Article Per Year (5 Year)
p-Index From 2020 - 2025
0.817
P-Index
This Author published in this journals
All Journal Eksakta : Berkala Ilmiah Bidang MIPA Lattice Journal : Journal of Mathematics Education and Applied Limits: Journal of Mathematics and Its Applications
Maiyastri
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Astronomy Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Energy Engineering Environmental Science Materials Science & Nanotechnology Mathematics Mechanical Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Clustering Provinces in Indonesia Based on The Main Food Crop Production Using The Spatial Fuzzy C-Means Yozza, Hazmira; Aldi Mukhlis; Maiyastri
EKSAKTA: Berkala Ilmiah Bidang MIPA Vol. 25 No. 04 (2024): Eksakta : Berkala Ilmiah Bidang MIPA (E-ISSN : 2549-7464)
Publisher : Faculty of Mathematics and Natural Sciences (FMIPA), Universitas Negeri Padang, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24036/eksakta/vol25-iss04/385

Abstract

Agriculture plays a strategic role in achieving food security in Indonesia. However, the production of major food crops in Indonesia shows uneven distribution, which may affect efforts to achieve food self-sufficiency. This study aims to cluster 34 provinces in Indonesia based on the total production of seven major food crops (rice, corn, soybean, mung bean, peanut, cassava, and sweet potato) using the Spatial Fuzzy C-Means (sFCM) method. Cluster validation using Modified Partition Coefficient (MPC) and Partition Entropy (PE) shows that the clustering results have high membership clarity and low entropy, making them relevant for spatial data analysis. The findings highlight the unequal distribution of food crop production and provide policy recommendations, where the first cluster can be optimized as a national food production hub, while the second cluster requires interventions based on infrastructure, technology, and redistribution policies.  This research makes an important contribution in providing a data-driven scientific basis for food production equity planning. The sFCM method used demonstrates effective capabilities in analyzing data with spatial elements, supporting more inclusive policies for the improvement of national food security and the achievement of sustainable development goals in Indonesia. 
Komparasi Model Pertambahan Tinggi Badan Balita Stunting Dengan Metode Regresi Kuantil dan Regresi Kuantil Bayesian Ferra Yanuar; Cintya Mukti; Maiyastri
Limits: Journal of Mathematics and Its Applications Vol. 20 No. 2 (2023): Limits: Journal of Mathematics and Its Applications Volume 20 Nomor 2 Edisi Ju
Publisher : Pusat Publikasi Ilmiah LPPM Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengkonstruksi model pertambahan tinggi badan balita stunting di Kabupaten Solok dengan menggunakan metode regresi kuantil dan metode regresi kuantil Bayesian. Metode regresi kuantil merupakan metode pendugaan parameter yang dilakukan dengan membagi data menjadi dua bagian yang tidak harus simetri ketika dicurigai terdapat perbedaan nilai estimator pada kuantil-kuantil tertentu. Metode regresi kuantil Bayesian merupakan metode pendugaan parameter yang menggabungkan konsep analisis kuantil ke dalam pendekatan Bayesian. Pada pendekatan Bayesian, digunakan distribusi Asymmetric Laplace Distribution (ALD) dalam pembentukan fungsi likelihood sebagai dasar dari pembentukan distribusi posterior yang digunakan dalam proses pendugaan parameter. Data penelitian yang digunakan adalah data 950 balita stunting di Kabupaten Solok pada bulan Agustus 2021 dan bulan Februari 2022. Pada penelitian ini diperoleh bahwa metode regresi kuantil Bayesian menghasilkan model dugaan yang lebih baik daripada metode regresi kuantil. Kriteria kebaikan model adalah berdasarkan lebar selang kepercayaan 95% terpendek dan nilai terbesar. Faktor-faktor yang signifikan dalam mempengaruhi pertambahan tinggi badan balita stunting di Kabupaten Solok adalah jenis kelamin, berat badan lahir, ASI eksklusif, dan imunisasi.
Pemodelan Return Harga Emas Dengan Pendekatan Inferensi Bayesian ARFIMA Acnesya, Vivin; Devianto, Dodi; Maiyastri
Lattice Journal : Journal of Mathematics Education and Applied Vol. 5 No. 1 (2025): Juni 2025
Publisher : Universitas Islam Negeri Sjech M. Djamil Djambek Bukittinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30983/lattice.v5i1.9403

Abstract

Volatility in stock and commodity prices, such as gold, plays a crucial role in investment decisions because high price fluctuations increase risk but also create opportunities for higher returns. The Autoregressive Fractionally Integrated Moving Average (ARFIMA) model, an extension of the ARIMA model, is capable of modeling data with long-term dependencies (long memory). This study applies the Bayesian ARFIMA inference model to address parameter uncertainty by incorporating prior information. The study focuses on modeling monthly gold price returns from January 2014 to December 2024, totaling 132 observations. According to Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC) values, the Bayesian ARFIMA model achieves slightly better performance with an AIC of -475.2392 and BIC of -469.6136, compared to the ARFIMA model’s AIC of -474.7184 and BIC of -468.968. Gold returns exhibit a long memory characteristic, meaning current price fluctuations can have persistent effects over time. Therefore, investing in gold is highly profitable as it preserves asset value and provides stability against economic volatility.   Volatilitas harga saham dan komoditas, seperti emas merupakan salah satu faktor penting dalam proses pengambilan keputusan investasi, karena fluktuasi harga yang tinggi dapat meningkatkan risiko sekaligus menciptakan peluang untuk memperoleh keuntungan yang lebih besar. Dalam analisis deret waktu (time series), model Autoregressive Fractionally Integrated Moving Average (ARFIMA) merupakan pengembangan dari model Autoregressive Integrated Moving Average (ARIMA) yang mampu memodelkan data dengan ketergantungan jangka panjang (long memory). Penelitian ini menggunakan model inferensi Bayesian ARFIMA untuk mengatasi ketidakpastian pada parameter dengan memanfaatkan informasi prior yang diperoleh. Fokus penelitian adalah pemodelan return harga emas bulanan periode Januari 2014 hingga Desember 2024 dengan total 132 data. Berdasarkan perhitungan Akaike Information Criterion (AIC) dan Bayesian Information Criterion (BIC), model Bayesian ARFIMA memperoleh nilai AIC sebesar -475.2392 dan BIC sebesar -469.6136, sedikit lebih baik dibandingkan model ARFIMA yang memiliki AIC -474.7184 dan BIC -468.968. Harga return emas mengandung sifat long memory yang artinya bahwa fluktuasi harga yang terjadi saat ini dapat memiliki pengaruh yang bertahan dalam jangka panjang, sehingga investasi dalam bentuk emas menjadi sangat menguntungkan karena mampu menjaga nilai aset dari waktu ke waktu dan memberikan stabilitas terhadap gejolak ekonomi.
Pemodelan dan Peramalan Volatilitas Memori Panjang pada Return Saham ANTM Studi Komparatif Model GARCH dan FIGARCH Rafulta, Elfa; Yanuar, Ferra; Devianto, Dodi; Maiyastri
Lattice Journal : Journal of Mathematics Education and Applied Vol. 5 No. 1 (2025): Juni 2025
Publisher : Universitas Islam Negeri Sjech M. Djamil Djambek Bukittinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30983/lattice.v5i1.9525

Abstract

This study aims to model and forecast the volatility of ANTM stock returns using FIGARCH and GARCH models to capture both short- and long-memory dynamics. Daily return data spanning from January 1, 2014, to December 31, 2024, were analyzed after stationarity confirmation via ADF test. A mean model was estimated using MA (4), followed by conditional variance modeling with GARCH (1,1) and FIGARCH (1, d,1). Diagnostic tests confirmed the presence of heteroskedasticity and long memory, justifying FIGARCH usage. The FIGARCH (1, d,1) model indicated significant long-memory effects (d = 0.461007), while GARCH (1,1) effectively captured short-term volatility clustering. Forecast performance comparison showed that although both models yielded equal RMSE (0.029000), GARCH (1,1) performed better in terms of MAE (0.019531 vs. 0.019529) and MAPE (192.0809 vs. 192.3617). However, FIGARCH demonstrated superior ability in modeling persistent volatility patterns with smoother conditional variance distribution and better long-term uncertainty estimation. These findings suggest that while GARCH is preferable for short-term predictive accuracy, FIGARCH offers more robust insights into long-term volatility persistence, making it suitable for strategic financial risk management.   Penelitian ini bertujuan untuk memodelkan dan meramalkan volatilitas return saham ANTM menggunakan model GARCH dan FIGARCH guna menangkap dinamika volatilitas jangka pendek dan panjang. Data return harian dari 1 Januari 2014 hingga 31 Desember 2024 dianalisis setelah melalui uji stasioneritas ADF. Model rata-rata ditentukan menggunakan MA (4), dilanjutkan dengan pemodelan varian bersyarat menggunakan GARCH (1,1) dan FIGARCH (1, d,1). Uji diagnostik menunjukkan adanya heteroskedastisitas dan efek memori panjang, mendukung penggunaan model FIGARCH. Hasil estimasi menunjukkan bahwa model FIGARCH (1, d,1) memiliki nilai d = 0,461007, mengindikasikan adanya efek long memory yang signifikan, sedangkan GARCH (1,1) efektif dalam menangkap klaster volatilitas jangka pendek. Evaluasi kinerja peramalan menunjukkan kedua model memiliki nilai RMSE yang sama (0,029000), namun GARCH (1,1) lebih unggul dalam MAE (0,019531 vs. 0,019529) dan MAPE (192,0809 vs. 192,3617). Meskipun demikian, FIGARCH menunjukkan keunggulan dalam menangkap pola volatilitas jangka panjang yang stabil. Dengan demikian, GARCH cocok untuk akurasi prediksi jangka pendek, sementara FIGARCH lebih direkomendasikan untuk estimasi risiko jangka panjang dalam pengelolaan keuangan strategis.
Co-Authors Acnesya, Vivin Aldi Mukhlis Cintya Mukti Devianto, Dodi Elfa Rafulta Hazmira Yozza Yanuar, Ferra