Articles
<![CDATA[Model Geographically Weighted Poisson Regression Pada Jumlah Kasus Penderita Tuberculosis di Surabaya ]]>
<![CDATA[Hani Khaulasari]]>
<![CDATA[ Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami) Vol 3 No 1 (2019): Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) ]]>
Publisher : <![CDATA[Mathematics Department ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (574.688 KB)
<![CDATA[Tuberculosis adalah suatu penyakit menular yang mematikan yang disebabkan oleh bakteri mycobacterium Tuberculosis. Kota Surabaya merupakan kota dengan jumlah penyebaran penderita Tuberculosis tertinggi di Jawa Timur. Penyebaran penyakit Tuberculosis melibatkan efek spasial. Salah satu metode spasial yang dapat digunakan adalah Geographically Weighted Poisson Regresssion (GWPR). Tujuan penelitian ini adalah mendapatkan faktor-faktor yang berpengaruh secara lokal. Data penelitian diperoleh dari Dinas Kesehatan Kota Surabaya dan BPS Kota Surabaya, yang terdiri dari variabel respon jumlah penderita Tuberculosis di 31 Kecamatan Surabaya Tahun 2018 dan sebelas faktor yang diduga mempengaruhi penyebaran Tuberculosis. Model GWPR dengan fungsi kernel fixed Gaussian menghasilkan faktor yang berpengaruh terhadap jumlah penyebaran penderita Tuberculosis di Surabaya Tahun 2018 yaitu jumlah penderita HIV/AIDS (X1), jumlah kepadatan penduduk (X2), persentase rumah sehat (X4), persentase rumah tangga yang berPHBS (X5), Rasio penyuluhan kesehatan (X6), Persentase Penduduk yang mendapatkan keterbukaan informasi TB (X7), jumlah tenaga medis (X8), jumlah sarana kesehatan (X9). persentase penduduk yang tidak tamat SD (X10) dan persentase penduduk yang tamat SMA (X11). Model GWPR membentuk lima kelompok dengan faktor yang mempengaruhi berbeda-beda. Model GWPR adalah model terbaik untuk memodelkan faktor-faktor Tuberculosis di Surabaya Tahun 2018.]]>
<![CDATA[Pemodelan Mixed Geographically Weighted Regression Multivariate Pada Pencemaran Kualitas Air Chemical Oxygen Demand (COD) dan Biological Oxygen Demand (BOD) ]]>
<![CDATA[Hani Khaulasari]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 3, No 2 (2014) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (616.514 KB)
|
DOI: 10.12962/j23373520.v3i2.8151
<![CDATA[Kali Surabaya adalah salah satu sungai di Jawa Timur yang menjadi sorotan masyarakat karena tingkat pencemarannya yang tinggi. Pemerintah Kota Surabaya sejak tahun 2005 menggalakkan program peduli lingkungan “Surabaya Green and Clean”, akan tetapi hingga tahun ini program tersebut belum tercapai secara maksimal. Oleh karena itu, dalam penelitian ini ingin mendapatkan model pencemaran kualitas air COD dan BOD di Kali Surabaya serta mendapatkan faktor-faktor yang berpengaruh pada pencemaran air kali Surabaya dengan menggunakan metode MGWRM. Data diambil di 30 titik lokasi Kali di Surabaya. Faktor global yang mempengaruhi pencemaran kualitas air COD di bulan Juli 2013 yaitu kecepatan air sedangkan untuk respon BOD yaitu kecepatan air, nitrat, amonia, nitrit dan deterjen. Faktor lokal yang mempengaruhi pencemaran kualitas air COD di bulan Juli 2013 tidak ada sedangkan faktor lokal yang mempengaruhi pencemaran kualitas air BOD adalah kedalaman dan fosfat. Faktor global yang mempengaruhi pencemaran kualitas air COD di bulan September 2013 yaitu kecepatan air sedangkan untuk respon BOD yaitu kecepatan air dan nitrit. Faktor lokal yang mempengaruhi pencemaran kualitas air COD di bulan September 2013 tidak ada sedangkan faktor lokal yang mempengaruhi pencemaran kualitas air BOD adalah deterjen. Faktor global yang mempengaruhi pencemaran kualitas air COD di bulan Nopember 2013 yaitu kecepatan air sedangkan untuk respon BOD yaitu kecepatan air dan nitrit. Faktor lokal yang mempengaruhi pencemaran kualitas air COD di bulan Nopember 2013 tidak ada sedangkan faktor lokal yang mempengaruhi pencemaran kualitas air BOD adalah amonia.]]>
<![CDATA[MODEL MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DENGAN PEMBOBOT FUNGSI KERNEL FIXED BI-SQUARE PADA PENDERITA TUBERCULOSIS DI SURABAYA ]]>
<![CDATA[Hani Khaulasari]]>;
<![CDATA[Rudi Antonius]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 7, No 2 (2019): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (875.216 KB)
|
DOI: 10.26714/jsunimus.7.2.2019.%p
<![CDATA[Tuberculosis adalah suatu penyakit menular yang mematikan yang disebabkan oleh bakteri mycobacterium Tuberculosis. Kota Surabaya merupakan kota dengan jumlah penyebaran penderita Tuberculosis tertinggi di Jawa Timur. Penyebaran penyakit Tuberculosis melibatkan efek spasial. Salah satu metode yang dapat digunakan adalah Mixed Geographically Weighted Poisson Regresssion (MGWPR). Tujuan penelitian ini adalah mendapatkan faktor-faktor yang berpengaruh secara lokal dan global. Data penelitian diperoleh dari Dinas Kesehatan Kota Surabaya dan BPS Kota Surabaya, yang terdiri dari variabel respon jumlah penderita Tuberculosis di 31 Kecamatan Surabaya Tahun 2018 dan sebelas faktor yang diduga mempengaruhi penyebaran Tuberculosis.Model MGWPR dengan fungsi kernel Fixed Bi-Square memberikan hasil bahwa faktor global adalah jumlah penderita HIV/AIDS (X1), persentase rumah tangga yang berPHBS (X5), Rasio penyuluhan kesehatan (X6), Persentase Penduduk yang mendapatkan keterbukaan informasi TB (X7), jumlah tenaga medis (X8), persentase penduduk yang tidak tamat SD (X10) dan persentase penduduk yang tamat SMA (X11) sedangkan faktor lokal penyebab Tuberculosis di tiap-tiap lokasi kecamatan di Surabayaadalah jumlah kepadatan penduduk (X2), persentase penduduk miskin (X3), persentase rumah sehat (X4) dan jumlah sarana kesehatan (X9). Model MGWPR membentuk empat kelompok dengan faktor yang mempengaruhi berbeda-beda. Model MGWPR adalah model terbaik untuk memodelkan faktor-faktor Tuberculosis di Surabaya Tahun 2018. Kata kunci : MGWPR, Fungsi Kernel Fixed Bi-Square, Tuberculosis.]]>
<![CDATA[Optimalisasi Blended Learning Model Flipped Classroom pada Perkuliahan Time Series di Prodi Matematika ]]>
<![CDATA[Hani Khaulasari]]>
<![CDATA[ MAJAMATH: Jurnal Matematika dan Pendidikan Matematika Vol. 5 No. 1 (2022): Vol. 5 No. 1 Maret 2022 ]]>
Publisher : <![CDATA[Prodi Pendidikan matematika Universitas Islam Majapahit (UNIM), Mojokerto, Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36815/majamath.v5i1.1756
<![CDATA[Metode blended learning model Flipped Classroom merupakan proses belajar mengajar dengan cara memadukan pembelajaran tatap muka (synchronous) dan (asynchronous) berbasis Learning Management System serta model pembelajaran terbalik dari metode tradisional. Tujuan penelitian adalah mengevaluasi dari penerapan optimalisasi blended learning flipped classroom pada perkuliahan time series. Sampel penelitian adalah mahasiswa Prodi Matematika yang mengambil mata kuliah Time Series semester Ganjil 2021/2022 sebanyak 33 mahasiswa. Hasil belajar Mahasiswa sebelum (KUIS 1) dan sesudah (UTS) diterapkan metode blended learning model Flipped Classroom di uji paired t-test kemudian melakukan analisis kualitas pembelajaran dengan menghitung indeks kualitas layanan dan analisis GAP. Penerapan blended learning Flipped Classroom telah terbukti optimal dalam meningkatkan hasil belajar mahasiswa karena hasil belajar mahasiswa setelah penerapan pembelajaran blended learning Flipped Classroom lebih tinggi daripada nilai hasil belajar mahasiswa sebelum penerapan pembelajaran blended learning Flipped Classroom. Kualitas layanan pembelajaran blended learning Flipped Classroom sudah baik, akan tetapi ada beberapa indikator kualitas yang perlu diperbaiki yakni Fasilitas hotspot/Paket data internet (A1), Pengembalian hasil koreksi tugas, kuis, UTS dan UAS kepada mahasiswa (b5) dan Intensitas dosen untuk ditemui dalam rangka konsultasi (c1).]]>
<![CDATA[Clustering Couples of Childbearing Age to Get Family Planning Counseling Using K-Means Method ]]>
<![CDATA[Yuniar Farida]]>;
<![CDATA[Adam Fahmi Khariri]]>;
<![CDATA[Dian Yuliati]]>;
<![CDATA[Hani Khaulasari]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol 22 No 1 (2022) ]]>
Publisher : <![CDATA[LPPM Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v22i1.1888
<![CDATA[Couples of Childbearing Age (CCA) in the Madiun Regency have increased in the last three years. It caused the population in Madiun to overgrow with the newborn, which implies the economic, social, and environmental aspects. This study aims to cluster villages in Madiun with CCA case studies instead of birth control participants who will give birth and want children to determine the priority of getting Family Planning (in Indonesia, namely Keluarga Berencana/KB) counseling. K-Means clustering is used in this study because it has a linear space of complexity that can be executed quickly and easily. The result of this study is four (4) CCA clusters. CCA cluster 1 is a very high level of giving birth and wanting children, consisting of 7 villages. CCA cluster 2 is a high level of giving birth and wanting children with 119 villages. CCA cluster 3 is a medium level of giving birth and wanting children in 50 villages, and CCA cluster 4 is a low level of giving birth and wanting children, including 34 villages. So, cluster 1, which includes seven villages, is the most prioritized to get Family Planning counseling because it is the CCA cluster with the most birthing rate and wants children. This research obtained a silhouette coefficient of 0.42, which belongs to the medium level.]]>
<![CDATA[Selecting The Best Broiler Chicken Supplier of PT Sentral Unggas Perkasa Using Analytical Hierarchy Process and Weighted Product Methods ]]>
<![CDATA[Yuniar Farida]]>;
<![CDATA[Putri Krismadewi]]>;
<![CDATA[Dian Yuliati]]>;
<![CDATA[Hani Khaulasari]]>
<![CDATA[ Jurnal Ilmiah Teknik Industri Vol. 21, No. 2, December 2022 ]]>
Publisher : <![CDATA[Department of Industrial Engineering Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23917/jiti.v21i2.18045
<![CDATA[PT SUP is one of the companies engaged in trading broiler chicken products. Supplying broiler chickens to PT SUP sometimes results in product instability, and some conditions are inadequate; the financing process is not by income or obstacles that occur when serving customers. So this can disappoint the customers of PT SUP. This study aims to select suppliers for 4 out of 6 breeders chosen as the best suppliers and will get a reward from PT SUP to improve the performance and product results of the suppliers. The selection of the best supplier is based on the criteria that have been owned, namely Based on Curriculum Vitae (CV), location of the cage, capital, and service. The six suppliers come from 3 (each city has two suppliers), namely Lumajang, Lamongan, and Kediri. In this study, the author uses the AHP (Analytic Hierarchy Process) method to produce a consistent value of comparison results. It can be continued with the WP (Weighted Product) approach to get the value of the V vector for ranking alternatives. PT SUP will beard the results of the selection of the best four suppliers. The best supplier of PT SUP are Y1, Y4, Y2 dan Y3. Combining these two methods is a form of contribution to the MCDM enrichment.]]>
<![CDATA[Pengelompokan Kecamatan di Wilayah Kabupaten Bojonegoro Berdasarkan Jenis Penyandang Masalah Kesejahteraan Sosial Menggunakan Fuzzy C-Means ]]>
<![CDATA[Nafa Nur Nanda Adifia]]>;
<![CDATA[Nurissaidah Ulinnuha]]>;
<![CDATA[Hani Khaulasari]]>
<![CDATA[ Techno.Com Vol 22, No 2 (2023): Mei 2023 ]]>
Publisher : <![CDATA[LPPM Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33633/tc.v22i2.7485
<![CDATA[Penyandang Masalah Kesejahteraan Sosial (PMKS) adalah sekelompok orang yang tidak dapat menjanankan fungsi sosial karena tantangan spiritual, fisik, atau sosial. Penelitian ini bertujuan untuk mengelompokkan kecamatan di Kabupaten Bojonegoro dengan melihat permasalahan sosial yang ada pada setiap kecamatan di Bojonegoro. Berdasarkan data PMKS di Kabupaten Bojonegoro setiap kecamatan terdiri dari jenis PMKS yang berbeda sehingga diperlukan analisis cluster untuk mengelompokan kecamatan berdasarkan karakteristik jenis PMKS. Analisis clustering yang dipakai dalam penelitian ini merupakan Fuzzy C-Means (FCM). FCM ialah teknik pengelompokan data yang keberadaan setiap data dalam cluster dipastikan oleh nilai keanggotaan. Hasil pengelompokkan kabupaten di Kabupaten Bojonegoro berdasarkan jenis penyandang masalah kesejahteraan sosial dibagi menjadi 2 cluster (tinggi dan rendah) dengan nilai silhouette 0,7275 yang menunjukkan kekuatan cluster mempunyai struktur kuat. Terdapat 7 kecamatan dengan penyandang masalah kesejahteraan sosial yang tinggi dan tergolong dalam cluster 1. Di cluster 2 terdapat 21 kecamatan dengan penyandang masalah kesejahteraan sosial yang rendah dibandingkan dengan cluster 1.]]>
<![CDATA[Pengaruh Investasi Terhadap Pertumbuhan Ekonomi Jawa Timur ]]>
<![CDATA[Tiarra Dellaviyanie Muryanto]]>;
<![CDATA[Yuniar Farida]]>;
<![CDATA[Nurissaidah Ulinnuha]]>;
<![CDATA[Hani Khaulasari]]>;
<![CDATA[Dian Yuliati]]>
<![CDATA[ Jurnal Matematika Integratif Vol 18, No 2: Oktober 2022 ]]>
Publisher : <![CDATA[Department of Matematics, Universitas Padjadjaran ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (332.005 KB)
|
DOI: 10.24198/jmi.v18.n2.40732.157-166
<![CDATA[Pada masa pandemic Covid-19, pertumbuhan ekonomi Indonesia sempat mengalami penurunan. Hal ini juga terjadi pada beberapa daerah seperti Jawa Timur. Salah satu faktor yang berpengaruh terhadap pertumbuhan ekonomi adalah investasi, baik itu investasi asing (PMA) maupun investasi dalam negeri (PMDN). Penelitian ini bertujuan untuk menganalisis pengaruh PMDN dan PMA terhadap pertumbuhan ekonomi Jawa Timur. Metode yang digunakan dalam penelitian ini yaitu regresi linear berganda dengan estimasi parameter OLS (Ordinary Least Square). Metode OLS merupakan suatu metode regresi dengan meminimalkan nilai error kuadratnya. Hasil yang diperoleh pada penelitian ini yaitu PMDN berpengaruh terhadap pertumbuhan ekonomi secara signifikan sedangkan PMA tidak berpengaruh terhadap pertumbuhan ekonomi. Model menghasilkan R2 sebesar 53.7%. Penelitian ini diharapkan dapat memberikan informasi yang berguna bagi pengambil kebijakan untuk meningkatkan pertumbuhan ekonomi melalui investasi.]]>
<![CDATA[Optimasi Golden Section pada Metode Double Exponential Smoothing untuk Meramalkan Indeks Harga Konsumen di Indonesia ]]>
<![CDATA[Zumrotul Muallifah]]>;
<![CDATA[Wika Dianita Utami]]>;
<![CDATA[Hani Khaulasari]]>;
<![CDATA[M. Lail Kurniawan]]>
<![CDATA[ Statistika Vol. 23 No. 1 (2023): Statistika ]]>
Publisher : <![CDATA[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.v23i1.2183
<![CDATA[ABSTRAK Indeks Harga Konsumen (IHK) dapat digunakan sebagai indikator ekonomi dan ukuran tingkat biaya produksi, serta berguna dalam memantau tingkat kenaikan harga dan pendapatan. Pemerintah perlu secara berkala menyesuaikan kebijakan inflasi IHK untuk menjaga stabilitas situasi ekonomi rakyat, mengingat tingkat inflasi IHK berubah setiap bulan. Penelitian ini bertujuan untuk mengoptimalkan parameter dan melakukan peramalan IHK untuk periode November 2022 hingga Oktober 2023 menggunakan metode Double Exponential Smoothing Holt dengan optimasi parameter menggunakan metode Golden Section. Hasil penelitian menunjukkan bahwa MAPE (Mean Absolute Percentage Error) sebesar 0,8140406%, dengan nilai parameter optimal sebesar 0,9957141 dan 0,0127842. Peramalan menunjukkan tingkat stabilitas yang baik dari bulan November 2022 hingga Oktober 2023. ABSTRACT The Consumer Price Index (CPI) can be used as an economic index and a measure of production costs, and it is useful for examining price increases and income levels. The government needs to periodically adjust CPI inflation policies to ensure the stability of the people's economy since the CPI inflation rate changes every month. The research aims to obtain optimized parameter results and forecasts for the CPI from November 2022 to October 2023 using the Golden Section parameter optimization in Double Exponential Smoothing Holt. The research results using the Double Exponential Smoothing Holt method and Golden Section parameter optimization show an MAPE value of 0.8140406% and parameter values of 0.9957141 and 0.0127842. The forecasted results indicate a stable trend from November 2022 to October 2023.]]>
<![CDATA[Comparison of Support Vector Machine Performance with Oversampling and Outlier Handling in Diabetic Disease Detection Classification ]]>
<![CDATA[Firda Yunita Sari]]>;
<![CDATA[Maharani sukma Kuntari]]>;
<![CDATA[Hani Khaulasari]]>;
<![CDATA[Winda Ari Yati]]>
<![CDATA[ MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol 22 No 3 (2023) ]]>
Publisher : <![CDATA[LPPM Universitas Bumigora ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30812/matrik.v22i3.2979
<![CDATA[Diabetes mellitus is a disease that attacks chronic metabolism, characterized by the body’s inability to process carbohydrates, fats so that glucose levels are high. Diabetes mellitus is the sixth cause of death in the world. Classifying data about diabetes mellitus makes it easier to predict the disease. As technology develops, diabetes mellitus can be detected using machine learning methods. The method that can be done is the support vector machine. The advantage of SVM is that it is very effective in completing classification, so it can quickly separate each positive and negative point. This study aimed to obtain the best SVM classification model based on accuracy, sensitivity, and precision values in detecting diabetes by adding Synthetic Minority Over-Sampling Technique (SMOTE) and handling outliers. The SMOTE method was applied to handle class imbalance. The Support Vector Machine (SVM) method aimed to produce a function as a dividing line or what can be called a hyperplane that matches all input data with the smallest possible error. The data studied were indications of diabetes, consisting of 8-factor variables and 1 class variable. The test results show that the SVM-SMOTE scenario produces the best accuracy. The SVM SMOTE scenario produced an accuracy value of the RBF kernel of 88% with an error of 12%, and this is obtained from the division of test data and training data of 90:10. This SVM-SMOTE scenario produced a precision value of 0.880 and a sensitivity value of 0.880. The research results showed that factor classification was more accurate if it is carried out using the support vector machine (SVM) method with imbalance data handling (SMOTE), and it can be concluded that the distribution of test data and training data influences a test scenario.]]>
