Articles
28 Documents
Search results for
, issue
"Vol 11, No 1 (2022)"
:
28 Documents
clear
<![CDATA[Peramalan Permintaan Semen Berdasarkan Indeks Harga Saham Properti Menggunakan Fungsi Transfer ]]>
<![CDATA[Wahyu Adi Kurniawan]]>;
<![CDATA[Sri Mumpuni Retananingsih]]>;
<![CDATA[Mike Prastuti]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.63240
<![CDATA[Pembangunan sektor properti berkontribusi cukup besar dalam penggunaan semen nasional, yaitu sekitar 55% - 65%. Hal ini menunjukkan bahwa sektor properti sangat mempengaruhi meningkatnya permintaan semen. Pertumbuhan sektor properti dapat dilihat melalui Indeks Harga Saham Properti (IHSP). PT. Semen Indonesia (Persero) Tbk sebagai produsen semen terbesar di Indonesia, melakukan ramalan permintaan semen setiap tahun untuk merencanakan penjualan agar mendapatkan keputusan yang tepat. Metode peramalan yang digunakan antara lain Winter’s Exponential Smoothing, Dekomposisi, dan Regresi Time Series. Ramalan permintaan semen yang dilakukan hanya bergantung pada data kebutuhan semen, sehingga pada penelitian ini akan dilakukan ramalan permintaan semen yang dipengaruhi IHSP menggunakan metode fungsi transfer single input. Didapatkan model terbaik yaitu model fungsi transfer order b,r,s (0,0,0) dengan deret noise ARIMA ([12],0,0) yang menghasilkan nilai RMSE sebesar 578.054 lebih kecil daripada metode Winter’s Exponential Smoothing maupun metode Dekomposisi. Hasil ramalan permintaan semen tahun 2021 menunjukkan bahwa permintaan terendah pada bulan Mei dan tertinggi bulan September.]]>
<![CDATA[Analisis Pengukuran Waktu Kerja di UMKM Ikhwan Mbois Lamongan ]]>
<![CDATA[Ari Widi Astuti]]>;
<![CDATA[Sri Mumpuni Retnaningsih]]>;
<![CDATA[Mike Prastuti]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.63232
<![CDATA[UMKM Ikhwan Mbois merupakan salah satu produsen songkok yang berada di Lamongan. Songkok yang diproduksi antara lain model susun, AC, dan terompah tetapi songkok batik model AC adalah model yang paling diminati konsumen. Proses produksi songkok batik ini dibuat berdasarkan permintaan konsumen. Pada waktu tertentu terjadi permintaan konsumen yang cukup tinggi sehingga mengalami keterlambatan pengiriman produk kepada pelanggan. Hal tersebut disebabkan karena UMKM ini belum mengetahui berapa waktu yang dibutuhkan untuk memproduksi satu unit songkok. Oleh karena itu dilakukan penelitian untuk mengetahui waktu yang diperlukan untuk membuat satu unit songkok dengan menggunakan metode jam henti (stopwatch time study) karena proses produksi songkok yang berlangsung singkat dan berulang-ulang. Pengamatan dilakukan pada proses produksi dengan membagi proses operasi menjadi enam elemen kerja. Hasil penelitian didapatkan kesimpulan bahwa waktu standar yang diperlukan untuk produksi satu songkok batik model AC adalah 11 menit dan setiap karyawan menghasilkan output standar sebanyak 44 unit songkok/hari.]]>
<![CDATA[Analisis Pengukuran Waktu Kerja di UD. Fish Design Sidoarjo ]]>
<![CDATA[Septa Alifia Ainurrohma]]>;
<![CDATA[Sri Mumpuni Retnaningsih]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.63075
<![CDATA[UD Fish Design adalah salah satu home industry yang berada di Sidoarjo bergerak di bidang produksi tas furing bahan spunbond. Tas promosi perusahaan adalah jenis tas yang sering dipesan ulang dan umumnya memiliki ukuran yang sama. Pengiriman tas kepada pelanggan sering terjadi keterlambatan dikarenakan perusahaan belum memiliki waktu standar untuk memproduksi satu unit tas, oleh karena itu untuk mengatasi hal tersebut perusahaan ingin mengetahui berapa waktu yang diperlukan untuk memproduksi satu unit tas. Pengamatan dilakukan pada tanggal 22-25 Maret 2021 dengan mengukur waktu produksi pada setiap elemen kerja dan dilakukan analisis terhadap pengukuran waktu kerja menggunakan metode jam henti (stopwatch time study). Hasil analisis diperoleh waktu standar yang diperlukan untuk memproduksi satu unit tas promosi perusahaan selama 8 menit/unit dengan Output standar adalah 35 unit/hari/karyawan.]]>
<![CDATA[Pemodelan Jumlah Penderita Tuberkulosis di Provinsi Jawa Timur Tahun 2018 Menggunakan Metode Generalized Poisson Regression ]]>
<![CDATA[Dwi Nia Wulandari]]>;
<![CDATA[Mutiah Salamah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.62721
<![CDATA[Tuberkulosis merupakan suatu penyakit menular yang disebabkan oleh kuman Mycobacterium Tuberculosis. Tuberkulosis merupakan masalah kesehatan yang serius dan juga penyebab kematian kedua di Indonesia. Berdasarkan data dari BPS dan Dinas Kesehatan Provinsi Jawa Timur tercatat bahwa Jawa Timur menempati peringkat kedua penyumbang jumlah penderita Tuberkulosis pada tahun 2018. Penelitian ini dilakukan untuk memodelkan jumlah penderita Tuberkulosis di Provinsi Jawa Timur tahun 2018 menggunakan metode Generalized Poisson Regression. Metode Generalized Poisson Regression digunakan ketika terjadi overdispersi pada regresi poisson. Berdasarkan hasil penelitian ini diperoleh bahwa rata-rata jumlah penderita Tuberkulosis di Provinsi Jawa Timur sebanyak 1.444 penderita dan jumlah penderita Tuberkulosis terbanyak berada di Kota Surabaya sebanyak 7.007 penderita dengan kepadatan penduduknya mencapai 1.223 jiwa/km2. Hasil model Generalized Poisson Regression didapatkan bahwa variabel yang memberikan pengaruh signifikan terhadap jumlah penderita Tuberkulosis di Provinsi Jawa Timur adalah kepadatan penduduk, persentase rumah tangga dengan akses sanitasi yang layak, persentase rumah tangga ber-PHBS, dan persentase penduduk usia produktif.]]>
<![CDATA[Peramalan Jumlah Peserta OJT di PT.POMI Menggunakan ARIMA Box-Jenkins dan Radial Basis Function Neural Network ]]>
<![CDATA[Wiji Renisa Dwiningtyas]]>;
<![CDATA[Mike Prastuti]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.63138
<![CDATA[On the Job Training (OJT) merupakan pelatihan dimana siswa maupun mahasiswa mempelajari suatu pekerjaan yang sesuai dengan bidangnya di perusahaan. PT.POMI merupakan salah satu perusahaan swasta yang bergerak di bidang Pembangkit Listrik Tenaga Uap (PLTU). PT.POMI memberi peluang bagi siswa maupun mahasiswa untuk melakukan OJT, tetapi tidak bisa menerima semua siswa maupun mahasiwa yang mendaftar. Oleh karena itu perlu dilakukan sebuah analisis peramalan untuk meramalkan jumlah peserta OJT di PT.POMI, yaitu menggunakan metode ARIMA Box-Jenkins dan Radial Basis Function Neural Network (RBFNN). Data yang digunakan adalah jumlah peserta OJT pada Bulan Januari 2010 hingga Desember 2020. Hasil analisis menunjukkan bahwa model ARIMA terbaik yaitu ARIMA (3,1,0) yang memiliki nilai MAPE sebesar 42,741 dan pada RBFNN memiliki nilai MAPE sebesar 41,239. Sehingga dapat disimpulkan bahwa RBFNN mampu menghasilkan ramalan jumlah peserta OJT lebih baik daripada model ARIMA.]]>
<![CDATA[Faktor-faktor yang Mempengaruhi Berat Badan Lahir Rendah Menggunakan Regresi Logistik Biner ]]>
<![CDATA[Anindita Nourma Hapsari]]>;
<![CDATA[Mutiah Salamah Chamid]]>;
<![CDATA[Nur Azizah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.62863
<![CDATA[AKB merupakan ukuran dasar untuk mengukur kualitas penduduk berdasarkan tingkat kesehatan, semakin besar AKB maka semakin rendah kualitas penduduk. Salah satu kasus yang mendominasi terjadinya kematian bayi di Kabupaten Gresik adalah kasus berat badan lahir rendah (BBLR). BBLR merupakan berat badan bayi yang baru lahir dengan berat kurang dari 2.500 gram. Berdasarkan data dari Dinas Kesehatan Kabupaten Gresik, tercatat kasus BBLR di Kabupaten Gresik pada tahun 2019 semakin memburuk jika di bandingkan pada tahun 2018. Faktor-faktor yang dapat menyebabkan terjadinya kasus BBLR bisa dari dua hal, yaitu faktor ibu dan faktor kehamilan. Oleh karena itu, dalam penelitian dilakukan identifikasi untuk mengetahui faktor-faktor apa saja yang mempengaruhi BBLR di Rumah Sakit Semen Gresik, analisis yang digunakan yaitu regresi logistik biner dengan variabel respon status berat badan lahir (BBL) yang dikategorikan normal dan rendah, dengan variabel prediktor yang digunakan mencakup tujuh variabel yang diduga mem- pengaruhi status BBL yaitu usia ibu saat melahirkan, preek- lamsia, lahir bayi kembar, umur kehamilan saat melahirkan, plasenta previa, volume air ketuban, dan ketuban pecah dini. Hasil dari penelitian ini terdapat dua variabel prediktor yang berpengaruh terhadap berat badan lahir rendah di Rumah Sakit Semen Gresik tahun 2020, yaitu variabel umur kehamilan saat melahirkan dan volume air ketuban dengan nilai ketepatan klasifikasi sebesar 83,3%.]]>
<![CDATA[Pemetaan Fasilitas Tenaga Kesehatan Berdasarkan Kabupaten/Kota di Provinsi Papua ]]>
<![CDATA[Nazirotul Dwi Afrida]]>;
<![CDATA[Sri Pingit Wulandari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.62871
<![CDATA[Provinsi Papua merupakan wilayah yang mengalami masalah mengenai distribusi tenaga kesehatan yang tidak merata, sehingga mengakibatkan timbulnya berbagai kasus penyakit yang mengakibatkan kematian. Banyaknya penyakit yang timbul tersebut dikarenakan masyarakat Provinsi Papua belum mengetahui wilayah-wilayah mana saja yang cenderung memiliki tenaga kesehatan lebih banyak yang tepat untuk menangani kasus-kasus tersebut. Penelitian ini bertujuan untuk mengelompokkan, memetakan, dan arah kecenderungan tenaga kesehatan per hasil pengelompokan di Provinsi Papua dengan menggunakan analisis cluster (metode ward’s) dan analisis korespondensi. Kabupaten/Kota yang memiliki fasilitas tenaga kesehatan paling banyak yaitu Kota Jayapura dan yang paling sedikit yaitu Kabupaten Dogiyai. Analisis cluster menghasilkan empat cluster yaitu cluster A merupakan Kabupaten dengan rasio tenaga kesehatan sangat rendah sebanyak empat belas Kabupaten, cluster B merupakan Kabupaten dengan rasio tenaga kesehatan rendah sebanyak 7 Kabupaten, cluster C merupakan Kabupaten dengan rasio tenaga kesehatan sedang sebanyak 7 Kabupaten/Kota, dan cluster D merupakan Kabupaten dengan jumlah rasio kesehatan tinggi sebanyak satu Kabupaten. Dibandingkan dengan jenis tenaga kesehatan lainnya, cluster A cenderung memiliki tenaga penunjang kesehatan lebih banyak, cluster B cenderung memiliki tenaga bidan lebih banyak, cluster C cenderung memiliki tenaga perawat lebih banyak, dan cluster D cenderung memiliki tenaga kesehatan masyarakat lebih banyak.]]>
<![CDATA[Pemetaan Kabupaten/Kota di Jawa Timur Berdasarkan Indikator Kesejahteraan Rakyat Menggunakan Analisis Cluster Hierarki ]]>
<![CDATA[Indria Wahyuni]]>;
<![CDATA[Sri Pingit Wulandari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.63092
<![CDATA[Kesejahteraan rakyat sangat dibutuhkan untuk masukan penyusunan kebijakan dan sebagai alat untuk melihat keadaan, memonitor, dan mengevaluasi keberhasilan pembangunan di Jawa Timur sesuai dengan kesepakatan SDG’s untuk itu dibutuhkan informasi lebih banyak tentang kesejahteraan rakyat. Salah satunya dengan mengelompokkan Kabupaten/Kota yang kesejahteraan rakyatnya setipe dengan menggunakan analisis cluster. Analisis cluster merupakan salah satu metode statistika untuk mengelompokkan observasi ke dalam suatu kelas yang memiliki karakteristik yang sama. Berdasarkan hasil analisis cluster hierarki, pengelompokan Kabupaten/Kota di Jawa Timur menggunakan indikator kesejahteraan rakyat diperoleh 4 pembagian kelompok, tingkat kesejahteraan rakyat yang sangat tinggi, tinggi, sedang dan rendah. Kelompok 1 memiliki tingkat kesejahteraan rakyat sedang, kelompok 2 memiliki tingkat kesejahteraan rakyat rendah, kelompok 3 memiliki tingkat kesejahteraan rakyat tinggi dan kelompok 4 memiliki tingkat kesejahteraan rakyat sangat tinggi. Kelompok 2 memiliki tingkat kesejahteraan rakyat rendah karena memiliki kesetaraan yang kurang baik dalam hal ekonomi, kesehatan dan pendidikan.]]>
<![CDATA[Analisis Cluster dan Korespondensi terhadap Indikator Pertumbuhan Penduduk Kota Surabaya Tahun 2020 ]]>
<![CDATA[Noviana Maulidia]]>;
<![CDATA[Sri Pingit Wulandari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.62843
<![CDATA[Surabaya sebagai Ibu Kota Jawa Timur selain pertumbuhan penduduknya sangat cepat juga memiliki kepadatan penduduk yang tertinggi yaitu 8.707 jiwa/km2. Berdasarkan data Kota Surabaya Dalam Angka tahun 2020 menunjukkan bahwa setiap Kecamatan memiliki laju pertumbuhan penduduk yang beragam. Permasalahan dari penelitian ini adalah besarnya keragaman dari indikator pertumbuhan penduduk, yang diukur menggunakan variabel jumlah kelahiran, jumlah kematian, jumlah pindah keluar, dan jumlah pindah datang pada 31 Kecamatan di Surabaya. Keragaman antar Kecamatan dikelompokkan dengan menggunakan analisis cluster. Analisis korespondensi untuk mengetahui wilayah Kecamatan yang cenderung secara visualisasi mempunyai jarak terdekat dengan indikator pertumbuhan penduduk. Data penelitian menggunakan data yang diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Surabaya. Hasil analisis dengan Metode Ward’s, menggunakan Pseudo F didapatkan paling optimum 3 cluster, yaitu cluster 1 mempunyai pertumbuhan penduduk terklasifikasi sedang dengan jumlah anggota 13 Kecamatan, cluster 2 mempunyai pertumbuhan penduduk terklasifikasi cepat dengan jumlah anggota 5 Kecamatan, dan cluster 3 mempunyai pertumbuhan pendududk terklasifikasi lambat dengan jumlah anggota 13 Kecamatan. Hasil analisis korespondensi cluster 1 dan cluster 3 cenderung memiliki kedekatan jarak dengan indikator jumlah kelahiran, cluster 2 cenderung memiliki kedekatan jarak dengan indikator jumlah pindah keluar.]]>
<![CDATA[Analisis Sentimen Pengguna Twitter terhadap Program Kartu Prakerja di Tengah Pandemi Covid-19 Menggunakan Metode Naïve Bayes Classifier ]]>
<![CDATA[Ela Wahyu Novianti]]>;
<![CDATA[Wahyu Wibowo]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 11, No 1 (2022) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v11i1.63552
<![CDATA[Indonesia mengkonfirmasi virus corona penyebab COVID-19 masuk pertama kali pada awal Maret 2020. Sejak itu seluruh sektor terdampak dari pandemi COVID-19 tak hanya kesehatan, sektor ekonomi juga menagalami dampak serius akibat pandemi ini. Pemerintah melakukan berbagai upaya penanggulangan salah satunya adalah dengan melakukan Pembatasann Aktivitas Berskala Besar (PSBB). Kebijakan PSBB berpengaruh pada aktivitas bisnis yang berimbas pada perekonomian sehingga berdampak pada situasi ketenagakerjaan di Indonesia. Dalam mengatasi masalah ketenagakerjaan pemerintah membuat kebijkan program Kartu Prakerja. Masalahnya muncul persepsi bahwa ditengah pandemi COVID-19 ini, logika Kartu Prakerja tidak tepat digunakan sebab tak ada jaminan bahwa pekerja yang telah dilatih mendapatkan pekerjaan baru, apalagi ditengah kondisi ekonomi yang sedang terpuruk. Akibatnya timbul pro dan kontra dari masyarakat terkait Kartu Prakerja yang sempat menjadi trending topic di Twitter. Hasil analisis sentimen program kartu prakerja kebanyakan bersifat negatif. Sentimen negatif disini menunjukkan kritik masyarakat mengenai kesulitan saat proses pendaftaran. Sentimen positif menunjukkan bahwa banyak yang mendapatkan manfaat dengan adanya program kartu prakerja. Hasil klasifikasi menggunakan metode naïve bayes classifier didapatkan nilai nilai G-mean sebesar 80,1% dan nilai AUC sebesar 81,2%. Sedangkana pada data testing nilai G-mean sebesar 69,2% dan nilai AUC sebesar 73,4%.]]>
