Articles
<![CDATA[PENERAPAN TEXT MINING DATA TWEET TOKOPEDIA MENGGUNAKAN K-MEANS CLUSTERING ]]>
<![CDATA[Mawaddah, Mawaddah]]>;
<![CDATA[Imro’ah, Nurfitri]]>;
<![CDATA[Aprizkiyandari, Siti]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v13i3.77706
<![CDATA[Media sosial yang sering digunakan untuk mengiklankan produk maupun jasa e-commerce salah satunya yaitu Twitter. Pelaku bisnis khususnya e-commerce harus bisa memilih konten yang disukai pelanggan yang ditandai dengan banyaknya jumlah retweet dan favorite pada konten yang diposting. Penerapan text mining menggunakan k-means clustering perlu diterapkan untuk mengolah data tweet yang besar guna membantu pelaku bisnis menentukan konten yang disukai followers. Data pada penelitian ini diambil dari username akun @tokopedia berupa data tweets dengan menggunakan bantuan R Studio pada tanggal 17 Desember 2022 yang memuat 3250 tweet yang telah diposting sebelum tanggal tersebut, yaitu dari tanggal 01 Oktober 2022 pukul 06.38 WIB hingga tanggal 16 Desember 2022 pukul 23.51 WIB. Selanjutnya, dilakukan proses text preprocessing, feature selection, dan pembobotan TF-IDF. Setelah melalui tahapan tersebut tweet kemudian dianalisis menggunakan k-means clustering dengan penentuan jumlah cluster terbaik menggunakan silhoutte coefficient. Kata tweets yang dikelompokkan secara garis besar terkait dengan kata yang dianggap menggambarkan atau merujuk pada promo Tokopedia, giveaway, dan kuis berhadiah. Metode k-means clustering digunakan untuk mengelompokkan tweet berdasarkan kesamaan pola dan karakteristik kata per kata yang terkandung dalam tweets Tokopedia dengan menggunakan pembobotan TF-IDF dan perhitungan jarak euclidean. Berdasarkan hasil clustering terdapat sembilan cluster terbaik. Rata-rata jumlah retweet dan favorite yang tinggi berdasarkan hasil clustering terdapat pada jenis konten diantaranya giveaway merchandise BTS dan cashback dari TokopediaxOppo (cluster 8); serta penawaran promo, diskon, dan cashback Tokopedia (cluster 3). Oleh karena itu, Tokopedia diharapkan dapat menggunakan jenis konten tweet tersebut sebagai sarana untuk meningkatkan minat followers. Kata Kunci : E-commerce, TF-IDF, Twitter, Silhoutte Coefficient.]]>
<![CDATA[PENERAPAN DYNAMIC TIME WARPING UNTUK PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN NILAI PDRB ]]>
<![CDATA[Haulia, Khofifah]]>;
<![CDATA[Imro’ah, Nurfitri]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v13i6.88172
<![CDATA[Pengalokasian dana pembangunan untuk pemerataan ekonomi dan infrastruktur di berbagai daerah di Indonesia masih cenderung terpusat pada satu wilayah tertentu. Penyebab ketimpangan ini adalah terbatasnya data dan informasi mengenai pola ekonomi daerah, yang mengakibatkan kesalahan dalam menetapkan kebijakan ekonomi sehingga mengakibatkan perencanaan tidak mencapai tujuan. Untuk mengatasi tantangan tersebut, diperlukan data Produk Domestik Regional Bruto (PDRB) sebagai indikator makroekonomi untuk menetapkan arah kebijakan dan strategi pembangunan ekonomi yang lebih efektif dan tepat sasaran. Pada kasus ini, digunakan analisis cluster time series untuk mengelompokan provinsi berdasarkan nilai PDRB. Penelitian ini bertujuan untuk menerapkan pengelompokan deret waktu berdasarkan jarak dynamic time warping dengan metode complete linkage untuk mengelompokan provinsi di Indonesia berdasarkan nilai PDRB. Hasil dari penelitian ini diperoleh dua cluster optimum, dimana cluster pertama terdiri dari 30 provinsi dengan struktur ekonomi beragam. Cluster kedua terdiri dari 4 provinsi yang memiliki karakteristik ekonomi serupa seperti tingkat industrialisasi tinggi dan infrastruktur yang baik. Pengelompokan ini menghasilkan nilai silhouette coefficient sebesar 0,846, menandakan klasifikasi yang baik dan menunjukkan pola konsisten dalam data PDRB. Kata Kunci: Dynamic Time Warping, Complete Linkage, PDRB]]>
<![CDATA[PENERAPAN METODE CERTAINTY FACTOR PADA SISTEM PAKAR PENENTUAN BIDANG MINAT PROGRAM STUDI STATISTIKA FMIPA UNTAN ]]>
<![CDATA[Gunawan, Sucipto]]>;
<![CDATA[Imro’ah, Nurfitri]]>;
<![CDATA[Perdana, Hendra]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v13i5.85805
<![CDATA[Program Studi (PS) Statistik Universitas Tanjungpura (Untan) memberikan pilihan bidang minat yang nantinya dipilih oleh mahasiswa agar kedepannya bisa sesuai dengan lapangan pekerjaan yang akan ditekuni. Terdapat tiga pilihan bidang minat yang ada di program studi yaitu, bidang minat bisnis dan keuangan, sosial dan industri, serta lingkungan dan kebencanaan. Penelitian ini menggunakan data primer dengan responden mahasiswa PS Statistik Untan. Terdapat 30 responden dengan rincian 10 responden tiap bidang minat. Penelitian ini menggunakan metode Certainty Factor dengan tujuan untuk membantu mahasiswa dalam menentukan pilihan bidang minat pada PS Statistik Untan. Berdasarkan hasil penelitian diperoleh bahwa Proses metode analisis certainty factor dimulai dengan menentukan mata kuliah dan nilai bobot untuk tiap mata kuliah. Selanjutnya penentuan nilai bobot dari nilai huruf yang diperoleh pada mata kuliah. Sebagai ilustrasi digunakan nilai hasil 11 mata kuliah pada semester 3 dan 4 dari seorang mahasiswa A sehingga diperoleh nilai CF user. Kemudian dihitung nilai setiap faktor kriteria kombinasi (CF Kombinasi) di tiap klasifikasi bidang minat. Berdasarkan hasil perhitungan, diperoleh bahwa mahasiswa tersebut direkomendasikan memilih bidang minat Sosial dan Industri karena memiliki nilai CF kombinasi tertinggi dibandingkan minat lainnya yaitu sebesar 65,62%.Kata Kunci: Bidang minat, Sistem Pakar, Certainty Factor]]>
<![CDATA[MODERATED PLS-SEM: PERAN IHSG SEBAGAI MODERATOR DI ANTARA RASIO KEUANGAN DAN NILAI PERUSAHAAN PERBANKAN ]]>
<![CDATA[Rifqi, Bhima Fairul]]>;
<![CDATA[Sulistianingsih, Evy]]>;
<![CDATA[Imro’ah, Nurfitri]]>
<![CDATA[ Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v13i5.84970
<![CDATA[Perusahaan merupakan satu dari sekian banyak aset yang sangat berharga dan bernilai. Semakin bagus kinerja suatu perusahaan, semakin naik pula harga dan nilai dari perusahaan tersebut. Hasil kinerja suatu perusahaan dimuat di dalam laporan keuangan yang dalam bentuk rasio-rasio keuangan. Salah satu metode yang dapat diterapkan untuk melakukan analisis nilai perusahaan ialah Moderated Partial Least Squared-Structural Equation Modeling (Moderated PLS-SEM). Moderated PLS-SEM merupakan metode PLS-SEM yang melibatkan variabel moderator. PLS-SEM adalah teknik analisis multivariat berbasis varian yang tidak memerlukan asumsi normalitas dan bisa digunakan pada sampel yang berjumlah relatif kecil, sedangkan variabel moderator merupakan variabel yang bisa meningkatkan atau menurunkan tingkat hubungan antara variabel laten eksogen (ξ) dan variabel laten endogen (η), melalui pembentukan variabel interaksi. Variabel interaksi adalah variabel yang terbentuk dari interaksi antara variabel laten eksogen dan variabel moderator. Penelitian ini berfokus pada analisis pengaruh rasio-rasio keuangan (profitabilitas, likuiditas, dan solvabilitas) terhadap nilai perusahaan perbankan, serta peran Indeks Harga Saham Gabungan (IHSG) dalam memoderasi hubungan antara rasio-rasio keuangan dan nilai perusahaan. Kesimpulan yang didapat ialah hanya profitabilitas yang memberikan pengaruh signifikan terhadap nilai perusahaan perbankan dan IHSG dapat memperkuat hubungan antara rasio solvabilitas dan nilai perusahaan. Profitabilitas dan variable interaksi yang terbentuk antara solvabilitas dan IHSG mempengaruhi nilai perusahaan sebesar 46,2%.Kata Kunci: Rasio Keuangan, Interaksi, Moderasi.]]>
<![CDATA[IMPLEMENTASI ADDITIVE RATIO ASSESSMENT (ARAS) PADA SELEKSI PENERIMAAN BEASISWA KIP KULIAH DI UNIVERSITAS TANJUNGPURA ]]>
<![CDATA[Riovani, Vriska Dwi]]>;
<![CDATA[Martha, Shantika]]>;
<![CDATA[Imro’ah, Nurfitri]]>
<![CDATA[ BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v14i2.91922
<![CDATA[Kartu Indonesia Pintar (KIP) Kuliah adalah salah satu beasiswa yang disediakan oleh pemerintah bagi mahasiswa yang kurang mampu untuk melanjutkan pendidikan di perguruan tinggi. Keterbatasan kuota penerimaan membuat pihak pengelola beasiswa memerlukan sistem pendukung keputusan untuk menyeleksi pendaftar agar lebih tepat sasaran. Salah satu metode dalam sistem pendukung keputusan adalah metode Additive Ratio Assessment (ARAS). Keunggulan dari metode ARAS terletak dari keefisienan dalam penanganan jumlah dan jenis kriteria. Tujuan penelitian ini untuk membantu dalam menentukan pendaftar yang layak menerima beasiswa KIP Kuliah menggunakan metode ARAS. Data yang digunakan berupa data pendaftar beasiswa KIP Kuliah yang diperoleh dari Biro Akademik dan Kemahasiswaan Universitas Tanjungpura. Jumlah sampel didapatkan menggunakan metode Slovin sebesar 317 sampel. Terdapat lima kriteria yang digunakan yaitu pekerjaan ayah (C1), penghasilan ayah (C2), pekerjaan ibu (C3), penghasilan ibu (C4) dan jumlah tanggungan (C5). Hasil penelitian ini berupa 153 pendaftar yang diterima berdasarkan pemeringkatan dari hasil utility degree tertinggi dengan tingkat akurasi sebesar 47%. Hal ini dapat disebabkan karena terdapat beberapa penggunaan kriteria tambahan dari pihak BAK UNTAN yang tidak digunakan dalam penelitian ini. Kata Kunci : Sistem Pendukung Keputusan, Utility Degree, Peringkat.]]>
<![CDATA[PERAMALAN HARGA PENUTUPAN INDEKS SAHAM LQ45 DENGAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN) ]]>
<![CDATA[Wati, Setio Kusumo]]>;
<![CDATA[Imro’ah, Nurfitri]]>;
<![CDATA[Sulistianingsih, Evy]]>
<![CDATA[ BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v14i2.92340
<![CDATA[Investasi merupakan salah satu faktor pendorong pertumbuhan ekonomi nasional melalui pembiayaan pada sektor riil. Salah satu sektor dalam pembiayaan riil yaitu pasar modal yang menawarkan berbagai jenis investasi seperti saham. Indeks Saham LQ45 merupakan salah satu indikator pergerakan harga saham dari 45 saham yang memiliki likuiditas dan kapitalisasi pasar tinggi. Fluktuasi harga saham pasti terjadi sehingga diperlukan pendekatan analisis keuangan yang memiliki peluang untuk meramalkan harga saham dengan tingkat akurasi yang lebih baik. Metode Generalized Regression Neural Network (GRNN) menjadi metode pembelajaran mesin yang dapat digunakan untuk memprediksi harga Indeks Saham LQ45. Metode GRNN merupakan salah satu jaringan radial basis yang didasarkan pada regresi kernel dengan keunggulan tidak memiliki prosedur iterasi dalam proses optimasinya. Tujuan Penelitian ini adalah untuk meramalkan harga penutupan Indeks Saham LQ45 dalam lima periode ke depan dengan metode GRNN. Data yang digunakan pada penelitian ini adalah data harga penutupan harian Indeks Saham LQ45 Periode Januari 2020 hingga September 2024. Penelitian ini menggunakan 1147 data harga penutupan Indeks Saham LQ45 yang dibagi menjadi 80% data pelatihan dan 20% data pengujian. Hasil penelitian menunjukkan bahwa pada pengujian model menggunakan data pengujian, spread terbaik yang digunakan yaitu 0,01 yang memberikan nilai MSE sebesar 11,6404 dan nilai MAPE sebesar 0,28%. Hasil peramalan menunjukkan bahwa dari lima periode peramalan, harga peramalan terbesar sebesar 944,75 terjadi pada tanggal 3 Oktober 2024, sedangkan harga peramalan terkecil sebesar 934,30 terjadi pada tanggal 1 Oktober 2024. Kata Kunci : Jaringan Syaraf Tiruan, Regresi Kernel, Spread.]]>
<![CDATA[METODE LEAST ABSOLUTE SHRINKAGE AND SELECTION OPERATOR (LASSO) UNTUK PENDUGAAN PARAMETER REGRESI LOGISTIK BINER (Studi Kasus: Faktor-faktor Tingkat Kemiskinan di Indonesia Tahun 2021) ]]>
<![CDATA[Kamila, Diva Rahma]]>;
<![CDATA[Imro’ah, Nurfitri]]>;
<![CDATA[Sulistianingsih, Evy]]>
<![CDATA[ BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v14i1.91808
<![CDATA[Metode Least Absolute Shrinkage and Selection Operator (LASSO) merupakan pendekatan regresi yang efektif dalam mengatasi multikolinieritas dengan meminimalkan jumlah kuadrat galat dan menerapkan batasan penalti. Batasan ini memungkinkan LASSO mengecilkan beberapa koefisien hingga nol, sekaligus melakukan seleksi variabel. Salah satu isu strategis yang dapat dianalisis dengan metode LASSO adalah kemiskinan. Kemiskinan berkaitan erat dengan kesejahteraan masyarakat dan menjadi tantangan utama di negara berkembang seperti Indonesia, yang dipengaruhi oleh berbagai faktor. Penelitian ini menerapkan metode LASSO untuk mengatasi multikolinieritas dalam regresi logistik biner terkait faktor-faktor yang mempengaruhi persentase tingkat kemiskinan di Indonesia pada 2021. Tahapan penelitian mencakup pengumpulan data, penerapan metode, seleksi variabel yang signifikan, dan analisis hasil. Hasil menunjukkan bahwa metode LASSO efektif dalam menangani multikolinearitas melalui seleksi variabel, dengan variabel yang masuk dalam model adalah jumlah penduduk miskin, umur harapan hidup, pengeluaran per kapita, dan PDRB serta pengeluaran per kapita dan PDRB sebagai faktor signifikan. Nilai kesalahan klasifikasi model atau Apparent Error Rate (APER) yang diperoleh adalah sebesar 20,5882% dan ketepatan klasifikasi sebesar 79,4118%. Artinya, secara keseluruhan terdapat sebanyak 27 dari 34 provinsi dapat diprediksi secara tepat dengan model yang diperoleh. Sehingga dapat disimpulkan bahwa pengklasifikasian persentase tingkat kemiskinan berdasarkan yang berada di atas rata-rata dan di bawah rata-rata persentase tingkat kemiskinan dalam model regresi logistik biner LASSO memiliki kriteria cukup baik.]]>
<![CDATA[PENERAPAN ALGORITMA K-MEDOIDS DENGAN OPTIMASI GAP STATISTICS DALAM PENGELOMPOKAN DAERAH RAWAN KRIMINALITAS DI INDONESIA ]]>
<![CDATA[Dyaherawati, Oktavia]]>;
<![CDATA[Martha, Shantika]]>;
<![CDATA[Imro’ah, Nurfitri]]>
<![CDATA[ BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v14i1.91906
<![CDATA[Kriminalitas atau tindak kejahatan adalah setiap perbuatan yang melanggar hukum pidana. Informasi terkait banyaknya tindak kejahatan yang terjadi sangat dibutuhkan oleh masyarakat dan penegak hukum. Penelitian ini bertujuan untuk mengelompokkan daerah rawan kriminalitas pada provinsi di Indonesia menggunakan algoritma K-Medoids dengan optimasi Gap Statistics. Algoritma K-Medoids merupakan metode analisis cluster dengan menggunakan perwakilan dari objek sebagai pusat cluster. Penentuan jumlah cluster teraik pada metode ini masih belum memiliki dasar teori yang jelas, sehingga diperlukan pendekatan untuk mengidentifikasi jumlah cluster optimal. Gap statistics merupakan salah satu pendekatan terbaik untuk menentukan jumlah cluster optimal dengan membangkitkan data acak dalam penentuan jumlah kelompok optimum. Data yang digunakan merupakan data sekunder yang didapatkan dari publikasi Badan Pusat Statistik yaitu Statistik Kriminal 2023 yang berisi data jumlah kriminalitas menurut jenis kejahatan dan kepolisian daerah tahun 2022. Penelitian ini berfokus untuk membentuk kelompok yang berisi provinsi dengan jarak terdekat berdasarkan karakteristik dari kriminalitas menggunakan analisis cluster. Berdasarkan analisis yang telah dilakukan, jumlah cluster optimal yang terbentuk berjumlah empat cluster dengan nilai gap statistics yang diperoleh sebesar 0,65. Cluster 1 dikategorikan sebagai daerah sangat rawan kriminalitas yang terdiri dari tiga provinsi, Cluster 2 dikategorikan sebagai daerah rawan kriminalitas yang terdiri dari dua provinsi, Cluster 3 dikategorikan sebagai daerah cukup rawan kriminalitas yang terdiri dari tujuh provinsi, dan Cluster 4 dikategorikan sebagai daerah tidak rawan kriminalitas yang terdiri dari 22 provinsi. Kata Kunci : kriminalitas, analisis cluster, cluster optimal, outlier.]]>
<![CDATA[OPTIMALISASI MODEL GRADIENT BOOSTING MACHINE DENGAN GRID SEARCH UNTUK MENENTUKAN KELAYAKAN PEMBERIAN KREDIT BANK ]]>
<![CDATA[Ramadhania, Wahida]]>;
<![CDATA[Satyahadewi, Neva]]>;
<![CDATA[Imro’ah, Nurfitri]]>
<![CDATA[ BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v14i1.91908
<![CDATA[Pengambilan keputusan dalam menentukan kelayakan pemberian kredit melibatkan berbagai faktor kompleks seperti riwayat kredit, pendapatan pekerjaan, dan jumlah tanggungan. Tujuan dari penelitian ini ialah menentukan tingkat akurasi model Gradient Boosting Machine (GBM) menggunakan teknik optimasi parameter dengan Grid Search untuk menganalisis hasil klasifikasi kelayakan pemberian kredit. Pendekatan yang digunakan termasuk dalam metode supervised learning. Supervised Learning merupakan salah satu pembelajaran mesin yang bertujuan untuk menyelesaikan masalah seperti klasifikasi dengan mengindentifikasi variabel target menggunakan model hasil pelatihan dari data berkategori. GBM merupakan salah satu algoritma klasifikasi supervised learning berbasis decision tree. Permasalahan pada GBM adalah kecenderungan mengalami overfitting yang disebabkan oleh pengaturan hyperparameter yang tidak optimal. Hal ini dapat diatasi dengan teknik optimasi parameter seperti grid search. Data yang digunakan yaitu data historis nasabah yang berasal dari website www.kaggle.com sebanyak 730 data debitur dengan 162 pinjaman yang disetujui dan 568 pinjaman tidak disetujui. Langkah penelitian yang pertama yaitu preprocessing data, kemudian membagi data menjadi data training dan data testing dengan proporsi 80:20, menangani imbalance class pada data training menggunakan Random Oversampling (ROS), membuat model GBM tanpa grid search dan model GBM menggunakan grid search. Hasil penelitian didapatkan akurasi model GBM tanpa grid search yaitu sebesar 83,43% sedangkan akurasi model GBM dengan grid search diperoleh sebesar 95,15%. Hal ini menunjukkan bahwa metode GBM menggunakan optimasi grid search menghasilkan kinerja yang lebih baik dibandingkan tanpa optimasi. Kata Kunci : ROS, Optimasi Parameter, Supervised Learning]]>
<![CDATA[PERAMALAN DATA CURAH HUJAN DENGAN METODE WAVELET-VAR ]]>
<![CDATA[Melvin, Melvin]]>;
<![CDATA[Imro’ah, Nurfitri]]>;
<![CDATA[Sulistianingsih, Evy]]>
<![CDATA[ BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya ]]>
Publisher : <![CDATA[FMIPA Universitas Tanjungpura ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v14i2.92213
<![CDATA[Peramalan curah hujan yang akurat memiliki peran penting dalam pengelolaan sumber daya alam dan pencegahan bencana karena dapat memberikan informasi yang akurat mengenai kondisi cuaca yang akan datang, sehingga memungkinkan pengambilan keputusan yang lebih efisien. Dengan peramalan yang akurat, kita dapat merencanakan kegiatan pertanian, perikanan, dan pemanfaatan sumber daya alam lainnya secara optimal, serta meminimalkan risiko kerusakan atau bencana seperti banjir dan badai yang dapat membahayakan kehidupan dan infrastruktur. Studi ini dilakukan dengan menggunakan metode Wavelet untuk mengurangi gangguan pada data curah hujan, yang kemudian dilakukan proses peramalan dengan menerapkan model Vector Autoregressive (VAR). Pemilihan data curah hujan dan kecepatan angin sebagai fokus analisis sangat relevan karena kedua variabel ini mempengaruhi banyak sektor, seperti pertanian, perairan, dan transportasi. Penelitian ini memanfaatkan data yang berisi catatan bulanan tentang curah hujan dan kecepatan angin di Kota Pontianak dari Mei 2012 hingga Desember 2022, dengan perhatian khusus pada pentingnya stasionaritas data agar model yang dihasilkan valid. Hasil penelitian menunjukkan bahwa metode Wavelet-VAR mampu memberikan akurasi peramalan curah hujan dengan hasil perhitungan Mean Absolute Percentage Error (MAPE) senilai 6,17%. Nilai MAPE ini menunjukkan bahwa metode Wavelet-VAR sangat akurat dalam meramalan data curah hujan. Kata Kunci : stasioner, transformasi wavelet, vector autoregressive]]>
