Article Per Year (5 Year)
p-Index From 2021 - 2026
1.908
P-Index
This Author published in this journals
All Journal Pythagoras: Jurnal Matematika dan Pendidikan Matematika Statistika JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI JMPM: Jurnal Matematika dan Pendidikan Matematika Journal of Data Analysis Amerta Nutrition Journal of Applied Data Sciences Narra J Jurnal Natural Transcendent Journal of Mathematics and Applications Leuser Journal of Environmental Studies Ekonomikalia Journal of Economics Journal of Educational Management and Learning Indonesian Journal of Case Reports
Asep Rusyana
Department Of Statistics, Faculty Of Mathematics And Natural Sciences, Universitas Syiah Kuala
Agriculture, Biological Sciences & Forestry Astronomy Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Energy Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Medicine & Pharmacology Neuroscience Nursing Physics Public Health Other

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Journal of Data Analysis

 1 
Analisis MANOVA Satu Arah untuk Melihat Perbedaan Status Gizi Balita Berdasarkan Wilayah Pembangunan Utama di Indonesia Tahun 2017 Muhammad Iqbal; Inas Salsabila; Dwi Astiti Syahbani; Januaria Douw; Marzuki Marzuki; Asep Rusyana
Journal of Data Analysis Volume 3, Number 1, June 2020
Publisher : Department of Statistics, Syiah Kuala University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/jda.v3i1.12604

Abstract

Indonesia merupakan sebuah negara yang masih berupaya melakukan pembangunan dalam berbagai aspek kehidupan, salah satunya kesehatan, khususnya pada anak. Perlu dilakukan penilaian terhadap aspek kesehatan tersebut untuk mengetahui bagaimana pemerataan pembangunan yang telah dilakukan. Penelitian ini bertujuan untuk melakukan penilaian tersebut menggunakan metode MANOVA dengan melihat perbedaan persentase balita menurut status gizi sangat pendek, pendek, dan normal berdasarkan empat wilayah pembangunan utama di Indonesia, serta melihat wilayah manakah yang memberikan perbedaan pengaruh pada persentase tersebut. Hasil penelitian menunjukkan bahwa wilayah pembangunan berpengaruh terhadap persentase balita dengan status gizi sangat pendek dan normal. Kemudian tidak ada perbedaan pengaruh antara masing-masing wilayah pembangunan terhadap persentase balita menurut status gizi sangat pendek dan normal di Indonesia. Oleh karena itu dapat disimpulkan bahwa pemerataan pembangunan pada wilayah pembangunan utama di Indonesia belum tercapai. Indonesia is a country that still strives to carry out development in various aspects of life, one of which is health, especially for children. It is necessary to assess the health aspects to find out how even the development has been done. This study aims to conduct these assessments using the MANOVA method by looking at the differences in the percentage of toddlers in very short, short, and normal nutritional status based on the four main development areas in Indonesia, and looking at which areas give a difference in the percentage. The results showed that the development area affected the percentage of toddlers with very short and normal nutritional status. Then there is no different effect between each development area on the percentage of toddlers according to very short and normal nutritional status in Indonesia. Therefore, it can be concluded that equitable development in the main development areas in Indonesia has not been achieved.
Peramalan Jumlah Penumpang Pesawat Di Bandara Sultan Iskandar Muda Dengan Metode SARIMA (Seasonal Autoregressive Integrated Moving Average) Fara Inka Durrah; Yulia Yulia; Tessa Prihartina Parhusip; Asep Rusyana
Journal of Data Analysis Volume 1, Number 1, June 2018
Publisher : Department of Statistics, Syiah Kuala University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (339.053 KB) | DOI: 10.24815/jda.v1i1.11847

Abstract

ABSTRAK. Penelitian ini bertujuan untuk mengetahui model peramalan dimana jumlah keberangkatan penumpang pada PT. Angkasa Pura II (Perseron). Kantor cabang bandar udara Internasional Iskandar Muda dengan menggunakan Metode Seasonal Autoregresive  Integrated Moving Average (SARIMA). Data jumlah keberangkatan di bandar udara Internasional Iskandar muda merupakan data dengan pola musiman. Data yang digunakan merupakan data sekunder yang diperoleh dari Bandara Sultan Iskandar Muda periode Bulan Januari 2010 hingga Desember 2016. Model terbaik yang diperoleh yaitu ARIMA (0,1,1)(0,0,1)12. Sedangkan berdasarkan data peramalan yang diperoleh dapat diketahui bahwa diprediksi jumlah penumpang pesawat tetinggi pada tahun 2017 akan terjadi pada Bulan Desember, dan jumlah penumpang pesawat terendah diprediksikan akan terdapat pada Bulan Maret 2017. Kesimpulan akhir yang diperoleh yaitu jumlah penumpang pada Tahun 2017 akan mengalami peningkatan dibandingkan dengan Tahun sebelumnya.ABSTRACT. This study aims to determine the model of forecasting where the number of passengers at PT. Angkasa Pura II (Perseron). International branch of Iskandar Muda International Airport using Seasonal Autoregresive Integrated Moving Average (SARIMA) method. Data on the number of departures at Iskandar International Airport are young data with seasonal patterns. The data used are secondary data obtained from Sultan Iskandar Muda Airport during January 2010 to December 2016. The best model is ARIMA (0,1,1) (0,0,1)12. While based on forecasting data obtained can be seen that predicted the number of passengers in 2017 will occur in December, and the lowest number of passengers is predicted to be in March 2017. Final conclusion obtained that the number of passengers in the Year 2017 will increase compared with the previous Year.
Penerapan Metode K-Means dalam Pengelompokan Wilayah Menurut Intensitas Kejadian Bencana Alam di Indonesia Tahun 2013-2018 Mira Suci Yana; Lathifah Setiawan; Elvitra Mutia Ulfa; Asep Rusyana
Journal of Data Analysis Volume 1, Number 2, December 2018
Publisher : Department of Statistics, Syiah Kuala University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (533.59 KB) | DOI: 10.24815/jda.v1i2.12584

Abstract

Indonesia telah mengalami banyak kejadian bencana alam, Badan Nasional Penanggulangan Bencana mencatat bahwa dari tahun 2016 sampai dengan awal 2018 sudah lebih dari 2.700 bencana alam terjadi di seluruh wilayah Indonesia. Oleh karena itu penelitian ini bertujuan untuk mengelompokkan wilayah di Indonesia menurut intensitas terjadinya bencana alam, sehingga diketahui wilayah yang rawan terjadi bencana alam. Analisis yang digunakan adalah Analisis Gerombol dengan Metode K-Means. Hasil yang didapatkan adalah jumlah optimal cluster yang dapat dibentuk yaitu 2. Kesimpulan dari penelitian ini, cluster pertama merupakan wilayah yang rawan terjadinya bencana alam dengan anggotanya adalah Provinsi Jawa Timur, Jawa Barat, dan Jawa Tengah. Sedangkan 31 provinsi lainnya tergolong dalam cluster kedua, yang dalam artian bukan daerah rawan terjadinya bencana alam. Kesimpulan ini diambil berdasarkan nilai rataan dari masing-masing cluster, dimana rata-rata setiap variabel pada cluster pertama lebih besar dibandingkan nilai rataan setiap variabel pada cluster kedua.Indonesia has experienced many natural disasters, Badan Nasional Penanggulangan Bencana notes that from 2016 to early 2018 more than 2,700 natural disasters has occurred in all regions of Indonesia. Therefore this study aims to classify regions in Indonesia according to the intensity of natural disasters, so that it is known that the area is prone to natural disasters. The analysis used is Cluster Analysis with the K-Means Method. The results obtained are the optimal number of clusters that can be formed, namely 2. The conclusion of this study is that cluster one is an area prone to natural disasters with its members are Jawa Timur, Jawa Barat, and Jawa Tengah. While the other 31 provinces are classified as cluster two, which is not in the area prone to natural disasters. This conclusion is based on the average of each cluster, where the average of each variable in cluster one is greater than the average of each variable in cluster two.
Perbandingan Metode Gerombol Pautan Lengkap dan Pautan Rataan untuk Pengelompokan Kemiskinan Kabupaten/Kota di Indonesia Akhyar Wijaya; Nurhasanah Nurhasanah; Fitriana AR; Asep Rusyana
Journal of Data Analysis Volume 3, Number 1, June 2020
Publisher : Department of Statistics, Syiah Kuala University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/jda.v3i1.20276

Abstract

Masalah kemiskinan merupakan masalah yang kompleks dan bersifat multidimensional karena sangat erat kaitannya dengan berbagai aspek kehidupan baik sosial, ekonomi, budaya, dan aspek lainnya. Penelitian ini bertujuan untuk membandingkan dan mengelompokkan kabupaten/kota di Indonesia berdasarkan indikator tingkat kemiskinan, serta membandingkan kedua metode gerombol berhirarki dengan nilai-nilai validitas internal. Kabupaten/kota pada penelitian ini dibagi menjadi tiga wilayah waktu yaitu WIB, WITA, dan WIT. Metode yang digunakan adalah metode pautan lengkap dan metode pautan rataan. Data yang digunakan adalah tingkat kemiskinan kabupaten/kota yang bersumber dari Badan Pusat Statistik Indonesia tahun 2018. Hasil penelitian menunjukkan bahwa pengelompokan dengan kedua metode tersebut menghasilkan 4 gerombol. Gerombol 1 dari asing-masing zona memiliki nilai rata-rata tertinggi yang menggambarkan karakteristik tingkat kemiskinan pada gerombol 1 lebih baik dari gerombol lainnya. Metode terbaik antara metode pautan lengkap dan metode pautan rataan untuk pengelompokan kabupaten/kota pada masing-masing wilayah waktu adalah metode pautan rataan, sehingga metode pautan rataan memiliki kinerja yang lebih baik dari metode pautan lengkap. The problem of poverty is a complex and multidimensional problem because it is closely related to various aspects of life, such as social, economic, cultural, and other aspects. This study aims to compare and classify districts or cities in Indonesia based on poverty level indicators, as well as to compare the two hierarchical cluster methods with internal validity values. Districts or cities in this study are divided into three time zones, namely WIB, WITA, and WIT. The methods used are the complete linkage method and the mean linkage method. The data used is the district or city poverty level sourced from the Indonesian Central Bureau of Statistics in 2018. The results show that grouping with the two methods produces 4 clusters. Cluster 1 from each foreign zone has the highest average value which describes the characteristics of the poverty level in cluster 1 better than the other groups. The best method between the complete linkage method and the mean linkage method for grouping districts or cities in each time zone is the mean linkage method, so the mean linkage method has better performance than the complete linkage method
Co-Authors Abd. Rasyid Syamsuri Ahmad, Khairunnas Akhyar Wijaya Anuar, Kaspul Bagus Sartono Budi Setiawan Dwi Astiti Syahbani Elfurqany, Nuwairy Elvitra Mutia Ulfa Enitan, Seyi Samson Fahmi, Mulkan Fara Inka Durrah Fernando, Rivo Fitriana AR Fitriana AR Furqany, Nuwairy El Ghazi Mauer Idroes Hizir Sofyan Idroes, Ghazi M. Inas Salsabila Ira Julita Januaria Douw Kemala, Pati Khairan Khairan Lathifah Setiawan Latifah Rahayu Lubis, Vanizra F. Mahmudi Mahmudi Marzuki Marzuki Marzuki Marzuki Maulana, Aga Maulydia, Nur Balqis Mira Suci Yana Muhammad Adam, Muhammad Muhammad Iqbal Muhammad Subianto Muliadi Ramli Muzamil Muzamil Nanny Salwa Nany Salwa Noviandy, Teuku R. Nurhasanah Nurhasanah Nurhasanah Nurhasanah Oktriyono, Febri Dwi Ridha Ferdhiana Rimbawan , Rinaldi Idroes Riswanda, Muhammad Romi Rosadi Sasmita, Novi Reandy Siti Rusdiana Siti Sarah, Siti Sri Anna Marliyati Suhendra, Rivansyah Tessa Prihartina Parhusip Teuku Rizky Noviandy Teuku Zulfikar TRINA EKAWATI TALLEI Warman Fatra, Warman Yulia Yulia Yunianto, Andi Eka Zuchra Helwani, Zuchra Zul Amraini, Said Zurnila Marli Kesuma