cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Soraya
Contact Email
jurnal.varian@stmikbumigora.ac.id
Phone
+6282339979545
Journal Mail Official
jurnal.varian@stmikbumigora.ac.id
Editorial Address
Jln. Ismail Marzuki - Cilinaya - Cakranegara - Mataram 83127
Location
Kota mataram,
Nusa tenggara barat
INDONESIA
Jurnal Varian
Published by Universitas Bumigora
ISSN : -     EISSN : 25812017     DOI : https://doi.org/10.30812/varian
Core Subject : Economy, Science, Education, Social,
Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Mathematics Social Sciences Other
Jurnal Varian adalah salah satu Jurnal Ilmiah yang terdapat di Universitas Bumigora. Jurnal ini bertujuan untuk memberikan wadah atau sarana publikasi bagi para dosen, peneliti dan praktisi baik di lingkungan internal maupun eksternal Universitas Bumigora Mataram. Jurnal ini terbit 2 (dua) kali dalam 1 tahun pada periode Genap (April) dan Ganjil (Oktober). Jurnal Varian fokus memuat publikasi pada Bidang Matematika dan Statistika.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 10 Documents
 1 
Search results for , issue "Vol 3 No 2 (2020)" : 10 Documents clear
Perbandingan Pembobotan Seemingly Unrelated Regression – Spatial Durbin Model Untuk Faktor Kemiskinan Dan Pengangguran Luh Putu Safitri Pratiwi; Ni Putu Nanik Hendayanti; I Ketut Putu Suniantara
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.596

Abstract

Hukum I Tobler menduga segala sesuatu di suatu wilayah berhubungan erat dengan wilayah lainnya sehingga pemodelan analisis spasial lebih tepat digunakan untuk memodelkan faktor yang berpengaruh terhadap kemiskinan dan pengangguran di suatu wilayah dengan memperhatikan efek spasialnya Salah satu metode spasial yang bisa digunakan ialah Seemingly Unrelated Regression-Spatial Durbin Model (SUR-SDM). Di dalam penelitian SUR SDM diperlukan suatu pembobot yang digunakan untuk menghitung koefisien autokorelasi. Matriks pembobot yaitu matriks yang elemen-elemennya adalah nilai pembobot yang diberikan untuk perbandingan setiap daerah tertentu. Metode penentuan matriks pembobot dalam penelitian ini dengan menggunakan Queen Contiguity dan pembobot customize. Penelitian ini bertujuan untuk mendeskripsikan kemiskinan dan pengangguran serta faktor – faktor yang diduga mempengaruhinya menggunakan metode SUR-SDM dengan bobot Queen Contiguity dan Customize. Adapun variabel-variabel yang digunakan yaitu Variabel respon terdiri dari persentase rumah tangga miskin (%) (y1) dan angka pengangguran (%)(y2). Sedangkan variabel bebasnya yaitu terdiri dari: persentase jumlah sarana pelayanan kesehatan meliputi posyandu, poliklinik, puskesmas, puskesmas pembantu, dokter praktek, klinik bersalin, dan pos KB (%) (x1), persentase jumlah sarana sekolah meliputi TK, SD, SLTP, SMU, dan SMK (%) (x2), persentase penduduk yang bekerja di sektor pertanian (%) (x3), persentase rumah tangga yang menggunakan air bersih (PDAM) (%) (x4), dan rasio penduduk yang belum tamat SD (x5). Hasil yang didapat yaitu pemodelan SUR-SDM dengan bobot Customize menghasilkan nilai R-Square yang lebih kecil dibandingkan bobot queen di kedua variable respon yaitu sebesar 80.60% dibandingkan queen sebesar 80.64 untuk variable kemiskinan dan untuk variable pengangguran bobot Customize mengasilkan nilai 92.51% lebih kecil disbanding queen sebesar 92.53%
Analisis Regresi Logistik Ordinal Faktor-Faktor yang Mempengaruhi IPK Mahasiswa Dwi Utami Setyawati; Baiq Dewi Korida; Baiq Rika Ayu Febrilia
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.615

Abstract

Setiap mahasiswa memiliki perbedaan dalam mengikuti proses pembelajaran yang akan mempengaruhi prestasi belajarnya atau yang biasa dikenal dengan Indeks Prestasi Kumulatif (IPK). Untuk meningkatkan IPK mahasiswa dan kualitas proses pembelajaran di kelas, maka penting untuk diketahui faktor-faktor yang mempengaruhinya. Faktor-faktor yang akan diuji tersebut diantaranya jurusan SMA dan asal daerah mahasiswa. Analisis faktor-faktor tersebut dapat menggunakan analisis regresi logistik ordinal yang mana setiap variabelnya dikategorikan menggunakan skala tertentu. Penelitian ini menggunakan data mahasiswa Program Studi Pendidikan Matematika angkatan 2010-2013 yang lulus pada tahun 2017 dan 2018. Hasil penelitian menunjukkan bahwa kedua factor tersebut berpengaruh secara signifikan terhadap IPK mahasiswa. Penelitian ini diharapkan dapat menjadi salah satu sumber referensi dalam meningkatkan kualitas mahasiswa di program studi.
ARDL METHOD: Forecasting Data Curah Hujan Harian NTB Ulul Azmi; Zilullah Nazir Hadi; Siti Soraya
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.627

Abstract

Penelitian ini berisi tentang prediksi atau forecasting data iklim di Nusa Tenggara Barat (NTB) tahun 2011, yakni jumlah hari terjadinya hujan dengan menggunakan metode Autoregressive Distributed Lag (ARDL). Data yang digunakan yaitu data iklim di Nusa Tenggara Barat (NTB) dari tahun 2006 -2010, dengan menggunakan beberapa parameter error seperti Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil simulasi data iklim di Nusa Tenggara Barat (NTB) tersebut, diperoleh prediksi jumlah hari terjadinya curah hujan pada tahun 2011 sebesar 226 hari dengan nilai MAD 20,8069, MSE 3,5569, RMSE 1,88597, dan MAPE 11,9297 . Dan prediksi jumlah hari terjadinya hujan pada tahun 2011 sebanyak 225,928 hari atau jika di bulatkan menjadi 226 hari dengan nilai parameter error MAD sebesar 20,8069, sehingga dapat disimpulkan pada tahun 2011 terjadi peningkatan jumlah hari terjadinya hujan di Nusa Tenggara Barat (NTB).
Aplikasi Model Predictive Control (MPC) Pada Optimasi Portofolio Komoditas Wawan Hafid Syaifudin; Ulil Azmi
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.646

Abstract

Komoditas merupakan salah satu jenis investasi yang disediakan oleh pasar modal kepada investor. Dalam investasi komoditas, terdapat dua hal yang menjadi pertimbangan investor, yaitu return dan risiko. Tujuan utama dalam investasi komoditas adalah memaksimalkan return dengan tingkat risiko tertentu atau meminimalkan risiko dengan tingkat return tertentu. Penentuan portofolio komoditas yang optimal merupakan salah satu hal yang sangat penting bagi kalangan investor. Pada penelitian ini digunakan metode pengendali Model Predictive Control (MPC) untuk menyelesaikan permasalahan optimasi portofolio komoditas dengan adanya kendala di dalam pembentukan portofolio. Data yang digunakan adalah data 3 komoditas yang diperdagangkan, yaitu emas, tembaga, dan minyak. Pengendali MPC dapat diterapkan dengan baik pada permasalahan optimasi portofolio komoditas. Dari hasil simulasi terlihat bahwa jumlah modal yang dimiliki investor yang merupakan output dari sistem menunjukkan peningkatan yang signifikan. Kenaikan ini terjadi karena jumlah modal yang diinvestasikan pada portofolio komoditas berusaha untuk mencapai reference trajectory yang ditetapkan. Selain itu state dan input dari sistem selalu berada di dalam batas constraint yang diberikan.
Peningkatan Akurasi Klasifikasi Ketidaktepatan Waktu Kelulusan Mahasiswa Menggunakan Metode Boosting Neural Network I Ketut Putu Suniantara; Gede Suwardika; Siti Soraya
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.651

Abstract

Supervised learning in Machine learning is used to overcome classification problems with the Artificial Neural Network (ANN) approach. ANN has a few weaknesses in the operation and training process if the amount of data is large, resulting in poor classification accuracy. The results of the classification accuracy of Artificial Neural Networks will be better by using boosting. This study aims to develop a Boosting Feedforward Neural Network (FANN) classification model that can be implemented and used as a form of classification model that results in better accuracy, especially in the classification of the inaccuracy of Terbuka University students. The results showed the level of accuracy produced by the Feedforward Neural Network (FFNN) method had an accuracy rate of 72.93%. The application of boosting on FFN produces the best level of accuracy which is 74.44% at 500 iterations
K-Means Clustering Analysis pada Persebaran Tingkat Pengangguran Kabupaten/Kota di Sulawesi Selatan Akramunnisa - Akramunnisa; Fajriani Fajriani
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.652

Abstract

This study aims to determine the distribution of districts in South Sulawesi based on unemployment rate using clustering analysis. The unemployment rate indicators are districts minimum wage (UMK) and human development index growth rate (IPM). The algorithm used in this study is k-means clustering. The results of k-means clustering analysis showed that of 24 districts in South Sulawesi are divided into two clusters, namely the high and low unemployment rate. The high employment rate cluster consists of 6 districts, namely Pangkep, Sidrap, Luwu Timur, Palopo, Parepare, and Makassar. The rest, 18 districts are in the low employment rate cluster.
Peramalan Harga Komoditas dengan Menggunakan Metode Arima-Garch Ulil Azmi; Wawan Hafid Syaifudin
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.653

Abstract

Emas, Tembaga dan Minyak merupakan jenis komoditas yang banyak diincar oleh para investor untuk menanamkan modal dengan cara melakukan investasi pada jenis komoditas tersebut. Prediksi harga komoditas sangat bermanfaat bagi investor untuk melihat prospek investasi komoditas pada suatu perusahaan di masa yang akan datang. Harga komoditas memiliki karakteristik data yang tidak stabil atau sering disebut volatilitas. Untuk mengatasi permasalahan tersebut, dilakukan peramalan dengan metode ARIMA dan ARIMA-GARCH. Dipilih dua metode tersebut karena dua metode ini cocok untuk meramalkan sesuatu yang memiliki data history yang kuat. Metode ARIMA ARCH-GARCH lebih cocok digunakan untuk data-data yang memliki volatilitas yang tinggi atau terdapat heteroskedastisitas pada residual data, sehingga hasil prediksi lebih akurat. Hal ini dibuktikan dengan nilai AIC lebih kecil dari pada hanya menggunakan metode ARIMA. Model terbaik untuk komoditas Emas adalah ARIMA(0,1,1) – GARCH(1,1) sedangkan komoditas tembaga memiliki model terbaik yaitu ARIMA(2,1,2) – GARCH(1,1) dan komoditas minyak yaitu ARIMA(1,1,1) – GARCH(0,1). Nilai MAPE (Mean Absolute Percentage Error) untuk masing-masing komoditas berturut-turut adalah 1,113; 0,542 dan 1,158 untuk Emas, Tembaga dan Minyak.
Pemodelan Regresi Multivariat pada Penentuan Faktor-Faktor yang Berpengaruh terhadap Kesejahteraan di Jawa Tengah Santi Puteri Rahayu; Ria Restu Aripin; Imam Safawi Ahmad
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.654

Abstract

Kesejahteraan masyarakat merupakan salah satu indikator keberhasilan program-program pemerintah yang dapat dilihat dari pendapatan asli daerah, dan Produk Domestik Regional Bruto. Tingkat kemakmuran masyarakat Jawa Tengah secara makro terus meningkat, hal ini tercermin dari PDRB per kapita yang meningkat dari dari 25,04 juta per tahun pada tahun 2013 secara bertahap menjadi 27,61 juta per tahun pada tahun 2014. Perekonomian Jawa Tengah terus tumbuh, hal ini ditunjukkan dengan laju pertumbuhan PDRB yang positif. Untuk memudahkan dalam peningkatan kesejahteraan dapat dilakukan analisis regresi multivariat. Variabel respon yang digunakan adalah pendapatan asli daerah dan Produk Domestik Regional Bruto, sedangkan variabel prediktor yang digunakan yaitu pajak daerah, belanja pegawai dan jumlah penduduk. Terdapat 12 Kabupaten/ Kota yang mempunyai Pendapatan Asli Daerah diatas rata-rata, 9 Kabupaten/Kota yang mempunyai Produk Domestik Regional Bruto diatas rata-rata, 6 Kabupaten/Kota yang mempunyai pajak daerah diatas rata-rata, 17 Kabupaten/Kota yang mempunyai belanja pegawai diatas rata-rata, dan 14 Kabupaten/Kota yang mempunyai jumlah penduduk diatas rata-rata. Berdasarkan uji signifkansi parameter secara parsial diperoleh variabel pajak daerah dan jumlah penduduk yang berpengaruh terhadap pendapatan asli daerah dan Produk Domestik Regional Bruto. Hubungan antara variabel prediktor dan variabel respon dilihat dengan nilai Eta Square Lambda sebesar 98.45%. Ini berarti variabel-variabel prediktor yang meliputi pajak daerah dan jumlah penduduk dapat menjelaskan informasi dalam model regresi multivariat sebesar 98.45%.
Model Regresi Multivariat Terhadap Tingkat Kesejahteraan Kabupaten/Kota Di Sulawesi Selatan Irwan Irwan; Ermawati Ermawati
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.666

Abstract

Kesejahteraan pada suatu daerah dipengaruhi oleh pendapatan daerah. Pendapatan daerah yang berasal dari berbagai sektor seperti pajak, retribusi, pengelolaan sumber daya alam, dana investasi, dana perimbangan dan dana pambangunan yang juga mempengaruhi besarnya pertumbuhan ekonomi atau PDRB (Produk Domestik Regional Bruto) serta kemajuan di suatu daerah. Dalam artikel ini betujuan untuk menggambarkan indikator penunjang kesehteraan daerah menggunakan analisis Regresi Multivariat dengan pemilihan KICC (Kullback’s Information Criterion Corrected). Berdasarkan hasil analisis, diperoleh model regresi multivariat pertama , kedua dan ketiga . Model yang didapatkan menunjukkan hubungan antara variabel respon dan variabel prediktor memiliki nilai keterkaitan mendekati 100%.
Perbandingan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) dengan Support Vector Regression (SVR) dalam Memprediksi Jumlah Kunjungan Wisatawan Mancanegara ke Bali Ni Putu Nanik Hendayanti; Maulida Nurhidayati
Jurnal Varian Vol 3 No 2 (2020)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v3i2.668

Abstract

Berbagai sumber pendapatan yang dapat dihasilkan dalam suatu daerah, salah satunya yaitu dalam sektor pariwisata. Seperti halnya sektor yang lain, sektor pariwisata juga memberikan banyak sumbangan bagi pembangunan ekonomi di suatu daerah maupun negara tujuan wisata. Indonesia memiliki banyak tujuan wisata daerah yang sudah terkenal hingga mancanegara salah satunya yaitu Pulau Bali. Bali merupakan daerah yang sudah memiliki kedudukan yang sejajar dengan daerah-daerah tujuan wisata lainnya yang ada di dunia. Sebagai suatu daerah yang sangat berpotensi dalam pengembangan wisata, maka pemerintah memberikan perhatian yang khusus dalam pengembangan pariwisata di Pulau Bali. Maka dari itu, perlu adanya peramalan jumlah kunjungan wisatawan mancanegara ke Bali yang nantinya bisa bermanfaat bagi pemerintah daerah maupun dinas pariwisata. Dalam hal ini, akan digunakan dua metode untuk meramalkan jumlah kunjungan wisatawan mancanegara ke Bali. Adapun metode yang digunakan yaitu Seasonal ARIMA dan Support Vector Regression (SVR). Hasil peramalan data out sampel dengan menggunakan metode SARIMA dan SVR menunjukkan bahwa metode SARIMA memiliki nilai MAPE lebih kecil dari pada SVR. Nilai MAPE motode SARIMA adalah 5,33% sedangkan metode SVR sebesar 19,74%. Begitu juga nilai MSE dan MAE dari metode SARIMA lebih kecil dari metode SVR. Dari Penelitian yang dilakukan dapat disimpulkan bahwa model SARIMA merupakan motode yang lebih baik untuk memprediksi jumlah kunjungan wisatawan mancanegara ke Bali.

Page 1 of 1 | Total Record : 10

 1 

Filter by Year

2020 2020


Reset
Filter By Issues
All Issue Vol. 8 No. 2 (2025) Vol. 8 No. 1 (2024) Vol 8 No 1 (2024) Vol. 7 No. 2 (2024) Vol 7 No 2 (2024) Vol 7 No 1 (2023) Vol. 7 No. 1 (2023) Vol 6 No 2 (2023) Vol 6 No 1 (2022) Vol 5 No 2 (2022) Vol 5 No 1 (2021) Vol 4 No 2 (2021) Vol 4 No 1 (2020) Vol 3 No 2 (2020) Vol 3 No 1 (2019) Vol 2 No 2 (2019) Vol 2 No 1 (2018) Vol 1 No 2 (2018) Vol 1 No 1 (2017) More Issue