Articles
279 Documents
Search results for
, issue
"Vol 5, No 2 (2016)"
:
279 Documents
clear
<![CDATA[Pengaruh Indikator Kependudukan Terhadap Tingkat Pengangguran Terbuka di Indonesia dengan Pendekatan Regresi Panel ]]>
<![CDATA[Elika Tantri]]>;
<![CDATA[Vita Ratnasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (759.533 KB)
|
DOI: 10.12962/j23373520.v5i2.16557
<![CDATA[Kependudukan merupakan tantangan besar bagi pembangunan Indonesia. Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) menyebutkan bahwa jumlah penduduk yang besar akan berdampak pada berbagai aspek kehidupan, diantaranya masalah kebutuhan pangan, kemiskinan hingga lapangan kerja. Kondisi pengangguran di Indonesia semakin meningkat dari tahun ke tahun. Berdasarkan data Badan Pusat Statistik (BPS), Tingkat Pengangguran Terbuka (TPT) Agustus 2015 sebesar 6,18 persen meningkat dibanding sebelumnya (5,94 persen). TPT per Agustus 2015 mencapai 7,56 juta orang. Terlebih, jika melihat Indonesia yang dihadapkan dengan pemberlakuan kerja sama dalam Masyarakat Ekonomi ASEAN (MEA), Indonesia memasuki pasar bebas tenaga kerja dalam kondisi yang kurang ideal. Berdasarkan latar belakang tersebut, maka dilakukan penelitian terkait Pengaruh Indikator Kependudukan Terhadap Tingkat Pengangguran Terbuka di Indonesia dengan Pendekatan Regresi Panel, sebagai solusi dalam mengurangi angka pengangguran. Adanya efek individu pada model panel mengakibatkan pendekatan model yang sesuai adalah Fixed EffectModelyang menghasilkan nilai R2 sebesar 86 persen. Berdasarkan analisis, diperoleh tiga variabel yang signifikan terhadap Tingkat Pengangguran Terbuka antara lain Laju Pertumbuhan Penduduk, Angka Melek Huruf dan Angka Partisipasi Kasar SMA/Sederajat.]]>
<![CDATA[Pemodelan Terhadap Faktor-Faktor yang Memengaruhi GDP dan Inflasi di Indonesia dengan Pendekatan Persamaan Simultan ]]>
<![CDATA[Siti Annissa Rachmawati]]>;
<![CDATA[Agus Suharsono]]>;
<![CDATA[Imam Safawi Ahmad]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v5i2.16562
<![CDATA[Pembangunan ekonomi adalah suatu usaha untuk meningkatkan taraf hidup masyarakat yang sering kali diukur melalui tinggi rendahnya pendapatan penduduk tiap tahunnya atau pendapatan perkapita. dalam analisis makro pengukuran dalam perekonomian suatu negara adalah Gross Domestic Product (GDP) dan tingkat Inflasi. Termasuk Indonesia dimana perekonomiannya sangat tergantung pada moneter dan perekonomian yang selalu menghadapi permasalahan pertumbuhan ekonomi tersebut. Perubahan dalam indikator ini akan berdampak terhadap dinamika pertumbuhan ekonomi. Tujuan penelitian ini menganalisis model sumultan GDP dan Inflasi dengan menggunakan metode Three Stage Least Square (3SLS). Model GDP dan inflasi terdiri dari dua persamaan struktural. Untuk persamaan GDP dipengaruhi secara signifikan oleh Inflasi, Pengeluaran Pemerintah, dan Nilai tukar. Terdapat dua kajian dalam Tugas Akhir ini. Dalam persamaan simultan untuk inflasi secara signifikan dipengaruhi oleh GDP, Pengeluaran Pemerintah, Jumlah Uang Beredar dan tingkat suku bunga.]]>
<![CDATA[Analisis Pola Hubungan Persentase Penduduk Miskin dengan Faktor Lingkungan, Ekonomi, dan Sosial di Indonesia Menggunakan Regresi Spasial ]]>
<![CDATA[Vonesa Devi Laswinia]]>;
<![CDATA[Mutiah Salamah Chamid]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (687.854 KB)
|
DOI: 10.12962/j23373520.v5i2.16563
<![CDATA[Regresi spasial merupakan analisis untuk mengevaluasi hubungan antara variabel dependen dengan satu atau lebih variabel independen dengan memperhatikan keterkaitan efek lokasi. Regresi spasial dinilai dapat mewakili permasaahan yang ada yaitu perbedaan karakteristik wilayah berhubungan dengan persentase penduduk miskin di Indonesia. Hal ini dapat dikaitkan dengan teori pembangunan berkelanjutan dimana kemiskinan merupakan salah satu indikator di bidang sosial. Selain bidang sosial, pembangunan berkelanjutan juga mengacu pada dua pilar yang lain yaitu bidang ekonomi dan lingkungan. Metode regresi spasial yang digunakan meliputi Spatial Autoegressive Model, Spatial Error Model, dan Spatial Durbin Model. Hasil pemodelan dengan menggunakan Spatial Autoregressive Model menghasilkan model terbaik yaitu Model ini menghasilkan R2 sebesar 62,2% . Dimana IKLH (X1) merupakan faktor lingkungan, IPM (X2) dan kepadatan penduduk (X4) merupakan faktor sosial, dan laju pertumbuhan ekonomi (X3) dan tingkat pengangguran terbuka (X5) adalah faktor ekonomi. Regresi spasial merupakan analisis untuk mengevaluasi hubungan antara variabel dependen dengan satu atau lebih variabel independen dengan memperhatikan keterkaitan efek lokasi. Regresi spasial dinilai dapat mewakili permasaahan yang ada yaitu perbedaan karakteristik wilayah berhubungan dengan persentase penduduk miskin di Indonesia. Hal ini dapat dikaitkan dengan teori pembangunan berkelanjutan dimana kemiskinan merupakan salah satu indikator di bidang sosial. Selain bidang sosial, pembangunan berkelanjutan juga mengacu pada dua pilar yang lain yaitu bidang ekonomi dan lingkungan. Metode regresi spasial yang digunakan meliputi Spatial Autoegressive Model, Spatial Error Model, dan Spatial Durbin Model. Hasil pemodelan dengan menggunakan Spatial Autoregressive Model menghasilkan model terbaik yaitu Model ini menghasilkan R2 sebesar 62,2% . Dimana IKLH (X1) merupakan faktor lingkungan, IPM (X2) dan kepadatan penduduk (X4) merupakan faktor sosial, dan laju pertumbuhan ekonomi (X3) dan tingkat pengangguran terbuka (X5) adalah faktor ekonomi.]]>
<![CDATA[Pengendalian Kualitas Produksi Kaca Automotif LNFL 2 mm Laminated PT. Asahimas Flat Glass Tbk. Sidoarjo Menggunakan Metode Six Sigma ]]>
<![CDATA[Angga Dwi Yanuar Putra]]>;
<![CDATA[Lucia Aridinanti]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (618.476 KB)
|
DOI: 10.12962/j23373520.v5i2.16565
<![CDATA[PT. Asahimas Flat Glass Tbk, Sidoarjo merupakan perusahaan yang bergerak di bidang produksi kaca lembaran di Indonesia dengan produksi terbanyak adalah kaca automotif jenis LNFL 2 mm laminated. Masalah kualitas yang terjadi adalah semakin meningkatnya jenis cacat sekunder cullet yang mencapai 1400% dan jenis cacat scratch yang mencapai 100% pada bulan Juli 2015, serta jenis cacat chipping yang mencapai 1800% pada bulan Oktober 2015. Selain itu, terjadi penurunan level sigma variabel pada kaca jenis DN, yaitu dari sebesar 3,63 pada bulan Januari hingga April 2015 menjadi 2,98 pada bulan Mei hingga Oktober 2015. Untuk meningkatkan indeks kapabilitas, dilakukan perbaikan dan pada tugas akhir ini perbaikan tersebut dianalisis dengan metode six sigma dengan hasil perbaikan telah mampu menaikkan level sigma variabel kaca jenis DN dari 2,93σ menjadi 3,36σ dan untuk jenis E naik dari 3,61σ menjadi 4,00σ. Level sigma atribut kaca jenis DN mengalami kenaikan dari 3,54σ menjadi 3,55σ. dan untuk jenis E naik dari 3,45σ menjadi 3,48σ. Berdasarkan hasil tersebut dapat disimpulkan bahwa perbaikan telah mampu meningkatkan indeks kapabilitas dan level sigma sehingga mampu mengurangi jumlah produk yang berada di luar batas spesifikasi atribut dan variabel. ]]>
<![CDATA[Pemetaan Jumlah Balita Gizi Buruk di Kota Surabaya dengan GWNBR dan Flexibly Shaped Spatial Scan Statistic ]]>
<![CDATA[Zuzun Miranti]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (973.063 KB)
|
DOI: 10.12962/j23373520.v5i2.16567
<![CDATA[Gizi buruk merupakan salah satu permasalahan kesehatan di Indonesia yang banyak dialami oleh balita (anak di bawah usia lima tahun). Gizi buruk akan menjadikan masyarakat tidak sehat dan tidak cerdas. Anak kurang gizi akan menurunkan produktivitas pada usia dewasa sehingga menyebabkan rendahnya pendapatan. Pada tahun 2014 diketahui bahwa kota Surabaya memiliki kasus gizi buruk sebanyak 366 kasus yang menempati peringkat kelima di Jawa Timur. Dalam penelitian ini dilakukan identifikasi variabel yang signifikan di tiap kecamatan terhadap kasus balita gizi buruk di kota Surabaya dengan Geographically Weighted Negative Binomial Regression (GWNBR). Selain itu, Flexibly Shaped Spatial Scan Statistic digunakan untuk memetakan kecamatan di Kota Surabaya yang terdeteksi sebagai wilayah kantong balita gizi buruk agar dapat diketahui kecamatan mana yang menjadi prioritas dalam penanganan kasus balita gizi buruk. Pemetaan kecamatan berdasarkan variabel signifikan dengan fungsi pembobot kernel Adaptive Bisquare diperoleh dua kelompok. Hasil Flexibly Shaped Spatial Scan Statistic menunjukkan bahwa terdapat dua kantong balita gizi buruk. Daerah paling rawan yaitu kecamatan Pakal yang memiliki nilai resiko relatif sebesar 3,01362. Daerah dengan resiko terbesar kedua terdapat sembilan kecamatan dengan resiko relatif sebesar 1,63915.]]>
<![CDATA[Pemodelan Faktor- Faktor yang Memengaruhi Kematian Ibu di Kota Surabaya Berdasarkan Antenatal Care Menggunakan Regresi Binomial Negatif ]]>
<![CDATA[Novarani Putri Saraswati]]>;
<![CDATA[Dwiatmono Agus Widodo]]>;
<![CDATA[Kartika Fithriasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (740.481 KB)
|
DOI: 10.12962/j23373520.v5i2.16577
<![CDATA[Data dari Dinas Kesehatan Provinsi Jawa Timur tahun 2014 menunjukkan bahwa Kota Surabaya merupakan daerah dengan kasus kematian ibu tertinggi di Jawa Timur tahun 2014 yaitu sebanyak 39 kasus. Data penelitian ini merupakan data count yang diperoleh dari Dinas Kesehatan Kota Surabaya. Pola persebaran data jumlah kasus kematian ibu di Kota Surabaya mengikuti distribusi Poisson dengan mean sebesar 1,258. Pemodelan pada data count yang berdistribusi Poisson sering menggunakan metode regresi Poisson dengan asumsi equidispersion yakni kesamaan mean dan variansi. Akan tetapi dalam penelitian ini dilakukan pemodelan menggunakan regresi Binomial Negatif untuk menganalisis faktor- faktor yang memengaruhi kematian ibu karena terjadi kasus overdispersion yakni nilai varians lebih besar daripada mean. Hasil penelitian diperoleh bahwa terdapat dua variabel yang signifikan yaitu presentase cakupan TT5 dan penanganan komplikasi obstetri. Selanjutnya pemodelan dari kedua variabel yang signifikan tersebut diperoleh nilai AIC sebesar 96,488. Tambaksari merupakan kecamatan yang memiliki jumlah kasus kematian ibu tertinggi di Kota Surabaya tahun 2014.]]>
<![CDATA[Peramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive ]]>
<![CDATA[Rahmah Safitri]]>;
<![CDATA[Setiawan Setiawan]]>;
<![CDATA[Imam Safawi Ahmad]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (845.57 KB)
|
DOI: 10.12962/j23373520.v5i2.16578
<![CDATA[Tahun 2015 khususnya saat Hari Raya Lebaran jumlah uang beredar mencapai 17,1 Triliun rupiah. Peredaran uang di Jawa Timur didominasi oleh uang pecahan. Uang pecahan yang beredar di masyarakat merupakan outflow dari Bank. Pada waktu tertentu seperti bulan terjadinya Hari Raya Idul Fitri, outflow uang pecahan mempunyai jumlah yang tinggi dibandingkan bulan biasanya. Untuk memenuhi kebutuhan masyarakat akan ketersediaan uang pecahan rupiah layak edar Bank Indonesia melakukan kebijakan dengan melakukan peramalan. Metode peramalan yang dapat digunakan untuk meramalkan outflow uang pecahan adalah GSTAR yang memperhatikan keterkaitan antar lokasi pada waktu tertentu. Dilakukan peramalan terhadap outflow uang pecahan 100 ribu dan 2 ribu menggunakan Time Series Regression dan GSTAR-SUR. Lokasi pengamatan di KPw BI Surabaya, Kediri, Malang, dan Jember. Model Time Series Regression dengan efek variasi kalender lebih baik meramalkan outflow uang pecahan 100 ribu dan 2 ribu, model GSTAR belum dapat menangkap pola data sebenarnya.]]>
<![CDATA[Analisis Indikator Tingkat Kemiskinan di Jawa Timur Menggunakan Regresi Panel ]]>
<![CDATA[Almira Qattrunnada Qurratu'ain]]>;
<![CDATA[Vita Ratnasari]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (904.816 KB)
|
DOI: 10.12962/j23373520.v5i2.16582
<![CDATA[Laju pertumbuhan penduduk mengakibatkan dampak buruk bagi kehidupan sosial-ekonomi masyarakat, salah satunya adalah kemiskinan. Jawa Timur merupakan provinsi dengan jumlah penduduk miskin terbanyak kedua setelah Jawa Barat. Berdasarkan hal tersebut, penelitian mengenai variabel yang berpengaruh terhadap kemiskinan di Jawa Timur penting dilakukan sebagai bahan referensi pemerintah dalam upaya menekan angka kemiskinan. Meningkatnya angka kemiskinan dari tahun ke tahun mengindikasikan bahwa waktu berpengaruh terhadap kemiskinan sehingga waktu (tahun) dimasukkan ke dalam analisis. Oleh karena itu, analisis indikator yang berpengaruh terhadap tingkat kemiskinan di Jawa Timur dilakukan menggunakan analisis regresi panel. Berdasarkan analisis yang dilakukan diperoleh hasil bahwa untuk mengestimasi model digunakan fixed effect model (FEM) dengan efek individu dan waktu. Pemodelan tingkat kemiskinan dengan FEM individu an waktu menghasilkan nilai R2 sebesar 96,08 persen dengan variabel yang signifikan adalah Angka Partisipasi Sekolah SMA (X2) dan Persentase Penduduk dengan Akses Air Bersih (X6). Dari pengelompokkan berdasarkan variabel yang signifikan didapatkan hasil bahwa pada tahun 2005 hingga 2008, kabupaten/kota di Jawa Timur dominan berada pada kelompok dengan persentase penduduk miskin tinggi. Namun sejak tahun 2009, sebagian besar kabupaten/kota berpindah cluster menjadi kelompok dengan persentase penduduk miskin rendah.]]>
<![CDATA[Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tuberkulosis di Jawa Timur Menggunakan Regresi Nonparametrik Spline ]]>
<![CDATA[Firda Fahrun Nisa']]>;
<![CDATA[I Nyoman Budiantara]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (802.167 KB)
|
DOI: 10.12962/j23373520.v5i2.16583
<![CDATA[Tuberkulosis adalah penyakit menular langsung yang disebabkan oleh kuman TB (Mycrobacterium tuberculosis). Sebagian besar kuman TB menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya. 7,5% angka kematian di Indonesia disebabkan oleh penyakit TB. Provinsi Jawa Timur memiliki kasus TB terbanyak kedua setelah provinsi Jawa Barat. Data Dinas Kesehatan Provinsi Jawa Timur tahun 2014 menunjukkan kasus TB mencapai 42.458 kasus. Tindakan prefentif yang dilakukan oleh pemerintah dengan mengendalikan faktor-faktor yang mempengaruhi penyakit TB. Pada penelitian ini, metode regresi nonparametrik spline digunakan untuk memodelkan jumlah kasus TB di Jawa Timur. Metode regresi nonparametrik Spline digunakan karena pola data antara jumlah kasus TB di Jawa Timur tidak menunjukkan kecenderungan pola tertentu dengan faktor-faktor yang diduga mempengaruhinya, yaitu persentase keluarga dengan kepemilikan sarana sanitasi dasar sehat, persentase penduduk miskin, persentase gizi buruk, persentase tenaga kesehatan terlatih dan jumlah rumah tangga ber-PHBS. Berdasarkan hasil pemodelan didapatkan model spline terbaik yaitu spline dengan kombinasi knot (1,3,2,3,2). Nilai koefisien determinasi yang didapatkan adalah 83,42% dengan tiga variabel prediktor dalam model berpengaruh signifikan, yaitu persentase gizi buruk masyarakat, persentase tenaga kesehatan terlatih TB, dan persentase rumah tangga ber-PHBS.]]>
<![CDATA[Pemodelan dan Pemetaan Kasus Demam Berdarah Dengue di Provinsi Jawa Timur Tahun 2014 dengan Generalized Poisson Regression, Regresi Binomial Negatif dan Flexibly Shaped Spatial Scan Statistic ]]>
<![CDATA[Nendy Septi Arniva]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 5, No 2 (2016) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (755.062 KB)
|
DOI: 10.12962/j23373520.v5i2.16585
<![CDATA[Salah satu penyakit menular yang menjadi masalah utama kesehatan masyarakat di Indonesia adalah penyakit Demam Berdarah Dengue (DBD). DBD ditularkan oleh vektor nyamuk Aides Aegypti melalui gigitan. Tempat yang paling banyak nyamuk ini berada yaitu di lingkungan yang buruk, lembab. Salah satu Provinsi yang Kasus DBD masih tinggi yaitu Provinsi Jawa Timur. Jumlah kasus DBD di Jawa Timur hingga akhir Januari 2015 sebanyak 1.817 kasus. Dalam penelitian ini dilakukan pemodelan jumlah kasus DBD dengan metode Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif untuk menangani kasus overdispersi. Pendeteksian wilayah yang menjadi kantong DBD menggunakan metode Flexibly Shaped Spatial Scan Statistic. Pemodelan menggunakan GPR dan regresi binomial negatif didapatkan variabel berpengaruh terhadap kasus DBD di Jawa Timur Tahun 2014 adalah persentase rumah sehat (X3) dan rasio sarana kesehatan per 1000 penduduk (X4). Hasil pendeteksian kantong DBD berdasarkan model GPR dan BNR didapat sepuluh kantong DBD. Kantong dengan nilai resiko tertinggi terdapat pada Kota Surabaya dengan nilai resiko sebesar 3,32 dengan pemodelan GPR, dan 2,84 dengan pemodelan regresi binomial negatif.]]>
