdasarkan penyakit menular dikelompokan menjadi 3 Klaster yaitu Klaster rendah dengaan anggota Kabupaten Kerinci, Batang Hari, Muaro Jambi, Tanjung Jabung Timur, Tanjung Jabung Barat dan Kota Sungai Penuh. Klaster sedang dengan anggota Kabupaten Merangin, Sarolangun, danTebo. Kemudian klaster tinggi dengan keanggotaan Kabupaten Muaro Bungo dan Kota Jambi.
{"title":"Analisis Klaster Dalam Pengelompokan Kabupaten/Kota Di Provinsi Jambi Berdasarkan Penyakit Menular Menggunakan Metode K-Means","authors":"Hosni Mubarak, Gusmi Kholijah","doi":"10.32665/statkom.v2i1.1597","DOIUrl":"https://doi.org/10.32665/statkom.v2i1.1597","url":null,"abstract":"Latar Belakang: Kesehatan merupakan salah satu indikator pada pembangunan manusia, masalah kesehatan di Provinsi Jambi sedang dihadapkan pada beban ganda yang mana masalah penyakit menular masih menjadi masalah yang belum dapat diselesaikan.\u0000Tujuan: Menerapkan analisis kluster metode K-Means untuk mengetahui hasil pengelompokan setiap kabupaten/kota di Provinsi Jambi, sehingga memudahkan Dinas Kesehatan Provinsi Jambi dalam mengevaluasi dan menggambil kebijakan terkait masalah penyakit menular.\u0000Metode: Pengelompokan menggunakan metode yaitu K-Means untuk mengelompokan data. Penelitian ini dilakukan di Provinsi Jambi dengan menggunakan data dari Badan Pusat Statistik Provinsi Jambi dengan data penyakit menular adalah malaria, kusta, pneumonia, IMS dan HIV/AIDS.\u0000Hasil: Diperoleh hasil tiga centroid dengan masing-masing karakteristik yang berbeda yaitu kluster 1 rendah pada penyakit malaria, pneumonia dan HIV/AIDS, Klaster 2 tinggi pada penyakit malaria, pneumonia dan HIV/AIDS, dan kluster 3 sedang pada kusta, penumonia dan HIV/AIDS.\u0000Kesimpulan: Kabupaten/kota di Provinsi Jambi berdasarkan penyakit menular dikelompokan menjadi 3 Klaster yaitu Klaster rendah dengaan anggota Kabupaten Kerinci, Batang Hari, Muaro Jambi, Tanjung Jabung Timur, Tanjung Jabung Barat dan Kota Sungai Penuh. Klaster sedang dengan anggota Kabupaten Merangin, Sarolangun, danTebo. Kemudian klaster tinggi dengan keanggotaan Kabupaten Muaro Bungo dan Kota Jambi.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"51 6 Suppl 1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126918655","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 : 2022-12-31DOI: 10.32665/statkom.v1i2.1170
Miftahul Janah, Alif Yuanita Kartini
Latar Belakang: Balita merupakan kelompok paling rentan terhadap masalah gizi apabila ditinjau dari sudut masalah kesehatan dan gizi, dimana balita mengalami siklus pertumbuhan dan perkembangan yang relatif pesat. Salah satu metode untuk menentukan faktor-faktor yang signifikan berpengaruh terhadap terjadinya kasus gizi buruk adalah metode Regresi Linear Berganda. Tujuan: Mendapatkan statistik deskriptif untuk kasus balita gizi buruk beserta variabel prediktornya di kabupaten Bojonegoro tahun 2020, dan mengetahui variabel apa saja yang dianggap signifikan mempengaruhi terjadinya kasus gizi buruk di kabupaten Bojonegoro menggunakan metode Regresi Linier Berganda. Metode: Diberikan metode kuantitatif dengan statistik deskriptif, pen gujian asumsi klasik, dan pengujian parameter Regresi Linear Berganda untuk Persentase Kejadian Balita yang mengalami gizi buruk di kabupaten Bojonegoro. Hasil: Karakteristik kejadian balita gizi buruk di kabupaten Bojonegoro untuk persentase kejadian balita gizi buruk per kecamatan terrendah sebesar 1,03% dan tertinggi 7,22%. Diperoleh variable-variabel yang signifikan memberikan pengaruh negative terhadap Persentase Kejadian Balita yang mengalami gizi buruk Per Kecamatan, yaitu Persentase Balita Ditimbang Empat Kali atau Lebih dalam Enam Bulan Terakhir sebesar -2,117, dan Persentase Balita Kurus Mendapatkan Makanan Tambahan sebesar -0,438. Akurasi model regresi diperoleh R-Square sebesar 74,3%. Kesimpulan: Variabel yang berpengaruh signifikan terhadap kejadian balita yang mengalami gizi buruk adalah Persentase Balita Ditimbang Empat Kali atau Lebih dalam Enam Bulan Terakhir, dan Persentase Balita Kurus Mendapatkan Makanan Tambahan.
{"title":"Penerapan Metode Regresi Linier Berganda Pada Kasus Balita Gizi Buruk Di Kabupaten Bojonegoro","authors":"Miftahul Janah, Alif Yuanita Kartini","doi":"10.32665/statkom.v1i2.1170","DOIUrl":"https://doi.org/10.32665/statkom.v1i2.1170","url":null,"abstract":"Latar Belakang: Balita merupakan kelompok paling rentan terhadap masalah gizi apabila ditinjau dari sudut masalah kesehatan dan gizi, dimana balita mengalami siklus pertumbuhan dan perkembangan yang relatif pesat. Salah satu metode untuk menentukan faktor-faktor yang signifikan berpengaruh terhadap terjadinya kasus gizi buruk adalah metode Regresi Linear Berganda.\u0000Tujuan: Mendapatkan statistik deskriptif untuk kasus balita gizi buruk beserta variabel prediktornya di kabupaten Bojonegoro tahun 2020, dan mengetahui variabel apa saja yang dianggap signifikan mempengaruhi terjadinya kasus gizi buruk di kabupaten Bojonegoro menggunakan metode Regresi Linier Berganda.\u0000Metode: Diberikan metode kuantitatif dengan statistik deskriptif, pen gujian asumsi klasik, dan pengujian parameter Regresi Linear Berganda untuk Persentase Kejadian Balita yang mengalami gizi buruk di kabupaten Bojonegoro.\u0000Hasil: Karakteristik kejadian balita gizi buruk di kabupaten Bojonegoro untuk persentase kejadian balita gizi buruk per kecamatan terrendah sebesar 1,03% dan tertinggi 7,22%. Diperoleh variable-variabel yang signifikan memberikan pengaruh negative terhadap Persentase Kejadian Balita yang mengalami gizi buruk Per Kecamatan, yaitu Persentase Balita Ditimbang Empat Kali atau Lebih dalam Enam Bulan Terakhir sebesar -2,117, dan Persentase Balita Kurus Mendapatkan Makanan Tambahan sebesar -0,438. Akurasi model regresi diperoleh R-Square sebesar 74,3%.\u0000Kesimpulan: Variabel yang berpengaruh signifikan terhadap kejadian balita yang mengalami gizi buruk adalah Persentase Balita Ditimbang Empat Kali atau Lebih dalam Enam Bulan Terakhir, dan Persentase Balita Kurus Mendapatkan Makanan Tambahan.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"67 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127334151","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 : 2022-12-31DOI: 10.32665/statkom.v1i2.1169
M. Budiman, Nita Cahyani
Latar Belakang: Pemerintah terus menerus melakukan pembangunan di segala aspek yaitu aspek pendidikan, kesehatan, dan kehidupan yang layak. Untuk mengukur keberhasilan pembangunan, salah satunya digunakan indikator yaitu Indeks Pembangunan Manusia (IPM). Untuk menganalisis IPM, perlu digunakan pemodelan statistik yang bisa memberikan analisis faktor-faktor penyebab yang mempengaruhi IPM. Tujuan: Menganalisis faktor-faktor yang mempengaruhi IPM di Jawa Timur pada tahun 2020 dengan pemodelan Regresi Logistik Ordinal. Metode: Digunakan metode penelitian kuantitatif dengan menngunakan metode Regresi logistik dengan menggunakan bantuan software SPSS. Data yang digunakan berasal dari BPS provinsi Jawa Timur berupa data IPM yang berskala ordinal. Faktor-faktor berpengaruh yang diamati yaitu Jumlah Tenaga Pendidik, Jumlah Tenaga Kesehatan, Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar, Laju Pertumbuhan Penduduk, PDRB per Kapita, dan Tingkat Partisipasi Angkatan Kerja yang berskala rasio. Hasil: Diperoleh nilai ketepatan klasifikasi relatif pada pemodelan IPM di Jawa Timur dengan model Regresi Logistik Ordinal sebesar 76,3%. Diperoleh faktor-faktor yang signifikan mempengaruhi IPM di Jawa Timur pada tahun 2020 adalah Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar dan Tingkat Partisipasi Angkatan Kerja. Kesimpulan: Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar dan Tingkat Partisipasi Angkatan Kerja mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur tahun 2020. Model regresi logistil ordinal juga memiliki keakuratan yang baik dalam klasifikasi IPM.
{"title":"Pemodelan Regresi Logistik Ordinal Pada Indeks Pembangunan Manusia (IPM) Di Jawa Timur Tahun 2020","authors":"M. Budiman, Nita Cahyani","doi":"10.32665/statkom.v1i2.1169","DOIUrl":"https://doi.org/10.32665/statkom.v1i2.1169","url":null,"abstract":"Latar Belakang: Pemerintah terus menerus melakukan pembangunan di segala aspek yaitu aspek pendidikan, kesehatan, dan kehidupan yang layak. Untuk mengukur keberhasilan pembangunan, salah satunya digunakan indikator yaitu Indeks Pembangunan Manusia (IPM). Untuk menganalisis IPM, perlu digunakan pemodelan statistik yang bisa memberikan analisis faktor-faktor penyebab yang mempengaruhi IPM.\u0000Tujuan: Menganalisis faktor-faktor yang mempengaruhi IPM di Jawa Timur pada tahun 2020 dengan pemodelan Regresi Logistik Ordinal.\u0000Metode: Digunakan metode penelitian kuantitatif dengan menngunakan metode Regresi logistik dengan menggunakan bantuan software SPSS. Data yang digunakan berasal dari BPS provinsi Jawa Timur berupa data IPM yang berskala ordinal. Faktor-faktor berpengaruh yang diamati yaitu Jumlah Tenaga Pendidik, Jumlah Tenaga Kesehatan, Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar, Laju Pertumbuhan Penduduk, PDRB per Kapita, dan Tingkat Partisipasi Angkatan Kerja yang berskala rasio.\u0000Hasil: Diperoleh nilai ketepatan klasifikasi relatif pada pemodelan IPM di Jawa Timur dengan model Regresi Logistik Ordinal sebesar 76,3%. Diperoleh faktor-faktor yang signifikan mempengaruhi IPM di Jawa Timur pada tahun 2020 adalah Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar dan Tingkat Partisipasi Angkatan Kerja.\u0000Kesimpulan: Persentase Rumah Tangga yang Mempunyai Fasilitas Buang Air Besar dan Tingkat Partisipasi Angkatan Kerja mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur tahun 2020. Model regresi logistil ordinal juga memiliki keakuratan yang baik dalam klasifikasi IPM.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130574890","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 : 2022-12-31DOI: 10.32665/statkom.v1i2.1265
Putry Lestari
Latar Belakang: Simulasi adalah salah satu cara yang digunakan untuk memprediksi jumlah klaim di masa depan berdasarkan jumlah klaim bulanan pada periode sebelumnya. Simulasi data ini dapat dilakukan dengan simulasi Monte carlo, Tujuan: Untuk mengetahui deskriptif jumlah klaim program asuransi dari Jaminan Pensiun (JP), Jaminan Hari Tua (JHT), Jaminan Kecelakaan Kerja (JKK), Jaminan Kematian (JKM), dan Jaminan Kehilangan Pekerjaan (JKP), serta mendapatkan hasil prediksi jumlah klaim asuransi tersebut dengan metode simulasi Monte Carlo. Metode: Digunakan metode kuantitaif dengan pendekatan perhitungan manual untuk simulasi Monte Carlo. Data yang digunakan adalah data sekunder yang diperoleh dari BPJS ketenagakerjaan Cabang Bojonegoro berupa Jumlah Klaim Tahun 2021. Hasil: Dari hasil simulasi Metode Monte Carlo didapatkan prediksi untuk 1 tahun ke depan dengan mean ekspektasi jumlah klaim program JKK adalah 54 perbulan, mean ekspektasi program JKM adalah 67 per bulan, mean ekspektasi jumlah klaim JHT adalah 525 per bulan dan mean ekspektasi program JP adalah 275 perbulan. Prediksi ini merupakan perkiraan untuk 12 bulan ke depan. Standar deviasi klaim JKK sebesar 1.54, standar deviasi klaim JKM sebesar 2.43, standar deviasi klaim JHT sebesar 33.71, dan standar deviasi klaim JP sebesar 9.10. Kesimpulan: Diperoleh prediksi jumlah klaim untuk masing-masing program asuransi yaitu JKK, JKM, JHT dan JP dengan kategori sesuai dengan mean ekspektasi.
{"title":"Simulasi Monte Carlo Untuk Prediksi Jumlah Klaim Asuransi Di BPJS Ketenagakerjaan Cabang Bojonegoro","authors":"Putry Lestari","doi":"10.32665/statkom.v1i2.1265","DOIUrl":"https://doi.org/10.32665/statkom.v1i2.1265","url":null,"abstract":"Latar Belakang: Simulasi adalah salah satu cara yang digunakan untuk memprediksi jumlah klaim di masa depan berdasarkan jumlah klaim bulanan pada periode sebelumnya. Simulasi data ini dapat dilakukan dengan simulasi Monte carlo,\u0000Tujuan: Untuk mengetahui deskriptif jumlah klaim program asuransi dari Jaminan Pensiun (JP), Jaminan Hari Tua (JHT), Jaminan Kecelakaan Kerja (JKK), Jaminan Kematian (JKM), dan Jaminan Kehilangan Pekerjaan (JKP), serta mendapatkan hasil prediksi jumlah klaim asuransi tersebut dengan metode simulasi Monte Carlo.\u0000Metode: Digunakan metode kuantitaif dengan pendekatan perhitungan manual untuk simulasi Monte Carlo. Data yang digunakan adalah data sekunder yang diperoleh dari BPJS ketenagakerjaan Cabang Bojonegoro berupa Jumlah Klaim Tahun 2021.\u0000Hasil: Dari hasil simulasi Metode Monte Carlo didapatkan prediksi untuk 1 tahun ke depan dengan mean ekspektasi jumlah klaim program JKK adalah 54 perbulan, mean ekspektasi program JKM adalah 67 per bulan, mean ekspektasi jumlah klaim JHT adalah 525 per bulan dan mean ekspektasi program JP adalah 275 perbulan. Prediksi ini merupakan perkiraan untuk 12 bulan ke depan. Standar deviasi klaim JKK sebesar 1.54, standar deviasi klaim JKM sebesar 2.43, standar deviasi klaim JHT sebesar 33.71, dan standar deviasi klaim JP sebesar 9.10.\u0000Kesimpulan: Diperoleh prediksi jumlah klaim untuk masing-masing program asuransi yaitu JKK, JKM, JHT dan JP dengan kategori sesuai dengan mean ekspektasi.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"129 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128877986","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 : 2022-12-31DOI: 10.32665/statkom.v1i2.1233
Muhammad Azis Suprayogi
Latar Belakang: Peramalan sebagai salah satu cara memprediksi suatu peristiwa atau nilai tertentu di masa depan dengan cara mempertimbangkan data di masa lalu. Peramalan dibutuhkan untuk memprediksi nilai total penerimaan pajak di masa depan pada tingkat pemerintah pusat dengan tujuan untuk merencanakan keuangan khususnya perencanaan nilai pembiayaan negara untuk kebutuhan belanja pemerintah pusat pada tahun berikutnya. Tujuan: Meramal nilai penerimaan pajak pada Anggaran Pendapatan dan Belanja Negara (APBN) Pemerintah Pusat di Indonesia menggunakan model double exponential smoothing (DES) dari Holt dan model double exponential smoothing (DES) dari Brown. Metode: Menggunakan metode kuantitatif yaitu melakukan peramalan berdasarkan data deret waktu menggunakan model DES dua parameter dari Holt dan model DES satu parameter dari Brown. Membandingkan kedua model berdasarkan nilai Mean Absolute Percentage Error (MAPE) yang paling kecil. Hasil: Peramalan terbaik model DES dari Brown pada nilai parameter α=0,4 dengan nilai MAPE=4,529%. Peramalan terbaik model DES dari Holt pada nilai parameter α=0,8 dan β=0,6 dengan nilai MAPE=6,966%. Kesimpulan: Model DES dari Brown dan model DES dari Holt dapat digunakan untuk peramalan penerimaan pajak pada APBN Pemerintah Pusat dengan kriteria MAPE sangat baik yaitu < 10%. Adapun model terbaik dari dua metode tersebut adalah model DES satu parameter dari Brown dengan nilai MAPE terkecil sebesar 4,529%.
{"title":"Model Double Exponential Smoothing Dalam Peramalan Penerimaan Pajak Pemerintah Pusat Indonesia","authors":"Muhammad Azis Suprayogi","doi":"10.32665/statkom.v1i2.1233","DOIUrl":"https://doi.org/10.32665/statkom.v1i2.1233","url":null,"abstract":"Latar Belakang: Peramalan sebagai salah satu cara memprediksi suatu peristiwa atau nilai tertentu di masa depan dengan cara mempertimbangkan data di masa lalu. Peramalan dibutuhkan untuk memprediksi nilai total penerimaan pajak di masa depan pada tingkat pemerintah pusat dengan tujuan untuk merencanakan keuangan khususnya perencanaan nilai pembiayaan negara untuk kebutuhan belanja pemerintah pusat pada tahun berikutnya.\u0000Tujuan: Meramal nilai penerimaan pajak pada Anggaran Pendapatan dan Belanja Negara (APBN) Pemerintah Pusat di Indonesia menggunakan model double exponential smoothing (DES) dari Holt dan model double exponential smoothing (DES) dari Brown.\u0000Metode: Menggunakan metode kuantitatif yaitu melakukan peramalan berdasarkan data deret waktu menggunakan model DES dua parameter dari Holt dan model DES satu parameter dari Brown. Membandingkan kedua model berdasarkan nilai Mean Absolute Percentage Error (MAPE) yang paling kecil.\u0000Hasil: Peramalan terbaik model DES dari Brown pada nilai parameter α=0,4 dengan nilai MAPE=4,529%. Peramalan terbaik model DES dari Holt pada nilai parameter α=0,8 dan β=0,6 dengan nilai MAPE=6,966%.\u0000Kesimpulan: Model DES dari Brown dan model DES dari Holt dapat digunakan untuk peramalan penerimaan pajak pada APBN Pemerintah Pusat dengan kriteria MAPE sangat baik yaitu < 10%. Adapun model terbaik dari dua metode tersebut adalah model DES satu parameter dari Brown dengan nilai MAPE terkecil sebesar 4,529%.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"20 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134094309","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 : 2022-12-31DOI: 10.32665/statkom.v1i2.1135
Abdolloh Faqih
Latar Belakang: Kabupaten Bojonegoro merupakan salah satu kabupaten yang dilewati oleh sungai Bengawan Solo, serta menjadikan aliran sungai sebagai sarana transportasi warga. Transportasi ini lebih cepat daripada transportasi darat, tapi faktor keamanan dan keselamatan masih menjadi masalah utama dalam transportasi tersebut. Tujuan: Menerapkan K-Modes Clustering untuk menentukan Cluster pos penyeberangan mana yang masih kekurangan fasilitas atau perlengkapan keselamatan, sehingga memudahkan Dinas Perhubungan untuk mengevaluasi dan mengambil kebijakan. Metode: Digunakan metode yaitu K-Modes Clustering dan Algoritma Elbow untuk pengelompokkan data kategorik dengan bantuan software R. Penelitian ini dilakukan di Kabupaten Bojonegoro dengan menggunakan data dari Dinas Perhubungan Kabupaten Bojonegoro dengan kriteria data adalah papan himbauan, papan penunjuk arah, rambu sungai, PJU, shelter, trap tambangan, bantuan life jacket, dan ring buoy. Hasil: Diperoleh hasil tiga centroid dengan karakteristik berbeda yaitu Cluster 1 rata-rata masih minim pada fasilitas papan himbauan, trap tambangan, serta life jaket dan ring buoy sehingga masuk karakteristik fasilitas rendah, Cluster 2 minim pada papan penunjuk arah, rambu sungai, PJU, Life jaket dan ring buoy sehingga tergolong karateristik fasilitas tinggi, dan Cluster 3 rata-rata hanya minim pada papan himbauan, papan penunjuk arah, serta life jaket dan ring buoy sehingga digolongkan karateristik fasilitas sedang. Kesimpulan: Angkutan Sungai dan Penyeberangan di Kabupaten Bojonegoro dikelompokkan menjadi 3 Clusters yaitu Cluster rendah, Cluster sedang, dan Cluster tinggi.
{"title":"Implementasi Metode K-modes Untuk Pengelompokkan Angkutan Sungai Dan Penyeberangan Di Kabupaten Bojonegoro","authors":"Abdolloh Faqih","doi":"10.32665/statkom.v1i2.1135","DOIUrl":"https://doi.org/10.32665/statkom.v1i2.1135","url":null,"abstract":"Latar Belakang: Kabupaten Bojonegoro merupakan salah satu kabupaten yang dilewati oleh sungai Bengawan Solo, serta menjadikan aliran sungai sebagai sarana transportasi warga. Transportasi ini lebih cepat daripada transportasi darat, tapi faktor keamanan dan keselamatan masih menjadi masalah utama dalam transportasi tersebut.\u0000Tujuan: Menerapkan K-Modes Clustering untuk menentukan Cluster pos penyeberangan mana yang masih kekurangan fasilitas atau perlengkapan keselamatan, sehingga memudahkan Dinas Perhubungan untuk mengevaluasi dan mengambil kebijakan.\u0000Metode: Digunakan metode yaitu K-Modes Clustering dan Algoritma Elbow untuk pengelompokkan data kategorik dengan bantuan software R. Penelitian ini dilakukan di Kabupaten Bojonegoro dengan menggunakan data dari Dinas Perhubungan Kabupaten Bojonegoro dengan kriteria data adalah papan himbauan, papan penunjuk arah, rambu sungai, PJU, shelter, trap tambangan, bantuan life jacket, dan ring buoy.\u0000Hasil: Diperoleh hasil tiga centroid dengan karakteristik berbeda yaitu Cluster 1 rata-rata masih minim pada fasilitas papan himbauan, trap tambangan, serta life jaket dan ring buoy sehingga masuk karakteristik fasilitas rendah, Cluster 2 minim pada papan penunjuk arah, rambu sungai, PJU, Life jaket dan ring buoy sehingga tergolong karateristik fasilitas tinggi, dan Cluster 3 rata-rata hanya minim pada papan himbauan, papan penunjuk arah, serta life jaket dan ring buoy sehingga digolongkan karateristik fasilitas sedang.\u0000Kesimpulan: Angkutan Sungai dan Penyeberangan di Kabupaten Bojonegoro dikelompokkan menjadi 3 Clusters yaitu Cluster rendah, Cluster sedang, dan Cluster tinggi.\u0000 ","PeriodicalId":340369,"journal":{"name":"Jurnal Statistika dan Komputasi","volume":"69 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133422103","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：