Articles
<![CDATA[STUDI SIMULASI BIAS ESTIMATOR GPH PADA DATA SKIP SAMPLING ]]>
<![CDATA[Gede Suwardika]]>;
<![CDATA[Heri Kuswanto]]>;
<![CDATA[Irhamah -]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (439.518 KB)
|
DOI: 10.26714/jsunimus.2.2.2014.%p
<![CDATA[Proses long memory telah diamati dalam banyak hal, seperti hidrologi, telekomunikasi, ekonomi dan keuangan. Long Memory adalah salah satu fenomena dalam time series, dimana dependensi antara kejadian masih ada dan dapat diamati untuk waktu yang lama, yang dicirikan oleh nilai difference yang tidak bulat (fractional). Parameter differencing ini biasanya diestimasi menggunakan GPH estimator. Dengan estimator ini, seringkali menghasilkan kesimpulan yang spurious untuk model-model nonlinier seperti Markov switching, STOP-BREAK, ESTAR, level shift dan lainnya. Dalam penelitian disimulasikan performansi dari GPH dan GPH terkoreksi pada proses long memory dan markov switching. Data yang diestimasi merupakan data skip sampling dari kedu aproses di atas. Hasil simulasi menujukkan bahwa GPH terkoreksi mampu mengurangi bias parameter long memory. Selain itu, diamati pula bahwa terdapat perbedaan yang signifikan pola yang dihasilkan oleh estimasi pada data long memory dan data yang mengikuti proses Markov switching. Fakta ini dapat digunakan untuk membedakan antara true dan spurious long memory.]]>
<![CDATA[VEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMANDS DENGAN METODE HIBRID SIMULATED ANNEALING– ALGORITMA GENETIKA ]]>
<![CDATA[Adi Slamet Kusumawardana]]>;
<![CDATA[- Irhamah]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 1, No 2 (2013): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (366.666 KB)
|
DOI: 10.26714/jsunimus.1.2.2013.%p
<![CDATA[Manajemen logistik memiliki peranan penting dalam suatu perusahaan yang bergerak dalam bidang logistik dan ekspedisi. Tujuan manajemen logistik yaitu mengantarkan produk ke konsumen tepat waktu dengan cara yang efektif dan efisien. Salah satu cara untuk mengoptimalkan sistem distribusi adalah dengan pengoptimalan transportasi. Salah satu permasalahan dalam transportasi adalah Vehicle Routing Problem. Vehicle Routing Problem with Stochastic Demands (VRPSD) merupakan perluasan dari VRP konvensional dengan kondisi permintaan konsumen di setiap lokasi diasumsikan mengikuti distribusi peluang yang telah diketahui. Dalam penelitian ini bertujuan untuk menyelesaikan Vehicle Routing Problem with Stochastic Demands menggunakan Hibrid Simulated Annealing – Algoritma Genetika. Simulated annealing adalah salah satualgoritma untuk optimasi, Simulated annealing berasal dari bidang metalurgi yaitu annealing. Algoritma ini digunakan untuk mencari pendekatan terhadap solusi optimum lokal. Algoritma genetika merupakan metode optimisasi yang menggunakan teori evolusi dan seleksi alam di dalam suatu populasi individu. Algoritma genetika menawarkan pemecahan persoalan dengan pendekatan terhadap solusi optimum global. Hibrid simulated annealing – algoritma genetika mencakup beberapa proses dasar, yaitu generate populasi, evaluasi, seleksi elitism, fitness, serta seleksi roulette wheel. Pada proses operasi algoritma genetika menggunakan crossover dan mutasi sedangkan operasi pada simulated annealing menggunakan mutasi dan proses annealing. Implementasi metode hibrid simulated annealing – algoritma genetika pada Vehicle Routing Problem with Stochastic Demands diharapkan dapat menghasilkan rute pengantaran barang dengan jarak dan biaya transportasi minimum.]]>
<![CDATA[Small Area Estimation Of Expenditure Per-capita in Banyuwangi with Hierarchical Bayesian and Empirical Bayes Methods ]]>
<![CDATA[Wirajaya Kusuma]]>;
<![CDATA[Nur Iriawan]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ IPTEK Journal of Science Vol 2, No 3 (2017) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian kepada Masyarakat ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (315.543 KB)
|
DOI: 10.12962/j23378530.v2i3.a3185
<![CDATA[One of the economic indicators that are widely used to measure the level of prosperity and welfare is per capita income. However, an accurate income data is difficult to be obtained. In Susenas this data is approached by using data on expenditures per capita. This study employ Hierarchical Bayes (HB) and Empirical Bayes (EB) methods to be applied to Small Area Estimation (SAE) to estimate the expenditure per-capita in Banyuwangi. The results showed indirect estimation using hierarchical Bayes and Empirical Bayes produce RMSE values smaller than the direct estimation. The HB method, on the other hand, produces smaller RMSE value than the EB method. Finally, this research suggests to use HB method to estimate the expenditure per-capita in Banyuwangi rather than direct estimation which is used nowadays.]]>
<![CDATA[Hybrid Double Seasonal ARIMA and Support Vector Regression in Short-Term Electricity Load Forecasting ]]>
<![CDATA[Kinanti Hanugera Gusti]]>;
<![CDATA[Irhamah Irhamah]]>;
<![CDATA[Heri Kuswanto]]>
<![CDATA[ IPTEK Journal of Proceedings Series No 6 (2020): 6th International Seminar on Science and Technology 2020 (ISST 2020) ]]>
Publisher : <![CDATA[Institut Teknologi Sepuluh Nopember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23546026.y2020i6.11117
<![CDATA[Forecasting is the main purpose of time series modelling. In short-term forecast, data can be predicted for a half hour-ahead. A half hour-ahead prediction faced with overlapping data series patterns risk. On the other hand, time series model can be analyzed with a linier or nonlinier approach. In this paper, we proposed the combination (hybrid) liner and nonlinier model for modelling the short-term electricity load in East Java. A half-hour electricity load forecasting is needed for real time controlling and short-term maintenance schedulling. However, the main problem of modelling time series data is determining linier or nonlinier time patterns. In short-term electricity load forecast, it depend on the moment of time (i.e weekdays, weekend, public holidays, joint holidays or religious holiday, etc) and the electricity load classification. In this analysis, we developed the Double Seasonal ARIMA (DSARIMA), Support Vector Regression (SVR), and hybrid DSARIMA-SVR. The DSARIMA model belong to linier model based on a well-known Box-Jenkins methodology. The SVR model belong to nonlinier model and the hybrid model is a mixing of linier and nonlinier models. The models are evaluated using Root Mean Square Error (RMSE) and Symmetric Mean Absolute Percentage Error (MAPE). The result shows that the accuracy of hybrid DSARIMA-SVR models are superior to the other individual models.]]>
<![CDATA[METODE ROBUST UNTUK ANALISIS KORELASI KANONIK ]]>
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 3, No 1 (2003) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v3i1.532
<![CDATA[Analisis korelasi kanonik adalah analisis statistik multivariate yang bertujuan untuk memeriksa adanya hubunganantara dua kelompok variabel dengan cara memaksimumkan nilai korelasi antar variabel baru yang merupakan kombinasi lineardari variabel yang ada pada setiap kelompok. Nilai korelasi tersebut rentan terhadap adanya pengamatan yang berpengaruh(influence-point). Untuk mengatasi kerentanan tersebut, diusulkan penggunaan metode robust. Dalam makalah ini disajikanperbandingan antara penggunaan metode robust dengan metode non-robust pada data kependudukan negara-negara di Asia.Metode non-robust yang digunakan adalah metode minimumcovariance determinant. Dari hasil penelitian ini, ada beberapanegara Asia yang dapat dianggap sebagai influence-point dan terdapat perbedaan hasil antara metode robust korelasi kanonik dannon-robust korelasikanonik.]]>
<![CDATA[Pemetaan Jumlah Property Crime di Provinsi Jawa Timur Menggunakan Metode Geographically Weighted Negative Binomial Regression (GWNBR) dan Geographically Weighted Poisson Regression (GWPR) ]]>
<![CDATA[Bagas Wahyu Yoga Priambodo]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Inferensi Vol 2, No 2 (2019): Inferensi ]]>
Publisher : <![CDATA[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
<![CDATA[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.]]>
<![CDATA[Klasifikasi Kinerja Karyawan Terhadap Penjualan Produk Menggunakan Metode Regresi Logistik dan Naïve Bayes (Studi Kasus PT. Gunung Meranti, Kalimantan Selatan) ]]>
<![CDATA[Nursya’bani Hendro Prabowo]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Inferensi Vol 1, No 2 (2018): Inferensi ]]>
Publisher : <![CDATA[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
<![CDATA[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.]]>
<![CDATA[Topic Discovery pada Dokumen Abstrak Jurnal Penelitian di Science Direct Menggunakan Association Rule ]]>
<![CDATA[Mochammad Farros Fatchur Roji]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Inferensi Vol 2, No 2 (2019): Inferensi ]]>
Publisher : <![CDATA[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
<![CDATA[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.]]>
<![CDATA[Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning ]]>
<![CDATA[Elly Pusporani]]>;
<![CDATA[Siti Qomariyah]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Inferensi Vol 2, No 1 (2019): Inferensi ]]>
Publisher : <![CDATA[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
<![CDATA[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.]]>
<![CDATA[Klasifikasi Kabupaten di Provinsi Jawa Timur Berdasarkan Indikator Daerah Tertinggal dengan metode Support Vector Machine (SVM) dan Entropy Based Fuzzy Support Vector Machine (EFSVM) ]]>
<![CDATA[Jefry Pranata Maulana]]>;
<![CDATA[Irhamah Irhamah]]>
<![CDATA[ Inferensi Vol 1, No 1 (2018): Inferensi ]]>
Publisher : <![CDATA[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
<![CDATA[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.]]>
