Jurnal Matematika, Statistika dan Komputasi
Not a member yet
562 research outputs found
Sort by
A Comparison of the Holt-Winters Additive and Multiplicative Methods with Grid search Optimization in Forecasting Red Chili Prices in Bengkulu City
Full text linkThe Holt-Winters Additive and Multiplicative methods are time series forecasting techniques that consider trend and seasonal patterns. To improve forecasting accuracy, optimization of model parameters, such as alpha, beta, and gamma, is required. This study compares four parameter optimization methods, namely Grid search, Bayesian optimization, Trial and error, and Nelder-mead, through simulation on the generation data and application on weekly red chili price data in Bengkulu City. Red chili was chosen as the object of study because it is a strategic horticultural commodity that has high demand and significant price fluctuations, thus affecting inflation and deflation in Bengkulu City. Simulation results show that the Grid search method consistently produces lower error values and more efficient computation time at iterations 15, 25, 50, and 100. Based on the optimal parameters of Grid search (alpha = 1, beta = 0.1, gamma = 0.1), a Holt-Winters model is obtained that can be used to forecast the price of red chili in Bengkulu City in the first 3 months of 2025. Based on the evaluation of the prediction results, the Additive model provides better performance than the Multiplicative model, with a MAPE value of 11,92% and an RMSE of 7450,52. These findings indicate that the combination of the Holt-Winters Additive method and Grid search optimization is effective in forecasting weekly red chili pepper prices, and can be used as a basis for policy making to control the price of strategic commodities in Bengkulu Cit
The Forecasting Result Study of the Poverty Line and Number of Poor Population in DIY using DES and ARIMA
Full text linkThe poverty rate in DIY, based on BPS data, stands at 11.04%, which remains above the national average of 9.36%. This study aims to predict poverty patterns in the Special Region of Yogyakarta (DIY) using DES and ARIMA methods. The data utilized in this research is sourced from BPS, focusing on poverty line data and the number of impoverished individuals. The DES model is employed to estimate the increase in the poverty line, demonstrating good accuracy with a MAPE value of 2.968%. Meanwhile, the ARIMA(0,2,1) model is applied to forecast a reduction in the number of impoverished individuals, yielding a MAPE of 3.543% through 2028. The findings of this study indicate that government policies have had a positive impact on reducing poverty, although challenges remain. The results of this analysis are expected to guide policymakers in crafting more effective and targeted poverty alleviation strategies in the DIY region. These findings suggest that government policies have had a positive impact on reducing poverty, despite ongoing challenges.Penelitian ini bertujuan untuk memprediksi pola kemiskinan di Daerah Istimewa Yogyakarta (DIY) dengan menggunakan metode Pemulusan Eksponensial Ganda (Double Exponential Smoothing/DES) dan ARIMA (Auto-Regressive Integrated Moving Average). Data yang digunakan dalam penelitian ini bersumber dari Badan Pusat Statistik (BPS), yaitu data garis kemiskinan dan jumlah penduduk miskin. Model DES digunakan untuk memperkirakan kenaikan garis kemiskinan, yang menunjukkan tingkat akurasi yang baik dengan nilai MAPE sebesar 2,968%. Sementara itu, model ARIMA(0,2,1) diterapkan untuk meramalkan penurunan jumlah penduduk miskin dengan MAPE sebesar 3,543% hingga tahun 2028. Temuan penelitian ini menunjukkan adanya dampak positif dari kebijakan pemerintah dalam mengurangi angka kemiskinan, meskipun tantangan masih ada. Hasil analisis ini diharapkan dapat memberikan panduan bagi pembuat kebijakan dalam merancang strategi pengentasan kemiskinan yang lebih efektif dan tepat sasaran di wilayah DIY
Forecasting Dry Rubber Production in Indonesia for the Year 2022 Using Pegel\u27s Exponential Smoothing Method with Modified Golden Section Optimization
Full text linkPegel’s Exponential Smoothing is a forecasting method that considers separating trend and seasonal aspects, with additive and multiplicative models. Pegel’s Exponential Smoothing has three parameters, α, β, and γ. Many possible parameter combinations may yield an optimal solution, so a modified Golden Section method is used. The principle of this method is to iteratively reduce the boundary area of x that may produce an optimal objective function value, systematically decreasing the number of search steps to minimize the number of trials. Data obtained from the Central Bureau of Statistics regarding the amount of dry rubber production in Indonesian plantations from January 2017 to December 2022 is assumed to contain a multiplicative seasonal effect due to the relatively unstable seasonal pattern heights. This study compares three trend models: no trend, additive trend, and multiplicative trend in the multiplicative seasonal Pegel’s Exponential Smoothing method. This study aims to predict the amount of dry rubber production in Indonesian plantations from January 2022 to December 2022. Forecast validation results show that the multiplicative trend in the multiplicative seasonal Pegel’s Exponential Smoothing method, with a MAPE of 3.389001% and an RMSE of 8,839.965080, has the best forecasting accuracy for this data compared to the other three trend models.Pegel’s Eksponential Smoothing merupakan metode peramalan yang mempertimbangkan pemisah aspek tren dan musiman dimana modelnya bersifat aditif dan multiplikatif. Pegel’s Eksponential Smoothing memiliki tiga parameter, yaitu dan . Terdapat banyak kombinasi parameter yang mungkin menghasilkan solusi optimal sehingga digunakan modifikasi metode Golden Section, dimana prinsip dari metode ini yaitu mengurangi secara bertahap dan berulang wilayah batas yang mungkin menghasilkan nilai fungsi objektif optimum sehingga mampu meminimalkan jumlah percobaan. Data yang diperoleh dari Badan Pusat Statistik mengenai jumlah produksi karet kering perkebunan Indonesia periode Januari 2017-Desember 2022 diasumsikan mengandung efek musiman multiplikatif dikarenakan ketinggian pola musimannya relatif tidak stabil. Penelitian ini membandingkan 3 model tren yaitu tanpa tren, tren aditif, dan tren multiplikatif pada metode Pegel’s Eksponential Smoothing musiman multiplikatif. Tujuan dari penelitian ini yaitu untuk meramalkan jumlah produksi karet kering perkebunan Indonesia periode Januari 2022-Desember 2022. Validasi hasil peramalan menunjukkan bahwa metode Pegel’s Eksponential Smoothing musiman multiplikatif tren multiplikatif dengan nilai MAPE sebesar 3,389001% dan nilai RMSE sebesar 8.839,965080 adalah metode yang memiliki akurasi peramalan terbaik dalam meramalkan data tersebut dibanding dengan 3 model tren lainnya
Modeling Determinants of Composite Stock Price Index Based on Multivariable Nonparametric Penalized Spline Regression Model alized Spline
Full text linkThe Composite Stock Price Index (IHSG) is a critical indicator in the Indonesian capital market, playing a central role as one of the key instruments influencing the dynamics of a country\u27s economy. Modeling IHSG can provide a substantial contribution to stakeholders in the capital market, facilitating investment decision-making. Therefore, it is essential to obtain accurate and responsive estimates for IHSG data. The IHSG data used covers the period from January 2020 to December 2022 and tends to be fluctuating. Hence, a spline regression analysis with effective penalized spline estimation is applied to overcome the limitations of assumptions in the relationship between variables. The variables used in the modeling include inflation, exchange rates, interest rates, and IDJ. From the analysis results, optimal values based on the minimum GCV for each variable are sequentially 0.278, 0.904, 0.751, and 0.665. It is also known that these four variables collectively have a 92.1% influence, with inflation having varied impacts, exchange rates exhibiting a stronger negative effect at certain levels, interest rates showing opposite effects depending on their levels, and IDJ having a positive effect on IHSG movements. The significant variability of these impacts indicates that these variables make important contributions. In other words, IHSG fluctuations can be explained by variations in the values of inflation, exchange rates, interest rates, and IDJ.Indeks Harga Saham Gabungan (IHSG) merupakan indikator kritis dalam pasar modal Indonesia dan memegang peran sentral sebagai salah satu instrumen kunci yang memengaruhi dinamika perekonomian suatu negara. Pemodelan IHSG dapat memberikan kontribusi substansial bagi pihak-pihak yang berkepentingan di dalam pasar modal serta mendorong pengambilan keputusan investasi. Oleh karena itu, penting untuk mendapatkan perkiraan yang tepat dan responsif terhadap data IHSG. Data IHSG yang digunakan berada dalam rentang periode Januari 2020 hingga Desember 2022 dan cenderung fluktuatif, sehingga diterapkan analisis regresi spline dengan estimasi penalized spline yang efektif untuk mengatasi keterbatasan asumsi dalam hubungan antar variabel. Dari hasil analisis, didapatkan nilai optimum berdasarkan GCV minimum untuk masing-masing variabel secara berturut-turut ialah 0.278, 0.904, 0.751, dan 0.665. Diketahui pula bahwa inflasi, kurs, tingkat suku bunga, dan IDJ secara bersama-sama memiliki pengaruh sebesar 92.1% terhadap pergerakan IHSG dengan tingkat inflasi yang memiliki dampak bervariasi, kurs dengan efek negatif yang lebih kuat pada tingkat tertentu, suku bunga dengan efek yang berlawanan tergantung pada tingkatannya, dan IDJ dengan efek positif pada IHSG. Variabilitas signifikan dari dampak ini menunjukkan bahwa variabel-variabel ini memberikan kontribusi penting atau dengan kata lain, fluktuasi IHSG dapat dijelaskan dengan variasi nilai-nilai inflasi, kurs, tingkat suku bunga, dan IDJ
Penerapan K-Means Cluster untuk Pembentukan Portofolio Model Black-Litterman
Full text linkA portfolio in finance is a collection of investment assets that aims to reduce risk by spreading investment across various assets. In building a portfolio, cluster analysis is used to select assets. K-Means cluster is often used because it is considered efficient for handling large data. In addition, the Black-Litterman Model is used because it can combine investor knowledge into asset allocation efficiently, so that the portfolio becomes more diverse, stable and adaptive to economic conditions, and reflects the investment manager\u27s views. The research results show that k-means cluster analysis can be applied in forming the Black-Litterman model portfolio. Two clusters were obtained, namely cluster I consisting of ADRO, AKRA, BRMS, MIKA, TLKM, UNVR shares, and cluster II consisting of INDF, INKP, SMGR, UNTR. The two clusters were then formed into portfolios I and II. The calculation of expected return and portfolio risk shows that portfolio II produces profits (expected return portfolio) that are greater than portfolio I, namely 0.04445 or IDR 4.445.344,00, and the risk level of portfolio II is also smaller than portfolio I, namely 0.02104 or IDR 2.104.400,00Portofolio dalam keuangan merupakan kumpulan aset investasi yang bertujuan untuk mengurangi risiko dengan menyebarkan investasi di berbagai aset. Dengan cara ini, kerugian dari satu aset dapat diimbangi oleh keuntungan dari aset lainnya, sehingga investor tidak mengalami kerugian besar. Salah satu cara efektif untuk mengelola risiko dan meningkatkan hasil portofolio adalah dengan melakukan investasi pada beberapa saham berbeda, yang disebut diversifikasi aset. Dalam membangun portofolio, analisis klaster digunakan untuk memilih aset-aset. K-Means cluster sering digunakan karena dianggap efisien untuk menangani data besar. Selain itu, Model Black-Litterman digunakan karena dapat menggabungkan pengetahuan investor ke dalam alokasi aset dengan efisien, sehingga portofolio menjadi lebih beragam, stabil, dan adaptif terhadap kondisi ekonomi, serta mencerminkan pandangan manajer investasi. Hasil penelitian menunjukkan analisis cluster k-means dapat diterapkan dalam pembentukan portofolio model Black-Litterman. Diperoleh 2 cluster yaitu cluster I terdiri dari saham ADRO, AKRA, BRMS, MIKA, TLKM, UNVR, dan cluster II terdiri dari INDF, INKP, SMGR, UNTR. Kedua cluster kemudian dibentuk menjadi portofolio I dan II. Perhitungan expected return dan resiko portofolio menunjukkan portofolio II menghasilkan keuntungan (expected return portofolio) lebih besar dibandingkan dengan portofolio I yaitu 0.04445 atau Rp 4.445.344,00, serta tingkat risiko portofolio II juga lebih kecil dibandingkan dengan portofolio yaitu 0.02104 atau Rp 2.104.400,00
Classification of Unisba Students\u27 Graduation Time using Support Vector Machine Optimized with Grid Search Algorithm
Full text linkSupport Vector Machine is a classification method that finds the optimal hyperplane to separate two data classes. SVM has much better generalization performance than other methods. However, SVM needs to improve in determining hyperparameter values. Therefore, parameter optimization is necessary to determine the optimal hyperparameter value. Grid search is one of the parameter optimization methods that can improve the quality of SVM models. This study aims to assess the level of accuracy in predicting student graduation times by using five features that affect it. This study shows that the resulting SVM model optimized with the Grid Search Algorithm is quite consistent and prevents overfitting. By utilizing the results of SVM modelling, UNISBA is expected to improve the quality of graduates. The risk of delays in graduation can be considered early by paying attention to the background and achievements of student
Analisis Faktor-faktor Academic Hardiness yang Mempengaruhi Kelelahan Emosional Mahasiswa di Kota Malang Menggunakan Model Logit dan Probit
No full textThe prevalence of emotional exhaustion as an indication of academic burnout among students during online learning is very high. Responding to the issues and neglect of studies on academic burnout, it is necessary to analyze the factors of academic hardiness among students in Malang City regarding emotional exhaustion. The ordinal probit regression model yields the best fit with 120 samples in analyzing the factors of academic hardiness on emotional exhaustion due to its smaller AIC value. Significant factors affecting emotional exhaustion are commitment to academic tasks (), control over struggle (), and control individual difficulties (). The ordinal probit regression model obtained is and . The marginal effect states that for every one-unit change in the ratio will increase students low emotional exhaustion by 0.016, and decrease students moderate emotional exhaustion by 0.044, and high emotional exhaustion by 0.060. Every one-unit change in the ratio will decrease students low emotional exhaustion by 0.018, and increase students moderate emotional exhaustion by 0.049, and high emotional exhaustion by 0.067. Every one-unit change in the ratio will increase students low emotional exhaustion by 0.025, and decrease students moderate emotional exhaustion by 0.070, and high emotional exhaustion by 0.095.Eksistensi kelelahan emosional sebagai indikasi kejenuhan akademik pada mahasiswa ditengah pembelajaran daring akibat Covid-19 sangat tinggi. Menyikapi problematika dan kealpaan kajian terhadap kejenuhan akademik, perlu dilakukan analisis faktor-faktor academic hardiness mahasiswa di Kota Malang terhadap kelelahan emosional sebagai indikasi tertinggi kejenuhan akademik. Analisis tersebut akan dikaji menggunakan metode regresi logistik dan probit karena memiliki kriteria penyebaran data yang sesuai. Ketepatan asumsi dalam memformulasikan model terbaik menjadi kajian yang penting untuk selanjutnya dilakukan pemilihan model terbaik. Pasalnya, jika terdapat pelanggaran asumsi pada model yang digunakan, maka dapat mengakibatkan underestimate pada salah satu kejadian sehingga akan terjadi bias. Tujuan yang dicapai melalui penelitian ini yaitu mengidentifikasi faktor-faktor academic hardiness yang berpengaruh terhadap kelelahan emosional mahasiswa di Kota Malang dan mengetahui model terbaiknya. Model terbaik dengan 144 sampel dihasilkan oleh model regresi probit ordinal dalam menganalisis faktor-faktor academic hardiness terhadap kelelahan emosional karena memiliki nilai AIC lebih kecil dari pada model logit dengan ketepatan klasifikasi 100%. Berdasarkan analisis menggunakan regresi probit ordinal, mahasiswa yang sedang berkuliah di kampus-kampus Kota Malang cenderung mengalami kelelahan emosional tinggi (65,3%). Faktor yang secara signifikan berpengaruh terhadap kelelahan emosional yakni komitmen terhadap tugas kuliah dan pengendalian terhadap kesulitan yang dihadapi individu. Model regresi probit ordinal yang diperoleh yaitu Z1= -1,676 - 0,106X1 - 0,146X4 dan Z2 = -0,538 - 0,106X1 - 0,146X4. Efek marginal menyatakan bahwa setiap perubahan rasio X1 (komitmen terhadap tugas kuliah) sebesar satu satuan akan menurunkan probabilitas kelelahan emosional pada kategori rendah sebesar 0,00003, pada kategori sedang sebesar 0,00113, dan pada kategori tinggi sebesar 0,00116
Classification Of Factors Influencing Diabetes Mellitus Type II By Using Multivariate Adaptive Regression Spline At Rantau Prapat Regional Hospital
Full text linkDiabetes Mellitus is a metabolic disease caused by increased levels of glucose or blood sugar. Diabetes Mellitus is divided into three different types: type I diabetes, type II diabetes, and gestational diabetes or diabetes during pregnancy. Type 2 diabetes mellitus affects 90–95% of diabetics. The aim of this research is to identify related factors that influence Type II Diabetes Mellitus by applying the Multivariate Adaptive Regression Spline (MARS) Method. The model with the lowest Generalized Cross-Validation (GCV) score among the models constructed is considered the best model. The research findings show that BF=10, MI=3, and MO=0 are the optimal parameter combinations for the MARS model with a GCV value of 0,09582998 . According to research using MARS, the predictor variables with an 89.33% classification accuracy that affect the blood glucose levels of Type II Diabetes Mellitus patients include Age (X1), Gender (X2), Blood Pressure (X3), and Comorbidities (X5)
Bahasa Inggris
No full textMultilevel binary logistic regression analysis is a development of logistic regression for hierarchical data structures. Hierarchical data is data from a population that has levels. This research examines the relationship model of Life Expectancy, Mean Years of Schooling, Expected Years of Schooling, Regency/City Minimum Wage as explanatory variables at level 1 (Regency) and Gross Regional Domestic Income (GRDP) as an explanatory variable at level 2 (Provincial) against Unemployment Rate (UR) as a response variable. The research results show that Life Expectancy and Minimum Wage at level 1 and GRDP at level 2 have a significant influence on district/city TPT on Java Island in 2022Analisis regresi logistik biner multilevel merupakan pengembangan dari regresi logistik untuk struktur data berhirarki. Data berhirarki adalah data dari populasi yang memiliki tingkatan (level). Penelitian ini mengkaji model hubungan Angka Harapan Hidup (AHH), Rata-Rata Lama Sekolah (RLS), Harapan Lama Sekolah (HLS), Upah Minimum Kabupaten/kota (UMK) sebagai peubah penjelas pada level 1 (Kabupaten) dan Pendapatan Domestik Regional Bruto (PDRB) sebagai peubah penjelas pada level 2 (Provinsi) terhadap Tingkat Pengangguran Terbuka (TPT) sebagai peubah respon. Hasil penelitian menunjukkan AHH dan UMK pada level 1 serta PDRB pada level 2 memberikan pengaruh signifikan terhadap TPT kabupaten/kota di Pulau Jawa tahun 2022
Pendugaan Area Kecil untuk Persentase Anak Usia 7—17 Tahun yang Tidak Sekolah Level Kabupaten/Kota di Pulau Sumatera Tahun 2023
Full text linkEnsuring the quality of education is a fundamental commitment towards achieving sustainable development goals (SDGs). One effective strategy to enhance education quality is addressing the high number of children out of school. More precise district/city-level data on the percentage of out-of-school children needs to be provided. Estimation results from Susenas data show that Sumatra Island has the highest proportion of districts/cities with a Relative Standard Error (RSE) of over 25% compared to other islands in Indonesia. Therefore, this study applies Hierarchical Bayes (HB) Beta method by utilizing accompanying variables. The research reveals that the HB Beta estimator is the most effective in estimating the percentage of out-of-school children aged 7—17 years at the district/city level on Sumatra Island. The Small Area Estimation (SAE) model offers a more precise estimate than the direct estimator. Furthermore, there are 25 districts/cities with a high percentage of children aged 7—17 years who are not in school, with the majority located in the southern region of Sumatra IslandMenjamin kualitas pendidikan merupakan salah satu komitmen pada tujuan pembangunan berkelanjutan (SDGs). Salah satu strategi yang dapat dilakukan untuk meningkatkan kualitas pendidikan ada menekan besarnya angka anak yang tidak sekolah. Namun, belum terdapat data yang presisi untuk persentase anak yang tidak sekolah pada tingkat kabupaten/kota. Hasil estimasi pada data Susenas menunjukan bahwa Pulau Sumatera memiliki persentase kabupaten/kota dengan nilai RSE lebih dari 25 persen yang paling tinggi dibandingkan pulau-pulau lainnya di Indonesia. Dalam mengatasi permasalahan tersebut, penelitian ini menerapkan Hierarchical Bayes (HB) Beta dengan memanfaatkan bantuan variabel penyerta. Hasil penelitian menunjukkan bahwa penduga HB Beta menjadi penduga terbaik dalam mengestimasi persentase anak tidak sekolah 7—17 tahun level kabupaten/kota di Pulau Sumatera. Model SAE memberikan penduga yang lebih presisi dibandingkan penduga langsung. Selain itu, sebanyak 25 kabupaten/kota dengan nilai persentase anak usia 7—17 tahun yang tidak sekolah berkategori tinggi yang mayoritas berada pada kawasan selatan Pulau Sumatera