Article Per Year (5 Year)
p-Index From 2021 - 2026
2.177
P-Index
This Author published in this journals
All Journal JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI Jurnal Teknik Informatika C.I.T. Medicom Jurnal Pembelajaran Pemberdayaan Masyarakat (JP2M) Jurnal Pengabdian kepada Masyarakat Nusantara Jurnal Teknimedia: Teknologi Informasi dan Multimedia Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Informatika Teknologi dan Sains (Jinteks) Bakti Sekawan : Jurnal Pengabdian Masyarakat
Nani Sulistianingsih
Universitas Muhammadiyah Mataram
Religion Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Health Professions Mathematics Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
PREDIKSI INFLASI PANGAN BERBASIS DATA IKLIM DAN HARGA KOMODITAS MENGGUNAKAN MODEL ARIMAX DI NTB Yunanda Arista; Nani Sulistianingsih; Muhammad Imam Dinata
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 1 (2026): EDISI 27
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i1.7272

Abstract

Inflasi pangan merupakan salah satu indikator penting inflasi daerah karena berpengaruh langsung terhadap daya beli masyarakat, khususnya di wilayah yang sangat bergantung pada sektor pertanian seperti Provinsi Nusa Tenggara Barat (NTB). Pergerakan inflasi pangan dipengaruhi oleh perubahan harga komoditas pangan serta faktor eksternal lain, termasuk kondisi iklim. Penelitian ini bertujuan membangun model peramalan inflasi pangan di Provinsi NTB menggunakan pendekatan Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX), dengan memasukkan harga komoditas pangan dan curah hujan sebagai variabel penjelas. Data yang digunakan berupa data bulanan periode 2018–2024 yang bersumber dari Badan Pusat Statistik (BPS) dan Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Hasil analisis menunjukkan bahwa kenaikan harga komoditas pangan berpengaruh positif dan signifikan terhadap inflasi pangan, sedangkan curah hujan tidak berpengaruh signifikan dalam jangka pendek. Kinerja model menghasilkan Mean Absolute Error (MAE) sebesar 0,357 dan Root Mean Square Error (RMSE) sebesar 0,478, dan hasil pengujian diagnostik residual menunjukkan bahwa model ARIMAX memenuhi persyaratan model untuk analisis yang valid. Berdasarkan hasil peramalan, inflasi pangan di Provinsi NTB pada periode 2025–2026 diproyeksikan relatif stabil pada tingkat moderat.
PREDIKSI STATUS KERJA MENGGUNAKAN MACHINE LEARNING PADA DATA SENSUS ANGKATAN KERJA DI NTB Firda Niken Sari; Nani Sulistianingsih; Muhammad Imam Dinata
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 8 No 1 (2026): EDISI 27
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v8i1.7273

Abstract

Ketenagakerjaan merupakan indikator penting dalam menilai kondisi sosial ekonomi suatu wilayah, sehingga diperlukan model prediksi yang akurat untuk mengidentifikasi faktor-faktor yang memengaruhi status ketenagakerjaan individu. Penelitian ini bertujuan untuk membangun model prediksi status ketenagakerjaan menggunakan algoritma Light Gradient Boosting Machine (LightGBM) serta mengidentifikasi variabel paling berpengaruh. Data yang digunakan merupakan data mikro ketenagakerjaan yang dianalisis menggunakan metode Least Absolute Shrinkage and Selection Operator (LASSO) untuk menyeleksi fitur relevan sebelum pemodelan. Hasil penelitian menunjukkan bahwa model LightGBM menghasilkan kinerja prediksi yang baik dengan nilai akurasi 78% dan ROC-AUC 78%, serta mampu mengidentifikasi faktor dominan seperti usia, pendidikan, dan karakteristik demografis lainnya. Temuan ini menunjukkan bahwa integrasi seleksi fitur Lasso dengan LightGBM efektif dalam meningkatkan kinerja dan interpretabilitas model prediksi status ketenagakerjaan, sehingga dapat digunakan sebagai dasar pengambilan kebijakan ketenagakerjaan berbasis data.
Co-Authors Anggreni, Anggreni Ardhita, Utari Arif Rahman Arif Rahman Firda Niken Sari Fitri Astutik Fitri Astutik, Fitri Hafiz, Syaepudin Helmi Imaduddin Heni Pujiastuti Juryanti Permatasari Moch Anjas Aprihartha Muhamad Irwan Muhammad Imam Dinata Roihan, Adam Rozi, Muhammad Fahrul Urifah, Dewi Yunanda Arista Yusuf, Siti Agrippina Alodia