cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Kismiantini
Contact Email
kismi@uny.ac.id
Phone
-
Journal Mail Official
jssd@uny.ac.id
Editorial Address
Faculty of Mathematics and Natural Sciences, Universitas Negeri Yogyakarta Jl. Colombo No.1, Karang Malang, Caturtunggal, Depok, Sleman, Daerah Istimewa Yogyakarta 55281
Location
Kab. sleman,
Daerah istimewa yogyakarta
INDONESIA
Jurnal Statistika dan Sains Data
Published by Universitas Negeri Yogyakarta
ISSN : -     EISSN : 30259649     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Decision Sciences, Operations Research & Management Engineering Mathematics
Jurnal Statistika dan Sains Data is a journal managed and published by the Faculty of Mathematics and Natural Sciences, Universitas Negeri Yogyakarta. This journal publishes original papers, research articles, case studies, and literature reviews in the fields of statistics and data science. The publishing procedures in this journal are peer-reviewed and apply scientific publishing ethics as determined by the Committee on Publication Ethics (COPE). The journal welcomes and also invites contributors particularly from the field of statistics, data science and their applications.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 24 Documents
 1   2   3 
Pemodelan Penyebaran Penyakit Tuberkulosis di Provinsi Jawa Barat Menggunakan Geographically Weighted Regression Nada, Qatrunnada Azkia; Andayani, Sri
Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indonesia berada di peringkat ketiga dengan penderita TBC tertinggi di dunia pada tahun 2020. Sebesar 46% kasus TBC di Indonesia terjadi di tiga provinsi dengan penduduk terbanyak salah satunya yaitu Provinsi Jawa Barat. Penelitian ini bertujuan untuk mengetahui faktor-faktor persebaran penyakit TBC di Provinsi Jawa Barat dengan menggunakan pendekatan GWR dengan fungsi pembobot Kernel Adaptive Gaussian dan fungsi pembobot Kernel Adaptive Bisquare. Dengan unit observasi 27 Kabupaten/Kota yang ada di Provinsi Jawa Barat dan 7 faktor yang memengaruhi persebaran penyakit TBC yang diambil dari buku Profil Kesehatan Jawa Barat tahun 2020 dan buku Jawa Barat dalam Angka tahun 2021. Kemudian dilakukan analisis menggunakan pendekatan GWR dengan fungsi pembobot Kernel Adaptive Gaussian dan fungsi pembobot Kernel Adaptive Bisquare. Fungsi pembobot Kernel Adaptive digunakan dalam penelitian ini karena pembobot dalam model GWR dapat disesuaikan dengan kondisi titik pengamatan dan menghasilkan nilai bandwidth yang berbeda pada setiap lokasi pengamatan. Pemilihan model terbaik berdasarkan nilai dan AIC. Hasil penelitian ini menunjukan bahwa, model GWR Adaptif Bisquare lebih baik digunakan daripada model GWR Adaptif Gaussian, karena model GWR Adaptif Bisquare memiliki nilai  terbesar dan AIC terkecil. Dengan menggunakan model GWR Adaptif Bisquare diperoleh tujuh kelompok wilayah di Provinsi Jawa Barat berdasarkan variabel yang signifikan terhadap persebaran penyakit TBC. Variabel signifikan tersebut yaitu kepadatan penduduk per- , puskesmas, balita imunisasi BCG, dan penduduk miskin
Penerapan Analisis Jalur pada Faktor-Faktor yang Memengaruhi Indeks Pembangunan Manusia di Indonesia Gunandi, Afriadi; Kismiantini, Kismiantini
Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indeks pembangunan manusia (IPM) merupakan indikator penting untuk mengukur keberhasilan dalam upaya membangun kualitas hidup manusia. Penelitian ini bertujuan untuk mengetahui pengaruh langsung dan tak langsung angka harapan hidup (AHH), harapan lama sekolah (HLS), rata-rata lama sekolah (RLS) terhadap IPM melalui jumlah penduduk dan pengeluaran perkapita penduduk di Indonesia pada tahun 2020 dengan menggunakan analisis jalur. Data yang digunakan adalah data IPM dan jumlah penduduk dari 34 provinsi Indonesia dari buku publikasi Indeks Pembangunan Manusia 2020 BPS Indonesia. Pada penelitian ini digunakan analisis jalur karena ingin memperkirakan besarnya dan signifikansi hubungan kausal yang dihipotesiskan antara sekumpulan variabel. Hasil analisis jalur menunjukkan bahwa pengaruh langsung AHH, HLS, RLS dan pengeluaran perkapita penduduk terhadap IPM memberikan hasil yang signifikan secara statistik yang artinya faktor-faktor tersebut memberikan peningkatan terhadap IPM di Indonesia pada tahun 2020 dengan masing-masing setiap nilai penduga koefisien jalur baku bernilai positif yaitu berturut-turut sebesar 0,33, 0,22, 0,26 dan 0,49. Pada hasil pengaruh tak langsung AHH, HLS, RLS melalui jumlah penduduk dan pengeluaran perkapita penduduk terhadap IPM memberikan hasil yang tidak signifikan secara statistik.
Pemetaan Kabupaten/Kota di Provinsi Papua Berdasarkan Indikator Daerah Tertinggal dengan Metode Ensemble Clustering Fauziyari, Evi; Wustqa, Dhoriva Urwatul
Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Provinsi Papua menjadi provinsi yang memiliki daerah tertinggal terbanyak di Indonesia. Untuk pemerataan pembangunan, perlu diketahui kabupaten/kota di Provinsi Papua yang termasuk dalam daerah sangat tertinggal dengan memetakan daerah tertinggal berdasarkan indikator daerah tertinggal menggunakan metode ensemble clustering. Terdapat 29 kabupaten dan 13 variabel yang digunakan dengan 10 variabel data bertipe numerik dan 3 variabel bertipe kategorik. Pembentukan cluster diawali dengan menentukan banyak cluster. Kemudian dilakukan pembentukan cluster dengan metode K-means untuk variabel numerik dan K-modes untuk variabel kategorik. Validasi dilakukan untuk mendapatkan cluster terbaik menggunakan Davies Index Bouldin dan Silhouette. Hasil dari kedua metode yang berupa data kategorik dianalisis dengan metode K-modes. Hasil penelitian menghasilkan 5 cluster terbaik dan dipetakan menjadi 5 tingkat daerah tertinggal. Setiap tingkat memiliki banyak kabupaten dan karakteristik yang berbeda. 
Pemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan di Provinsi Nusa Tenggara Barat dengan Menggunakan Regresi Spasial Puspita, Maya Novia; Wutsqa, Dhoriva Urwatul
Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kemiskinan adalah masalah global yang paling besar dihadapi di Indonesia, khususnya daerah timur yaitu Nusa Tenggara Barat. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi kemiskinan di Provinsi Nusa Tenggara Barat. Data yang digunakan berupa data spasial karena data pada penelitian ini adalah data berdasarkan Kabupaten/Kota di Provinsi Nusa Tenggara Barat tahun 2020. Teknik analisis data yang digunakan adalah analisis regresi spasial. Hasil dari penelitian ini menunjukkan bahwa Spatial Autoregressive Model (SAR) adalah model terbaik dan layak digunakan. Faktor-faktor yang secara signifikan mempengaruhi kemiskinan di provinsi Nusa Tenggara Barat adalah indeks pembangunan manusia, tingkat pengangguran terbuka, persentase buta huruf, laju pertumbuhan penduduk, kepadatan penduduk, persentase penduduk tidak bersekolah lagi, dan garis kemiskinan. Nilai koefisien determinasi yang dihasilkan adalah 99.97%, sehingga dapat disimpulkan bahwa faktor-faktor tersebut berpengaruh terhadap kemiskinan sebesar 99.97% dan sisanya dipengaruhi oleh faktor lainnya
Penerapan Model Regresi Spasial dalam Menentukan Faktor-Faktor yang Memengaruhi Indeks Pembangunan Manusia di Kabupaten/Kota Pulau Kalimantan Langiran, Andriati; Kismiantini, Kismiantini; Setiawan, Ezra Putranda
Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indeks Pembangunan Manusia (IPM) merupakan salah satu ukuran keberhasilan pembangunan. Di Indonesia, IPM digunakan untuk mengukur keberhasilan pemerintah dalam hal pembangunan kesejahteraan manusia. Pada tahun 2021, IPM di Kabupaten/Kota Pulau Kalimantan masih banyak yang lebih rendah dibandingkan dengan rata-rata IPM di Indonesia yaitu 72,29. Oleh karena itu, perlu diketahui faktor-faktor yang memengaruhi IPM di setiap Kabupaten/Kota. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang berpengaruh signifikan dan untuk mengetahui model Geographically Weighted Regression (GWR) dengan menggunakan fungsi pembobot terbaik berdasarkan data Kabupaten/Kota di Pulau Kalimantan. Model GWR bekerja dengan mengestimasi parameter dengan mempertimbangkan lokasi. Hasil penelitian berdasarkan model GWR terbaik yaitu model GWR dengan fungsi pembobot adaptive bi-square kernel diperoleh tujuh kelompok Kabupaten/Kota berdasarkan faktor yang berpengaruh. Kelompok dengan Kabupaten/Kota yang paling banyak dipengaruhi oleh faktor persentase penduduk miskin. Model GWR terbaik memperoleh nilai koefisien determinan (R2) sebesar 62,7%.
Analisis Pertumbuhan Ekonomi di Jawa Tengah dengan Geographically Weighted Regression Model dengan Pembobot Kernel Gaussian Naibaho, Reynaldi Komtua; Kusumawati, Rosita
Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan ekonomi suatu daerah dapat dipengaruhi oleh berbagai faktor-faktor seperti tingkat pendidikan, infrastruktrur pendukung, tingkat kesehatan. Faktor-faktor yang mempengaruhi pertumbuhan ekonomi suatu daerah dapat berbeda dengan daerah lain. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi pertumbuhan ekonomi suatu daerah dan apakah faktor geografis juga mempengaruhi pertumbuhan ekonomi suatu daerah dengan menggunakan model Geographically Weighted Regression (GWR). Model GWR merupakan pengembangan dari model regresi berganda yang ketika asumsi heterogenitas tidak terpenuhi pada model regresi berganda maka dilakukan pembobotan dengan metode Weighted Least Regression (WLS). Pada penelitian ini pembobot yang digunakan adalah lokasi geografis dengan fungsi pembobot fixed kernel gaussian dan adaptive kernel gaussian. Diperoleh model GWR terbaik adalah model GWR dengan fungsi pembobot adaptive kernel gaussian yang ditunjukkan dengan nilai JKG =1,014040e+16,AIC =1270,36, ????2=0,56 dan nilai p sebesar 0,443. Model GWR ini menghasilkan 35 model lokal. Model lokal yang diperoleh dapat dikelompokkan menjadi 5 kelompok berdasarkan variabel-variabel independen yang berpengaruh secara signifikan terhadap variabel dependen
PEMODELAN INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH TAHUN 2022 MENGGUNAKAN MODEL REGRESI SPASIAL DENGAN PEMBOBOT QUEEN CONTIGUITY DAN K-NEAREST NEIGHBOR Permana, Ryan Sidiq; Kismiantini, Kismiantini; Setiawan, Ezra Putranda
Jurnal Statistika dan Sains Data Vol 1, No 2 (2024): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Salah satu cara untuk mengukur keberhasilan pembangunan adalah melalui Indeks Pembangunan Manusia (IPM). Provinsi Jawa Tengah merupakan provinsi di Pulau Jawa dengan IPM terendah nomor dua. Penelitian ini memiliki tujuan untuk mengetahui pemodelan regresi spasial dengan pembobot spasial terbaik dalam menjelaskan faktor-faktor yang berpengaruh secara signifikan pada IPM di Provinsi Jawa Tengah tahun 2022 yang terdiri dari 29 kabupaten dan 6 kota. Variabel penelitian ini meliputi IPM, tingkat partisipasi angkatan kerja, upah minimum kabupaten/kota, dan jumlah penduduk miskin. Model regresi spasial dalam penelitian ini menggunakan dua pembobot spasial, yaitu pembobot spasial Queen Contiguity dan K-Nearest Neighbor. Penelitian ini menggunakan pemodelan Spatial Autoregressive (SAR), Spatial Error Model (SEM), dan Spatial Autoregressive Moving Average (SARMA). Hasil penelitian menunjukkan bahwa model regresi spasial terbaik pada penelitian ini adalah pemodelan SARMA dengan pembobot spasial K-Nearest Neighbor dengan nilai AIC sebesar 168,73. Variabel tingkat partisipasi angkatan kerja, upah minimum kabupaten/kota, dan jumlah penduduk miskin memiliki pengaruh terhadap IPM di Provinsi Jawa Tengah.
IMPLEMENTASI ASSOCIATION RULE UNTUK REKOMENDASI PAKET PROMOSI PENJUALAN BERDASARKAN DATA TRANSAKSI (Studi kasus: CV Agro Sukses Abadi Yogyakarta) Sari, Putri Puspita; Andayani, Sri
Jurnal Statistika dan Sains Data Vol 1, No 2 (2024): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The development of the retail business in Indonesia is currently so rapid accompanied by competition in the sale of various types of products. The number of products sold in a certain period of time is one measure of the company's success. These conditions encourage business actors to maintain their business. One effort that can be done is to carry out promotions. Sellers often experience difficulties about what promotional packages should be sold in order to increase profits. This can be done by processing sales transaction data, so that a conclusion is obtained that the product that is most in demand by customers is known as an association pattern. One of the algorithms that can be used to form association rules is the a priori algorithm. The data used is sales transaction history data for CV Agro Sukses Abadi for one year, from July 2021 to June 2022, totaling 2,523 transactions. The results of forming association rules using the a priori algorithm show that 801 rules are obtained with a minimum support of 0.001 and a minimum confidence of 0.5. The most sold product was Organic Diabetic Rice and the least sold was Sukkari dates Based on these rules, 4 product sales package recommendations were obtained that could increase profits, one of which was Blackfit and Organic Black Rice.
PREDIKSI HARGA SAHAM PADA SEKTOR PERBANKAN MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY Janastu, I Nyoman Cerdas; Wutsqa, Dhoriva Urwatul
Jurnal Statistika dan Sains Data Vol 1, No 2 (2024): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Saham pada sektor perbankan merupakan salah satu pilihan yang banyak diminati oleh para investor. Pergerakan harga saham cepat berubah, sehingga untuk meminimalisir risiko kerugian perlu dilakukan prediksi harga saham. Tujuan penelitian ini adalah (1) mengetahui model Long Short-Term Memory (LSTM) dalam memprediksi harga saham pada sektor perbankan dan (2) mengetahui kinerja atau performa dari model Long Short-Term Memory (LSTM) dalam melakukan prediksi harga saham pada sektor perbankan. Data yang digunakan merupakan data hafrian harga penutupan saham pada sektor perbankan dari tanggal 4 Januari 2021 sampai 28 Maret 2023. Tahapan penelitian mencakup (1) input data untuk mengambil data harga penutupan saham; (2) pre-processing data untuk memeriksa nilai data yang hilang; (3) pembagian data untuk membagi data menjadi data training dan data testing dengan rasio 80:20; (4) normalisasi data untuk mengubah data menjadi skala yang sama; (5) rekonstruksi data untuk mengubah data menjadi bentuk sequence; (6) pelatihan model yang terdiri dari dua layer LSTM dan satu layer Dense menggunakan data training; dan (7) pengujian model pada data testing serta evaluasi hasil prediksi menggunakan MAPE dan RMSE. Hasil penelitian menunjukkan kinerja atau performa model yang sangat baik dalam melakukan prediksi harga saham pada sektor perbankan. Nilai MAPE testing pada BBCA, BBNI, BBRI, BBTN, dan BMRI masing-masing adalah 1,47%, 1,77%, 1,69%, 3,02%, dan 2,00%.
IMPLEMENTASI SELF ORGANIZING MAP DAN FUZZY C-MEANS DALAM PENGELOMPOKAN UMKM KABUPATEN SLEMAN Agustin, Martalia Susantiana; Andayani, Sri
Jurnal Statistika dan Sains Data Vol 1, No 2 (2024): Jurnal Statistika dan Sains Data
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

UMKM merupakan salah satu kelompok usaha masyarakat yang paling banyak berada di Kabupaten Sleman yang sangat signifikan dalam membantu meningkatkan pertumbuhan ekonomi Kabupaten Sleman. Penelitian ini bertujuan untuk mengetahui hasil pengelompokan UMKM Kabupaten Sleman tahun 2022 agar dapat menjadi informasi dan masukan untuk memudahkan pemerintah terkait dalam menetapkan strategi dan kebijakan yang tepat sebagai prioritas utama untuk mengembangkan UMKM. Data yang digunakan adalah data UMKM Kabupaten Sleman tahun 2022 yang diperoleh dari Dinas Koperasi dan UKM Kabupaten Sleman. Data terdiri dari 574 anggota UMKM dengan 3 variabel yaitu aset, omset, dan pekerja. Langkah-langkah penelitian yaitu pengumpulan data, preprocessing data, clustering menggunakan Self Organizing Map dan Fuzzy C-Means, validasi klaster, dan analisis klaster terbaik. Penelitian ini menggunakan tiga metode validasi klaster pada SOM yaitu indeks silhouette, indeks dunn, dan indeks connectivity, sedangkan pada FCM menggunakan dua metode validasi yaitu indeks silhouette dan indeks dunn. Berdasarkan nilai indeks silhouette dan indeks dunn diperoleh jumlah klaster optimal metode SOM sebanyak 3 klaster dengan nilai masing-masing indeks yaitu 0.8676 dan 0.8177. Berdasarkan nilai indeks silhouette diperoleh metode jumlah klaster optimal metode FCM sebanyak 3 klaster dengan nilai indeks 0.96944, sehingga diperoleh jumlah klaster optimal yang dapat digunakan sebanyak 3 klaster menggunakan metode FCM.

Page 1 of 3 | Total Record : 24

 1   2   3 

Filter by Year

2023 2025


Reset
Filter By Issues
All Issue Vol 2, No 2 (2025): Jurnal Statistika dan Sains Data Vol 2, No 1 (2024): Jurnal Statistika dan Sains Data Vol 1, No 2 (2024): Jurnal Statistika dan Sains Data Vol 1, No 1 (2023): Jurnal Statistika dan Sains Data