Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika MATH LOCUS: Jurnal Riset dan Inovasi Pendidikan Matematika
Waliulu, Megawati Zein
Unknown Affiliation
Decision Sciences, Operations Research & Management Education Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Regresi Logistik Biner untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Keterdeteksian Kasus Perceraian di Indonesia Timur (Maluku, Maluku Utara, dan Papua Barat) Waliulu, Megawati Zein; Indahwati; Fitrianto, Anwar; Erfiani; Muftih Alwi Aliu
MATH LOCUS: Jurnal Riset dan Inovasi Pendidikan Matematika Vol. 5 No. 1 (2024): MATH LOCUS: Jurnal Riset dan Inovasi Pendidikan Matematika
Publisher : Universitas Tidar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31002/mathlocus.v5i1.4339

Abstract

Mayoritas kabupaten/kota di Provinsi Maluku, Maluku Utara, dan Papua Barat tidak melaporkan kasus perceraian dengan persentase sebesar 53,6%. Sementara itu, 46,4% kabupaten/kota di provinsi tersebut melaporkan adanya kasus perceraian pada tahun 2023. Penelitian ini menggunakan metode regresi logistik biner yang bertujuan untuk memodelkan serta mengidentifikasi faktor-faktor yang mempengaruhi kasus perceraian di Indonesia Timur. Penelitian ini penting dilakukan untuk memahami dinamika sosial dan ekonomi di Indonesia Timur. Hasil penelitian menunjukkan bahwa model regresi logistik biner memiliki ketepatan prediksi sebesar 77,27% dengan peubah jumlah pulau (X3), jarak ke ibu kota (X4), dan luas kabupaten/kota (X5) memberikan pengaruh yang signifikan terhadap kasus keterdeteksian perceraian pada taraf nyata 90%.
PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST DALAM KLASIFIKASI PENERIMA BANTUAN PANGAN NON-TUNAI (BPNT) DI PROVINSI JAWA BARAT Yulianti, Riska; Ilmani, Erdanisa Aghnia; Waliulu, Megawati Zein; Sartono, Bagus; Firdawanti, Aulia Rizki
Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika Vol. 6 No. 1 (2025): Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistik
Publisher : LPPM Universitas Bina Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46306/lb.v6i1.850

Abstract

This study compares the performance of Random Forest and XGBoost algorithms in classifying recipients of Non-Cash Food Assistance (BPNT) in West Java Province. The data used is from the 2023 National Socio-Economic Survey (SUSENAS) comprising 25,890 households, with 23.6% BPNT recipients and 76.4% non-recipients. The study includes data exploration, preprocessing, handling class imbalance, baseline modeling, and hyperparameter tuning using Grid Search. The results indicate that undersampling effectively increases the recall of Random Forest to 80.01% and XGBoost to 74.04%, albeit at the expense of accuracy. The most influential variables in classification include the head of household's employment status, flooring material of the house, and type of land/building ownership proof. These findings support the utilization of data-driven algorithms to enhance the accuracy and fairness of BPNT distribution.
Co-Authors Aulia Rizki Firdawanti Bagus Sartono Erfiani Fitrianto, Anwar Ilmani, Erdanisa Aghnia Indahwati Muftih Alwi Aliu Riska Yulianti, Riska