Adipradana, Dimaz Wisnu
Departemen Aktuaria Institut Teknologi Sepuluh Nopember Surabaya

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Jurnal Sains dan Seni ITS

Perbandingan Metode Klaster K-medoids dan K-means terhadap Hasil Peramalan Kemiskinan di Indonesia Menggunakan Backpropagation Neural Network Ramadhan, Riansyah Fazar; Ahmad, Imam Safawi; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 13, No 5 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i5.150143

Abstract

Kemiskinan di Indonesia merupakan isu kompleks dan multidimensi, dengan persentase penduduk miskin yang mengalami penurunan dari tahun ke tahun, namun masih mencapai sekitar 9,36% dari total populasi atau sekitar 25,90 juta orang pada Maret 2023. Untuk mengatasi tantangan ini, diperlukan strategi penanganan yang efektif dan tepat sasaran. Salah satu pendekatan yang dapat ditempuh untuk merumuskan strategi yang lebih efektif adalah dengan melakukan peramalan tingkat kemiskinan di Indonesia. Sebelumnya, studi telah menyoroti bahwa metode peramalan menggunakan teknik pembelajaran mesin Backpropagation Neural Network (BPNN) dapat memberikan hasil yang dapat diandalkan, mengingat kemampuannya dalam memodelkan pola kompleks dalam data dan memahami hubungan nonlinear. Setelah melakukan peramalan, langkah selanjutnya adalah melakukan klasterisasi untuk memahami pola spasial atau geografis dari hasil peramalan tersebut. Meskipun klasterisasi k-Means merupakan metode klaster yang umum digunakan, beberapa kelemahan seperti sensitivitas terhadap outlier, penurunan performa ketika ukuran klaster tidak seimbang, dan dependensi performa klaster pada pemilihan jumlah klaster dan titik pusat secara acak. Oleh karena itu, muncul ide untuk mencari alternatif metode klaster yang lebih baik dan akurat dalam mengelompokkan hasil peramalan tingkat kemiskinan di Indonesia. Penelitian ini bertujuan untuk membandingkan antara dua metode klasterisasi, yaitu k-Means dan k-Medoids, terhadap hasil peramalan tingkat kemiskinan di Indonesia. Metode peramalan yang akan digunakan adalah Backpropagation Neural Network (BPNN). Hasil analisis peramalan menunjukkan tren penurunan tingkat kemiskinan secara menyeluruh di Indonesia. Evaluasi DBI terhadap klaster menunjukkan bahwa klaster terbaik diraih menggunakan K-means dengan nilai sebesar 0,828406641 dan membentuk lima klaster dengan rincian klaster 1 sebanyak 4 provinsi, klaster 2 sebanyak 13 provinsi, klaster 3 sebanyak 9 provinsi, dan klaster 4 sebanyak 8 provinsi.
Penerapan Gravitational Search Algorithm-Fuzzy C-Means (GSA-FCM) pada Pemetaan Indeks Ketahanan Pangan di Indonesia Mustofa, Andrea Avisa Nurhidayatul; Atok, R. Mohamad; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.149494

Abstract

Kerawanan pangan dan gizi merupakan isu penting yang harus dituntaskan karena pangan merupakan kebutuhan pokok makhluk hidup. Upaya pengentasan kerawanan pangan terus dilakukan demi mencapai target-target Tujuan Pembangunan Berkelanjutan (TPB) atau Sustainable Development Goals (SDGs), yaitu di antaranya mencapai ketahanan pangan dan tanpa kelaparan (zero hunger) pada tahun 2030. Salah satu cara melihat kondisi kerawanan pangan dan gizi adalah melalui angka Prevalensi Ketidakcukupan Konsumsi Pangan atau dikenal dengan istilah Prevalence of Undernourishment (PoU). Indonesia berhasil menurunkan angka PoU pada tahun 2023 menjadi 8,53% dari angka 10,21% pada tahun 2022. Namun, angka tersebut masih di bawah target dari amanat Perpres 111 tahun 2022 tentang Pelaksanaan Pencapaian TPB sebesar 5% pada tahun 2024. Indonesia terdiri dari 34 provinsi dengan kondisi yang berbeda-beda, sehingga ketahanan pangan di setiap provinsi juga berbeda. Oleh karena itu, diperlukan adanya pengelompokan (clustering) provinsi di Indonesia untuk menentukan daerah prioritas dalam upaya penanganan kerawanan pangan, sehingga dapat memaksimalkan pembuatan kebijakan penyelenggaraan pangan dan mengurangi kondisi ketimpangan pangan. Clustering merupakan proses pengelompokan suatu data ke dalam kelompok-kelompok tertentu (cluster), dimana anggota dalam suatu cluster memiliki karakteristik serupa, namun berbeda dengan cluster yang lain. Penelitian ini akan mengelompokkan provinsi-provinsi di Indonesia berdasarkan indikator pada Indeks Ketahanan Pangan (IKP) tahun 2023 menggunakan metode Gravitational Search Algorithm-Fuzzy C-Means (GSA-FCM). Algoritma optimasi GSA digunakan untuk mengatasi permasalahan local optimum yang sering terjadi pada FCM. Tujuan dari penelitian ini adalah mendapatkan cluster optimal hasil pemetaan 34 provinsi di Indonesia berdasarkan indikator IKP tahun 2023 dan mengetahui karakteristik dari setiap cluster yang dihasilkan. Berdasarkan nilai fungsi objektif akhir yang dihasilkan, algoritma GSA-FCM terbukti mampu mengatasi masalah pada FCM karena menghasilkan nilai yang jauh lebih kecil. Terdapat 2 cluster yang dihasilkan, yang berturut-turut merupakan cluster dengan prioritas penanganan sekunder dan utama. Cluster 1 beranggotakan 25 provinsi dan cluster 2 beranggotakan 9 provinsi.
Prediksi Harga Minyak Mentah Dunia Menggunakan Support Vector Regression Berbasis Genetic Algorithm, Particle Swarm Optimization, dan Grid Search Suhartono, Putri Regina; Azmi, Ulil; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.147823

Abstract

Minyak bumi berperan besar dalam perekonomian global karena hasil olahannya sering digunakan dalam kehidupan sehari hari. Harga minyak dunia dapat naik turun tergantung tingginya permintaan global dan kebijakan yang dikeluarkan Organization of the Petroleum Exporting Countries (OPEC). Jika harga minyak naik maka dapat menimbulkan inflansi dan menurunkan daya beli konsumen. Sebaliknya, harga minyak yang turun dapat merugikan negara produsen minyak dan industri pengelola minyak. Oleh sebab itu, prediksi terhadap harga minyak mentah dunia menjadi penting sebagai upaya untuk mengelola volatilitas pasar dan dampaknya terhadap ekonomi global. Penelitian ini dilakukan untuk memprediksi harga minyak dunia mengunakan Support Vector Regression (SVR) dengan metode optimasi Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Grid Search (GS) untuk mendapatkan parameter optimal. Data yang digunakan adalah OPEC Basket Price harian periode 2003 – 2023. Analisis SVR dilakukan menggunakan kernel linear, polynomial, dan Radial Basis Function (RBF), dimana kernel terbaik selanjutnya akan dioptimasi sehingga dihasilkan parameter cost (C), gamma (γ), dan epsilon (ε) yang optimal berdasar nilai RMSE yang terkecil. Hasil penelitian diperoleh bahwa kernel RBF merupakan yang terbaik dengan RMSE sebesar 2,120208 dengan nilai parameter C sebesar 1, γ sebesar 0,0001, dan ε sebesar 0,0001. Dari optimasi yang telah dilakukan diperoleh hasil bahwa metode SVR-GA memiki RMSE terkecil yaitu sebesar 2,119924 dengan nilai parameter C sebesar 0,9314789, γ sebesar 0,00008454813, dan ε sebesar 0,00006456384. Meski tidak terlalu signifikan, metode optimasi Genetic Algorithm mampu mengoptimasi parameter SVR kernel RBF pada prediksi harga minyak mentah dunia.
Pemodelan Faktor-Faktor yang Mempengaruhi AKI Menggunakan Regresi Zero Inflated Poisson (ZIP) dan Zero and One Inflated Poisson (ZOIP) Pramesti, Oktaviana Dewi; Ahmad, Imam Safawi; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 2 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i2.150126

Abstract

Masa kehamilan merupakan periode yang rentan bagi kesehatan ibu dan janin. Kematian ibu menjadi penyebab utama kematian pada wanita usia 15-49 tahun, dengan lebih dari setengah juta wanita meninggal setiap tahunnya akibat komplikasi kehamilan. Angka Kematian Ibu (AKI) digunakan sebagai indikator utama perkembangan kesehatan. Menurut WHO, sekitar 287.000 perempuan meninggal karena komplikasi kehamilan pada tahun 2020. Di Indonesia, khususnya Surabaya, AKI masih tinggi pada awal 2023, tidak memenuhi target Tujuan Pembangunan Berkelanjutan (SDGs) sebesar 183 per 100.000 kelahiran hidup pada tahun 2024. Misalnya, Kecamatan Kenjeran yang memiliki nilai AKI yang tergolong tinggi. Regresi linear sering digunakan dalam menganalisis isu AKI, namun ketidakakuratan sering terjadi pada data dengan kelebihan nilai nol. Oleh karena itu, model Generalized Linear Model (GLM) seperti Zero-Inflated Poisson (ZIP) dan Zero-and-One-Inflated Poisson (ZOIP) diperkenalkan untuk mengatasi tantangan ini. Penelitian ini menggunakan data AKI di Surabaya tahun 2022 untuk membandingkan model regresi ZIP dan ZOIP dalam menganalisis AKI, dengan tujuan memberikan wawasan lebih mendalam mengenai faktor-faktor yang mempengaruhi kesehatan ibu di Surabaya. Analisis regresi pada data AKI dilakukan menggunakan metode ZIP dan ZOIP. Parameter dari model digunakan untuk mengetahui signifikansi setiap prediktor terhadap AKI. Estimasi parameter regresi ZOIP menggunakan algoritma MLE dan EM. Variabel prediktor dengan estimasi parameter yang signifikan pada model regresi ZIP adalah ibu hamil mendapatkan TTD, dan rasio bidan per 100.000 penduduk. Sedangkan pada model regresi ZOIP, hanya parameter intercept yang berpengaruh signifikan. Hasil analisis menunjukkan bahwa metode regresi ZIP lebih baik dibandingkan ZOIP dengan nilai AIC 57,596 dibandingkan 110,31.
Klasterisasi Provinsi di Indonesia Berdasarkan Ketimpangan Pembangunan Ekonomi dengan Pendekatan Algoritma K-Means dan DBSCAN Tsabita, Hilma; Ahmad, Imam Safawi; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 2 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i2.149903

Abstract

Ketimpangan pembangunan ekonomi antarwilayah masih menjadi isu strategis dalam pembangunan nasional Indonesia. Data menunjukkan kesenjangan signifikan dalam hal pendapatan (PDRB) dan persentase penduduk miskin antarprovinsi di Indonesia. Misalnya, PDRB per kapita DKI Jakarta 13-14 kali lipat lebih tinggi daripada Nusa Tenggara Timur pada tahun 2022. Sementara, persentase penduduk miskin di Papua dan Papua Barat mencapai 20-26% pada tahun 2022, jauh melampaui rata-rata nasional 9,36%. Ketimpangan pembangunan ini berpotensi melahirkan dampak negatif seperti konflik sosial dan melebarnya kesenjangan pembangunan ekonomi antarwilayah. Oleh karena itu, identifikasi pola ketimpangan antarwilayah sangat diperlukan agar intervensi kebijakan afirmatif dapat dirancang lebih spesifik dan tepat sasaran. Penelitian ini bertujuan melakukan klasterisasi 34 provinsi di Indonesia ke dalam beberapa kelompok berdasarkan karakteristik serupa. Klasterisasi dilakukan menggunakan 2 algoritma clustering, yaitu K-means dan Density Based Spatial Clustering of Applications with Noise (DBSCAN). K-means clustering dipilih karena kemampuannya melakukan klasterisasi data dalam jumlah besar secara efisien. Sementara DBSCAN mampu mengelompokkan data yang memiliki kepadatan tertentu dan mengidentifikasi data pencilan. Variabel yang digunakan dalam klasterisasi meliputi PDRB per kapita, persentase penduduk miskin, jumlah penduduk, IPM, dan tingkat pengangguran terbuka (TPT). Data bersumber dari publikasi resmi BPS tahun 2023. Hasil penelitian menunjukkan bahwa K-Means clustering lebih unggul dalam mengklasterisasi provinsi di Indonesia dengan kombinasi variabel PDRB per kapita, Persentase Penduduk Miskin, Jumlah Penduduk, IPM, dan Tingkat Pengangguran Terbuka (TPT) berdasarkan metrik evaluasi Daevis Bouldin Index (DBI) dan Calinski Harabasz Index (CHI). Hasil ini konsisten dengan perhitungan Indeks Williamson yang mengindikasikan adanya ketimpangan pembangunan ekonomi di Indonesia.