Articles
662 Documents
<![CDATA[KAJIAN PRODUKTIVITAS INDUSTRI KREATIF BESAR SEDANG SUBSEKTOR KULINER TAHUN 2015 ]]>
<![CDATA[Khusnudin Tri Subhi]]>;
<![CDATA[Budiasih Budiasih]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (352.694 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.225
<![CDATA[Industri yang sedang dikembangkan oleh Badan Ekonomi Kreatif saat ini adalah industri kreatif yang terdiri dari 16 subsektor, di mana 4 subsektor (kriya, kuliner, fesyen dan penerbitan) termasuk dalam kategori industri besar sedang. Industri kreatif diharapkan dapat mendukung tujuan SDGs ke 8 (pekerjaan layak dan pertumbuhan ekonomi) dan tujuan SDGs ke 9 (industri, inovasi dan infrastruktur). Berdasarkan publikasi UNCTAD (2010), ekonomi kreatif dapat meningkatkan pertumbuhan ekonomi, menciptakan pekerjaan dan meningkatkan ekspor. Menurut Bekraf pertumbuhan PDB industri kreatif masih di bawah target RPJMN tahun 2015-2019. Industri kreatif kuliner memiliki nilai produksi paling rendah di antara 4 subsektor tersebut. Tujuan penelitian ini adalah untuk mengidentifikasi efisiensi teknis dan total faktor produktivitas industri kreatif subesktor kuliner. Metode yang digunakan adalah Data Envelopment Analysis dan fungsi produksi CES dengan menggunakan raw data hasil Survei Industri Manufaktur 2015, BPS. Hasil penelitian menunjukkan bahwa industri kreatif subsektor kuliner belum efisien yang ditunjukkan oleh nilai TE kurang dari 1. Kualitas dari input industri kreatif subsektor kuliner beragam yang ditunjukkan oleh nilai total faktor produktivitas yang beragam. Kemudian, total faktor produktivitas memiliki hubungan yang searah dengan tingkat efisiensi teknis pada industri kreatif subsektor kuliner. Kesimpulannya pemerintah harus meningkatkan efisiensi teknis dan kualitas dari input.]]>
<![CDATA[ANALISIS PENGARUH INTERNET TERHADAP PENDAPATAN INDUSTRI MIKRO DAN KECIL DI INDONESIA ]]>
<![CDATA[Diah Asrianda Puspa Negara]]>;
<![CDATA[Anugerah Karta Monika]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (338.483 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.227
<![CDATA[Industri Mikro dan Kecil (IMK) merupakan sektor unggulan di Indonesia karena peran pentingnya dalam menggerakkan perekonomian dan penyerapan tenaga kerja. Namun, pendapatan IMK hanya mampu tumbuh sebesar 1,3 persen selama 4 tahun dan sebagian besar IMK masih mengalami kesulitan (70 persen dari total IMK), yang mana di antaranya adalah mengalami kesulitan pemasaran. Hanya sedikit IMK yang mampu memasarkan produknya di luar domisili. Dengan perkembangan internet yang telah pesat, internet diharapkan mampu mengatasi masalah yang dihadapi oleh IMK dan memberikan peningkatan pendapatan, sehingga tujuan dari penelitian ini adalah untuk menganalisis pengaruh internet terhadap IMK di Indonesia dengan melihat karakteristik penggunaan internet. Adapun metode yang digunakan adalah uji beda median, analisis regresi data panel seluruh provinsi Indonesia (2013-2015), serta analisis regresi linier berganda (2017). Uji beda median menunjukkan terdapat perbedaan penggunaan intenet di wilayah perdesaan dan perkotaan. Fixed Effect Model dengan estimasi Seemingly Unrelated Regression (SUR) menunjukkan bahwa seluruh variabel pengguna internet berpengaruh positif signifikan terhadap pendapatan IMK, serta RLB menunjukkan bahwa penggunaan internet pada IMK dan kualitas pelaku usaha IMK berpengaruh signifikan terhadap pendapatan IMK.]]>
<![CDATA[ESTIMASI RATA-RATA LAMA SEKOLAH TINGKAT KECAMATAN DI KABUPATEN PADANG PARIAMAN DENGAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTOR ]]>
<![CDATA[Rita Diana]]>;
<![CDATA[Rory Rory]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (486.343 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.228
<![CDATA[Rata-rata lama sekolah penduduk umur 25 tahun ke atas merupakan salah satu indikator yang menggambarkan tingkat pendidikan penduduk secara keseluruhan. Dari 19 kabupaten/kota di Sumatera Barat, Kabupaten Padang Pariaman memiliki rata-rata lama sekolah terendah kedua setelah Kabupaten Kepulauan Mentawai. Penanganan rendahnya rata-rata lama sekolah membutuhkan tersedianya data rata-rata lama sekolah yang up to date dan menjangkau level wilayah yang kecil seperti kecamatan dan desa/nagari, agar kebijakan yang diambil pemerintah bisa tepat sasaran. Ketersediaan data tersebut belum mampu diakomodir oleh Badan Pusat Statistik (BPS), karena survei yang dilakukan oleh BPS dirancang untuk pendugaan data area besar, yaitu provinsi dan kabupaten. Salah satu solusi untuk masalah tersebut adalah dengan menggunakan metode estimasi tidak langsung, yaitu Small Area Estimation (SAE). Salah satu estimasi parameter secara tidak langsung berbasiskan model SAE adalah Empirical Best Linear Unbiased Predictor (EBLUP). Tujuan penelitian ini adalah melakukan estimasi rata-rata lama sekolah tingkat kecamatan di Kabupaten Padang Pariaman menggunakan metode EBLUP dengan prosedur maximum likelihood (ML) dan prosedur restricted maximum likelihood (REML). Variabel penyerta yang digunakan dalam penelitian ini yang diduga berpengaruh terhadap variabel respon adalah rasio jumlah SLTA/sederajat per 10.000 penduduk, rata-rata jarak terhadap SLTA/sederajat dan persentase keluarga pertanian. Hasil penelitian menunjukkan SAE metode EBLUP dengan prosedur REML menghasilkan nilai estimasi rata-rata lama sekolah tingkat kecamatan di kabupaten Padang Pariaman memiliki akurasi yang lebih baik dibandingkan dengan hasil estimasi langsung (direct) dan prosedur ML.]]>
<![CDATA[PELUANG DAN TANTANGAN DALAM PEMANFAATAN TEKNOLOGI PENGINDERAAN JAUH DAN MACHINE LEARNING UNTUK PREDIKSI DATA TANAMAN PANGAN YANG LEBIH AKURAT ]]>
<![CDATA[Dwi Wahyu Triscowati]]>;
<![CDATA[Arie Wahyu Wijayanto]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (302.93 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.230
<![CDATA[Perubahan teknologi informasi menyebabkan terjadinya produksi data yang besar, cepat, dan berbagai macam. Pada era teknologi juga terjadi perkembangan pesat metode pengolahan data besar dan berdimensi tinggi seperti machine learning. Hal ini membuka peluang baru dalam penyediaan data statistik untuk berbagai permasalahan, seperti ketahanan pangan. Salah satu sumber big data gratis yang dapat dimanfaatkan untuk upaya ketahanan pangan adalah hasil penginderaan jauh. Penginderan jauh mengalami banyak kemajuan, yang tercermin dalam ketersediaan citra satelit dengan ketajaman pixel tinggi dan kaya informasi spasial temporal. Berbagai informasi vegetasi untuk prediksi tanaman pangan dapat diturunkan dari citra satelit ini. Namun, dibalik peluang yang ada, masih terdapat tantangan dalam pemanfaatan sepenuhnya citra satelit. Tujuan dari ulasan makalah ini adalah untuk mempelajari peluang dan tantangan dalam pemanfaatan teknologi penginderaan jauh dan machine learning untuk prediksi data tanaman pangan yang lebih akurat. Kami melihat ada banyak upaya penggunaan citra satelit untuk prediksi tanaman. Kami mengelompokkan metode yang digunakan untuk klasifikasi menjadi tiga kelompok, yaitu metode statistika konvensional, machine learning populer, dan deep learning. Sementara tantangan dalam pemanfaatan citra satelit yang teridentifikasi meliputi tantangan dari karakteristik citra satelit serta kondisi geografis dan pertanian di Indonesia. Lebih lanjut, hasil eksperimen kami sendiri menggunakan supervised random forest berdasarkan data multitemporal landsat 8, diperoleh bahwa pengambilan sampel, identifikasi kemungkinan seluruh kelas klasifikasi, serta rekayasa fitur berperan penting dalam peningkatan akurasi model klasifikasi. Dapat kami simpulkan bahwa ada peluang besar untuk pemantauan tanaman pangan menggunakan penginderaan jauh ini.]]>
<![CDATA[ANALISIS SPASIAL FAKTOR-FAKTOR YANG MEMENGARUHI PERTUMBUHAN SEKTOR TIK DI INDONESIA TAHUN 2015-2017 ]]>
<![CDATA[Made Sri Dharmawan]]>;
<![CDATA[Waris Marsisno]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (537.901 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.234
<![CDATA[Sektor Teknologi Informasi dan Komunikasi (TIK) adalah sektor ekonomi yang terdiri dari sektor manufaktur dan jasa yang kegiatan utamanya terkait dengan pengembangan, produksi, komersialisasi, dan penggunaan TIK yang intensif. Sektor TIK di Indonesia tumbuh dengan pesat, baik dari total nilai tambah maupun dari peranannya dalam perekonomian. Sektor TIK di tingkat provinsi tampaknya masih belum tumbuh optimal dan tidak sejalan dengan tingkat pembangunan TIK yang sudah dicapai. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang memengaruhi pertumbuhan sektor TIK di tingkat provinsi. Pengaruh spasial perlu diperhitungkan karena terdapat autokorelasi spasial pada total nilai tambah yang dihasilkan sektor TIK per provinsi. Dengan menggunakan data tahun 2015 hingga 2017 untuk seluruh provinsi di Indonesia serta Model Galat Spasial dengan Pengaruh Tetap, diperoleh kesimpulan bahwa terdapat autokorelasi spasial positif serta variabel jumlah pekerja di sektor TIK, persentase ruta menguasai/memiliki telepon tetap, dan persentase penduduk menguasai/memiliki telepon seluler memberikan pengaruh positif terhadap pertumbuhan sektor TIK.]]>
<![CDATA[PRODUKTIVITAS PEKERJA DI TIGA PROVINSI JAWA DAN BALI ]]>
<![CDATA[Mukti Ratna Dewi]]>;
<![CDATA[Lucia Ari Dinanti]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (415.376 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.238
<![CDATA[Menurut Tefi Mathias (2004) produktivitas pekerja di DKI Jakarta mencapai 77.69 juta per orang per tahun pada tahun 2002, sedangkan menurut Purba S., dkk. produktivitas di DKI tahun 2013 mencapai 24.6 juta per orang per tahun. Hal ini menunjukkan terjadinya penurunan produktivitas selama 11 tahun sejak tahun 2002 sampai 2013. Selain itu, berdasarkan hasil Sarkernas tahun 2017 diperoleh bahwa produktivitas pekerja di Bali pada tahun 2017 dinilai rendah yaitu 60.44 juta rupiah per pekerja. Tujuan penelitian ini adalah meneliti pertumbuhan produktivitas pekerja selama enam tahun terakhir di provinsi lain. Dalam hal ini, provinsi yang dipilih adalah Bali, Jawa Timur dan Jawa Tengah karena data PDRB dan jumlah pekerja yang disediakan oleh BPS masing-masing provinsi dinilai paling lengkap dibandingkan provinsi lain. Hasil penelitian menunjukkan bahwa rata-rata produktivitas paling tinggi adalah Provinsi Bali yang mencapai 88% dalam enam tahun terakhir. Hal ini disebabkan rata-rata pertumbuhan produktivitas dari tahun ke tahun mencapai 9.5% dan juga karena didukung rata-rata pertumbuhan per sektor yang paling tinggi mencapai 16% sampai 28%. Sementara itu, Jawa Timur hanya memiliki rata-rata pertumbuhan sektor sebesar 10%.]]>
<![CDATA[PEMODELAN EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) DALAM PENDUGAAN AREA KECIL ]]>
<![CDATA[M Irsyad Ilham]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (401.023 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.243
<![CDATA[Kebutuhan terhadap data pada level mikro semakin tinggi. Di sisi lain, Badan Pusat Statistik (BPS) membutuhkan biaya yang cukup besar untuk pengumpulan data seiring dengan banyaknya kegiatan survei rutin yang dilakukan berulang kali. Hal ini menunjukkan BPS memerlukan metode estimasi yang akan menghasilkan statistik yang efektif dan efisien, di samping hemat dan menghasilkan statistik dengan ketelitian yang memadai. Penelitian ini akan menerapkan metode Small Area Statistics (SAE) atau estimasi wilayah kecil untuk keperluan estimasi rata-rata pengeluran per kapita menurut kelurahan/desa di kabupaten Sukamara. Metode estimasi level kelurahan/desa menggunakan model Empirical Best Linear Unbiased Predictor (EBLUP). Tahapan pertama yakni melakukan pendugaan langsung (direct estimation) nilai rata-rata pengeluaran per kapita pada desa yang terpilih menjadi sampel. Selanjutnya, dilakukan estimasi tidak langsung (indirect estimation) untuk mengestimasi pengeluaran per kapita seluruh desa di kabupaten Sukamara. Metode tidak langsung didasarkan pada pemodelan regresi linier dengan menggunakan variabel tambahan (auxiliary variabel) yang memiliki hubungan yang kuat dan linier terhadap variabel prediktor. Variabel tambahan yang digunakan dalam penelitian ini adalah jumlah keluarga non listrik, jumlah sarana pendidikan, jumlah sarana kesehatan, jumlah kasus gizi buruk, jumlah keluarga dengan Surat Keterangan Tidak Mampu (SKTM), dan jumlah keluarga yang memiliki jamkesmas/askes. Dari hasil pemodelan, secara umum pengeluaran per kapita per bulan dari setiap desa berada di atas satu juta rupiah. Penduduk desa-desa yang terletak di kecamatan Balai Riam dan Permata Kecubung terlihat banyak mengeluarkan sejumlah dana, untuk keperluan makanan maupun non-makanan. Hal ini diindikasikan karena desa-desa tersebut yang memiliki infrastruktur yang memadai ke Kota Pangkalan Bun.]]>
<![CDATA[PEMANFAATAN ENSEMBLE LEARNING DAN PENGINDERAAN JAUH UNTUK PENGKLASIFIKASIAN JENIS LAHAN PADI ]]>
<![CDATA[Arif Handoyo Marsuhandi]]>;
<![CDATA[Agus Mohamad Soleh]]>;
<![CDATA[Hari Wijayanto]]>;
<![CDATA[Dede Dirgahayu Domiri]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (294.368 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.247
<![CDATA[Pertanian adalah bidang yang sangat penting di Indonesia, sektor ini di tahun 2017 mencatat penyerapan tenaga kerja sebanyak 29.68% dari total seluruh pekerja (BPS, 2018), namun pentingnya sektor pertanian ini berbanding terbalik dengan data pertanian yang tersedia. Tahun 1998 Badan Pusat Statistik (BPS) bersama Japan International Cooperation Agency (JICA) telah mengisyaratkan overestimasi luas panen sekitar 17,07 persen. Ketidakuratan data pertanian ini kemudian diperbaiki pada tahun 2018 melalui kerjasama para stakeholder dengan menyusun suatu metodologi baru dalam menghitung luas lahan yang diberi nama kerangka sampel area. Selain metodologi yang sudah diperbarui, kemajuan teknologi dan teknik analisis di bidang ilmu pengetahuan juga mendukung perbaikan data pertanian. Citra satelit dan teknik klasifikasi menggunakan ensemble learning dapat dimanfaatkan dalam mengklasifikasikan jenis lahan padi. Pada penelitian ini digunakan citra satelit yang berasal dari United States Geological Survey (USGS) yaitu Landsat 8 dan teknik klasifikasi ensemble learning. Citra satelit dimanfaatkan untuk mengekstrak indeks vegetatif dari koordinat koordinat yang diteliti, sedangkan ensemble learning yang digunakan dalam penelitian ini yaitu Random Forest dan Boosting. Hasil pengolahan data menunjukkan Random Forest memiliki akurasi yang lebih tinggi daripada Boosting yaitu dengan nilai 76,52 untuk Random Forest dan 75,60 untuk Boosting. Keunggulan Random Forest terhadap Boosting tidak hanya dari sisi tingkat akurasi saja namun juga dari kestabilan model yang dibentuk.]]>
<![CDATA[AGLOMERASI DAN DINAMIKA INDUSTRI MANUFAKTUR PADA ERA REVOLUSI INDUSTRI 4.0 DI KORIDOR EKONOMI JAWA ]]>
<![CDATA[Yoga Dwi Nugroho]]>;
<![CDATA[Krismanti Tri Wahyuni]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (657.42 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.251
<![CDATA[Revolusi Industri 4.0 identik dengan adanya automatisasi dan penggunaan internet yang terintegrasi yang memberikan dampak di banyak sektor. Industri manufaktur adalah leading sector yang harus mendapat perhatian, terutama melalui penerapan kebijakan yang tepat. Aglomerasi merupakan penerapan kebijakan berorientasi spasial. Analisis aglomerasi menggunakan Location Quotient dengan menggunakan data produksi dan Hoover Balassa Index (HBI) dengan data tenaga kerja. Adanya aglomerasi ini dapat menyebabkan perbedaan dalam pertumbuhan tenaga kerja dan produktivitas tenaga kerja. Masalah ini harus dicari solusi dan determinanya. Regresi data panel statis dengan metode estimasi Fixed Effect Model SUR digunakan untuk menentukan variabel-variabel yang mempengaruhi pertumbuhan tenaga kerja industri manufaktur. Variabel dependen yang digunakan adalah tenaga kerja industri manufaktur. Ada enam variabel independen yang signifikan sebagai penentu pertumbuhan tenaga kerja, yaitu upah, efisiensi perusahaan, jumlah perusahaan, indeks persaingan industri, dummy revolusi industri 4.0 dan dummy aglomerasi. Regresi data panel dinamis digunakan untuk analisis konvergensi produktivitas tenaga kerja. Hasil penelitian menunjukkan bahwa konvergensi sigma dan konvergensi beta terjadi dalam penelitian ini. Faktor-faktor yang mempercepat produktivitas tenaga kerja di industri manufaktur adalah lag produktivitas tenaga kerja industri manufaktur, modal tetap, upah, orientasi ekspor, konsumsi listrik, dan dummy Revolusi Industri 4.0.]]>
<![CDATA[ANALISIS FAKTOR YANG MEMENGARUHI SWASEMBADA BERAS DI INDONESIA TAHUN 2018 ]]>
<![CDATA[Fikron Tanazzul Ahsani]]>;
<![CDATA[Dwi Ardian]]>
<![CDATA[ Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019 ]]>
Publisher : <![CDATA[Politeknik Statistika STIS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (372.013 KB)
|
DOI: 10.34123/semnasoffstat.v2019i1.256
<![CDATA[Swasembada beras merupakan isu nasional yang selalu menjadi perhatian besar pemerintah. Masalah beras selalu melibatkan antar-kementerian dan lembaga. Oleh karena itu, kajian mengenai hal ini harus juga menyeluruh dan bisa diaplikasikan dengan baik. Mulai dari penyediaan data, kemudian analisis data, terus kebijakannya tentu merupakan langkah yang harus didorong untuk terus disempurnakan. Penelitian ini berusaha mengkaji faktor-faktor apa saja yang memiliki pengaruh terhadap swasembada beras di Indonesia. Data yang digunakan merupakan data terbaru dan terbaik yang dihasilkan oleh BPS dan Kementerian pertanian pada 34 provinsi di Indonesia. Metode inferensia yang digunakan adalah regresi linier berganda untuk melihat variabel-variabel apa saja yang memiliki pengaruh signifikan terhadap swasembada beras. Penjelasan juga selanjutnya dilakukan secara deskriptif dengan cara memberikan gambaran berupa tabel dan grafik. Berdasarkan analisis yang dilakukan diperoleh kesimpulan bahwa variabel persentase rumah tangga petani padi, dan alokasi pupuk urea subsidi secara signifikan memengaruhi swasembada beras serta variabel harga jagung pipil tidak signifikan memengaruhi swasembada beras.]]>
