Article Per Year (5 Year)
p-Index From 2021 - 2026
3.666
P-Index
This Author published in this journals
All Journal Media Statistika BIMASTER BAREKENG: Jurnal Ilmu Matematika dan Terapan JTAM (Jurnal Teori dan Aplikasi Matematika) Sarwahita : Jurnal Pengabdian Kepada Masyarakat Variance : Journal of Statistics and Its Applications Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi CENDEKIA : Jurnal Ilmu Pengetahuan Parameter: Journal of Statistics Jurnal Forum Analisis Statistik
Andani, Wirda
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Mathematics Mechanical Engineering Physics Social Sciences Transportation Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search

 1   2   3 
PENDUGAAN DATA HILANG MENGGUNAKAN PERBANDINGAN IMPUTASI HOT-DECK DAN K-NEAREST NEIGHBOR Handayany, Indry; Kusnandar, Dadan; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v12i4.68323

Abstract

Data hilang digambarkan sebagai keadaan nilai observasi yang kosong atau tidak memiliki nilai sehingga mengakibatkan hilangnya informasi pada sebuah kasus. Data hilang disebabkan kemungkinan pengukuran kurang lengkap, pencarian informasi yang sulit ditemukan, kesalahan atau kelalaian dalam menjalankan prosedur pengumpulan data atau bahkan responden yang menolak untuk menjawab pertanyaan dalam suatu survei. Hal tersebut mengakibatkan berkurangnya informasi penting yang diakibatkan dari data hilang. Oleh karena itu, perlu dilakukan imputasi data hilang untuk penanganan data hilang. Metode imputasi dapat dibedakan menjadi dua jenis, yaitu metode imputasi berbasis statistik dan metode imputasi berbasis machine learning. Metode imputasi Hot-Deck merupakan metode terbaik dalam imputasi berbasis statistik, sedangkan imputasi K-Nearest Neighbor merupakan metode terbaik dalam imputasi berbasis machine learning. Penelitian ini bertujuan menerapkan dan membandingkan hasil akurasi metode imputasi Hot-Deck dan K-Nearest Neighbor pada pendugaan data hilang pada Dapodik SMA Kota/Kab Pontianak dan Kubu Raya tahun 2023. Simulasi data hilang menggunakan mekanisme Missing Completely At Random (MCAR) 5% pada masing-masing variabel. Nilai akurasi imputasi terbaik terdapat di imputasi K-Nearest Neighbor menggunakan parameter k=4 dengan nilai Root Mean Square Error (RMSE) sebesar 5,80 dan Mean Absolute Percentage Error (MAPE) sebesar 10,98%.  Kata Kunci: Dapodik, imputasi data, imputasi Hot-Deck, imputasi K-Nearest Neighbor
PEMODELAN JUMLAH SISWA PUTUS SEKOLAH MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION Selvia, Eva; Imro’ah, Nurfitri; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v12i4.70078

Abstract

Jumlah siswa putus sekolah (Y) merupakan data cacah sehingga analisis yang tepat untuk memodelkannya adalah dengan regresi Poisson. Namun terdapat asumsi yang harus dipenuhi yaitu equisdispersi atau rata-rata harus sama dengan varians. Pada kenyataannya, terdapat suatu kondisi dimana nilai varians lebih besar dari pada nilai rata-rata atau disebut overdispersi. Salah satu alternatif yang dapat digunakan untuk masalah overdispersi pada data cacah adalah regresi Binomial negatif. Regresi Binomial negatif ini kurang tepat jika digunakan pada data yang mengandung heterogenitas spasial atau keragaman antar wilayah. Pengembangan model regresi yang memperhatikan masalah heterogenitas spasial serta masalah overdispersi pada variabel responnya yaitu Geographically Weighted Negative Binomial Regression (GWNBR). Penelitian ini bertujuan untuk memodelkan serta menentukan faktor apa saja yang mempengaruhi jumlah siswa putus sekolah pada jenjang pendidikan dasar menggunakan metode GWNBR. Hasil penelitian yang diperoleh yaitu terdapat dua kelompok kabupaten/kota berdasarkan variabel yang signifikan. Kelompok pertama dipengaruhi oleh semua variabel prediktor, sedangkan kelompok kedua dipengaruhi oleh variabel rasio siswa terhadap guru, tingkat pengangguran terbuka, dan rata-rata pengeluaran perkapita selama sebulan.  Kata Kunci : Putus Sekolah, Overdispersi, Heterogenitas Spasial
PERBANDINGAN METODE ARIMA DAN NNAR UNTUK MERAMALKAN SUHU UDARA DI KOTA PONTIANAK Yusril, Alqaida; Kusnandar, Dadan; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v13i2.77243

Abstract

Kenaikan suhu global yang tinggi menyebabkan terjadinya perubahan iklim di Indonesia. Pontianak merupakan salah satu kota yang merasakan dampak langsung dari perubahan iklim dan akan sangat sulit dikendalikan jika tidak bisa memprediksi cuaca yang tidak menentu. Penelitian ini bertujuan untuk meramalkan suhu yang akurat dengan membandingkan metode Autoregressive Integrated Moving Average (ARIMA) dan Neural Network Autoregressive (NNAR). Penelitian ini dilakukan pada data suhu udara dengan mengolah data menggunakan metode ARIMA kemudian dilanjutkan metode NNAR. Kedua metode tersebut dipilih metode terbaik berdasarkan hasil nilai MAPE terkecil untuk melakukan peramalan pada data rata-rata suhu di Kota Pontianak di bulan Januari 2023. Data yang digunakan dalam penelitian ini merupakan data sekunder rata-rata suhu harian di Kota Pontianak sebanyak 365 data dari tanggal 1 Januari 2022 - 31 Desember 2022 yang diperoleh dari BMKG di Kota Pontianak. Hasil penelitian menunjukkan model NNAR (17,8) memiliki nilai MAPE sebesar 2,7% lebih kecil dari pada nilai MAPE model ARIMA (1,0,0) yaitu sebesar 2,9% dan hasil peramalan pada bulan Januari 2023 dengan model NNAR (17,8) menunjukkan suhu udara di Kota Pontianak cenderung turun dan naik setiap harinya dengan suhu tertingginya sebesar 27,66℃ dan suhu terendahnya sebesar 26,91℃.Kata Kunci : Peramalan, ARIMA, NNAR, Suhu Udara
PEMODELAN REGRESI LINEAR MENGGUNAKAN METODE THEIL (STUDI KASUS: JUMLAH PENDUDUK MISKIN DAN TINGKAT PENGANGGURAN TERBUKA) Amarrullah, Rido; Martha, Shantika; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v12i4.70083

Abstract

Metode Theil adalah salah satu metode regresi nonparametrik yang digunakan saat asumsi kenormalan residual tidak terpenuhi pada model regresi linear sederhana. Penelitian ini bertujuan untuk membentuk model regresi linear sederhana dengan metode Theil dari data dengan residual data tidak berdistribusi normal. Data yang digunakan pada penelitian ini adalah data semesteran jumlah penduduk miskin (Y) dan tingkat pengangguran terbuka (X) di Indonesia Tahun 2012 hingga 2022 sebanyak 21 data. Terlebih dahulu dilakukan analisis regresi antara X dan Y, selanjutnya lakukan pengujian asumsi kenormalan residual data. Jika residual tidak berdistribusi normal, maka untuk mendapatkan model regresi linear sederhana dari data digunakanlah metode Theil. Setelah dilakukan analisis dengan metode Theil didapatlah model regresi linear sederhana Ŷ i = 18932,085 + 1495,988 X i , dengan nilai koefisien determinasi R 2 sebesar 0,493 (49,3%). Dari model yang didapat bisa diambil kesimpulan bahwa terdapat pengaruh positif antara tingkat pengangguran terbuka terhadap jumlah penduduk miskin, sehingga setiap kali tingkat pengangguran terbuka naik, jumlah penduduk miskin juga ikut naik. Sedangkan nilai koefisien determinasi menunjukkan bahwa sebesar 49,3% kemampuan variabel tingkat pengangguran terbuka menjelaskan tentang variabel jumlah penduduk miskin. Sedangkan sisanya sebesar 50,7% dijelaskan oleh variabel-variabel lain diluar penelitian ini.Kata kunci: Metode Theil, Regresi Parametrik dan Nonparametrik
PENERAPAN AUTOMATIC CLUSTERING"“FUZZY LOGICAL RELATIONSHIP PADA PERAMALAN HARGA EMAS Anggria, Vini; Martha, Shantika; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v13i2.76953

Abstract

Investasi yang cenderung dipilih kebanyakan orang saat ini adalah dengan berinvestasi emas. Salah satu keuntungan dalam berinvestasi emas yaitu karena memiliki tingkat risiko yang relatif rendah dan tidak terpengaruh oleh inflasi. Untuk memperoleh keuntungan dan mencegah kerugian para investor membutuhkan metode peramalan dalam pengambilan keputusan. Metode peramalan yang digunakan dalam penelitian ini adalah Automatic Clustering "“ Fuzzy Logical Relationship (ACFLR). Tujuan penelitian ini untuk meramalkan harga emas dengan menerapkan metode ACFLR sebagai alat pendukung keputusan dalam berinvestasi. Penelitian ini menganalisis data harga emas pada periode 1 Maret 2022 hingga 31 Maret 2022. Peramalan ACFLR diawali dengan mengurutkan data tanpa data ganda, pembentukan kluster, penentuan panjang dan nilai tengah interval ,himpunan fuzzy, fuzzifikasi, membentuk FLR dan FLRG dan perhitungan nilai peramalan. Berdasarkan hasil implementasi metode ACFLR diperoleh hasil peramalan harga emas satu hari kedepan yaitu pada tanggal 1 April 2022 sebesar Rp. 897.000. Nilai ketepatan peramalan yang dihitung dengan MAPE sebesar 0,37% yang dapat dikatakan tingkat akurasinya tinggi, sehingga dapat disimpulkan bahwa penerapan metode ACFLR baik digunakan dalam memprediksi harga emas.  Kata Kunci : ACFLR, harga emas, peramalan
ANALISIS KONJOIN UNTUK MENENTUKAN PREFERENSI MAHASISWA TERHADAP DOSEN (Studi Kasus: Jurusan Matematika Universitas Tanjungpura) Wulan, Elisabet; Imro’ah, Nurfitri; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v13i2.77244

Abstract

Peningkatan kualitas bagi sumber daya manusia pada era globalisasi menuntut individu untuk menempuh pendidikan ke suatu jenjang lebih tinggi. Universitas sebagai lembaga pendidikan tertinggi perlu mewujudkan perguruan tinggi yang berkualitas. Dosen sebagai pendidik adalah komponen utama dalam meningkatkan kualitas perguruan tinggi dan berperan besar dalam proses belajar mengajar bagi mahasiswa. Oleh karena itu, mahasiswa berhak memberikan evaluasi terhadap dosen dengan memberikan preferensinya terhadap karakteristik dosen. Preferensi mahasiswa terhadap karakteristik dosen dapat dianalisis menggunakan Analisis konjoin. Tujuan penelitian ini adalah untuk mengetahui karakteristik dosen yang disukai oleh mahasiswa, karakteristik yang paling dipentingkan dan mengetahui korelasi atau hubungan antara observasi yaitu preferensi responden dan estimasi yaitu hasil perhitungan dari model regresi. Data pada penelitian ini adalah data primer dari kuesioner dengan metode pengambilan sampel adalah purposive sampling. Sampel yang diperoleh sebanyak 69 sampel untuk mahasiswa Program Studi Matematika dan Statistika angkatan 2021 dan 2022. Atribut pada penelitian ini adalah karakter dosen, latar belakang pendidikan, kedisiplinan, penyampaian materi, kemampuan memotivasi dan penggunaan media ajar. Pembentukan stimuli dilakukan dengan pendekatan full profile dan terbentuk sebanyak delapan stimuli. Analisis dimulai dengan menghitung nilai kegunaan dan diketahui bahwa mahasiswa Jurusan Matematika Universitas Tanjungpura menyukai dosen dengan karakter dosen santai, latar belakang pendidikan S3, kedisiplinan tepat waktu, penyampaian materi mudah dipahami, memotivasi mahasiswa dan penggunaan media ajar tidak menggunakan E-learning Moddle. Perhitungan nilai kepentingan menunjukkan bahwa atribut yang paling dipentingkan adalah penyampaian materi (37,505%) dan yang kurang dipentingkan adalah kedisplinan (8,657%). Uji ketepatan prediksi menunjukkan adanya korelasi atau hubungan yang sangat kuat antara observasi dan estimasi.Kata Kunci : Persepsi, Karakteristik, Analisis Konjoin.
COMPARISON OF SENTIMENT ANALYSIS USING NAÏVE BAYES CLASSIFICATION METHOD AND LEXICON BASED ON JIWA+ BY JANJI JIWA APPLICATION REVIEWS Arti, Reyana Hilda; Satyahadewi, Neva; Andani, Wirda
VARIANCE: Journal of Statistics and Its Applications Vol 7 No 2 (2025): VARIANCE: Journal of Statistics and Its Applications
Publisher : Statistics Study Programme, Department of Mathematics, Faculty of Mathematics and Natural Sciences, University of Pattimura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/variancevol7iss2page135-146

Abstract

The coffee beverage industry in Indonesia is experiencing significant growth, intensifying competition among businesses striving to maintain quality for customer loyalty. E-commerce applications play a vital role in preserving business standards as they directly engage with consumers. Janji Jiwa is among the coffee brands leveraging an application named Jiwa+ in their operations. Analyzing reviews on this e-commerce platform provides valuable insights for business owners and app developers. In this study, sentiment analysis was conducted by classifying reviews into positive, neutral, and negative sentiments using two methods: Lexicon Based and Naïve Bayes. The Lexicon Based method uses a predefined dictionary as the basis for labeling, while Naïve Bayes relies on training data to provide new insights into how both methods handle this type of data. A total of 597 Jiwa+ application reviews from the Google Play Store were utilized, split into 90% training and 10% testing data sets. The study results indicate that Naïve Bayes produces a better model than the Lexicon-Based method, as shown by its higher accuracy, sensitivity, and specificity. This is because Lexicon-Based relies on labeling words from a dictionary, which may not cover all words in the reviews, leading to labeling errors and misclassification.
Co-Authors Agustono, Hendri Amarrullah, Rido Andini, Syarifah Anggria, Vini Apriliyanti, Rita Arti, Reyana Hilda AYU ASTUTI, AYU Dadan Kusnandar Debataraja, Naomi Nessyana Dwinanda, Maria Welita Evy Sulistianingsih Fitriawan, Della Gunawan, Risky Handayany, Indry Hendra Perdana Hutami, Bintang Ratna Imro'ah, Nurfitri IMRO’AH, NURFITRI Istighfarani, Ridha Maharani, Cinta Priscillia Marola, Geby Martha, Shantika Neva Satyahadewi Nur Asih Kurniawati Oprasianti, Risky Pebriyandi, Rifki Rivaldo, Rendi Rizki, Setyo Wira Salsabila, Salsabila Salsabilla, Arla Sary, Rifkah Alfiyyah Selvia, Eva Tamtama, Ray Umiati, Wiji Vebriyanti, Lo Mei Ly Wulan, Elisabet Yusril, Alqaida Zaria, Della