Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Science in Information Technology Letters Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya
Pradana, Sendhyka Cakra
Unknown Affiliation
Computer Science & IT Education Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Factors Influencing open unemployment rates: a spatial regression analysis Purwaningsih, Tuti; Inderanata, Rochmad Novian; Pradana, Sendhyka Cakra; Snani, Aissa; Sulaiman, Sarina
Science in Information Technology Letters Vol 3, No 1 (2022): May 2022
Publisher : Association for Scientific Computing Electronics and Engineering (ASCEE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31763/sitech.v3i1.1202

Abstract

The present study employed spatial regression analysis as a methodological approach to get insights into the unemployment rates across Indonesian provinces in the year 2016. The official website of the Bureau of Labor Statistics (BPS) offers secondary data pertaining to several socio-economic indicators, including the Total Open Unemployment Rate, Economic Growth Rate, Human Development Index, Severity of Poverty Index, and School Participation Rates. The investigation employed the Geoda software package and encompassed Ordinary Least Squares (OLS) regression, Dependency/Correlation investigation, and Spatial Autoregressive Model. The data presented in the study revealed the existence of three distinct provincial groupings characterized by varying levels of unemployment rates. In the context of unemployment variance, the traditional regression model accounted for 30 percent of the observed variation. However, the spatial regression model used spatial dependencies to enhance accuracy in capturing the phenomenon. The aforementioned findings have the potential to assist policymakers in formulating strategies to address unemployment in regions characterized by distinct spatial attributes, hence offering a potential blueprint for other nations.
Pengelompokan dan Pemetaan Penyakit Tuberkulosis Paru menurut Provinsi di Indonesia Tahun 2016 menggunakan Analisis Cluster K-Means Laksono, Arif Anjang; Fikri, Bana Ali; Yadin, Muhammad Atma; Pradana, Sendhyka Cakra; Widi, Tegar Anugrah; Widodo, Edy
Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2018: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1931.633 KB)

Abstract

Tuberkulosis (TBC atau TB) adalah suatu penyakit infeksi yang disebabkan oleh bakteri Mycobacterium tuberculosis. Penyakit ini paling banyak menyerang paru-paru. Indonesia setiap tahun ditemukan 582.000 kasus penderita baru TB dengan angka kematian 41 orang per 100.000 sebagian besar penderita TB paru atau sebanyak 75% paling mencengangkan yang terkena virus TB paru ialah orang –orang yang masi usia produktif 15-49 tahun. K-Means merupakan salah satu algoritma dalam data mining yang bisa digunakan untuk melakukan pengelompokan/clustering suatu data. Ada banyak pendekatan untuk membuat cluster, diantaranya adalah membuat aturan yang mendikte keanggotaan dalam kelompok yang sama berdasarkan tingkat persamaan diantara anggota-anggotanya. Tujuan penelitian ini untuk mengetahui cluster penyakit Tuberculosis Paru menurut provinsi di Indonesia dan pemetaanya berdasarkan kelompok umur penderita Tuberculosis. Untuk penyelesaian permasalahan yang ada maka penulis akan menggunakan analisis cluster K-Means untuk mengetahui kelompok daerah yang memiliki kasus TB yang sama, sehingga dapat diketahui wilayah yang akan menjadi prioritas dalam menangani kasus TB. Penerapan kasus Tuberkulosis yang dianalisis menggunakan cluster k-means menjadi tiga cluster. Cluster 1 merupakan provinsi dengan jumlah penderita rendah yang terdiri dari 29 Provinsi yaitu Aceh, Sumatera Barat, Riau, Jambi, sumatera Selatan, Bengkulu, Lampung, Kep. Bangka Belitung, Kep. Riau, Banten, DI Yogyakarta, Bali, Nusa Tenggara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Kalimantan Utara, Sulawesi Utara, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Sulawesi Selatan, Maluku, Maluku Utara, Papua Barat dan Papua. Cluster 2 merupakan provinsi dengan jumlah penderita sedang yang terdiri dari 4 Provinsi yaitu Sumatera Utara, DKI Jakarta, Jawa Tengah dan Jawa Timur dan cluster 3 merupakan provinsi dengan jumlah penderita tinggi yang terdiri 1 Provinsi yaitu Jawa Barat dan hasil pemetaan provinsi berdasarkan penderita tuberculosis dari kelompok umur.
Co-Authors Edy Widodo Fikri, Bana Ali Inderanata, Rochmad Novian Laksono, Arif Anjang Sarina Sulaiman Snani, Aissa Tuti Purwaningsih, Tuti Widi, Tegar Anugrah Yadin, Muhammad Atma