cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hendra Dukalang
Contact Email
codeversejournal@gmail.com
Phone
+6282187735443
Journal Mail Official
codeversejournal@gmail.com
Editorial Address
Embun Permai 3 Blok C. No. 25, Tuldenggi, Telaga Biru, Kabupaten Gorontalo 96181, Gorontalo, Indonesia
Location
Kab. gorontalo,
Gorontalo
INDONESIA
Codeverse: Journal of Emerging Digital Realities
Published by Arcstics Publishing
ISSN : -     EISSN : 31233481     DOI : -
Core Subject :
Codeverse: Journal of Emerging Digital Realities is a peer-reviewed journal dedicated to the exchange of high-quality research results in all aspects of statistics, data science, computer science, and information technology. This journal publishes cutting-edge articles in basic theory, experiments, and simulations, as well as applications, with systematically proposed methods, adequate reviews of previous works, in-depth discussions, and concise conclusions. Matrik follows an open access policy that allows published articles to be accessed online for free without a subscription. Manuscripts can be submitted at any time, with notification within 1-2 weeks. Please email codeversejournal@gmail.com for a faster response. Click here for Online Submission. Codeverse: Journal of Emerging Digital Reality is published twice a year, in June and December
Arjuna Subject : -
Articles 15 Documents
 1   2 
Analisis Autokorelasi dan Pemodelan Spasial Tingkat Kemiskinan di Indonesia Aulia Zahra Panjaitan; Hilda Umayyah Anak ampun; M. Ridho Sahputra; Nursani Salsabillah Akza; Tia Ramadani; Zulkhairi
Codeverse: Journal of Emerging Digital Realities Vol. 2 No. 1 (2026): CODEVERSE: Journal of Emerging Digital Realities
Publisher : Codeverse: Journal of Emerging Digital Realities

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

Abstract

Penelitian ini bertujuan untuk menganalisis pola spasial dan keterkaitantingkat kemiskinan pada kabupaten/kota di Indonesia menggunakanpendekatan statistika spasial. Data yang digunakan mencakup 420 wilayah hasil penggabungan data sosial ekonomi dan data spasial. Metode analisis yang digunakan meliputi uji autokorelasi spasial global dengan Moran’s I, analisis autokorelasi spasial lokal menggunakan LISA, serta pemodelan regresi dengan pendekatan Ordinary Least Squares (OLS) dan Spatial Filtering. Hasil penelitian menunjukkan adanya autokorelasi spasial positif yang signifikan pada tingkat kemiskinan, yang mengindikasikan pola mengelompok (clustered). Analisis LISA mengidentifikasi adanya klaster kemiskinan tinggi di wilayah Indonesia bagian timur, khususnya Papua, serta klaster kemiskinan rendah di wilayah Jawa, Sumatera, dan Kalimantan. Model OLS menunjukkan bahwa variabel angka harapan hidup, rata-rata lama sekolah, dan pengeluaran per kapita berpengaruh signifikan terhadap tingkatkemiskinan. Namun, model Spatial Filtering memberikan hasil yang lebih baik dengan peningkatan nilai koefisien determinasi, sehingga mampu menjelaskan variasi kemiskinan secara lebih komprehensif dengan mempertimbangkan efek spasial.
ANALISIS GEOSTATISTIK SEBARAN SPASIAL KEMISKINAN DI PROVINSI SUMATERA UTARA BERBASIS PEMODELAN VARIOGRAM Emily Theresia Silaen; Dwi Heri Efrilia; Ella Debora Sri Karina br Tarigan; Feby Florensia Stepahni Sihotang; Nia Rizkita Tambunan; Peggy Mahara Dingga
Codeverse: Journal of Emerging Digital Realities Vol. 1 No. 2 (2025): CODEVERSE: Journal of Emerging Digital Realities
Publisher : Codeverse: Journal of Emerging Digital Realities

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

Abstract

Kemiskinan merupakan salah satu permasalahan sosial yang memiliki pola penyebaran yang berbeda secara spasial antar wilayah. Penelitian ini bertujuan untuk menganalisis pola sebaran spasial kemiskinan di Provinsi Sumatera Utara menggunakan pendekatan geostatistik berbasis pemodelan variogram. Data yang digunakan berupa persentase kemiskinan pada tingkat kabupaten/kota di Sumatera Utara. Analisis diawali dengan eksplorasi data yang menunjukkan bahwa persentase kemiskinan memiliki nilai minimum sebesar 3,11%, maksimum 22,47%, dan rata-rata sebesar 9,08%, yang mengindikasikan adanya variasi yang cukup tinggi antar wilayah. Selanjutnya dilakukan analisis variogram empiris untuk mengidentifikasi struktur ketergantungan spasial. Hasil variogram empiris kemudian dimodelkan menggunakan beberapa model teoritis, yaitu model Spherical, Exponential, dan Gaussian. Berdasarkan hasil pemodelan, model Exponential dan Gaussian menunjukkan parameter nugget, sill, dan range yang lebih representatif dalam menggambarkan struktur spasial data dibandingkan model Spherical. Hal ini mengindikasikan adanya autokorelasi spasial dalam penyebaran kemiskinan di Sumatera Utara. Hasil penelitian ini menunjukkan bahwa pendekatan geostatistik melalui variogram mampu mengidentifikasi pola ketergantungan spasial kemiskinan, sehingga dapat menjadi dasar dalam perumusan kebijakan yang lebih tepat sasaran berbasis wilayah.
Analisis Sebaran dan Faktor Risiko Kasus TBC Menggunakan Geographically Weighted Regression Analisis Sebaran dan Faktor Risiko Kasus TBC Menggunakan Geographically Weighted Regression di Provinsi Jawa Barat amalia_234
Codeverse: Journal of Emerging Digital Realities Vol. 1 No. 2 (2025): CODEVERSE: Journal of Emerging Digital Realities
Publisher : Codeverse: Journal of Emerging Digital Realities

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

Abstract

Tingginya kasus tuberkulosis (TBC) di Provinsi Jawa Barat serta adanya perbedaan karakteristik antar wilayah mendorong perlunya analisis berbasis spasial. Penelitian ini bertujuan untuk menganalisis sebaran kasus TBC dan mengidentifikasi faktor risiko yang mempengaruhinya menggunakan pendekatan Geographically Weighted Regression (GWR). Penelitian ini menggunakan pendekatan kuantitatif dengan data sekunder dari BPS tahun 2025 pada 27 kabupaten/kota. Variabel yang digunakan meliputi jumlah kasus TBC, persentase akses air minum layak, dan persentase penduduk miskin. Analisis dilakukan melalui regresi linier berganda (OLS), uji pengaruh spasial, serta pemodelan GWR. Hasil menunjukkan bahwa model OLS memiliki nilai R² sebesar 0,9382 dan secara parsial hanya variabel persentase penduduk miskin yang berpengaruh signifikan. Model GWR memberikan hasil yang lebih baik dengan nilai R² sebesar 0,9981 dan mampu menangkap variasi pengaruh antar wilayah secara lokal. Oleh karena itu, Model GWR lebih efektif dibandingkan OLS dalam menjelaskan pola spasial kasus TBC. Temuan ini menunjukkan bahwa faktor risiko memiliki pengaruh yang berbeda di setiap wilayah, sehingga pendekatan berbasis spasial penting dalam perumusan kebijakan kesehatan yang lebih tepat sasaran.    
Pemodelan Curah Hujan dan Identifikasi Klaster Spasial Banjir Menggunakan Metode Kriging Kesya Surbakti
Codeverse: Journal of Emerging Digital Realities Vol. 2 No. 1 (2026): CODEVERSE: Journal of Emerging Digital Realities
Publisher : Codeverse: Journal of Emerging Digital Realities

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

Abstract

Penelitian ini bertujuan untuk memodelkan curah hujan serta mengidentifikasi klaster spasial risiko banjir di wilayah Sumatera Utara menggunakan pendekatan geostatistik. Data yang digunakan meliputi koordinat geografis, curah hujan tahunan, dan indeks risiko banjir. Analisis diawali dengan pengujian autokorelasi spasial menggunakan Moran’s I yang menunjukkan adanya pola pengelompokan secara signifikan. Selanjutnya, analisis Local Indicators of Spatial Association (LISA) digunakan untuk mengidentifikasi klaster lokal berupa hotspot dan coldspot. Struktur spasial data dianalisis melalui variogram yang menunjukkan adanya ketergantungan spasial, sehingga memungkinkan penerapan metode kriging untuk interpolasi. Hasil kriging menghasilkan peta kontinu distribusi risiko banjir yang konsisten dengan pola klaster yang teridentifikasi. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan spasial dan geostatistik efektif dalam memahami pola serta memprediksi distribusi risiko banjir, sehingga dapat mendukung perencanaan mitigasi bencana yang lebih tepat sasaran.
Comparison of Apple Inc Stock Forecasting Accuracy Using Hybrid TSR Linear-ARIMA Model and ARIMA Model Aulia Padhila Ersu; Muhammad Rijal Alfian; Nur Asmita Purnamasari
Codeverse: Journal of Emerging Digital Realities Vol. 1 No. 2 (2025): CODEVERSE: Journal of Emerging Digital Realities
Publisher : Codeverse: Journal of Emerging Digital Realities

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

Abstract

This study aims to compare the accuracy of Apple Inc. stock price forcasting using two time series models, namely the hybrid TSR Linear-ARIMA model and the ARIMA model. The background of this research is the need for more accurate forcasting methods in a dynamic stock market, especially for technology stocks such as Apple which have high volatility. The research methodology uses the quantitative approach with daily Apple stock price time series data for the period 2023. The hybrid TSR Linear-ARIMA model incorporates trend and residual components, while the ARIMA model uses the Box-Jenkins approach. Both models were implemented using statistical software R Studio and Minitab. The results that the ARIMA model provided better forcasting accuracy compared to the hybrid TSR Linear-ARIMA model. Comparative analysis using the MAPE shows the ARIMA model has a lowwer error rate. Specifically, the ARIMA model produces a MAPE of 2.909%, while the hybrid TSR Linear-ARIMA model produces a MAPE of 3.780%. in conclusion, the ARIMA model proved to be more effective in forecasting the stock price of Apple Inc. compared to the hybrid TSR Linear-ARIMA model. This research contributes to the development of forecasting techniques in finance and investment, especially for technology stock.

Page 2 of 2 | Total Record : 15

 1   2 

Filter by Year

2025 2026


Reset
Filter By Issues
All Issue Vol. 2 No. 1 (2026): CODEVERSE: Journal of Emerging Digital Realities Vol. 1 No. 2 (2025): CODEVERSE: Journal of Emerging Digital Realities Vol. 1 No. 1 (2025): CODEVERSE: Journal of Emerging Digital Realities