Claim Missing Document
Check
Articles

Found 13 Documents
Search

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERTUMBUHAN EKONOMI DI PROVINSI NUSA TENGGARA TIMUR MENGGUNAKAN METODE REGRESI DATA PANEL DAN PETA KENDALI Germana Ina Dawan Lolan; Yudi Setyawan; Febriani Astuti
JURNAL STATISTIKA INDUSTRI DAN KOMPUTASI Vol. 10 No. 02 (2025): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v10i02.5305

Abstract

Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi Laju Pertumbuhan Produk Domestik Regional Bruto (PDRB) (Y) di Provinsi Nusa Tenggara Timur (NTT) menggunakan metode Regresi Data Panel dan Peta Kendali (Control Chart). Variabel yang dianalisis meliputi Tingkat Partisipasi Angkatan Kerja (TPAK) (X1), Tingkat Pengangguran Terbuka (TPT) (X2), Indeks Pembangunan Manusia (IPM) (X3), Kepadatan Penduduk (X4), dan Laju Pertumbuhan Belanja Modal (X5). Berdasarkan Uji Chow dan Uji Hausman, model terbaik yang dipilih adalah Fixed Effect Model (FEM). Hasil estimasi dengan taraf signifikansi 10% menunjukkan bahwa variabel X3 berpengaruh positif signifikan terhadap Y dengan koefisien 0,9937 (p-value < 0,1), sedangkan variabel X4 juga berpengaruh positif dengan koefisien 0,0033 (p-value < 0,1). Variabel lainnya tidak signifikan sehingga dikeluarkan dari model akhir. Model estimasi yang diperoleh adalah: . Hasil analisis Peta Kendali menunjukkan bahwa beberapa kabupaten/kota berada di luar batas kendali dalam hal IPM dan Kepadatan Penduduk, yang berpotensi mempengaruhi pertumbuhan ekonomi di NTT. Kabupaten/kota seperti Kupang, Timor Tengah Selatan, Alor, Ende, Ngada, Manggarai, Rote Ndao, Manggarai Barat, Sumba Tengah, Manggarai Timur, Sabu Raijua, dan Kota Kupang mengalami ketimpangan yang signifikan. Wilayah-wilayah ini memiliki IPM yang rendah, mencerminkan keterbatasan dalam pendidikan, kesehatan, dan standar hidup, yang dapat menghambat pertumbuhan ekonomi. Sementara itu, kepadatan penduduk yang tidak merata, baik terlalu tinggi maupun terlalu rendah, juga menjadi faktor yang berkontribusi terhadap tekanan pada sumber daya, infrastruktur, serta ketersediaan tenaga kerja dan pasar ekonomi. Oleh karena itu, kebijakan ekonomi di NTT perlu difokuskan pada peningkatan IPM secara merata serta pengelolaan kepadatan penduduk yang lebih optimal guna mendukung pertumbuhan ekonomi yang berkelanjutan.
PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PERTUMBUHAN EKONOMI DI INDONESIA DENGAN MENGGUNAKAN PENDEKATAN REGRESI NONPARAMETRIK SPLINE DAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE Fransiska Aprida Yulvin; Yudi Setyawan; Maria Titah Jatipaningrum; Febriani Astuti
JURNAL STATISTIKA INDUSTRI DAN KOMPUTASI Vol. 10 No. 01 (2025): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v10i01.5255

Abstract

Pertumbuhan ekonomi adalah proses perubahan kondisi perekonomian suatu negara secara berkesinambungan menuju keadaan yang lebih baik selama periode tertentu, sehingga pertumbuhan ekonomi menjadi target utama dalam suatu proses pertumbuhan baik negara maupun daerah. Dalam beberapa tahun terakhir, pertumbuhan ekonomi di Indonesia cenderung menurun mulai tahun 2011 sampai tahun 2021. Pertumbuhan ekonomi dapat dilihat dari berbagai aspek yakni angka harapan hidup, pengeluaran perkapita, persentase penduduk miskin, angka partisipasi murni perguruan tinggi, dan tingkat pengangguran terbuka. Oleh karena itu, dilakukan analisis mengenai faktor-faktor yang mempengaruhi pertumbuhan ekonomi di Indonesia tahun 2022. Hubungan antara masing-masing pertumbuhan ekonomi dengan faktor-faktor yang diduga mempengaruhinya tidak memiliki pola tertentu sehingga analisis regresi nonparametrik ini akan cocok digunakan. Oleh karena itu, metode yang digunakan adalah regresi nonparametrik spline dan multivariate adaptive regression spline (MARS). Model dari regresi nonparametrik spline menggunakan 3 titik knot dengan R2 sebesar 77,85%. Untuk model MARS menggunakan BF=20, MI=3 dan MO=2 dengan nilai R2 sebesar 96,20% dan nilai GCV sebesar 1,08634. Dapat disimpulkan metode terbaik menggunakan metode MARS.
PENERAPAN SMOTE UNTUK DATA TIDAK SEIMBANG PADA KLASIFIKASI INDEKS PEMBANGUNAN LITERASI MASYARAKAT DI INDONESIA MENGGUNAKAN METODE RANDOM FOREST DAN K-NEAREST NEIGHBORS Fransiska Maria Indah; Rokhana Dwi Bekti; Maria Titah Jatipaningrum; Febriani Astuti
JURNAL STATISTIKA INDUSTRI DAN KOMPUTASI Vol. 10 No. 01 (2025): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v10i01.5258

Abstract

Indeks Pembangunan Literasi Masyarakat (IPLM) adalah pengukuran terhadap usaha yang dilaksanakan oleh pemerintah daerah dalam membina dan mengembangkan perpustakaan untuk mencapai budaya literasi Masyarakat. IPLM di tingkat kabupaten/kota menunjukkan perbedaan signifikan sehingga memerlukan klasifikasi untuk mengidentifikasi daerah yang memerlukan perhatian khusus. Penelitian ini menggunakan Random Forest dan K-Nearest Neighbors untuk mengklasifikasikan IPLM berdasarkan lima dan dua kategori, dengan penanganan ketidakseimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Variabel bebas yang digunakan adalah Persentase Penduduk Miskin (P0), Pengeluaran per Kapita (PKP), Rata-rata Lama Sekolah (RLS), dan Persentase Perpustakaan Ber-SNP (PSNP). Pada klasifikasi IPLM berdasarkan lima kategori diperoleh model terbaik dari metode Random Forest tanpa SMOTE pada proporsi data 80:20 dengan mtry=1 dan ntree=100 yang menghasilkan nilai akurasi sebesar 62,14% dengan specificity yang tinggi. Pada klasifikasi IPLM berdasarkan dua kategori diperoleh model terbaik dari metode Random Forest dengan SMOTE pada proporsi data 80:20 dengan mtry=4 dan ntree=100 yang menghasilkan nilai akurasi sebesar 77,42% dengan sensitivitas, specificity, dan G-mean yang tinggi. Hasil yang berbeda ini menunjukkan bahwa SMOTE lebih baik digunakan pada data dengan dua kategori karena menghasilkan kinerja klasifikasi yang lebih baik.