Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Inferensi

Pemetaan Jumlah Property Crime di Provinsi Jawa Timur Menggunakan Metode Geographically Weighted Negative Binomial Regression (GWNBR) dan Geographically Weighted Poisson Regression (GWPR) Bagas Wahyu Yoga Priambodo; Irhamah Irhamah
Inferensi Vol 2, No 2 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (337.802 KB) | DOI: 10.12962/j27213862.v2i2.6818

Abstract

Kriminal merupakan suatu kegiatan yang melanggar hukum. Ada beberapa faktor yang mempengaruhi para kriminal melakukan tindakan kejahatan antara lain  kemiskinan, kesempatan kerja, dan karakter pelaku yang melakukan kejahatan. Selain itu ada pula faktor lain yang mempengaruhi timbulnya kejahatan yaitu kepadatan penduduk, jumlah patroli polisi, keadaan jalan dan lingkungan, frekuensi ronda siskamling, dan faktor lainnya. Property crime merupakan kategori kejahatan yang termasuk di dalamnya yaitu pencurian, pengambilan sesuatu yang melanggar hukum, perampokan, kejahatan dengan pembakaran, dan perusakan properti. Seringkali kejadian kriminalitas akan saling berdampak dari satu wilayah ke wilayah yang lainnya. Untuk menyelesaikan kasus tersebut diperlukan suatu pemodelan dengan metode spasial kerena memperhatikan kondisi geografis yang ada di provinsi Jawa Timur. Pemodelan dengan memperhatikan faktor spasial menggunakan GWNBR dan GWPR, dimana setiap wilayah pasti memiliki kondisi geografis yang berbeda sehingga menyebabkan adanya perbedaan jumlah Property crime antara wilayah satu dengan wilayah yang lainnya sesuai dengan karakteristik wilayah tersebut. Hasil pemodelan dengan metode GWNBR terbentuk dua kelompok kabupaten/kota menurut variabel yang berpengaruh signifikan terhadap jumlah kasus Property crime. Hasil pemodelan dengan metode GWPR menunjukkan bahwa kelompok kabupaten/kota menurut variabel yang berpengaruh signifikan terhadap jumlah kasus Property crime sebanyak 16 kelompok. Berdasarkan kriteria AIC terkecil menunjukkan bahwa metode GWNBR merupakan metode yang paling sesuai untuk memodelkan jumlah kasus Property crime setiap kabupaten/kota di Jawa Timur dibandingkan dengan metode regresi Poisson, regresi binomial negatif, dan GWPR.
Klasifikasi Kinerja Karyawan Terhadap Penjualan Produk Menggunakan Metode Regresi Logistik dan Naïve Bayes (Studi Kasus PT. Gunung Meranti, Kalimantan Selatan) Nursya’bani Hendro Prabowo; Irhamah Irhamah
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (495.398 KB) | DOI: 10.12962/j27213862.v1i2.6729

Abstract

Gunung Meranti merupakan perusahaan perseroan tertutup yang terletak di Kalimantan Selatan.Perusahaan bergerak di bidang industri perhutanan dan agro-tani.Produk perusahaan terdiri dari kayu bulat dan kayu lapis dengan volume meter kubik, serta produksi agro-tani seperti perkebunan kopi, jeruk dan pertanian padi. Produk perusahaan dengan ragam tersebut memerlukan pemasaran yang cukup strategis dan intensitas kerja yang lebih tinggi, hal ini dikarenakan konsumen dari perusahaan bukan merupakan end user  seperti industri rumah tangga ataupun individu, melainkan perusahaan seperti perusahaan konstruksi, properti dan perusahaan pengembangan yang berskala besar. Tingkat intensitas kerja yang tinggi tersebut menyebabkan perusahaan perlu melakukan analisa terhadap performa dari karyawan untuk menentukan target bagi masing-masing karyawan, serta melakukan penilaian terhadap kinerja masing-masing individu dalam hal gaji pokok maupun bonus.Perbandingan ketepatan klasifikasi dan kebaikan model menunjukkan bahwa Regresi Logistik dan Naïve Bayes menghasilkan model yang sama baiknya dengan skema terbaik adalah data training 70% dan data testing 30%. Perbandingan jika dilihat menggunakan RMSE cenderung menunjukkan Naïve Bayes dengan skema 70% merupakan model yang disarankan dengan RMSE yang cenderung rendah dibanding skema dan metode lain.
Topic Discovery pada Dokumen Abstrak Jurnal Penelitian di Science Direct Menggunakan Association Rule Mochammad Farros Fatchur Roji; Irhamah Irhamah
Inferensi Vol 2, No 2 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (495.464 KB) | DOI: 10.12962/j27213862.v2i2.6824

Abstract

pemahaman mengenai ilmu berdasarkan review dari ilmuwan. Karakteristik jurnal seperti update berkaitan dengan teori dibandingkan buku, pembahasan yang lebih ringkas, sebagai referensi alternative, aplikasi dan implementasi dunia nyata. Jurnal yang telah dibuat dalam bentuk digitalisasi memiliki istilah lain yaitu file atau soft copy dengan memanfaatkan teknologi informasi dan komunikasi, yang saat ini menjadi salah satu koleksi perpustakaan digital. Data yang di gunakan berasal dari ScienceDirect. ScienceDirect adalah database yang berisi kumpulan dokumen full-text yang berkualitas yang telah diperiksa oleh peer-review Elsevier. Dokumen abstrak dari sciencedirect tersebut nantinya akan dilakukan pre processing terlebih dahulu. Kemudian di lanjutkan dengan association rule dan pearson correlation setelahnya. Pada association rule term kata jika menggunakan min support 2 % maka di dapatkan frequent itemset sebanyak 72, closed frequent itemset sebanyak 55, dan remove subset sebanyak 41 itemset. Kemudian saat di lakukan analisis korelasi pada itemset remove subset. Di dapatkan bayesian,model yaitu itemset yang paling banyak memiliki hubungan. Kemudian pada topic community dengan cfinder terbagi menjadi dua komunitas dan terdapat irisan sebanyak 6 itemset.
Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning Elly Pusporani; Siti Qomariyah; Irhamah Irhamah
Inferensi Vol 2, No 1 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (798.153 KB) | DOI: 10.12962/j27213862.v2i1.6810

Abstract

Liver atau hati adalah organ yang perannya sangat vital dalam tubuh manusia. Penyakit liver sering dianggap sebagai silent killer (pembunuh diam-diam) karena adanya kemungkinan tidak timbul gejala. Permasalahan yang terjadi adalah sulitnya mengenali penyakit liver sejak dini., bahkan saat penyakit ini sudah menyebar pun masih sulit untuk dideteksi. Padahal penderita perlu mengetahui adanya gejala penyakit liver sejak dini agar dapat segera melakukan pengobatan. Adanya diagnosa penyakit liver sejak dini mampu meningkatkan kelangsungan hidup pasien. Pada penelitian ini diterapkan metode untuk klasifikasi penyakit liver menggunakan machine learning dan dibandingkan hasilnya dengan metode klasik. Data yang digunakan adalah Indian liver patients dataset (ILPD)yang diambil dari UCI machine learning. Terdapat beberapa tahapan preprocessing yang dilakukan, antara lain pengecekan missing value, imputasi, feature selection, dan resampling untuk mengatasi data imbalance. Setelah dilakukan preprocessing, selanjutnya dilakukan analisis menggunakan metode regresi logistik, decision tree, naïvebayes, k-nearest neighbor, dan support vector machine. Berdasarkan nilai akurasi dan presisi, maka metode SVM memberikan hasil yang terbaik, tapi berdasarkan recall maka metode K-Nearest Neighbor memberikan hasil terbaik. Walaupun SVM memberikan hasil nilai akurasi dan presisi tertinggi tetapi terdapat ketimpangan yang besar antara nilai presisi dan recall yang dihasilkan, jika dibandingkan selisih nilai akurasi dan recall dari metode K-Nearest Neighbor.
Klasifikasi Kabupaten di Provinsi Jawa Timur Berdasarkan Indikator Daerah Tertinggal dengan metode Support Vector Machine (SVM) dan Entropy Based Fuzzy Support Vector Machine (EFSVM) Jefry Pranata Maulana; Irhamah Irhamah
Inferensi Vol 1, No 1 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (602.612 KB) | DOI: 10.12962/j27213862.v1i1.6715

Abstract

Pemerintah menetapkan 4 Kabupaten dari 29 kabupat-en di Provinsi Jawa Timur masuk dalam kategori dae-rah tertinggal pada tahun 2015. Penelitian ini akan digunakan metode Entropy Based Fuzzy Support Vector Machine (EFSVM) dan Support Vector Machine (SVM) untuk mengklasifikasikan kabupaten di Provinsi Jawa Timur dengan dan tanpa seleksi variabel. Terdapatnya imbalance pada data deerah tertinggal dimana kabu-paten tertinggal jauh lebih sedikit dibandingkan kabu-paten tidak tertinggal memerlukan metode klasifikasi untuk data imbalance, Salah satunya adalah EFSVM. Hasil menunjukan EFSVM memiliki Kinerja yang lebih baik pada AUC dibandingkan dengan SVM.. Seleksi variabel mampu meningkatkan AUC pada EFSVM na-mun tidak meningkatkan AUC pada SVM.