Article Per Year (5 Year)
p-Index From 2021 - 2026
6.815
P-Index
This Author published in this journals
All Journal Media Statistika BIMASTER Epsilon: Jurnal Matematika Murni dan Terapan Jurnal Edukasi dan Penelitian Informatika (JEPIN) JMPM: Jurnal Matematika dan Pendidikan Matematika BAREKENG: Jurnal Ilmu Matematika dan Terapan JTAM (Jurnal Teori dan Aplikasi Matematika) Sarwahita : Jurnal Pengabdian Kepada Masyarakat Insan Cita Jurnal Pengabdian Kepada Masyarakat JAMBURA JOURNAL OF PROBABILITY AND STATISTICS Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi Pattimura International Journal of Mathematics (PIJMath)
Martha, Shantika
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Environmental Science Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Other

Published : 58 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 39 Documents
Search
Journal : BIMASTER

 1   2   3   4 
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN KASUS KRIMINALITAS MENGGUNAKAN METODE WARD DENGAN OPTIMALISASI GAMMA INDEX Oktitannia, Dea; Sulistianingsih, Evy; Martha, Shantika
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91757

Abstract

Kriminalitas menjadi permasalahan yang serius di Indonesia yang masih terjadi hingga saat ini dan dapat mempengaruhi kehidupan sosial masyarakat. Oleh karena itu, upaya menurunkan angka kriminalitas menjadi yang penting dilakukan, salah satunya dengan meningkatkan kewaspadaan pemerintah maupun masyarakat terhadap potensi kejahatan di lingkungan sekitar. Tujuan dari penelitian ini adalah untuk pengelompokan provinsi di Indonesia berdasarkan kasus kriminalitas dan menentukan jumlah cluster optimal yang terbentuk. Salah satu metode yang digunakan dalam proses pengelompokan ini adalah analisis cluster, yang memungkinkan objek dikelompokkan berdasarkan informasi yang terkandung dalam data tersebut, termasuk hubungan antar objek. Dengan demikian, karakteristik setiap cluster dapat diidentifikasi, sehingga tingkat keadaan darurat serta kebutuhan di masing-masing cluster dapat dianalisis dan di tindaklanjuti secara lebih efektif. Metode Ward merupakan metode pengelompokan yang bertujuan meminimalkan varians di dalam cluster. Selanjutnya, untuk menentukan jumlah cluster optimal digunakan Gamma Index. Hasil penelitian menunjukkan bahwa terbentuknya dua cluster optimal dalam pengelompokan provinsi di Indonesia berdasarkan kasus kriminalitas dengan nilai Gamma Index sebesar 0,9824 yang merupakan nilai tertinggi dibandingkan cluster lainnya. Cluster 1 merupakan daerah karakteristik kriminalitasnya yang rendah terdiri dari 29 provinsi. Cluster 2 merupakan daerah karakteristik kriminalitasnya tinggi yang terdiri dari 5 provinsi. Untuk mengatasinya, diperlukan peningkatan penegakan hukum, analisis faktor pemicu kriminalitas, serta program rehabilitasi dan edukasi bagi pelaku kejahatan. Kolaborasi antara pemerintah, kepolisian dan masyarakat juga perlu diperkuat untuk menciptakan lingkungan yang lebih aman dan kondusif.
PENERAPAN SIMILARITY WEIGHT AND FILTER METHOD UNTUK MENGELOMPOKKAN SMA BERDASARKAN SARANA PRASARANA DAN SDM (Studi Kasus: SMA di Provinsi Kalimantan Barat) Sindia, Eri; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91653

Abstract

Similarity Weight and Filter Method (SWFM) merupakan metode pada analisis cluster yang digunakan untuk menangani data campuran numerik dan kategorik. Keduanya tersusun dari hasil analisis cluster data numerik dan kategorik yang kemudian digabungkan. Permasalahan utama pendidikan yaitu minimnya sarana dan prasarana serta kekurangan guru terutama ditingkat Sekolah Menengah Atas (SMA). Pembangunan dan pemerataan pendidikan masih sulit dilaksanakan secara maksimal oleh pemerintah. Sehingga untuk mempermudah penyaluran bantuan maka perlu dilakukan pengelompokan. Penelitian ini bertujuan untuk mengelompokkan SMA berdasarkan sarana prasarana dan Sumber Daya Manusia (SDM) di Provinsi Kalimantan Barat dengan SWFM. Data pada penelitian ini bersumber dari Kementerian Pendidikan dan Kebudayaan (Kemendikbud) yaitu Data Pokok Pendidikan pada jenjang SMA tahun 2024 yang terdiri data numerik dan kategorik. Data numerik dikelompokan dengan metode Ward yang menghasilkan jumlah cluster optimum yaitu 3 cluster. Sedangkan data kategorik dikelompokan menggunakan metode K-Modes menghasilkan jumlah cluster optimum sebanyak 2. Hasil pengelompokan data numerik dan data kategorik kemudian digabung dengan metode SWFM sehingga diperoleh jumlah cluster sebanyak 5. Cluster 1 terdiri dari 131 SMA dengan sarana prasarana dan SDM yang tidak memadai, cluster 2 terdiri dari 185 SMA dengan sarana prasarana dan SDM yang kurang memadai, cluster 3 terdiri dari 12 SMA dimana memiliki sarana prasarana dan SDM yang sangat memadai, cluster 4 terdiri dari 61 SMA dimana memiliki sarana prasarana dan SDM yang memadai, dan cluster 5 terdiri dari 16 SMA yang sarana prasarana dan SDM yang cukup memadai.
PENGELOMPOKAN INDEKS PEMBANGUNAN MANUSIA DI INDONESIA MENGGUNAKAN METODE K-MEDOIDS DENGAN EVALUASI DAVIES BOULDIN INDEX Ersawahyuni, Aisna; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i2.92331

Abstract

Indeks Pembangunan Manusia (IPM) adalah salah satu indikator penting dalam menilai kemajuan suatu negara. Pengelompokan IPM berguna memberikan wawasan yang penting mengenai pemahaman tentang pola dan karakteristik perkembangan kesejahteraan masyarakat. Tujuan dari penelitian ini adalah mengelompokkan provinsi-provinsi di Indonesia berdasarkan IPM masing-masing provinsi tahun 2023 menggunakan metode K-Medoids dan menentukan jumlah cluster yang optimal dengan evaluasi Davies Bouldin Index (DBI). Data yang digunakan berasal dari Publikasi Badan Pusat Statistik Pusat Tahun 2023, variabel yang digunakan antara lain umur harapan hidup, harapan lama sekolah, rata-rata lama sekolah, pengeluaran per kapita, produk domestik regional bruto, jumlah penduduk, dan persentase penduduk miskin. Proses analisis dimulai dengan statistik deskriptif dan pengujian multikolinearitas Variance Inflation Factor (VIF). Variabel yang memiliki nilai VIF 10 dieliminasi secara bertahap. Selanjutnya, dilakukan standarisasi data dan menentukan jumlah cluster awal, k yang digunakan , dilanjutkan dengan pemilihan medoids acak dan perhitungan jarak euclidean untuk menentukan kedekatan antar objek. Proses dilakukan hingga total jarak. Setelah pengelompokan selesai dilakukan optimasi jumlah cluster dengan menggunakan DBI, dengan cara meminimalkan nilai Sum of Square Within (SSW) dan memaksimalkan Sum of Square Between (SSB) dilanjutkan dengan menghitung rasio antara SSW dan SSB sehingga diperoleh nilai DBI. Hasil pengelompokan optimal yaitu dua cluster berdasarkan nilai DBI sebesar 0,94, namun dipilih cluster optimal sebanyak empat sebagai alternatif karena memiliki nilai DBI terendah kedua sebesar 1,07. Hasil pengelompokkan empat cluster yaitu cluster 1 IPM kategori sangat tinggi berjumlah 4 provinsi, cluster 2 IPM kategori tinggi berjumlah 14 provinsi, cluster 3 IPM kategori rendah berjumlah 10 provinsi, dan cluster 4 IPM kategori sangat rendah berjumlah enam provinsi.  Kata Kunci :  Jarak Euclidean, DBI, VIF, Hierarchical.  
IMPLEMENTASI ADDITIVE RATIO ASSESSMENT (ARAS) PADA SELEKSI PENERIMAAN BEASISWA KIP KULIAH DI UNIVERSITAS TANJUNGPURA Riovani, Vriska Dwi; Martha, Shantika; Imro’ah, Nurfitri
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i2.91922

Abstract

Kartu Indonesia Pintar (KIP) Kuliah adalah salah satu beasiswa yang disediakan oleh pemerintah bagi mahasiswa yang kurang mampu untuk melanjutkan pendidikan di perguruan tinggi. Keterbatasan kuota penerimaan membuat pihak pengelola beasiswa memerlukan sistem pendukung keputusan untuk menyeleksi pendaftar agar lebih tepat sasaran. Salah satu metode dalam sistem pendukung keputusan adalah metode Additive Ratio Assessment (ARAS). Keunggulan dari metode ARAS terletak dari keefisienan dalam penanganan jumlah dan jenis kriteria. Tujuan penelitian ini untuk membantu dalam menentukan pendaftar yang layak menerima beasiswa KIP Kuliah menggunakan metode ARAS. Data yang digunakan berupa data pendaftar beasiswa KIP Kuliah yang diperoleh dari Biro Akademik dan Kemahasiswaan Universitas Tanjungpura. Jumlah sampel didapatkan menggunakan metode Slovin sebesar 317 sampel. Terdapat lima kriteria yang digunakan yaitu pekerjaan ayah (C1), penghasilan ayah (C2), pekerjaan ibu (C3), penghasilan ibu (C4) dan jumlah tanggungan (C5). Hasil penelitian ini berupa 153 pendaftar yang diterima berdasarkan pemeringkatan dari hasil utility degree tertinggi dengan tingkat akurasi sebesar 47%. Hal ini dapat disebabkan karena terdapat beberapa penggunaan kriteria tambahan dari pihak BAK UNTAN yang tidak digunakan dalam penelitian ini.  Kata Kunci : Sistem Pendukung Keputusan, Utility Degree, Peringkat.
PENERAPAN ALGORITMA K-MEDOIDS DENGAN OPTIMASI GAP STATISTICS DALAM PENGELOMPOKAN DAERAH RAWAN KRIMINALITAS DI INDONESIA Dyaherawati, Oktavia; Martha, Shantika; Imro’ah, Nurfitri
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91906

Abstract

Kriminalitas atau tindak kejahatan adalah setiap perbuatan yang melanggar hukum pidana. Informasi terkait banyaknya tindak kejahatan yang terjadi sangat dibutuhkan oleh masyarakat dan penegak hukum. Penelitian ini bertujuan untuk mengelompokkan daerah rawan kriminalitas pada provinsi di Indonesia menggunakan algoritma K-Medoids dengan optimasi Gap Statistics. Algoritma K-Medoids merupakan metode analisis cluster dengan menggunakan perwakilan dari objek sebagai pusat cluster. Penentuan jumlah cluster teraik pada metode ini masih belum memiliki dasar teori yang jelas, sehingga diperlukan pendekatan untuk mengidentifikasi jumlah cluster optimal. Gap statistics merupakan salah satu pendekatan terbaik untuk menentukan jumlah cluster optimal dengan membangkitkan data acak dalam penentuan jumlah kelompok optimum. Data yang digunakan merupakan data sekunder yang didapatkan dari publikasi Badan Pusat Statistik yaitu Statistik Kriminal 2023 yang berisi data jumlah kriminalitas menurut jenis kejahatan dan kepolisian daerah tahun 2022. Penelitian ini berfokus untuk membentuk kelompok yang berisi provinsi dengan jarak terdekat berdasarkan karakteristik dari kriminalitas menggunakan analisis cluster. Berdasarkan analisis yang telah dilakukan, jumlah cluster optimal yang terbentuk berjumlah empat cluster dengan nilai gap statistics yang diperoleh sebesar 0,65. Cluster 1 dikategorikan sebagai daerah sangat rawan kriminalitas yang terdiri dari tiga provinsi, Cluster 2 dikategorikan sebagai daerah rawan kriminalitas yang terdiri dari dua provinsi, Cluster 3 dikategorikan sebagai daerah cukup rawan kriminalitas yang terdiri dari tujuh provinsi, dan Cluster 4 dikategorikan sebagai daerah tidak rawan kriminalitas yang terdiri dari 22 provinsi.  Kata Kunci : kriminalitas, analisis cluster, cluster optimal, outlier.
PENENTUAN JUMLAH CLUSTER OPTIMUM PADA PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR PENDIDIKAN TINGKAT SMA Rahmadanti, Putri; Martha, Shantika; Satyahadewi, Neva
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i2.92351

Abstract

Pendidikan merupakan aspek penting terkait dengan sumber daya manusia dan tentunya memiliki peran penting dalam upaya meningkatkan pembangunan nasional. Pada dasarnya pemerataan pendidikan sangat krusial untuk meningkatkan pendidikan di Indonesia. Indonesia yang terdiri dari banyak provinsi dengan beragam kondisi menjadikan perlu dilakukan pengelompokan terhadap pendidikan pada tiap daerah. Analisis cluster ialah teknik analisis statistik multivariat yang melakukan pengelompokan berdasarkan atas kesamaan karakteristik antar tiap objeknya. Tujuan penelitian ini adalah penentuan jumlah cluster optimum dengan metode Silhouette Coefficient untuk mengelompokkan provinsi di Indonesia berdasarkan indikator pendidikan tingkat SMA/sederajat. Data indikator pendidikan tingkat SMA/sederajat yang terdiri dari 11 variabel dari 34 provinsi di Indonesia digunakan dalam penelitian ini. Tahapan penelitian ini meliputi pengelompokan dengan menggunakan metode Ward dan dilanjutkan dengan proses penentuan jumlah cluster optimum dengan metode Silhouette Coefficient. Berdasarkan analisis yang telah dilakukan dengan mengelompokkan tingkat pendidikan di Indonesia, diperoleh cluster optimum berdasarkan indikator pendidikan tingkat SMA/sederajat, yaitu berjumlah 3 cluster dengan nilai Silhouette Coefficient yaitu bernilai 0,248. Cluster ke-1 merupakan cluster dengan tingkat pendidikan tinggi terdiri dari 8 provinsi yang didominasi dengan provinsi yang berada di Pulau Jawa. Kemudian cluster ke-2 sebagai cluster dengan tingkat pendidikan sedang terdiri dari 25 provinsi yang merupakan cluster terbesar yang mewakili sebagian besar wilayah di Indonesia. Serta cluster ke-3 sebagai cluster dengan tingkat pendidikan rendah hanya terdiri dari Provinsi Papua yang menunjukkan kesenjangan pendidikan yang signifikan.  Kata Kunci : Jarak Euclidean, Metode Ward, Silhouette Coefficient, Z-Score.
SELEKSI PENERIMAAN BEASISWA MENGGUNAKAN METODE EVALUATION BASED DISTANCE FROM AVERAGE SOLUTION (EDAS) (Studi Kasus: Beasiswa KIP Kuliah Merdeka di Universitas Tanjungpura) Clarenda Siboro, Viren Marcellya; Martha, Shantika; Imro’ah, Nurfitri
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i2.91910

Abstract

Beasiswa Kartu Indonesia Pintar (KIP) Kuliah Merdeka adalah program yang dirancang oleh pemerintah untuk memberikan dukungan finansial dalam bentuk pembiayaan pendidikan serta biaya hidup penerima bantuan beasiswa. Tujuan dilakukan penelitian ini yaitu untuk mengimplementasikan metode Sistem Pendukung Keputusan yaitu metode Evaluation Based Distance From Average Solution (EDAS) dalam proses pengambilan keputusan terkait seleksi penerima beasiswa KIP Kuliah Merdeka di Universitas Tanjungpura. EDAS merupakan metode yang digunakan untuk menentukan alternatif optimal yang dipilih berdasarkan perhitungan jarak masing-masing alternatif dari nilai optimal. Metode tersebut memiliki keunggulan dalam melakukan pemeringkatan dengan menghitung Average Solution (AV) sehingga hasil yang didapatkan lebih akurat. Penelitian ini menggunakan data beasiswa KIP Kuliah Merdeka tahun 2023 yang diperoleh dari Biro Akademik dan Kemahasiswaan (BAK) Universitas Tanjungpura. Kriteria yang digunakan yaitu pekerjaan ayah (C1), penghasilan ayah (C2), pekerjaan ibu (C3), penghasilan ibu (C4), dan jumlah tanggungan (C5). Proses analisis dimulai dengan menghitung Average Solution, Positive Distance Average, Negative Distance Average, Sum of Positive Distance, Sum of Negative Distance, Normalize Sum of Positif Distance, Normalize Sum of Negative Diatance, dan Appraisal Score. Berdasarkan hasil analisis alternatif terbaik yang layak dipilih dan menerima bantuan beasiswa KIP Kuliah Merdeka yaitu A210   dengan nilai appraisal score 1. Nilai akurasi yang diperoleh dari hasil analisis menggunakan metode EDAS sebesar 46,69% yang tergolong ke dalam kategori gagal. Hal tersebut disebabkan oleh sedikit atribut yang digunakan dan proses penentuan beasiswa dilakukan oleh pihak BAK dengan mempertimbangkan beberapa kriteria lainnya.  Kata Kunci : Pemeringkatan, Average Solution, Akurasi.
IMPLEMENTASI ALGORITMA K-MEDOIDS DAN CLUSTERING LARGE APPLICATIONS (CLARA) DENGAN OPTIMASI SILHOUETTE COEFFICIENT (Studi Kasus: Pengelompokan Indeks Pembangunan Manusia Berdasarkan Kabupaten/Kota di Indonesia) Ayuni, Anisa Putri; Kusnandar, Dadan; Martha, Shantika
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v13i2.76959

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator untuk menilai keberhasilan pembangunan manusia yang ditinjau melalui kualitas hidup. Pengelompokan IPM perlu dilakukan untuk mengetahui derajat kesejahteraan dan kemajuan penduduk. Upaya yang bisa diterapkan untuk mengetahui  pengelompokan kabupaten/kota dengan nilai IPM tertinggi sampai terendah melalui analisis cluster. Analisis cluster yang dapat digunakan yakni algoritma K-Medoids dan CLARA. Algoritma K-Medoids dan CLARA memanfaatkan titik data untuk mewakili pusat cluster sehingga titik data yang terpilih dinamakan dengan medoids. Penelitian ini bertujuan untuk menganalisis hasil pengelompokan kabupaten/kota berlandaskan indikator pembentuk IPM menggunakan algoritma K-Medoids dan CLARA serta menganalisis perbandingan nilai silhouette coefficients optimal pada algoritma K-Medoids dan CLARA. Penelitian ini memanfaatkan data sekunder yang didapat dari Badan Pusat Statistik (BPS) tahun 2022. Variabel yang dianalisis mencakup umur harapan hidup ( ), harapan lama sekolah ( ), rata-rata lama sekolah ( ), dan pengeluaran per kapita ( ).   Pengelompokan dengan K-Medoids menghasilkan 358 kabupaten/kota yang tergabung dalam cluster dengan nilai IPM sedang dan 156 kabupaten/kota tergabung dalam cluster dengan nilai IPM tinggi. Sementara itu, pengelompokan dengan CLARA menghasilkan 426 kabupaten/kota yang tergabung dalam cluster dengan nilai IPM sedang dan 88 kabupaten/kota tergabung dalam cluster dengan nilai IPM tinggi. Algoritma CLARA merupakan algoritma yang optimal dengan nilai silhouette coefficient paling tinggi yakni sebesar 0,438.  Kata Kunci : IPM, CLARA, K-Medoids, Silhouette Coefficient.
IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PASIEN PENDERITA DIABETES MELLITUS Puspita, Risma; Perdana, Hendra; Martha, Shantika
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 3 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i3.95738

Abstract

Diabetes mellitus merupakan kondisi di mana tubuh gagal mengontrol kadar glukosa dalam darah. Penyakit ini terjadi karena tubuh tidak mampu menghasilkan insulin dalam jumlah yang cukup, sehingga menyebabkan peningkatan kadar gula darah tetap tinggi dan dapat menyebabkan dampak serius bagi kesehatan pasien. Dalam upaya memahami dan menganalisis masalah ini secara lebih mendalam sistem klasifikasi yang akurat untuk mendeteksi penyakit ini, diperlukan pendekatan yang tepat, salah satunya melalui metode berbasis Machine Learning. Untuk mengidentifikasi faktor-faktor yang mempengaruhi klasifikasi pasien diabetes mellitus serta menentukan tingkat akurasi algoritma Support Vector Machine (SVM) dalam proses klasifikasi maka dari itu penelitian ini menggunakan dua jenis kernel yaitu kernel linear dan kernel Radial Basic Function (RBF). Data yang digunakan merupakan data sekunder dari 982 pasien di Puskesmas Gang Sehat, dengan variabel yang dianalisis meliputi jenis kelamin, usia, tekanan darah sistole dan diastole, serta Indeks Massa Tubuh (IMT). Hasil menunjukkan bahwa kernel RBF memiliki akurasi lebih tinggi 80,2% dibandingkan kernel linear 77,8%, sehingga kernel RBF lebih efektif dalam menangani pola data pada penelitian ini.
VALIDASI C-INDEX DALAM PENGELOMPOKAN DAERAH DI KALIMANTAN BARAT BERDASARKAN INDIKATOR KETAHANAN PANGAN Fallah, Khalishah Ghina; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 3 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i3.95793

Abstract

Ketahanan pangan merupakan kondisi terpenuhinya kebutuhan pangan bagi setiap individu dalam suatu wilayah, baik dari segi ketersediaan, akses, maupun pemanfaatannya, sehingga masyarakat dapat hidup sehat dan produktif. Analisis ketahanan pangan diperlukan untuk memahami karakteristik wilayah berdasarkan berbagai indikator yang berpengaruh. Untuk mengukur ketahanan pangan membutuhkan ukuran yang komprehensif dengan melibatkan serangkaian indikator yakni aspek ketersediaan, akses dan pemanfaatan pangan. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Kalimantan Barat berdasarkan indikator ketahanan pangan serta menentukan jumlah cluster optimal yang terbentuk sehingga karakteristik setiap kelompok dapat diketahui melalui analisis cluster. Metode K-Medoids merupakan salah satu algoritma yang efektif dalam pengelompokan karena mampu menghasilkan cluster yang lebih stabil dan representatif terhadap data yang digunakan. Namun, penentuan jumlah cluster optimal masih belum memiliki dasar teori yang kuat, sehingga diperlukan metode untuk menentukannya. C-Index adalah metode validasi internal yang menilai kualitas clustering dengan membandingkan jarak antar objek dalam dan antar cluster. Berdasarkan penelitian yang telah dilakukan, jumlah cluster optimal yang terbentuk berjumlah empat cluster dengan nilai C-index terkecil sebesar 0,42. Cluster 1 merupakan daerah dengan ketahanan pangan yang tinggi yang terdiri dari 5 kabupaten/kota, cluster 2 dengan tingkat ketahanan pangan yang cukup terdiri dari empat kabupaten/kota, cluster 3 dengan tingkat ketahanan pangan yang kurang terdiri dari empat kabupaten/kota, dan cluster 4 dengan tingkat ketahanan pangan yang rendah yang terdiri dari satu kabupaten/kota yaitu Kayong Utara.
Co-Authors , Syahru Rahmayuda, Haris Febriyanto Ramadhan , Sampe Hotlan Sitorus Agustono, Hendri Al Azizi, Fudhail Azzam Thoriqi Amarrullah, Rido Andani, Wirda Anggria, Vini Anjelika, Seselia Apriliyanti, Rita Aprizkiyandari, Siti Arsanti, Resti Asmara, Mira AYU ASTUTI, AYU Ayuni, Anisa Putri Bartolomius, Bartolomius Cahyani, Cristy Framedia Calissta, Leanna Belva Clarenda Siboro, Viren Marcellya Cornellia, Amanda Dadan Kusnandar Deanovela, Adelea Delvi Debataraja, Naomi Nessyana Dwi Marisa Midyanti Dyaherawati, Oktavia Ersawahyuni, Aisna Evy Sulistianingsih Fallah, Khalishah Ghina Fiqriah, Isnaini Gunawan, Risky Hamdari, Ela Hariadi, Wahyudio Shaney Fikri Hendra Perdana hidayatullah, Hidayatullah hidayatullah Huda, Nur’ainul Miftahul Idilla, Leona Ilhamsyah Imro'ah, Nurfitri IMRO’AH, NURFITRI Indriani, Maria Meilinda Istighfarani, Ridha Maharani, Cinta Priscillia Mori, Stepanus Armadi Muhtadi, Radhi Neva Satyahadewi Novi Safitri Nurhaliza, Sy. Farini Oktitannia, Dea Pebriyandi, Rifki Pramesti, Surya Adinda Fitria Prianti, Sabrina Eka Purwanty, Purwanty Puspita, Risma Radinasari, Nur Ismi Rahmadanti, Putri Rahmawati, Fenti Nurdiana Rezaldi, Muhammad Fachri Riovani, Vriska Dwi Rivaldi, Syahrul Rizki, Setyo Wira Robbiati, Dian Sadikin, Utin Azwa Sayhani Salsabila, Salsabila Salsabila, Yumna Hanum Sindia, Eri Tamtama, Ray Umiati, Wiji Vebriyanti, Lo Mei Ly Wuri, Hastri Sastia Yogi, Vinsensius Yudhi Yundari, Yundari Zaria, Della