Article Per Year (5 Year)
p-Index From 2021 - 2026
1.633
P-Index
This Author published in this journals
All Journal MATEMATIKA Jurnal Mahasiswa Prodi SI Akuntansi ESTIMASI: Journal of Statistics and Its Application Jurnal Pengabdian Masyarakat Ilmu Terapan (JPMIT) ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Biology, Chemistry, Mathematics and Physics Education Journal of Mathematics, Computation and Statistics (JMATHCOS)
Irma Yahya
Prodi Akuntansi Fakultas Ekonomi Universitas Pasir Pengaraian
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Modeling the Percentage of Poor Population in Sulawesi Island Using Kernel Estimation in Priestley-Chao Semiparametric Regression Ampa, Andi Tenri; Makkulau, Andi Tenri Pannangngareng; Ome, Lilis La; Ihwal, Muhammad; Yahya, Irma; Makkulau, Makkulau
Journal of Mathematics, Computations and Statistics Vol. 8 No. 1 (2025): Volume 08 Nomor 01 (April 2025)
Publisher : Jurusan Matematika FMIPA UNM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35580/jmathcos.v8i1.8761

Abstract

This study aims to model the data on the Percentage of Poor Population in Sulawesi Island in 2023, considering various factors that influence poverty. Eradicating extreme poverty has become a top priority to be achieved by 2030. This study examines the influence of several variables, such as Open Unemployment Rate, Human Development Index, Labor Force Participation Rate, Average Length of Schooling, Percentage of Access to Proper Sanitation, and Gross Regional Domestic Product, on the Percentage of Poor Population in Sulawesi Island, using the Kernel Priestley-Chao estimation in Semiparametric regression with an Ordinary Least Square approach. This study also applies the selection of optimal bandwidth using the minimum Generalized Cross Validation method with an optimal bandwidth of 0.991, resulting in a Mean Absolute Percentage Error value of 16.32%. The model shows excellent estimation results, with a residual coefficient value of 69% used to model the Percentage of Poor Population data with a high level of accuracy. The data used partially has a parametric pattern, while some do not have a specific pattern, and there are outliers.
Implementasi Model Long Short Term Memory (LSTM) Pada Proyeksi Harga Saham (Studi Kasus: PT. Pertamina Geothermal Energy (Persero)) Arisona, Dian Christien; Agusrawati, Agusrawati; Makkulau, Makkulau; Yahya, Irma; Wibawa, Gusti Ngurah Adhi; Baharuddin, Baharuddin; Fahyuni, Putri Riski
ESTIMASI: Journal of Statistics and Its Application Vol. 6, No. 2, Juli, 2025 : Estimasi
Publisher : Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/ejsa.v6i2.44963

Abstract

This research presents a comprehensive analysis of the Long Short Term Memory (LSTM) method in projecting the stock price of PT. Pertamina Geothermal Energy (Persero). Utilizing daily stock price data, the LSTM model achieves a high level of accuracy with a Mean Absolute Percentage Error (MAPE) value of 0.84%. The LSTM's gate mechanism (input, forget, output) enables it to store long-term information, controlling the flow of information to update memory, delete irrelevant data, and generate predictions. Optimized with backpropagation through time (BPTT) and activation functions, the LSTM model proves effective in investment decision making, providing valuable insights for investors and market players to anticipate stock price fluctuations. This research demonstrates the great potential of machine learning in financial analysis, particularly in stock price projection and time series analysis. The results indicate that LSTM can be a valuable tool for investors and financial analysts, enhancing their ability to make informed decisions.
Analisis Faktor-faktor yang Mempengaruhi Gini Rasio di Indonesia menggunakan Regresi Data Panel Nurhidayah, Raufika; Yahya, Irma; Laome, Lilis
Arus Jurnal Sains dan Teknologi Vol 3 No 2: Oktober (2025)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tujuan penelitian ini untuk menganalisis faktor-faktor yang mempengaruhi gini rasio di Indonesia menggunakan regresi data panel. Regresi data panel adalah salah satu metode statistika yang digunakan untuk melihat pengaruh beberapa variabel prediktor terhadap variabel respon dengan struktur data berupa data panel. Dalam mengestimasi model regresi data panel terdapat tiga pendekatan yang dapat dilakukan, yaitu common effect model (CEM), fixed effect model (FEM) dan random effect model (REM). Berdasatkan hasil pengujian parameter dengan regresi data panel data disimpulkan bahwa model yang tepat untuk menganalisis gini rasio di Indonesia tahun 2021-2023 menggunakan pendekatan REM. Berdasarkan pendekatan REM diperoleh model regresi  dimana variabel yang mempengaruhi gini rasio di Indonesia adalah IPM, pengeluaran per kapita riil, persentase penduduk miskin dan laju pertumbuhan ekonomi.
Analisis Regresi Multivariat Profitabilitas Bank Pembangunan Daerah di Indonesia Tahun 2023 Rahman, Faridatun Maghfirah; Yahya, Irma; Agusrawati
Arus Jurnal Sains dan Teknologi Vol 3 No 2: Oktober (2025)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Regresi merupakan analisis yang digunakan untuk mengetahui hubungan antar variabel terikat dan variabel mengikat. Dalam beberapa kasus khususnya pada bidang ekonomi dan perbankan menunjukkan adanya lebih dari satu variabel terikat yang dapat terpengaruhi oleh variabel mengikat, sehingga dalam menganalisisnya digunakan jenis regresi multivariat. Penelitian ini bertujuan untuk menerapkan analisis regresi multivariat pada data perbankan agar ditemukan faktor yang mempengaruhi profitabilitas bank BPD di Indonesia dan didapatkan model yang sesuai. Kasus yang diambil adalah pengaruh Non Performing Loan (NPL), Loan to Deposit Ratio (LDR), Baiya Operasional terhadap Pendapatan Operasional (BOPO), Capital Adequacy Ratio (CAR), Net Interest Margin (NIM), dan Dana Pihak Ketiga (DPK) bank BPD di Indonesia tahun 2023. Dari hasil uji spesifikasi yang dilakukan dalam penelitian ini diperoleh model persamaan regresi multivariat yaitu dan .Regresi merupakan analisis yang digunakan untuk mengetahui hubungan antar variabel terikat dan variabel mengikat. Dalam beberapa kasus khususnya pada bidang ekonomi dan perbankan menunjukkan adanya lebih dari satu variabel terikat yang dapat terpengaruhi oleh variabel mengikat, sehingga dalam menganalisisnya digunakan jenis regresi multivariat. Penelitian ini bertujuan untuk menerapkan analisis regresi multivariat pada data perbankan agar ditemukan faktor yang mempengaruhi profitabilitas bank BPD di Indonesia dan didapatkan model yang sesuai. Kasus yang diambil adalah pengaruh Non Performing Loan (NPL), Loan to Deposit Ratio (LDR), Baiya Operasional terhadap Pendapatan Operasional (BOPO), Capital Adequacy Ratio (CAR), Net Interest Margin (NIM), dan Dana Pihak Ketiga (DPK) bank BPD di Indonesia tahun 2023. Dari hasil uji spesifikasi yang dilakukan dalam penelitian ini diperoleh model persamaan regresi multivariat yaitu 
Pemodelan Geographically Weighted Regression (GWR) pada Indeks Pembangunan Manusia di Pulau Papua Mentari, Niskal; Ampa, Andi Tenri; Ihwal, Muhammad; Ruslan, Ruslan; Yahya, Irma; Arisona, Dian Christien
Jurnal Biochamp Vol 3 No 1 (2026): Februari
Publisher : Science, Technology and Education Care (STEDCA)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61761/biochamp.3.1.1-12

Abstract

Indeks Pembangunan Manusia (IPM) adalah indikator penting yang digunakan untuk mengukur pembangunan suatu wilayah. Tujuan penelitian ini adalah untuk mendapatkan pemodelan IPM serta mengidentifikasi faktor-faktor yang mempengaruhi IPM di Pulau Papua dengan mempertimbangkan heterogenitas spasial. metode yang diterapkan dalam penelitian ini digunakn pendekatan geografis yaitu Geographically Weighted Regression (GWR) dalam memodelkan IPM. Variabel penelitian mencakup indeks pembangunan manusia di Pulau Papua sebagai variabel respons (Y), dan variabel prediktor (X) yaitu angka kematian bayi (X1), persentase penduduk miskin (X2), akses terhadap sanitasi layak (X3), dan tingkat pengangguran terbuka (X4). Model GWR merupakan pengembangan dari model regresi spasial dimana setiap parameter dihitung setiap lokasi pengamatan, sehingga setiap lokasi akan memiliki interpretasi yang berbeda-beda. Fungsi pembobot dalam pemodelan GWR ini adalah Fixed Kernel Gaussian. Hasil penelitian menunjukan bahwa semua variabel prediktor berpengaruh terhadap IPM di Pulau Papua. Model GWR didapatkan akurasi R2 98,38% dan AIC 164,7. R2 menunjukkan kemampuan menjelaskan 98,38% variabilitas data respon, dan nilai AIC 164,7 yang mencerminkan efisiensi serta kecocokan model terhadap data spasial. Dari parameter GWR terbentuk 9 kelompok dimana terdapat beberapa faktor yang berbeda-beda pada setiap daerah di kabupaten/kota yang ada di Pulau Papua
Co-Authors adam, Pasrun Adhi Wibawa, Gusti Ngurah Agusrawati Agusrawati, Agusrawati Andi Tenri Ampa Arisona, Dian Christien Arman Arman Asrat, Chafifah Apriliani Baharuddin Baharuddin Baharuddin Bahriddin Abapihi Dewintha, Astyan Fahyuni, Putri Riski I Nyoman Budiantara Ihwal, Muhammad Jufra, Jufra Kartika Fitriasari La Ode Saidi Lilis Laome Makkulau Makkulau Makkulau Makkulau, Andi Tenri Pannangngareng Mentari, Niskal Nurhidayah, Raufika Ome, Lilis La Rahman, Faridatun Maghfirah Ruslan Ruslan Wibawa, Gusti N.A. Wibawa, Gusti Ngurah Adhi