Jurnal Statistika Industri dan Komputasi

SPATIAL DURBIN ERROR MODEL PADA PEMODELAN TINGKAT PENGANGGURAN TERBUKA DI PROVINSI NUSA TENGGARA TIMUR

2023-07-31T22:13:17+08:00

Pertumbuhan angkatan kerja yang tergolong cepat dan ketersediaan lapangan kerja yang tidak seimbang mengakibatkan timbulnya masalah pengangguran di suatu wilayah atau daerah. Besarnya persentase tingkat pengangguran dapat mengakibatkan pembangunan ekonomi menjadi semakin terpuruk. Hal ini dikarenakan pengangguran menjadi salah satu indikator untuk menunjukkan tingkat kesejahteraan akibat dari pembangunan ekonomi. Tujuan dari penelitian ini untuk mengetahui faktor- faktor yang mempengaruhi tingkat pengangguran terbuka dengan membandingkan model Ordinary Least Square (OLS), Spatial Error Model (SEM) dan Spatial Durbin Error Model (SDEM). Terdapat 4 variabel independen yang diduga memiliki pengaruh signifikan terhadap tingkat pengangguran terbuka yaitu persentase penduduk miskin (X1), tingkat partisipasi angkatan kerja (X2), indeks pembangunan manusia (X3) dan angka partisipasi murni tingkat sekolah menegah atas (X4). Hasil uji asumsi klasik OLS menunjukan terjadi heteroskedastisitas sehingga diduga terdapat efek spasial dan dilanjutkan pada pemodelan spasial. Pada uji autokorelasi spasial menunjukkan bahwa terdapat efek spasial pada variabel independen (X) dan nilai Error (e), sehingga pengujian dengan model SEM dan SDEM dapat dilakukan. Berdasarkan perbandingan nilai AIC dari pemodelan OLS, SEM dan SDEM, diketahui bahwa pemodelan SDEM memiliki nilai AIC terkecil yakni sebesar 73.2 sehingga baik untuk memodelkan tingkat pengangguran terbuka di provinsi NTT. Pemodelan SDEM dengan variabel yang signifikan menunjukan bahwa indeks pembangunan manusia (X3) signifikan terhadap tingkat pengangguran terbuka.

PERBANDINGAN MODEL ORDINARY KRIGING DAN ROBUST KRIGING TERHADAP CURAH HUJAN DI KABUPATEN TANJUNG JABUNG BARAT

2023-07-31T22:23:46+08:00

Kabupaten Tanjung Jabung Barat memiliki areal kebun cukup luas. Salah satu faktor yang dapat mempengaruhi hasil perkebunan yaitu curah hujan. Keterbatasan alat penakar hujan menyebabkan beberapa areal tidak tersampel, sehingga dibutuhkan prediksi curah hujan. Salah satu metode yang dapat memprediksi curah hujan di areal tidak tersampel yaitu metode kriging. Metode kriging dapat memprediksi berdasarkan bobot yang berasal dari semivariogram dan susunan dari lokasi di lingkungan sekitarnya. Tidak jarang data yang dijadikan sampel terdapat data pencilan spasial. Untuk mengatasi hal tersebut dapat digunakan metode ordinary kriging dan robust kriging yang dapat mengakomodir adanya pencilan. Sebelum melakukan prediksi, diperhitungkan terlebih dahulu nilai semivariogram. Semivariogram yang digunakan yaitu semivariogram eksperimental, semivariogram robust dan semivariogram teoritis. Perhitungan semivariogram eksperimental dan robust digunakan untuk dapat menentukan model terbaik pada semivariogram teoritis yang digunakan untuk pendugaan. Hasil semivariogram teoritis terbaik yang dihasilkan dari metode ordinary kriging berdasarkan interval kelas yaitu gaussian dan model terbaik berdasarkan package gstat untuk ordinary dan robust kriging adalah model exponential. Perbandingan pendugaan antara ordinary kriging dan robust kriging menghasilkan bahwa pendugaan dengan metode ordinary kriging menggunakan model exponential lebih baik dibanding robust kriging ditunjukkan dengan nilai MAPE metode robust kriging sebesar 43,53% dan ordinary kriging sebesar 39,65% lebih kecil dibanding MAPE pada metode robust kriging.

ESTIMASI HUBUNGAN ANTARA PRODUKSI PADI TERHADAP LUAS PANEN DAN PRODUKTIVITAS PADI DI INDONESIA DENGAN MENGGUNAKAN METODE REGRESI ROBUST ESTIMASI-M

2023-07-31T22:29:10+08:00

Indonesia adalah negara agraris dengan hasil produksi padi nasional mencapai 32,07 juta ton pada tahun 2022. Dua faktor yang dianggap berpengaruh terhadap produksi padi yaitu luas panen dan produktivitas padi. Data terbaru tahun 2022, kenaikan produksi padi berbanding lurus dengan kenaikan luas panennya, sedangkan produktivitas cenderung mengalami fluktuasi setiap tahunnya. Salah satu metode yang dapat digunakan untuk menganalisis produksi padi adalah regresi linear. Analisis regresi merupakan teknik statistika yang digunakan untuk mengetahui hubungan antara variabel dependen dan variabel independen. Dalam hal ini produksi padi sebagai variabel dependen, sedangkan luas panen dan produktivitas sebagai variabel independen. Akan tetapi apabila ada unsur pencilan dan melanggar aturan normalitas dalam data di variabel tersebut dapat menyebabkan hasil yang tidak akurat. Oleh karena itu digunakan metode lain untuk menghasilkan hasil yang lebih baik. Metode yang dimaksud adalah metode regresi robust estimasi M. Dari model regresi tersebut diperoleh koefisien determinasi R-Sq(adj) 99,87%. Hal ini menunjukkan bahwa produksi padi di Indonesia tahun 2022 dipengaruhi oleh luas panen dan produktivitas padi, sisanya sebesar 0,13% dipengaruhi oleh variabel lain.

KLASIFIKASI TINGKAT PENJUALAN LAPTOP DI E-COMMERCE MENGGUNAKAN ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART)

2023-07-31T22:37:35+08:00

Seiring perkembangan zaman laptop sudah menjadi kebutuhan dasar bagi masyarakat dalam kegiatan sehari-hari, seperti melakukan kegiatan belajar, mengajar, bekerja, bahkan berbelanja, hal inilah yang menyebabkan meningkatnya pembelian laptop melalui E-commerce. Penelitian ini bertujuan untuk mengetahui karakteristik tingkat penjualan laptop di E-commerce sehingga dapat memberikan gambaran kepada calon pembeli dalam menentukan laptop yang akan dibeli sesuai dengan budget yang disediakan dan kriteria yang diinginkan serta dapat memberikan gambaran kepada pemilik toko dalam meningkatkan penjualan laptop di E-commerce. Pada penelitian ini metode klasifikasi yang digunakan adalah classification and regression tree (CART). CART merupakan salah satu algoritma decision tree yang dapat digunakan untuk melakukan klasifikasi menggunakan struktur hirarki atau pohon. Algoritma CART memiliki kelebihan yang sesuai dengan data penelitian yaitu CART dapat digunakan untuk klasifikasi dengan jumlah data yang cukup besar dengan banyak faktor serta dapat melakukan analisis klasifikasi pada peubah respon baik nominal, ordinal, maupun kontinu. Hasil dari penelitian ini menunjukkan bahwa model pohon keputusan yang terbentuk dari algoritma CART menghasilkan kedalaman lima, variabel yang berpengaruh terhadap tingkat penjualan laptop di E-commerce yaitu jumlah ulasan, harga dan jumlah produk dilihat, variabel jumlah ulasan menjadi akar atau merupakan variabel yang paling penting terhadap tingkat penjualan laptop di E-commerce. Algoritma classification and regression tree (CART) menghasilkan nilai akurasi yang sangat tinggi yaitu sebesar 95,10% sehingga algoritma CART dapat digunakan untuk melakukan klasifikasi tingkat penjualan laptop di E-commerce.

PERBANDINGAN PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

2023-07-31T22:43:49+08:00

Harga saham merupakan faktor penting dan harus diperhatikan oleh investor. Indeks saham bermanfaat sebagai gambaran pergerakan harga saham secara menyeluruh melalui Indeks Harga Saham Gabungan dan sebagai acuan kinerja untuk mengukur keuntungan di masa mendatang. Tujuan penelitian ini untuk meramalkan Indeks Harga Saham Gabungan yang akan datang menggunakan metode Autoregressive Integrated Moving Average (ARIMA) dan metode Backpropagation. Dari hasil analisis diperoleh nilai MAPE dan MSE terkecil, menggunakan metode ARIMA dengan nilai MAPE 0,010597656 dan nilai MSE 6458,939925. Memberikan hasil ramalan Indeks Harga Saham Gabungan sebesar 6976,71 untuk bulan November 2022, 6810,22 untuk bulan Desember 2022, 6731,88 untuk bulan Januari 2023 ,dan 6849,16 untuk bulan Februari 2023.

PREDIKSI KLASIFIKASI MAHASISWA BARU TAHUN 2022 IST AKPRIND YOGYAKARTA BERDASARKAN LATAR BELAKANG PEMILIHAN PERGURUAN TINGGI MENGGUNAKAN METODE BACKPROPAGATION DAN SUPPORT VECTOR MACHINE (SVM)

2023-07-31T22:48:18+08:00

Pendidikan saat ini merupakan masalah yang selalu mendapat perhatian bagi bangsa Indonesia. Hal ini disebabkan peningkatan mutu pendidikan yang berkaitan erat dengan kualitas manusia Indonesia. Pendidikan tinggi merupakan kelanjutan pendidikan menengah yang diselenggarakan untuk menyiapkan peserta didik menjadi anggota masyarakat yang memiliki kemampuan akademi atau profesional yang dapat menerapkan, mengembangkan dan menciptakan ilmu pengetahuan, teknologi dan kesenian. Maka dari itu, calon mahasiswa baru akan memilih perguruan tinggi yang diminatinya. Dalam memilih perguruan tinggi terdapat beberapa faktor, yaitu atas dasar keinginan sendiri atau mendapatkan dorongan orang lain untuk memilih perguruan tinggi tersebut. Objek penelitian ini adalah mahasiswa baru IST AKPRIND Yogyakarta tahun 2022 yaitu sebanyak 166 mahasiswa. Tujuan penelitian ini adalah ingin mengetahui bagaimana klasifikasi latar belakang dari mahasiswa baru memilih IST AKPRIND Yogyakarta sebagai perguruan tingginya. Latar belakang tersebut akan diklasifikasikan menjadi atas dasar pilihan sendiri dan bukan pilihan sendiri. Metode analisis yang digunakan adalah metode JST Backpropagation dan Support Vector Machines (SVM). Hasil klasifikasi menunjukan bahwa metode SVM lebih baik dibandingkan dengan metode JST Backpropagation dengan nilai akurasi sebesar 84.3% sedangkan akurasi metode JST Backpropagation sebesar 77.10%. Hasil Klasifikasi juga menunjukan bahwa mahasiswa baru IST AKPRIND Yogyakarta cenderung memilih IST AKPRIND Yogyakarta atas dasar bukan pilihan sendiri, hal ini dapat ditunjukan bahwa 58,12% (136 mahasiswa) memilih atas dasar bukan pilihan sendiri dan 41,88% (98 mahasiswa) memilih atas dasar pilihan sendiri.

PERBANDINGAN METODE RANDOM FOREST DAN ADAPTIVE BOOSTING PADA KLASIFIKASI INDEKS PEMBANGUNAN MANUSIA DI INDONESIA

2023-07-31T22:52:41+08:00

Indeks Pembangunan Manusia (IPM) merupakan pengukuran capaian pembangunan manusia berbasis sejumlah komponen dasar kualitas hidup. Penentuan program pembangunan yang dilaksanakan pemerintah daerah harus tepat sasaran dan sesuai dengan prioritas kabupaten/kota berdasarkan kategori IPM yang dimilikinya. Oleh karena itu, perlu adanya suatu sistem keputusan yang dapat menentukan klasifikasi kategori IPM di masing-masing kabupaten/kota di Indonesia secara akurat. Penelitian ini melakukan klasifikasi menggunakan metode Random Forest dan Adaptive Boosting. Penelitian ini menggunakan data sekunder yang bersumber dari Badan Pusat Statistik (BPS). Variabel yang digunakan yaitu Indeks Pembangunan Manusia (IPM), Umur Harapan Hidup saat lahir (UHH), Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS), Pengeluaran per Kapita disesuaikan (PPD), dan Persentase Penduduk Miskin (P0). Semua data adalah data cross-section yaitu kumpulan data dari 514 Kabupaten/Kota pada 34 Provinsi di Indonesia tahun 2022. Hasil analisis menunjukkan bahwa metode Adaptive Boosting lebih baik dari pada metode Random Forest dalam melakukan klasifikasi. Di mana tingkat akurasi klasifikasi metode Adaptive Boosting adalah 96,08% lebih besar dari tingkat akurasi klasifikasi metode Random Forest yaitu 95,10%. Hasil klasifikasi IPM diperoleh 41 kabupaten/kota yang termasuk IPM sangat tinggi, diantaranya Kota Yogyakarta. Kemudian 233 kabupaten/kota termasuk dalam klasifikasi IPM tinggi, diantaranya Kota Probolinggo. Terdapat 221 kabupaten/kota termasuk dalam klasifikasi IPM sedang, diantaranya Kabupaten Simeulue. Sedangkan 19 kabupaten/kota termasuk klasifikasi IPM rendah, diantaranya Kabupaten Nduga. Kabupaten/kota termasuk klasifikasi IPM rendah mayoritas berada di Provinsi Papua. Adapun peran variabel terhadap klasifikasi dari yang terbesar secara berurutan adalah PPD, RLS, UHH, HLS,
dan P0.

PENERAPAN MODEL GEOGRAPGICALLY WEIGHTED REGRESSION (GWR) MENGGUNAKAN FUNGSI PEMBOBOT ADAPTIVE KERNEL GAUSSIAN DAN ADAPTIVE KERNEL BISQUARE PADATINGKAT PENGANGGURAN TERBUKA DI PULAU PAPUA

2023-07-31T22:57:11+08:00

Tingkat Pengangguran Terbuka merupakan indikator yang digunakan dalam mengukur tenaga kerja yang tidak diserap oleh pasar kerja dan menggambarkan kurang termanfaatkannya pasokan tenaga kerja. Penyebab munculnya tingkat pengangguran terbuka karena ketidakcocokan ketrampilan, minimnya pengelaman, rendahnya permintaan, dan kondisi ekonomi. Persentase tingkat pengangguran terbuka antarasatu lokasi dengan lokasi lainnya berbeda-beda, hal ini memungkinkan adanya keragaman spasial antara lokasi. Dalam upaya mengatasi masalah Tingkat Pengangguran Terbuka diperlukan suatu analisis spasial sehingga dapat menentukan faktor apa saja yang berpengaruh terhadap Tingkat Pengangguran Terbuka yang terdapat di Pulau Papua tahun 2020 yaitu menggunakan metode Geographically Weighted Regression(GWR) dengan fungsi pembobot adaptive kernel Gaussian dan fungsi pembobot adaptive kernel Bisquare.Berdasarkan hasil analisis diperoleh model GWR menggunakan fungsi pembobot adaptive kernel Gaussian dengan taraf signifikansi 10%, variabel Indeks Pembangunan Manusia (X1) signifikan di 37 kabupaten/kotadan variabel PDRB Perkapita (X2) signifikan di 36 kabupaten/kota di Pulau Papua tahun 2020. Model GWR dengan fungsi pembobot adaptive kernel Bisquare pada taraf signifikansi 10%, variabel Indeks Pembangunan Manusia (X1) signifikan di 23 kabupaten/kota dan variabel PDRB Perkapita (X2) signifikandi 23 kabupaten/kota di Pulau Papua tahun 2020. Berdasarkan hasil perbandingan dari kedua fungsi pembobot disimpulkan bahwa model terbaik untuk mengestimasi Tingkat Pengangguran Terbuka di PulauPapua tahun 2020 adalah dengan fungsi pembobot adaptive kernel Bisquare karena mempunyai nilai R2 terbesar yaitu 0,8427351 dan AIC terkecil yaitu 155,8274.