Article Per Year (5 Year)
p-Index From 2020 - 2025
4.846
P-Index
This Author published in this journals
All Journal BIMASTER Epsilon: Jurnal Matematika Murni dan Terapan Jurnal Matematika Sains dan Teknologi JMPM: Jurnal Matematika dan Pendidikan Matematika Jurnal Pengabdian kepada Masyarakat Nusantara Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi Jurnal Forum Analisis Statistik STATISTIKA
Shantika Martha
Universitas Tanjungpura
Agriculture, Biological Sciences & Forestry Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Mathematics Social Sciences Transportation Other

Published : 50 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 50 Documents
Search

 1   2   3   4   5 
ANALISIS FAKTOR YANG MEMPENGARUHI LAMA MASA STUDI MAHASISWA FMIPA UNTAN MENGGUNAKAN MODEL PROBIT Yude Anggreni; Dadan Kusnandar; Shantika Martha
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 2 (2021): 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.v10i2.45879

Abstract

Model probit (probability unit) adalah model yang digunakan ketika variabel dependen (Y) berbentuk dikotomi atau biner dan galatnya diasumsikan berdistribusi normal. Penelitian ini bertujuan untuk menganalisis faktor yang mempengaruhi lama masa studi mahasiswa FMIPA Untan dengan menggunakan model probit. Data yang digunakan adalah data kelulusan mahasiswa FMIPA Untan angkatan 2011. Untuk mengestimasi parameter model probit digunakan Maximum Likelihood Estimation (MLE). Kemudian lakukan uji kebaikan dengan tiga tahapan, yaitu uji serentak, uji parsial, serta koefisien determinasi. Hasil dari ketiga uji menunjukkan bahwa model probit dapat digunakan untuk menganalisis faktor yang mempengaruhi lama masa studi mahasiswa FMIPA Untan dengan variabel independennya jenis kelamin, TUTEP (Tanjungpura University Test of English Proficiency), IPK (Indek Prestasi Mahasiswa) dan Jurusan. Berdasarkan hasil dari pengujian menunjukkan bahwa faktor yang mempengaruhi lama masa studi FMIPA Untan adalah variabel independen IPK (X3), dengan nilai McFadden R-square ( ) sebesar 0,1745.Kata kunci: Model Probit, Uji Serentak, Uji Parsial, McFadden R-square.
PREDIKSI DATA JUMLAH PENUMPANG KERETA DENGAN EFEK VARIASI KALENDER PADA MODEL SARIMAX Hayati Hayati; Naomi Nessyana Debataraja; Shantika Martha
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): 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.v10i04.49536

Abstract

Kereta api menjadi salah satu transportasi alternatif masyarakat untuk melakukan aktivitasnya dalam hal pekerjaan maupun pariwisata untuk jarak tempuh yang jauh. Untuk menjaga kenyamanan penumpang, PT Kereta Api Indonesia (KAI) harus terus meningkatkan sarana dan prasarananya. Oleh karena itu, diperlukan prediksi jumlah penumpang untuk membantu PT KAI mempersiapkan fasilitas-fasilitas serta mengantisipasi kenaikan jumlah penumpang. Penelitian ini bertujuan memprediksi jumlah penumpang kereta dengan model SARIMAX. Data yang digunakan yaitu data jumlah penumpang kereta pada tahun 2014 hingga 2018. Data tersebut memiliki pola musiman pada hari raya keagamaan dan libur akhir tahun. Hari raya keagamaan termasuk efek variasi kalender, karena selalu bergeser setiap tahunnya. Tahapan pengerjaan dimulai dari membagi data menjadi in-sample dan out-sample. Selanjutnya dilakukan uji stasioner untuk mengetahui apakah data sudah stasioner atau tidak. Pada data yang sudah stasioner, dilakukan pemodelan SARIMA. Kemudian, ditambahkan variabel dummy pada model SARIMA yang telah diperoleh. Uji signifikansi dilakukan pada variabel dummy. Setelah itu, dilakukan uji estimasi parameter dan uji diagnostik pada model SARIMA yang sudah ditambahkan variabel dummy. Model yang diperoleh untuk memprediksi data jumlah penumpang kereta wilayah Sumatera adalah model SARIMAX (1,1,1)(1,1,0)^12   dengan nilai MAPE sebesar 3,54%. Ini berarti model yang digunakan dalam kategori sangat baik.Kata Kunci : Kereta, SARIMAX, runtun waktu
PENERAPAN MODEL NEURO-GARCH PADA PERAMALAN DATA RETURN SAHAM Nova Andaresta; Shantika Martha; Dwi Marisa Midyanti
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (477.666 KB) | DOI: 10.26418/bbimst.v9i2.39911

Abstract

Heteroskedastisitas merupakan masalah yang sering terjadi dalam proses peramalan pada data keuangan. Model generalized autoregressive conditional heteroscedasticity (GARCH) merupakan model runtun waktu yang dapat digunakan untuk data yang mengalami heteroskedastisitas. Model lain yang dapat digunakan untuk memodelkan data dengan fluktuasi yang sangat besar dan tidak tetap adalah jaringan saraf tiruan (JST). Dalam penelitian ini kedua model digabungkan menjadi sebuah model yang disebut Neuro-GARCH. Tujuan penelitian ini membentuk arsitektur jaringan model terbaik dan membandingkan hasil peramalan dengan data aktual return saham pada tanggal 11 Juli 2018 sampai dengan 28 Februari 2019. Data yang digunakan adalah  data return saham PT Bank Central Asia Tbk penutupan harian pada periode Januari 2017 sampai dengan Februari 2019. Adapun langkah-langkah dalam penelitian ini diawali dengan pembentukan model box jenkins. Residual model box jenkins terbaik digunakan untuk mendeteksi heteroskedastisitas menggunakan uji lagrange multiplier (ARCH-LM). Data residual yang memiliki heteroskedastisitas dimodelkan ke dalam model GARCH. Variabel bebas pada model GARCH kemudian dijadikan input pada model JST dan targetnya adalah data return (aktual). Hasil analisis menunjukkan bahwa bentuk jaringan terbaik adalah (2-5-1) dengan nilai MSE pengujian sebesar 0,00014955. Hasil peramalan selama 167 hari mengalami fluktuasi, dengan return tertinggi yaitu pada tanggal 14 September 2018 sebesar 0,0128467 dan terendah terjadi pada tanggal 13 Juli 2018 sebesar -0,0049574. Kata Kunci: ARIMA, heteroskedastisitas, JST, backpropagation
PENDEKATAN METODE BAYESIAN GELF PADA MODEL SURVIVAL EKSPONENSIAL UNTUK MENENTUKAN PREMI TUNGGAL PADA ASURANSI Santi Santi; Shantika Martha; Setyo Wira Rizki
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (265.461 KB) | DOI: 10.26418/bbimst.v9i1.38965

Abstract

Model survival didefinisikan sebagai suatu distribusi probabilitas untuk variabel random yang berkaitan dengan usia serta ketahanan suatu produk ataupun jiwa. Model survival dalam penelitian ini membahas tentang fungsi ketahanan hidup dari suatu individu. Model survival diaplikasikan untuk mendapatkan nilai premi asuransi jiwa dwiguna. Premi asuransi dwiguna didapatkan dengan pendekatan metode Bayesian. Metode Bayesian adalah metode yang digunakan untuk menentukan distribusi posterior. Langkah yang dilakukan untuk mendapatkan distribusi posterior yaitu mengalikan fungsi likelihood dengan distribusi prior. Kemudian diperoleh distribusi posterior yang digunakan untuk mengestimasi metode Bayesian GELF (General Entropy Loss Function) pada model survival, dan diaplikasikan ke APV (Actuarial Present Value) asuransi jiwa dwiguna. Berdasarkan penelitian diketahui bahwa premi asuransi jiwa dwiguna pada seseorang berusia 30 tahun dengan jangka waktu 10 tahun didapat harga premi sebesar Rp78.742.900.  Kata kunci: Model survival, Metode Bayesian, Distribusi posterior. 
OPTIMALISASI PORTOFOLIO SAHAM DENGAN PENDEKATAN LEXICOGRAPHIC GOAL PROGRAMMING Anita Anita; Setyo Wira Rizki; Shantika Martha
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 1 (2021): 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.v10i1.44828

Abstract

Investasi merupakan suatu kegiatan penanaman aset atau modal yang dilakukan oleh perusahaan atau perorangan, untuk memperoleh imbal balik yang lebih besar di masa depan. Saham merupakan salah satu investasi yang paling umum yang terdapat pada pasar modal. Seorang investor perlu memperhatikan nilai return serta risiko ketika melakukan sebuah investasi saham. Cara yang dapat dilakukan investor dalam meminimalkan risiko dan memaksimalkan return investasi saham yaitu dengan pembentukan portofolio. Hal tersebut menyebabkan seorang investor harus memilih kombinasi saham yang tepat, sehingga dapat terbentuk suatu portofolio yang optimal. Tujuan dari penelitian ini adalah penentuan portofolio optimal dengan menggunakan lexicographic goal programming. Lexicographic goal programming merupakan model matematika pada riset operasi yang digunakan untuk menyelesaikan permasalahan optimasi dengan memperhatikan prioritas fungsi tujuan. Fungsi tujuan yang digunakan dalam penelitian ini adalah memaksimalkan return periode hari, bulan dan resiko. Penentuan urutan prioritas pada  fungsi tujuan  menggunakan analytic hierarchy procces. Data yang digunakan pada penelitian ini adalah data harga saham penutupan harian enam saham teraktif yang terdaftar di Bursa Efek Indonesia yaitu BBRI, BBCA, BMRI, ASII, BBNI dan PGAS periode 1 Oktober 2018 sampai 31 Desember 2019. Diperoleh hasil saham yang terpilih untuk pembentukan portofolio optimal terdiri dari saham BBRI dengan porsi 75,97%, BBCA dengan porsi 22,71% serta ASII dengan porsi 1,32%. Kata Kunci : Return, Analytic Hierarchy Procces, Pembuat Keputusan.
PENENTUAN POLA PEMBELIAN PRODUK MENGGUNAKAN METODE ALGORITMA APRIORI PADA TOKO B-MART Yogi Pratama; Dadan Kusnandar; Shantika Martha
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): 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.v10i4.49686

Abstract

Kemajuan teknologi informasi saat ini berperan penting terhadap pertumbuhan jumlah data yang dikumpulkan dan disimpan dalam basis data yang berukuran besar. B-MART adalah salah satu toko yang bergerak di bidang retail. Dengan jumlah data transaksi yang terkumpul cukup besar, dibutuhkanlah informasi untuk mengetahui pola kebiasaan konsumen dalam membeli barang. Salah satu metode yang digunakan untuk mengetahui pola pada data yaitu teknik analisis association rules dengan metode algoritma apriori. Oleh sebab itu, tujuan dari penelitian ini yaitu menentukan pola pembelian produk di toko B-MART dengan metode algoritma apriori. Algoritma apriori merupakan suatu prosedur untuk mencari pola antara item dalam suatu data set yang ditentukan. Tahapan-tahapan teknik analisis association rules dengan metode algoritma apriori yaitu meliputi tahap knowledge discovery in database (KDD), pembentukan frequent itemset, analisis pola frekuensi tinggi dengan parameter nilai support, pembentukan association rules dengan parameter nilai confidence dan lift ratio. Berdasarkan pembahasan dengan menggunakan batasan nilai minimum support 0,0003 (0,03%), nilai minimum confidence 0,95 (95%) dan nilai lift ratio ≥ 1, didapatkan hasil yaitu tiga aturan asosiasi pola pembelian produk di toko B-MART.  Kata Kunci: Basis Data, Association Rules, Algoritma Apriori
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.
Peramalan Inflasi Kota Pontianak dengan Metode Double Exponential Smoothing: Pontianak City Inflation Forecasting Using the Double Exponential Smoothing Method David Jordy Dhandio; Muthiara Anantha Simanjuntak; Shantika Martha; Supandi Supandi
Jurnal Forum Analisis Statistik Vol. 3 No. 2 (2023): Jurnal Forum Analisis Statistik (FORMASI)
Publisher : Badan Pusat Statistik Provinsi Kalimantan Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57059/formasi.v3i2.59

Abstract

Stabilitas ekonomi merupakan harapan bagi setiap negara untuk menciptakan masyarakat yang sejahtera. Stabilitas ekonomi dapat diukur salah satunya dengan menggunakan indikator inflasi. Inflasi terjadi jika terdapat kenaikan secara terus menerus pada harga barang dan jasa serta nilai mata uang mengalami pelemahan, sehingga menyebabkan laju pertumbuhan ekonomi menjadi lambat. Untuk mengantisipasi kondisi ini, diperlukan pengambilan keputusan yang tepat dalam pengendalian inflasi, salah satunya dengan menggunakan peramalan. Metode peramalan inflasi yang digunakan dalam penelitian ini adalah Double Exponential Smoothing, meliputi metode Brown Exponential Smoothing dan Holt Exponential Smoothing. Penelitian ini bertujuan untuk menentukan metode peramalan terbaik dalam mengukur inflasi Kota Pontianak selama bulan November 2023 hingga Desember 2024. Metode terbaik ditentukan dari uji akurasi dengan nilai MAPE, Hasil penelitian ini diperoleh bahwa metode Holt Exponential Smoothing dengan parameter = 0.9999 dan = 0.0001 merupakan metode terbaik untuk melakukan peramalan inflasi Kota Pontianak dengan nilai MAPE sebesar 0.53%.
Clustering of Regencies in Kalimantan Barat Based On Community Welfare Indicators Wahyudio Hariadi; Shantika Martha; Desa Ayu Natalia
Jurnal Forum Analisis Statistik Vol. 4 No. 1 (2024): Jurnal Forum Analisis Statistik (FORMASI)
Publisher : Badan Pusat Statistik Provinsi Kalimantan Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57059/formasi.v4i1.68

Abstract

Welfare is the capacity to meet all life's necessities to live decently, healthily, and productively. The objective of this study is to classify districts/cities in Kalimantan Barat Province according to indicators of community welfare. The data utilized include the percentage of impoverished individuals, gross regional domestic product, average years of schooling, expected years of schooling, and life expectancy. The procedure in this study commenced with a descriptive analysis of each variable, followed by the formation of an Euclidean distance matrix. After that, clustering with the centroid linkage method, in this case using the value of the silhouette coefficient to determine the optimal number of clusters formed. The clusters' outcomes are visible in the dendrogram. Cluster traits are identified based on the mean value of each variable within each cluster. The findings of the analysis indicate that Kota Pontianak enjoys high welfare, while the other thirteen districts are classified as having low welfare levels.
Implementation of Random Oversampling Technique in the K-Nearest Neighbor Method for Creditworthiness Analysis Ayu Dhita Putri Wulandari; Shantika Martha; Wirda Andani
Jurnal Matematika Sains dan Teknologi Vol. 25 No. 1 (2024)
Publisher : LPPM Universitas Terbuka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33830/jmst.v25i1.4909.2024

Abstract

Banks are financial institutions, one of whose main activities is providing credit to their customers. The existence of credit granting activities requires the bank to know the feasibility of prospective debtors in receiving credit. Because in practice, credit granting activities still often have bad credit problems. The problem of bad credit can be overcome by analyzing the feasibility of granting credit to prospective debtors. The data used in this study consists of 10 independent variables and 1 dependent variable is collectibility (kol). The collectibility (col) data consists of 500 data for the current debtor class and 26 data for the non-current debtor class, this indicates an imbalance class. So in this study, the application of the random oversampling (ROS) technique is used to overcome the imbalance class with the K-Nearest Neighbor (KNN) method in classifying current and non-current debtor data. ROS was chosen because it can generally provide better results and does not eliminate information from existing data. The analysis results obtained show that the use of the KNN method with the application of ROS is better than the KNN model without ROS, with an accuracy of 84.91% at data testing. The KNN model with ROS can improve the model's ability to classify noncurrent debtor data or the specificity value of the model increases by 25%. In the KNN model without ROS the model cannot classify non-current debtor data correctly at all, this can endanger the bank in making decisions.
Co-Authors Anggi Putri Dewi Anita Anita Ayu Dhita Putri Wulandari Bartolomius Bartolomius Bella Amalia David Jordy Dhandio Desa Ayu Natalia Dwi Marisa Midyanti Dwi Setiaji Eka Wahyuning Dhewanty Enis Rahayu Evy Sulistianingsih Fahiza Syanaya Fajri Anugrah Pratiwi Fery Prastio Fransisca Febrianti Sundari Hayati Hayati Hendra Perdana Hidayatun Nisa Ika Ayu Krismawanti Ika Novira Zulianti Indah Noviyanti Julianti Kastari Kunti Wijayanti Laksono Trisnantoro Lidia Karnelia Luh Putu Ratna Sundari Mariatul Kiftiah Marisi Aritonang Maya Rosalina Mega Putri Muhammad Septian Muthiara Anantha Simanjuntak Nanda Shalsadilla Naomi N. Debataraja Naomi Nessyana Debataraja Neva Satyahadewi Nova Andaresta Nurfitri Imro’ah Nurul Qomariyah NUR’AINUL MIFTAHUL HUDA Rizky Oktaviani Putri Santi Santi Selvy Putri Agustianto Setyo Wir Rizki Setyo Wira Rizki Silvana Rika Siti Aprizkiyandari, Nurul Qomariyah, Shantika Martha, Sri Jumiati Sriyana Sriyana Suaibah Suaibah Sumiarti Sumiarti Supandi Supandi Susanti Susanti Sutro Sutro Syarifah Zela Hafizah Tamtama, Ray Thariq Thariq Vina Annisa Nurdiani Aji Vita Virgianti Wahyudio Hariadi Warzuqna Olyan Wirda Andani Yogi Pratama Yosi Yosi Yude Anggreni Yundari, Yundari Yundari, Yundari