Article Per Year (5 Year)
p-Index From 2021 - 2026
12.477
P-Index
This Author published in this journals
All Journal Jurnal Matematika BIMASTER Proceedings of Annual International Conference Syiah Kuala University - Life Sciences & Engineering Chapter Jurnal Statistika Universitas Muhammadiyah Semarang Agrointek BAREKENG: Jurnal Ilmu Matematika dan Terapan Jambura Journal of Mathematics GERVASI: Jurnal Pengabdian kepada Masyarakat Sarwahita : Jurnal Pengabdian Kepada Masyarakat M A T H L I N E : Jurnal Matematika dan Pendidikan Matematika Variance : Journal of Statistics and Its Applications Abdimas Galuh: Jurnal Pengabdian Kepada Masyarakat Insan Cita Jurnal Pengabdian Kepada Masyarakat BERNAS: Jurnal Pengabdian Kepada Masyarakat Jurnal Pengabdian kepada Masyarakat Nusantara Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi Jurnal Forum Analisis Statistik Pattimura International Journal of Mathematics (PIJMath) Jurnal Pelayanan dan Pemberdayaan Masyarakat STATISTIKA Equiva
Hendra Perdana
Universitas Tanjungpura
Religion Agriculture, Biological Sciences & Forestry Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 144 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 107 Documents
Search
Journal : BIMASTER

 7   8   9   10   11 
ANALISIS POLA BAN HERO MOBILE LEGENDS MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Mobile Legends Profesional Liga Indonesia Season 11) Yonatan, Yulianus; Perdana, Hendra; Aprizkiyandari, Siti
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 4 (2024): 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.v13i4.77965

Abstract

Data mining adalah proses yang digunakan untuk membentuk serta menemukan pola data, dimana Algoritma Apriori merupakan salah satu algoritma yang dapat digunakan. Algoritma Apriori digunakan untuk menemukan aturan asosiasi yang memiliki pengaruh antar item, sehingga Algoritma Apriori dapat digunakan untuk menemukan pola ban hero Mobile Legends. Untuk memenangkan pertandingan dalam game Mobile Legends setiap tim menggunakan strategi untuk melakukan pemilihan (pick) dan pelarangan (ban) hero. Algoritma Apriori digunakan untuk menemukan pola ban hero dengan nilai minimum support 1% dan nilai minimum confidence 80%. Langkah pertama dalam algoritma Apriori adalah menghitung nilai support masing-masing item, jika nilai support ≤ nilai minimum maka dilakukan pemangkasan dan item yang memenuhi kriteria masuk ke dalam frequent k-itemset. Dari analisis yang dilakukan diperoleh 121 pola ban hero yang memenuhi nilai support dan confidence yang telah ditentukan dimana pola yang terbentuk dapat dijadikan acuan untuk tim yang bertanding dalam melakukan ban hero yang terdiri dari 1-itemset sampai 5-itemset dimana presentase setiap itemset tertinggi adalah {Joy}, {Joy, Wanwan}, {Joy, Kaja, Wanwan}, {Joy, Hayabusa, Valentina, Wanwan} dan {Joy, Wanwan, Hayabusa, Ling, Yve}. Pola yang terjadi adalah kombinasi hero Joy dan Wanwan menjadi hero yang selalu di ban. Hal ini dikarenakan tren yang terjadi setelah penyesuaian game (update).  Kata kunci: Data Mining, Ban Hero, MPL
PENERAPAN METODE CERTAINTY FACTOR PADA SISTEM PAKAR PENENTUAN BIDANG MINAT PROGRAM STUDI STATISTIKA FMIPA UNTAN Gunawan, Sucipto; Imro’ah, Nurfitri; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): 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.v13i5.85805

Abstract

Program Studi (PS) Statistik Universitas Tanjungpura (Untan) memberikan pilihan bidang minat yang nantinya dipilih oleh mahasiswa agar kedepannya bisa sesuai dengan lapangan pekerjaan yang akan ditekuni. Terdapat tiga pilihan bidang minat yang ada di program studi yaitu, bidang minat bisnis dan keuangan, sosial dan industri, serta lingkungan dan kebencanaan. Penelitian ini menggunakan data primer dengan responden mahasiswa PS Statistik Untan. Terdapat 30 responden dengan rincian 10 responden tiap bidang minat. Penelitian ini menggunakan metode Certainty Factor dengan tujuan untuk membantu mahasiswa dalam menentukan pilihan bidang minat pada PS Statistik Untan. Berdasarkan hasil penelitian diperoleh bahwa Proses metode analisis certainty factor dimulai dengan menentukan mata kuliah dan nilai bobot untuk tiap mata kuliah. Selanjutnya penentuan nilai bobot dari nilai huruf yang diperoleh pada mata kuliah. Sebagai ilustrasi digunakan nilai hasil 11 mata kuliah pada semester 3 dan 4 dari seorang mahasiswa A sehingga diperoleh nilai CF user. Kemudian dihitung nilai setiap faktor kriteria kombinasi (CF Kombinasi) di tiap klasifikasi bidang minat. Berdasarkan hasil perhitungan, diperoleh bahwa mahasiswa tersebut direkomendasikan memilih bidang minat Sosial dan Industri karena memiliki nilai CF kombinasi tertinggi dibandingkan minat lainnya yaitu sebesar 65,62%.Kata Kunci:      Bidang minat, Sistem Pakar, Certainty Factor
PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT DI KALIMANTAN BARAT MENGGUNAKAN STRUCTURAL EQUATION MODELING-PARTIAL LEAST SQUARE Febriani, Nindy; Kusnandar, Dadan; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): 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.v13i3.77709

Abstract

Permasalahan kesehatan merupakan permasalahan yang cukup kompleks pada setiap negara karena melibatkan banyak aspek. Partial Least Square (PLS) adalah suatu bentuk model persamaan struktural yang menggunakan komponen atau varian sebagai dasarnya. PLS merupakan metode alternatif yang mengubah pendekatan SEM dari berfokus pada kovarian menjadi berfokus pada varian. SEM kovarian biasanya menguji model sebab akibat, sementara PLS menguji outer model dan inner model. IPKM adalah parameter kesehatan yang digunakan untuk mengukur dan memberi gambaran permasalahan kesehatan masyarakat di Indonesia. Dalam penelitian ini digunakan data sekunder, yaitu data indeks pembangunan kesehatan masyarakat tahun 2018. Tujuan penelitian ini adalah untuk memodelkan indeks pembangunan kesehatan masyarakat (IPKM) di Provinsi Kalimantan Barat dengan menggunakan structural equation modeling-partial least square. Model SEM-PLS kemudian dibangun untuk menganalisis hubungan antarvariabel. Hasil analisis menunjukkan bahwa tidak terdapat variabel yang berpengaruh secara signifikan terhadap IPKM. Dengan nilai R-square sebesar 0,955 untuk variabel IPKM. Meskipun memiliki nilai R-square yang tinggi, artinya model yang diperoleh baik. Namun, tidak terdapat koefisien jalur yang signifikan. Ini menunjukkan bahwa meskipun model baik dalam menjelaskan data, hubungan antara variabel-variabel tidak terbukti secara statistik.  Kata Kunci : IPKM, SEM, PLS.
GEOGRAPHICALL WEIGHTED ORDINAL LOGISTIC REGRESSION PADA KASUS STUNTING DI KALIMANTAN BARAT Muhtadi, Radhi; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): 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.v13i3.77423

Abstract

Stunting merupakan suatu masalah kurang gizi kronis yang diakibatkan asupan kurang gizi dalam jamgka waktu cukup lama, yang kemudian menyebabkan tumbuh kembang anak terganggu seperti tinggi badan yang lebih pendek dari standar usia anak pada umunya. Kasus stunting dikategorikan menjadi tiga kategori yang berskala ordinal yaitu tinggi, sedang, dan rendah. Kasus stunting di Provinsi Kalimantan Barat memiliki tingkat stunting yang berbeda-beda di setiap kabupaten/kotanya. Penelitian ini bertujuan untuk memperoleh model dan hasil prediksi kategori tingkat kasus stunting di kabupaten/kota yang ada di Provinsi Kalimantan Barat dengan mengaplikasikan Geographically Weighted Ordinal Logistic Regression (GWOLR) menggunakan fungsi pembobot Adaptive Gaussian Kernel. Data yang digunakan dalam penelitian ini adalah data sekunder yang bersumber dari website Badan Pusat Statistik dan website Satu Data Kalbar. Variabel terikat (Y) yang digunakan adalah tingkat kasus stunting dan variabel bebas (X) yang diduga mempengaruhi tingkat kasus stunting. Berdasarkan model GWOLR, didapat prediksi kategori untuk setiap lokasi pengamatan yaitu untuk Kabupaten Bengkayang, Landak, Mempawah, Sanggau, Ketapang, Sintang, Kapuas Hulu, Sekadau, Melawi, Kayong Utara, serta Kubu raya masuk dalam kategori tinggi, sedangkan untuk Kota Pontianak, Singkawang dan Kabupaten Sambas masuk dalam kategori rendah. Berdasarkan hasil prediksi, nilai ketepatan klasifikasi antar hasil prediksi menggunakan model GWOLR dengan hasil observasi adalah sebesar 64,29%. Kata Kunci: Stunting, Ordinal, Adaptive Gaussian Kernel
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR KESEJAHTERAAN MASYARAKAT DENGAN ALGORITMA K-MEANS++ Nabilah, Niken Aushaf; Perdana, Hendra; Sulistianingsih, Evy
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): 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.v13i3.77795

Abstract

Pemerataan kesejahteraan masyarakat masih menjadi salah satu fokus bagi pemerintah Indonesia hingga sekarang. Kesejahteraan masyarakat merupakan suatu konsep yang mencakup berbagai aspek kehidupan, sehingga menjadi salah satu indikator dalam mengukur kemajuan suatu negara. Oleh karena itu, analisis cluster diperlukan untuk mengelompokkan provinsi di Indonesia berdasarkan indikator kesejahteraan masyarakat. Analisis cluster merupakan metode pengelompokan objek berdasarkan karakteristik objek tersebut. Algoritma K-Means++ digunakan dalam penelitian ini untuk mengkaji pengelompokan provinsi-provinsi di Indonesia berdasarkan indikator kesejahteraan masyarakat. Selain itu, untuk menganalisis jumlah cluster optimal yang terbentuk digunakan silhouette coefficient. Data dalam penelitian ini merupakan data 10 indikator kesejahteraan masyarakat tahun 2022. Berdasarkan hasil analisis, diperoleh jumlah cluster optimal yaitu 3 cluster dengan nilai silhouette coefficient terbesar, yaitu 0,2777. Cluster 1 merupakan cluster dengan tingkat kesejahteraan masyarakat menengah dan terdiri dari 27 provinsi. Cluster 2 terdiri dari 3 provinsi dan merupakan cluster dengan tingkat kesejahteraan masyarakat rendah. Dan cluster 3 yaitu cluster dengan tingkat kesejahteraan masyarakat yang tinggi dan terdiri dari 4 provinsi.  Kata Kunci : kesejahteraan, analisis cluster, kemiskinan, silhouette coefficient
PENERAPAN METODE MULTI ATTRIBUTE UTILITY THEORY TERHADAP KEPUTUSAN PENERIMAAN MAHASISWA SNMPTN (Studi Kasus: Program Studi Statistika Universitas Tanjungpura) Mursyidah, Lailatul; Perdana, Hendra; Huda, Nur’ainul Miftahul
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): 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.v13i5.86302

Abstract

Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) merupakan salah satu jalur penerimaan mahasiswa pada Perguruan Tinggi Negeri yang menekankan pada nilai akademis tanpa melalui ujian tertulis. bagai salah satu Sistem Pendukung Keputusan (SPK), Metode Multi Attribute Utility Theory (MAUT) dapat digunakan sebagai alat bantu dalam memberikan alternatif keputusan terhadap kelulusan SNMPTN, dengan output berupa pemeringkatan melalui analisis alternatif keputusan. Kelebihan metode MAUT yaitu memiliki proses perhitungan yang cukup cepat dan sederhana, mampu mengolah data multi kriteria, dan bersifat fleksibel. Penelitian ini melibatkan metode Analytical Hierarchy Process (AHP) yang digunakan dalam proses penentuan bobot kriteria. Penelitian ini bertujuan memperoleh hasil keputusan pada penentuan penerimaan mahasiswa SNMPTN pada Program Studi Statistika Universitas Tanjungpura. Kriteria yang digunakan yaitu status pemilihan pada Program Studi Statistika Untan (C1), prestasi tingkat nasional (C2), prestasi tingkat provinsi (C3), rata-rata nilai rapor dari semester 1 sampai dengan 5 untuk mata pelajaran Matematika (C4), Fisika (C5), Kimia (C6), Biologi (C7), Bahasa Indonesia (C8), dan Bahasa Inggris (C9). Sampel penelitian diperoleh melalui metode Slovin yaitu sebanyak 37 mahasiswa angkatan 2021 di Prodi Statistika FMIPA Untan yang selanjutnya menjadi alternatif pada penelitian ini.    Kuota penerimaan mahasiswa SNMPTN Program Studi Statistika FMIPA Untan tahun 2021 sebanyak 20 mahasiswa. Hasil penelitian ini berupa rekomendasi 20 mahasiswa dengan kemungkinan tertinggi akan dinyatakan lulus SNMPTN berdasarkan kriteria penelitian yang diteliti. Hasil tersebut memiliki akurasi sebesar 65%. Hal ini dapat disebabkan oleh adanya beberapa kriteria lain yang mempengaruhi penerimaan SNMPTN tahun 2021.  Kata Kunci :  sistem pendukung keputusan, bobot, peringkat
KLASTERISASI KABUPATEN/KOTA DI PULAU KALIMANTAN BERDASARKAN INDIKATOR KESEJAHTERAAN DENGAN TWO-STEP CLUSTER Hariadi, Wahyudio Shaney Fikri; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): 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.v14i1.91668

Abstract

Kesejahteraan merupakan kapasitas untuk memenuhi berbagai kebutuhan hidup guna mencapai standar yang layak, sehat, dan produktif. Pertumbuhan di Pulau Kalimantan dalam beberapa tahun terakhir terus meningkat pesat, dengan proyeksi mencapai 20 juta jiwa pada tahun 2025. Mengetahui tantangan di setiap provinsi dan merumuskan solusi yang tepat merupakan langkah krusial dalam mewujudkan pemerataan kesejahteraan masyarakat. Tujuan penelitian ini mengelompokan kabupaten/kota di Pulau Kalimantan dan menganalisis karakteristiknya berdasarkan indikator. Penelitian ini menerapkan metode Two-Step Cluster, yang terdiri dari dua tahap dalam proses pengelompokan. Pada tahap pertama, klaster awal dibentuk melalui Cluster Feature Tree (CF Tree) dengan pengukuran jarak menggunakan metode Euclidean Distance. Sementara itu, tahap kedua menentukan klaster optimal dengan menghitung nilai BIC dan membandingkan rasio ukuran jarak antar klaster. Indikator yang digunakan ada tujuh yaitu Produk Domestik Regional Bruto (PDRB), Rata-rata Lama Sekolah (RLS), Harapan Lama Sekolah (HLS), Usia Harapan Hidup (UHH), Pengeluaran Perkapita Disesuaikan (PPD), Indeks Pembangunan Manusia (IPM), Indeks Pembangunan Literasi Masyarakat (IPLM). Berdasarkan hasil penelitian dapat dihasilkan 4 klaster optimal yang terbentuk. Klaster satu dengan tingkat kesejahteraan rendah memiliki 43 anggota kabupaten/kota di Pulau Kalimantan. Klaster dua dengan tingkat kesejahteraan menengah memiliki 2 anggota kabupaten di Provinsi Kalimantan Selatan. Klaster tiga dengan tingkat kesejahteraan sangat tinggi 9 anggota kabupaten/kota terdapat 7 anggota perkotaan dan 2 anggota kabupaten. Klaster empat dengan tingkat kesejahteraan tinggi memiliki 2 anggota kabupaten di Provinsi Kalimantan Timur.
KLASIFIKASI WAKTU KELULUSAN MAHASISWA DENGAN KOMBINASI METODE RANDOM FOREST DAN ADABOOST (Studi Kasus: Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tanjungpura) Salsabila, Hana; Sulistianingsih, Evy; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): 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.v14i1.91673

Abstract

Institusi perguruan tinggi berperan sebagai penyelenggara pendidikan akademik yang ditujukan bagi mahasiswa. Mahasiswa menjadi tolak ukur dalam menilai kualitas perguruan tinggi, salah satunya melalui tingkat kelulusan tepat waktu. Proporsi mahasiswa yang menyelesaikan studi tepat waktu merupakan salah satu indikator krusial dalam evaluasi akreditasi perguruan tinggi. Namun, masih banyak mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Tanjungpura (Untan) yang tidak lulus tepat waktu, sehingga mempengaruhi kualitas dan akreditasi institusi. Penelitian ini bertujuan untuk menerapkan kombinasi metode Random Forest dan AdaBoost dalam klasifikasi kelulusan mahasiswa serta menentukan akurasinya. Penelitian ini menggunakan data sekunder terkait kelulusan mahasiswa FMIPA Untan dari Periode I Tahun Akademik 2018/2019 hingga Periode II Tahun Akademik 2023. Analisis dimulai dari mendeskripsikan data kelulusan mahasiswa. Kemudian dilanjutkan ke tahap analisis Random Forest, lalu dilakukan evaluasi dengan menghitung nilai akurasinya. Selanjutnya algoritma AdaBoost diterapkan pada algoritma Random Forest, kemudian dilakukan evaluasi kembali dengan menghitung nilai akurasinya untuk melihat kinerja model. Hasil penelitian menunjukkan bahwa Algoritma Random Forest mampu mengklasifikasikan data sebanyak 53 data yang benar diklasifikasikan tepat waktu sedangkan 439 lainnya salah diklasifikasikan sedangkan pada data kelulusan tidak tepat waktu diketahui bahwa 1323 data yang benar diklasifikasikan tidak tepat waktu sedangkan 78 diantaranya salah diklasifikasikan dengan akurasi sebesar 72,7%. Penerapan tahap boosting dengan Algoritma AdaBoost menghasilkan peningkatan akurasi yang signifikan mencapai 96,8%. Atribut yang memiliki kontribusi terbesar dalam klasifikasi berdasarkan Random Forest adalah IPS Semester 3. Berdasarkan hasil penelitian, Algoritma AdaBoost terbukti efektif untuk meningkatkan akurasi Algoritma Random Forest dalam klasifikasi kelulusan mahasiswa.
PENERAPAN PRINCIPAL COMPONENT ANALYSIS-SUPPORT VECTOR MACHINE PADA KLASIFIKASI STATUS STUNTING DI KALIMANTAN BARAT Indriani, Maria Meilinda; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): 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.v14i1.91649

Abstract

Stunting merupakan permasalahan kesehatan masyarakat yang serius, ditandai dengan gangguan pertumbuhan anak akibat kekurangan gizi yang berlangsung dalam jangka waktu lama. Keadaan ini tidak hanya berdampak pada tinggi badan anak yang berada di bawah standar, tetapi juga berpengaruh terhadap perkembangan kognitif, kemampuan belajar, serta tingkat produktivitas di masa mendatang. Kalimantan Barat menjadi salah satu provinsi di Indonesia dengan prevalensi stunting yang relatif tinggi. Penelitian ini bertujuan untuk mengklasifikasikan status stunting di 14 kabupaten/kota di Kalimantan Barat dengan menerapkan metode Principal Component Analysis-Support Vector Machine (PCA-SVM). Selain itu, penelitian ini juga mengevaluasi tingkat akurasi model klasifikasi yang dihasilkan. PCA digunakan untuk mereduksi dimensi data dan mengatasi multikolinearitas, menghasilkan komponen utama yang independen sebagai variabel input dalam model. Selanjutnya, SVM dengan kernel Radial Basis Function (RBF) diterapkan untuk membangun model klasifikasi yang optimal. Penelitian ini menggunakan 14 variabel yang mencerminkan aspek kesehatan anak, ibu, lingkungan, dan faktor sosial-ekonomi. Keempat belas kabupaten/kota tersebut dikategorikan ke dalam tiga kelompok status stunting, yaitu rendah, sedang, dan tinggi. Kinerja model dievaluasi berdasarkan tingkat akurasi. Hasil penelitian menunjukkan bahwa pendekatan PCA-SVM dengan kernel RBF berhasil mencapai akurasi sebesar 92,86% dalam mengklasifikasikan status stunting. Analisis ini memberikan pemahaman yang penting mengenai pengelompokan status stunting di setiap wilayah, sehingga dapat menjadi dasar untuk merancang kebijakan intervensi yang lebih terarah dan tepat sasaran. Dengan demikian, hasil penelitian ini diharapkan dapat membantu pemerintah daerah dalam menurunkan prevalensi stunting secara efektif dan berkelanjutan.
PENERAPAN SIMILARITY WEIGHT AND FILTER METHOD UNTUK MENGELOMPOKKAN SMA BERDASARKAN SARANA PRASARANA DAN SDM (Studi Kasus: SMA di Provinsi Kalimantan Barat) Sindia, Eri; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): 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.v14i1.91653

Abstract

Similarity Weight and Filter Method (SWFM) merupakan metode pada analisis cluster yang digunakan untuk menangani data campuran numerik dan kategorik. Keduanya tersusun dari hasil analisis cluster data numerik dan kategorik yang kemudian digabungkan. Permasalahan utama pendidikan yaitu minimnya sarana dan prasarana serta kekurangan guru terutama ditingkat Sekolah Menengah Atas (SMA). Pembangunan dan pemerataan pendidikan masih sulit dilaksanakan secara maksimal oleh pemerintah. Sehingga untuk mempermudah penyaluran bantuan maka perlu dilakukan pengelompokan. Penelitian ini bertujuan untuk mengelompokkan SMA berdasarkan sarana prasarana dan Sumber Daya Manusia (SDM) di Provinsi Kalimantan Barat dengan SWFM. Data pada penelitian ini bersumber dari Kementerian Pendidikan dan Kebudayaan (Kemendikbud) yaitu Data Pokok Pendidikan pada jenjang SMA tahun 2024 yang terdiri data numerik dan kategorik. Data numerik dikelompokan dengan metode Ward yang menghasilkan jumlah cluster optimum yaitu 3 cluster. Sedangkan data kategorik dikelompokan menggunakan metode K-Modes menghasilkan jumlah cluster optimum sebanyak 2. Hasil pengelompokan data numerik dan data kategorik kemudian digabung dengan metode SWFM sehingga diperoleh jumlah cluster sebanyak 5. Cluster 1 terdiri dari 131 SMA dengan sarana prasarana dan SDM yang tidak memadai, cluster 2 terdiri dari 185 SMA dengan sarana prasarana dan SDM yang kurang memadai, cluster 3 terdiri dari 12 SMA dimana memiliki sarana prasarana dan SDM yang sangat memadai, cluster 4 terdiri dari 61 SMA dimana memiliki sarana prasarana dan SDM yang memadai, dan cluster 5 terdiri dari 16 SMA yang sarana prasarana dan SDM yang cukup memadai.
Co-Authors Al Amin Alatin, Isam Aldien, Royan Gustio Alex Sander Almazmar, Giatul Khodijah Hodijah Andani, Wirda Andi Hairil Alimuddin Anggi Putri Dewi Anggi, Muhamad Anis Fakhrunnisa Annisa Fitri Antoni, Frans Xavier Natalius Apriliyani, Techa Aprizkiyandari, Siti Ariady Zulkarnain Arsyi, Fritzgerald Muhammad Assa Trissia Rizal Atikasari, Awang Atlantic, Virginnia Aulia Puteri Amari Azura, Tina Calissta, Leanna Belva Cesoria, Yola Zerlinda Crismayella, Yuveinsiana Dadan Kusnandar Dadan Kusnandar Dadan Kusnandar Dadan Zaliluddin Debataraja, Naomi Nessyana Dedi Rosadi Deni Wardani Dinda Lestari Dwi Nining Indrasari Dzakirah, Nasya Rabbi Eka Rizki Wahyuni Elga Fitaloka Endah Saraswi Ersawahyuni, Aisna Evi Noviani Evy Sulistianingsih Faizah, Putri Alya Nur Fajar, Arif Nur Fallah, Khalishah Ghina Febriani, Nindy Febriani, Rani Febriyanto, Ferdy Fery Prastio Fidianty, Fadilla Firhan Januardi Firman Saputra Fortuna, Nia Fitriana Gilang Habibie Gunawan, Sucipto Hafifah, Nanda Handayani, Aditya Hapipah, Liza Darojatul Hariadi, Wahyudio Shaney Fikri Harnanta, Nabila Izza Hasanah, Kutsiatul Hasanuddin Hasanuddin Helmi Helmi Hidayat, Rani Lestari HUDA, NUR’AINUL MIFTAHUL Huriyah, Syifa Khansa Iman Sanjaya Imanni, Rahmania Andarini Hatti Imro'ah, Nurfitri IMRO’AH, NURFITRI Imtiyaz, Widad Indriani, Maria Meilinda Ira Mona Irwanto, Dicky Ismi Adam Jajad Sudrajat Jawani Jawani Juniarti, Leni Khabib Mustofa Laksono Trisnantoro Lilit Tamara Dinta Lisa Lestari M. Deny Hafizzul Muttaqin Ma’ruf, Ikhwan Maisarah Maisarah Margaretha, Ledy Claudia Mariana Yopi Mariatul Kiftiah Martha, Shantika Marwalida Rachmadiar Maulida Amanasari Mega Tri Junika Mida Mida Millennia Taraly Misrawi Misrawi Muhamad Ikbal Muhammad Ahyar Muhammad fauzan Muhardi Muhtadi, Radhi Mursyidah, Lailatul Mutiara Nurisma Rahmadhani Nabilah, Niken Aushaf Nanda Ayuni Nanda Shalsadilla Naomi Nessyana Debataraja Naomi Nessyana Debataraja Neva Satyahadewi Novita, Irene Nugrahaeni, Indah Nur Asiska Nur Azmi Nurfitri Imro'ah Nurfitri Imro’ah Nurhanifa, Nurhanifa Nurin Hafizah Nurmaulia Ningsih Nurul Huda Padilah, Ariski Paisal Paisal Pinasari, Repi Pitriani Pitriani Pranata Anggi Puji Ardiningsih Puspita, Risma Putri, Vinna Septyara Qalbi Aliklas Rafika Aufa Hasibuan Rahman, Tri Wanda Rahmania Andarini Hatti Imanni Rahmasari, Yulia Ramadhan, Nanda Ratna Nursariyani Ratna Sari Dewi Reni Unaeni Retnani, Hani Dwi Ria Fuji Astuti Rina Rina Risa Nofiani Risko, Risko Rivaldo, Rendi Rizki, Setyo Wira Robbiati, Dian Roeswandi, Irine Fajrin Rofatunnisa, Sifa Sadikin, Utin Azwa Sayhani Salsabila, Hana Samson Samson Santika Santika Sasqia Aklysta Antaristi Sesilisvana, Nevil Setyo Wir Rizki Setyo Wira Rizki Setyo Wira Rizki Setyo Wira Rizki Shantika Martha Shantika Martha Shantika Martha Silvia Andriany Sinaga, Steven Jansen Sindia, Eri Sintia Margun Siti Julaeha, Siti Siti Septiani Rahayu Putri Solly Aryza Suci Angriani Suhardi Suprianto, Okto syuradi, Syuradi Tamtama, Ray Taraly, Inggriani Millennia Thariq Thariq Tiara, Dinda Titania Aurellia Trifaiza, Fadhela Wafiq Nurhaliza Wahyu Diyan Ramadana Wilda Ariani Wira Fujiyanto Enizar Wirda Andani Wirdha Eryani Yogi, Vinsensius Yohane, Novi Yonatan, Yulianus Yopi Saputra Yudhi Yumna Siska Fitriyani Yundari, Yundari Yundari, Yundari Yustosio, Darwis Yuveinsiana Crismayella Zahidah, Zahra