Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Statistika dan Komputasi (STATKOM) Equiva
Simatupang, Syalam Ali Wira Dinata
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Physics Social Sciences Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis IPM di Kalimantan Timur Tahun 2021 Dengan Pendekatan Metode OLS dan GWR Tama, Yanuar Bhakti Wira; Ardila, Dwiki Jaya; Simatupang, Syalam Ali Wira Dinata; Dewanti, Retno Wahyu
Jurnal Statistika dan Komputasi Vol. 2 No. 2 (2023): Jurnal Statistika dan Komputasi
Publisher : Universitas Nahdlatul Ulama Sunan Giri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32665/statkom.v2i2.2315

Abstract

Latar   Belakang:  Provinsi Kalimantan Timur merupakan salah satu provinsi yang memiliki potensi ekonomi yang signifikan di Indonesia. Namun, untuk mencapai pembangunan yang berkelanjutan dan meningkatkan kesejahteraan masyarakat, perlu dilakukan analisis yang mendalam terhadap faktor-faktor yang mempengaruhi Indeks Pembangunan Manusia atau IPM di wilayah ini. Tujuan: Penelitian ini bertujuan untuk menganalisis regresi spasial pada IPM di Kalimantan Timur tahun 2021. Metode: Metodologi penelitian mencakup sumber data yang digunakan dan variabel penelitian yang terdiri dari variabel dependen (IPM) dan variabel independen yang meliputi harapan lama sekolah, umur harapan hidup, rata-rata lama sekolah, rasio ketergantungan, tingkat pengangguran terbuka, dan tingkat partisipasi angkatan kerja. Kemudian akan dibandingkan dengan dua metode yaitu metode Ordinary Least Square (OLS) dan Geographically weighted regression (GWR). Hasil: Model GWR Indeks Pembangunan Manusia di Kalimantan Timur lebih baik dibandingkan model OLS. R square yang didapatkan dengan pemodelan GWR lebih kecil yaitu sebesar 0.984551, Sedangkan Model OLS didapatkan nilai sebesar 0.985. Kesimpulan: Setiap wilayah di Kalimantan Timur memiliki karakteristik yang berbeda-beda atau memiliki unsur spasial. Nilai IPM tertinggi adalah Kota Samarinda, sedangkan terendah adalah Kabupaten Mahakam Ulu.
Implementasi Multiple Regression dan Geograpically Weighted Regression Guna Pemodelan Indeks Pembangunan Manusia Provinsi Bali Tahun 2019 Satyaninggrat, Luh Made Wisnu; Simatupang, Syalam Ali Wira Dinata; Kurniawan, Echsan
Equiva Journal Vol 1 No 1 (2023)
Publisher : Jurusan Matematika dan Teknologi Informasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35718/equiva.v1i1.764

Abstract

Indeks Pembangunan Manusia (IPM) merupakan parameter penting dalam menentukan keberhasilan peningkatan atau pengembangan kualitas hidup manusia. Manusia diharapkan dapat menjadi subjek dalam membangun IPM, sehingga dapat berkontribusi bagi perkembangan suatu wilayah. Dalam upaya memajukan IPM, terdapat beberapa faktor yang mempengaruhinya, yaitu rata-rata pengeluaran per kapita, pertumbuhan PDRB/ekonomi, persentase penduduk miskin, banyaknya sarana kesehatan, dan rata-rata lama sekolah. Pada penelitian ini akan membahas terkait besarnya pengaruh beberapa faktor terhadap indeks pembangunan manusia di provinsi Bali tahun 2019. Adapun metode yang digunakan pada penelitian ini yaitu metode analisis regresi linier berganda (multiple regression) sebagai analisis global dan metode Geograpically Weighted Regression (GWR) sebagai analisis spasial. Hasil penelitian menunjukkan bahwa faktor yang berpengaruh signifikan terhadap IPM bali berdasarkan model regresi linier berganda adalah rata-rata lama sekolah. Sedangkan berdasarkan pemodelan GWR diketahui bahwa hasilnya kurang lebih sama dengan regresi OLS dibuktikan dengan hasil uji goodness of fit. Diketahui nilai AIC regresi GWR lebih kecil dari nilai AIC regresi berganda artinya pemodelan GWR lebih cocok dalam menggambarkan IPM Bali 2019.
COMPARISON IN PREDICTING THE SHORT-TERM USING THE SARIMA, DSARIMA AND TSARIMA METHODS Giovani, Muhammad; Anggriani, Indira; Simatupang, Syalam Ali Wira Dinata
BAREKENG: Jurnal Ilmu Matematika dan Terapan Vol 16 No 4 (2022): BAREKENG: Journal of Mathematics and Its Applications
Publisher : PATTIMURA UNIVERSITY

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (529.483 KB) | DOI: 10.30598/barekengvol16iss4pp1487-1496

Abstract

The flow of data and information is growing rapidly and rapidly in various sizes and means which is called Big Data. In the face of a change for the better in the future, a careful analysis and design of a data processing system is needed, in which a predictive framework can formulate the right policy to be one of the efforts to make a good decision. This is one of the appropriate Big Data processing efforts, which can be realized through one of the methods, namely prediction or forecasting is an effort to predict future values or trends as a reference for analyzing conditions in the past. One example of Big Data in the City of Balikpapan, namely the temperature within 2 meters obtained from the NASA satellite published on the website power.larc.nasa.gov. One of the methods used in this research is the ARIMA method and it is developed according to the data used. Based on the data to be used, namely temperature data within a distance of 2 meters in the city of Balikpapan, the development of data processing is carried out to pay attention to three seasonal patterns or the so-called Triple Seasonal ARIMA model. In this study, it can be seen how to build the Triple Seasonal ARIMA model and comparison with alternative models, namely Seasonal ARIMA and Double Seasonal ARIMA, and can see how the results of the Triple Seasonal ARIMA model accuracy when compared with alternative models. The method used in this study is the Seasonal ARIMA, Double Seasonal ARIMA and Triple Seasonal ARIMA methods. The results obtained in this study obtained a comparison of methods in making predictions with a specified time span, the results obtained from the Seasonal ARIMA model that it was very good at predicting a time span of 2 weeks, Double Seasonal ARIMA for a period of 1 month, Double Seasonal ARIMA for a period of 3 months, and Triple Seasonal ARIMA for a period of 6 months.
Co-Authors Anggriani, Indira Ardila, Dwiki Jaya Giovani, Muhammad Kurniawan, Echsan Luh Made Wisnu Satyaninggrat Retno Wahyu Dewanti Yanuar Bhakti Wira Tama