cover
Contact Name
Nusar Hajarisman
Contact Email
statistika@unisba.ac.id
Phone
+628124569091
Journal Mail Official
statistika@unisba.ac.id
Editorial Address
Program Studi Statistika Universitas Islam Bandung Jl. Ranggagading No. 8 Bandung 40116 Phone: 081572198581 Email: nusarhajarisman@unisba.ac.id
Location
Kota bandung,
Jawa barat
INDONESIA
STATISTIKA
Core Subject : Science, Education,
STATISTIKA published by Department of Statistics, Faculty of Mathematics and Natural Sciences, Bandung Islamic University as pouring media and discussion of scientific papers in the field of statistical science and its applications, both in the form of research results, discussion of theory, methodology, computing, and review books. Published biannually in May and November each.
Arjuna Subject : -
Articles 91 Documents
Penerapan Algoritma K-Nearest Neighbors dalam Sistem Rekomendasi Makanan Berdasarkan Kebutuhan Nutrisi dengan Content-Based Filtering Luqyana Zakiya Almas; Yuliana Susanti; Sri Sulistijowati Handajani
Statistika Vol. 24 No. 1 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i1.3558

Abstract

ABSTRAK Pemenuhan nutrisi merupakan sebuah keharusan untuk menjaga kesehatan tubuh. Memahami manfaat nutrisi dan cairan dalam tubuh dapat mendukung pertumbuhan dan perkembangan serta mencegah berbagai penyakit yang disebabkan oleh kekurangan nutrisi atau bisa disebut malnutrisi. Malnutrisi merujuk pada kelebihan atau kurangnya nutrisi, tidak seimbangnya nutrisi, atau masalah pemanfaatan nutrisi. Seiring berjalannya waktu, hal ini dapat meningkatkan risiko terjadinya beberapa penyakit dan gangguan kesehatan lainnya, seperti kelebihan berat badan atau obesitas, diabetes, atau beberapa penyakit tidak menular. Tujuan dari penelitian ini untuk membuat rekomendasi makanan berdasarkan kebutuhan nutrisi menggunakan algoritma K-Nearest Neighbor dengan content-based filtering. Pada penelitian ini K-Nearest Neighbor digunakan untuk menghasilkan rekomendasi makanan terdekat sesuai dengan keinginan dan kebutuhan pengguna dengan menghitung Euclidean distance. Dengan memanfaatkan algoritma K-Nearest Neighbor dalam content-based filtering, penelitian ini berhasil menciptakan suatu sistem rekomendasi makanan yang dapat disesuaikan dengan kebutuhan nutrisi individu, termasuk pengguna yang sehat, memiliki alergi, dan riwayat diabetes. Hasil evaluasi model menunjukkan bahwa metode ini mampu memberikan rekomendasi makanan dengan tingkat kesalahan yang rendah, dengan melihat nilai Root Mean Square Error 18.75. Dengan demikian, penelitian ini memberikan kontribusi dalam mendukung pemenuhan nutrisi yang tepat, serta memberikan arahan praktis bagi individu untuk menjaga kesehatan tubuh melalui pola makan yang sesuai dengan kebutuhan pengguna. ABSTRACT Fulfilling nutrition is a must to maintain a healthy body. Understanding the benefits of nutrition and fluids in the body can support growth and development and prevent various diseases caused by nutritional deficiencies or what can be called malnutrition. Malnutrition refers to excess or lack of nutrition, imbalance in nutrition, or problems with nutrient utilization. Over time, this can increase the risk of several diseases and other health problems, such as being overweight or obese, diabetes, or several non-infectious diseases. This research aims to make food recommendations based on nutritional needs using the K Nearest Neighbor algorithm with content-based filtering. In this research, K-Nearest Neighbor produces recommendations for the closest food according to the user's desires and needs by calculating Euclidean distance. By utilizing the deep K-Nearest Neighbor algorithm and content-based filtering, this research succeeded in creating a food recommendation system that can be customed by individual nutritional needs, including users who are healthy, have allergies, and have a history of diabetes. The model evaluation results show that this method can provide food recommendations with a low error rate by looking at the values Root Mean Square Error of 18.75. Thus, this research contributes to supporting the fulfillment of proper nutrition and providing practical direction for individuals to maintain body health through a diet that suits the user's needs.
Peta Kendali Demerit Untuk Data Autokorelasi (Moving Centerline Demerit dan Moving Range) Nasruddin, Nurmasyita; Erna Tri Herdiani; Nasrah Sirajang
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.3145

Abstract

ABSTRAK Proses industri seringkali menghasilkan data cacat yang bersifat autokorelasi, hal ini meyebabkan asumsi dasar penggunaan peta kendali tidak terpenuhi. Peta kendali demerit direkomendasikan untuk perusahaan yang terdapat berbagai macam tingkat kesalahan. Peta kendali demerit adalah metode pengendalian kualitas yang mengkategorikan jenis cacat ke dalam beberapa kelas berdasarkan tingkat keseriusannya. Peta kendali demerit sangat berguna dalam situasi di mana terdapat berbagai macam tingkat kesalahan, memungkinkan perusahaan untuk mengidentifikasi dan mengatasi cacat berdasarkan tingkat dampaknya terhadap kualitas produk. Penelitian ini bertujuan untuk memperoleh peta kendali Demerit pada data berautokorelasi dan menerapkan peta kendali Residual Demerit dan peta kendali Moving Centerline Demerit sebagai solusi dalam peta kendali Demerit autokorelasi terhadap pengendalian kecacatan produk pada data wadah plastik anti bocor. Metode yang digunakan adalah peta kendali demerit, peta kendali Residual, dan peta kendali Moving Centerline Demerit (MCD). Data yang digunakan merupakan data sekunder. Hasil penenelitian ini memperlihatkan bahwa peta kendali Residual dan peta kendali Moving Centerline Demerit sama unggulnya dalam mengatasi data autokorelasi pada peta kendali Demerit dimana sama-sama terdapat 4 out of control atau 4 titik yang mengindikasikan adanya masalah proses produksi yang tidak dapat diatasi oleh perusahaan. ABSTRACT Industrial processes often produce defect data that is autocorrelated, causing the basic assumptions of using control maps to not be met. If there are various levels of errors in the company, then the company is advised to use the Demerit control map. Demerit control map is a quality control method that categorizes defect types into several classes based on their seriousness. Demerit control maps are particularly useful in situations where there is a wide range of error rates, allowing companies to identify and address defects based on their level of impact on product quality. This study aims to derive Demerit control maps on autocorrelated data and apply the Residual Demerit control map and the Moving Centerline Demerit control map as solutions in the autocorrelated Demerit control map to product defect control on leak-proof plastic container data. The methods used are Demerit control map, Residual control map, and Moving Centerline Demerit (MCD) control map. The data used is secondary data. The results of this study indicate that the Residual control map and the Moving Centerline Demerit control map are equally superior in overcoming autocorrelated data on the Demerit control map where there are both 4 out of control or 4 points that indicate a production process problem that cannot be overcome by the company.
Penerapan Metode Pemulusan Eksponensial Ganda dari Brown dalam Memprediksi Indeks Harga Konsumen Provinsi NTT Ena, Maktisen; Landerius Maro
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.3452

Abstract

ABSTRAK Provinsi NTT memiliki 22 Kabupaten/Kota, akan tetapi hanya ada 3 Kota di NTT yang dikategorikan sebagai kota inflasi yaitu Kota Kupang, Maumere dan Waingapu. Data IHK Provinsi NTT yang diambil adalah dari awal tahun 2020 sampai dengan sepertiga tahun 2023, jumlah data keseluruhan 40 data, dimana dari data tersebut berpola trend atau mengalami peningkatan. Salah satu metode untuk memprediksi data yang pola trendnya naik adalah metode pemulusan eksponensial ganda dari Brown yang dapat menyelesaikan data berpola trend. Hasil penelitian menunjukan parameter alpha (α) = 0.4 memiliki Nilai MAPE terkecil yaitu 0.53%. ABSTRACT NTT Province has 22 regencies/cities, but there are only 3 cities in NTT that are categorized as inflationary, namely Kupang, Maumere and Waingapu. The NTT Province CPI data taken is from the beginning of 2020 to the end of 2023, the total data is 40 data, where the data has a trend pattern or is experiencing an increase. One method for predicting data with an upward trend pattern is Brown's double exponential smoothing method which can resolve data with a trend pattern. The results of research show that the alpha parameter (α) = 0.4 has the smallest MAPE value, namely 0.53%.
Perbandingan Model Spasial dalam Permasalahan Kemiskinan di Provinsi Jawa Timur Safaat Yulianto; Annisa Z. Utami; Atika N. Ambarwati
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.3638

Abstract

ABSTRAK Kemiskinan merupakan masalah kompleks yang mempengaruhi berbagai aspek kehidupan. Berdasarkan publikasi Badan Pusat Statistik (BPS), pada Tahun 2022 persentase kemiskinan sebanyak 10,49% ditemukan di Provinsi Jawa Timur. Pemerintah Indonesia masih memprioritaskan penurunan angka kemiskinan dan akan tetap diteruskan melalui Rencana Pembangunan Jangka Menengah Nasional (RPJMN) sampai tahun 2024. Tujuan penelitian ini untuk mencari model faktor-faktor yang mempengaruhi kemiskinan. Permasalahan pengentasan kemiskinan di Indonesia tidak hanya ditangani dengan menganalisis faktor-faktor yang menyebabkan kemiskinan, tetapi juga melihat aspek lokasi. Berdasar hal tersebut, model regresi yang digunakan pada penelitian ini adalah model spasial. Tiga model-spasial yang dibandingkan dalam penelitian meliputi Spatial-Autoregressive (SAR), Spatial-Error-Model (SEM) dan Spatial Autoregressive-Moving Average (SARMA). Berdasarkan hasil yang didapat, faktor yang mempengaruhi kemiskinan di Provinsi Jawa Timur pada tahun 2021 adalah Angka Harapan Hidup (AHH) dan Harapan Lama Sekolah (HLS) dengan model yang didapatkan Spatial Autoregressive Moving Average (SARMA). ABSTRACT Poverty is a complex problem that affects various aspects of life. Based on a publication from the Central Bureau of Statistics (BPS), it shows that in 2022, the poverty rate in East-Java Province will be 10.49%. The Indonesian government continues to prioritize poverty reduction and will continue to do so through the National Medium Term Development Plan (RPJMN) until 2024. The purpose of this study is the development of a model of the factors that have an impact on poverty. The problem of poverty alleviation in Indonesia is treated not only by analyzing the factors that cause poverty, but also by looking at the location aspect.  Based on this, the regression model used in the present study is a spatial model.  This study compares three models including Spatial Autoregressive (SAR), Spatial Error Model (SEM) and Spatial Autoregressive Moving Average (SARMA). Based on the results obtained, the factors affect poverty in East Java Province in 2021 are life expectancy (AHH) and school expectancy (HLS) with the model obtained Spatial Autoregressive Moving Average (SARMA).
Perbandingan Algoritma Density-Based Spatial Clustering Algorithm with Noise (DBSCAN) dan Self-Organizing Map (SOM) untuk Clustering Data Gempa Bumi Wati, Rosita Kurnia; Pratiwi, Hasih; Winita Sulandari
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.3645

Abstract

ABSTRAK Gempa bumi merupakan bencana alam yang kerap melanda Indonesia karena letak geografisnya berada pada batas pertemuan tiga lempeng aktif dunia. Dampak kerusakan yang timbul akibat gempa bumi bergantung pada magnitudo dan kedalamannya. Oleh karena itu, perlu upaya mitigasi bencana dan manajemen risiko bencana melalui pengolahan data untuk mengetahui karakteristik dari data gempa tersebut. Penelitian ini bertujuan untuk clustering data gempa bumi di Indonesia berdasarkan magnitudo dan kedalaman dengan menerapkan algoritma Density-Based Spatial Clustering Algorithm With Noise (DBSCAN) dan Self-Organizing Map  (SOM) dengan validasi kebaikan cluster menggunakan koefisien silhouette. Penerapan algoritma DBSCAN dengan nilai Eps dan MinPts optimal sebesar 1,6 dan 12 membentuk dua cluster dan 23 data diidentifikasi sebagai noise, sedangkan menggunakan algoritma SOM dengan learning rate 0,05 dan maksimal epoch 1.000 membentuk dua cluster. Pada analisis ini SOM mampu  melakukan clustering yang lebih baik jika dibandingkan dengan DBSCAN karena memberikan  nilai koefisien silhouette yang lebih besar, yaitu sebesar 0,717 sedangkan DBSCAN sebesar  0,677. Hasil clustering terbaik memiliki karakteristik yaitu cluster 1 dikategorikan sebagai gempa sedang berkekuatan sedang dan cluster 2 dikategorikan sebagai gempa dangkal berkekuatan sedang. ABSTRACT Earthquakes are natural disasters that occur frequently in Indonesia because of the geographical location at the convergence of three active tectonic plates. The severity of an earthquake's impact is influenced by magnitude and depth. Therefore, disaster mitigation efforts and disaster risk management through data mining are needed to understand the characteristics of earthquakes. This research aims to cluster earthquake data in Indonesia based on magnitude and depth by applying a Density-Based Spatial Clustering Algorithm with Noise (DBSCAN) and Self-Organizing Map (SOM) algorithms and cluster results are evaluated using the silhouette coefficient. Using the DBSCAN algorithm with optimal Eps and MinPts values of 1.6 and 12 formed two clusters and 23 data were identified as noise while using the SOM algorithm with a learning rate of 0.05 and a maximum epoch of 1000 formed two clusters. SOM can perform clustering better than DBSCAN because it provides a larger silhouette coefficient value, which is 0.717 while DBSCAN is 0.677. The clustering results obtained show that cluster 1 is categorized as moderate earthquakes of moderate intensity and cluster 2 is categorized as shallow earthquakes of moderate intensity.
Pembentukan Portofolio Robust Mean-Variance Saham Syariah Jakarta Islamic Index (JII) Melalui Pendekatan Analisis Klaster K-Medoids Widiawati, Alfina Viona Isabela; Epha Diana Supandi
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.3994

Abstract

ABSTRAK Portofolio adalah kumpulan dari beberapa aset. Tujuan pembentukan portofolio yaitu untuk menghasilkan return yang paling tinggi sambil mengurangi risiko. Untuk menghindari outlier yang sering terjadi dalam portofolio model Mean-Variance (MV), perlu menggunakan estimasi robust. Data penelitian menggunakan closing price bulanan dari saham-saham yang konsisten selalu masuk ke dalam kelompok Jakarta Islamic Index (JII) periode Januari 2019 – Juni 2023. Tahap awal analisis menggunakan teknik klastering metode K-Medoids berdasarkan pada nilai expected return dan risiko. Klasterisasi dilakukan untuk menghemat waktu dan menekan biaya manajemen portofolio. Hasil analisis klaster menciptakan dua klaster. Saham INCO dan ADRO mewakili klaster pertama, dan saham KLBF dan AKRA mewakili klaster kedua. Keempat saham representasi tersebut dibentuk portofolio MV robust S dan portofolio MV robust Constrained-M (CM). Kinerja portofolio diukur menggunakan sharpe ratio. Hasil analisis menunjukkan bahwa kinerja model portofolio robust MV estimasi Constrained-M (CM) mengungguli kinerja model portofolio robust MV estimasi S. ABSTRACT A portfolio is an assortment of several items. The goal of portfolio construction is to get the maximum return at the least amount of risk. Robust estimate is a means to mitigate the sensitivity of the Mean-Variance (MV) model portfolio to outliers. The research data uses monthly closing prices of stocks that are consistently included in the Jakarta Islamic Index (JII) group for the period January 2019 - June 2023. The initial stage of analysis uses the K-Medoids method clustering technique based on the expected return and risk values. The purpose of the clustering is for time efficiency and to reduce the amount of costs in managing the portfolio. The results of the cluster analysis formed two clusters, where the first cluster is represented by INCO and ADRO stocks. While the second cluster is represented by KLBF dan AKRA stocks. The four representative stocks are formed MV robust S portfolio and MV robust Constrained-M (CM) portfolio. Portfolio performance is measured using the sharpe ratio. According to the analysis's findings, the Constrained-M (CM) estimation MV robust portfolio model performs better than the S estimation MV robust portfolio model.
Pemodelan GSTARIMA untuk Peramalan Peningkatan Gross Domestic Product pada Empat Negara di Asia Timur Hasnita; Arif Mubarok
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.4008

Abstract

ABSTRAK Data pertumbuhan GDP empat negara asia timur tidak hanya bergantung pada waktu (time), tetapi juga bergantung pada tempat (space). Model space time merupakan metode yang populer digunakan dalam peramalan untuk menganalisis data time series yang mempertimbangkan faktor time dan place secara bersamaan. Dalam hal pengambilan parameter, model untuk GSTARIMA dan model untuk STARIMA berbeda. Untuk model STARIMA, menggunakan lokasi penelitian yang sama, sementara model GSTARIMA digunakan untuk lokasi penelitian yang tidak sama (heterogen) dan ditunjukkan dalam matriks pembobot. Tujuan penelitian ini adalah untuk menemukan model terbaik antara GSTARIMA atau STARIMA guna memodelkan pertumbuhan GDP dari beberapa negara di Asia timur yakni Indonesia, China, Japan, dan Korea Selatan. Interval data dimulai dari tahun 1962 hingga tahun 2017. Karena terdapat hubungan yang signifikan, pemodelan menggunakan STARIMA dan GSTARIMA diperlukan untuk mengevaluasi pertumbuhan GDP. Kedua model ini dikembangkan melalui pendekatan VAR dengan orde spasial satu, yang mencakup konfigurasi STAR(1,1) dan GSTAR(1,1) masing-masing. Hasil pengujian menunjukkan bahwa model terbaik untuk meramalkan peningkatan GDP di masa depan adalah STAR(1), dengan nilai RMSE terkecil. Melalui pemodelan ini dapat meramalkan kondisi GDP di masa mendatang dan mengevaluasi apakah hubungan internasional terutama dalam hal kerjasama ekonomi yang telah dijalankan pada ke empat negara berdampak positif terhadap pertumbuhan ekonomi. ABSTRACT  The GDP growth data of four East Asian countries depends not only on time but also on space. The space-time model is a popular method used in forecasting to analyze time series data while simultaneously considering both time and spatial factors. In terms of parameter selection, the models for GSTARIMA and STARIMA differ. The STARIMA model uses the same research location, while the GSTARIMA model is applied to heterogeneous research locations, as represented in the weighting matrix. The purpose of this study is to determine the best model between GSTARIMA and STARIMA to model GDP growth in several East Asian countries, namely Indonesia, China, Japan, and South Korea. ...
Pengaruh Antara Pembelajaran di SMK dan Pendapatan Lulusan terhadap Kepuasan DUDI (Dunia Usaha dan Dunia Industri) dari Lulusan SMK Menggunakan Structural Equation Modeling Doni Setyawan; Syukrul Hamdi
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.4087

Abstract

ABSTRAK SMK menjadi lembaga pendidikan formal yang dirancang untuk mempersiapkan siswa agar dapat langsung terlibat dalam dunia kerja. Faktanya, pada tahun 2022 lulusan SMK memberikan kontribusi Tingkat Pengangguran Terbuka tertinggi di Indonesia. Melalui tracer study SMK yang dikembangkan Direktorat Mitras DUDI, Kemendikbudristek bertujuan menyediakan data dan informasi penyelenggaraan pendidikan SMK di Indonesia. Tujuan penelitian ini untuk menganalisis pengaruh antara pembelajaran (teori, praktik, dan sikap) di SMK, pendapatan lulusan, dan kepuasan DUDI terhadap lulusan menggunakan Structural Equation Modeling. Penelitian ini merupakan penelitian kuantitatif dengan sumber data sekunder dari tracer study SMK 2023. Populasi penelitian ini adalah lulusan SMK yang bekerja dan DUDI pada tahun 2022 di Provinsi Daerah Istimewa Yogyakarta. Sampel penelitian sebanyak 1538 data yang terdiri dari lulusan yang bekerja dan DUDI (pimpinan perusahaan/lembaga/instansi tempat lulusan bekerja) yang mengisi instrumen tracer study. Teknik analisis data menggunakan pendekatan SEM berbantuan program R-Studio. Model SEM dapat menguji model pengukuran dan struktural secara simultan, serta mengevaluasi signifikansi variabel laten. Penelitian menunjukan data tidak mengikuti distribusi normal multivariat sehingga model diestimasi menggunakan metode Maximum Likelihood with Robust Standard Errors (MLR). Dalam penelitian ini diperoleh ukuran kecocokan model χ2Scaled = 260,7, RMSEA Robust = 0,07, CFI Robust = 0,972, TLI Robust = 0,949, dan SRMR = 0,051. Dengan demikian, model fit dan model yang digunakan dalam penelitian ini dijadikan dasar untuk analisis terhadap permasalahan yang diteliti. Hasil penelitian menunjukkan bahwa pembelajaran teori, praktik, dan sikap tidak berpengaruh signifikan terhadap kepuasan DUDI dari lulusan SMK; dan pendapatan lulusan berpengaruh signifikan terhadap kepuasan DUDI dari lulusan SMK. ABSTRACT SMK are formal educational institutions designed to prepare students for immediate engagement in the workforce. However, in 2022, SMK graduates contribute the highest percentage to the Open Unemployment Rate in Indonesia. The tracer study for SMK, developed by the Direktorat Mitras DUDI, Kemendikbudristek, aims to provide data and information on the implementation of vocational education in Indonesia. Purpose of this research is analyzing the relationship between learning (theory, practice, and attitude) in SMK, graduates' income, and DUDI satisfaction with graduates using Structural Equation Modeling. This quantitative research utilizes secondary data from the 2023 SMK tracer study. The population comprises SMK graduates employed and DUDI in Yogyakarta Special Region Province in 2022. The sample includes 1538 data points from employed graduates and DUDI (company/institution leaders) who completed the tracer study instrument. Data analysis employs SEM using RStudio. SEM tests measurement and structural models simultaneously and evaluates latent variable significance. The data did not follow multivariate normal distribution, so the model was estimated using maximum likelihood with robust standard errors (MLR). The model fit indices were χ2Scaled = 260,7, RMSEA Robust = 0,07, CFI Robust = 0,972, TLI Robust = 0,949, and SRMR = 0,051, indicating a good fit. Results show that theoretical, practical, and attitudinal learning do not significantly influence DUDI satisfaction with vocational school graduates, while graduate income significantly effects DUDI satisfaction with vocational school graduates.
Pendekatan Naïve Bayes untuk Mengidentifikasi Perokok Tembakau Berdasarkan Faktor Sosio-Demografi dan Kesehatan Faza Izzatul Muttaqin; Fauzan, Achmad
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.4224

Abstract

ABSTRAK Merokok adalah kebiasaan yang berdampak negatif pada kesehatan masyarakat Indonesia. Untuk mengatasi masalah ini, diperlukan pemahaman tentang faktor-faktor demografi, pendidikan, dan kesehatan yang mempengaruhi perilaku merokok. Penggunaan metode klasifikasi Naïve Bayes relevan karena dapat memberikan wawasan menyeluruh mengenai faktor-faktor yang mempengaruhi perilaku perokok tembakau di Kota Tasikmalaya. Penelitian ini menggunakan data dari Survei Sosial Ekonomi Nasional (SUSENAS) Maret 2023 di Kota Tasikmalaya. Data dibagi menjadi data pelatihan dan data pengujian, dan kemudian dibagi lagi untuk validasi model. Model tersebut dibuat dan dievaluasi dengan mengacak sampel, membuat model, dan mengevaluasi sebanyak 100 kali. Hasil evaluasi kinerja model dalam mengklasifikasi data validasi menunjukkan akurasi rata-rata 87% dengan standar deviasi 0,0689 dan standar error 0,00689. Confidence interval antara 85.64% dan 88.35% menunjukkan model yang dapat diandalkan. Pengujian akhir model pada data testing mencapai akurasi 83.33%, menunjukkan model berkemampuan baik dalam mengklasifikasikan perokok tembakau di Kota Tasikmalaya pada Februari 2023. ABSTRACT Smoking is a habit that negatively impacts the health of the Indonesian population. To address this issue, it is essential to understand the demographic, educational, and health factors influencing smoking behavior. The use of the Naïve Bayes classification method is relevant as it provides comprehensive insights into the factors affecting tobacco smoking behavior in the city of Tasikmalaya. This study uses data from the National Socio-Economic Survey (SUSENAS) conducted in March 2023 in Tasikmalaya. The data is divided into training and testing datasets, with the training data further split for model validation. The model was built and evaluated by randomizing samples, creating models, and evaluating them 100 times. The model's performance evaluation in classifying the validation data showed an average accuracy of 87% with a standard deviation of 0.0689 and a standard error of 0.00689. The confidence interval between 85.64% and 88.35% indicates a reliable model. The final testing of the model on the testing data achieved an accuracy of 83.33%, model demonstrating a good capability in classifying tobacco smokers in Tasikmalaya in February 2023.
Peningkatan Distribusi Bantuan Sosial di Pangkalpinang dengan Pengelompokan Berbantuan Algoritma K-Means Dwitra Gusti Alriscki; Fauzan, Achmad
Statistika Vol. 24 No. 2 (2024): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v24i2.4305

Abstract

ABSTRAK Program bantuan sosial (Bansos) merupakan kebijakan penting yang diimplementasikan untuk mengatasi kemiskinan dan meningkatkan kesejahteraan masyarakat. Penelitian ini bertujuan untuk meningkatkan efektivitas program bantuan sosial di Kota Pangkalpinang melalui penerapan metode K-Means Clustering dalam pengelompokan kelurahan dengan tingkat kesejahteraan rendah. Data yang digunakan adalah Data Terpadu Kesejahteraan Sosial (DTKS) yang mencakup penerima bantuan dari berbagai program seperti PBI, BST, dan lainnya. Metode K-Means Clustering diterapkan untuk mengelompokkan kelurahan berdasarkan indikator kemiskinan, yang kemudian dianalisis untuk profilisasi cluster. Analisis Principal Component Analysis (PCA) dilakukan untuk mengatasi multikolinearitas antar variabel. Silhouette coefficient digunakan untuk menentukan jumlah cluster yang ideal untuk memastikan validitas pengelompokan. Hasil penelitian menunjukkan tiga cluster utama dengan nilai silhouette coefficient sebesar 0.458. Cluster pertama memiliki penerima bantuan terbanyak, sedangkan cluster ketiga memiliki penerima bantuan terendah. Penggunaan metode ini diharapkan dapat meningkatkan efektivitas dan efisiensi distribusi bantuan sosial dengan memastikan bantuan tepat sasaran sesuai dengan tingkat kemiskinan masing-masing kelurahan. Oleh karena itu, penelitian ini diharapkan dapat membantu kebijakan bantuan sosial Kota Pangkalpinang. ABSTRACT The social assistance program (Bansos) is an important policy implemented to address poverty and improve community welfare. This research aims to improve the effectiveness of social assistance programs in Pangkalpinang City through the application of the K-Means clustering method in grouping sub-districts with low welfare levels. The data used is the Integrated Social Welfare Data (SWD), which includes recipients of assistance from various programs such as PBI, BST, and others. The K-Means clustering method is applied to group villages based on poverty indicators, which are then analyzed for cluster profiling. Principal Component Analysis (PCA) is conducted to address multicollinearity among variables. The silhouette coefficient is used to determine the ideal number of clusters to ensure the validity of the clustering. The research results show three main clusters with a silhouette coefficient value of 0.458. The first cluster has the most aid recipients, while the third cluster has the fewest aid recipients.The use of this method is expected to improve the effectiveness and efficiency of social assistance distribution by ensuring that aid is targeted according to the poverty levels of each sub-district. Therefore, this research is expected to assist the social assistance policies of Pangkalpinang City.

Page 7 of 10 | Total Record : 91