1,721,075 research outputs found
Market Potential Research For The Revitalization Of Traditional Markets
No full textRevitalization of traditional markets is one of the programs announced by the government primarily to encourage small and medium businesses can grow. PD Pasar Surya is a traditional market managers in Surabaya, which manages 81 traditional markets and only 20% are already revitalized, but during this process of revitalization is based only on observation and intuition, unsupported by the survey results and analysis of market potential. For that reason this study examines how the potential of traditional markets in the east branch, north branch and south branch so that it can be seen how consumer preferences and segmentation in an effort to obtain data on potential markets. Statistical analysis used was cluster analysis to see the segmentation of consumers based on preferences. The way to get the data in this study is to find secondary data and primary data in BPS by a survey carried out for two months. This research result is expected to be used in policymaking by PD Pasar Surya in determining the traditional markets which are worth to be revitalized and this result will be use to make Decission Support System for next program.
Keywords : component Market Potensial Research, Traditional Market, Revitalization, Cluster Anaysis
Faktor-faktor Rumah Tangga yang Mencirikan Tingkat Kerawanan Pangan.
No full textKerawanan pangan masih menjadi masalah krusial di Indonesia. Dalam
Indeks Kelaparan Global 2017, Indonesia meraih peringkat ke-72 dari 119 negara.
Pada 2017, untuk pertama kali Survei Sosial Ekonomi Nasional mengadopsi
pertanyaan Food Insecurity Experience Scale (FIES). Menggunakan FIES,
penelitian ini mengkaji prevalensi kerawanan pangan dan peubah-peubah rumah
tangga (RT) dengan memanfaatkan metode klasifikasi baru untuk data ordinal,
ordinal forest (OF). OF yang dikenalkan pada 2017 akan dibandingkan dengan
metode klasifikasi yang umum digunakan untuk data ordinal, yaitu regresi logistik
ordinal (RLO).
Tujuan dari penelitian ini adalah (i) mengukur kekuatan asosisasi sejumlah
peubah rumah tangga dengan tingkat kerawanan pangan, (ii) membandingkan
mutu klasifikasi OF dan RLO dalam mengklasifikasikan rumah tangga menurut
tingkat kerawanan pangan dan menentukan peubah-peubah yang nyata atau
penting, (iii) menentukan faktor-faktor rumah tangga yang dapat mencirikan
tingkat kerawanan pangan.
Hasil Cramer’s V dan Kendall’s tau-c menunjukkan bahwa peubah yang
berkaitan dengan penanggulangan kemiskinan (penerimaan Kartu Perlindungan
Sosial [KPS] dan beras miskin [raskin]) merupakan peubah dengan asosiasi kuat.
Asosiasi yang kuat juga ditunjukkan oleh peubah yang berkaitan dengan
pendapatan (banyaknya pemilik rekening tabungan dan persentase pengeluaran
untuk makanan) serta peubah pendidikan kepala rumah tangga (KRT). Status
kerja KRT, ukuran RT, dan umur KRT ditemukan memiliki asosiasi yang sangat
lemah.
Dalam hal klasifikasi RT ke dalam kategori FIES, OF mencatat kinerja
lebih baik daripada RLO. Kinerja RLO buruk karena data didapati tidak seimbang
dan RLO terlalu mengutamakan kelas mayoritas. Setelah data diseimbangkan
dengan Synthetic Minority Oversampling Technique (SMOTE) dan random
undersampling, akurasi seimbang OF dan RLO menjadi tidak jauh berbeda, tetapi
OF memiliki nilai kappa terbobot linear yang relatif lebih tinggi daripada RLO.
OF yang diterapkan pada data hasil SMOTE mencatat kinerja terbaik. Lima
peubah terpenting hasil metode terbaik secara berurutan adalah penerimaan KPS,
banyaknya ART dengan rekening tabungan, persentase pengeluaran untuk
makanan, pendidikan KRT, dan penerimaan raskin.
Analisis korespondensi berganda mendapati bahwa faktor-faktor utama
yang mencirikan rumah tangga rawan pangan adalah menerima KPS, tidak
menabung di lembaga keuangan, membelanjakan lebih dari 60% pengeluaran
untuk kebutuhan makanan, memiliki KRT yang tidak/belum pernah sekolah atau
maksimal hanya tamat SD, dan menerima raskin
Analisis Clustering dan Peramalan Harga Minyak Goreng Regional dengan Pendekatan Dense-Sparse-Dense Long Short-Term Memory
No full textFluktuasi harga minyak goreng di Indonesia masih terus terjadi, meskipun Indonesia merupakan negara penghasil minyak kelapa sawit terbesar di dunia. Disparitas harga akibat kurang efektifnya sistem distribusi minyak goreng di Indonesia menjadi dasar pentingnya pengelompokan provinsi berdasarkan kemiripan pola pergerakan harga. Pengelompokan provinsi-provinsi dilakukan berdasarkan pola harga minyak goreng menggunakan DBSCAN, K-Means, dan K-Medoids dengan metrik Dynamic Time Warping (DTW). Peramalan harga minyak goreng dilakukan dengan pendekatan Dense-Sparse-Dense Long Short-Term Memory (DSD-LSTM) guna meningkatkan akurasi dan mengurangi overfitting. Data yang digunakan merupakan data harga minyak goreng mingguan dari 34 provinsi Indonesia selama periode Januari 2019 hingga Januari 2025. Data diperoleh dari Pusat Informasi Harga Pangan Strategis Nasional (PIHPS). Hasil evaluasi dari ketiga algoritma clustering menunjukkan bahwa pendekatan K-Means memberikan hasil yang paling optimal, dengan nilai Davies-Bouldin Index (DBI) sebesar 0,54 dan Silhouette score sebesar 39%. Sebanyak 34 provinsi yang dimodelkan menggunakan pendekatan berbasis K-Means menghasilkan nilai MAPE rata-rata hanya sebesar 9,93%, mengungguli pemodelan individu (10,06%). Hasil ini menunjukkan bahwa pendekatan berbasis klaster mampu mempertahankan, bahkan meningkatkan akurasi model. Hasil peramalan 9 Februari – 25 Mei 2025 menunjukkan 14 dari 34 provinsi mengalami kenaikan harga, sementara 20 sisanya mengalami penurunan harga.The fluctuation of cooking oil prices in Indonesia continues to occur, despite the country being the largest producer of palm oil in the world. Price disparities caused by the inefficiency of the cooking oil distribution system in Indonesia highlight the importance of grouping provinces based on the similarity of their price movement patterns. The clustering of provinces was carried out based on cooking oil price patterns using DBSCAN, K-Means, and K-Medoids with the Dynamic Time Warping (DTW) metric. Price forecasting was performed using the Dense-Sparse-Dense Long Short-Term Memory (DSD-LSTM) approach to improve accuracy and reduce overfitting. The data used consists of weekly cooking oil prices from 34 provinces in Indonesia covering the period from January 2019 to January 2025. The data was obtained from the National Strategic Food Price Information Center (PIHPS). Evaluation results from the three clustering algorithms show that the K-Means approach yielded the most optimal results, with a Davies-Bouldin Index (DBI) of 0.54 and a Silhouette score of 39%. A total of 34 provinces modeled using the K-Means-based approach achieved an average MAPE of only 9.93%, outperforming the individual modeling approach (10.06%). These results indicate that the cluster-based approach can maintain, and even improve, model accuracy. The forecasting results for the period from February 9 to May 25, 2025, show that 14 out of 34 provinces experienced price increases, while the remaining 20 experienced price decreases
Kajian Penggerombolan Data Tidak Lengkap dengan Algoritma Khusus Tanpa Imputasi
No full textCluster analysis is a statistical method that aims to classify the n unit objects into k groups, so that the characteristic of objects in a group is more homogeneous than in other groups (Mattjik & Sumertajaya 2002). The main purpose of this technique is to clustering the objects based on specific criteria so that these objects have relatively small variations in the cluster compared to the variation among clusters. The common clustering method can only be used for the complete data set. However, sometimes problems occur when data is incomplete, due to the data not available. Handling of incomplete data clustering can be done with two approaches, namely preprocessing and application of a special algorithm. Preprocessing is a process to solve the problem of incomplete data by applying the results on the complete data (Grzymała & Hu 2001). Two techniques that can be done in preprocessing, namely: engineering marginalization (deletion) of incomplete data and imputation techniques. Wagstaff and Laidler (2005) explain that preprocessing approach is often used, either by the method of marginalization or the imputation method which are easy and simple. Marginalization method is the simplest technique to be used as a solution of incomplete data clustering. There are two possibilities to do with marginalization method; remove objects from the data collection or delete the incomplete, but it should be noted that marginalization can lead to data information loss. Imputation methods performed to estimate the value of incomplete data in clustering with various techniques, such as imputation with constant values, zeros, random values, the median value, average value and others. Troyanskaya et al (2001) in his research concluded that calculation of incomplete data by imputation method is reliable and yield inaccurate information. A special algorithm is done to cover the shortage of marginalization methods and imputation methods. There are some special algorithm for missing data without imputation, such as method of Partial Distance Strategy (PDS) and K-means Soft Constraints (KSC). PDS and KSC adopt the stages of K-means algorithm for complete data. Wagstaff (2004) conducted a study of clustering for incomplete data without imputation with approach Of K-Means Soft Constraints (KSC). Matyja and Simiński (2014) also conducted research of clustering for incomplete data without imputation by comparing Partial Distance Strategy (PDS) with Optimal Completion Strategy (OCS), Nearest Prototype Strategy (NPS), Fuzzy C-Mean (FCM) and Nearest Cluster Strategy (NCS). The development of research has been done before is success to make researchers interested in reviewing the incomplete data clustering without imputation. Study of incomplete data clustering without imputation is done by data simulation and application data. This study aims to assess the method of Partial Distance Strategy (PDS) and the method of K-Means Soft Constraints (KSC) for incomplete data clustering. Simulation data is the data generation with a total population of N = 1200 with numeric data types in terms of several aspects of the simulation, they are the amount of sample (n), the center between cluster (μ) and the correlations between variables (ρ). Data simulation performed by generating three population of normal multivariate ~ N (μ, Σ), which is consists of 7 variables. Three population are simulated into three population model, they are the population model that does not separate (design I), a separate populations model (design II), a perfect separate model (design III). The secondary data of this study is BPS data of people's welfare indicator as many as 10 variables at Aceh Province in 2006. Selection of those indicator variables is evaluated from various sources, such as RPJP (Long Term Development Plan), the MDG (Millennium Development Goals) and indicators of well-being published by BPS in cooperation with other government agencies. Broadly speaking, all sources of are publish the same indicator of public welfare (Bappenas, 2010). Study of incomplete data clustering without imputation against simulated data from a combination of n, μ, ρ and the percentage of incomplete data that were tested are showed when the larger the n, the condition of the population separated from each other, the correlation between the variables is small and tiny percentage of incomplete data, it will cause the average percentage of accuracy of cluster produced by using PDS and KSC will be higher. Study of incomplete data clustering without imputation of data applied declares that the members of each cluster have a homogeneous variance within cluster, whereas, the variation among clusters is more heterogeneous. This result shows that the districts / cities that are in one cluster have a high degree of similarity, so they have the common feature in terms of the indicators of people's welfare
Kajian Sensitivitas Parameter Algoritme Pada Metode Rotation Forest
No full textRotation forest merupakan metode klasifikasi baru untuk membangun metode pohon gabungan (classifier ensembles) dengan menggunakan pohon keputusan yang saling bebas. Proses pembeda dalam rotation forest adalah penerapan analisis komponen utama untuk merotasi peubah asal menjadi peubah baru yang saling bebas. Beberapa penelitian telah membuktikan bahwa rotation forest lebih akurat dalam melakukan dugaan klasifikasi dibandingkan metode bagging dan random forest. Penentuan parameter algoritme, yakni ukuran banyaknya pohon keputusan yang digunakan dalam metode gabungan (l) dan banyaknya pemisah gugus peubah asal (k) memegang peranan penting dalam menentukan keberhasilan dan keakuratan dugaan klasifikasi. Penelitian ini menggunakan data dengan peubah respon terdiri dari 2 kategori/kelas. Hasil penelitian adalah: (1) Tidak didapatkan nilai k spesifik untuk tiap kategori data yang dapat memaksimumkan nilai keakuratan klasifikasi nilai, nilai k = (p-1) cenderung menghasilkan keakuratan klasifikasi yang lebih rendah dibandingkan nilai k = {1, 2, 3, p/3}. (2) Metode gabungan rotation forest efektif digunakan untuk melakukan pengklasifikasian data dengan hanya menggunakan sedikit pohon keputusan yakni 10 sampai 20 pohon. (3) Terdapat hubungan negatif antara nilai keakuratan klasifikasi dengan proporsi keragaman kumulatif data, yakni semakin tinggi nilai proporsi keragaman kumulatif suatu data cenderung menurunkan nilai keakuratan klasifikasi, atau sebaliknya
Analisis Regresi Linear Gerombol Dengan Algoritma Pertukaran (Exchange Algorithm).
No full textAnalisis regresi linear pada suatu gugus data memiliki kemungkinan mempunyai lebih dari satu model regresi. Model-model regresi linear tersebut tidak dapat diduga dengan menggunakan satu model regresi, sehingga analisis regresi linear standar tidak dapat digunakan. Kondisi tersebut diduga disebabkan oleh adanya subpopulasi yang belum diketahui. Oleh karena itu, dibutuhkan metodologi lain untuk mendeteksi gerombol tersembunyi tersebut untuk menduga subpopulasi. Regresi linear gerombol merupakan salah satu jenis analisis regresi yang penting dalam pendugaan model untuk data yang memiliki subpopulasi yang belum diketahui. Regresi linear gerombol adalah teknik penggerombolan berdasarkan karakteristik parameter regresi untuk menemukan dan merekonstruksi struktur tersembunyi dari suatu contoh yang diambil secara acak dari populasi yang memiliki subpopulasi yang belum diketahui. Metode pendugaan parameter regresi yang digunakan pada penelitian ini adalah metode kuadrat terkecil. Pengoptimuman amatan yang masuk ke dalam gerombol digunakan algoritma pertukaran. Algoritma pertukaran menggerombolkan berdasarkan kemiripan karakteristik parameter regresi dengan kriteria optimumnya adalah minimum jumlah dari jumlah kuadrat galat (JJKG). Pada penelitian ini akan digunakan dua pendekatan yang berbeda pada proses inisialisasi. Inisialisasi pertama menggunakan inisialisasi acak dan inisialisasi yang kedua menggunakan inisialisasi regresi kekar yaitu least median of squares (LMS). Data pada penelitian ini terdiri dari dua sumber yaitu data simulasi dan data kasus terapan. Data simulasi terdiri dari 2 gugus data dengan 2 gerombol, 3 gugus data dengan 3 gerombol dan 1 gugus data tanpa gerombol. Data pada kasus terapan yang digunakan yaitu data ekonomi, kesehatan dan pendidikan pada anggaran pendapatan belanja daerah (APBD) terhadap data indeks pembangunan manusia (IPM) seluruh kota/kabupaten di Jawa Timur tahun 2013. Hasil simulasi menunjukkan bahwa inisialisasi acak lebih baik dalam pendugaan banyaknya subpopulasi dibandingkan inisialisasi LMS namun proses komputasi inisialisasi acak lebih lama dibandingkan dengan inisialisasi LMS karena inisialisasi acak menduga banyaknya subpopulasi dengan over-fitting. Inisialisasi dengan LMS juga tidak dapat mendeteksi jika tidak terdapat gerombol pada gugus data. Hasil pada kasus terapan menunjukkan bahwa gugus data memiliki 2 gerombol berdasarkan identifikasi data produk domestik regional bruto (PDRB) dan data pendidikan. Gerombol pertama merupakan gerombol kota dan gerombol kedua merupakan gerombol kabupaten
Analisis Gerombol Dua Tahap untuk Penentuan Koleksi Inti Tanaman Ubi Kayu.
No full textCassava is a tropical plant that has many uses, such as food, animal feed, ethanol’s raw material, and can also be utilized in the field of industry. According to the collection of cassava, naturally there are some accessions which has similar characteristics, therefore the selection of core collection is needed to be done to make the utilization easier.The objective of this research was to determine the core collection of cassava using two step clusters analysis and to evaluate the goodness of the core collection. Two step clusters analysis is used because the observe variables contain two type of variables that is numeric and categoric. The result of two step clustering formed two optimum clusters. However, stratified random sampling in four clusters has MD% and VD% value smaller than MD% and VD% value of two clusters
Klasifikasi Kadar Glukosa Darah Menggunakan Metode Regresi Logistik Ordinal pada Data Tidak Seimbang
No full textDefinisi diabetes mellitus (DM) yang disampaikan oleh American Diabetes Association (2010), yakni merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin, atau kedua-duanya. Berdasarkan data yang diperoleh dari International Diabetes Federation (2017), jumlah penderita diabetes di dunia sebesar 425 juta jiwa dengan lebih dari 10 juta jiwa merupakan penduduk Indonesia. Kemenkes (2016) menyebutkan bahwa jumlah penderita DM di Indonesia pada tahun 2007 meningkat dari 5,7% menjadi 6,9% di tahun 2013, atau setara dengan 9,1 juta jiwa dan akan terus meningkat di tiap tahunnya. Seorang penderita baru dapat dinyatakan menderita diabetes mellitus setelah melalui pemeriksaan kadar glukosa darah dalam tubuh. Oleh karena itu, pengendalian dan pemantauan kadar glukosa dalam darah menjadi hal yang sangat penting untuk dilakukan oleh seorang penderita DM. Dewasa ini metode pemeriksaan kadar glukosa dalam darah yang cukup populer dilakukan adalah cara invasif, yakni mengambil sampel darah pasien dan diperiksa kadar glukosanya dengan spektrofotometer. Metode lain yang dapat digunakan adalah cara non-invasif, yakni pemeriksaan kadar glukosa darah seseorang tanpa perlu mengambil sampel darah.
Metode analisis regresi logistik ordinal merupakan salah satu metode klasifikasi yang umum digunakan yang menghubungkan antara satu atau lebih peubah bebas berupa numerik dan atau kategorik terhadap peubah respon dengan dua atau lebih kategori bersifat ordinal (Agresti 2002). Pada analisis regresi logistik untuk respon ordinal, model akhir yang terbentuk merupakan fungsi logit peluang kumulatif dengan pembeda antar kelas berupa nilai peluang untuk masing-masing kelas (Otok et al 2007). Namun, metode ini hanya efektif jika digunakan pada kasus data yang pengelompokannya seimbang. Sedangkan pada kasus data yang tidak seimbang perlu dilakukan pendekatan metode statistik lain terlebih dahulu. Dampak yang ditimbulkan adanya ketidakseimbangan kelas adalah hasil prediksi yang diperoleh cenderung tidak stabil karena prediksinya mengarah ke kelas mayoritas. Berdasar hal tersebut, tentunya penanganan ketidakseimbangan kelas pada metode klasifikasi menjadi penting untuk dilakukan (Sanguanmak dan Hanskunatai 2008). Salah satu metode statistik yang dapat digunakan pada penanganan kasus kelas data tidak seimbang yakni synthetic minority oversampling technique (SMOTE). Metode SMOTE merupakan metode dengan teknik membangkitkan data berdasar perbedaan data pada kelas minoritas dengan tetangga terdekat dari kelas minoritas tersebut menjadi data sintetis baru (Chawla et al 2002). Penelitian ini bertujuan membandingkan nilai ketepatan klasifikasi antara metode regresi logistik ordinal dengan SMOTE dan tanpa
SMOTE pada penerapan data spektrum alat ukur kadar glukosa darah non-invasif berdasarkan kadar glukosa rendah, normal, dan tinggi pada kasus data kelas tidak seimbang.
Berdasarkan hasil analisis yang telah dilakukan, diperoleh nilai ketepatan klasifikasi pada penerapan metode regresi logistik ordinal dengan SMOTE sebesar 53% pada data training dan 56% pada data testing. Sementara itu, penerapan metode regresi logistik ordinal tanpa SMOTE hanya menghasilkan nilai ketepatan klasifikasi sebesar 44% pada data training dan 50% pada data testing
Seleksi Peubah Menggunakan Algoritme Genetika pada Data Rancangan Faktorial Pecahan Lewat Jenuh Dua Taraf.
No full textPada berbagai bidang tertentu, percobaan melibatkan banyak faktor dan
terkendala biaya. Pengurangan unit percobaan merupakan salah satu solusi untuk
mengurangi biaya percobaan. Namun hal ini dapat menyebabkan unit percobaan
yang digunakan lebih sedikit dibandingkan faktor yang diduga. Rancangan
percobaan pada kasus tersebut dikenal sebagai rancangan lewat jenuh. Pengaruh
faktor pada rancangan ini umumnya diduga dengan metode yang melibatkan
seleksi peubah seperti forward selection, regresi bertatar dan regresi berkendala.
Algoritme genetika adalah salah satu metode yang dapat digunakan untuk seleksi
peubah, khususnya untuk data dimensi tinggi atau rancangan lewat jenuh.
Penelitian ini bertujuan menerapkan algoritme genetika untuk seleksi peubah pada
rancangan lewat jenuh dua taraf dan membandingkan hasilnya dengan regresi
bertatar yang umumnya digunakan untuk rancangan sederhana. Penelitian ini juga
melibatkan prinsip-prinsip rancangan faktorial pecahan. Faktor dan interaksi yang
terpilih pada model hasil algoritme genetika dan regresi bertatar tidak banyak
yang sama di kedua data. Namun pada prinsipnya sama, karena peubahnya
berkorelasi. Hasil penelitian ini menunjukkan bahwa model hasil algoritme
genetika memiliki AIC dan BIC terkecil, serta seluruh pengaruh utama dan
interaksi yang terpilih berpengaruh nyata pada taraf nyata 0.1%. Oleh karenanya,
model hasil algoritme genetika lebih dipilih meskipun demikian dari segi waktu
komputasi lebih lama dibandingkan model hasil regresi bertatar
Analisis Kecepatan Penyembuhan Penderita Malaria Menggunakan Regresi Cox.
No full textMalaria merupakan salah satu penyakit yang menyebabkan kematian terbesar pada manusia. Penanganan pada penderita malaria membutuhkan tindakan yang cepat dan tepat agar penderita malaria dapat disembuhkan. Analisis ketahanan menjadi salah satu alat penting untuk menentukan peluang seorang penderita malaria dapat sembuh hingga waktu tertentu, serta menentukan faktor-faktor apa saja yang mempengaruhi laju kesembuhan penderita malaria. Analisis ketahanan penderita malaria dengan metode regresi Cox juga memberikan peluang kesembuhan pada setiap kejadian (setiap penderita malaria). Kelebihan regresi Cox adalah dapat mengestimasi hazard ratio (menghitung peluang kejadian) tanpa perlu diketahui ho(t), serta dapat mengestimasi h(t,X) dan fungsi survivor meski ho(t) tidak spesifik. Penelitian ini memfokuskan untuk menentukan laju kesembuhan dan faktor yang mempengaruhi laju kesembuhan penderita malaria. Hasil analisis menunjukkan bahwa peubah penjelas yang dapat menjelaskan laju kesembuhan penderita malaria pada taraf nyata 10% adalah jenis kelamin, jenis obat, umur, suhu tubuh, interaksi jenis kelamin dan obat 3, serta interaksi umur dan obat 3.
- …
