Article Per Year (5 Year)
p-Index From 2021 - 2026
2.177
P-Index
This Author published in this journals
All Journal Media Statistika Jurnal technoscientia Dharma Bakti JURNAL TEKNOLOGI TECHNOSCIENTIA Journal of Fundamental Mathematics and Applications (JFMA) Jnanadharma Jurnal Statistika Industri dan Komputasi
Noviana Pratiwi
Program Studi Statistika, Fakultas Sains Dan Teknologi Informasi, Universitas AKPRIND
Humanities Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences Other

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 28 Documents
Search

 1   2   3 
APLIKASI METODE REGRESI SPASIAL DATA PANEL PADA PENERIMAAN DAERAH SEKTOR PARIWISATA DI KABUPATEN/KOTA DI DAERAH ISTIMEWA YOGYAKARTA Silviana Puji Rahayu; Noviana Pratiwi
Jurnal Statistika Industri dan Komputasi Vol. 7 No. 01 (2022): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

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

Abstract

Industri pariwisata merupakan salah satu industri yang dapat dikembangkan serta diandalkan sebagai sektor pendorong pertumbuhan ekonomi. Adanya potensi pariwisata yang terbilang besar di DIY diharapkan dapat menjadi kekuatan andalan untuk meningkatkan penerimaan daerah. Menanggapi hal tersebut, peneliti ingin melakukan penelitian terkait nilai jual pariwisata di DIY dengan menerapkan aplikasi metode regresi spasial panel. Pada metode panel, diperoleh model terbaik adalah Fixed Effect Model dengan nilai koefisien determinasi (R2) sebesar 92,71%. Selanjutnya akan ditinjau apakah ada korelasi berkaitan dengan tata letak wilayah antara satu daerah dengan daerah lain. Hasil pengujian efek spasial Moran’s menunjukkan bahwa variabel penerimaan daerah memiliki nilai autokorelasi positif namun tidak signifikan yang artinya terdapat autokorelasi spasial namun korelasinya lemah. Hal ini ditunjukkan dari hasil pemodelan regresi spasial panel dengan model terbaik adalah Spatial Autoregressive Fixed Effect Model yang memiliki nilai R2 sebesar 93,85%.
KLASIFIKASI TINGKAT PENGANGGURAN TERBUKA DI INDONESIA DENGAN ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) DAN C4.5 Inggit Fatika; Kris Suryowati; Noviana Pratiwi; Muhammad Sholeh
JURNAL STATISTIKA INDUSTRI DAN KOMPUTASI Vol. 7 No. 2 (2022): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

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

Abstract

Tingkat pengangguran terbuka di Indonesia bulan Februari 2021 sebesar 6,26%, jumlah ini mengalami kenaikan sebesar 1,32% jika dibandingkan dengan keadaan bulan Februari 2020 yaitu sebesar 4,94%. Tingkat pengangguran terbuka yang tinggi pada suatu negara dapat menyebabkan rendahnya partisipasi masyarakat dalam pertumbuhan perekonomian yang akan berakibat pada penurunan tingkat pembangunan nasional. Selain itu, tingginya tingkat pengangguran terbuka juga dapat menyebabkan tingginya biaya sosial sehingga terjadi berbagai tindak kriminalitas dalam masyarakat. Agar permasalahan ini dapat diatasi perlunya mengetahui berbagai faktor yang dapat mempengaruhi peningkatan tingkat pengangguran terbuka pada berbagai Provinsi di Indonesia salah satunya dengan melakukan klasifikasi. Pada penelitian ini klasifikasi yang digunakan adalah CART (Classification and Regression Tree) dan C4.5. CART dan C4.5 merupakan salah satu algoritma decision tree yang dapat digunakan untuk melakukan klasifikasi menggunakan struktur hirarki. Algoritma CART dapat digunakan untuk klasifikasi dengan jumlah data yang cukup besar dengan banyak faktor serta dapat melakukan analisis klasifikasi pada peubah respon baik nominal, ordinal, maupun kontinu. Algoritma C4.5 memiliki kelebihan dalam menangani missing value, mengatasi pohon keputusan yang overfitting, serta dapat digunakan untuk jenis data kontinu yang mana sesuai dengan bentuk data penelitian yang akan digunakan. Hasil dari penelitian ini menunjukkan bahwa model pohon keputusan yang terbentuk dari kedua algoritma adalah sama, yaitu dengan kedalaman satu dan variabel tingkat kesempatan kerja merupakan variabel yang paling berpengaruh. Tingkat akurasi, sensitivity, dan Specificity dari kedua model yang terbentuk berdasarkan algoritma tersebut adalah sama, yaitu sebesar 100%, sehingga kedua model sama baiknya untuk digunakan dalam melakukan klasifikasi tingkat pengangguran terbuka di Indonesia.
PREDIKSI INFLASI DI KOTA PEKANBARU MENGGUNAKAN METODE EXTREME LEARNING MACHINE (ELM) Tegar Rezki Pangestu; Yudi Setyawan; Noviana Pratiwi
Jurnal Statistika Industri dan Komputasi Vol. 8 No. 1 (2023): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v8i1.4431

Abstract

Inflasi merupakan salah satu indikator untuk mengukur perkembangan suatu bangsa. Berbagai permasalahan timbul apabila laju inflasi mengalami peningkatan secara berkelanjutan seperti perekonomian yang tidak stabil, pertumbuhan ekonomi lambat, penurunan nilai mata uang yang secara tidak langsung mempengaruhi aktivitas perdagangan global. Oleh karena itu, perlu adanya perkiraan mengenai tingkat inflasi agar dapat dijadikan dasar pengambilan kebijakan oleh pemerintah setempat. Penelitian ini akan difokuskan dalam peramalan tingkat inflasi di Kota Pekanbaru menggunakan metode Extreme Learning Machine untuk memprediksi tingkat inflasi pada bulan September, Oktober, November, dan Desember tahun 2022. ELM adalah algoritma pembelajaran single layer feedforward neural networks yang secara acak menentukan bobot input dan output. Data yang digunakan adalah data inflasi bulanan yang diperoleh dari Website Badan Pusat Statistik Riau. Proporsi yang digunakan dalam penelitian ini adalah 50% : 50%, 60% : 40%, 70% : 30% dengan menggunakan 3 sampai 15 hidden neuron. Hasil penelitian ini menunjukkan bahwa proses training dan testing dengan proporsi 70% : 30% mendapatkan hasil terbaik dengan model 12 neuron input, 15 hidden neuron, dan 1 neuron output. Model ini memberikan akurasi kemampuan peramalan yang sangat baik dalam memprediksi inflasi di Kota Pekanbaru karena menghasilkan nilai MAPE 10-20% yaitu 16,16%.
PEMODELAN GEOGRAPHICALLY WEIGHTED PANEL REGRESSION MENGGUNAKAN PEMBOBOT KERNEL GAUSSIAN DAN KERNEL BI-SQUARE PADA KEMISKINAN DI PAPUA Felicitas Avelline Yansi; Noeryanti; Noviana Pratiwi
Jurnal Statistika Industri dan Komputasi Vol. 9 No. 1 (2024): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v9i1.4829

Abstract

Papua merupakan provinsi dengan tingkat kemisikinan tertinggi di Indonesia. Jumlah penduduk miskin di Papua selama tahun 2019-2021 cukup fluktuatif. Kemiskinan disebabkan oleh banyak faktor, antara lain kesulitan dalam memenuhi kebutuhan dasar, kesulitan dalam memperoleh pendidikan dan pekerjaan. Penelitian ini bertujuan untuk melakukan pemodelan Geographically Weighted Panel Regression menggunakan fungsi pembobot adaptive kernel gaussian dan adaptive kernel bi-square pada jumlah penduduk miskin di Papua. Dalam suatu penelitian tidak cukup melakukan pengamatan dalam satu waktu tertentu, tetapi juga perlu dilakukan dalam berbagai periode waktu. Model regresi linier secara umum bersifat global, dimana estimasi parameternya bernilai sama untuk semua lokasi. Pada kenyataannya, antara lokasi satu dengan lainnya memiliki kondisi yang berbeda. Hal ini memungkinkan adanya keragaman spasial antar lokasi. GWPR merupakan metode statistika yang digunakan dalam menganalisis keragaman spasial. Hasil penelitian ini menyatakan bahwa nilai koefisien determinasi pada pembobot adaptive bi-square kernel lebih besar yaitu 79,84% dan nilai AIC pada pembobot adaptive bi-square kernel lebih kecil yaitu 666,8033 daripada model GWPR dengan fungsi pembobot adaptive kernel gaussian, sehingga model GWPR dengan fungsi pembobot adaptive kernel bi-square lebih baik digunakan untuk pemodelan Geographically Weighted Panel Regression pada jumlah penduduk miskin di kabupaten/kota provinsi Papua tahun 2019-2021 terhadap faktor-faktor yang mempengaruhinya.
PERBANDINGAN FUNGSI AKTIVASI LINEAR, ReLU, SIGMOID, DAN TANSIG PADA ELM UNTUK PERAMALAN HARGA SAHAM Sri Mulyani; Rokhana Dwi Bekti; Noviana Pratiwi
Jurnal Statistika Industri dan Komputasi Vol. 9 No. 1 (2024): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v9i1.4844

Abstract

PT. Bank Central Asia Tbk (BBCA.JK) sebagai emiten sektor perbankan masih menempati posisi pertama sebagai emiten dengan kapitalisasi terbesar, dan saham teraktif di BEI. Berinvestasi di pasar saham mengikuti prinsip “high risk, high return, low risk, low return”. Itu sebabnya investor harus mencermati harga saham di masa depan. Salah satu cara memprediksi harga saham adalah dengan menggunakan metode Extreme Learning Machine (ELM). Hal ini melibatkan pemilihan dan pengaturan fungsi aktivasi yang memperkenalkan non-linearitas, memungkinkan jaringan saraf memodelkan hubungan kompleks antara input dan output. Hasil pengujian menunjukkan ELM optimal untuk memprediksi harga saham BBCA menggunakan fungsi aktivasi Sigmoid, inisialisasi bobot Uniform Positive, arsitektur jaringan yang terdiri dari 5 neuron input layer, 14 neuron hidden layer, dan 1 output layer. MAPE yang diperoleh sebesar 3.374546 < 10%, menunjukkan bahwa model dapat digeneralisasikan dengan baik, dengan rata-rata kecepatan pembelajaran sebesar 0.000343442 detik.
PENGELOMPOKAN KABUPATEN/ KOTA DI PROVINSI SUMATERA UTARA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA TAHUN 2022 DENGAN METODE FUZZY C-MEANS DAN K- MEDOIDS Epridonta Sitepu; Kris Suryowati; Noviana Pratiwi
Jurnal Statistika Industri dan Komputasi Vol. 9 No. 2 (2024): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v9i2.4848

Abstract

Pengembangan indikator pembangunan manusia menjadi hal yang penting dalam upaya mengukur dan memahami kemajuan sosial dan ekonomi suatu wilayah. Provinsi Sumatera Utara, sebagai salah satu wilayah penting di Indonesia, juga perlu melakukan analisis yang mendalam terkait dengan pembangunan manusia di tingkat Kabupaten/Kota. Penelitian ini bertujuan untuk mengelompokkan Kabupaten/Kota di Provinsi Sumatera Utara berdasarkan indikator pembangunan manusia menggunakan metode Fuzzy C-Means dan K-Medoids. Data yang digunakan dalam penelitian ini adalah data sekunder yang mencakup sejumlah indikator pembangunan manusia seperti pendidikan, kesehatan, dan pendapatan. Pengelompokan dilakukan dengan menggunakan algoritma Fuzzy C-Means dan K-Medoids untuk mengetahui karakteristik cluster yang terbentuk bedasarakan Indikator IPM, cluster optimal yang terbentuk dan metode terbaik yang diperoleh. Kesimpulan yang didapat pada penelitian ini diperoleh hasil cluster terbaik adalah dengan metode Fuzzy C-Means pada k optimal=6 dengan nilai silhoutte indeks = 0,5850.
ANALISIS PENGARUH SEKTOR PARIWISATA TERHADAP PRODUK DOMESTIK REGIONAL BRUTO DI PROVINSI NUSA TENGGARA TIMUR TAHUN 2020-2022 MENGGUNAKAN METODE REGRESI DATA PANEL Cindy Pracelia Kadiwano; Yudi Setyawan; Noviana Pratiwi
Jurnal Statistika Industri dan Komputasi Vol. 9 No. 2 (2024): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v9i2.4856

Abstract

Pendapatan dari sektor pariwisata merupakan salah satu komponen Produk Domestik Regional Bruto di suatu wilayah. Di lain pihak Produk Domestik Regional Bruto menjadi salah satu indikator penting untuk mengukur pertumbuhan ekonomi suatu wilayah. Dalam penelitian ini akan dianalisis pengaruh sektor pariwisata terhadap PDRB di provinsi NTT, variabel dependen yang digunakan yaitu Produk Domestik Regional Bruto ( ) dan variabel independennya antara lain Jumlah Akomodasi Hotel ( ), Jumlah Wisatawan ( ), Jumlah Daya Tarik Wisata ( ) dan Jumlah Restoran/Rumah Makan ( ). Tujuan dari penelitian ini untuk mengetahui faktor-faktor sektor pariwisata yang mempengaruhi produk domestik regional Bruto di Provinsi Nusa Tenggara Timur pada tahun 2020-2022. Data berupa data cross section dan time series, sehingga digunakan regresi data panel dengan menggunakan pendekatan fixed effect model, common effect model dan random effect model. Hasil penelitian menunjukkan bahwa model terbaik adalah model random effect dengan metode estimasi Generalized Least Square (GLS), dengan model . Jumlah Akomodasi Hotel, Jumlah Wisatwan dan Jumlah Restoran/Rumah Makan mampu menjelaskan Produk Domestik Regional Bruto di Provinsi Nusa Tenggara Timur sebesar . Sedangkan sisanya sebesar 62,31% dijelaskan oleh faktor lain yang tidak dianalisis dalam model regresi data panel, sehingga perlu menambah variabel lain pada penelitian selanjutnya.
KLASIFIKASI STATUS KEMAJUAN KABUPATEN/KOTA DI KAWASAN TIMUR INDONESIA MENGGUNAKAN ALGORITMA CART DAN SVM Regina Palmawati Osna Kaka; Yudi Setyawan; Noviana Pratiwi
JURNAL STATISTIKA INDUSTRI DAN KOMPUTASI Vol. 10 No. 02 (2025): Jurnal Statistika Industri dan Komputasi
Publisher : Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Universitas AKPRIND Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34151/statistika.v10i02.5331

Abstract

Indonesia masih menghadapi masalah ketimpangan pembangunan, terutama antara Wilayah Indonesia Timur dan Barat. Sebagian besar daerah yang kurang beruntung terletak di Indonesia Timur. Data saat ini, terdapat 62 kabupaten tertinggal dan 55 di antaranya berada di Indonesia Timur. Penelitian ini bertujuan untuk mengklasifikasikan status kemajuan kabupaten/kota di Indonesia Timur berdasarkan lima variabel yang terdiri dari persentase rumah tangga yang memiliki akses air minum bersih, persentase rumah tangga yang menggunakan listrik, persentase penduduk miskin, rata-rata lama sekolah, dan harapan hidup dengan menggunakan Classification and Regression Trees (CART) dan Support Vector Machine (SVM). Hasil analisis menunjukkan bahwa metode SVM menggunakan kernel Radial Basis Function (RBF) memberikan hasil terbaik dengan akurasi 94,44%, sensitivitas 80%, dan spesifisitas 100%. Dalam klasifikasi menggunakan RBF, semua variabel berpengaruh dan variabel yang paling berpengaruh adalah persentase orang miskin dengan tingkat kepentingan sebesar 32,99%. Oleh karena itu, lima variabel yang berpengaruh harus dipertimbangkan dalam penentuan kebijakan pembangunan daerah.
Co-Authors -, Noeryanti Agung Hendra Setyawan Amiludin Bukhori Catur Iswahyudi Cindy Pracelia Kadiwano Dina Auliana Dody Rifai Deny Boy Sihite Epridonta Sitepu Faisatur Rukhania Felicitas Avelline Yansi Gesti Sintia Inggit Fatika Katarina Beatrix Gamur Kris Suryowati Kris Suryowati, Kris Kristina Millenia Seran Maria Titah Jatipaningrum Noeryanti Noeryanti Petronella Mira Melati Prismakawa Punggodewi Puri Fathurrahmi Rahmat Deswanto Regina Palmawati Osna Kaka Rokhana Dwi Bekti Rokhana Dwi Bekti Rokhana Dwi Bekti Rokhana Dwi Bekti Septiana Paula Setyawan, Yudi Sholeh Muhammad Silviana Puji Rahayu Sri Mulyani Syariah Syariah Tegar Rezki Pangestu Yudi Setyawan Yudi Setyawan