Articles
200 Documents
<![CDATA[KETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD) ]]>
<![CDATA[Budyanra -]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 4, No 2 (2016): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (67.572 KB)
|
DOI: 10.26714/jsunimus.4.2.2016.%p
<![CDATA[Penaksiran fungsi diskriminan linier dua kelompok dengan metode klasik/MLE tidakakan optimal pada saat data mengandung outlier. Agar analisis diskriminan tetapoptimal maka diperlukan suatu metode penaksir yang robust terhadap outlier. Salah satu penaksir robust adalah metode fast-MCD. Makalah ini mengkaji metode penaksirrobustfast-MCD dalam analisis diskriminan linier dua kelompok dan mengukurketepatan pengklasifikasian dari fungsi diskriminan metode fast-MCD jika dibandingkan fungsi diskriminan metode klasik/MLE. Untuk menguji ketepatan penaksir fungsi diskriminan linier robust dua kelompok dengan metode fast-MCD tersebut digunakan data hasil simulasi.Data simulasi diperoleh dengan membangkitkan dua kelompok data normal multivariat dengan n 1 = n 2 = 100, n 1 = n 2 = 200, n = 500dan n 1 = n = 1000 serta dengan variasi outlier mulai dari 5 persen, 10 persen, 15 persen sampai 20 persen. Hasil pengolahan pada data simulasi dengan kontaminasi outliersebesar 5 sampai 20 persen, terlihat bahwa metode fast-MCD menghasilkan rata-rata salah pengklasifikasian sebesar 11 persen, yang masih jauh lebih rendah jika dibandingkan metode MLE dengan rata-rata sebesar 22 persen. Untuk data yang banyak mengandung outlier, ternyata fungsi diskriminan linier dengan penaksir robust fastMCD sangat efektif digunakan untuk mengurangi kesalahan dalam pengklasifikasian dari fungsi diskriminan linier tersebut.Kata Kunci : Fungsi Diskriminan Linier, Robust, Fast-MCD]]>
<![CDATA[ANALISIS ANTREAN DENGAN SISTEM JUMLAH KEDATANGAN BERDISTRIBUSI BETA, WEIBULL, NORMAL, DAN ERLANG (STUDI KASUS GERBANG TOL MUKTIHARJO) ]]>
<![CDATA[Sugito Sugito]]>;
<![CDATA[Erna Musri Arlita]]>;
<![CDATA[Diah Safitri]]>;
<![CDATA[Abdul Hoyyi]]>;
<![CDATA[Rita Rachmawati]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 6, No 1 (2018): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (423.239 KB)
|
DOI: 10.26714/jsunimus.6.1.2018.%p
<![CDATA[Semarang is the capital city of Central Java Province so that development in Semarang City progressed very rapidly, this requires transportation facilities and infrastructure that good, smoothly and efficiently. One of the important transport infrastructure for Semarang City is a toll road. Muktiharjo toll gate is one of the exiting toll gate in Semarang City. Muktiharjo toll gate provides two types of service namely booths toll booths, a regular and automated toll booths. The existances two types of toll booths that provided the analysis needs to be done, then the line to find out how the system line that is in Muktiharjo toll gate. The research result obtained the model line at the Muktiharjo toll gate (BETA / G / 3) :( GD / ¥ / ¥) for regular toll road of Surabaya-Semarang direction, (WEIB / G / 1) :( GD / ¥ / ¥) for the Surabaya-Semarang automatic toll booth, (NORM / G / 2) :( GD / ¥ / ¥) for the regular toll road of Semarang-Surabaya and (ERLA / G / 2) :( GD / ¥ / ¥) Semarang-Surabaya automatic toll road. Based on simulation using Arena software, the addition of substations can reduce the waiting time of vehicles in line, while substation reduction can extend the waiting time of vehicles in line.Keyword : Queue theory, Queue simulation, Regular toll gate, Automatic toll gate, Arrival, Service.]]>
<![CDATA[MODEL MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DENGAN PEMBOBOT FUNGSI KERNEL FIXED BI-SQUARE PADA PENDERITA TUBERCULOSIS DI SURABAYA ]]>
<![CDATA[Hani Khaulasari]]>;
<![CDATA[Rudi Antonius]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 7, No 2 (2019): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (875.216 KB)
|
DOI: 10.26714/jsunimus.7.2.2019.%p
<![CDATA[Tuberculosis adalah suatu penyakit menular yang mematikan yang disebabkan oleh bakteri mycobacterium Tuberculosis. Kota Surabaya merupakan kota dengan jumlah penyebaran penderita Tuberculosis tertinggi di Jawa Timur. Penyebaran penyakit Tuberculosis melibatkan efek spasial. Salah satu metode yang dapat digunakan adalah Mixed Geographically Weighted Poisson Regresssion (MGWPR). Tujuan penelitian ini adalah mendapatkan faktor-faktor yang berpengaruh secara lokal dan global. Data penelitian diperoleh dari Dinas Kesehatan Kota Surabaya dan BPS Kota Surabaya, yang terdiri dari variabel respon jumlah penderita Tuberculosis di 31 Kecamatan Surabaya Tahun 2018 dan sebelas faktor yang diduga mempengaruhi penyebaran Tuberculosis.Model MGWPR dengan fungsi kernel Fixed Bi-Square memberikan hasil bahwa faktor global adalah jumlah penderita HIV/AIDS (X1), persentase rumah tangga yang berPHBS (X5), Rasio penyuluhan kesehatan (X6), Persentase Penduduk yang mendapatkan keterbukaan informasi TB (X7), jumlah tenaga medis (X8), persentase penduduk yang tidak tamat SD (X10) dan persentase penduduk yang tamat SMA (X11) sedangkan faktor lokal penyebab Tuberculosis di tiap-tiap lokasi kecamatan di Surabayaadalah jumlah kepadatan penduduk (X2), persentase penduduk miskin (X3), persentase rumah sehat (X4) dan jumlah sarana kesehatan (X9). Model MGWPR membentuk empat kelompok dengan faktor yang mempengaruhi berbeda-beda. Model MGWPR adalah model terbaik untuk memodelkan faktor-faktor Tuberculosis di Surabaya Tahun 2018. Kata kunci : MGWPR, Fungsi Kernel Fixed Bi-Square, Tuberculosis.]]>
<![CDATA[MIXED GEOGRAPHICALLY WEIGHTED MULTIVARIATE LINEAR MODEL ]]>
<![CDATA[Memi Nor Hayati]]>;
<![CDATA[Purhadi -]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[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
<![CDATA[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.]]>
<![CDATA[Pemodelan Geographically Weighted Regression (GWR) Pada Tingkat Kemiskinan di Provinsi Jawa Tengah ]]>
<![CDATA[Monica Firda Agustina]]>;
<![CDATA[Rochdi Wasono]]>;
<![CDATA[Moh. Yamin Darsyah]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 2 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (230.137 KB)
|
DOI: 10.26714/jsunimus.3.2.2015.%p
<![CDATA[Penelitian ini bertujuan memodelkan tingkat kemiskinan di Jawa Tengah Tahun 2014 dengan memasukkan efek spasial. Metode yang digunakan adalah regresi linier dan GWR. Dalam model GWR estimasi parameter menggunakan Weighted Least Square (WLS) dengan pembobot fungsi kernel gaussian. Hasil penelitian menyimpulkan model GWR lebih baik dibandingkan dengan model regresi linier. Berdasarkan hasil penelitian terdapat 5 variabel prediktor yang diduga mempengaruhi tingkat kemiskinan kabupaten/kota di Jawa Tengah yaitu upah minimum kerja (X1), persentase penduduk yang bekerja di sektor pertanian (X2) , pelayanan kesehatan Jamkesmas (X4), persentase rumah tangga yang menggunakan jamban(X6), dan inflasi (X8). Model GWR memiliki R2 sebesar 73,95% menunjukkan bahwa model mampu menerangkan tingkat keragaman kemiskinan sebesar 73,95% dan sisanya dipengaruhi variabel lain di luar model. Tingkat kemiskinan di Jawa Tengah tidak dipengaruhi oleh faktor geografis karena tidak ada perbedaan signifikan antara model regresi linier dan GWR. varibel prediktor tersebut mempunyai pengaruh yang hampir sama di setiap kabupaten/kota.Kata Kunci : GWR , Regresi Linier, Tingkat Kemiskinan.]]>
<![CDATA[ESTIMASI MODEL SIMULTAN SPASIAL PERTUMBUHAN EKONOMI JAWA TIMUR ]]>
<![CDATA[Firda Fadri]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 5, No 2 (2017): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (386.798 KB)
|
DOI: 10.26714/jsunimus.5.2.2017.%p
<![CDATA[Model ekonometri spasial digunakan untuk menganalisa adanya efek spasial baikberupa spatial dependence maupun spatial heterogeneity. Jika variabel endogen yang mengandung lag yang saling berkorelasi errornya maka disebut model spatialautoregressive dengan autoregressive disturbance (SARAR). Untuk mendapatkan estimator dari model digunakan pendekatan two step generalized method of moments (2SGMM). Metode ini diterapkan untuk mengestimasi model simultan spasial pertumbuhan ekonomi di Jawa Timur. Hasil estimasi menunjukkan nilai moran’s I yang signifikan, sehingga terdapat dependensi spasial yaitu pertumbuhan ekonomi di suatu wilayah dipengaruhi oleh pertumbuhan ekonomi di wilayah sekitarnya. Variabelvariabel yang signifikan adalah jumlah penduduk kerja dipengaruhi jumlah penduduk, persentase penduduk berpendidikan SMA-Sarjana, dan upah minimum. Total investasi dipengaruhi oleh PAD sedangkan pendapatan rumah tangga dipengaruhi oleh IPM, persentase pengangguran dan belanja pemerintah daerah serta total investasi. Kata kunci : Generalized method of moments (GMM), Persamaan simultan spasial, Pertumbuhan Ekonomi.]]>
<![CDATA[PEMODELAN INFLASI DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI NONPARAMETRIK BIRESPON SPLINE TRUNCATED DENGAN PEMBOBOT INVERS MATRIKS VARIANSI-KOVARIANSI ERROR RESPON ]]>
<![CDATA[Rizky Dwi Rahmawati]]>;
<![CDATA[Suparti Suparti]]>;
<![CDATA[Alan Prahutama]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 7, No 1 (2019): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (213.217 KB)
|
DOI: 10.26714/jsunimus.7.1.2019.%p
<![CDATA[Bagi sebuah negara berkembang seperti Indonesia, kemajuan perekonomian menjadi isu terpenting yang selalu mendapatkan perhatian besar dari pemerintah negaranya. Hal tersebut dilakukan sebagai upaya untuk menjadikan negaranya sebagai negara maju yang mensyaratkan adanya kemajuan di bidang ekonomi. Kemajuan di bidang ekonomi dapat ditandai dengan adanya pasar modal yang tumbuh dan berkembang dengan baik yang dicerminkan melalui IHSG, serta tinggi-rendah dan stabilnya inflasi yang merupakan indikator stabilitas perekonomian. Pergerakan inflasi dan IHSG dipengaruhi oleh beberapa faktor, seperti jumlah uang beredar dan kurs. Pemodelan inflasi dan IHSG dilakukan dengan pendekatan regresi nonparametrik birespon spline truncated dengan pembobot invers matriks variansi-kovariansi error respon. Pendekatan ini dilakukan karena antara inflasi dengan IHSG terdapat adanya korelasi, baik secara logika maupun matematis serta pola data yang diperoleh tidak menunjukkan pola hubungan tertentu. Model birespon spline truncated terbaik sangat bergantung pada penentuan orde dan titik knot optimal yang memiliki nilai MSE minimum. Model regresi birespon spline truncated terbaik pada penelitian ini terletak pada orde 2 untuk respon 1 dan respon 2 dengan 4 titik knot untuk masing-masing variabel prediktor dan nilai MSE sebesar 4781,697. Prediksi terhadap data out sample menghasilkan nilai MAPE sebesar 43,446%, sehingga model tersebut memiliki kemampuan yang cukup baik dalam peramalan.]]>
<![CDATA[MODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA ]]>
<![CDATA[Mifta Luthfin Alfiani]]>;
<![CDATA[Indah Manfaati Nur]]>;
<![CDATA[Tiani Wahyu Utami]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 1 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (84.94 KB)
|
DOI: 10.26714/jsunimus.2.1.2014.%p
<![CDATA[Analisis regresi merupakan salah satu tehnik analisis data dalam statistika yang paling banyak digunakan untuk mengetahui hubungan antara variabel prediktor (X) dengan variabel responnya (Y). Dalam analisis regresi, kurva regresi dapat didekati dengan model regresi nonparametrik. Model regresi nonparametrik yang pengamatan dilakukan sebanyak n subjek yang saling independen pada waktu satu titik tertentu sehingga mengikuti struktur data cross-section. Dalam penelitian ini akan dikaji mengenai model regresi nonparametrik berdasarkan estimator polinomial lokal kernel pada pertumbuhan balita. Estimator polinomial lokal kernel dapat diperoleh dengan meminimumkan WLS (Weighted Least Square). Estimator polinomial lokal kernel sangat bergantung pada bandwidth (h) optimal. Penentuan bandwidth optimal dapat diperoleh dengan menggunakan metode GCV (Generalized Cross Validation). Selanjutnya diterapkan pada aplikasi model regresi nonparametrik berdasarkan estimator polinomial lokal kernel pada kasus pertumbuhan balita untuk menganalisis pengaruh antara berat badan dan umur. Pemodelan dilakukan pada balita laki-laki dan perempuan, pada balita laki-laki mempunyai nilai MSE =1,487844 dan koefisien determinasi (R2) =81,86%, pada balita perempuan mempunyai nilai MSE =1,388796 dan koefisien determinasi (R2) = 79,55%.]]>
<![CDATA[MODEL JARINGAN SYARAF RBF-FA-EGARCH UNTUK PERAMALAN DATA TIME SERIES ]]>
<![CDATA[Asri Bekti Pratiwi]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 2 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (304.786 KB)
|
DOI: 10.26714/jsunimus.3.2.2015.%p
<![CDATA[Metode pengelompokan yang sering digunakan dalam penelitian adalah Fuzzy C-Mean Cluster (FCM). Dalam perkembangannya, FCM dikombinasikan metode Subtractive Clustering (SC) sehingga didapatkan Hybrid Subtractive Fuzzy C-Mean (SFCM).Metode SFCM memiliki keunggulan dari tingkat kecepatan, dalam hal iterasi, dan menghasilkan partisi data yang lebih stabil dan akurat bila dibandingkan dengan metode sebelumnya. Pada penelitian ini, metode SCFM diaplikasikan dengan 13 variabel dari data demam berdarah. Studi kasus demam berdarah pada penelitian ini dilakukan di Provinsi Jawa Timur. Berdasarkan pengolahan dengan metode SFCM didapat hasilpengelompokan dengan 2 kelompok, 3 kelompok, dan 4 kelompok. Dari 6 indeks validasi untuk mengetahui jumlah pengelompokan yang tepat, menunjukkan bahwa pengelompokan menjadi 2 kelompok memberikan hasil pengelompokan yang lebih bagus dibandingkan dengan pengelompokan yang lainnya. Seluruh kabupaten di Pulau Madura menjadi daerah endemi demam berdarah yang perlu diperhatikan olehPemerintah Provinsi Jawa Timur. Dan hal ini senada dengan fakta yang dirilis oleh dinas kesehatan Provinsi Jawa Timur, bahwa beberapa wilayah di Madura menjadi daerah KLB yang memerlukan perhatian serius dalam penanganannya.Kata Kunci : Fuzzy C-Mean Cluster (FCM), Subtractive Clustering (SC), Subtractive Fuzzy C-Mean (SFCM), Demam Berdarah.]]>
<![CDATA[KLASIFIKASI WAKTU KELULUSAN MAHASISWA STIKOM BALI MENGGUNAKAN CHAID REGRESSION – TREES DAN REGRESI LOGISTIK BINER ]]>
<![CDATA[Ketut Putu Suniantara]]>;
<![CDATA[Muhammad Rusli]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 5, No 1 (2017): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (282.757 KB)
|
DOI: 10.26714/jsunimus.5.1.2017.%p
<![CDATA[Ketidaktepatan waktu kelulusan mahasiswa dipengaruhi oleh banyak faktor. Masalah ketidaktepatan waktu kelulusan mahasiswa perlu mendapatkan perhatian khusus, untukmengantisipasi masalah tersebut perlu dilakukan analisis klasifikasi faktor-faktor apa yang mempengaruhi ketidaktepatan waktu kelulusan mahasiswa. Salah satu metode klasifikasi adalah analisis regresi logistik dan CHAID Regression Trees. Penelitian ini bertujuan untukmengetahui variabel-variabel yang memengaruhi waktu kelulusan mahasiswa STIKOM BALI dengan menggunakan CHAID regressión trees dan regresi logistik biner. Adapunvariabel-variabel yang digunakan yaitu variabel responnya adalah status kelulusan mahasiswa tepat waktu dan tidak tepat waktu dan variabel penjelasnya adalah Jurusan/prodi, IPK, IPS semester 6, Lama menyusun skripsi, Jenis Kelamin, dan Nilai ujian masuk. Hasil klasifikasi dengan menggunakan metode CHAID regresión trees menghasilkan 5 klasifikasi yang berdasarkan nilai indek di atas 100. Hasil klasifikasi ini dipengaruhi oleh lama menyusun skripsi, IPK, IP semester 6 dan program studi. Sedangkan hasil klasifikasi dengan menggunakan metode regresi logistik biner diipengaruhi oleh Program studi, IPK dan lama menyusun skripsi. Ketepatan klasifikasi dengan metode CHAID Regression Tress lebih baik dibandingkan dengan menggunakan metode regresi logistik biner.Kata Kunci : CHAID Regression Trees, regresi logistik biner, klasifikasi]]>
