Jurnal Matematika, Statistika dan Komputasi
Not a member yet
562 research outputs found
Sort by
Algoritma Support Vector Machine, Conditional Inference Trees, dan Random Forest untuk Klasifikasi Capaian Belajar Siswa SMP di Indonesia Tahun 2019
No full textIndonesian JHS students\u27 learning achievement is still low. During 2015-2019, the average national exam score for Indonesian JHS has always decreased. In the last national examination, the average national exam score was 52.82 and was included in the bad category. This certainly needs to be a concern for local governments and the education office. Therefore, it is necessary to form a classification model that can be used to identify cities/districts in Indonesia which are categorized as bad or enough. This study discusses the comparison of models for the classification of learning achievement categories as seen from the average 2019 JHS results in 514 districts/cities in Indonesia using the Support Vector Machine (SVM), Conditional Inference Trees (Ctree), and Random Forest (RF) algorithms. The three algorithms were chosen because of their respective advantages, namely the SVM algorithm is known to be very powerful, Ctree as an improvement from the usual decision tree, and RF to represent ensemble learning. The independent variables used are education budget, classroom conditions, school accreditation, and teacher qualifications. From the results of this study, it has been found that the SVM algorithm produces the highest accuracy (0,80), recall (0,97), kappa statistics (0,38), and F1-score (0,87) compared to the Ctree and RF algorithms, while only precision (0,80) has the same value as the Ctree algorithm. So, the SVM algorithm produces the best model for the classification of district/city learning achievement categories in Indonesia based on education budget, classroom conditions, school accreditation, and teacher qualifications.Capaian belajar siswa yang dilihat melalui rata-rata nilai Ujian Nasional (UN) Sekolah Menengah Pertama (SMP) tahun 2019 menunjukkan bahwa masih rendahnya kualitas sistem pendidikan di Indonesia. Selama lima tahun terakhir (2015-2019), rata-rata nilai UN SMP Indonesia selalu mengalami penurunan. Pada UN terakhir, rata-rata nilai UN SMP Indonesia 2019 sebesar 52,82. Hal ini tentu perlu menjadi perhatian bagi pemerintah daerah dan dinas pendidikan. Oleh karena itu, perlu dibentuk sebuah model yang dapat mengurangi permasalahan tersbeut. Penelitian ini membahas pengklasifikasian kategori rata-rata nilai hasil UN SMP tahun 2019 di 514 kabupaten/kota di Indonesia menggunakan algoritma Support Vector Machine (SVM), Conditional Inference Trees (Ctree), dan Random Forest (RF). Ketiga algoritma itu dipilih karena kelebihannya masing-masing, yaitu algoritma SVM dikenal sangat powerful, Ctree sebagai perbaikan dari decision tree biasa, serta RF untuk mewakili ensemble learning. Variabel independen yang digunakan yaitu: (1) anggaran pendidikan, (2) kondisi ruang kelas, (3) akreditasi sekolah, dan (4) kualifikasi guru. Sedangkan variabel dependen yang digunakan adalah adalah rata-rata nilai hasil UN SMP dikategorikan menjadi dua, yaitu cukup dan kurang. Dari hasil penelitian ini telah didapatkan bahwa algoritma SVM mengasilkan accuracy (0,80), recall (0,97), kappa statistics (0,38), dan F1-score (0,87) yang tertinggi dibandingkan algoritma Ctree dan RF, sedangkan hanya precision (0,80) yang nilainya sama dengan algoritma Ctree. Maka, algoritma SVM adalah metode yang terbaik untuk mengklasifikasikan kategori rata-rata nilai hasil UN SMP
Clustering and Forecasting of Covid-19 Data in Indonesia
Get PDFIndonesia reported its first case of Covid-19 in March 2020, which was suspected to have been infected by a foreigner who visited Indonesia. The distribution of cases that occurred in Indonesia has an uneven frequency considering that Indonesia is an archipelagic country, in the analysis of Covid-19 cases in Indonesia, there are many provinces and some have the same pattern of case characteristics. time series so that forecasting analysis can be used. So that clustering analysis and forecasting of Covid-19 data can be used in Indonesia. The analysis was carried out with 2 stages of analysis, namely clusters using the clustering hierarchy method and forecasting using the ARIMA method. By using 288 data from January 1, 2021 – October 15, 2021, the results show that the daily Covid-19 cases by province in Indonesia can be grouped into 2 clusters, in the forecasting analysis only one province is taken from each cluster used in determining the model, cluster 1 used data from the province of Banten and cluster 2 used data from the province of West Java. By using R software, a model for each cluster is obtained, namely ARIMA(0,1,1) for cluster 1 and ARIMA(2,1,2) for cluster 2. From the forecasting results obtained data until October 30, 2021 shows the number of cases tends to be constant
Perbandingan Fungsi Pembobot Kernel pada Geographically Weighted Logistic Regression dalam Memodelkan Kasus Kemiskinan di Indonesia
Get PDFIndonesia is a developing country that is facing poverty. The percentage of the poor population in Indonesia in 2020 increased by 0.97 percent from 2019. A suitable analysis to overcome poverty in Indonesia is the regional effect, namely Geographically Weighted Logistic Regression (GWLR). This study aimed to compare the weighting functions of the Fixed Gaussian Kernel, Fixed Tricube Kernel, and Fixed Bisquare Kernel in the GWLR model in modeling poverty in Indonesia in 2020. The best model can determine significant factors that affected poverty in Indonesia in 2020. This study used the percentage data of poor population and the factors affecting it, namely the Open Unemployment Rate , Human Development Index , and Total Population in 34 Provinces in Indonesia. This study indicates that the GWLR model with the Fixed Gaussian Kernel weighting function is the best in modeling poverty in Indonesia in 2020 based on the smallest Akaike Information Criterion Corrected (AlCc) value. The GWLR model with the Fixed Gaussian Kernel weighting function shows the Open Unemployment Rate as a significant factor affecting poverty in Indonesia in 2020 in 10 provinces in Indonesia, namely Aceh, North Sumatra, West Sumatra, Riau, Jambi, South Sumatra, Bengkulu, Lampung, DKI Jakarta, and Banten.
Indonesia merupakan negara berkembang yang dihadapkan pada masalah kemiskinan. Persentase penduduk miskin di Indonesia tahun 2020 meningkat 0.97 persen dari tahun 2019. Analisis yang cocok untuk mengatasi kemiskinan di Indonesia ini dengan menggunakan efek kewilayaan yaitu Geographically Weighted Logistic Regression (GWLR). Penelitian ini bertujuan untuk membandingkan fungsi pembobot Fixed Gaussian Kernel, Fixed Tricube Kernel dan Fixed Bisquare Kernel pada model GWLR dalam memodelkan kasus kemiskinan di Indonesia tahun 2020. Pada model terbaik dapat diketahui faktor signifikan yang mempengaruhi kemiskinan di Indonesia tahun 2020. Penelitian ini menggunakan data Persentase Penduduk Miskin dan faktor-faktor yang mempengaruhinya, yaitu Tingkat Pengangguran Terbuka , Indeks Pembangunan Manusia dan Jumlah Penduduk pada 34 Provinsi di Indonesia. Hasil penelitian ini yaitu model GWLR dengan fungsi pembobot Fixed Gaussian Kernel merupakan model terbaik dalam memodelkan kasus kemiskinan di Indonesia pada tahun 2020 yang diperoleh berdasarkan nilai Akeike Information Criterion Corrected (AICc) terkecil. Model GWLR dengan fungsi pembobot Fixed Gaussian Kernel menghasilkan Tingkat Pengangguran Terbuka merupakan faktor signifikan yang mempengaruhi kemiskinan di Indonesia tahun 2020 pada 10 Provinsi di Indonesia yaitu Provinsi Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi, Sumatera Selatan, Bengkulu, Lampung, DKI Jakarta dan Banten
Bahasa Indonesia
No full textPanel data is a combination of cross section and time series. There are two panel data models, namely static and dynamic panel data. Because seeing the advantages of the dynamic panel data model which is able to overcome endogeneity problems related to the use of the dependent variable lag where in the static panel data model the use of the dependent variable lag causes the estimation results to be biased and inconsistent, so the author examines the dynamic panel data regression model. In the dynamic data model there is a lag of the dependent variable, this variable is correlated with error. Thus, estimation using OLS will result in a biased and inconsistent estimator. To overcome this, the dynamic panel data model can be estimated using the GMM Blundell-Bond approach. Based on the discussion, the parameter estimation formula for dynamic panel data regression using the Blundell-Bond GMM approach is as follows:
Data panel merupakan gabungan dari cross section dan time series. Terdapat dua model data panel yaitu data panel statis dan dinamis. Karena melihat keunggulan model data panel dinamis yang sanggup mengatasi masalah endogenitas terkait penggunaan lag variabel dependen dimana pada model data panel statis penggunaan lag variabel dependen menyebabkan hasil estimasi menjadi bias dan tidak konsisten sehingga penulis meneliti tentang model regresi data panel dinamis. Pada model data dinamis terdapat lag dari variabel dependen, variabel ini berkorelasi dengan error. Maka, estimasi menggunakan OLS akan menghasilkan estimator yang bias dan tidak konsisten. Untuk mengatasi hal tersebut, model data panel dinamis dapat diestimasi dengan pendekatan GMM Blundell-Bond. Berdasarkan pembahasan diperoleh rumus estimasi parameter regresi data panel dinamis dengan pendekatan GMM Blundell-Bond adalah sebagai berikut
Pengukuran dan Profiling Kerentanan Sosial Terhadap Bencana Alam di Indonesia Tahun 2019
Get PDFNowadays, natural hazards are often seen from the nature perspective only. However, it is necessary to know not only about the hazards, but also the community resilience to prepare for, respond to, and recover from disasters based on the social characteristics which are called social vulnerability. This study provides the identification of social vulnerability to natural hazards condition and characterization of the dominant factors at the district level in Indonesia using secondary data. The principal component analysis (PCA) is used to reduce 13 district-level variables into 4 components that represents the driving factors of social vulnerability. The results of PCA are used to quantify the social vulnerability level of the districts in Indonesia using social vulnerability index (SoVI), followed by the deeper exploration of social vulnerability problem using K-Means Clustering. The SoVI and cluster results were mapped by using QGIS to identify the social vulnerability at districts level. The research shows that most districts in Indonesia are at a low-level vulnerability. The districts with low vulnerability are spread in the Sumatera and Kalimantan area. However, there are 43 Districts in Eastern Indonesia are in a high-level vulnerability. These districts also suffer many problems, such low sosioeconomic status. The results of this study support not only the previous social vulnerability studies but also the government as the policymakers by setting priority regions and allocating the policies according to main social vulnerability problem of each district, especially in the most vulnerable regions.Hingga saat ini, bencana alam masih sering dilihat dari perspektif alam saja. Namun, perlu diketahui bahwa bencana alam tidak hanya tentang bahaya, tetapi juga ketahanan masyarakat untuk mempersiapkan, merespons, dan pulih dari bencana berdasarkan karakteristik sosial yang disebut sebagai kerentanan sosial. Penelitian ini memberikan identifikasi kerentanan sosial terhadap bencana alam dan karakteristik dari faktor-faktor yang dominan mempengaruhi kerentanan pada tingkat kabupaten/kota di Indonesia menggunakan data sekunder. Principal Component Analysis (PCA) digunakan untuk mereduksi 13 variabel ditingkat kabupaten/kota menjadi 4 komponen yang mewakili faktor pendorong kerentanan sosial di Indonesia. Hasil dari PCA digunakan untuk mengidentifikasi tingkat kerentanan sosial di Indonesia dengan menggunakan Social Vulnerability Indeks (SoVI). Kemudian dilanjutkan dengan analisis yang lebih dalam menggunakan K-Means Clustering. Hasil SoVI dan Cluster kemudian dipetakan dengan menggunakan QGIS untuk mengindentifikasi kerentanan sosial ditingkat kabupaten/kota di Indonesia. Hasil penelitian menunjukkan bahwa sebagian besar kabupaten/kota di Indonesia berada pada level tingkat kerentanan yang rendah. Kabupaten/kota dengan tingkat kerentanan yang rendah tersebar di wilayah Sumatera dan Kalimantan. Namun, terdapat 43 kabupaten/kota di Indonesia timur yang memiliki tingkat kerentanan sosial sangat tinggi terhadap bencana alam. Kabupaten/kota ini juga mengalami beberapa masalah seperti rendahnya status sosial ekonomi. Hasil penelitian ini tidak hanya mendukung studi kerentanan sosial sebelumnya tetapi juga pemerintah sebagai pembuat kebijakan dengan menetapkan wilayah prioritas dan mengalokasikan kebijakan sesuai dengan masalah kerentanan sosial utama pada setiap kabupaten/kota, terutama wilayah yang paling rentan
Best proximity point theorems for -proximal contraction
No full textIn this paper, inspired by the idea of Suzuki type -proximal contraction in metric spaces, we prove a new existence of best proximity point for Suzuki type -proximal contraction and -proximal contraction defined on a closed subset of a complete metric space. Our theorems extend, generalize, and improve many existing results
Penerapan Metode Autoregressive Integrated Moving Average Exogenous (ARIMAX) with Calendar Variation Effect untuk Peramalan Data Cokelat di Indonesia dan Amerika Serikat
Get PDFForecasting chocolate consumption is required by producers in preparing the amount of production each month. The tradition of Valentine, Christmas and Eid al-Fitr which are closely related to chocolate makes it impossible to predict chocolate by using the Classical Time Series method. Especially for Eid al-Fitr, the determination follows the Hijri calendar and each year advances 10 days on the Masehi calendar, so that every three years Eid al-Fitr will occur in a different month. Based on this, the chocolate forecasting will show a variation calendar effect. The method used in modeling and forecasting chocolate in Indonesia and the United States is the ARIMAX (Autoregressive Integrated Moving Average Exogenous) method with Calendar Variation effect. As a comparison, modeling and forecasting are also carried out using the Naïve Trend Linear, Naïve Trend Exponential, Double Exponential Smoothing, Time Series Regression, and ARIMA methods. The ARIMAX method with Calendar Variation Effect produces a very precise MAPE value in predicting chocolate data in Indonesia and the United States. The resulting MAPE value is below 10 percent, so it can be concluded that this method has a very good ability in forecasting.Peramalan konsumsi cokelat diperlukan oleh produsen dalam mempersiapkan jumlah produksi setiap bulannya. Adanya tradisi Valentine, hari Natal dan hari raya idul Fitri yang sangat berkaitan erat dengan cokelat membuat peramalan cokelat tidak dapat dilakukan dengan menggunakan metode Time Series Klasik. Khusus untuk Hari Raya Idul Fitri, penetapannya mengikuti kalender Hijriyah dan setiap tahunnya maju 10 hari pada kalender Masehi, sehingga setiap tiga tahun Hari Raya Idul Fitri akan terjadi di bulan yang berbeda. Berdasarkan hal tersebut, maka dalam peramalan cokelat akan muncul efek kalender variasi. Metode yang digunakan dalam pemodelan dan peramalan cokelat di Indonesia dan Amerika Serikat adalah metode ARIMAX (Autoregressive Integrated Moving Average Exogenous) with Calendar Variation effect. Sebagai pembanding, dilakukan juga pemodelan dan peramalan dengan metode Naïve Trend Linear, Naïve Trend Exponensial, Double Exponential Smoothing, Time Series Regression, dan ARIMA. Metode ARIMAX with Calendar Variation Effect menghasilkan nilai MAPE yang sangat presisi dalam melakukan peramalan terhadap data cokelat di Indonesia dan Amerika Serikat. Nilai MAPE yang dihasilkan berada di bawah 10 persen, sehingga dapat disimpulkan metode tersebut memiliki kemampuan yang sangat baik dalam melakukan peramalan
Determinan Capaian Pembangunan Kabupaten/Kota Jawa Tengah Tahun 2019
Get PDFIn 2019, Badan Perencanaan Pembangunan Nasional (Bappenas) awarded Central Java as the province with the best Perencanaan dan Pembangunan Daerah (PPD). However, if it is reviewed at the district/city level, it shows that there are still many areas that have low development achievements. In accordance with the United Nations Development Programme (UNDP) proposal, the Human Development Index (HDI) is used as an indicator of the achievement of district/city development whose calculations are good enough to describe development from both a social and economic perspective. The large difference in HDI between districts/cities in Central Java and the distribution of development achievements are still centered around the provincial capital, namely Semarang City, this indicates the occurrence of inequality in development achievements at the district/city level in Central Java. Because the observations in this study are districts/cities in Central Java, the linkage between district/city causes spatial autocorrelation. Therefore, spatial regression model is used to determine the model that has spatial autocorrelation. This study aims to determine the achievements of development and its determinants in the districts/cities of Central Java in 2019 using the spatial regression analysis method. From the results of the study, it is known that there is a dependence on development achievements between districts/cities in Central Java which is influenced by the regional capacity factor is characterized by PAD and economic growth; operational resource factors characterized by DAU, DAK and technology; and the level of poverty.Pada tahun 2019, Badan Perencanaan Pembangunan Nasional (Bappenas) memberikan penghargaan kepada Jawa Tengah sebagai provinsi dengan Perencanaan dan Pembangunan Daerah (PPD) terbaik. Namun apabila ditinjau pada tingkat kabupaten/kota menunjukkan bahwa masih terdapat banyak daerah yang memiliki capaian pembangunan yang rendah. Sesuai usulan UNDP, Indeks Pembangunan Manusia (IPM) digunakan sebagai indikator capaian pembangunan kabupaten/kota yang penghitungannya sudah cukup baik menggambarkan pembangunan baik dari sisi sosial maupun ekonomi. Besarnya perbedaan IPM antar kabupaten/kota di Jawa Tengah dan sebaran capaian pembangunannya masih berpusat di sekitar ibu kota provinsi yaitu Kota Semarang, hal ini mengindikasi terjadinya ketidakmerataan capaian pembangunan pada level kabupaten/kota di Provinsi Jawa Tengah. Penelitian ini bertujuan untuk mengetahui capaian pembangunan dan determinannya di kabupaten/kota Jawa Tengah tahun 2019 dengan metode analisis regresi spasial. Dari hasil penelitian diketahui bahwa faktor kemampuan daerah yang dicirikan oleh PAD dan pertumbuhan ekonomi; faktor sumber daya operasional yang dicirikan oleh DAU, DAK dan teknologi; serta tingkat kemiskinan signifikan memengaruhi capaian pembangunan
Metode Ensemble K-Nearest Neighbor untuk Prediksi Indeks Harga Saham Gabungan (IHSG) di Indonesia
Get PDFThe Composite Stock Price Index (CSPI) is a guide for investors to see the movement of stock prices as a whole from time to time. These movements always change from time to time, so it is necessary to use analytical methods to make predictions. The method that can be used to examine this is the K-Nearest Neighbor method. The combination of the results of several K-NN predictions is an effective way to get one final prediction result, namely the method ensemble K-NN. The response variable used in this study is the Composite Stock Price Index (CSPI), while the predictor variables are the gold price, the rupiah exchange rate against the dollar, and the Dow Jones Industrial Average (DJIA) index. The data used are 52 periods. The data used for training are 39 periods and the data used for testing is 13 periods. The prediction results from the ensemble have better results than the K-NN. The prediction results from the ensemble have better results than the single K-NN. The prediction results from the method are ensemble K-NN average of 6078, 634 with a MAPE value of 7,16% including high accuracyIndeks Harga Saham Gabungan (IHSG) pedoman bagi investor untuk melihat pergerakan harga saham secara keseluruhan dari waktu ke waktu. Pergerakan tersebut selalu berubah dari waktu ke waktu, sehingga perlu diperlukan metode analisis untuk melakukan prediksi. Metode yang dapat digunakan untuk mengkaji hal tersebut adalah metode K-Nearest Neighbor. Kombinasi dari hasil beberapa prediksi K-NN menjadi salah satu cara efektif untuk mendapatkan satu buah hasil prediksi akhir, yaitu metode ensemble K-NN. Variabel respon yang digunakan pada penelitian ini yaitu Indeks Harga Saham Gabungan (IHSG), sedangkan variabel prediktor yaitu harga emas, nilai tukar rupiah terhadap dollar, dan indeks Dow Jones Industrial Average (DJIA). Hasil prediksi dari metode ensemble K-NN rata-rata sebesar 6078, 634 dengan nilai MAPE sebesar 7,15% masuk pada akurasi yang tingg
Penerapan Metode Peramalan GARCH dalam Memprediksi Jumlah Penumpang Kereta Api (Ribu Orang) di Wilayah Jabodetabek
Get PDFPT. Kereta Api Indonesia and PT. KAI Commuter Jabodetabek records time series data in the form of the number of train passengers (thousand people) in Jabodetabek Region in 2011-2020. One of the time series methods that can be used to predict the number of train passengers (thousand people) in Jabodetabek area is ARIMA method. ARIMA or also known as Box-Jenkins time series analysis method is used for short-term forecasting and does not accommodate seasonal factors. If the assumption of residual homoscedasticity is violated, the ARCH / GARCH method can be used, which explicitly models changes in residual variety over time. This study aims to model and forecast the number of train passengers (thousand people) in Jabodetabek area in 2021. Based on data analysis and processing using ARIMA method, the best model is ARIMA (1,1,1) with an AIC value of 2,159.87 and with ARCH / GARCH method, the best model is GARCH (1,1) with an AIC value of 18.314. Forecasting results obtained based on the best model can be used as a reference for related parties in managing and providing public transportation facilities, especially trains.PT. Kereta Api Indonesia dan PT. KAI Commuter Jabodetabek mencatat data deret waktu berupa jumlah penumpang kereta api (ribu orang) di Wilayah Jabodetabek tahun 2011-2020. Salah satu metode deret waktu yang dapat digunakan untuk meramalkan jumlah penumpang kereta api (ribu orang) di Wilayah Jabodetabek adalah metode ARIMA. ARIMA atau disebut juga metode analisis runtun waktu Box-Jenkins digunakan untuk peramalan jangka pendek dan tidak mengakomodasi faktor musiman. Jika asumsi homoskedastisitas residual terlanggar, dapat digunakan metode ARCH/GARCH yang secara eksplisit memodelkan perubahan ragam residual dari waktu ke waktu. Penelitian ini bertujuan untuk melakukan pemodelan dan peramalan jumlah penumpang kereta api (ribu orang) di Wilayah Jabodetabek pada tahun 2021. Berdasarkan analisis dan pengolahan data dengan metode ARIMA, diperoleh model terbaik adalah model ARIMA (1,1,1) dengan nilai AIC sebesar 2.159,87 dan dengan metode ARCH/GARCH, diperoleh model terbaik adalah GARCH (1,1) dengan nilai AIC sebesar 18,314. Hasil peramalan yang diperoleh berdasarkan model terbaik dapat dijadikan referensi bagi pihak-pihak terkait dalam mengelola dan menyediakan fasilitas transportasi umum, terutama kereta api