Ditapis dengan
Calinski-Harabasz Pseudo F-Statistic untuk Optimalisasi Jumlah Cluster pada Metode Hierarchical Agglomerative Clustering Berbasis GUI R (Studi Kasus: Pengelompokan Kabupaten/Kota di Provinsi Jawa Tengah Berdasarkan Indikator Pendidikan Tahun 2020)”
Salah satu tujuan Sustainable Development Goals (SDGs) bidang pendidikan adalah menjamin kualitas pendidikan di Indonesia. Pendidikan yang berkualitas dapat membentuk sumber daya manusia yang berkualitas. Masalah yang sering muncul di Indonesia adalah kesenjangan pendidikan yang mengakibatkan rendahnya mutu pendidikan di Indonesia. Salah satu provinsi di Indonesia yang mengalami permasalahan tersebut adalah Provinsi Jawa Tengah. Penelitian ini dilakukan untuk mengetahui sejauh mana perkembangan persebaran pendidikan di Provinsi Jawa Tengah guna membantu memberikan masukkan untuk penanganan yang tepat terhadap kesenjangan pendidikan di Provinsi Jawa Tengah. Penelitian ini menggunakan metode Hierarchical Agglomerative Clustering dan Calinski-Harabsz Pseudo F-Statistic. Hierarchical Agglomerative Clustering merupakan metode yang digunakan untuk mengelompokkan objekobjek data yang memiliki kemiripan. Metode ini memiliki beberapa macam metode untuk menentukan jarak terdekat sehingga sulit untuk memilih metode yang tepat untuk menghasilkan jumlah cluster optimal. Berdasarkan hal tersebut maka digunakan metode Calinski-Harabasz Pseudo F-statistic untuk menentukan jumlah cluster optimal. Penelitian ini juga dilengkapi dengn Graphical User Interface (GUI) yang disusun menggunakan program R. GUI tersebut dibuat untuk memudahkan running data penelitian dan memperindah tampilan dari output pengolahan data. Hasil penelitian menunjukkan bahwa cluster optimal yang terbentuk adalah sejumlah 4 cluster dengan menggunakan metode Ward. Pengelompokan tersebut menunjukkan bahwa cluster 4 memiliki rata-rata indikator pendidikan tertinggi, diikuti oleh cluster 1 dan cluster 3. Sedangkan cluster 2 merupakan cluster dengan rata-rata indikator pendidikan terendah. Hasil penelitian ini diharapkan dapat menjadi acuan bagi Pemerintah Provinsi Jawa Tengah dan Dinas Pendidikan Provinsi Jawa Tengah harus lebih memperhatikan kabupaten-kabupaten yang ada di cluster 2 yaitu Kabupaten Purbalingga, Kabupaten Banjarnegara, Kabupaten Wonosobo, Kabupaten Rembang, Kabupaten Temanggung, Kabupaten Pekalongan, Kabupaten Pemalang, dan Kabupaten Brebes. Kata Kunci: GUI R, Hierarchical Agglomerative Clustering, Pendidikan, Pseudo F
Pemodelan Mixed Geographically Weighted Regression dengan Adaptive Bandwidth untuk Angka Harapan Hidup (Studi Kasus : Angka Harapan Hidup di Jawa Tengah)
Angka Harapan Hidup saat lahir (AHH) adalah perkiraan tahun yang akan ditempuh seseorang sejak lahir. AHH dijadikan indikator kesehatan dan kesejahteraan masyarakat. Kedua indikator tersebut menjadi perhatian pemerintah kaitannya dengan pembangunan manusia. Harapannya nilai AHH terus meningkat agar kualitas pembangunan manusianya juga meningkat. Pemodelan faktor-faktor yang mempengaruhi AHH perlu dilakukan agar usaha meningkatkan AHH menjadi lebih efektif. Nilai AHH Jawa Tengah (Jateng) tahun 2020 adalah 74,37. Faktor-faktor yang diduga mempengaruhi AHH di Jateng adalah persentase penduduk miskin (X1), persentase rumah tangga dengan sanitasi layak (X2), persentase balita yang diimunisasi lengkap (X3) dan tingkat pengangguran terbuka (X4). Asumsi homoskedastisitas dalam pemodelan AHH di Jateng menggunakan Regresi linier tidak terpenuhi artinya diduga terdapat heterogenitas spasial antar Kab./Kota, sehingga digunakan metode Geographically Weighted Regression (GWR). Fungsi pembobot yang digunakan adalah kernel Bisquare dan Tricube dengan adaptive bandwidth. Metode GWR akan menemui kendala apabila tidak semua variabel independen bersifat lokal, sehingga digunakan metode Mixed Geographically Weighted Regression (MGWR). Hasil analisis GWR untuk kedua fungsi pembobot adalah variabel X1 tidak bersifat lokal, sehingga digunakan metode MGWR. Hasil pemodelan MGWR untuk kedua fungsi pembobot adalah variabel lokal maupun variabel globalnya berpengaruh signifikan. Model terbaiknya adalah model MGWR dengan pembobot Kernel Tricube karena memiliki nilai AICc terkecil. Kata kunci : AHH, GWR, MGWR, Adaptive Kernel Bisquare, Adaptive Kernel Tricube, AICc
Clustering Anak Perusahaan Hulu PT Pertamina Berdasarkan Indikator Penilaian Risiko Menggunakan Algoritma Quick Robust Clustering Using Links (QROCK)
Perencanaan strategis adalah sebuah alat manajemen yang digunakan untuk mengelola kondisi saat ini untuk melakukan proyeksi kondisi pada masa depan. PT Pertamina (Persero) bertanggung jawab untuk melaksanakan kegiatan bisnis sektor hulu dimana secara operasional kegiatan bisnis sektor hulu tersebut dilakukan oleh anak perusahaan hulu sebagai portofolio direktorat hulu. Salah satu pemetaan portofolio bisnis dan aset hulu adalah penilaian level risiko. Parameter penilaian level risiko dari suatu aset migas dan panas bumi dievaluasi dari beberapa komponen, yaitu ketersediaan pasar, teknologi dan proses, drilling/WO (work over)/WS (work service), fasilitas produksi, dan subsurface uncertainty. Seleksi portofolio untuk mengindikasi nilai risiko dapat dilakukan dengan menggunakan pendekatan clustering. Clustering adalah sebuah proses untuk mengelompokkan data ke dalam beberapa cluster atau kelompok sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang minimum. Metode clustering dapat digunakan untuk data numerik maupun kategorik. Algoritma ROCK adalah salah satu algoritma yang dapat digunakan untuk clustering data bertipe kategorik. Algoritma ini dikembangkan ke dalam versi perhitungan lebih cepat yang disebut dengan algoritma Quick Robust Clustering Using Links (QROCK). Algoritma QROCK digunakan untuk mengelompokkan data bertipe kategorik yang dapat mendeteksi outlier dalam proses pengolahan datanya. Data yang digunakan pada penelitian merupakan data sekunder yang diperoleh dari portofolio bisnis dan aset hulu PT Pertamina tahun 2021. Data tersebut mencakup 23 sampel anak perusahaan hulu di PT Pertamina. Hasil dari pengelompokkan yang dilakukan dengan Algoritma QROCK membentuk 3 tipe cluster. Karakteristik dari masing-masing cluster yang terbentuk, cluster tipe 2 memiliki nilai risiko tertinggi pada variabel Ketersediaan Pasar serta Teknologi dan Proses. Cluster 3 memiliki nilai risiko terendah pada variabel Teknologi dan Proses serta Fasilitas Produksi. Variabel Drilling/WO (work over)/WS (work service) memiliki nilai rata-rata risiko yang cenderung sama pada tiap variabel. Cluster tipe 1 memiliki jumlah anggota sebesar 18 anak perusahaan, cluster tipe 2 memiliki jumlah anggota sebanyak 2 anak perusahaan, cluster tipe 3 memiliki jumlah anggota sebanyak 2 anak perusahaan, dan terdapat data tunggal pada satu anak perusahaan yang dianggap sebagai data outlier Kata Kunci: Clustering, QROCK, Portofolio, Anak Perusahaan, Indikator Penilaian Risiko
Expected Shortfall dengan Ekspansi Cornish-Fisher Untuk Analisis Risiko Investasi Sebelum dan Sesudah Pandemi Covid-19 Dilengkapi GUI R
Pengukuran risiko merupakan hal yang sangat penting dalam analisis keuangan, salah satunya saham. Saham merupakan jenis investasi pada aset keuangan yang banyak diminati oleh investor. Dalam menginvestasikan dana investor perlu mengetahui risiko dari investasi yang dilakukan. Metode yang digunakan untuk mengukur risiko investasi saham pada kondisi pasar yang tidak Normal seperti saat terjadinya Pandemi Covid-19 adalah Expected Shortfall (ES). ES merupakan suatu ukuran risiko yang memperhitungkan kerugian melebihi Value at Risk (VaR). Untuk menghitung ES dengan data yang menunjukkan penyimpangan dari Normalitas yang memperhitungkan nilai skewness dan kurtosis digunakan Ekspansi Cornish-Fisher (ECF). Penelitian ini dilakukan pada data harga penutupan saham Sri Rejeki Isman Tbk (SRIL) sebelum dan sesudah Pandemi Covid-19 (14 Januari 2019 sampai dengan 18 Mei 2021) dengan return yang tidak berdistribusi Normal. Berdasarkan hasil perhitungan, pada tingkat kepercayaan 95% risiko yang akan ditanggung investor dengan menggunakan nilai ES ECF untuk satu hari ke depan sebelum Pandemi Covid-19 sebesar 1,1762% dan sesudah Pandemi Covid-19 sebesar 3,3177%. Pada tingkat kepercayaan 99% risiko yang akan ditanggung investor untuk satu hari ke depan sebelum Pandemi Covid-19 sebesar 5,8928% dan sesudah Pandemi Covid-19 sebesar 10,3703%. Hasil analisis memperlihatkan bahwa semakin besar tingkat kepercayaan yang digunakan semakin besar risiko yang ditanggung investor. Selain itu, Pandemi Covid-19 berpengaruh terhadap risiko yang akan ditanggung investor. Kata Kunci: Expected Shortfall, Value at Risk, Ekspansi Cornish-Fisher, Pandemi Covid-19.
Analisis Faktor Yang Mempengaruhi Ketahanan Hidup Pasien Covid RSUP DR. Kariadi Semarang Menggunakan Regresi COX Metode Stratified
Penyakit Virus Corona Disease (Covid-19) merupakan penyakit pandemi yang menginfeksi sampai ke seluruh dunia dengan penyebaran yang sangat pesat. Penelitian ini bertujuan untuk mengetahui berapa lama jangka waktu bertahan hidup pasien Covid-19 di RSUP Dr. Kariadi Semarang dengan menggunakan analisis survival. Survival merupakan peluang yang menunjukkan suatu pasien masih tetap hidup dengan memenuhi kondisi yang telah ditentukan menggunakan data tahan hidup dan Regresi Cox proportional hazard. Ciri khas dari model ini yaitu memerlukan asumsi proportional hazard. Apabila asumsi proportional hazard tidak dipenuhi, maka dapat digunakan metode stratified Cox (SC). Pengujian estimasi parameter menggunakan metode exact dikarenakan terdapat data dengan kejadian bersama. Rata-rata waktu pasien Covid-19 bertahan hidup RSUP Dr. Kariadi Semarang secara keseluruhan adalah 10,47 hari. Dari faktor usia (I ), jenis kelamin (*2) , ICU admission (JJ), dan di kelas manakah pasien dirawat(J4), didapatkan faktor yang paling berpengaruh terhadap ketahanan hidup pasien Covid-19 yaitu faktor usia (I ) dan ICU admission (*z)- Variabel memenuhi asumsi PH dengan pengaruh usia pasien dalam meningkatkan risiko kematian sebesar 2,43% dihitung dari eksponensial nilai koefisiennya. Variabel >3 tidak memenuhi asumsi PH dan memberikan strata bagi pemodelan. berdasarkan nilai hazard ratio, pasien yang dirawat di non ICU memberikan pengaruh kematian 0,164553 kali atau lebih kecil dari pasien yang dirawat di ICU. Kata Kunci: Analis’is Survival, Regresi Cox Stratified, Exact, Virus Corona Disease-19 (Covid- 19)
Perbandingan Kinerja Machine Learning Berbasis Algoritma Support Vector Machine dan Naive Bayes Classifier (Studi Kasus: Data Tanggapan Mengenai Traveloka Melalui Google Play)
Pada era digital, teknologi memiliki peranan penting dalam perancangan produk dan layanan berbasis digital. Indonesia menempati peringkat satu di Asia Tenggara sebagai pengguna e-commerce terbesar. Salah satu perusahaan e-commerce terbesar adalah PT. Trinusa Travelindo atau Traveloka. Traveloka pada Google Play diunduh sebanyak 10 juta lebih dengan rating 3,8 dan 1 juta tanggapan. Tanggapantanggapan pengguna aplikasi Traveloka dapat digunakan sebagai data untuk melakukan analisis sentimen dengan tujuan mengklasifikasikan tanggapan positif dan negatif. Penelitian ini menggunakan data yang dikumpulkan pada tanggal 19 September 2021. Pelabelan kelas sentimen menggunakan teknik sentiment scoring yang menghasilkan jumlah tanggapan positif sebanyak 1170, sementara tanggapan negatif sebanyak 830. Data tersebut diolah menggunakan pendekatan klasifikasi teks dengan algoritma Support Vector Machine dan Naive Bayes Classifier. Support Vector Machine bekerja dengan cara mencari hyperplane terbaik yang memisahkan dua buah kelas, sedangkan Naive Bayes Classifier bekerja dengan cara mencari nilai probabilitas bersyarat terbesar. Klasifikasi menggunakan Support Vector Machine menghasilkan performa accuracy 98,17%, precision 99,17%, dan recall 96,39%, sedangkan Naive Bayes Classifier menghasilkan performa accuracy 85,5%, precision 91,82%, dan recall 87,28%. Berdasarkan performa yang dihasilkan, machine learning dengan algoritma Support Vector Machine memiliki kinerja yang lebih baik dibandingkan Naive Bayes Classifier dalam melakukan klasifikasi tanggapan Traveloka melalui Google Play. Kata kunci: Traveloka, Google Play, Analisis Sentimen, Support Vector Machine, Naive Bayes Classifier
Kernel K-Means Clustering untuk Pengelompokan Sungai di Kota Semarang Berdasarkan Faktor Pencemaran Air DB
K-Means Clustering merupakan salah satu jenis analisis cluster non-hierarki yang sering digunakan. K-Means memiliki kelemahan memproses data yang nonlinearly separable (tidak memiliki pembatas yang jelas) dan terjadi overlap, yaitu ketika secara visual hasil suatu cluster berada di antara cluster lainnya. Fungsi Kernel Gaussian dapat digunakan untuk mengatasi pengelompokan data yang bersifat non-linearly separable dan overlap pada analisis cluster. Salah satu metode cluster non-hierarki yang menggunakan fungsi Kernel Gaussian yaitu Kernel K-Means Clustering. Tujuan dari penelitian ini adalah mengetahui konsep langkah dan hasil Kernel K-Means Clustering untuk pengelompokan sungai di Kota Semarang berdasarkan faktor pencemaran air. Data real yang digunakan adalah data 47 sungai dan 18 indikator pencemaran air sungai yang diperoleh dari Dinas Lingkungan Hidup (DLH) Kota Semarang pada semester pertama tahun 2019. Algoritma Kernel K-Means Clustering pada prinsipnya hampir sama dengan metode K-Means, perbedaannya terletak pada data inputnya yang harus dipetakan pada dimensi baru menggunakan fungsi kernel. Evaluasi hasil cluster yang digunakan adalah indeks Calinski-Harabasz, Silhouette, dan Xie-Beni karena memiliki performa yang baik dalam aspek terhadap dampak kemonotonan dan kepadatan. Dari hasil studi, evaluasi hasil cluster menunjukkan jumlah cluster terbaik adalah K=4. Anggota untuk 4 cluster adalah 12, 14, 11, dan 10 sungai dengan 6 variabel pada klaster 1 dan klaster 2 memiliki rata-rata kandungan faktor pencemaran air lebih tinggi dibandingkan pada klaster lainnya. Kata Kunci: Kernel Gaussian, Kernel K-Means Clustering, Evaluasi Hasil Cluster
Analisis Sentimen Vaksin Sinovac pada Twitter Menggunakan Algoritma Multinomial Naïve Bayes dengan Algoritma Genetika Sebagai Seleksi Fitur DB
Penyebaran informasi terkait vaksin Sinovac berlangsung dengan cepat, terutama pada media sosial. Berita negatif atau positif tentunya sangat berdampak pada sentimen masyarakat terhadap vaksin Sinovac itu sendiri. Penelitian ini bertujuan untuk mengklasifikasikan sentimen masyarakat terhadap vaksin Sinovac. Pada penelitian ini, data yang digunakan merupakan opini masyarakat di Twitter dengan kata kunci "sinovac" selama tanggal 1-7 Agustus 2021 dan diperoleh data sebanyak 18.000 tweets yang kemudian dilakukan penghapusan duplikat data hingga didapat 3.663 data. Klasifikasi data menggunakan algoritma Multinomial Naïve Bayes dengan seleksi fitur Algoritma Genetika. Kelebihan dari kedua algoritma ini yaitu Algoritma Multinomial Naïve Bayes memperhitungkan frekuensi dari setiap kata yang muncul pada dokumen serta Algoritma Genetika yang memiliki kemampuan untuk mendapatkan global optima dalam pencarian solusi berbasis populasi dalam permasalahan kompleks dengan menggunakan operator genetik. Data opini pada penelitian ini diklasifikasikan menjadi kelas positif dan negatif. Hasilnya, diperoleh bahwa masyarakat cenderung beropini positif. Hasil klasifikasi menggunakan Multinomial Naïve Bayes tanpa seleksi fitur Algoritma Genetika (MNB) menghasilkan akurasi sebesar 89,7% sedangkan dengan seleksi fitur Algoritma Genetika (MNB-GA) meningkat menjadi 94,2%. Seleksi fitur Algoritma Genetika terbukti meningkatkan tingkat akurasi pada model Multinomial Naïve Bayes. Kata kunci: Sinovac, Twitter, Analisis Sentimen, Multinomial Naïve Bayes, Algoritma Genetika.
Metode K-Harmonic Means Clustering dengan Validasi Silhouette Coefficient (Studi Kasus : Empat Faktor Utama Penyebab Stunting 34 Provinsi di Indonesia Tahun 2018)
Metode k-harmonic means merupakan metode penggunaan nilai titik pusat klaster yaitu menentukan setiap klaster dari titik pusatnya berdasarkan perhitungan ratarata harmonik. Metode k-harmonic means menentukan keberadaan tiap titik datanya berdasarkan dari fungsi keanggotaan dan fungsi pembobotan dengan menggunakan ukuran jarak pada proses clustering, yang bertujuan untuk meningkatkan kepentingan data-data yang jauh dari tiap-tiap titik pusat. Hal ini menyebabkan k-harmonic means bersifat tidak sensitif dalam inisialisasi awal dalam penentuan titik pusat klaster dan secara signifikan meningkatkan kualitas klasterisasi dibandingkan dengan k-means. Dalam menentukan tingkat kemiripan, penentuan tingkat kemiripan menggunakan ukuran jarak dan ukuran jarak yang digunakan adalah ukuran jarak euclidean. Ukuran jarak yang digunakan dalam analisis klaster dapat berpengaruh pada hasil klaster yang diperoleh. Sehingga, untuk mengetahui kualitas hasil analisis klaster dilakukan uji validasi dengan pendekatan kriteria internal yaitu validasi silhouette coefficient. Pada penelitian ini metode k-harmonic means digunakan untuk mengelompokkan provinsi di Indonesia berdasarkan faktor penyebab stunting tahun 2018. Tingkat stunting pada balita di Indonesia sudah melampaui batas yang ditetapkan oleh WHO. Pada tahun 2016-2017 terjadi peningkatan prevalensi stunting sebesar 27,5% menjadi 29,6%. Metode k-harmonic means digunakan agar empat faktor utama penyebab stunting pada setiap provinsi di Indonesia dapat terlihat dan pencegahan serta penyembuhan stunting dapat berjalan dengan optimal. Metode ini juga digunakan karena data empat faktor penyebab stunting ini menunjukan adanya laju perubahan yang signifikan dan sebagai ukuran tendensi sentral pada 34 objek provinsi di Indonesia. Empat fator penyebab stunting yang digunakan, yaitu persentase rumah tangga yang tidak memiliki akses air minum bersih, persentase pemberian Air Susu Ibu (ASI) eksklusif, persentase Bayi Berat Lahir Rendah (BBLR) ≤ 2.500-gram lahir dengan selamat dan persentase rumah tangga yang tidak memiliki fasilitas sanitasi yang layak. Hasil penelitian diperoleh klaster yang optimal pada k = 3 menggunakan jarak euclidean, dimana nilai silhouette coefficient = 0,3040722675 ≈ 0,3. Pada hasil profilisasi analisis klaster diketahui bahwa pada klaster satu, faktor utama yang paling menonjol yaitu, persentase pemberian Air Susu Ibu (ASI) eksklusif. Pada klaster dua, faktor utama yang paling menonjol adalah persentase Bayi Berat Badan Lahir Rendah (BBLR) ≤ 2.500-gram lahir dengan selamat. Pada klaster tiga, faktor utama yang paling menonjol adalah persentase Bayi Berat Badan Lahir Rendah (BBLR) ≤ 2.500-gram lahir dengan selamat dan persentase rumah tangga yang tidak memiliki fasilitas sanitasi yang layak dengan rata-rata nilai centroid paling tinggi diantara klaster lain. Kata Kunci: Pengklasteran, K-Harmonic Means, Jarak Euclidean, Silhouette Coefficient, Stunting
Penerapan Model Autoregressive Fractionally Integrated Moving Average Dengan Efek Garch (ARFIMA – GARCH) Untuk Prediksi Harga Saham PT. Bank Mandiri Tbk
Investasi merupakan instrumen penting dalam mendorong pertumbuhan ekonomi yang ada di suatu negara. Salah satu bentuk investasi yang paling banyak diminati oleh para investor adalah saham. Data saham merupakan data runtun waktu atau merupakan jenis data yang direkam dalam periode waktu yang sama pada jangka waktu yang relatif panjang. Saham PT. Bank Mandiri mengalami kenaikan dan penurunan di setiap waktu sehingga sulit untuk diprediksi. Fenomena tersebut dideteksi sebagai kejadian yang mengikuti proses long memory. Long memory merupakan kondisi ketika setiap observasi memiliki korelasi yang cukup kuat dengan observasi lain walaupun jarak tiap observasi cukup jauh. Fenomena ini dapat diatasi dengan memodelkan data runtun waktu dengan model Autoregressive Fractionally Integrated Moving Average (ARFIMA). Model ARFIMA memiliki asumsi bahwa residual berdistribusi normal, saling bebas, dan homogen. Akan tetapi, pada data finansial banyak terjadi kasus varian residual yang tidak konstan. Hal ini dapat diatasi dengan memodelkan varian residual menggunakan model Autoregressive Conditional Heteroskedasticity/Generalized Autoregressive Conditional Heteroskedasticity (ARCH/GARCH). Pada penelitian ini, data yang digunakan adalah data harian penutupan harga saham Bank Mandiri pada tanggal 8 September 2015 sampai dengan 20 Januari 2022. Model terbaik yang didapatkan adalah model ARFIMA (1,0,9004201,1) – GARCH (1,1) dengan nilai MAPE dari data training sebesar 1,02%. Hal ini menunjukkan bahwa model sangat baik digunakan untuk meramalkan harga saham PT. Bank Mandiri ke depannya. Kata Kunci: Harga saham, PT. Bank Mandiri, permalan, long memory, ARFIMA, GARCH, MAPE.
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah