Article Per Year (5 Year)
p-Index From 2020 - 2025
0.882
P-Index
This Author published in this journals
All Journal Natural Science: Journal of Science and Technology Media Statistika Jurnal Gaussian JURNAL ILMIAH MATEMATIKA DAN TERAPAN BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Aplikasi Statistika & Komputasi Statistik
Iut Tri Utami
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Energy Engineering Mathematics Mechanical Engineering Physics Transportation Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
PENERAPAN METODE BOOSTING PADA CART UNTUK MENGKLASIFIKASIKAN KORBAN KECELAKAAN LALU LINTAS DI KOTA PALU Susiana, Luluk; Utami, Iut Tri; Junaidi, Junaidi
Natural Science: Journal of Science and Technology Vol 8, No 2 (2019): Volume 8 Number 2 (August 2019)
Publisher : Univ. Tadulako

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (395.793 KB)

Abstract

Kota Palu sebagai ibu kota Provinsi Sulawesi Tengah dengan kecelakaan lalu lintas  yang cukup tinggi yang setiap tahunnya memiliki kematian sekitar 365 jiwa. Kecelakaan lalu lintas dipengaruhi oleh beberapa faktor, diantaranya jenis pelanggaran, jenis kecelakaan, dan lain-lain. Tujuan yang akan dicapai dalam penelitian ini adalah untuk menentukan ketepatan klasifikasi pada korban kecelakaan lalu lintas di Kota Palu dengan menggunakan metode boosting serta faktor-faktor yang mempengaruhinya. Hasil dari penelitian ini menunjukkan bahwa ketepatan klasifikasi metode boosting sebesar 82% dan  metode CART sebesar 77,9%. Hasil tersebut menunjukkan bahwa metode boosting dapat meningkatan tingkat akurasi. Sedangkan faktor-faktor yang mempengaruhi korban kecelakaan lalu lintas di Kota Palu adalah faktor jenis kecelakaan (X1), peran korban dalam kecelakaan (X4), jenis pelanggaran (X7) dan usia (X3) korban kecelakaan lalu lintas di Kota Palu.
PENERAPAN AUTOREGRESSIVE DISTRIBUTED LAG (ARDL) DALAM MEMODELKAN PENGARUH INDEKS HARGA KONSUMEN (IHK) KELOMPOK BAHAN MAKANAN DAN KELOMPOK MAKANAN JADI TERHADAP INFLASI DI KOTA PALU Tulak, Dewi Yuliastuti; Junaidi, Junaidi; Utami, Iut Tri
Natural Science: Journal of Science and Technology Vol 6, No 3 (2017): Volume 6 Number 3 (December 2017)
Publisher : Univ. Tadulako

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (430.546 KB)

Abstract

Inflasi adalah suatu proses meningkatnya harga-harga secara umum dan terus-menerus berkaitan dengan mekanisme pasar. Inflasi merupakan salah satu indikator yang digunakan untuk mengukur stabilitas harga suatu barang di pasar. Indikator ini akan berdampak terhadap dinamika pertumbuhan ekonomi. Dalam penelitian ini, dilakukan analisis pengaruh indeks harga konsumen bahan makanan dan makanan jadi terhadap laju inflasi di kota Palu. Model yang digunakan adalah model Autoregressive Distributed Lag (ARDL) yaitu suatu model regresi dengan memasukkan nilai variabel yang menjelaskan nilai masa kini atau nilai masa lalu dari variable bebas sebagai salah satu variabel penjelas. Hasil penelitian ini menunjukkan bahwa tidak terdapat kointegrasi antar variabel dan model yang didapatkan yang menunjukkan bahwa harga bahan makanan berpengaruh terhadap inflasi di Kota Palu.
ANALISIS REGRESI LOGISTIK BINER UNTUK MENGKLASIFIKASI PENDERITA HIPERTENSI BERDASARKAN KEBIASAAN MEROKOK DI RSU MOKOPIDO TOLI-TOLI Misna, Misna; Rais, Rais; Utami, Iut Tri
Natural Science: Journal of Science and Technology Vol 7, No 3 (2018): Volume 7 Number 3 (December 2018)
Publisher : Univ. Tadulako

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (224.718 KB)

Abstract

Hipertensi adalah suatu penyakit yang disebabkan oleh peningkatan abnormal tekanan darah, baik tekanan darah sistolik maupun tekanan darah diastolik. Salah satu faktor resiko terjadinya hipertensi adalah kebiasaan merokok. Penelitian ini bertujuan untuk mendapatkan klasifikasi penderita hipertensi di RSU Mokopido Toli-toli dengan menggunakan regresi logistik biner. Variabel respon yang digunakan dalam penelitian yaitu hipertensi (Y) yang dikategorikan jadi dua kategori yaitu hipertensi dan tidak hipertensi. Variabel prediktor yang diteliti adalah kebiasaan merokok yang berupa lama merokok (X1), jumlah rokok yang dihisap (X2), jenis rokok yang dihisap (X3), cara menghisap rokok (X4), jenis kelamin (X5) dan usia (X6). Dari hasil penelitian menunjukkan bahwa faktor-faktor yang mempengaruhi penderita hipertensi adalah lama merokok (X1), jenis rokok yang dihisap (X3) dan cara menghisap rokok (X4). Persamaan regresi logistik biner dengan fungsi logit yang dihasilkan adalah g(x) = 0,981+ 2,478X1- 2,364X3+1,549X4 . Nilai ketepatan klasifikasi penderita hipertensi dengan menggunakan analisis regresi logistik biner yaitu sebesar 77,6%
Perbandingan Klasifikasi Status Pendonor Darah dengan Menggunakan Regresi Logistik dan K-Nearest Neighbor Iut Tri Utami; Fadjryani Fadjryani; Diah Daniaty
Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 1 (2020): Journal of Statistical Application and Computational Statistics
Publisher : Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34123/jurnalasks.v12i1.217

Abstract

Donor Darah Sukarela (DDS) adalah orang yang dengan sukarela mentranfusikan darahnya kepada orang lain. Banyaknya DDS yang rutin mendonorkan darahnya dapat memenuhi kebutuhan darah di Palang Merah Indonesia (PMI) setiap harinya. Syarat yang diberlakukan PMI menyebabkan calon pendonor darah dapat diklasifikasikan menjadi layak dan tidak layak dalam mendonorkan darahnya. Salah satu cara untuk menentukan pola prediksi status kelayakan calon pendonor darah di PMI adalah dengan menggunakan regresi logistik biner dan k-Nearest Neighbor (kNN). Peubah yang signifikan mempengaruhi kelayakan calon pendonor darah adalah kadar Haemoglobin. Akurasi yang dihasilkan oleh metode regresi logistik biner dan kNN pada penelitian ini adalah 93% dan 79%.
MODIFIKASI DALAM PENAKSIR RASIO MENGGUNAKAN RANK SET SAMPLING Iut Tri Utami
JURNAL ILMIAH MATEMATIKA DAN TERAPAN Vol. 7 No. 1 (2010)
Publisher : Program Studi Matematika, Universitas Tadulako

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22487/2540766X.2010.v7.i1.30

Abstract

Penelitian ini bertujuan untuk memodifikasi penaksir rasio dengan menggunakan Rank Set Sampling mrssRˆ .  Varians  dari  penaksir  ini  akan  diperoleh  dan  dibandingkan  dengan  varians  rasio  Rank  Set Sampling klasik rssRˆ . Dengan kondisi perbandingan ini menghasilkan penaksir yang dimodifikasi lebih efisien daripada penaksir klasik.
METODE ENSEMBLE ROBUST CLUSTERING USING LINKS (ROCK) UNTUK PENGELOMPOKAN PERGURUAN TINGGI SWASTA (PTS) DI KOTA SEMARANG Jannah, Berliana; Utami, Iut Tri; Hakim, Arief Rachman
Jurnal Gaussian Vol 12, No 3 (2023): Jurnal Gaussian
Publisher : Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/j.gauss.12.3.445-452

Abstract

The purpose of this research is to group PTS that have performance achievements in five years, through the quality of Human Resources and Students (Input), the quality of Institutional Management (process), the quality of Short-Term Performance Achievements (Output) and the quality of Long-Term Performance Achievements (Outcome). In addition, it can also be seen from the form of PTS, PTS Accreditation and PTS Research Performance. This PTS grouping uses mixed data, namely numerical data and categorical data. The method used for grouping mixed data is the ROCK ensemble method (Robust Clustering Using Links). The results of clustering numerical data obtained the optimum number of groups 3, on categorical data obtained the optimum group 4. After clustering each type of data and merging and clustering obtained the optimum group 3 with a threshold (θ) is 0.2. The results of each group are: low quality consist of 29 PTS, medium quality consist of 7 PTS, and high quality there is 1 PTS. The results of this research can be used to cluster private universities in Semarang City, so that it can be used as a reference for prospective students in choosing private universities in Semarang, and can be referenced to the Central Java LLDIKTI in determining the quality of private universities in Semarang City.
ANALISIS SENTIMEN KEBIJAKAN PENYELENGGARA SISTEM ELEKTRONIK LINGKUP PRIVAT MENGGUNAKAN PENALIZED LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE Amalia, Nur Afnita; Utami, Iut Tri; Wilandari, Yuciana
Jurnal Gaussian Vol 12, No 4 (2023): Jurnal Gaussian
Publisher : Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/j.gauss.12.4.560-569

Abstract

The implementation of the Electronic System Operator (ESO) regulation, which imposes blocking sanctions on several ESOs that do not register, has caused a variety of opinions from the public, especially on social media Twitter to raise the hashtag #BlokirKominfo. In this research, sentiment analysis was carry outed to determine the response of Twitter users to the implementation of ESO regulations by MoCI. Sentiment analysis is a textual information extraction process that classifies sentiment into positive and negative categories. The steps that are used including crawling data, text preprocessing, labeling, feature selection, term weighting with TF-IDF and classification using the Penalized Logistic Regression (PLR) with the L1 regularization and Support Vector Machine (SVM) with the RBF kernel. Sentiment classification in PLR is basically finding the optimal weight parameter. The idea of SVM sentiment classification is to find the best hyperplane to separate the data points. Evaluation of classification performance uses the accuracy value calculated through the confusion matrix. The highest percentage of accuracy in sentiment classification results using the PLR is 84,12% and SVM is 83,53%. It means that the PLR algorithm works better than the SVM algorithm in classifying public sentiment towards the implementation of ESO regulations on Twitter.
FAKTOR-FAKTOR YANG MEMPENGARUHI KONSUMEN DALAM KEPUTUSAN PEMBELIAN SEPEDA MOTOR HONDA PADA CV. ANUGERAH PERDANA MONGINSIDI PALU DENGAN MENGGUNAKAN KOEFISIEN KONTINGENS Rancendo, H M; Nur'eni, Nur'eni; Utami, Iut Tri
JURNAL ILMIAH MATEMATIKA DAN TERAPAN Vol. 11 No. 1 (2014)
Publisher : Program Studi Matematika, Universitas Tadulako

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (526.593 KB) | DOI: 10.22487/2540766X.2014.v11.i1.7469

Abstract

FAKTOR-FAKTOR YANG MEMPENGARUHI KONSUMEN DALAM KEPUTUSAN PEMBELIAN SEPEDA MOTOR HONDA PADA CV. ANUGERAH PERDANA MONGINSIDI PALU DENGAN MENGGUNAKAN KOEFISIEN KONTINGENS
K-MEANS CLUSTER COUNT OPTIMIZATION WITH SILHOUETTE INDEX VALIDATION AND DAVIES BOULDIN INDEX (CASE STUDY: COVERAGE OF PREGNANT WOMEN, CHILDBIRTH, AND POSTPARTUM HEALTH SERVICES IN INDONESIA IN 2020) Utami, Iut Tri; Suryaningrum, Fahlevi; Ispriyanti, Dwi
BAREKENG: Jurnal Ilmu Matematika dan Terapan Vol 17 No 2 (2023): BAREKENG: Journal of Mathematics and Its Applications
Publisher : PATTIMURA UNIVERSITY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/barekengvol17iss2pp0707-0716

Abstract

One of the causes of the increasing maternal mortality rate in Indonesia is the declining performance of maternal health services in each Indonesian province. To overcome the decline in performance, namely by determining in advance the provinces that need to be prioritized for services by grouping 34 provinces in Indonesia. This study aims to obtain the best provincial grouping results so that it can prioritize the right provinces. One of the methods that are suitable for grouping provinces is K-Means because it is simple and easy to implement. The disadvantage of K-Means is that it is sensitive to determining the right number of initial clusters, so Silhouette Index and Davies Bouldin Index validation is used to obtain the optimal number of clusters with stable and consistent results. This study used healthcare data for pregnant women, childbirth, and postpartum with K=2, 3, and 4 as the initial cluster number. K-Means objects are grouped in similarities using Euclidean and Manhattan distances. The result obtained was the optimal number of clusters with K=2 using Manhattan, where the highest Silhouette Index value was 0,658685 and the lowest Davies Bouldin Index was 0,3561214 which met the criteria for determining the optimal cluster.
BREAST CANCER CLASSIFICATION USING SUPPORT VECTOR MACHINE (SVM) AND LIGHT GRADIENT BOOSTING MACHINE (LIGHTGBM) MODELS Kartikasari, Puspita; Utami, Iut Tri; Suparti, Suparti; Rahman, Syair Dafiq Faizur
MEDIA STATISTIKA Vol 16, No 2 (2023): Media Statistika
Publisher : Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/medstat.16.2.182-193

Abstract

This study examines the existence of breast cancer from the perspective of statistics as one alternative solution. From a statistical point of view, breast cancer management can be done with early detection and appropriate and fast treatment measures through diagnosis classification. In conducting early detection, an accurate diagnosis model is needed and can be developed by developing and testing statistical methods, one of which is the classification method. The classification methods used in this study are Support Vector Machine (SVM) and LightGBM. Both methods have a high level of classification accuracy because the algorithm used is robust and sensitive in determining each object in the classification member. Therefore, these two methods classify breast cancer into malignant and benign categories. The results of this study show that the best method to classify breast cancer is the SVM method, with an accuracy rate of 97.9%.
Co-Authors Amalia, Nur Afnita Arief Rachman Hakim Diah Daniaty Dwi Ispriyanti Fadjryani, Fadjryani Jannah, Berliana Junaidi Junaidi Nureni, Nureni Puspita Kartikasari Rahman, Syair Dafiq Faizur Rais Rais Rancendo, H M Suparti Suparti Suryaningrum, Fahlevi Susiana, Luluk Tulak, Dewi Yuliastuti Yuciana Wilandari ZK Abdurahman Baizal