Article Per Year (5 Year)
p-Index From 2021 - 2026
7.549
P-Index
This Author published in this journals
All Journal Media Statistika JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI CAUCHY: Jurnal Matematika Murni dan Aplikasi Jurnal Sains Matematika dan Statistika Science and Technology Indonesia NUMERICAL (Jurnal Matematika dan Pendidikan Matematika) Jurnal Matematika: MANTIK Jurnal Elementer (Elektro dan Mesin Terapan) Desimal: Jurnal Matematika Syntax Literate: Jurnal Ilmiah Indonesia JWP (Jurnal Wacana Politik) BAREKENG: Jurnal Ilmu Matematika dan Terapan JTAM (Jurnal Teori dan Aplikasi Matematika) Limits: Journal of Mathematics and Its Applications Buletin Ilmiah Nagari Membangun Eksakta : Berkala Ilmiah Bidang MIPA Jurnal Aplikasi Statistika & Komputasi Statistik M A T H L I N E : Jurnal Matematika dan Pendidikan Matematika Jurnal Matematika UNAND Community Development Journal: Jurnal Pengabdian Masyarakat Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika Warta Pengabdian Andalas: Jurnal Ilmiah Pengembangan Dan Penerapan Ipteks Journal of Science and Technology Makara Journal of Health Research Lattice Journal : Journal of Mathematics Education and Applied STATISTIKA Limits: Journal of Mathematics and Its Applications
Yanuar, Ferra
Universitas Andalas
Agriculture, Biological Sciences & Forestry Humanities Astronomy Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 114 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : STATISTIKA

 1 
Perankingan Proporsi Kematian Pasien Covid-19 di Indonesia Menggunakan Metode Bayes Muhammad Qolbi Shobri; Ferra Yanuar; Dodi Devianto
Statistika Vol. 21 No. 2 (2021): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v21i2.328

Abstract

Jumlah kematian akibat terinfeksi Coronavirus Deases 2019 (Covid-19) kian hari kian bertambah. Hal ini dikarenakan belum ada obat yang tepat dan penanganan yang baik dalam mengatasi Covid-19 ini. Hampir setiap provinsi di Indonesia angka kematian akibat terinfeksi penyakit ini terbilang cukup memprihatinkan. Hal ini perlu dilakukan perankingan wilayah untuk melihat pemusatan daerah yang memiliki tingkat proposi kematian yang tinggi. Perankingan adalah upaya untuk mengurutkan sesuatu dari yang terbaik sampai yang terburuk dan sebaliknya. Nilai yang diurutkan berdasarkan hasil pendugaan parameter populasi seperti mean, standar deviasi, proporsi dan lain sebagainya. Penelitian ini bertujuan untuk melakukan perankingan proporsi kematian pasien Covid-19 di Indonesia dengan menggunakan metode Bayes. Metode bayes merupakan salah satu teknik pendugaan parameter yang menggunakan fungsi likelihood dengan fungsi distribusi prior untuk memperoleh distribusi posterior. Nilai mean dari distribusi posterior akan dijadikan parameter dugaan dari metode Bayes. Data penelitian ini diasumsikan berdistribusi Binomial dengan parameter p sebagai proporsi tingkat kematian. Dari penelitian ini diperoleh bahwa provinsi Jawa Timur, Lampung dan Sumatera Selatan merupakan daerah dengan proporsi kematian pasien Covid-19 tertinggi. Sementara itu, provinsi Jawa Barat, Kalimantan Barat dan Papua memiliki proporsi kematian pasien Covid-19 yang lebih rendah dibandingkan dengan provinsi lainnya.
Penggunaan Metode Support Vector Machine (SVM) dalam Mengidentifikasi Tingkat Keparahan Pada Kecelakaan Lalu Lintas Rahmi, Fatihatur; Ferra Yanuar; Yudiantri Asdi
Statistika Vol. 24 No. 1 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i1.1690

Abstract

ABSTRAK Kendaraan sudah menjadi kebutuhan pokok yang digunakan semua orang untuk berpindah dari satu tempat ke tempat lain dengan cepat. Namun, bertambahnya jumlah kendaraan juga menimbulkan dampak negatif, salah satunya adalah kecelakaan. Berdasarkan data yang diperoleh dari website Badan Pusat Statistik (BPS) Sumatera Barat pada tahun 2018-2021, kasus kecelakaan terbanyak terjadi di Kota Padang yaitu sebesar 22,79% dari semua kasus kecelakaan yang terjadi di provinsi Sumatera Barat. Tingkat keparahan yang dialami korban pasca kecelakaan dikelompokkan kedalam 3 kategori yaitu korban yang mengalami luka ringan, luka berat dan meninggal dunia. Metode klasifikasi dapat digunakan untuk mengklasifikasi tingkat keparahan kecelakaan berdasarkan faktor-faktor yang mempengaruhi terjadinya kecelakaan. Salah satu metode yang dapat digunakan adalah metode Support Vector Machine (SVM). SVM adalah suatu learning machine yang digunakan untuk mengklasifikasi data secara statistika dalam ruang fitur berdimensi tinggi dan solusi yang dihasilkan dari klasifikasi menggunakan SVM bersifat sama untuk setiap percobaan yang dilakukan. Pada penelitian ini akan digunakan klasifikasi dengan SVM multiclass dengan metode one againts one (satu lawan satu) dengan dua fungsi kernel yang selanjutnya akan dilakukan perbandingan kualitas model berdasarkan akurasi, nilai APER dan F1-score. Data yang digunakan pada penelitian ini adalah data kecelakaan yang dialami pengendara sepeda motor di kota Padang pada bulan Januari-Maret 2022. Hasil penelitian menunjukkan bahwa penggunaan kernel RBF lebih baik dibanding kernel linear dengan tingkat akurasi sebesar 94,62% dengan nilai APER sebesar 5,38% dan diperoleh F1-score untuk kategori luka ringan sebesar 97,07%, luka berat sebesar 59,90% dan meninggal dunia sebesar 80%. ABSTRACT Transportation has become a basic necessity that everyone uses to move from one place to another quickly. However, the increasing number of transportation also has negative impacts, one of them was a traffic accident. According to BPS, the highest number of accidents occurred in Padang city, which was around 22.79% of the total cases that occurred in West Sumatra. The classification method can be used to classify the severity of accidents based on the factors that influence the occurrence of accidents. One method that can be used is the Support Vector Machine (SVM). SVM is a learning machine that is used to classify data statistically in a high-dimensional feature space and the solution resulting from classification using SVM is the same for every experiment carried out. In this research, multiclass SVM classification will be used with the one-against-one method with two kernel functions, then the model quality will be calculated based on accuracy, APER value and F1 score. The data used in this research is traffic accidents by motorcyclists in Padang City in January-March 2022. The results of the research show that the RBF kernel is better than the linear kernel with an accuracy level is 94.62%, an APER value is 5.38% and a F1-score for the minor injuries category is 97.07%, while serious injuries and deaths are 59.90% and 80%.
Co-Authors Abdi Mulya Admi Nazra Amalia Dwi Putri AMALIA DWI PUTRI ANGGUN CITRA DELIMA ANNISA RAHMADIAH Arfarani Rosalindari Arrival Rince Putri Asdi, Yudiantri Astari Rahmadita ATIKAH RAHMAH PUTRI Azmi Arsa Bahri, Susila Baqi, Ahmad Iqbal Boby Canigia Budi Rudianto Catrin Muharisa Cichi Chelchillya Candra Cichi Chelchillya Candra Cici Saputri Cintya Mukti Cintya Mukti Des Welyyanti Deva, Athifa Salsabila Devianto, Dodi Dila Mulya Dina Monica DINIE ANEFI HAJARA Efendi Efendi Elfa Rafulta Ermanely Ermanely Fadilla Nisa Uttaqi Fajriyah, Rahmatika Farhah Anggana Febriyuni, Rahmi Firdawati, Firdawati FITARI RESMALANI Fitri Aulia FITRI SABRINA Gusmanely Z Harahap, Vika Pradinda Haripamyu Haripamyu Hasibuan, Lilis Harianti Hazmira Yozza Helmi, Monika Rianti Ihsan Kamal Ikhlas Pratama Sandi Indah Pratiwi Izzati Rahmi HG Izzati Rahmi HG Jenizon Jenizon Kamarni, Neng Kartini Aboo Talib @Khalid Khatimah, Havifah Husnatul Lilis Harianti Hasibuan Livia Amanda M. Pio Hidayatullah M. Rizki Oktavian Maiyastri Maiyastri, Maiyastri Majbur, Ridha Fauza Mardha Tillah Mawanda Almuhayar MEILINA DINIARI Melisa Febriyana Mesi Oktafia Meutia Fikhri MIFTAHUL JANNAH HB Mira Serma Teti Mita Oktaviani Muhammad Iqbal Muhammad Qolbi Shobri Muharisa, Catrin Mutiara Fara Nabilla Nadia Cindi Eka Putri Nadiah Ramadhani NADYA PUTRI ALISYA Nadya Putri Alisya Narwen Narwen Nayla Desviona Nova Noliza Bakar Noverina Alfiany Nurmaylina Zaja Nurwijayanti Qalbi, Latifatul Radhiatul Husna RAHMI HG, IZZATI Rahmi, Fatihatur Ramadhani, Eza Syafri Religea Reza Putri Rescha, Ratna Vrima Resti Mustika Sari Resti Nanda Yani Riau, Ninda Permata Ridhatul Ilahi Riri Lestari Riri Lestari Rudiyanto Rudiyanto, Rudiyanto SAIDAH . Sani, Ridha Fadhila Saputri, Ovi Delviyanti Sari, Putri Trisna Sarmada Sarmada Sarmada, Sarmada Selfinia, Selfinia SHINTA MUTIA KARNEVA Shinta Wulandari SHINTA YULIANA Silvia . SILVIA YUNANDA Sisi Andriani Siti Juriah SITI LATHIFAH IRMA SUMINDANG YUZAN Surya Puspita Sari, Surya Puspita Susi Marisa Syafwan, Mahdhivan Syauqi, Irfan Tari Adriana Musana Tasya Abrari Tasya Abrari Uswatul Hasanah VIKI ANDRIANI Widya Wijayanti WINDA LIDYA Winda Oktari WULANDARI, FRILIANDA Wulandari, Sintya wulandari, sisca Yanita Yanita Yosika Putri Yulmiati Yulmiati Yurinanda, Sherli Zahratul Aini Zetra, Aidinil Zetra, Aidinil Zulakmal, Zulakmal Zulhazizah .