Claim Missing Document
Check
Articles

PENERAPAN REGRESI RIDGE ROBUST-M DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA DATA STUNTING DI INDONESIA Fiqriah, Isnaini; Martha, Shantika; Kusnandar, Dadan
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 4 (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.v13i4.78042

Abstract

Multikolinearitas dan pencilan merupakan permasalahan yang menyebabkan model yang   diperoleh kurang akurat sehingga perlu diatasi agar model menjadi lebih stabil. Kedua permasalahan tersebut   dapat diatasi secara bersamaan menggunakan metode regresi Ridge Robust-M yang merupakan penggabungan dari metode regresi Ridge dan regresi Robust dengan estimasi M. Tujuan dari penelitian ini adalah menerapkan metode regresi Ridge Robust-M dalam mengatasi multikolinearitas dan pencilan pada data yang digunakan dan membentuk model regresi Ridge Robust-M. Data sekunder yang digunakan merupakan data stunting dari setiap provinsi di Indonesia tahun 2021. Variabel dependen yang digunakan adalah kejadian stunting Y, sedangkan variabel independen yang digunakan adalah persentase pemberian tablet tambah darah X1, imunisasi BCG X2, imunisasi polio X3, imunisasi DPT-Hb-Hib3 X4, inisisasi menyusu dini X5, antenatal pertama X6 dan sanitasi layak X7. Dalam proses analisis pada penelitian ini dilakukan terlebih dahulu pemodelan regresi linear berganda. Kemudian menghitung nilai penduga parameter regresi Robust-M. Setelah itu,  menghitung nilai penduga parameter regresi Ridge Robust-M   dengan memasukkan nilai dugaan parameter regresi Robust-M kedalam rumus penduga tetapan c* pada regresi Ridge. Setelah nilai tetapan bias diperoleh, maka selanjutnya membentuk model persamaan regresi Ridge Robust-M untuk mengatasi multikolinearitas dan pencilan pada data. Hasil dari penelitian ini diperoleh model persamaan Ridge Robust-M yang tidak mengandung multikolinearitas dimana hal ini dapat ditunjukkan dengan semua variabel independen memiliki nilai VIF kurang dari 10. Selain itu terdapat penurunan bobot pencilan sehingga dapat dikatakan bahwa masalah pencilan telah teratasi. Variabel X1, X2, X6 dan X7  berpengaruh signifikan secara parsial terhadap kejadian stunting.    Kata Kunci: stunting, multikolinearitas, pencilan, regresi Ridge Robust-M.
REGRESI LOGISTIK ORDINAL DENGAN PROPORTIONAL ODDS MODEL PADA KELENGKAPAN IMUNISASI DASAR BALITA KALIMANTAN BARAT Rahmawati, Fenti Nurdiana; Satyahadewi, Neva; Martha, Shantika; Kusnandar, Dadan
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (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.v13i6.87661

Abstract

Kalimantan Barat menduduki posisi tujuh terendah pada persentase imunisasi dasar lengkap tahun 2022. Regresi logistik ordinal  dapat  digunakan untuk menentukan faktor yang memengaruhi kelengkapan imunisasi. Salah satu model yang umum digunakan dalam regresi logistik ordinal adalah proportional odds model. Data yang digunakan merupakan data sekunder yang  berasal  dari Badan Pusat Statistik (BPS) yakni  data Survei Sosial-Ekonomi Nasional (Susenas) 2022. Sampel  penelitian sebanyak 277  memiliki kriteria anak balita usia 12-59 bulan yang melakukan imunisasi dan tidak imunisasi di Provinsi Kalimantan Barat.  Variabel dependen yang digunakan yaitu kelengkapan imunisasi, sedangkan variabel independennya yaitu  daerah administratif (X1),  kepemilikan buku Kesehatan Ibu dan Anak (KIA)/Kartu Menuju Sehat (KMS) (X2),  dan klasifikasi wilayah (X3).  Tujuan penelitian ini adalah menganalisis hasil regresi logistik ordinal dengan proportional odds model dan menentukan variabel independen yang secara signifikan berpengaruh terhadap kelengkapan imunisasi dasar anak balita di Provinsi Kalimantan Barat. Proses analisis diawali dengan melakukan uji multikolinearitas dengan kriteria Variance Inflation Factor (VIF) ≤ 10. Setelah variabel independen terbebas dari multikolinearitas, dilakukan estimasi parameter, pembentukan model regresi, uji simultan dengan uji rasio likelihood, uji parsial dengan uji Wald, pengujian koefisien determinasi dengan pseudo R-square Nagelkerke, uji asumsi parallel lines, uji kecocokan model, perhitungan nilai odds ratio, diikuti interpretasi. Berdasarkan hasil analisis,  diperoleh kesimpulan bahwa pseudo R-square Nagelkerke menunjukkan kemampuan variabel independen menjelaskan variabel dependen sebesar 15,5%,  sedangkan  84,5% faktor lain di luar model.    Berdasarkan model  yang dihasilkan  diketahui bahwa variabel X2 dan X3 signifikan berpengaruh terhadap kelengkapan imunisasi, sedangkan  variabel  X1 tidak berpengaruh signifikan terhadap kelengkapan imunisasi.  Kata Kunci :  susenas, parallel lines, pseudo r-square nagelkerke.
GEOGRAPHICALL WEIGHTED ORDINAL LOGISTIC REGRESSION PADA KASUS STUNTING DI KALIMANTAN BARAT Muhtadi, Radhi; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (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.v13i3.77423

Abstract

Stunting merupakan suatu masalah kurang gizi kronis yang diakibatkan asupan kurang gizi dalam jamgka waktu cukup lama, yang kemudian menyebabkan tumbuh kembang anak terganggu seperti tinggi badan yang lebih pendek dari standar usia anak pada umunya. Kasus stunting dikategorikan menjadi tiga kategori yang berskala ordinal yaitu tinggi, sedang, dan rendah. Kasus stunting di Provinsi Kalimantan Barat memiliki tingkat stunting yang berbeda-beda di setiap kabupaten/kotanya. Penelitian ini bertujuan untuk memperoleh model dan hasil prediksi kategori tingkat kasus stunting di kabupaten/kota yang ada di Provinsi Kalimantan Barat dengan mengaplikasikan Geographically Weighted Ordinal Logistic Regression (GWOLR) menggunakan fungsi pembobot Adaptive Gaussian Kernel. Data yang digunakan dalam penelitian ini adalah data sekunder yang bersumber dari website Badan Pusat Statistik dan website Satu Data Kalbar. Variabel terikat (Y) yang digunakan adalah tingkat kasus stunting dan variabel bebas (X) yang diduga mempengaruhi tingkat kasus stunting. Berdasarkan model GWOLR, didapat prediksi kategori untuk setiap lokasi pengamatan yaitu untuk Kabupaten Bengkayang, Landak, Mempawah, Sanggau, Ketapang, Sintang, Kapuas Hulu, Sekadau, Melawi, Kayong Utara, serta Kubu raya masuk dalam kategori tinggi, sedangkan untuk Kota Pontianak, Singkawang dan Kabupaten Sambas masuk dalam kategori rendah. Berdasarkan hasil prediksi, nilai ketepatan klasifikasi antar hasil prediksi menggunakan model GWOLR dengan hasil observasi adalah sebesar 64,29%. Kata Kunci: Stunting, Ordinal, Adaptive Gaussian Kernel
Pemetaan Pembangunan Sekolah di Kapuas Hulu Menggunakan Metode Multidimensional Scaling Martha, Shantika
JMPM: Jurnal Matematika dan Pendidikan Matematika Vol 4 No 2: September 2019 - February 2020
Publisher : Prodi Pendidikan Matematika Universitas Pesantren Tinggi Darul Ulum Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/jmpm.v4i2.1065

Abstract

Pemetaan pembangunan sekolah diperlukan untuk melihat ketersediaan sarana pendidikan di suatu daerah. Di daerah perbatasan biasanya terjadi ketimpangan antara jumlah sarana pendidikan yang ada. Kapuas Hulu adalah salah satu kabupaten yang berada di Provinsi Kalimantan Barat yang berbatasan dengan negara Sarawak Malaysia. Penelitian ini bertujuan untuk melakukan pemetaan terhadap pembangunan sekolah antar kecamatan di kabupaten Kapuas Hulu menggunakan metode Multidimensional Scaling (MDS). Berdasarkan hasil pemetaan, diperoleh empat kelompok daerah yang memiliki pola kedekatan yang sama antar kecamatan dengan nilai Stress sebesar 0.05821 dan R2 0.98917. 
KLASTERISASI KABUPATEN/KOTA DI PULAU KALIMANTAN BERDASARKAN INDIKATOR KESEJAHTERAAN DENGAN TWO-STEP CLUSTER Hariadi, Wahyudio Shaney Fikri; 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.v14i1.91668

Abstract

Kesejahteraan merupakan kapasitas untuk memenuhi berbagai kebutuhan hidup guna mencapai standar yang layak, sehat, dan produktif. Pertumbuhan di Pulau Kalimantan dalam beberapa tahun terakhir terus meningkat pesat, dengan proyeksi mencapai 20 juta jiwa pada tahun 2025. Mengetahui tantangan di setiap provinsi dan merumuskan solusi yang tepat merupakan langkah krusial dalam mewujudkan pemerataan kesejahteraan masyarakat. Tujuan penelitian ini mengelompokan kabupaten/kota di Pulau Kalimantan dan menganalisis karakteristiknya berdasarkan indikator. Penelitian ini menerapkan metode Two-Step Cluster, yang terdiri dari dua tahap dalam proses pengelompokan. Pada tahap pertama, klaster awal dibentuk melalui Cluster Feature Tree (CF Tree) dengan pengukuran jarak menggunakan metode Euclidean Distance. Sementara itu, tahap kedua menentukan klaster optimal dengan menghitung nilai BIC dan membandingkan rasio ukuran jarak antar klaster. Indikator yang digunakan ada tujuh yaitu Produk Domestik Regional Bruto (PDRB), Rata-rata Lama Sekolah (RLS), Harapan Lama Sekolah (HLS), Usia Harapan Hidup (UHH), Pengeluaran Perkapita Disesuaikan (PPD), Indeks Pembangunan Manusia (IPM), Indeks Pembangunan Literasi Masyarakat (IPLM). Berdasarkan hasil penelitian dapat dihasilkan 4 klaster optimal yang terbentuk. Klaster satu dengan tingkat kesejahteraan rendah memiliki 43 anggota kabupaten/kota di Pulau Kalimantan. Klaster dua dengan tingkat kesejahteraan menengah memiliki 2 anggota kabupaten di Provinsi Kalimantan Selatan. Klaster tiga dengan tingkat kesejahteraan sangat tinggi 9 anggota kabupaten/kota terdapat 7 anggota perkotaan dan 2 anggota kabupaten. Klaster empat dengan tingkat kesejahteraan tinggi memiliki 2 anggota kabupaten di Provinsi Kalimantan Timur.
PENERAPAN PRINCIPAL COMPONENT ANALYSIS-SUPPORT VECTOR MACHINE PADA KLASIFIKASI STATUS STUNTING DI KALIMANTAN BARAT Indriani, Maria Meilinda; 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.v14i1.91649

Abstract

Stunting merupakan permasalahan kesehatan masyarakat yang serius, ditandai dengan gangguan pertumbuhan anak akibat kekurangan gizi yang berlangsung dalam jangka waktu lama. Keadaan ini tidak hanya berdampak pada tinggi badan anak yang berada di bawah standar, tetapi juga berpengaruh terhadap perkembangan kognitif, kemampuan belajar, serta tingkat produktivitas di masa mendatang. Kalimantan Barat menjadi salah satu provinsi di Indonesia dengan prevalensi stunting yang relatif tinggi. Penelitian ini bertujuan untuk mengklasifikasikan status stunting di 14 kabupaten/kota di Kalimantan Barat dengan menerapkan metode Principal Component Analysis-Support Vector Machine (PCA-SVM). Selain itu, penelitian ini juga mengevaluasi tingkat akurasi model klasifikasi yang dihasilkan. PCA digunakan untuk mereduksi dimensi data dan mengatasi multikolinearitas, menghasilkan komponen utama yang independen sebagai variabel input dalam model. Selanjutnya, SVM dengan kernel Radial Basis Function (RBF) diterapkan untuk membangun model klasifikasi yang optimal. Penelitian ini menggunakan 14 variabel yang mencerminkan aspek kesehatan anak, ibu, lingkungan, dan faktor sosial-ekonomi. Keempat belas kabupaten/kota tersebut dikategorikan ke dalam tiga kelompok status stunting, yaitu rendah, sedang, dan tinggi. Kinerja model dievaluasi berdasarkan tingkat akurasi. Hasil penelitian menunjukkan bahwa pendekatan PCA-SVM dengan kernel RBF berhasil mencapai akurasi sebesar 92,86% dalam mengklasifikasikan status stunting. Analisis ini memberikan pemahaman yang penting mengenai pengelompokan status stunting di setiap wilayah, sehingga dapat menjadi dasar untuk merancang kebijakan intervensi yang lebih terarah dan tepat sasaran. Dengan demikian, hasil penelitian ini diharapkan dapat membantu pemerintah daerah dalam menurunkan prevalensi stunting secara efektif dan berkelanjutan.
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.
Co-Authors , Syahru Rahmayuda, Haris Febriyanto Ramadhan , Sampe Hotlan Sitorus Adinda, Dian Tri 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 Fadhila, Aisya Raihan Fallah, Khalishah Ghina Fiqriah, Isnaini Firnanda, Firnanda 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 Imro’ah, Nurfitri Indriani, Maria Meilinda Istighfarani, Ridha Maharani, Cinta Priscillia Mori, Stepanus Armadi Muhtadi, Radhi Mulia Tsani, Dien Permata Neva Satyahadewi Novi Safitri Nurhaliza, Sy. Farini Oktitannia, Dea Pebriyandi, Rifki Pramesti, Surya Adinda Fitria Prianti, Sabrina Eka Purwanty, Purwanty Puspita, Risma Putri Naya, Adellia Ayu Radinasari, Nur Ismi Rahmadanti, Putri Rahmawati, Fenti Nurdiana Regita, Luna Amara 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