Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Statistika Universitas Muhammadiyah Semarang Mutiara: Multidiciplinary Scientifict Journal
Siniwi, Lutfiah Maharani
Unknown Affiliation
Arts Decision Sciences, Operations Research & Management Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences

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

Found 2 Documents
Search

 1 
Pengelompokan Kemiskinan Di Provinsi Jawa Timur Tahun 2024 Dengan Pendekatan Algoritma K-Means Dan K-Means++ Amalia, Suci; Nikmah, Annisatul; Siniwi, Lutfiah Maharani
Mutiara: Multidiciplinary Scientifict Journal Vol. 3 No. 8 (2025): Mutiara: Multidiciplinary Scientifict Journal
Publisher : Al Makki Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57185/mutiara.v3i8.407

Abstract

Kemiskinan merupakan masalah kompleks yang mencerminkan kesejahteraan masyarakat dan kinerja pembangunan suatu daerah. Di Provinsi Jawa Timur, walaupun persentase kemiskinan mengalami penurunan hingga mencapai 9,79% pada tahun 2024, namun kesenjangan antarwilayah masih menjadi tantangan. Penelitian ini bertujuan untuk mengetahui karakteristik dan mengelompokkan Kabupaten/Kota di Jawa Timur berdasarkan indikator kemiskinan, yakni jumlah penduduk miskin, tingkat pengangguran terbuka (TPT), harapan lama sekolah (HLS), rata-rata lama sekolah (RLS), tingkat partisipasi angkatan kerja (TPAK), dan gini ratio. Algoritma clustering yang digunakan adalah K-Means dan K-Means++, untuk membandingkan hasil dan performa keduanya. Penentuan jumlah cluster optimum didasarkan pada nilai Davies-Bouldin Index (DBI) dan Silhouette Score, untuk evaluasi performa algoritma dilihat melalui nilai inertia. Hasil penelitian menunjukkan bahwa jumlah cluster optimum yang terbentuk adalah tiga cluster. Cluster 1 terdiri dari wilayah dengan kemiskinan struktural, Cluster 2 terdiri dari wilayah dengan kemiskinan fungsional, dan Cluster 3 mencerminkan wilayah dengan kondisi indikator yang relatif sedang. Berdasarkan hasil evaluasi, algoritma K-Means++ menghasilkan nilai inertia yang lebih rendah dibandingkan K-Means, serta nilai DBI dan Silhouette yang lebih baik, sehingga dapat disimpulkan bahwa K-Means++ lebih optimal. Hasil penelitian ini diharapkan dapat menjadi acuan dalam merancang strategi kebijakan penanggulangan kemiskinan berbasis karakteristik wilayah yang lebih tepat sasaran.
ORDINAL XGBOOST FOR MULTICLASS NUTRITIONAL STATUS CLASSIFICATION WITH IMBALANCED DATA Arini, Luthfia Hanun Yuli; Siniwi, Lutfiah Maharani
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 13, No 1 (2025): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jsunimus.13.1.2025.45-60

Abstract

Stunting is a major global health problem that affects children’s physical growth and cognitive development, particularly in developing countries. The classification of toddlers’ nutritional status to detect stunting risk often faces two primary challenges: the ordinal nature of the labels and the imbalance in class distribution, where minority classes such as stunted and tall are much smaller than the majority class (normal). This study aims to develop an Ordinal Extreme Gradient Boosting (Ordinal XGBoost) method using a Binary Decomposition approach to classify toddlers’ nutritional status in imbalanced ordinal data. Secondary data from 100 respondents were analyzed, with 80% allocatedfor training and 20% for testing. The Binary Decomposition approach transforms the three-class ordinal classification problem into two binary subproblems, each trained using XGBoost with weighted logistic loss to address class imbalance. Model performance was evaluated using four key metrics: accuracy, ordinal Mean Absolute Error (MAE), Quadratic Weighted Kappa (QWK), and Macro-F1. Results showed an accuracy of 70%, ordinal MAE of 0.30, QWK of 0.45, and Macro-F1 of 0.53. The MAE and QWK values indicate the model’s ability to preserve class order while reducing large prediction jumps, although performance on minority classes remains limited. These findings suggest that the proposed approach is effective for imbalanced ordinal data and has potential applications in toddler nutritional status monitoring systems.
Co-Authors Arini, Luthfia Hanun Yuli Nikmah, Annisatul Suci Amalia