cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
BIMASTER
Published by Universitas Tanjungpura
ISSN : -     EISSN : -     DOI : -
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Mathematics
Bimaster adalah Jurnal Ilmiah berkala bidang Matematika, Statistika dan Terapannya yang terbit secara online dan dikelola oleh Jurusan Matematika FMIPA Untan
Arjuna Subject : -
Articles 770 Documents
 73   74   75   76   77 
ANALISIS CLUSTER HIERARKI DENGAN METODE AVERAGE LINGKAGE PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA DI KALIMANTAN BARAT Roos, Amelia Vickylia; Huda, Nur’ainul Miftahul; Helmi, Helmi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v13i6.90505

Abstract

Indeks Pembangunan Manusia (IPM) adalah sebuah indikator yang digunakan untuk mengukur dan membandingkan tingkat kemajuan manusia antar negara atau wilayah. Pada penelitian ini, yang digunakan dalam analisis meliputi enam faktor yaitu pengeluaran per kapita, rata-rata lama sekolah, harapan lama sekolah, harapan hidup saat lahir, umur harapan hidup, dan persentase penduduk miskin. Metode cluster hierarki adalah salah satu metode yang kerap dimanfaatkan untuk mengelompokkan wilayah atau negara. Metode average lingkage adalah salah satu metode dalam hierarchical clustering untuk menghitung rata-rata jarak setiap pasangan objek. Tujuan dari penelitian ini ialah mengelompokkan 14 Kabupaten/Kota mengunakkan metode average lingkage. Prosesnya dimulai dengan mengidentifikasi faktor-faktor yang mempengaruhi IPM, lalu dilakukan standarisasi data karena faktor-faktor tersebut memiliki satuan yang berbeda. Selanjutnya, pengujian multikolinearitas dilakukan untuk memastikan bahwa tidak terdapat hubungan linier yang signifikan antar variabel, kemudian dihitung jarak eclidean untuk menentukan kedekatan antar titik. Pada analisis klaster hierarki, jumlah clu   ster dapat ditentukan, dan dalam penelitian ini digunakan 3 cluster. Hasil analisis menunjukkan bahwa Kota Pontianak dan Kabupaten Kayong Utara memiliki karakteristik yang berbeda dibandingkan dengan kabupaten/kota lainnya, karena faktor-faktor yang mempengaruhi IPM di kedua daerah tersebut lebih unggul. Sementara itu, 12 kabupaten/kota lainnya memiliki karakteristik yang serupa dan digabungkan dalam satu cluster. Kata Kunci: indeks pembangunan manusia, metode cluster hierarki, metode average lingkage
PERAMALAN CURAH HUJAN MENGGUNAKAN SPACE TIME AUTOREGRESSIVE (STAR) DENGAN BOBOT KERNEL Ningrum, Runi Aisyah Diyah; Huda, Nur’ainul Miftahul; Yundari, Yundari
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v13i6.90509

Abstract

Model Space Time Autoregressive (STAR) dimanfaatkan untuk memetakan data tidak hanya ditentukan oleh waktu, tetapi juga oleh tempat. Salah satu karakteristik unik dari model STAR adalah penggunaan matriks bobot yang menjelaskan hubungan geografis. Dalam penelitian ini, matriks bobot yang digunakan yaitu bobot gaussian kernel, bisquare kernel, dan tricube kernel. Studi kasus yang digunakan adalah data curah hujan di tiga lokasi di Kalimantan Barat, yaitu Pontianak, Sambas, dan Kubu Raya, selama periode Januari 2019 sampai dengan Desember 2023. Perkembangan curah hujan di setiap kota tidak hanya dipengaruhi oleh kondisi di waktu sebelumnya tetapi juga oleh kondisi di lokasi lainnya. Penelitian ini bertujuan untuk membandingkan kinerja tiga jenis bobot lokasi yang berbeda dan menentukan model STAR terbaik berdasarkan nilai MAPE, AIC, dan RMSE paling kecil. Model STAR yang digunakan dibatasi pada orde STAR (1;1). Tahapan-tahapan yang dilakukan meliputi uji stasioneritas data, estimasi parameter, dan uji diagnostik untuk masing-masing model STAR. Hasil penelitian menunjukkan bahwa model dengan bobot tricube kernel merupakan model yang terbaik, karena memiliki nilai MAPE, AIC, dan RMSE paling kecil. Kata Kunci: residual, stasioner, uji diagnostik
PENYELESAIAN MASALAH TRANSHIPMENT MENGGUNAKAN METODE SIRISHA-VIOLA Ananda, Lolla Julia; Prihandono, Bayu; Pasaribu, Meliana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v13i6.90479

Abstract

Pendistribusian solar merupakan salah satu proses penting dalam operasional PT Baharimas Kalimantan. Ketidaktepatan alokasi produk dalam distribusi dapat menyebabkan pendistribusian yang tidak optimal, sehingga diperlukan analisa mendalam untuk menentukan solusi pendistribusian menggunakan metode Sirisha-Viola. Oleh karena itu, penelitian ini dilakukan dengan menganalisa pengalokasian solar menggunakan model Transhipment dengan penerapan metode Sirisha-Viola. Tujuan Penelitian ini adalah menentukan solusi dari pendistribusian solar PT Baharimas Kalimantan dengan metode Sirisha-Viola. Metode Sirisha-Viola adalah metode transportasi tidak langsung untuk menemukan solusi fisibel awal dalam masalah transportasi dengan menukar baris dan kolom ganjil-genap yang bersesuaian, lalu mengurangi setiap biaya dengan biaya terkecil di setiap baris dan kolom, dilanjutkan memilih salah satu nol dari setiap baris dan mengalokasikan semaksimal mungkin dari persediaan atau permintaan dengan nilai yang minimum. Solusi yang dihasilkan dari pendistribusian solar PT Baharimas Kalimantan yang optimal menggunakan metode Sirisha Viola adalah PT. Baharimas Kalimantan mendistribusikan solar ke OB (Oil Brige) dan TB (Tug Boat) masing-masing sebanyak 60.300 liter solar dan 619.085 liter solar. PT Pelayaran Baharimas Kalimantan juga memiliki persediaan berlebih sebanyak 18.215 liter solar. Sumber OB (Oil Brige) mendistribusikan solar ke Kota Baru sebanyak 63.000 liter solar, dan OB (Oil Brage) memiliki persediaan berlebih  sebanyak 655.000 liter solar. Sumber TB (Tug Boat) mendistribusikan solar ke Sintang sebanyak 634.085 liter solar dan TB (Tug Boat) juga memiliki persediaan sebanyak 96.215 liter solar. Kata Kunci : alokasi produk, solusi fisibel awal, masalah transportasi
KLASTERISASI KABUPATEN/KOTA DI PULAU KALIMANTAN BERDASARKAN INDIKATOR KESEJAHTERAAN DENGAN TWO-STEP CLUSTER Hariadi, Wahyudio Shaney Fikri; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91668

Abstract

Kesejahteraan merupakan kapasitas untuk memenuhi berbagai kebutuhan hidup guna mencapai standar yang layak, sehat, dan produktif. Pertumbuhan di Pulau Kalimantan dalam beberapa tahun terakhir terus meningkat pesat, dengan proyeksi mencapai 20 juta jiwa pada tahun 2025. Mengetahui tantangan di setiap provinsi dan merumuskan solusi yang tepat merupakan langkah krusial dalam mewujudkan pemerataan kesejahteraan masyarakat. Tujuan penelitian ini mengelompokan kabupaten/kota di Pulau Kalimantan dan menganalisis karakteristiknya berdasarkan indikator. Penelitian ini menerapkan metode Two-Step Cluster, yang terdiri dari dua tahap dalam proses pengelompokan. Pada tahap pertama, klaster awal dibentuk melalui Cluster Feature Tree (CF Tree) dengan pengukuran jarak menggunakan metode Euclidean Distance. Sementara itu, tahap kedua menentukan klaster optimal dengan menghitung nilai BIC dan membandingkan rasio ukuran jarak antar klaster. Indikator yang digunakan ada tujuh yaitu Produk Domestik Regional Bruto (PDRB), Rata-rata Lama Sekolah (RLS), Harapan Lama Sekolah (HLS), Usia Harapan Hidup (UHH), Pengeluaran Perkapita Disesuaikan (PPD), Indeks Pembangunan Manusia (IPM), Indeks Pembangunan Literasi Masyarakat (IPLM). Berdasarkan hasil penelitian dapat dihasilkan 4 klaster optimal yang terbentuk. Klaster satu dengan tingkat kesejahteraan rendah memiliki 43 anggota kabupaten/kota di Pulau Kalimantan. Klaster dua dengan tingkat kesejahteraan menengah memiliki 2 anggota kabupaten di Provinsi Kalimantan Selatan. Klaster tiga dengan tingkat kesejahteraan sangat tinggi 9 anggota kabupaten/kota terdapat 7 anggota perkotaan dan 2 anggota kabupaten. Klaster empat dengan tingkat kesejahteraan tinggi memiliki 2 anggota kabupaten di Provinsi Kalimantan Timur.
KLASIFIKASI WAKTU KELULUSAN MAHASISWA DENGAN KOMBINASI METODE RANDOM FOREST DAN ADABOOST (Studi Kasus: Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tanjungpura) Salsabila, Hana; Sulistianingsih, Evy; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91673

Abstract

Institusi perguruan tinggi berperan sebagai penyelenggara pendidikan akademik yang ditujukan bagi mahasiswa. Mahasiswa menjadi tolak ukur dalam menilai kualitas perguruan tinggi, salah satunya melalui tingkat kelulusan tepat waktu. Proporsi mahasiswa yang menyelesaikan studi tepat waktu merupakan salah satu indikator krusial dalam evaluasi akreditasi perguruan tinggi. Namun, masih banyak mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Tanjungpura (Untan) yang tidak lulus tepat waktu, sehingga mempengaruhi kualitas dan akreditasi institusi. Penelitian ini bertujuan untuk menerapkan kombinasi metode Random Forest dan AdaBoost dalam klasifikasi kelulusan mahasiswa serta menentukan akurasinya. Penelitian ini menggunakan data sekunder terkait kelulusan mahasiswa FMIPA Untan dari Periode I Tahun Akademik 2018/2019 hingga Periode II Tahun Akademik 2023. Analisis dimulai dari mendeskripsikan data kelulusan mahasiswa. Kemudian dilanjutkan ke tahap analisis Random Forest, lalu dilakukan evaluasi dengan menghitung nilai akurasinya. Selanjutnya algoritma AdaBoost diterapkan pada algoritma Random Forest, kemudian dilakukan evaluasi kembali dengan menghitung nilai akurasinya untuk melihat kinerja model. Hasil penelitian menunjukkan bahwa Algoritma Random Forest mampu mengklasifikasikan data sebanyak 53 data yang benar diklasifikasikan tepat waktu sedangkan 439 lainnya salah diklasifikasikan sedangkan pada data kelulusan tidak tepat waktu diketahui bahwa 1323 data yang benar diklasifikasikan tidak tepat waktu sedangkan 78 diantaranya salah diklasifikasikan dengan akurasi sebesar 72,7%. Penerapan tahap boosting dengan Algoritma AdaBoost menghasilkan peningkatan akurasi yang signifikan mencapai 96,8%. Atribut yang memiliki kontribusi terbesar dalam klasifikasi berdasarkan Random Forest adalah IPS Semester 3. Berdasarkan hasil penelitian, Algoritma AdaBoost terbukti efektif untuk meningkatkan akurasi Algoritma Random Forest dalam klasifikasi kelulusan mahasiswa.
ANALISIS MASALAH TRANSSHIPMENT MENGGUNAKAN METODE SIMPLEKS Awalia, Alma Putri; Noviani, Evi; Fran, Fransiskus
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91229

Abstract

Masalah transshipment merupakan salah satu tantangan dalam optimasi distribusi produk yang bertujuan untuk meminimumkan ongkos transportasi. Masalah ini tidak hanya melakukan pendistribusian produk dari sumber ke tujuan, melainkan melewati beberapa titik-titik transit terlebih dahulu sehingga memerlukan metode optimasi khusus. Penyelesaian masalah transshipment adalah dengan mengubahnya sebagai masalah transportasi biasa yang selanjutnya diselesaikan dengan langkah-langkah masalah transportasi untuk mempermudah analisis. Masalah transportasi ini diselesaikan dengan mencari solusi awal terlebih dahulu yang kemudian dicari solusi optimalnya. Melalui artikel ini,  dianalisis pendekatan lain untuk menyelesaikan metode transportasi secara langsung tanpa perlu mengubahnya menjadi masalah transportasi biasa dan mencari solusi awal terlebih dahulu yaitu metode simpleks. Sebagai penerapan digunakan data pendistribusian pupuk di PT. A dan PT. B, lalu dimodelkan ke bentuk model transshipment dan dicari solusi optimalnya menggunakan metode simpleks. Hasil dari pernerapan metode simpleks menunjukkan bahwa metode simpleks  menghasilkan solusi optimal secara langsung dengan biaya minimum sebesar Rp 508.289.000. Dengan demikian, penggunaan metode simpleks menunjukkan bahwa ada berbagai pendekatan yang bisa diterapkan untuk menghasilkan solusi optimal pada masalah transshipment.Kata Kunci : transshipment, metode simpleks, solusi optimal
IMPLEMENTASI ITERATIVE DICHOTOMISER 3 MENGGUNAKAN MUTUAL INFORMATION DALAM MEMPREDIKSI PRODUKSI SAYURAN Adhazi, Tri; Noviani, Evi; Huda, Nur’ainul Miftahul
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91696

Abstract

Pertanian merupakan sektor penting dalam perekonomian Indonesia, dengan produksi sayuran sebagai bagian utama pola konsumsi masyarakat. Fluktuasi produksi sayuran menjadi tantangan bagi petani dan pengambil kebijakan, karena dapat menyebabkan ketidakseimbangan pasokan. Penelitian ini menerapkan algoritma Iterative Dichotomiser 3 (ID3) untuk memprediksi produksi sayuran di Kalimantan Barat berdasarkan data 2020–2022. Data produksi empat sayuran tertinggi (mentimun, kacang panjang, terung, dan cabe rawit) dianalisis dengan mutual information untuk seleksi fitur. Model ID3 diuji menggunakan pembagian data 70% pelatihan dan 30% pengujian, menghasilkan akurasi 90,9%. Hasil analisis menunjukkan bahwa kacang panjang memiliki pengaruh terbesar terhadap fluktuasi produksi sayuran lain, dengan nilai mutual information 1,886. Berdasarkan nilai akurasi yang diperoleh, dapat disimpulkan bahwa keakuratan algoritma ID3 tergolong sangat baik dalam prediksi produksi sayuran. Kata Kunci: prediksi produksi sayuran, data mining, pohon keputusan, seleksi fitur, fluktuasi produksi 
PENERAPAN PRINCIPAL COMPONENT ANALYSIS-SUPPORT VECTOR MACHINE PADA KLASIFIKASI STATUS STUNTING DI KALIMANTAN BARAT Indriani, Maria Meilinda; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91649

Abstract

Stunting merupakan permasalahan kesehatan masyarakat yang serius, ditandai dengan gangguan pertumbuhan anak akibat kekurangan gizi yang berlangsung dalam jangka waktu lama. Keadaan ini tidak hanya berdampak pada tinggi badan anak yang berada di bawah standar, tetapi juga berpengaruh terhadap perkembangan kognitif, kemampuan belajar, serta tingkat produktivitas di masa mendatang. Kalimantan Barat menjadi salah satu provinsi di Indonesia dengan prevalensi stunting yang relatif tinggi. Penelitian ini bertujuan untuk mengklasifikasikan status stunting di 14 kabupaten/kota di Kalimantan Barat dengan menerapkan metode Principal Component Analysis-Support Vector Machine (PCA-SVM). Selain itu, penelitian ini juga mengevaluasi tingkat akurasi model klasifikasi yang dihasilkan. PCA digunakan untuk mereduksi dimensi data dan mengatasi multikolinearitas, menghasilkan komponen utama yang independen sebagai variabel input dalam model. Selanjutnya, SVM dengan kernel Radial Basis Function (RBF) diterapkan untuk membangun model klasifikasi yang optimal. Penelitian ini menggunakan 14 variabel yang mencerminkan aspek kesehatan anak, ibu, lingkungan, dan faktor sosial-ekonomi. Keempat belas kabupaten/kota tersebut dikategorikan ke dalam tiga kelompok status stunting, yaitu rendah, sedang, dan tinggi. Kinerja model dievaluasi berdasarkan tingkat akurasi. Hasil penelitian menunjukkan bahwa pendekatan PCA-SVM dengan kernel RBF berhasil mencapai akurasi sebesar 92,86% dalam mengklasifikasikan status stunting. Analisis ini memberikan pemahaman yang penting mengenai pengelompokan status stunting di setiap wilayah, sehingga dapat menjadi dasar untuk merancang kebijakan intervensi yang lebih terarah dan tepat sasaran. Dengan demikian, hasil penelitian ini diharapkan dapat membantu pemerintah daerah dalam menurunkan prevalensi stunting secara efektif dan berkelanjutan.
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN KASUS KRIMINALITAS MENGGUNAKAN METODE WARD DENGAN OPTIMALISASI GAMMA INDEX Oktitannia, Dea; Sulistianingsih, Evy; Martha, Shantika
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91757

Abstract

Kriminalitas menjadi permasalahan yang serius di Indonesia yang masih terjadi hingga saat ini dan dapat mempengaruhi kehidupan sosial masyarakat. Oleh karena itu, upaya menurunkan angka kriminalitas menjadi yang penting dilakukan, salah satunya dengan meningkatkan kewaspadaan pemerintah maupun masyarakat terhadap potensi kejahatan di lingkungan sekitar. Tujuan dari penelitian ini adalah untuk pengelompokan provinsi di Indonesia berdasarkan kasus kriminalitas dan menentukan jumlah cluster optimal yang terbentuk. Salah satu metode yang digunakan dalam proses pengelompokan ini adalah analisis cluster, yang memungkinkan objek dikelompokkan berdasarkan informasi yang terkandung dalam data tersebut, termasuk hubungan antar objek. Dengan demikian, karakteristik setiap cluster dapat diidentifikasi, sehingga tingkat keadaan darurat serta kebutuhan di masing-masing cluster dapat dianalisis dan di tindaklanjuti secara lebih efektif. Metode Ward merupakan metode pengelompokan yang bertujuan meminimalkan varians di dalam cluster. Selanjutnya, untuk menentukan jumlah cluster optimal digunakan Gamma Index. Hasil penelitian menunjukkan bahwa terbentuknya dua cluster optimal dalam pengelompokan provinsi di Indonesia berdasarkan kasus kriminalitas dengan nilai Gamma Index sebesar 0,9824 yang merupakan nilai tertinggi dibandingkan cluster lainnya. Cluster 1 merupakan daerah karakteristik kriminalitasnya yang rendah terdiri dari 29 provinsi. Cluster 2 merupakan daerah karakteristik kriminalitasnya tinggi yang terdiri dari 5 provinsi. Untuk mengatasinya, diperlukan peningkatan penegakan hukum, analisis faktor pemicu kriminalitas, serta program rehabilitasi dan edukasi bagi pelaku kejahatan. Kolaborasi antara pemerintah, kepolisian dan masyarakat juga perlu diperkuat untuk menciptakan lingkungan yang lebih aman dan kondusif.
PENERAPAN SIMILARITY WEIGHT AND FILTER METHOD UNTUK MENGELOMPOKKAN SMA BERDASARKAN SARANA PRASARANA DAN SDM (Studi Kasus: SMA di Provinsi Kalimantan Barat) Sindia, Eri; Martha, Shantika; Perdana, Hendra
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v14i1.91653

Abstract

Similarity Weight and Filter Method (SWFM) merupakan metode pada analisis cluster yang digunakan untuk menangani data campuran numerik dan kategorik. Keduanya tersusun dari hasil analisis cluster data numerik dan kategorik yang kemudian digabungkan. Permasalahan utama pendidikan yaitu minimnya sarana dan prasarana serta kekurangan guru terutama ditingkat Sekolah Menengah Atas (SMA). Pembangunan dan pemerataan pendidikan masih sulit dilaksanakan secara maksimal oleh pemerintah. Sehingga untuk mempermudah penyaluran bantuan maka perlu dilakukan pengelompokan. Penelitian ini bertujuan untuk mengelompokkan SMA berdasarkan sarana prasarana dan Sumber Daya Manusia (SDM) di Provinsi Kalimantan Barat dengan SWFM. Data pada penelitian ini bersumber dari Kementerian Pendidikan dan Kebudayaan (Kemendikbud) yaitu Data Pokok Pendidikan pada jenjang SMA tahun 2024 yang terdiri data numerik dan kategorik. Data numerik dikelompokan dengan metode Ward yang menghasilkan jumlah cluster optimum yaitu 3 cluster. Sedangkan data kategorik dikelompokan menggunakan metode K-Modes menghasilkan jumlah cluster optimum sebanyak 2. Hasil pengelompokan data numerik dan data kategorik kemudian digabung dengan metode SWFM sehingga diperoleh jumlah cluster sebanyak 5. Cluster 1 terdiri dari 131 SMA dengan sarana prasarana dan SDM yang tidak memadai, cluster 2 terdiri dari 185 SMA dengan sarana prasarana dan SDM yang kurang memadai, cluster 3 terdiri dari 12 SMA dimana memiliki sarana prasarana dan SDM yang sangat memadai, cluster 4 terdiri dari 61 SMA dimana memiliki sarana prasarana dan SDM yang memadai, dan cluster 5 terdiri dari 16 SMA yang sarana prasarana dan SDM yang cukup memadai.

Page 75 of 77 | Total Record : 770

 73   74   75   76   77 

Filter by Year

2012 2025


Reset
Filter By Issues
All Issue Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 4 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 1 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 6 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 5 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya (dalam proses) Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 2 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 1 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 5 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 2 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 2 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 1 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 4 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 3 (2020): BIMASTER Vol 9, No 3 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): BIMASTER Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): BIMASTER Vol 8, No 4 (2019): BIMASTER Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): BIMASTER Vol 8, No 2 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 2 (2019): BIMASTER Vol 8, No 1 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): BIMASTER Vol 7, No 4 (2018): BIMASTER Vol 7, No 4 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): BIMASTER Vol 7, No 2 (2018): BIMASTER Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 1 (2018): BIMASTER Vol 7, No 1 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 03 (2017): BIMASTER Vol 6, No 03 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 02 (2017): BIMASTER Vol 6, No 02 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 01 (2017): BIMASTER Vol 6, No 01 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 5, No 03 (2016): BIMASTER Vol 5, No 02 (2016): BIMASTER Vol 5, No 01 (2016): BIMASTER Vol 4, No 03 (2015): BIMASTER Vol 4, No 01 (2015): BIMASTER Vol 4, No 2 (2015): BIMASTER Vol 3, No 03 (2014): BIMASTER Vol 3, No 02 (2014): BIMASTER Vol 3, No 01 (2014): Bimaster Vol 2, No 03 (2013) Vol 2, No 02 (2013): Bimaster Vol 2, No 1 (2013): BIMASTER Vol 1, No 01 (2012): BIMASTER More Issue