Articles
180 Documents
<![CDATA[Penerapan Small Area Estimation Dengan Zero Inflated Poisson Model Pada Data Kematian Bayi di Banten Periode 2013-2017 ]]>
<![CDATA[Ahmad Ridwan Harahap]]>;
<![CDATA[Dodi Satriawan]]>;
<![CDATA[Yuni Susianto]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05102
<![CDATA[Dalam beberapa tahun terakhir, permintaan untuk statistik area kecil sangat meningkat dan sangat diperlukan bagi pengguna data. Namun, kebanyakan statistik yang dihasilkan dari survei yang dilakukan oleh BPS hanya pada level nasional dan provinsi. Ketidaktersediaan statistik pada wilayah kecil seperti kabupaten/kota disebabkan oleh ukuran sampel yang tidak memadai. Oleh karena itu, penelitian ini bertujuan untuk menghasilkan dugaan parameter-parameter yang dapat diandalkan pada wilayah kecil ketika ukuran sampelnya tidak memadai. Studi kasus yang dibahas pada penelitian ini adalah Angka Kematian Bayi (AKB) di Banten. AKB merupakan salah satu indikator untuk mencerminkan keadaan derajat kesehatan di suatu masyarakat dimana Banten merupakan salah satu provinsi dengan AKB terbesar di Pulau Jawa serta belum sesuai dengan target SDGs poin ketiga tahun 2030. Data AKB di Banten diasumsikan berdistribusi Poisson dan mengalami overdispersi sehingga penelitian ini menggunakan metode Small area estimation dengan model Zero Inflated Poisson, dimana model Poisson dan pendugaan langsung digunakan sebagai pembanding dalam melakukan evaluasi terhadap dugaan yang dihasilkan. Perbandingan dilakukan berdasarkan nilai RRMSE yang diperoleh dari kedua model tersebut, dimana model terbaik adalah model dengan nilai RRMSE terkecil. Hasil penelitian menunjukkan bahwa metode SAE ZIP lebih baik dalam menduga AKB di Banten jika dibandingkan dengan metode SAE Poisson dan pendugaan langsung.]]>
<![CDATA[Analisis Klaster untuk Pengelompokkan Kabupaten/Kota di Provinsi Maluku Berdasarkan Indikator Pendidikan dengan Menggunakan Metode Ward ]]>
<![CDATA[Dewi Ls]]>;
<![CDATA[Yopi Andry Lesnussa]]>;
<![CDATA[Mozart W. Talakua]]>;
<![CDATA[Muhammad Y. Matdoan]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05105
<![CDATA[Analisis klaster merupakan salah satu metode analisis yang bertujuan untuk mengklasterkan objek-objek berdasarkan kemiripan karakteristik yang dimilikinya. Metode yang digunakan pada analisis klaster yaitu metode hierarki. Secara umum metode hierarki dibagi menjadi 5 yaitu : single linkage, complete linkage, average linkage, Ward dan centroid dengan ukuran jarak euclidean. Tujuan dari penelitian ini untuk mengetahui hasil pengklasteran kabupaten/kota di Provinsi Maluku berdasarkan Indikator Pendidikan dengan menggunakan metode Ward. Hasil penelitian pengklasteran kabupaten/kota sebanyak 3 klaster, klaster pertama terdiri dari 2 kabupaten/kota yaitu Maluku Tengah dan Kota Ambon dengan tingkat pendidikan yang tinggi. Klaster kedua terdiri dari 4 kabupaten yaitu Kabupaten Seram Bagian Barat, Kabupaten Buru, Kabupaten Seram Bagian Timur dan Kabupaten Kepulauan Tanimbar dengan tingkat pendidikan rendah. Klaster ketiga terdiri dari 4 kabupaten/kota yaitu Kabupaten Maluku Tenggara, Kabupaten Maluku Barat Daya, Kabupaten Kepulauan Aru, Kabupaten Buru Selatan dan Kota Tual dengan tingkat pendidikan sedang.]]>
<![CDATA[Analisis Ketahanan Bersekolah Anak Jenjang SMA/Sederajat di Provinsi DKI Jakarta Tahun 2019 ]]>
<![CDATA[Yaya Setiadi Sodikin]]>;
<![CDATA[Alan Anugrah Tomanda]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05110
<![CDATA[Pendidikan menjadi salah satu bagian yang penting dalam kemajuan suatu bangsa termasuk Indonesia. Rencana Strategis Kementerian Pendidikan dan Kebudayaan yang menargetkan setiap jenjang pendidikan memiliki angka putus sekolah hanya 1 persen tetapi jenjang SMP/sederajat dan SMA sederajat belum mencapai target tersebut di tahun 2019. Data Susenas 2019 menunjukkan bahwa secara Nasional angka putus sekolah tertinggi tingkat SMA/sederajat terjadi di DKI Jakarta yang mencapai 6,13 persen walaupun DKI Jakarta berada diperingkat kedua untuk angka melanjutkan pendidikan ke SMA/sederajat untuk provinsi yang ada di Pulau Jawa. Penelitian ini menggunakan Time to Event Analysis untuk mengetahui bagaimana gambaran ketahanan bersekolah pada jenjang SMA/sederajat dan faktor-faktor yang memengaruhinya. Berdasarkan nilai Akaike Information Criterion (AIC) terendah maka dipilih model parametrik distribusi Gompertz. Hasil analisis data diperoleh kesimpulan bahwa terdapat satu variabel bebas yang memengaruhi ketahanan bersekolah jenjang SMA/sederajat di Provinsi DKI Jakarta tahun 2019 yaitu status bekerja anak, dimana anak yang berstatus bekerja memiliki resiko 4,44 kali lebih besar untuk putus sekolah dibandingkan anak yang tidak bekerja. Penelitian ini penting dilakukan karena DKI Jakarta memiliki angka melek huruf yang mencapai 99,74 persen dan rasio guru murid yang sesuai standar ideal namun memiliki angka putus sekolah tertinggi di Indonesa dan Angka Partisipasi Murni (APM) yang selalu di bawah rata-rata Nasional dala 5 tahun terakhir (2015-2019).]]>
<![CDATA[Market Basket Analysis Menggunakan Algoritma Apriori: Kasus Transaksi 212 Mart Soebrantas Pekanbaru ]]>
<![CDATA[Deni Rizaldi]]>;
<![CDATA[Arisman Adnan]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05103
<![CDATA[Market Basket Analysis (MBA) merupakan salah satu teknik penemuan aturan asosiasi dalam data mining. MBA memanfaatkan data transaksi pada suatu toko untuk menentukan strategi penjualan. Konsep utama analisis ini adalah menentukan barang yang dibeli secara bersamaan oleh konsumen. Penentuan asosiasi dalam MBA berdasarkan kriteria minimum support dan confidence. Penelitian ini menggunakan algoritma apriori untuk data transaksi 212 Mart Soebrantas Pekanbaru periode Januari-Desember 2020. Algoritma apriori merupakan algoritma yang efisien untuk menentukan kandidat aturan asosiasi pada data dengan jumlah besar. Aturan asosiasi yang akan dibangkitkan adalah aturan asosiasi antar kelompok item dan asosiasi antar item. Berdasarkan hasil analisis ditemukan aturan asosiasi antar kelompok yang terbaik berdasarkan nilai lift tertinggi yaitu asosiasi antara clothing care dan body care dengan support 6,1% dan confidence 45,88 %. Aturan asosiasi terbaik untuk item yaitu asosiasi Lemonilo Mie Instan Ayam Bawang 7 dan Lemonilo Mie Instan Kari Ayam dengan support 0,17% dan confidence 42,11%.]]>
<![CDATA[Peramalan Jumlah Penduduk Kabupaten Semarang dengan Metode Box-Jenkins ]]>
<![CDATA[Emma Novita Sari]]>;
<![CDATA[Tundjung Mahatma]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05107
<![CDATA[Peramalan merupakan ilmu atau teknik untuk menduga suatu nilai pada waktu yang akan datang menggunakan referensi data di masa lalu dan data saat ini. Peramalan jumlah penduduk Kabupaten Semarang sangat diperlukan karena data jumlah penduduk sering dijadikan sebagai dasar untuk perencanaan maupun sasaran pembangunan di waktu yang akan datang. Tujuan dari penelitian ini adalah untuk mengetahui hasil peramalan jumlah penduduk Kabupaten Semarang tahun 2020 – 2025 dengan metode Box-Jenkins. Data yang digunakan adalah data jumlah penduduk Kabupaten Semarang tahun 1989 – 2019. Data tersebut dapat dimodelkan dengan model Autoregressive Integrated Moving Average (ARIMA). Setelah dianalisis, model terbaik yang didapatkan adalah model ARIMA(2,1,1). Hasil peramalan jumlah penduduk Kabupaten Semarang untuk tahun 2020 sampai dengan 2025 berturut-turut sebesar 1.064.529 jiwa, 1.075.971 jiwa, 1.086.606 jiwa, 1.097.182 jiwa, 1.107.346 jiwa, dan 1.117.284 jiwa.]]>
<![CDATA[Faktor-Faktor yang Memengaruhi Jumlah Korban Meninggal Akibat Banjir dengan Pendekatan Model Zero Inflated Poisson ]]>
<![CDATA[Novia Permatasari]]>;
<![CDATA[Nashir Wahyudi]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05108
<![CDATA[Bencana banjir merupakan bencana alam dengan total kejadian serta kematian yang lebih tinggi dibanding bencana alam hidrometeorologi lainnya di Indonesia. Terdapat banyak faktor yang memengaruhi jumlah kematian akibat banjir, salah satunya adalah tingkat kesejahteraan masyarakat. Penelitian ini bertujuan untuk mengimplementasikan metode Zero Inflated Poisson guna mengetahui faktor-faktor kesejahteraan masyarakat yang memengaruhi jumlah korban meninggal akibat banjir di Indonesia tahun 2020. Dengan menggunakan metode zero-inflated poisson, kita dapat mengatasi masalah overdispersi akibat terlalu banyak nilai nol pada variabel dependen, serta mengetahui seberapa besar pengaruh variabel kesejahteraan masyarakat terhadap jumlah korban meninggal akibat banjir. Faktor kesejahteraan masyarakat tersebut terdiri atas karakteristik demografi dan lingkungan sekitar. Berdasarkan hasil, diketahui bahwa untuk kelompok karakteristik demografi, faktor-faktor yang berpengaruh terhadap jumlah korban banjir adalah proporsi penduduk berstatus menikah dan proporsi penduduk perempuan. Sedangkan, untuk kelompok lingkungan sekitar korban, faktor-faktor yang berpengaruh adalah kondisi lantai, angka kesakitan, angka ketergantungan, dan pendapatan perkapita.]]>
<![CDATA[Perbandingan Spatial Autoregressive Model dan Spatial Error Model dalam Pemodelan Indeks Pembangunan Manusia di Provinsi Jawa Timur ]]>
<![CDATA[Desie Rahmawati]]>;
<![CDATA[Hardian Bimanto]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05104
<![CDATA[Indeks Pembangunan Manusia (IPM) merupakan indikator untuk mengukur keberhasilan upaya pembangunan kualitas hidup manusia yang telah dicapai. Pertumbuhan IPM di suatu wilayah dapat dipengaruhi oleh faktor geografis yaitu besarnya angka IPM di suatu wilayah dapat memengaruhi angka IPM pada wilayah yang berdekatan sehingga faktor geografis diduga dapat memengaruhi dan memberikan efek dependensi spasial pada nilai IPM di Provinsi Jawa Timur. Penelitian ini bertujuan untuk melakukan pemodelan pada faktor yang berpengaruh terhadap Indeks Pembangunan Manusia di Provinsi Jawa Timur. Unit pengamatan pada penelitian ini adalah 38 kabupaten/kota di Provinsi Jawa Timur. Data yang digunakan adalah data sekunder dari Badan Pusat Statistik Jawa Timur tahun 2017. Metode analisis yang digunakan dalam penelitian ini adalah metode Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM). Hasil penelitian menunjukkan bahwa berdasarkan nilai uji Lagrange Multiplier (lag) dan Lagrange Multiplier (error) terdapat dependensi lag dan error. Variabel prediktor yang secara signifikan berpengaruh terhadap nilai IPM pada model SAR dan SEM antara lain Angka Harapan Hidup, Rata-rata Lama Sekolah, Angka Harapan Lama Sekolah dan Kemampuan daya beli masyarakat. Berdasarkan hasil penelitian didapatkan model SEM dengan nilai R2 terbesar dan nilai AIC terkecil sehingga model SEM lebih baik digunakan untuk menganalisis nilai IPM di Provinsi Jawa Timur dibandingkan model SAR dan model regresi OLS.]]>
<![CDATA[Pemodelan Jumlah Kasus Malaria di Indonesia Menggunakan Generalized Linear Model ]]>
<![CDATA[Vera Maya Santi]]>;
<![CDATA[Abi Wiyono]]>;
<![CDATA[Sudarwanto]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 5 No 1 (2021): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.05111
<![CDATA[Generalized Linear Model (GLM) telah banyak digunakan untuk memodelkan berbagai macam tipe data dimana distribusi dari variabel respon merupakan distribusi yang termasuk dalam distribusi keluarga eksponensial. Contoh umum dari distribusi keluarga eksponensial adalah distribusi Poisson dan Binomial. Model regresi GLM mendeskripsikan struktur dari variabel prediktor, sedangkan fungsi penghubung secara khusus mendeskripsikan hubungan antara model regresi dengan nilai ekspektasi dari variabel respon. Tujuan dari artikel ini adalah mendapatkan variabel-variabel prediktor yang berpengaruh signifikan terhadap model. Metode Maximum Likelihood Estimation digunakan untuk mencari estimasi dari nilai parameter regresi model. Jumlah kasus malaria di Indonesia diidentifikasi berdistribusi Poisson. Terdapat 3 variabel prediktor yang berpengaruh signifikan terhadap jumlah kasus malaria di Indonesia, yaitu persentase rumah tangga yang memiliki akses sanitasi layak, jumlah kabupaten/kota yang menyelenggarakan tatanan kawasan kesehatan dan jumlah kabupaten/kota yang melakukan pengendalian vektor terpadu.]]>
