Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : STATISTIKA

Penentuan Jumlah Cluster Optimum Menggunakan Davies Bouldin Index dalam Pengelompokan Wilayah Kemiskinan di Indonesia Nanda Shalsadilla; Shantika Martha; Hendra Perdana; Neva Satyahadewi; Evy Sulistianingsih
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1743

Abstract

Abstrak Kemiskinan merupakan suatu permasalahan yang sampai saat ini masih menjadi fokus pemerintah terutama pasca pandemi Covid-19. Permasalahan terkait kemiskinan dapat diatasi apabila pemerintah mengusung program pengentasan kemiskinan yang direalisasikan secara efektif dan efisien. Tujuan penelitian ini adalah mengelompokkan provinsi di Indonesia berdasarkan indikator kemiskinan serta menentukan jumlah cluster optimum yang terbentuk. Analisis cluster merupakan teknik multivariat yang dapat digunakan untuk tujuan pengelompokan. Dengan analisis cluster seluruh provinsi yang ada di Indonesia dapat dikelompokkan berdasarkan kesamaan karakteristik yang dimiliki sehingga kedaruratan dan kebutuhan tiap cluster dapat diketahui. Ward merupakan salah satu metode dalam analisis cluster yang mengelompokkan objek dengan meminimalisir variasi antar objek dalam satu cluster. Selanjutnya, penentuan jumlah cluster optimum penting dilakukan agar seluruh provinsi di Indonesia dapat dikelompokkan dengan tepat. Davies Bouldin Index (DBI) merupakan suatu metode yang menentukan banyaknya cluster optimum berdasarkan kedekatan objek terhadap centroidnya dalam satu cluster dan jarak antar centroid cluster. Data yang digunakan merupakan data 10 indikator kemiskinan untuk setiap provinsi di Indonesia tahun 2021. Berdasarkan penelitian yang telah dilakukan banyaknya cluster optimum yang terbentuk untuk mengelompokkan provinsi di Indonesia berdasarkan indikator kemiskinan adalah berjumlah 5 cluster dengan nilai validitas DBI yang diperoleh sebesar 1,1420 yang merupakan nilai validitas terkecil dari jumlah cluster lainnya. Cluster 1 dengan tingkat kemiskinan tertinggi beranggotakan 3 provinsi yaitu Nusa Tenggara Timur, Papua Barat, dan Papua, cluster 2 beranggotakan 10 provinsi, cluster 3 beranggotakan 11 provinsi, cluster 4 beranggotakan 9 provinsi, dan cluster 5 dengan tingkat kemiskinan terendah beranggotakan 1 provinsi yaitu DKI Jakarta. Abstract Poverty has been an issue that received significant government attention, particularly in response to the Covid-19 pandemic. The study aimed to classify Indonesian provinces based on poverty indicators and determine the optimal number of clusters. Cluster analysis, a multivariate technique, was employed to group provinces based on their similaritycharacteristics, facilitating the identification of specific needs and emergencies within each cluster. The Ward method, a clustering technique, minimized variations between objects within a cluster during the grouping process. Determining the correct number of clusters was crucial to ensure accurate provincial classification. The Davies Bouldin Index (DBI) was used to determine the optimum number of clusters by assessing the proximity of objects to their centroids and the inter-centroid distances. The dataset consisted of 10 poverty indicators for each province in Indonesia in 2021. The research findings revealed that the optimum number of clusters for classifying provinces based on poverty indicators was five, with a DBI value of 1.1420, the lowest among other cluster configurations. Cluster 1, characterized by the highest poverty rate, comprised three provinces: East Nusa Tenggara, Papua, and West Papua. Cluster 2encompassed ten provinces, while cluster 3 consisted of eleven provinces. Cluster 4 comprised nine provinces, and cluster 5, characterized by the lowest poverty rate, consisted of a single province: DKI Jakarta.
Regresi Data Panel dalam Analisis Faktor-Faktor yang Mempengaruhi IPM di Kalimantan Barat Neva Satyahadewi; Siti Aprizkiyandari; Risky Oprasianti
Statistika Vol. 23 No. 2 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i2.2201

Abstract

ABSTRAK Analisis regresi data panel digunakan untuk meneliti data di Kalimantan Barat meliputi kabupaten/kotanya dari tahun 2017 sampai tahun 2021 yaitu Indeks Pembangunan Manusia (IPM) dan faktor pengaruhnya. Tingkat penduduk miskin (), kepadatan penduduk (), tingkat partisipasi angkatan kerja (), angka harapan hidup (), rata-rata lama sekolah () dan IPM () merupakan variabel yang digunakan. Analisis regresi yang menggabungkan data silang dan deret waktu merupakan regresi panel. Dalam pengestimasiannya ada tiga pendekatan yakni Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random Effect Model (REM). Uji Chow, Uji Hausman, dan Uji LM dilakukan untuk mendapatkan model terbaik. Estimasi pendekatan model regresi panel terbaik adalah model FEM atau Fixed Effect Model. Variabel angka harapan hidup () dan rata-rata lama sekolah () secara signifikan berpengaruh terhadap IPM (). ABSTRACT Panel data regression analysis is used to see the Human Development Index (HDI) data and what factors affect it in West Kalimantan from 2017 to 2021.The level of poverty (), population density (), labor force participation rate (), life expectancy (), average years of schooling () and HDI () are the variables used. Regression analysis that combines cross-sectional and time series data is panel regression. In its estimation, there are three approaches, namely the Common Effect Model (CEM), Fixed Effect Model (FEM), and Random Effect Model (REM). Chow test, Hausman test, and Lagrange Multiplier (LM) test were carried out to the best. This study found that the best panel regression model approach estimation is the Fixed Effect Model (FEM). Life expectancy variable () and average years of schooling () significantly affect HDI ().
Co-Authors . Apriansyah Afghani Jayuska Afghany Jayuska Al-Ham, Hairil Amriani Amir Amriani Amir Amriani Amir Andani, Wirda Antoni, Frans Xavier Natalius Apriliyanti, Rita Aprizkiyandari, Siti Ardhitha, Tiffany Ari Hepi Yanti Arsyi, Fritzgerald Muhammad Arti, Reyana Hilda Ashari, Asri Mulya Asri Mulya Ashari Asty Fistia Ningrum Atikasari, Awang Aulia Puteri Amari Bambang Kurniadi Banu, Syarifah Syahr ciptadi, wahyudin Cornellia, Amanda Crismayella, Yuveinsiana Dadan Kusnandar Dadan Kusnandar Dadan Kusnandar David Jordy Dhandio Debataraja, Naomi Nessyana Della Zaria Desriani Lestari Desriani Lestari Desriani Lestari Dhandio, David Jordy Dinda Lestari Dwi Nining Indrasari Dwinanda, Maria Welita Eka Febrianti, Eka Esta Br Tarigan Evy Sulistianingsih Ewaldus Okta Ferdina Ferdina Feriliani Maria Nani Fitriawan, Della Fransisca Febrianti Sundari Fransiska Fransiska Grikus Romi Gusti Eva Tavita Gusti Eva Tavita Hairil Al-Ham Halim, Alvin Octavianus Hamzah, Erwin Rizal Handayani, Aditya Hanin, Noerul Harimurti, Puspito Harnanta, Nabila Izza Helena, Shifa Hendra Perdana Hendrianto, El Herina Marlisa Huda, Nur'ainul Miftahul Huriyah, Syifa Khansa Ibnur Rusi Ikha Safitri Imro'ah, Nurfitri IMRO’AH, NURFITRI Imtiyaz, Widad Isra’ Sagita Jawani Jawani Karlina, Sela Kusnandar, Dadan Tonny Lucky Hartanti Lucky Hartanti Lucky Hartanti M. Deny Hafizzul Muttaqin Maga, Fahmi Giovani Margareta, Tiara Margaretha, Ledy Claudia Marlisa, Herina Marola, Geby Martha, Shantika Mega Sari Juane Sofiana Mega Sari Juane Sofiana Mega Tri Junika Millennia Taraly Misrawi Misrawi Muhammad Ahyar Muhammad fauzan Muhammad Radhi Muhammad Rizki Muliadi Muliadi Muslimah (F54210032) Nabil, Ilhan Nail Nanda Shalsadilla Naomi Nessyana Debataraja Naomi Nessyana Debataraja Noerul Hanin Nona Lusia Nugrahaeni, Indah Nur Asih Kurniawati Nur Asiska Nurfadilah, Kori’ah Nurfitri Imro'ah Nurfitri Imro’ah Nurhalita Nurhalita Nurmaulia Ningsih Oktaviani, Indah Ovi Indah Afriani Paisal Paisal Pertiwi, Retno Pratama, Aditya Nugraha Preatin, Preatin Putri Putri Putri, Aulia Nabila Qalbi Aliklas R Puspito Harimurti Radhi, Muhammad Radinasari, Nur Ismi Rafdinal Rafdinal Rahadi Ramlan Rahmadanti, Putri Rahmanita Febrianti Rusmaningtyas Rahmawati, Fenti Nurdiana Ramadhan, Nanda Ramadhania, Wahida Reni Unaeni Retnani, Hani Dwi Ria Andini Ria Fuji Astuti Rina Rina Risky Oprasianti Rita Kurnia Apindiati Rivaldo, Rendi Riza Linda Rizki Nur Rahmalita Rizki, Setyo Wira Rosi Kismonika Roslina Rosi Tamara Rovi Christova Safira, Shafa Alya Salsabilla, Arla Santika Santika Sary, Rifkah Alfiyyah Seftiani, Seftiani Selvy Putri Agustianto Setyo Wir Rizki Setyo Wira Rizki Setyo Wira Rizki Setyo Wira Rizki Shantika Martha Shantika Martha Sinaga, Steven Jansen Sintia Margun Sista, Sekar Aulia Siti Aprizkiyandari Siti Aprizkiyandari, Nurul Qomariyah, Shantika Martha, Siti Hardianti Suci Angriani Sukal Minsas Sukal Minsas syuradi, Syuradi Tamtama, Ray Taraly, Inggriani Millennia Tiara, Dinda Trifaiza, Fadhela Wahyu Diyan Ramadana Wahyudin Ciptadi Warsidah Warsidah Warsidah, Warsidah Wilda Ariani Wirda Andani Yopi Saputra Yudhi Yuliono, Agus Yumna Siska Fitriyani Yundari, Yundari Yuveinsiana Crismayella Zakiah, Ainun