Jurnal Aplikasi Statistika & Komputasi Statistik
Redaksi menerima karya ilmiah atau artikel penelitian mengenai kajian teori statistika dan komputasi statistik pada bidang ekonomi dan sosial dan kependudukan, serta teknologi informasi. Redaksi berhak menyunting tulisan tanpa mengubah makna subtansi tulisan. Isi jurnal Aplikasi Statistika dan Komputasi Statistik dapat dikutip dengan menyebutkan sumbernya.
Articles
143 Documents
<![CDATA[TINJAUAN PEMANFAATAN BIG DATA PENGINDERAAN JAUH DAN PEMBELAJARAN MESIN UNTUK OFFICIAL STATISTICS DI WILAYAH PERKOTAAN ]]>
<![CDATA[Arif Handoyo Marsuhandi]]>;
<![CDATA[Dwi Wahyu Triscowati]]>;
<![CDATA[Arie Wahyu Wijayanto]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 2 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i2.282
<![CDATA[Kemajuan teknologi big data tidak hanya menawarkan potensi pemanfaatan namun juga tantangan bagi penyelenggaraan official statistics. Sebagai salah satu sumber big data yang potensial, data spektral penginderaan jauh yang tersedia secara terbuka dan gratis menjadi modal berharga untuk penyempurnaan kualitas official statistics. Makalah ini meninjau peluang dan tantangan pemanfaatan penginderaan jauh di wilayah perkotaan dan menyajikan studi kasus awal pada monitoring pertumbuhan lanskap perkotaan di Indonesia. Studi kasus awal ini menggunakan metode pembelajaran mesin ansambel sebagai model untuk klasifikasi, yaitu random forest yang merupakan pendekatan statistik nonparametrik dengan penerapan agregasi dan bootstrapping pada pohon keputusan. Penelitian ini mengambil fokus pada Kabupaten Banyuwangi, Provinsi Jawa Timur sebagai studi kasus. Hasil eksperimen dengan citra satelit Landsat-8 menunjukkan keberhasilan model dalam mendeteksi perubahan area bangunan selama 6 tahun pertumbuhan lanskap perkotaan pada 2015-2020. Terhitung pada tahun 2015 dan 2020, model yang dibangun dapat mendeteksi bangunan/konstruksi dengan akurasi masing-masing 93 dan 91 persen. Kesimpulan sementara ini membuka kemungkinan penerapan penginderaan jauh untuk menunjang survei dan sensus statistik pada wilayah perkotaan, khususnya sebagai salah satu indikator penting untuk penghitungan nilai tambah bruto (NTB) lapangan usaha konstruksi yang menjadi komponen dari Produk Domestik Regional Bruto (PDRB).]]>
<![CDATA[Perbandingan Klasifikasi Status Pendonor Darah dengan Menggunakan Regresi Logistik dan K-Nearest Neighbor ]]>
<![CDATA[Iut Tri Utami]]>;
<![CDATA[Fadjryani Fadjryani]]>;
<![CDATA[Diah Daniaty]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 1 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i1.217
<![CDATA[Donor Darah Sukarela (DDS) adalah orang yang dengan sukarela mentranfusikan darahnya kepada orang lain. Banyaknya DDS yang rutin mendonorkan darahnya dapat memenuhi kebutuhan darah di Palang Merah Indonesia (PMI) setiap harinya. Syarat yang diberlakukan PMI menyebabkan calon pendonor darah dapat diklasifikasikan menjadi layak dan tidak layak dalam mendonorkan darahnya. Salah satu cara untuk menentukan pola prediksi status kelayakan calon pendonor darah di PMI adalah dengan menggunakan regresi logistik biner dan k-Nearest Neighbor (kNN). Peubah yang signifikan mempengaruhi kelayakan calon pendonor darah adalah kadar Haemoglobin. Akurasi yang dihasilkan oleh metode regresi logistik biner dan kNN pada penelitian ini adalah 93% dan 79%.]]>
<![CDATA[Prediksi Harga Emas Dunia di Masa Pandemi Covid-19 Menggunakan Model ARIMA ]]>
<![CDATA[Dara Puspita Anggraeni]]>;
<![CDATA[Dedi Rosadi]]>;
<![CDATA[Hermansah Hermansah]]>;
<![CDATA[Ahmad Ashril Rizal]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 1 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i1.264
<![CDATA[Penelitian ini bertujuan memodelkan serta memprediksi harga emas dunia di masa pandemi COVID-19. Penelitian ini juga hanya memasukkan nilai masa lampau dari harga emas dunia tanpa adanya pengaruh faktor eksogen(independen) pada model. Model yang dipergunakan adalah model Autoregressive Integrated Moving Average (ARIMA). Adapun data yang dipergunakan pada permodelan sebanyak 240 data observasi dimana data merupakan data bulanan harga emas dunia bulan Agustus 2000 hingga Juli 2020. Model terbaik untuk harga emas dunia ini adalah ARIMA(0,1,1) dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,70%. Hasil prediksi harga emas dunia untuk bulan Agustus 2020 hingga Januari 2021 berturut-turut adalah sebesar 1930,046; 1945,651; 1961,381; 1977,240; 1993,227; 2009,343 US$/Troy Ons emas. Prediksi ini menunjukkan tren naik dengan rata-rata peningkatan selama periode tersebut (Agustus 2020-Januari 2021) sebesar15,8594 US$/Troy ons per bulannya.]]>
<![CDATA[Hierarchical Bayes Spasial Untuk Estimasi Pengeluaran Perkapita Level Kecamatan ]]>
<![CDATA[Dwi Asih Septi Wahyuni]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 11 No 2 (2019): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v11i2.154
<![CDATA[Badan Pusat Statistik merilis angka pengeluaran perkapita setiap tahun untuk 514 kabupaten/kota di Indonesia.Angka pengeluaran perkapita diperoleh melalui Survei Sosial Ekonomi Nasional (Susenas). Susenas hanya dapat memberikan data yang akurat hingga level kabupaten/kota. Disisi lain, kebutuhan data hingga level kecamatan bahkan desa/kelurahan semakin meningkat guna memotret keberhasilan tujuan pembangunan berkelanjutan (sustainable development goals) setiap kabupaten/kota. Penelitian ini mengusulkan metode small area estimation dengan menggabungkan data survei dan sensus menggunakan model hierarchical bayesdengan mempertimbangkan keterkaitan antar wilayah (bobot spasial). Estimasi pengeluaran perkapita level kecamatan mampu memberikan hasil yang akurat dengan menggabungkan data pengeluaran perkapita sebagai variabel dependen dari Susenas dan data sensus dari Potensi Desa (Podes) sebagai variabel independen menggunakan model hierarchical bayesspasial.]]>
<![CDATA[INDEKS KERENTANAN SOSIAL PADA ANAK DI INDONESIA: Studi Kasus COVID-19 ]]>
<![CDATA[Hernanto Adwiluvito]]>;
<![CDATA[Suryo Adi Rakhmawan]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 2 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i2.283
<![CDATA[Hingga 12 September 2020, dilaporkan setidaknya lebih dari 214.000 kasus dengan 8.650 kematian di seluruh provinsi di Indonesia. Dengan belum tersedianya vaksin COVID-19, Indonesia dan negara lain mengandalkan berbagai kebijakan dan program pemerintah dengan mengedepankan protokol kesehatan untuk memperlambat penyebaran virus. Pada masa pandemi ini, anak merasakan berbagai dampak mulai dari permasalahan kesehatan, kesejahteraan, perkembangan dan harapan masa depan. Berbagai dampak negatif COVID-19 tidak akan dirasakan secara merata oleh semua anak. Anak yang berada pada lingkungan yang rentan kemungkinan akan merasakan dampak yang lebih besar dibandingkan yang lain. Namun, di Indonesia saat ini upaya mitigasi dan penurunan kerentanan tersebut belum didukung oleh informasi tingkat kerentanan sosial khususnya pada anak. Oleh karena itu, penelitian ini diharapkan dapat memberikan gambaran kerentanan sosial atau Social Vulnerability Index (SoVI) pada anak terhadap COVID-19 hingga tingkat kabupaten/kota. Indeks kerentanan sosial pada anak didapatkan melalui analisis faktor. Hasilnya, terdapat empat faktor yang memengaruhi SoVI pada anak yaitu status sosial ekonomi dan kesehatan, struktur keluarga, akses layanan kesehatan dan karakteristik demografi rumah tangga. Penyusunan SoVI yang berfokus pada anak dapat membantu pemerintah bertindak lebih dini ketika pandemi terjadi sehingga dampak yang dirasakan dapat diminimalisasi.]]>
<![CDATA[Regresi Probit untuk Analisis Variabel-Variabel yang Mempengaruhi Perceraian di Sulawesi Tengah ]]>
<![CDATA[Nur'eni Nur'eni]]>;
<![CDATA[Lilies Handayani]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 1 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i1.211
<![CDATA[Sulawesi Tengah adalah salah satu Provinsi di Indonesia yang memiliki permasalahan dalam perceraian. Tingkat perceraian di Sulawesi Tengah pada tahun 2016 sebesar 2,44%. Persentase tingkat perceraian di Sulawesi Tengah ini menjadi tingkat perceraian ketiga tertinggi di Indonesia. Pada penelitian ini diteliti faktor-faktor yang mempengaruhi kasus perceraian di Sulawesi Tengah. Metode yang digunakan adalah regresi probit biner dengan variabel respon adalah status perkawinan. Hasil penelitian menunjukkan bahwa variabel prediktor yang mempengaruhi perceraian secara signifikan di Provinsi Sulawesi Tengah adalah umur kawin pertama (X2) kategori 1 (18-21 tahun) dan kategori 2 ( >21 tahun), tingkat pendidikan (X3) kategori 1 (SD) dan kategori 4 (di atas SMA), daerah tempat tinggal (X4) kategori 1 (kota) dan jumlah pengeluaran rumah tangga (X6) dengan tingkat ketepatan klasifikasi model sebesar 99,2%.]]>
<![CDATA[KARAKTERISTIK ANGKATAN KERJA DI PROVINSI SUMATERA SELATAN MENGGUNAKAN COMPOSITIONAL BIPLOT ANALYSIS ]]>
<![CDATA[Oki Dwipurwani]]>;
<![CDATA[Eka Susanti]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 2 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i2.268
<![CDATA[Penelitian ini bertujuan untuk mendeskripsikan data komposisi angkatan kerja setiap kabupaten di Provinsi Sumatera Selatan (Sumsel). Salah satu metode deskripsi yang memberikan pemetaan berupa tampilan grafik dua dimensi pada data komposisi adalah Compositional Biplot Analysis (CBA). Hasil yang diperoleh adalah empat buah tampilan grafik CBA dengan informasi yang dapat diterangkan oleh setiap grafik lebih dari 85%. Kota Palembang, Kabupaten Banyuasin, Musi Rawas Utara, PALI, Musi Banyuasin, Muara Enim, Lubuk lingau, OKU, dan Prabumulih berada dalam satu klaster yang memiliki penduduk angkatan kerja sebagai pengangguran terbuka diatas rata-rata klaster lainnya, dan memiliki nilai TKT di atas 3,50.]]>
<![CDATA[Perbandingan Klasifikasi Analisis Diskriminan Fisher dan Metode Naive Bayes ]]>
<![CDATA[Alifta Ainurrochmah]]>;
<![CDATA[Memi Nor Hayati]]>;
<![CDATA[Andi M. Ade Satriya]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 11 No 2 (2019): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v11i2.156
<![CDATA[Klasifikasi adalah suatu teknik pembentukan model dari data yang telah diketahui kelompok klasifikasinya. Model tersebut digunakan untuk mengklasifikasikan obyek baru. Analisis diskriminan Fisher merupakan teknik multivariat untuk memisahkan obyek-obyek dalam kelompok yang berbeda. Naive Bayes merupakan pengklasifikasian berdasarkan probabilitas dan teorema Bayes dengan asumsi independensi yang kuat. Penelitian ini bertujuan melakukan perbandingan tingkat akurasi klasifikasi dengan analisis diskriminan Fisher dan metode naive Bayes pada status pembayaran premi nasabah asuransi. Data yang digunakan memiliki 4 variabel bebas yaitu pendapatan, usia, masa pembayaran premi dan besar pembayaran premi. Hasil kesalahan akurasi dengan menggunakan nilai APER (Apparent Rate Error) menunjukkan bahwa metode naive Bayes memiliki tingkat akurasi yang lebih tinggi sebesar 15,38% daripada analisis diskriminan Fisher sebesar 46,15% dalam menganalisis status pembayaran premi nasabah asuransi.]]>
<![CDATA[KOMBINASI SURVEI KERANGKA SAMPEL AREA DAN REMOTE SENSING UNTUK ESTIMASI LUAS TANAMAN PADI DI MASA PANDEMI (KSA-Hybrid) ]]>
<![CDATA[Isnaeni Nur Khasanah]]>;
<![CDATA[Dwi Wahyu Triscowati]]>;
<![CDATA[Arif Handoyo]]>;
<![CDATA[Widyo P. Buana]]>;
<![CDATA[Kadir Kadir]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 2 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i2.284
<![CDATA[Pelaksanaan Survei Kerangka Sampel Area (KSA) di masa pandemi dihadapkan pada potensi penurunan realisasi pengamatan sampel akibat restriksi yang membatasi pergerakan masyarakat di sejumlah wilayah. Pembatasan Sosial Berskala Besar dan penerapan protokol kesehatan yang ketat untuk memutus rantai penyebaran Covid-19 mengakibatkan petugas tidak dapat melakukan kunjungan lapangan untuk mengamati fase tumbuh tanaman padi di beberapa sampel subsegmen. Pelaksanaan Survei KSA bertumpu pada pengamatan lapangan terhadap puluhan ribu titik amatan. Hal ini tidak operasional untuk wilayah dengan pembatasan sosial ketat atau yang terletak di daerah remote. Sebagai solusi, pengamatan titik amat sampel KSA dapat dilakukan dengan bantuan remote sensing. Penelitian ini mengkombinasikan Survei KSA dan remote sensing dalam mengestimasi luas tanaman padi yang disebut KSA-Hybrid. Fase tumbuh tanaman padi di lokasi sampel subsegmen KSA Provinsi Lampung diprediksi dengan model machine learning berdasarkan data citra satelit Landsat-8. Estimasi luasan setiap fase kemudian diperoleh dengan menggunakan metode yang diterapkan pada KSA rutin. Hasil evaluasi menunjukkan bahwa terdapat perbedaan yang cukup signifikan antara estimasi luas panen KSA-Hybrid dan KSA rutin. Selain itu, tingkat kesesuaian antara hasil KSA-Hybrid dan KSA rutin untuk amatan bulan Juni 2020 bervariasi antar kabupaten/kota pada rentang 62-76 persen. Pengembangan KSA-Hybrid dapat dilakukan dengan meningkatkan performa model machine learning dan penggunaan citra satelit dengan resolusi yang lebih tinggi.]]>
<![CDATA[Proyeksi Penyerapan Tenaga Kerja Perikanan Berdasarkan Faktor Industrialisasi Menggunakan Metode Fungsi Transfer ]]>
<![CDATA[Yulinda Nurul Aini]]>
<![CDATA[ Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 1 (2020): Journal of Statistical Application and Computational Statistics ]]>
Publisher : <![CDATA[Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34123/jurnalasks.v12i1.244
<![CDATA[FAO menempatkan Indonesia sebagai negara dengan potensi perikanan terbesar di dunia, namun potensi tersebut belum dimanfaatkan dengan optimal. Pemerintah telah membentuk program industrialisasi perikanan, namun pelaksanaannya yang belum terimplementasi dengan baik menyebabkan penyerapan tenaga kerja di sektor ini masih rendah. Penelitian ini akan membentuk proyeksi penyerapan tenaga kerja subsektor perikanan 2019-2024 menggunakan metode fungsi transfer dengan mempertimbangkan faktor industrialisasi perikanan sebagai prediktor terhadap indeks elastisitas penyerapan tenaga kerja perikanan. Industrialisasi perikanan diukur berdasarkan faktor perkembangan investasi dan pertumbuhan jumlah perusahaan perikanan. Hasil proyeksi menunjukkan bahwa industrialisasi perikanan di tahun mendatang belum mampu mendorong respon pertumbuhan penyerapan tenaga kerja subsektor perikanan.]]>
