cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Deden Istiawan
Contact Email
deden.istiawan@itesa.ac.id
Phone
+6282229161672
Journal Mail Official
lppm@itesa.ac.id
Editorial Address
Jl. Prof. Dr. Hamka Km. 01 Ngaliyan Semarang
Location
Kota semarang,
Jawa tengah
INDONESIA
Journal of applied statistics and data mining
Published by Institut Teknologi Statistika dan Bisnis Muhammadiyah Semarang
ISSN : ""     EISSN : 27210332     DOI : -
Core Subject : Economy, Science, Social,
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Social Sciences
Journal of applied statistics and data mining provide open access, which in principle makes research open and freely available to the public so that it becomes a means of global knowledge exchange. Published twice a year, in June and December. This journal publishes scientific articles as research results, case studies, or literature reviews on various aspects of statistics, data mining and its applications. Such as Computing, Time Series, Multivariate, Biostatistics, Survival Analysis, Econometrics, Spatial Analysis, Actuarial, Quality Control, Bayesian Analysis, Development Research in Statistics, Natural Language Processing, Applied Mathematics, and Applied Statistics. The editor does not rule out other topics in statistics and data mining.
Arjuna Subject : Matematika - Matematika Komputer
Articles 5 Documents
 1 
Search results for , issue "Vol. 2 No. 2 (2021): Journal Applied Statistics and Data Mining" : 5 Documents clear
Penerapan Algoritma C4.5 untuk Klasifikasi Lahan Kritis Kabupaten Grobogan Arif Arrahman, Malik; Istiawan, Deden; Yogi Prayogi, Sukmono; Zaenah; Adilah Ahmad, Muna
Journal of Applied Statistics and Data Mining Vol. 2 No. 2 (2021): Journal Applied Statistics and Data Mining
Publisher : Institut Teknologi Statistika dan Bisnis Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63229/jasdm.v2i2.20

Abstract

Penentuan lahan kritis dilakukan dengan pembagian 3 kawasan yaitu kawasan budidaya pertanian, kawasan hutan lindung dan kawasan lindung di luar kawasan hutan. Laju kerusakan hutan dan lahan kritis di Indonesia tercatat telah mencapai 27,2 juta hektar di tahun 2014. Untuk mengatasi lahan kritis serta memulihkan, mempertahankan dan meningkatkan fungsi hutan dan lahan, Kementerian Kehutanan mencanangkan kegiatan Rehabilitasi Hutan dan Lahan (RHL). Berdasarkan laporan Badan Pusat Statistik tahun 2016 Kabupaten Grobogan menempati urutan pertama di Provinsi Jawa Tengah yang memiliki luas lahan kritis diluar kawasan hutan sebesar 203.131,10 ha. Untuk mengatasi masalah tersebut peneliti menggunakan pendekatan data mining. Data mining mempunyai lima peran utama yaitu estimasi, prediksi, klasifikasi, klaster dan asosiasi. Klasifikasi merupakan salah satu teknik yang terdapat pada data mining. Tujuan dari teknik klasifikasi data mining adalah untuk memprediksi kelas target secara akurat dengan menggunakan variabel-variabel terkait. Dalam kasus ini peneliti menggunakan algorima C4.5 akan digunakan untuk mengklasifikasikan dan menghitung tingkat akurasi data BPDAS pemali jratun Kabupaten Grobogan untuk mengetahui kondisi kekritisan daerah sub DAS. Metode penelitian yang digunakan meliputi beberapa tahap diantaranya analisa masalah, pengumpulan data, metode usulan, serta eksperimen dan juga pengujian. Data yang didapatkan kemudian dianalisis menggunakan algoritma C4.5. Setelah dianalisis diperoleh kesimpulan bahwa Klasifikasi lahan kritis pada Kabupaten Grobogan dapat diterapkan dengan baik pada Algoritma C4.5, dan data mendapatkan hasil 51,89% kualitas lahan yang dinyatakan tidak kritis. Dan dapat disimpulkan bahwa algoritma C4.5 memiliki akurasi yaitu sebesar 90,71% artinya Algoritma C4.5 dapat memprediksi benar sesuai dengan kondisi aktual. Selain itu, nilai F-Measure juga terlihat bahwa C4.5 memiliki nilai sebesar 91,68 artinya Algoritma C4.5 mampu mengidentifikasi kejadian dengan tepat pada kelas true positif.
Penerapan Algoritma Self Organizing Maps untuk Pengelompokkan Penyandang Masalah Kesejahteraan Sosial di Provinsi Jawa Tengah Chaerul Iqbal , Ilham; Istiawan, Deden; Ngatimin; Zaenah; Huda, Nurul
Journal of Applied Statistics and Data Mining Vol. 2 No. 2 (2021): Journal Applied Statistics and Data Mining
Publisher : Institut Teknologi Statistika dan Bisnis Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63229/jasdm.v2i2.21

Abstract

Penyandang Masalah Kesejahteraan Sosial (PMKS) adalah seseorang atau keluarga karena suatu hambatan, kesulitan atau gangguan tidak dapat melaksanakan fungsi sosialnya dan karenanya tidak dapat menjalin hubungan yang serasi dan kreatif dengan lingkungannya sehingga tidak dapat memenuhi kebutuhan hidupnya (jasmani, rohani, sosial) secara memadai dan wajar. Berdasarkan data penyandang masalah kesejahteraan sosial (PMKS) di Dinas Sosial Provinsi Jawa Tengah, menampilkan tiap daerah memiliki jumlah yang bervariasi dari 26 indikator tersebut. Untuk itu diperlukan pengelompokkan, supaya diketahui karakteristik dari tiap kota atau kabupaten yang memiliki jumlah yang banyak maupun sedikit, oleh karena itu dibutuhkan metode untuk memudahkan dalam pengelompokkan. Data cenderung berdimensi tinggi daripada umumnya dan memiliki atribut lebih dari sepuluh. Sehingga pada penelitian ini menggunakan metode algoritma Self Organizing Maps (SOM) karena efektif untuk visualisasi data berdimensi tinggi. Penelitian ini memperoleh bahwa Kabupaten atau Kota di Provinsi Jawa Tengah yang tidak sejahtera yaitu Kabupaten Purbalingga dan Kabupaten Cilacap. Hasil pengelompokkan Kabupaten/Kota di Jawa Tengah menjadi 3 cluster dimana cluster 1 terdiri dari 4 daerah dikategorikan cukup sejahtera, cluster 2 terdiri dari 13 daerah dikategorikan tidak sejahtera, dan cluster 3 terdiri dari 18 daerah dikategorikan sejahtera.
Analisis Volatilitas Return Saham PT. Bumi Serpong Damai Tbk. Menggunakan Metode ARCH/GARCH Aulia, Lathifatul; Salsabilla, Salwa; Sulistijanti, Wellie; Mardiyah, Aini Mawar
Journal of Applied Statistics and Data Mining Vol. 2 No. 2 (2021): Journal Applied Statistics and Data Mining
Publisher : Institut Teknologi Statistika dan Bisnis Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63229/jasdm.v2i2.25

Abstract

Sektor keuangan memegang peran penting dalam perekonomian Indonesia, karena dana diperlukan untuk mendukung pertumbuhan ekonomi yang berkelanjutan. Pasar modal, sebagai bagian dari sektor ini, memiliki peran signifikan dengan menyediakan produk investasi jangka panjang. Saham adalah instrumen keuangan yang mencerminkan kepemilikan atas suatu perusahaan. Return atau imbal hasil merupakan keuntungan yang diperoleh investor dari investasinya. Semakin besar perbedaan antara harga jual dan beli saham, semakin tinggi return yang diterima investor. Salah satu perusahaan saham di Indonesia adalah PT. Bumi Serpong Damai Tbk yang didirikan pada 16 Januari 1984 dan bergerak di sektor properti, dengan fokus pada pembangunan rumah, hotel, serta fasilitas lingkungan dan taman. Dalam penelitian, metode peramalan ARIMA sering digunakan, namun metode ini mengasumsikan bahwa data bersifat stasioner dengan variansi yang konstan (homokedastisitas). Model ARIMA kurang tepat untuk data dengan variansi yang tidak konstan (heteroskedastisitas). Sebagai alternatif, model ARCH/GARCH dapat digunakan untuk menangani data dengan heteroskedastisitas. Penelitian ini menggunakan data dari PT. Bumi Serpong Damai Tbk. selama periode 2 Januari 2015 hingga 30 Desember 2019, dengan return tertinggi sebesar 0,1170 pada 27 Agustus 2015. Hasil analisis menunjukkan bahwa model ARCH (3) menghasilkan ramalan return tertinggi sebesar 0,000942 pada 7 Januari 2020, dengan nilai MAPE sebesar 102%.
PENGELOMPOKAN TINGKAT KEMISKINAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR MENGUNAKAN ALGORITMA K-MEANS++ Chintya Devi Panglipuring Sriaji; Zaenah; Istiawan, Deden; Sukmono Yogi Prayogi; Adiyah Mahiruna
Journal of Applied Statistics and Data Mining Vol. 2 No. 2 (2021): Journal Applied Statistics and Data Mining
Publisher : Institut Teknologi Statistika dan Bisnis Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63229/jasdm.v2i2.39

Abstract

Menurut Badan Perencanaan dan Pembangungan Daerah (BAPPEDA) kemiskinan adalah kondisi dimana seseorang atau sekelompok orang tidak mampu memenuhi hak-hak dasarnya untuk mempertahankan dan mengembangkan kehidupan yang bermartabat, dimana hak-hak dasar tersebut yaitu terpenuhinya kebutuhan pangan, kesehatan, pendidikan, pekerjaan, perumahan, air bersih, pertanahan, sumber daya alam dan lingkungan hidup, rasa aman dari tindak kekerasan dan hak berpartisipasi dalam sosial politik. Kemiskinan di Indonesia dipengaruhi oleh beberapa faktor, salah satunya ialah tingkat pengangguran yaitu karena tingkat pengangguran yang tinggi menyebabkan rendahnya pendapatan yang selanjutnya memicu munculnya kemiskinan. Dimana provinsi dengan jumlah penduduk miskin terbanyak di Pulau Jawa adalah provinsi Jawa Timur yaitu mencapai 4.332.590 jiwa. Tingkat kemiskinan di Jawa Timur dipengaruhi oleh beberapa faktor diantaranya yaitu Indeks Pembangunan Manusia, Produk Domestik Regional Bruto per kapita, dan belanja publik. Untuk mengelompokan data kemiskinan di Jawa Timur penelitian ini menggunakan metode K-Means++. Dimana data yang digunakan adalah data sekunder yang mana diambil pada BDT TNP2K BAPPEDA JawaTimur pada tahun 2015 yang diunduh pada website http://www.tnp2k.go.id/. Metode penelitian yang digunakan meliputi beberapa tahap diantaranya analisa masalah, pengumpulan data, metode usulan, serta eksperimen dan juga pengujian. Data yang didapatkan kemudian dianalisis menggunakan beberapa langkah yaitu: menentukan jumlah klaster K=2, inisialisasi centroid, menghitung jumlah jarak terdekat, menentukan pusat klaster baru, mengalokasikan data sampai datanya tidak berpindah kelompok. Setelah dianalisis diperoleh kesimpulan bahwa data kemiskinan di Jawa Timur terbentuk menjadi 2 klaster dan juga didapat kesimpulan bahwa K-means++ lebih baik dari pada K-Means.
SMALL AREA ESTIMATION TERHADAP PRODUK DOMESTIK REGIONAL BRUTO PER KAPITA ATAS DASAR HARGA KONSTAN PROVINSI JAWA BARAT DENGAN PENDEKATAN KERNEL Fida Fariha Amatullah; Khikmah, Laelatul
Journal of Applied Statistics and Data Mining Vol. 2 No. 2 (2021): Journal Applied Statistics and Data Mining
Publisher : Institut Teknologi Statistika dan Bisnis Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63229/jasdm.v2i2.40

Abstract

Jawa Barat merupakan salah satu provinsi di Pulau Jawa. Pertumbuhan Ekonomi Jawa Barat tahun 2019 tumbuh 5,07% melambat dibanding tahun 2018 sebesar 5,66%. PDRB perkapita merupakan indikator yang banyak digunakan untuk mengukur pertumbuhan ekonomi. Small Area Estimation (SAE) atau pendugaan area kecil yaitu suatu teknik statistika untuk menduga parameter-parameter subpopulasi dengan ukuran sampel kecil. Pada penelitian ini dilakukan pendugaan area kecil dengan pendekatan nonparametrik yaitu kernel. Variabel penyerta yang digunakan yaitu, pengeluaran pemerintah Kota/Kabubapaten Provinsi Jawa Barat tahun 2019. Berdasarkan penduga langsung Kota Bandung memiliki nilai PDRB perkapita tertinggi sebesar Rp. 78.808.426 dan Kabupaten Tasikmalaya memiliki nilai PDRB perkapita terendah sebesar Rp. 14.016.644. Hasil penduga tak langsung meunjukkan Kota Bandung memiliki nilai PDRB perkapita tertinggi sebesar Rp. 78.747.914 dan Kabupaten Tasikmalaya memiliki nilai PDRB perkapita terendah sebesar Rp. 14.002.015. Penduga tak langsung menghasilkan nilai varians lebih kecil yaitu sebesar 3,330054 dibanding penduga langsung sebesar 3,331698. Oleh karena itu, penduga tak langsung menunjukkan hasil yang lebih baik.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2021 2021


Reset
Filter By Issues
All Issue Vol. 6 No. 1 (2025): Journal Applied Statistics and Data Mining Vol. 5 No. 2 (2024): Journal Applied Statistics and Data Mining Vol. 5 No. 1 (2024): Journal Applied Statistics and Data Mining Vol. 4 No. 2 (2023): Journal Applied Statistics and Data Mining Vol. 4 No. 1 (2023): Journal Applied Statistics and Data Mining Vol. 3 No. 2 (2022): Journal Applied Statistics and Data Mining Vol. 3 No. 1 (2022): Journal Applied Statistics and Data Mining Vol. 2 No. 2 (2021): Journal Applied Statistics and Data Mining Vol. 2 No. 1 (2021): Journal Applied Statistics and Data Mining Vol. 1 No. 2 (2020): Journal Applied Statistics and Data Mining Vol. 1 No. 1 (2020): Journal Applied Statistics and Data Mining More Issue