cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Tiani Wahyu Utami
Contact Email
jurnalstatistik@unimus.ac.id
Phone
+6285235004282
Journal Mail Official
jurnalstatistik@unimus.ac.id
Editorial Address
Sekretariat Jurnal Statistika Universitas Muhammadiyah Semarang Program Studi Statistika FMIPA Universitas Muhammadiyah Semarang
Location
Kota semarang,
Jawa tengah
INDONESIA
Jurnal Statistika Universitas Muhammadiyah Semarang
Published by Universitas Muhammadiyah Semarang
ISSN : 23383216     EISSN : 25281070     DOI : -
Core Subject : Science,
Decision Sciences, Operations Research & Management
Focus and Scope a. Statistika Teori, Statistika Komputasi, Statistika terapan b. Matematika Teori dan Aplikasi c. Design of Experiment
Arjuna Subject : Matematika - Pemodelan dan Simulasi
Articles 9 Documents
 1 
Search results for , issue "Vol 2, No 2 (2014): Jurnal Statistika" : 9 Documents clear
PEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH Diana Wahyu Safitri; Moh Yamin Darsyah; Tiani Wahyu Utami
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (863.2 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Indek Pembangunan Manusia (IPM) merupakan salah satu alat ukur kinerja pembangunan khususnya pembangunan manusia yang dilakukan di suatu wilayah pada waktu tertentu atau secara spesifik. Penelitian ini mengkaji IPM dan komponen-komponen penyusun IPM, data yang digunakan adalah data nilai komponen-komponen IPM untuk 35 kabupaten/kota di Provinsi Jawa Tengah. Variabel yang digunakan dalam penelitian ini adalah nilai IPM (Y) sebagai variabel dependen, AHH (X1), AMH (X2) dan  PPP (X3) sebagai variabel independen. Penelitian mengkaji efek dependensi spasial dengan mengunakan pendekatan area. Selanjutnya diberikan aplikasi SEM untuk mengidentifikasi seberapa besar pengaruh komponen-komponen penyusun IPM dapat mempengaruhi tingkat IPM di Jawa Tengah. Hasil penelitian menunjukkan bahwa persebaran IPM di Provinsi Jawa Tengah terdapat pola pengelompokan wilayah. Hasil pemodelan menggunakan SEM menunjukkan lambda dan semua variabel yang signifikan. Model SEM menghasilkan AIC sebesar 43,8540 yang lebih baik dibandingkan regresi metode OLS dengan AIC sebesar 45,6231.
KRITERIA SISTEM PEMBELAJARAN MENURUT MAHASISWA AKADEMI STATISTIKA (AIS) MUHAMMADIYAH SEMARANG Safa’at Yulianto; Atik Khoiriyah
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (275.019 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Pendidikan merupakan kebutuhan mendasar yang dibutuhkan manusia dan menjadi sarana untuk mengembangkan pemikiran dan wawasan. Di dalam proses pembelajaran yang dialami mahasiswa berkaitan erat dengan sistem pembelajaran yang diterapkan oleh dosen, sehingga mahasiswa dapat mencapai hasil pembelajaran yang maksimal. Kualitas mahasiswa salah satunya bergantung pada sistem pembelajaran oleh dosen. Beberapa komponen dari sistem pembelajaran yang mempengaruhi kualitas mahasiswa adalah metode pembelajaran, tugas terstruktur dan metode evaluasi yang diterapkan oleh dosen. Metode penelitian yang digunakan untuk mengetahui kriteria berdasarkan preferensi atau pendapat mahasiswa dalam penelitian ini adalah analisis konjoin. Berdasarkan hasil penelitian, pertimbangan mahasiswa didalam menentukan kriteria sistem pembelajaran lebih menganggap penting metode evaluasi dengan pemberian tugas (40,17%), pertimbangan kedua adalah jenis tugas terstruktur berupa latihan soal (30,757%) dan pertimbangan terakhir yaitu metode pembelajaran yang diterapkan oleh dosen dengan cara diskusi (20,072%).
PEMODELAN ARIMA UNTUK PRAKIRAAN KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB TAHUN 2020 DI SEMARANG Dwi Haryo Ismunarti; Alfi Satriadi; Azis Rifai
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika
Publisher : Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Muham

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (949.733 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Muka air laut dalam istilah pasang surut disebut  mean sea level (MSL) yaitu rata-rata jumlah seluruh ketinggian pasang yang diamati.  Pemodelan untuk membuat prakiraan kenaikan muka air laut di Semarang telah banyak dilakukan dengan pendekatan yang hanya mempertimbangkan pola trend yaitu jika terjadi kenaikan secara sekuler dalam jangka panjang dari data. ARIMA (autoregressive/integrated/moving average) adalah metode peramalan meliputi dua hal yaitu analisis pola deret data dan seleksi model yang paling cocok dengan data. Terdapat 4 pola data deret berkala yaitu : pola horisontal bila data berfluktuasi disekitar rata-rata, pola musiman bila  deret data dipengaruhi faktor musiman, pola dari deret berkala akan diulang-ulang dalam selang waktu yang tetap,  pola siklis jika deret data dipengaruhi oleh fluktuasi jangka panjang dan pola trend jika terjadi kenaikan atau penurunan secara sekuler dalam jangka panjang. Model ARIMA diturunkan berdasarkan SML sementara harian. Data diperoleh dari BMKG Semarang. Hasil menunjukkan tipe pasang surut di perairan Semarang  diklasifikasikan ke dalam tipe pasang surut campuran condong ke harian ganda dengan nilai Formzahl 1,12.  Elevasi muka air laut rata – rata (MSL) 59,9261 cm, muka air tinggi tertinggi (HHWL) 117,38 cm dan muka air rendah terendah (LLWL) 24,71 cm. Model terbaik ARIMA (0,1,1) yaitu .  Hasil penghitungan deret waktu MSL sejati tahunan menunjukkan laju kenaikan MSL sejati tahunan di Kota Semarang sebesar 1,42 cm per tahun.
PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni; Farikhin -; Iswahyudi Joko Suprayitno
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (432.31 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Peramalan Indeks Harga Saham Gabungan (IHSG) dapat digunakan untuk mengurangi resiko dari suatu pengambilan kebijakan ekonomi Indonesia. Kuala Lumpur Stock Exchange (KLSE) sebagai variabel yang mempengaruhi IHSG dengan korelasi 93,4%. Kedekatan antara IHSG dan KLSE karena negara yang berdekatan biasanya memiliki investor yang sama. Penggunaan metode fungsi transfer single input dengan data Februari 2005 sampai November 2010 menghasilkan model [1,3,5]1[1,3] dan b,r,s (0,0,0) serta menghasilkan ramalan 66 bulan kemudian. Ramalan yang dihasilkan dapat dijadikan acuan sampai Mei 2016 dengan Mean Absolute Prosentation Error (MAPE) selama 12 bulan sebesar 3,25.
STUDI SIMULASI BIAS ESTIMATOR GPH PADA DATA SKIP SAMPLING Gede Suwardika; Heri Kuswanto; Irhamah -
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (439.518 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Proses long memory telah diamati dalam banyak hal, seperti hidrologi, telekomunikasi, ekonomi dan keuangan. Long Memory adalah salah satu fenomena dalam time series, dimana dependensi antara kejadian masih ada dan dapat diamati untuk waktu yang lama, yang dicirikan oleh nilai difference yang tidak bulat (fractional). Parameter differencing ini biasanya diestimasi menggunakan GPH estimator. Dengan estimator ini, seringkali menghasilkan kesimpulan yang spurious untuk model-model nonlinier seperti Markov switching, STOP-BREAK, ESTAR, level shift dan lainnya. Dalam penelitian disimulasikan performansi dari GPH dan GPH terkoreksi pada proses long memory dan markov switching. Data yang diestimasi merupakan data skip sampling dari kedu aproses di atas. Hasil simulasi menujukkan bahwa GPH terkoreksi mampu mengurangi bias parameter long memory. Selain itu, diamati pula bahwa terdapat perbedaan yang signifikan pola yang dihasilkan oleh estimasi pada data long memory dan data yang mengikuti proses Markov switching. Fakta ini dapat digunakan untuk membedakan antara true dan spurious long memory.
SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Ujang Maulana; Moh Yamin Darsyah; Tiani Wahyu Utami
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (77.109 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Pendugaan area kecil dengan teknik pendugaan tak langsung memerlukan asumsi adanya hubungan linier antara rataan area kecil dengan variabel penyerta. Jika tidak ada hubungan linier antara rataan area kecil dan variabel penyerta maka tidak tepat ‘meminjam kekuatan’ dari area lain dengan menggunakan model linier dalam pendugaan tak langsung. Untuk mengatasi hal tersebut dikembangkan pendekatan nonparametrik. Salah satu pendekatan nonparametrik yang digunakan adalah pendekatan Kernel-Bootsrap. Pendugaan tak langsung dengan pendekatan SAE Kernel-Bootsrap digunakan untuk menduga angka jumlah penduduk miskin pada level kecamatan di Kota Semarang. Variabel yang digunakan dalam penelitian ini terdiri atas dua bagian , yakni Jumlah Penduduk Miskin (Y) sebagai variabel dependen, serta sebagai variabel penyerta: Penduduk Usia 65 Tahun keatas (X). Evaluasi hasil pendugaan dilakukan dengan melihat nilai MSE (Mean Square Error) penduga SAE Kernel-Bootsrap. Hasil pendugaan SAE Kernel-Bootstrap terbaik menggunakan replikasi B= 100.
MIXED GEOGRAPHICALLY WEIGHTED MULTIVARIATE LINEAR MODEL Memi Nor Hayati; Purhadi -
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (154.517 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Model linier multivariat adalah model linier dengan variabel respon lebih dari satu. Geographically Weighted Multivariate Linier Model (GWMLM) merupakan pengembangan dari model linier multivariat, dimana variabel respon lebih dari dari satu dan informasi lokasi diketahui. Pada model linier multivariat hanya dihasilkan penaksir parameter yang berlaku secara global, sedangkan dalam GWMLM dihasilkan penaksir parameter model yang bersifat lokal untuk setiap titik pengamatan atau lokasi dimana data tersebut diperoleh. Akan tetapi, pada kenyataannya tidak semua variabel prediktor dalam GWMLM mempunyai pengaruh secara lokal. Beberapa variabel prediktor berpengaruh secara global, sedangkan yang lainnya dapat mempertahankan pengaruhnya secara lokal. Oleh karena itu dikembangkan suatu metode Mixed Geographically Weighted Multivariate Linier Model (MGWMLM) yang merupakan gabungan dari model linier multivariat dan GWMLM. Hasil penelitian menunjukkan bahwa penaksiran parameter MGWMLM dapat dilakukan dengan metode Weighted Least Square (WLS). Pemilihan bandwidth optimum digunakan metode Cross Validation (CV). Pengujian kesesuaian model regresi multivariat dan MGWMLM didekati dengan distribusi F begitu juga pada pengujian parameter MGWMLM secara serentak, sedangkan pengujian parameter MGWMLM secara parsial baik untuk parameter global dan parameter lokal menggunakan distribusi t.
GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) UNTUK PEMODELAN JUMLAH PENDERITA KUSTA DI JAWA TENGAH Devy Noviani; Rochdi Wasono; Indah Manfaati Nur
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (507.562 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Regresi poisson adalah metode statistika yang digunakan untuk menganalisa hubungan antara variabel prediktor dan variabel respon dimana variabel respon berbentuk data cacahan atau counted data dan berdistribusi poisson. Data jumlah penderita kusta adalah salah satu contoh data yang asumsinya memenuhi distribusi poisson karena merupakan peristiwa yang jarang terjadi. Dalam penelitian ini peneliti ingin memodelkan jumlah penderita kusta di Provinsi Jawa Tengah dengan menggunakan pendekatan Geographically Weighted Poisson Regression atau GWPR. Penambahan pengaruh aspek spasial diharapkan mampu menghasilkan model terbaik dengan bias kecil dan menghasilkan model yang berbeda-beda ditiap wilayah. Pada pemodelan Pembobotan fungsi kernel yang digunakan untuk penaksiran parameter yaitu pembobotan kernel klasik kernel dan bisquare kernel, dari kedua pembobotan itu akan dipilih yang terbaik yaitu yang memiliki nilai AIC paling kecil. Pemodelan jumlah penderita kusta menggunakan GWPR dengan pembobot kernel gaussian adalah model yang terbaik diantara model regresi poisson dan GWPR dengan pembobot kernel bisquare karena memiliki nilai AIC terkecil. Dari hasil pemodelan menggunakan pembobot kernel gaussian diperoleh 22 kelompok wilayah berdasarkan variabel yag signifikan. Dari 35 kabupaten dan kota ternyata persentase rumah tangga ber-PHBS dan rata-rata lama sekolah penduduk menjadi faktor yang banyak berpengaruh untuk jumlah penderita kusta di Jawa Tengah.
KLASIFIKASI TUBERKULOSIS DENGAN PENDEKATAN METODE SUPPORTS VECTOR MACHINE (SVM) Moh. Yamin Darsyah
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika
Publisher : Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Muham

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (225.323 KB) | DOI: 10.26714/jsunimus.2.2.2014.%p

Abstract

Tuberkulosis (TBC atau TB) adalah suatu penyakit infeksi yang disebabkan oleh basil tahan asam disingkat BTA dengan nama lengkap bakteri Mycobacterium Tubercolosis. TBC menjadi salah satu penyebab kematian terbesar di Indonesia sehingga perlu penanganan  khusus dalam pencegahan TBC. Data Kesehatan di Kota Semarang menunjukkan TBC menjadi salah satu kontributor terbesar dalam kejadian luar biasa di Provinsi Jawa Tengah. Beberapa faktor yang mempengaruhi penyakit TBC antara lain faktor lingkungan, jenis pekerjaan, status sosial, kebiasaan merokok dan minuman keras. Dalam menganalisis klasifikasi kasus pasien TBC terinfeksi atau tidak terinfeksi maka digunakan pendekatan Supports Vector Machine (SVM) dan Regresi logistik. Hasil menunjukkan SVM mampu mengukur ketepatan klasifikasi  dengan akurasi lebih tinggi. Hasil akurasi yang diperoleh SVM dengan  fungsi kernel RBF sebesar 98%.

Page 1 of 1 | Total Record : 9

 1 

Filter by Year

2014 2014


Reset
Filter By Issues
All Issue Vol 13, No 1 (2025): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 12, No 2 (2024): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 12, No 1 (2024): Jurnal Statistika Universitass Muhammadiyah Semarang Vol 11, No 2 (2023): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 11, No 1 (2023): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 10, No 2 (2022): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 10, No 1 (2022): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 9, No 2 (2021): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 9, No 2 (2021): Jurnal Statistika Vol 9, No 1 (2021): Jurnal Statistika Vol 9, No 1 (2021): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 8, No 2 (2020): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 8, No 2 (2020): Jurnal Statistika Vol 8, No 1 (2020): Jurnal Statistika Vol 8, No 1 (2020): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 7, No 2 (2019): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 7, No 2 (2019): Jurnal Statistika Vol 7, No 1 (2019): Jurnal Statistika Vol 7, No 1 (2019): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 6, No 2 (2018): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 6, No 2 (2018): Jurnal Statistika Vol 6, No 1 (2018): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 6, No 1 (2018): Jurnal Statistika Vol 5, No 2 (2017): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 5, No 2 (2017): Jurnal Statistika Vol 5, No 1 (2017): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 4, No 2 (2016): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 4, No 2 (2016): Jurnal Statistika Vol 4, No 1 (2016): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 4, No 1 (2016): Jurnal Statistika Vol 3, No 2 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 2 (2015): Jurnal Statistika Vol 3, No 1 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 1 (2015): Jurnal Statistika Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Vol 2, No 1 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 1 (2014): Jurnal Statistika Vol 1, No 2 (2013): Jurnal Statistika Universitas Muhammadiyah Semarang Vol 1, No 2 (2013): Jurnal Statistika Vol 1, No 1 (2013): Jurnal Statistika Vol 1, No 1 (2013): Jurnal Statistika Universitas Muhammadiyah Semarang More Issue