Article Per Year (5 Year)
p-Index From 2021 - 2026
2.994
P-Index
This Author published in this journals
All Journal Jurnal Penelitian Saintek Pythagoras: Jurnal Matematika dan Pendidikan Matematika Jurnal Sains Dasar AdMathEdu : Jurnal Ilmiah Pendidikan Matematika, Ilmu Matematika dan Matematika Terapan Jurnal Matematika Sains dan Teknologi Indonesian Journal of Applied Statistics BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Jambura Journal of Informatics Jurnal Aplikasi Statistika & Komputasi Statistik Imajiner: Jurnal Matematika dan Pendidikan Matematika Jurnal Statistika dan Sains Data Jurnal Kajian dan Terapan Matematika
Rosita Kusumawati
Universitas Negeri Yogyakarta
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Mathematics Mechanical Engineering Physics Transportation Other

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Statistika dan Sains Data

 1 
Analisis pertumbuhan ekonomi di Jawa Tengah dengan Geographically Weighted Regression model dengan pembobot Kernel Gaussian Naibaho, Reynaldi Komtua; Kusumawati, Rosita
Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jssd.v1i1.18420

Abstract

Pertumbuhan ekonomi suatu daerah dapat dipengaruhi oleh berbagai faktor-faktor seperti tingkat pendidikan, infrastruktrur pendukung, tingkat kesehatan. Faktor-faktor yang mempengaruhi pertumbuhan ekonomi suatu daerah dapat berbeda dengan daerah lain. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi pertumbuhan ekonomi suatu daerah dan apakah faktor geografis juga mempengaruhi pertumbuhan ekonomi suatu daerah dengan menggunakan model Geographically Weighted Regression (GWR). Model GWR merupakan pengembangan dari model regresi berganda yang ketika asumsi heterogenitas tidak terpenuhi pada model regresi berganda maka dilakukan pembobotan dengan metode Weighted Least Regression (WLS). Pada penelitian ini pembobot yang digunakan adalah lokasi geografis dengan fungsi pembobot fixed kernel gaussian dan adaptive kernel gaussian. Diperoleh model GWR terbaik adalah model GWR dengan fungsi pembobot adaptive kernel gaussian yang ditunjukkan dengan nilai JKG =1,014040e+16,AIC =1270,36, ?2=0,56 dan nilai p sebesar 0,443. Model GWR ini menghasilkan 35 model lokal. Model lokal yang diperoleh dapat dikelompokkan menjadi 5 kelompok berdasarkan variabel-variabel independen yang berpengaruh secara signifikan terhadap variabel dependen
Analisis Biplot komponen utama untuk pemetaan daya saing global negara anggota APEC Harmantyas, Vinny Fadyoga; Kusumawati, Rosita
Jurnal Statistika dan Sains Data Vol 1, No 2 (2024): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jssd.v1i2.19678

Abstract

Indeks daya saing global negara anggota APEC terdiri dari 12 pilar dengan skala skor 1-100. Untuk mengoptimalkan potensi integrasi ekonomi di kawasan Asia Pasifik, pemetaan karakteristik negara anggota APEC berdasarkan 12 pilar pembentuk indeks daya saing global dapat dilakukan dengan metode analisis biplot komponen utama. Penelitian ini dapat memberikan informasi tentang gambaran pemetaan dan perkembangan karakteristik berdasarkan indeks daya saing global negara anggota APEC tahun 2018-2019 dengan tahapan analisis yaitu menyusun matriks data, standarisasi matriks, menghitung koefisien matriks korelasi, pengujian statistik KMO dan uji Bartlett, menghitung nilai eigen dan vektor eigen, menghitung bobot komponen utama, menghitung skor komponen utama, menguraikan matriks dengan metode SVD, membentuk grafik biplot, menghitung nilai keragaman biplot, membentuk kelompok, dan interpretasi hasil pemetaan biplot komponen utama. Hasil penelitian menunjukkaan bahwa terbentuk 2 kelompok negara. Pada kelompok 1, variabel dengan nilai karakteristik tertinggi yaitu pilar stabilitas makroekonomi dan variabel dengan nilai karakteristik terendah yaitu pilar pasar barang dan jasa. Sedangkan pada kelompok 2, variabel dengan nilai karakteristik tertinggi yaitu pilar stabilitas makroekonomi dan variabel dengan nilai karakteristik terendah yaitu pilar kemampuan inovasi. Pada tahun 2019 tidak terjadi perubahan peta karakteristik sehingga peta karakteristik sama dengan tahun 2018. Namun, untuk persentase keragaman mengalami penurunan yaitu 77,6% pada tahun 2018 dan 76,7% pada tahun 2019.
Analisis tingkat kemsikinan Provinsi Jawa Tengah dengan Geographically Weighted Regression Anwar, Mukhamad Syaiful; Kusumawati, Rosita
Jurnal Statistika dan Sains Data Vol 2, No 1 (2024): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jssd.v2i1.20194

Abstract

Kemiskinan merupakan permasalahan hampir semua negara di dunia, terutama di negara berkembang, menurut bank dunia salah satu sebab kemiskinan adalah karena kurangnya pendapatan dan asset untuk memenuhi kebutuhan dasar seperti makanan, pakaian dan perumahan. Faktor yang mempengaruhi kemiskinan disuatu daerah dapat berbeda antara daerah satu dengan daerah lain. Penelitian ini bertujuan untuk melihat faktor-faktor apa saja yang mempengaruhi tingkat kemiskinan di suatu kabupaten/kota di Jawa Tengah menggunakan metode geographically weighted regression (GWR). Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari website BPS Provinsi Jawa Tengah tahun 2020. Hasil dari penelitian ini adalah model terbaik untuk memodelkan tingkat kemiskinan di Provinsi Jawa Tengah tahun 2020 adalah model GWR dengan fungsi pembobot adaptive gaussian kernel, menghasilkan nilai JKG , AIC , dan 06 dan nilai  sebesar . Model GWR ini menghasilkan 35 model lokal. Model lokal yang diperoleh dapat dikelompokkan menjadi 3 kelompok berdasarkan variabel-variabel independen yang berpengaruh secara signifikan terhadap variabel dependen.  Kelompok pertama merupakan kelompok yang dipengaruhi oleh indek keparahan kemiskinan, pengeluaran perkapita, dan morbiditas. Kelompok pertama ini terdiri dari Kabupaten Cilacap, Banyumas, Purbalingga, Banjarnegara, Kebumen, Purworejo,  Wonosobo, Magelang, Wonogiri, Jepara, Temanggung, Kendal, Batang, Pekalongan, Pemalang, Tegal, Brebes, Kota Magelang, Kota Surakarta, Kota Pekalongan, Kota Tegal. Kelompok kedua dipengaruhi oleh indek keparahan kemiskinan. Kelompok kedua ini terdiri dari Kabupaten Sragen, Grobogan, Blora. Kelompok ketiga dipengaruhi oleh indek keparahan kemiskinan dan morbiditas. Kelompok ketiga ini terdiri dari Kota Salatiga, Kota Semarang, Kabupaten Demak, Semarang, Rembang, Pati, Kudus, Boyolali, Klaten, Sukoharjo, Karanganyar.
Estimasi parameter distribusi Mixture Normal dengan algoritma MCMC untuk optimasi portofolio Qurbani, Ayuning Maretania; Kusumawati, Rosita
Jurnal Statistika dan Sains Data Vol 3, No 1 (2025): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jssd.v3i1.19536

Abstract

Pembentukan portofolio optimal dengan diversifikasi saham dapat dilakukan menggunakan metode Mean Variance dengan tujuan memaksimumkan meminimumkan tingkat risiko suatu portofolio dan membutuhkan estimasi return dengan asumsi berdistribusi normal. Asumsi distribusi normal tidak selalu terpenuhi dalam data estimasi return saham yang sebenarnya, sehingga dibutuhkan pembentukan model mixture normal. Pada penelitian ini digunakan algotima MCMC untuk mengestimasi parameter distribusi mixture normal. Data yang digunakan yaitu data saham Bisnis-27 periode 1 Januari 2020 s.d. 31 Desember 2022 yang akan dipilih beberapa melalui klasterisasi K-means. Langkah-langkah yang dilakukan dalam penelitian ini yaitu pertama klasterisasi menggunakan data rasio keuangan saham, kedua estimasi parameter dengan algoritma MCMC Metropolis Hasting, ketiga pembentukan portofolio optimal melalui mean-variance, keempat pengukuran kinerja portofolio melalui backtesting. Penelitian ini menghasilkan portofolio yang disusun dari 4 saham dari langkah klasterisasi yaitu saham dengan jarak terdekat terhadap pusat klaster. Hasil dari pembentukan portofolio optimal berdasarkan estimasi parameter distribusi mixture normal dengan algortima MH dan perhitungan bobot melalui metode MV yaitu portofolio yang terdiri dari 23.12% saham Charoen Pokphand Indonesia, 21.27% saham Kalbe Farma, 25.93% saham Tower Bersama Infrastructure, dan 29.68% perusahaan Sumber Alfaria Trijaya. Portofolio optimal tersebut memiliki kinerja yang baik berdasarkan hasil penerapan metode backtesting dalam 4 jenis pengukuran.
Co-Authors Ade Latif Anita Nur Vitriana Anwar, Mukhamad Syaiful Bayutama Isnaini Bayutama Isnaini Bayutama Isnaini Bhiwararasrtri Galuh Ar Rizka Brilliant, Indira Ihnu Chandra Nugroho Erlangga Dewi, Tessya Mutiara Dhoriva Urwatul Wustqa Dhoriva Urwatul Wutsqa Endang Listyani Ervin Indarwati Ezra Putranda Setiawan Geri Wiliansa Halimah Nur Mushaharah Hanan Albarr Harmantyas, Vinny Fadyoga Hasnida, Irena Sekar Dwi Huwaida, Shafira Faira Inayati, Syarifah Isnaini, Bayutama Kismiantini Kismiantini Mathilda Susanti Melinda Putri Utami Muhammad Fauzan Muhammad Fauzan Naibaho, Reynaldi Komtua Neswin Indara Widiarsi Nikenasih Binatari Nizaruddin Nizaruddin Qurbani, Ayuning Maretania Rahmat Fatoni Ramadhan, Mochamad Firman Retno Subekti Sahid Sahid Sahid Sahid Sudargo Vitriana, Anita Nur Widiarsi, Neswin Indara