Article Per Year (5 Year)
p-Index From 2020 - 2025
4.463
P-Index
This Author published in this journals
All Journal JPMS (Jurnal Pendidikan Matematika dan Sains) Jurnal Penelitian Saintek Pythagoras: Jurnal Matematika dan Pendidikan Matematika Jurnal Ilmu Dasar Jurnal Sains Dasar TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Riset Pendidikan Matematika AKSIOMA: Jurnal Program Studi Pendidikan Matematika JPPM (JURNAL PENELITIAN DAN PEMBELAJARAN MATEMATIKA) Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Jurnal Pendidikan Matematika (Kudus) AMM Jurnal Pendidikan dan Kebudayaan Jurnal Statistika dan Matematika (Statmat) Annals of Mathematical Modeling Annals of Mathematical Modeling Jurnal Statistika dan Sains Data Jurnal Kajian dan Terapan Matematika Jurnal Pedagogi Matematika Journal on Mathematics Education
Dhoriva Urwatul Wutsqa
Universitas Negeri Yogyakarta
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 51 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Jurnal Statistika dan Sains Data

 1 
Pemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan di Provinsi Nusa Tenggara Barat dengan Menggunakan Regresi Spasial Puspita, Maya Novia; Wutsqa, Dhoriva Urwatul
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

Abstract

Kemiskinan adalah masalah global yang paling besar dihadapi di Indonesia, khususnya daerah timur yaitu Nusa Tenggara Barat. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi kemiskinan di Provinsi Nusa Tenggara Barat. Data yang digunakan berupa data spasial karena data pada penelitian ini adalah data berdasarkan Kabupaten/Kota di Provinsi Nusa Tenggara Barat tahun 2020. Teknik analisis data yang digunakan adalah analisis regresi spasial. Hasil dari penelitian ini menunjukkan bahwa Spatial Autoregressive Model (SAR) adalah model terbaik dan layak digunakan. Faktor-faktor yang secara signifikan mempengaruhi kemiskinan di provinsi Nusa Tenggara Barat adalah indeks pembangunan manusia, tingkat pengangguran terbuka, persentase buta huruf, laju pertumbuhan penduduk, kepadatan penduduk, persentase penduduk tidak bersekolah lagi, dan garis kemiskinan. Nilai koefisien determinasi yang dihasilkan adalah 99.97%, sehingga dapat disimpulkan bahwa faktor-faktor tersebut berpengaruh terhadap kemiskinan sebesar 99.97% dan sisanya dipengaruhi oleh faktor lainnya
PREDIKSI HARGA SAHAM PADA SEKTOR PERBANKAN MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY Janastu, I Nyoman Cerdas; Wutsqa, Dhoriva Urwatul
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

Abstract

Saham pada sektor perbankan merupakan salah satu pilihan yang banyak diminati oleh para investor. Pergerakan harga saham cepat berubah, sehingga untuk meminimalisir risiko kerugian perlu dilakukan prediksi harga saham. Tujuan penelitian ini adalah (1) mengetahui model Long Short-Term Memory (LSTM) dalam memprediksi harga saham pada sektor perbankan dan (2) mengetahui kinerja atau performa dari model Long Short-Term Memory (LSTM) dalam melakukan prediksi harga saham pada sektor perbankan. Data yang digunakan merupakan data hafrian harga penutupan saham pada sektor perbankan dari tanggal 4 Januari 2021 sampai 28 Maret 2023. Tahapan penelitian mencakup (1) input data untuk mengambil data harga penutupan saham; (2) pre-processing data untuk memeriksa nilai data yang hilang; (3) pembagian data untuk membagi data menjadi data training dan data testing dengan rasio 80:20; (4) normalisasi data untuk mengubah data menjadi skala yang sama; (5) rekonstruksi data untuk mengubah data menjadi bentuk sequence; (6) pelatihan model yang terdiri dari dua layer LSTM dan satu layer Dense menggunakan data training; dan (7) pengujian model pada data testing serta evaluasi hasil prediksi menggunakan MAPE dan RMSE. Hasil penelitian menunjukkan kinerja atau performa model yang sangat baik dalam melakukan prediksi harga saham pada sektor perbankan. Nilai MAPE testing pada BBCA, BBNI, BBRI, BBTN, dan BMRI masing-masing adalah 1,47%, 1,77%, 1,69%, 3,02%, dan 2,00%.
PENGARUH KURS, SUKU BUNGA, DAN IHSG TERHADAP NILAI AKTIVA BERSIH REKSA DANA MENGGUNAKAN AUTOREGRESSIVE DISTRIBUTED LAG Hanifa, Amelia Rifka; Wutsqa, Dhoriva Urwatul; Setiawan, Ezra Putranda
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

Abstract

Saat ini masyarakat Indonesia memiliki minat yang cukup tinggi untuk investasi melalui reksa dana karena dirasa memberikan imbal hasil yang cukup tinggi. Untuk memaksimalkan hasil, investor perlu memilih reksa dana dengan kinerja yang baik. Kinerja reksa dana dapat diukur dengan menggunakan NAB reksa dana. NAB reksa dana dipengaruhi oleh faktor makroekonomi di Indonesia, misalnya Kurs, Suku Bunga, dan IHSG. Penelitian ini bertujuan untuk membuktikan pengaruh secara simultan dan parsial dari Kurs, Suku Bunga, dan IHSG terhadap NAB reksa dana tipe Fixed Income Fund, Global Fund, dan Money Market Fund. Data yang digunakan dalam penelitian ini yaitu data nilai Kurs, Suku Bunga, IHSG, dan NAB reksa dana tipe Fixed Income Fund, Global Fund, dan Money Market Fund. Penelitian ini dilakukan menggunakan Metode Autoregressive Distributed Lag(ADL). Adapun tahapan yang dilakukan yaitu pengujian stasioneritas, uji kointegrasi, pemilihan lag optimum, pemodelan ADL jika tidak terdapat kointegrasi, dan uji asumsi klasik. Hasil penelitian menunjukkan bahwa NAB Reksa Dana Fixed Income Fund dipengaruhi Suku Bunga secara negatif signifikan pada lag1 dan lag5, serta dipengaruhi suku bunga secara positif signifikan pada lag2. NAB Reksa Dana Global Fund tidak dipengaruhi secara signifikan oleh faktor ekonomi di Indonesia. NAB Money Market Fund dipengaruhi secara signifikan oleh NAB reksa dana Money Market Fund pada lag4, Suku Bunga pada lag5, Kurs pada lag1,dan IHSG pada lag3.
PENERAPAN METODE ENSEMBLE CLUSTERING PADA PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR BERDASARKAN INDIKATOR PEMBANGUNAN EKONOMI Priansyah, Syifa Nafi'ah; Wutsqa, Dhoriva Urwatul
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

Abstract

Pembangunan Ekonomi Regional merupakan pembangunan dimana pemerintah daerah dan warga negara bekerja sama untuk mengelola sumber daya yang ada. Pembangunan ekonomi pada Provinsi Jawa Timur mengalami ketimpangan yang terus berlanjut dikarenakan kesenjangan yang lebar antara kabupaten dan kota tertinggi dan terendah dalam hal PDRB per kapita. Berdasarkan fakta-fakta ini, pertumbuhan ekonomi di Provinsi Jawa Timur harus didistribusikan secara merata. Tujuan dari penelitian ini adalah menggunakan pendekatan Ensemble clustering untuk mengkategorikan dan mengidentifikasi fitur kabupaten dan kota Provinsi Jawa Timur menurut indikator pembangunan ekonomi. Penelitian ini memanfaatkan data sekunder yang dikumpulkan oleh Badan Pusat Statistik. Ada total tiga belas variabel yang terdiri dari sembilan numerik dan tiga kategori. Dimana pendekatan K-Means digunakan untuk data numerik dan metode K-modes untuk data kategorikal. Analisis yang dilakukan oleh pendekatan Ensemble clustering memanfaatkan hasil dari kedua metode tersebut. Penelitian ini menggunakan penggunaan Davies Bouldin Index (DBI) dan Pseudo F-Statistics untuk tujuan validasi. Hasil penelitian pengelompokan menggunakan metode Ensemble clustering didapatkan sebanyak 3 cluster dimana dilakukan pemeringkatan berdasarkan tingkatan. Dimana tingkat 3 memiliki 12 objek dengan tingkat pembangunan ekonomi tergolong rendah atau tingkat 3, dikarenakan memiliki nilai PDRB terendah dan angka kemiskinan yang tinggi. Sedangkan pada tingkat 1 terdapat 14 objek yang tergolong kedalam tingkat pembangunan ekonomi maju dimana pada cluster ini memiliki nilai PDRB tertinggi dan angka kemiskinan terendah. Selanjutnya tingkat yang terakhir yaitu tingkat 2 yang memiliki 12 objek dimana tingkat pembangunan ekonomi pada cluster ini tergolong menengah.
PREDIKSI ARAH HARGA SAHAM PT TELEKOMUNIKASI INDONESIA TBK DENGAN METODE SUPPORT VECTOR MACHINE (SVM) Damayanti, Retno; Wutsqa, Dhoriva Urwatul
Jurnal Statistika dan Sains Data Vol 2, No 2 (2025): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jssd.v2i2.18085

Abstract

Saham PT. Telekomunikasi Indonesia Tbk merupakan salah satu saham yang menjadi incaran banyak manajer investasi. Penelitian ini bertujuan untuk memprediksi arah harga saham PT. Telekomunikasi Indonesia Tbk dengan menggunakan metode Support Vector Machine (SVM). Variabel input yang digunakan dalam penelitian ini ada sebanyak sepuluh indikator teknikal yaitu simple 10-day moving average, weighted 10-day moving average, momentum, stochastic %K, stochastic %D, relative strength index, moving average convergence divergence, williams %R, accumulative/distribution oscillator, on balance volume. Metode SVM merupakan salah satu metode machine learning yang dapat digunakan untuk menyelesaikan masalah prediksi. Dalam penelitian ini menggunakan empat fungsi kernel yaitu linear, polinomial, RBF, dan sigmoid kernel. Hasil penelitian ini menunjukkan model terbaik adalah SVM dengan fungsi RBF kernel yang menghasilkan  nilai akurasi untuk data training sebesar 93,26% dan nilai akurasi untuk data testing sebesar 60,22%. Model SVM dengan fungsi RBF kernel dapat digunakan untuk memprediksi arah harga saham PT. Telekomunikasi Indonesia Tbk dengan nilai akurasi yang cukup baik untuk data testing, dan nilai akurasi yang sangat baik untuk data training.
Co-Authors AA Sudharmawan, AA Agus Maman Abadi Alfizah Ayu Indria Sari Arifah Muzayyanah Arsyil Waritsman Ayu Aji Wedaring Tias Bayutama Isnaini Bayutama Isnaini Berta Nurwidyastuti Brilliant, Indira Ihnu Brodjol Sutijo Curie Putri Hijrihani Endang Listyani Ezra Putranda Setiawan Ezra Putranda Setiawan Ezra Putranda Setiawan Ezra Putranda Setiawan Firda Hariyanti Hanifa, Amelia Rifka Hanna Filen Sopia Ihsan Aji Nugroho Isnaini, Bayutama Janastu, I Nyoman Cerdas Karyati ' Karyati Karyati Kismiantini Kismiantini Konstantinus Denny Pareira Meke Manuela Visakha Maria Trisna Sero Wondo Muhammad fauzan Muhammad Fauzan Muhammad Fauzan Muhammad Istiqlal Muhammad Suhadak Muzayyanah, Arifah Netty Angie Nazamawati Nurlia Ningsih Prasari, An Naffila Putri Priansyah, Syifa Nafi'ah Prihastuti, Pusparani Puan Puspita, Maya Novia Rakhmat Wibowo Ratna Widianti Utami Retno Damayanti Retno Subekti Rifai Rifai Rina Susilowati Rinda Naviano Rohmah, Desti Nur Rosita Kusumawati Rosita Kusumawati Sahid Sahid Sahid Sahid Satriawan Satriawan Sri Rezeki subanar subanar Suhartono Suhartono Suhartono Suhartono Suryo Guritno Syarifah Inayati Syarifah Inayati Syarifah Inayati Trisnawati Ulfa Lu’luilmaknun Usi Susanti Winda Dwi Astuti Yogya Ardi Winata Zanzawi Soejoeti