Jurnal Statistika Industri dan Komputasi

PENGELOMPOKAN KABUPATEN/ KOTA DI PROVINSI SUMATERA UTARA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA TAHUN 2022 DENGAN METODE FUZZY C-MEANS DAN K- MEDOIDS

2024-08-26T21:24:24+08:00

Pengembangan indikator pembangunan manusia menjadi hal yang penting dalam upaya mengukur dan memahami kemajuan sosial dan ekonomi suatu wilayah. Provinsi Sumatera Utara, sebagai salah satu wilayah penting di Indonesia, juga perlu melakukan analisis yang mendalam terkait dengan pembangunan manusia di tingkat Kabupaten/Kota. Penelitian ini bertujuan untuk mengelompokkan Kabupaten/Kota di Provinsi Sumatera Utara berdasarkan indikator pembangunan manusia menggunakan metode Fuzzy C-Means dan K-Medoids. Data yang digunakan dalam penelitian ini adalah data sekunder yang mencakup sejumlah indikator pembangunan manusia seperti pendidikan, kesehatan, dan pendapatan. Pengelompokan dilakukan dengan menggunakan algoritma Fuzzy C-Means dan K-Medoids untuk mengetahui karakteristik cluster yang terbentuk bedasarakan Indikator IPM, cluster optimal yang terbentuk dan metode terbaik yang diperoleh. Kesimpulan yang didapat pada penelitian ini diperoleh hasil cluster terbaik adalah dengan metode Fuzzy C-Means pada k optimal=6 dengan nilai silhoutte indeks = 0,5850.

PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI SUMATERA UTARA BERDASARKAN INDIKATOR JENIS KEKERASAN TERHADAP ANAK MENGGUNAKAN METODE K-MEDOIDS DAN FUZZY C-MEANS

2024-08-26T21:30:10+08:00

Kekerasan terhadap anak merupakan permasalahan yang sering terjadi di kalangan masyarakat, terutama di Provinsi Sumatera Utara. Menurut Dinas Pemberdayaan Perempuan dan Perlindungan Anak Provinsi Sumatera Utara, terjadi peningkatan tindak kekerasan terhadap anak dari tahun 2019 hingga 2021 berdasarkan kekerasan secara fisik, psikis, seksual, sosial dan penelantar. Penelitian ini bertujuan untuk menganalisis pola kekerasan dalam suatu kabupaten/kota melalui penerapan metode pengelompokan K-Medoids dan Fuzzy C-Means. Penggunaan metode tersebut dapat memberikan gambaran kepada pihak hukum maupun keamanan dalam meninjau kabupaten/kota yang membutuhkan pengawasan yang lebih efektif. Dari hasil pengelompokan tersebut diperoleh k optimum dari metode K-Medoids sebanyak 4 cluster dan pada metode Fuzzy C-Means diperoleh k optimum sebanyak 2 cluster. Rata-rata tingkat tertinggi dari jenis kekerasan fisik dan kekerasan psikis berada pada cluster 3, rata-rata tingkat tertinggi dari jenis kekerasan seksual berada pada cluster 2, dan rata-rata tingkat tertinggi dari penelantar berada pada cluster 4. Hasil perbandingan uji validasi Silhouette Index dan Dunn Index menunjukkan bahwa metode clustering terbaik terdapat pada metode K-Medoids pada k=4 dengan nilai Silhouette Index sebesar 0,53 dan Dunn Index sebesar 0,223098.

PENGKLASIFIKASIAN INDEKS KEYAKINAN KONSUMEN DI INDONESIA TAHUN 2022 MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

2024-08-26T21:37:41+08:00

Indeks keyakinan konsumen (IKK) adalah salah satu indikator utama dalam menilai kinerja perekonomian. IKK memberikan indikasi perkembangan konsumsi dan tabungan rumah tangga di masa mendatang, berdasarkan jawaban mengenai situasi keuangan yang mereka harapkan, sentimen mereka tentang situasi ekonomi secara umum, pengangguran dan kemampuan menabung. Survei Konsumen Februari 2023 mengindikasikan optimisme konsumen terhadap kondisi ekonomi, hal tersebut terindikasi dari Indeks Keyakinan Konsumen Februari 2023 sebesar 122.4, tetap terjaga pada level optimis (IKK > 100). Data yang digunakan adalah data 18 kota/provinsi yang berada di Indonesia yang bersumber dari Bank Indonesia (BI) yang diakses pada bulan Februari tahun 2023. Pada penelitian kali ini menggunakan dua kernel dari metode Support vector machine yaitu kernel RBF dan kernel Polinomial untuk melakukan pengklasifikasian terhadap indeks keyakainan konsumen pada tahun 2022, dengan membagi data ke dalam tiga proporsi yaitu 60:40, 75:25, dan 80:20 dan dilakukan tiga kali pengacakan untuk data training yaitu set.seed (159, 57 dan 143) serta dengan menggunakan nilai cost sebesar 0.1, 1, 10 dan 100. Dengan Gamma 1 serta nilai derajat parameter sebesar 2 dan dilakukan pengacakan akurasi kembali untuk data testing sebanyak tiga puluh kali diperoleh nilai interval akurasi untuk RBF yaitu 88.01% sampai 88.92%, Jadi dapat disimpulkan bahwa akurasi kernel RBF sedikit lebih bagus dibandingkan kernel polinomial yang memiliki nilai sekitar 87.36%.

PEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) MENGGUNAKAN MATRIKS PEMBOBOT FIXED GAUSSIAN KERNEL DAN FIXED TRICUBE KERNEL PADA KASUS COVID-19 DI INDONESIA

2024-08-26T21:44:51+08:00

Covid-19 merupakan suatu kelompok virus yang dapat menyebabkan penyakit pada hewan dan manusia. Pada awal tahun 2020 dunia digemparkan dengan adanya kemunculan virus Corona. Hingga saat ini Covid-19 mewabah secara global pada ratusan negara di dunia termasuk Indonesia. Covid-19 telah membuat kerugian diberbagai macam sektor. Penelitian ini bertujuan untuk mengetahui faktor-faktor penyebab naiknya Covid-19 di Indonesia tahun 2021 dengan pemodelan Geographically Weighted Regression (GWR) menggunakan fungsi pembobot Fixed Gaussian Kernel dan Fixed Tricube Kernel. Data yang digunakan adalah data sekunder bersumber dari website Badan Pusat Statistik Indonesia tahun 2021. GWR merupakan metode statistika yang digunakan untuk mengatasi data yang memiliki permasalahan efek spasial dan faktor geografis. Berdasarkan hasil analisis diperoleh variabel-variabel yang memiliki efek spasial yaitu variabel jumlah rumah sakit rujukan, jumlah dokter dan jumlah kasus Covid-19. Faktor yang signifikan berpengaruh dengan pembobot Fixed Gaussian Kernel dan Fixed Tricube Kernel adalah jumlah rumah sakit rujukan, kepadatan penduduk dan jumlah dokter. Hasil perbandingan fungsi pembobot Fixed Gaussian Kernel dan Fixed Tricube Kernel diperoleh fungsi pembobot Fixed Gaussian Kernel lebih baik digunakan dalam pemodelan jumlah kasus Covid-19 di Indonesia pada tahun 2021 dengan hasil sebesar 95% dan sebesar 821.152.

ANALISIS PENGARUH SEKTOR PARIWISATA TERHADAP PRODUK DOMESTIK REGIONAL BRUTO DI PROVINSI NUSA TENGGARA TIMUR TAHUN 2020-2022 MENGGUNAKAN METODE REGRESI DATA PANEL

2024-08-26T21:51:52+08:00

Pendapatan dari sektor pariwisata merupakan salah satu komponen Produk Domestik Regional Bruto di suatu wilayah. Di lain pihak Produk Domestik Regional Bruto menjadi salah satu indikator penting untuk mengukur pertumbuhan ekonomi suatu wilayah. Dalam penelitian ini akan dianalisis pengaruh sektor pariwisata terhadap PDRB di provinsi NTT, variabel dependen yang digunakan yaitu Produk Domestik Regional Bruto ( ) dan variabel independennya antara lain Jumlah Akomodasi Hotel ( ), Jumlah Wisatawan ( ), Jumlah Daya Tarik Wisata ( ) dan Jumlah Restoran/Rumah Makan ( ). Tujuan dari penelitian ini untuk mengetahui faktor-faktor sektor pariwisata yang mempengaruhi produk domestik regional Bruto di Provinsi Nusa Tenggara Timur pada tahun 2020-2022. Data berupa data cross section dan time series, sehingga digunakan regresi data panel dengan menggunakan pendekatan fixed effect model, common effect model dan random effect model. Hasil penelitian menunjukkan bahwa model terbaik adalah model random effect dengan metode estimasi Generalized Least Square (GLS), dengan model . Jumlah Akomodasi Hotel, Jumlah Wisatwan dan Jumlah Restoran/Rumah Makan mampu menjelaskan Produk Domestik Regional Bruto di Provinsi Nusa Tenggara Timur sebesar . Sedangkan sisanya sebesar 62,31% dijelaskan oleh faktor lain yang tidak dianalisis dalam model regresi data panel, sehingga perlu menambah variabel lain pada penelitian selanjutnya.

PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR PETERNAKAN DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN K-MEDOIDS

2024-08-26T22:02:18+08:00

Peternakan di Indonesia merupakan salah satu sektor yang sangat membantu dalam pertumbuhan ekonomi serta berkontribusi dalam pemenuhan gizi. Peternakan terbagi menjadi ternak besar dan ternak kecil, yang termasuk kedalam kelompok ternak besar yaitu sapi (perah/potong), kerbau dan kuda, sedangkan kelompok ternak kecil terdiri dari babi, kambing, domba, kelinci serta ternak unggas yakni itik, ayam dan burung puyuh. Dalam menunjang produktivitas peternakan di Indonesia diperlukan data yang menggambarkan persebaran ternak yang ada. Dalam penelitian ini pengelompokan Provinsi di Indonesia dilakukan menggunakan algoritma K-Means dan K-Medoids untuk mempartisi data yang ada dalam bentuk satu atau lebih cluster berdasarkan jarak Euclidean. Hasil pengelompokan K-Means Clustering diperoleh cluster 1 beranggotakan 33 Provinsi, dan cluster 2 beranggotakan 1 Provinsi. Sedangkan pengelompokan K-Medoids Clustering diperoleh cluster 1 beranggotakan 30 Provinsi, cluster 2 beranggotakan 1 Provinsi, dan cluster 3 beranggotakan 3 Provinsi. Hasil perbandingan metode terbaik adalah algoritma K-Means Clustering dengan k = 2 dengan nilai Silhouette Index (SI) sebesar 0,78 dan nilai Davies-Bouldin Index (DBI) sebesar 0,21. Hasil profiling cluster untuk metode K-Medoids Clustering dibagi menjadi 2 kategori yaitu tinggi dan sedang dimana untuk kategori tinggi berada pada cluster 2 dan kategori sedang berada pada cluster 1.

PENERAPAN METODE K-MEANS PADA DATA ORDINAL UNTUK PENGELOMPOKAN DAERAH BERDASARKAN KUALITAS UDARA DI DAERAH ISTIMEWA YOGYAKARTA

2024-08-26T22:05:28+08:00

Udara merupakan kebutuhan terpenting dalam kehidupan ini, sehingga kualitas dan cara menjaganya harus perlu diperhatikan. Kualitas udara merupakan faktor penting bagi kesehatan manusia dan merupakan perhatian jangka panjang, terutama di daerah perkotaan. Sehingga harus dijaga dengan upaya-upaya pengendalian pencemaran udara baik bagi pemerintah pusat maupun pemerintah daerah khsusnya wilayah di Daerah Provinsi DIY. IKU merupakan nilai yang menunjukkan mutu kebaikan atau kualitas udara berdasarkan ketentuannya. Penting dilakukan pengelompokan terhadap wilayah-wilayah di setiap Provinsi agar mempermudah Masyarakat mengetahui perkembangan kualitas udara. Penelitian kali ini menggunakan metode K-Means dengan pendekatan Hamming Distance dan distribusi BOS Cluster untuk pengelompokan daerah berdasarkan kualitas udara di Daerah Istimewa Yogyakarta. Berdasarkan K-Means dengan pendekatan Hamming Distance diperoleh untuk Cluster 1 terdiri atas 2 data (wilayah) dan pada Cluster 2 terdiri 2 data (wilayah), Cluster 3 sebanyak 40 data (wilayah) dan Cluster 4 = 3 data (wilayah). Untuk K-Means dengan distribusi BOS Cluster diperoleh untuk Cluster 1 terdiri atas 42 data (wilayah) dan pada Cluster 2 terdiri 2 data (wilayah), Cluster 3 sebanyak 4 data (wilayah) dan Cluster 4 sebanyak 2 data (wilayah). Sehingga, berdasarkan hasil validitas K-Means pendekatan Hamming Distnace merupakan metode terbaik dalam pengelompokan kualitas udara di Provinsi Daerah Istimewa Yogyakarta berdasarkan indikator kualitas udara.

METODE SPATIAL LAG X MENGGUNAKAN TIGA JENIS PEMBOBOT JARAK PADA ANALISIS DATA KETAHANAN PANGAN DI SULAWESI TENGAH

2024-08-26T22:09:47+08:00

Ketahanan pangan merupakan salah satu isu krusial dalam konteks global, Melihat pertumbuhan populasi yang terus meningkat dan dampak perubahan iklim yang semakin terasa. kondisi terpenuhinya pangan bagi negara sampai dengan perseorangan yang tercermin dari tersedianya pangan yang cukup. Penelitian ini bertujuan untuk menganalisis ketahanan pangan serta mengidentifikasi pola spasial antarwilayah dalam konteks Sulawesi Tengah tahun 2022. Penelitian ini fokus pada analisis ketahanan pangan di wilayah Sulawesi Tengah tahun 2022 dengan menerapkan metode Spatial Lag X yang ditingkatkan menggunakan tiga jenis pembobot jarak yaitu Inverse Distance Weighting (IDW), Exponensial distance decay (EXP), dan Double Power distance weights (DPD), yang digunakan untuk mengukur sejauh mana pengaruh spasial memengaruhi data ketahanan pangan. Data yang digunakan, data sekunder bersumber dari website Badan Pusat Statistik Provinsi Sulawesi Tengah tahun 2022. Metode Spatial Lag X merupakan pendekatan statistik spasial yang mempertimbangkan pengaruh variabel-variabel dari wilayah tetangga dalam menganalisis variabel terikat. Berdasarkan hasil penelitian yang dilakukan didapatkan hasil model persamaan Spatial Lag X dengan pembobot IDW dengan taraf signifikansi 10 % tidak ada variabel yang berpengaruh terhadap Indeks Ketahanan Pangan. Untuk model persamaan Spatial Lag X dengan pembobot EXP dengan taraf signifikansi 10 % tidak ada variabel yang berpengaruh terhadap Indeks Ketahanan Pangan.Untuk model persamaan Spatial Lag X dengan pembobot DPD dengan taraf signifikansi 10 % didapatkan hasil bahwa Variabel yang berpengaruh terhadap Indeks Ketahanan Pangan dengan taraf signifikansi 10 % adalah PDRB per Kapita atas harga berlaku (X₄), dengan begitu model Spatial Lag X dengan pembobot DPD adalah model yang terbaik dalam analisis ketahanan pangan di sulawesi tahun 2022 dengan nilai nilai AIC = 23.91885, R2 = 0.9977.