PROSIDING SEMINAR NASIONAL SAINS DATA

Empowering Future Leaders: Comprehensive Social Media Training at CGA

Andreas James Darmawan — 2024-09-26

Kemahiran dalam pengelolaan media sosial di era digital menjadi keterampilan penting, terutama bagi pemimpin masa depan. Untuk mengatasi tantangan ini, Program Studi Visual Communication Design di Jakarta International University (VCD JIU) mengusulkan inisiatif pendidikan komprehensif bagi siswa Cornerstone Global Academy (CGA). Program ini bertujuan untuk memberi siswa keterampilan praktis dalam navigasi digital dan pemahaman mendalam tentang etika serta strategi media sosial. Pendekatan pengajaran VCD JIU mencakup pengenalan dasar, strategi pemasaran, dan demonstrasi penggunaan alat desain seperti Canva. Melalui workshop, siswa akan dipandu membuat konten yang menarik, memberdayakan mereka menjadi konsumen cerdas dan pencipta mahir dalam lanskap media sosial yang dinamis. Dalam upaya pengabdian ini, VCD JIU berfokus meningkatkan pemahaman siswa tentang media sosial dan membantu mereka mengembangkan keterampilan praktis. Siswa akan diberi kesempatan memproduksi konten inovatif melalui interaksi sosial online. Partisipasi dalam Seminar Nasional SENADA oleh UPN Veteran Jawa Timur memungkinkan siswa mempresentasikan hasil dan temuan mereka. Penggunaan teknologi menjadi kunci utama. Platform media sosial, software desain grafis seperti Canva, keterampilan penulisan digital, dan akses sumber daya online membantu siswa memahami dan menguasai media sosial. Pengajaran dilakukan di sekolah CGA, sementara seminar nasional SENADA secara daring melalui Zoom, mempersiapkan siswa menghadapi tantangan dan peluang dunia digital yang terus berkembang.

Analisis Regresi Lama Studi Mahasiswa Fakultas Informatika Institut Teknologi Telkom Purwokerto Menggunakan Metode Cox Proportional Hazard

Elisabeth Angeline Wilhelmina Bakowatun — 2024-09-26

Peramalan Jumlah Produk Domestik Regional Bruto di Provinsi Nusa Tenggara Barat Tahun 2024 Menggunakan Metode Dekomposisi Multiplikatif

Rizki Kurniati — 2024-09-26

Abstract: The capacity of a region to produce a good or service at a given time is measured by gross regional domestic product (GRDP). West Nusa Tenggara (NTB) Province plays an important role in the economic landscape in Indonesia. The purpose of this study is to determine the accuracy of forecasting and the feasibility of the methodology used to project the GRDP of West Nusa Tenggara Province in 2024. The data used is the Gross Regional Domestic Product (GRDP) of West Nusa Tenggara Province for the quarters of 2014-2023. Forecasting using the Multiplicative Decomposition method. The results of forecasting the amount of Gross Regional Domestic Product in West Nusa Tenggara province in 2024 are 43091.76 (billion Rupiah) for the first quarter period, 44386.27 (billion Rupiah) for the second quarter period, 44870.79 (billion Rupiah) in the third quarter period, and in the fourth quarter period the prediction results are 45355.31 (billion Rupiah). The results of the MAPE calculation, using the multiplicative decomposition method, obtained a result of 3.84%, which means that the prediction accuracy level in the multiplicative decomposition method is very good. In this case, projecting and forecasting the value of Gross Regional Domestic Product in the future data is important for local governments in preparing development plans and economic policies.

Keywords: GRDP, Forecasting, Multiplicative Decomposition

Abstrak: Kapasitas suatu wilayah regional untuk memperoleh hasil suatu barang atau jasa pada waktu tertentu diukur dengan produk domestik regional bruto (PDRB). Provinsi Nusa Tenggara Barat (NTB) memainkan peran penting dalam lanskap ekonomi di Indonesia. Tujuan dari penelitian ini adalah untuk mengetahui keakuratan peramalan dan kelayakan metodologi yang digunakan untuk memproyeksikan PDRB Provinsi Nusa Tenggara Barat pada tahun 2024. Data yang digunakan adalah Produk Domestik Regional Bruto (PDRB) Provinsi Nusa Tenggara Barat untuk triwulan tahun 2014-2023. Peramalan menggunakan metode Dekomposisi Multiplikatif. Hasil peramalan jumlah Produk Domestik Regional Bruto di provinsi Nusa Tenggara Barat pada tahun 2024 secara berturut-turut adalah sebanyak 43091.76 (Milyar Rupiah) untuk periode Triwulan I, 44386.27 (Milyar Rupiah) untuk periode Triwulan II, 44870.79 (Milyar Rupiah) pada periode Triwulan III, dan pada periode Triwulan IV hasil prediksi adalah sebanyak 45355.31 (Milyar Rupiah). Hasil perhitungan MAPE, dengan menggunakan metode dekomposisi multiplikatif diperoleh hasil sebesar 3.84%, yang berarti tingkat akurasi prediksi pada metode dekomposisi multiplikatif sangat baik. Dalam hal ini, memproyeksikan dan meramalkan nilai Produk Domestik Regional Bruto di masa yang akan data menjadi hal yang penting bagi pemerintah daerah dalam perencanaan pembangunan dan kebijakan ekonomi.

Kata kunci: PDRB, Peramalan, Dekomposisi Multiplikatif

Penerapan Small Area Estimation dalam Melakukan Pendugaan Angka Partisipasi Sekolah Disabilitas di Pulau Jawa Tahun 2023

Rizki Riza Ridwansyah — 2024-09-26

Isu disabilitas sering kali masih mendapatkan diskriminasi, salah satunya dalam bidang pendidikan. Banyak penyandang disabilitas yang menghadapi berbagai hambatan dalam memperoleh pendidikan yang layak. Seacara umum, lima dari enam provinsi di Pulau Jawa memiliki persentase anak yang belum/tidak bersekolah di atas angka nasional. Hal ini menunjukan bahwa penduduk di Pulau Jawa yang belum/tidak bersekolah masih tinggi. Capaian partisipasi sekolah bagi penyandang distabilitas maupun nondisabilitas dapat dilihat melalui Angka Partisipasi Sekolah (APS). Namun, ketersediaan data APS penyandang disabilitas belum tersedia, hal ini berakibat rasio APS disabilitas terhadap nodisabilitas tidak dapat dihitung. Untuk mengatasi hal tersebut dapat digunakan metode Small Area Estimation. Hasil estimasi langsung menunjukkan APS nondisabilitas telah memiliki nilai RSE yang baik sedangkan untuk APS disabilitas masih terdapat wilayah yang memiliki nilai RSE diatas 25 persen. Selain itu, masih terdapat 10 wilayah yang tidak dapat diketahui nilai estimasinya karena tidak terdapat sampel. Metode SAE HB Beta telah mampu mengestimasi wilayah yang tidak memiliki sampel serta telah mampu menurunkan nilai RSE pada seluruh wilayah menjadi di bawah 25 persen

Penerapan Machine Learning dalam Prediksi Klasifikasi Big Data Kedalaman Gempa Bumi di Indonesia Tahun 2015-2024

Ruth Maharani Aquilia Hutagaol — 2024-09-26

Mengetahui karakteristik gempa bumi, terutama kedalamannya, merupakan titik awal yang penting untuk sebagian besar analisis seismologi kuantitatif. penelitian ini dilakukan untuk mengevaluasi prediksi dengan mengklasifikasikan gempa bumi berdasarkan kedalamannya menggunakan variabel-variabel yang digunakan. Metode yang digunakan adalah machine learning dengan 3 model prediksi klasifikasi, yaitu Naïve Bayes, KNN, dan Random Forest. Dari performance measurements, terpilih model Random Forest sebagai model terbaik, untuk kemudian digunakan untuk memprediksi klasifikasi kedalaman gempa bumi. Akurasi yang dihasilkan cukup tinggi (> 85%), memiliki selisih yang kecil antara data train dan test (membuktikan model fitted), dan memiliki kualitas prediksi yang tinggi ( akurasi data test dan data percobaan berada pada range 83,77%-89,66% ), sehingga dapat disimpulkan bahwa model Random Forest adalah model terbaik untuk melakukan prediksi klasifikasi kedalaman gempa bumi di Indonesia.

Implementasi Algoritma K-Means pada Pengelompokkan Ketahanan Pangan di Indonesia Menurut Kabupaten/Kota

Tyas Kurnia Wijayanti — 2024-09-26

Ketahanan pangan merupakan isu pokok suatu negara karena dapat mempengaruhi kondisi sosial, ekonomi, dan politik negara. Untuk memperbaiki kondisi rendahnya ketahanan pangan di Indonesia, perlu dilakukan pemetaan kondisi ketahanan pangan tiap daerah. Tujuan penelitian ini adalah melakukan pemetaan dan pengelompokkan kabupaten/kota di Indonesia berdasarkan tingkat ketahanan pangannya. Unit observasinya adalah 514 kabupaten/kota di Indonesia dengan variabel yang dijadikan dasar pembentukan cluster ketahanan pangan yaitu IKP, RLS, UHH, persentase penduduk miskin, TPAK, pengeluaran per kapita, persentase rumah tangga dengan akses air minum layak, persentase panjang jalan dengan kondisi baik, dan PDRB per kapita. Hasil yang diperoleh dari metode clustering dengan algoritma K-Means berupa 4 (empat) cluster yang dikategorikan sekaligus jumlah anggotanya secara berurutan menjadi cluster dengan ketahanan pangan tinggi (268), sangat
tinggi (117), sedang (18), dan menengah (111).

Penerapan Machine Learning dalam Pengklasifikasian Indeks saham SRI-Kehati

Muhammad Akbar — 2024-09-26

Para investor sangat memperhatikan pilihan mereka tentang investasi di pasar modal. Salah satu pertimbangan keputusan investasi tersebut adalah paradigma baru yang dikenal sebagai ESG (Environment, Social and Governance). Di Indonesia sendiri,baru terdapat satu indeks saham yang menerapkan prinsip Sustainable Responsible Investment (SRI), serta prinsip lingkungan, sosial dan tata Kelola (ESG) yaitu indeks SRI-Kehati. Indeks SRI-Kehati adalah indeks hijau yang diterbitkan oleh Yayasan KEHATI yang bekerjasama dengan Bursa Efek Indonesia (BEI). Maka dari itu, tujuan dari penelitian ini adalah untuk mengidentifikasi saham yang sesuai dengan kriteria SRI-Kehati serta memberikan rekomendasi untuk investasi berkelanjutan. Adapun data yang dipakai pada penelitian ini adalah data sekunder yang berjumlah 924 perusahaan saham dan berasal dari Bursa Efek Indonesia (BEI). Variabel penelitian yang digunakan adalah indeks SRI-Kehati sebagai variabel dependen dan jenis papan pencatatan, sektor saham, indeks saham syariah serta indeks saham LQ45 sebagai variabel independen. Metode yang digunakan pada penelitian ini adalah Random Over Sampling Examples (ROSE) untuk mengatasi ketidakseimbangan data; metode random forest, decision tree, naïve bayes serta support vector machine (SVM) untuk klasifikasi. Hasil penelitian menunjukkan bahwa metode klasifikasi terbaik berdasarkan nilai ukuran evaluasi adalah metode decision tree karena memiliki akurasi, presisi, recall dan F1-score terbesar.

Perbandingan Metode Supervised Machine Learning untuk Prediksi Kelembapan Tanah di Jakarta

Mohammad Ilham Mahfud — 2024-09-26

Air merupakan sumber daya terpenting untuk keberlangsungan makhluk hidup. Seiring dengan meningkatnya populasi dan aktivitas penduduk, ketersediaan air bersih cukup mengkhawatirkan. Penelitian ini bertujuan memprediksi kelembapan tanah yang dilakukan menggunakan metode Random Forest, Neural Network, dan SVM dengan data ERA5-Land. Hasil menunjukkan metode Random Forest menghasilkan R-Squared tertinggi 70,18% dengan MAPE 0,0302 dan RMSE 0,0158 sehingga model dapat memprediksi kelembapan tanah dengan cukup baik. Algoritma Random Forest menjadi model terbaik untuk melakukan prediksi kelembapan tanah. Hal ini nantinya dapat membantu dalam pengelolaan air tanah dan menindaklajuti kebijakan mengenai air tanah.

Perbandingan Klasifikasi PM2.5 di Daerah Khusus Jakarta Algoritma C5.0, Random Forest, dan SVM

Lourna Mariska Mauboy — 2024-09-26

Komposisi kualitas udara Jakarta yang buruk berupa polutan PM2.5 ditentukan oleh banyak faktor, salah satunya faktor meteorologi. Data mining adalah proses menemukan informasi melalui pola tertentu yang didapatkan dari sekumpulan data. Metode data mining yang digunakan pada penelitian ini adalah klasifikasi yang bertujuan untuk mengklasifikasikan kualitas udara Jakarta dalam sudut pandang PM2.5 berdasarkan faktor meteorologi tertentu. Metode klasifikasi berupa C5.0, Random Forest, dan SVM dibandingkan dengan kriteria evaluasi tertentu dan metode C5.0 terpilih sebagai metode terbaik dengan nilai akurasi 81,48%, presisi 80%, recall 63,16%, dan f1-score 70,59%.

Penerapan Machine Learning dalam Klasifikasi Kejadian Hujan di Kabupaten Tuban Tahun 2019-2024

Adilla Khoirunnisa — 2024-09-26

Salah satu dampak dari perubahan iklim dan fenomena El Niño adalah kekeringan ekstrem. Kabupaten Tuban, salah satu bagian penting dari sektor pertanian Indonesia, merupakan daerah yang rawan mengalami bencana kekeringan. Sistem pertanian pada wilayah ini sebagian besar menggunakan sistem sawah tadah hujan dengan air hujan sebagai sumber air utama. Sehingga tujuan dari penelitian ini untuk mengetahui model terbaik dalam mengklasifikasikan terjadinya hujan di Kabupaten Tuban. Data yang digunakan adalah curah hujan harian, kecepatan angin rata-rata, arah angin terbanyak, kelembapan rata-rata, lama penyinaran matahari, dan temperatur rata-rata yang diambil dari situs resmi BMKG. Metode yang digunakan dalam penelitian ini meliputi Decision Tree, Naïve Bayes, dan SVM. Berdasarkan hasil perbandingan metode klasifikasi yang dilakukan, model terbaik adalah Naïve Bayes dengan akurasi sebesar 78,06 persen.

Klasifikasi Tutupan Lahan dan Estimasi Luas Hilangnya Tutupan Pohon di Pekanbaru, Riau

Muhammad Muhammad — 2024-09-26

Di Pekanbaru, pembangunan Jalan Tol Trans-Sumatra telah dilakukan sejak 2017. Pembangunan jalan tol ini diduga mengakibatkan pengalihan tutupan pohon sehingga terjadi pengurangan luas tutupan pohon. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan tutupan lahan, mendapatkan metode terbaik dalam mengklasifikasikan tutupan lahan, dan mengestimasi luas hilangnya tutupan pohon di Kota Pekanbaru pada tahun 2017 dan 2023 menggunakan citra Landsat 8. Klasifikasi dilakukan dengan metode supervised machine learning meliputi Support Vector Machine (SVM), Classification and Regression Trees (CART), Random Forest (RF), Gradient Boost (GB), dan Naive Bayes (NB). Dari hasil analisis, metode terbaik yang didapatkan adalah RF dengan Overall Accuracy sebesar 94,762% dengan koefisien kappa sebesar 0,930. Selain itu, terbukti terjadi perubahan tutupan pohon yang signifikan dari tahun 2017 hingga 2023 sebesar 4,244%. Perubahan tutupan pohon ini dapat terjadi akibat pembangunan jalan tol Trans-Sumatra sehingga mendorong naiknya tingkat urbanisasi di Pekanbaru yang pada akhirnya dapat menggencarkan pembangunan dan mengalihgunakan tutupan pohon.

Klasifikasi dan Prediksi Kelembapan Udara Optimal Perkembangbiakan Nyamuk Aedes aegypti

Putri Febiyanti — 2024-09-26

Salah satu penyakit yang masih menjadi perhatian di Indonesia adalah Demam Berdarah Dengue (DBD). Kota Bandung menjadi daerah dengan kasus DBD terbanyak di Indonesia pada periode Januari-April tahun 2024. Penyakit DBD disebarkan oleh nyamuk Aedes aegypti. Nyamuk tersebut berkembang biak dengan optimal pada kelembapan 70–90 %. Penelitian ini bertujuan untuk melakukan klasifikasi kelembapan udara optimal bagi perkembangbiakan nyamuk Aedes aegypti. Data yang digunakan bersumber dari BMKG. Terdapat tiga metode yang digunakan dalam pengklasifikasian yaitu Naïve Bayes, SVM, dan Random Forest. Hasil penelitian menunjukkan bahwa SVM dengan kernel polinomial derajat 2 merupakan classifier terbaik untuk klasifikasi kelembapan udara yang optimal bagi perkembangbiakan nyamuk Aedes aegypti di Kota Bandung.

Optimalisasi Ketahanan Pangan: Perbandingan Metode Machine Learning dan Time Series dalam Memprediksi Produksi Padi di Jawa Tengah

Ni Komang Ayu Mita — 2024-09-26

Abstrak: Ketahanan pangan masih menjadi tantangan bagi Indonesia. Meskipun pemerintah Indonesia telah menjadikan ketahanan pangan sebagai prioritas kebijakan jangka panjang, kekurangan gizi dan kerawanan pangan tetap menjadi permasalahan. Padi menjadi sumber pangan utama bagi lebih dari 50% populasi dunia dan signifikan berkontribusi terhadap ketahanan pangan dunia. Namun, dampak perubahan iklim terhadap hasil panen padi dan keakuratan metode regresi tradisional dalam memprediksi hasil padi masih dipertanyakan. Penelitian ini bertujuan untuk membandingkan metode machine learning (Support Vector Regression dan Random Forest) dan metode time series (SARIMAX) dengan variabel respons produksi padi serta mempertimbangkan variabel prediktor luas lahan, NDWI, suhu, dan curah hujan dengan lokus Jawa Tengah sebagai salah satu provinsi dengan produksi padi tertinggi di Indonesia. Metode Random Forest memberikan hasil terbaik dengan nilai R² tertinggi dan MAPE terkecil sebesar 97,6% dan 7,827.

Kata kunci: produksi padi, SVR, RFR, SARIMAX, ketahanan pangan.

Perbandingan Metode Klasifikasi Untuk Mengestimasi Land Surface Temperature di Jawa Barat

Nailu Rokhmah — 2024-09-26

Tahun 2023 ditetapkan sebagai tahun terpanas global dibandingkan dengan pra industri. Diprediksi pada paruh pertama tahun 2030, pemanasan global mencapai 1,5℃ diatas periode pra industri. Wilayah Jawa Barat pada bulan Oktober 2023 memiliki suhu rata-rata bulan tertinggi di Pos Meteorologi Penggung, Cirebon dan Stasiun Meteorologi Kertajati, Majalengka. Selain itu Jawa Barat menyumbang emisi gas rumah kaca melalui kawasan-kawasan industri di daerah tersebut. Penelitian ini bertujuan untuk melihat gambaran suhu permukaan tanah di Jawa Barat tahun 2023 dan mengidentifikasi metode klasifikasi suhu permukaan tanah di Jawa Barat tahun 2023 yang terbaik. Data diperoleh dari citra satelit Landsat-8 dan Sentimen-2 berupa NDVI, NDBI, dan NDWI. Metode yang digunakan adalah supervised learning berupa klasifikasi antara lain, Random Forest, Decision Tree, K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Naive Bayes. Kesimpulan dari penelitian ini menunjukkan bahwa metode Support Vector Machine (SVM) memberikan hasil sangat baik dengan nilai akurasi tertinggi sebesar 93,70 persen dan nilai kappa tertinggi sebesar 87,36 persen. Oleh karena itu, metode Support Vector Machine (SVM) dapat digunakan sebagai acuan untuk melakukan klasifikasi.

Pendekatan Clustering Indeks Vegetasi dan Variabel Iklim-Sosial Provinsi Jawa Tengah

Nur Hanifah Miftahul Jannah — 2024-09-26

Dinamika populasi seiring dengan perkembangan zaman tentu memiliki dampak terhadap lingkungan, salah satunya adalah terhadap isu vegetasi yang muncul dari berbagai macam faktor. Tujuan dari penelitian ini adalah untuk mengetahui pengelompokan wilayah yang terjadi di kabupaten/kota di Provinsi Jawa Tengah berdasarkan data NDVI, Kepadatan Penduduk, Rata-rata Pengeluaran untuk Makanan, Produktivitas Padi, dan Suhu. Metode analisis yang digunakan pada penelitian ini adalah menggunakan K-Means Clustering dengan penentuan jumlah cluster terbaik menggunakan metode Silhouette. Hasil penelitian menunjukkan bahwa terbentuk 2 cluster untuk Provinsi Jawa Tengah berdasarkan beberapa variabel yang digunakan. Sebagian besar wilayah di Jawa Tengah termasuk ke dalam cluster hijau, yaitu cluster dengan karakteristik kepadatan penduduk cenderung rendah, rata-rata pengeluaran untuk makanan rendah, produktivitas padi cukup tinggi, vegetasi cukup tinggi, dan suhu yang bervariasi.

Komparasi Algoritma Klasifikasi Data Mining dalam Memprediksi Curah Hujan di Jawa Barat

Maulana Kusuma Ramadhan — 2024-09-26

Penelitian ini membandingkan tiga algoritma klasifikasi, yaitu Support Vector Machine (SVM), Random Forest (RF), dan Artificial Neural Network (ANN) untuk memprediksi curah hujan di Jawa Barat pada tahun 2022. Data iklim yang digunakan diperoleh dari API Google Earth Engine (GEE), mencakup curah hujan, kecepatan angin, suhu, kelembapan, dan lama penyinaran matahari. Evaluasi kinerja dilakukan dengan menggunakan metrik akurasi, presisi, recall, F1-score, dan kurva ROC. Hasil penelitian menunjukkan bahwa ANN dengan 10 hidden layer memberikan hasil terbaik dengan akurasi 90,28%. Variabel kecepatan angin memiliki pengaruh terbesar terhadap curah hujan. Penelitian ini menyarankan penggunaan algoritma dan rasio data yang berbeda untuk mendapatkan hasil klasifikasi yang lebih optimal.

Pemetaan Kabupaten Kota di pulau Jawa Berdasarkan Kemiripan Tingkat Kelaparan, Sampah Makanan, dan Tingkat Kemiskinan

Nadaa Zhafarina — 2024-09-26

Indonesia menempati negara dengan urutan ke-4 dengan jumlah food waste tertinggi di dunia. Oleh karena itu, dilakukan penelitian dengan tujuan memetakan kabupaten/kota di Pulau Jawa menurut tingkat kelaparan, sampah makanan, dan tingkat kemiskinan. Data yang digunakan dalam penelitian ini berasal dari BPS dan SIPSN. Metode yang digunakan adalah pengelompokkan dengan DBSCAN. Hasil pengelompokkan menunjukkan terbentuknya dua kelompok, yaitu kelompok dengan sampah makanan, kemiskinan, dan PoU rendah serta kelompok dengan sampah makanan, kemiskinan, dan PoU tinggi. Kelompok dengan sampah makanan dan PoU yang tinggi harus lebih menjadi perhatian pemerintah. Kebaikan clustering dinilai dengan average silhouette coefficient sebesar 0,4443 yang menyatakan model baik.

Analisis Indeks Risiko Bencana Cuaca Ekstrim di Provinsi Jawa Tengah Tahun 2023 Menggunakan Regresi Logistik Ordinal

Oktaviana Rahma Dhani — 2024-09-26

Indeks Risiko Bencana (IRB) merupakan suatu indeks yang digunakan untuk melihat tingkat risiko bencana di Kabupaten/Kota. Provinsi Jawa Tengah merupakan salah satu provinsi yang memiliki indeks risiko bencana cuaca ekstrim yang tinggi di Indonesia. Salah satu variabel yang digunakan dalam perhitungan IRB yang dilakukan oleh Badan Nasional Penanggulangan Bencana (BNPB) adalah variabel kerawanan sosial. Tujuan penelitian ini adalah untuk mendapatkan model regresi logistik ordinal untuk mengetahui variabel-variabel kerawanan sosial yang signifikan mempengaruhi indeks risiko bencana cuaca ekstrim kabupaten/kota di Jawa Tengah tahun 2023. Hasil penelitian menunjukkan bahwa variabel kerawanan sosial yang berpengaruh signifikan adalah persentase penduduk berusia dibawah 15 tahun (X1), persentase penduduk berumur 15 tahun ke atas yang berpendidikan rendah (X3), persentase rumah tangga yang tidak mempunyai akses terhadap air minum yang layak (X4), dan persentase penduduk miskin (X5). Sementara itu, nilai akurasi yang dihasilkan dari model adalah sebesar 80% yang artinya model yang didapatkan sudah baik dan bisa digunakan untuk prediksi.

Analisis Kerusakan Mangrove di Kota Pasuruan Menggunakan Data Citra Satelit

Nisrina Sekar Harum — 2024-09-26

Mangrove memiliki banyak manfaat untuk makhluk hidup seperti mata pencaharian manusia, habitat untuk flora dan fauna, serta dapat menyimpan CO₂. Namun, dewasa ini lahan hutan mangrove mengalami degradasi termasuk di Kota Pasuruan, Jawa Timur. Dengan menggunakan data dari citra satelit Copernicus, penentuan kawasan mangrove dilatih dengan menggunakan model random forest. Variabel pada kawasan mangrove digunakan untuk membangun indeks sehingga dapat ditentukan tingkat kerusakannya. Penelitian ini bertujuan untuk mengklasifikasikan kerusakan lahan hutan mangrove di Kota Pasuruan sesuai dengan kriteria Kementrian Kehutanan. Hasil penelitian menunjukkan bahwa hutan mangrove di Kota Pasuruan mengalami degradasi akibat alih fungsi lahan menjadi tambak.

Analisis Perbandingan Penghitungan Pendanaan Pensiun dengan Model Suku Bunga Vasicek dan Cox Ingersoll Ross (CIR) Menggunakan Metode Frozen Initial Liability

Dicky Ananda Setiawan — 2024-09-26

Ketidakpastian dimasa depan mengantarkan pada imperatif perencanaan keuangan yang cermat, terutama dalam aspek pensiun. Program pensiun menjadi solusi fundamental untuk memastikan stabilitas finansial di masa tua. Penelitian ini bertujuan untuk menganalisis perbandingan iuran normal dan kewajiban aktuaria dengan menggunakan model suku bunga stokastik. Salah satu metode yang dapat digunakan untuk menghitung program pensiun adalah metode Frozen Initial Liability (FIL). Tingkat suku bunga menjadi faktor penting dalam perhitungan program pensiun. Berdasarkan jenisnya, suku bunga terbagi menjadi dua yakni konstan dan stokastik. Model Vasicek dan Cox Ingersoll Ross (CIR) digunakan untuk menggambarkan dinamika suku bunga stokastik. Hasil penelitian menunjukkan bahwa nilai iuran normal pada metode FIL sama bagi seluruh peserta, tetapi berubah ketika ada peserta yang pensiun. Nilai iuran normal dengan model Vasicek lebih besar daripada model CIR dengan rata-rata sebesar Rp641.467,82 dengan rata-rata rasio 1,3229. Nilai kewajiban aktuaria bersifat dinamis, dipengaruhi oleh karakteristik dan volatilitas suku bunga. Nilai kewajiban aktuaria dengan model Vasicek lebih besar daripada model CIR dengan rata-rata sebesar Rp1.723.509,742 dengan rata-rata rasio 4,1031.

Klasterisasi Wilayah Jabodetabek Berdasarkan Fenomena Urban Heat Island (UHI)

Iftina Ika Rahmawati — 2024-09-26

Jakarta merupakan wilayah megapolitan di Indonesia yang perkembangannya juga berdampak pada pertumbuhan wilayah di sekitarnya. Jakarta dan wilayah sekitarnya yang dikenal dengan sebutan Jabodetabek mengalami fenomena Urban Heat Island (UHI). UHI merupakan salah satu permasalahan yang timbul akibat banyaknya penduduk yang tinggal di perkotaan sebagaimana wilayah Jabodetabek. Adanya pertumbuhan penduduk di perkotaan menarik peneliti untuk mengamati fenomena UHI melalui perubahan suhu permukaan atau Land Surface Temperature (LST) selama dua dekade terakhir (2004 – 2023) di wilayah tersebut, kemudian melakukan klasterisasi dengan tahun 2023 sebagai tahun observasi pada kecamatan-kecamatan yang termasuk dalam wilayah Jabodetabek berdasarkan variabel yang terkait dengan LST, yaitu Normalized Difference Built-up Index (NDBI), Enhanced Vegetation Index (EVI), dan Modified Normalized Water Index (MNDWI). Metode klaterisasi yang digunakan adalah K-Means dan Fuzzy C-Means. Hasil analisis menunjukkan adanya perubahan suhu permukaan dalam dua dekade terakhir yang ditunjukkan dengan meningkatnya suhu permukaan minimum di Jabodetabek. Sementara hasil klasterisasi diperoleh 4 klaster yang masing-masing memiliki rata-rata suhu permukaan yang berbeda. Jakarta sebagai pusat kawasan aglomerasi dari Jabodetabek memiliki rata-rata suhu permukaan yang tinggi, dengan wilayah yang semakin jauh dari Jakarta memiliki rata-rata suhu permukaan yang rendah.

Perbandingan Classification Advanced Methods Dalam Klasifikasi Indeks Kekeringan di Provinsi Nusa Tenggara Timur

Kayla Azka Dhiya Tsabithah — 2024-09-26

Provinsi Nusa Tenggara Timur tergolong sebagai wilayah kering dengan hanya empat bulan basah dan delapan bulan kering. Penelitian ini bertujuan untuk mengetahui gambaran tingkat kekeringan pada level kecamatan melalui indikator Normalized Difference Drought Index (NDDI), serta membandingkan ketiga Classification Advanced Methods, yakni K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Random Forest (RF), untuk menentukan metode klasifikasi terbaik dalam mengidentifikasi setiap tingkat kekeringan dengan menggunakan berbagai indikator kekeringan berbasis satelit. Hasil penelitian ini menunjukkan bahwa metode SVM menghasilkan nilai akurasi sebesar 91,1 persen, lebih besar dibandingkan kedua metode lainnya. Oleh karena itu, metode SVM merupakan metode terbaik untuk melakukan klasifikasi tingkat kekeringan berdasarkan label NDDI di Provinsi Nusa Tenggara Timur pada tahun 2023.

Komparasi Algoritma Machine Learning dalam Klasifikasi El Niño-Southern Oscillation

Ratih Restiani — 2024-09-26

Letak geografis Indonesia yang berada di daerah khatulistiwa menyebabkan Indonesia beriklim tropis dan mata pencaharian utama masyarakat berada di sektor pertanian. Perubahan iklim merupakan ancaman terbesar dalam produksi pertanian Indonesia sebagai negara agraris. ENSO merupakan indikator yang dapat dijadikan sebagai acuan dalam melihat perubahan iklim. Dengan begitu perlu dilakukan klasifikasi faktor apa saja yang dapat mempengaruhi perubahan iklim. Klasifikasi dilakukan dengan memanfaatkan metode machine learning dengan tiga algoritmanya, yaitu KNN, SVM, dan Naive Bayes. Hasil klasifikasi dengan akurasi tertinggi sebesar 85,23% didapatkan dengan menggunakan algoritma SVM.

Papua dalam Perspektif Komentar Youtube: Studi Pemodelan Topik dan Analisis Sentimen dengan Pendekatan Text Mining

Yan Nazala Bisoumi — 2024-09-26

Studi ini bertujuan untuk mengidentifikasi pandangan masyarakat terhadap isu-isu terkait dengan Pulau papua melalui komentar dalam platform YouTube. Penggunaan pendekatan text mining dalam menerapkan pemodelan topik bertujuan mengidentifikasi topik-topik utama yang muncul pada diskusi di kolom komentar. Penentuan topik terbaik dilakukan dengan membandingkan akurasi metode Latent Dirichlet Allocation (LDA) dan Non-Negative Matrix Factorization (NMF). Hasil menunjukkan metode NMF lebih baik karena memiliki nilai coherence yang lebih tinggi, sehingga dilakukan analisis dengan metode VADER untuk mengetahui sentimennya. Tujuan pengklasifikasian ini adalah memahami emosi serta opini yang tercermin dalam komentar tersebut, apakah bersifat positif, negatif, atau netral. Hasil penelitian ini diharapkan dapat memberikan wawasan mendalam mengenai persepsi publik terhadap Papua.

Pengelompokkan Kualitas Pemuda Menurut Provinsi di Indonesia Tahun 2023 Menggunakan Partition Clustering

Faris Iqbal Maulana Susanto — 2024-09-26

The percentage of youth in Indonesia in the last decade has been in the range of 23-24 percent of the Indonesian population. Youth have an active role in national development. Therefore, youth development is the focus of the government because it is the key to accelerating development. This study aims to categorize provinces based on the condition of youth in health, education, and socio-economic aspects in 2023 so that it can assist the government in determining youth development policies effectively and inclusively. Based on the validation, k-medoids algorithm was chosen as the best clustering method with the number of clusters as many as 4. In general, the four clusters have quite different characteristics. Youth development in education, socio-economic, and health aspects by province still shows gaps. Therefore, equalization efforts tailored to the needs of provincial clusters are needed to achieve more equitable and inclusive progress.

Penentuan Proporsi Portofolio Optimal Saham Sektor Consumer Goods Industry di Daftar Efek Syariah Menggunakan Metode Wolfe

Fachri Prasetya — 2024-09-26

Optimalisasi dapat dilakukan dengan tujuan meminimumkan atau memaksimumkan sesuatu sehingga memperoleh nilai yang optimal. Optimalisasi juga dapat diterapkan dalam melakukan kegiatan investasi saham, karena berinvestasi saham dapat memberikan keuntungan yang menarik dengan risiko tertentu. Risiko tersebut dapat diminimkan dengan mendiversifikasi aset menjadi beberapa kombinasi komposisi aset dalam bentuk portofolio saham. Pada penelitian ini akan digunakan 5 jenis saham yang berada di sektor consumer goods industry dan telah terdaftar di Daftar Efek Syariah untuk membentuk portofolio saham dengan menggunakan metode Wolfe sehingga akan diperoleh komposisi, bobot alokasi dana, expected return dan risiko dari portofolio tersebut. Dari 5 saham yang digunakan terbentuk portofolio saham yang optimal dengan komposisi yang terpilih hanya 3 saham, yakni saham INDF, MYOR dan ULTJ. Proporsi alokasi dana yang diperoleh saham INDF sebesar 38.53%, saham MYOR sebesar 0%, dan ULTJ sebesar 61.47%. Dengan harapan memiliki return 0.073687% dan risiko yang harus dihadapi oleh investor sebesar 0.016485%.

Perbandingan Algoritma Machine Learning dalam Klasifikasi Status Banjir di Sumatera Utara

Fatimah Rahmasari — 2024-09-26

Indonesia merupakan negara yang rawan mengalami bencana hidrometeorologi, salah satunya adalah banjir. Menurut BNPB, banjir merupakan bencana yang paling sering terjadi di Indonesia setelah gempa bumi dan tanah longsor. Pada 2023, wilayah yang paling mendominasi banjir di Indonesia adalah Pulau Sumatera dengan Provinsi Sumatera Utara sebagai provinsi dengan jumlah kasus banjir tertinggi sebesar 112 kejadian dalam kurun waktu satu tahun. Oleh karena itu, penelitian ini bertujuan untuk mengetahui model terbaik dalam klasifikasi kejadian banjir di Sumatera Utara. Model yang dibandingkan adalah Decision Tree, Naive Bayes, KNN, Random Forest, dan SVM. Parameter yang digunakan adalah NDVI, curah hujan, dan slope. Didapatkan hasil bahwa model Random Forest merupakan model terbaik yang dapat mengklasifikasikan kejadian banjir dengan akurasi sebesar 95,59%.

Pengelompokan Toko Pupuk Termurah E-commerce Shopee dengan Metode Klasterisasi

Ni Putu Esti Utami Barsua — 2024-09-26

Penelitian ini bertujuan mengidentifikasi metode terbaik untuk mengelompokkan toko pupuk di Shopee berdasarkan rating, jumlah pengikut, kinerja chat, dan waktu bergabung. Data yang digunakan merupakan data sekunder dari 263 toko pupuk di Shopee, diambil pada 27 April 2024. Karakteristik yang dikumpulkan mencakup jumlah pengikut, rating toko, performa chat, dan waktu bergabung. Metodologi yang diterapkan adalah analisis klaster dengan menggunakan metode K-Means dan K-Medoids. Setelah standarisasi data dan uji non-multikolinearitas, asumsi terpenuhi tanpa perlu menghapus variabel. Statistik Hopkins sebesar 0,934 menunjukkan bahwa data cocok untuk klasterisasi. Metode Elbow dan Silhouette digunakan untuk mengidentifikasi empat klaster optimal. K-Means menunjukkan performa lebih baik karena memenuhi semua kriteria evaluasi, yaitu silhouette coefficient, Dunn index, entropy, Calinski-Harabasz Index (CH Index), dan separation index. Hasil klasterisasi dengan K-Means menunjukkan bahwa klaster ketiga direkomendasikan karena memiliki lebih banyak pengikut, performa chat yang tinggi, dan waktu bergabung yang lama. Sebaliknya, klaster kedua tidak direkomendasikan karena memiliki pengikut yang sedikit, performa chat yang rendah, dan waktu bergabung yang singkat. Penelitian ini menunjukkan bahwa metode K-Means lebih efektif dalam mengelompokkan toko pupuk di Shopee berdasarkan variabel yang ditentukan. Untuk penelitian selanjutnya, disarankan menambah variabel terkait dan mencoba metode klasterisasi lainnya untuk mendapatkan hasil yang lebih optimal.

Penyelesaian Masalah Penugasan Tidak Seimbang Menggunakan Algoritma Modified Ghadle-Munot

Ressa Anggraini — 2024-09-26

UKM Sinar Terang Herbal memiliki 4 karyawan yang ditugaskan pada 6 tahapan produksi pembuatan minuman herbal. Kemampuan setiap karyawan dalam menyelesaikan setiap tahapan produksi berbeda, sehingga perlu dilakukan alokasi setiap karyawan sesuai kemampuannya pada setiap tahapan produksi yang dikerjakan. Masalah yang dialami usaha ini merupakan masalah penugasan tidak seimbang ,dengan kondisi tersebut pengusaha tidak mungkin mengabaikan tahapan produksi yang dikerjakan karena jumlah karyawan lebih sedikit dibandingkan dengan jumlah tahapan produksi yang dikerjakan. Oleh karena itu, pada penelitian ini diselesaikan masalah penugasan tidak seimbang dengan menggunakan algoritma Ghadle-Munot yang dimodifikasi. Modifikasi dilakukan dengan penambahan langkah partisi matriks menjadi beberapa matriks seimbang. Masalah penugasan tersebut dirumuskan dalam model matematika. Model tersebut disusun dalam bentuk matriks, selanjutnya dipartisi menjadi beberapa matriks seimbang. Kemudian ditentukan penyelesaiannya dengan menggunakan algoritma Ghadle-Munot. Berdasarkan hasil penelitian diperoleh solusi optimal yaitu karyawan 1 ditugaskan pada tahapan pencucian dengan waktu penyelesaian selama 37 menit dan tahapan pemasakan dengan waktu penyelesaian selama 683 menit, karyawan 2 ditugaskan pada tahapan pemerasan dengan waktu penyelesaian selama 87 menit, karyawan 3 ditugaskan pada tahapan pemarutan dengan waktu penyelesaian selama 59 menit dan karyawan 4 ditugaskan pada tahapan pendinginan dengan waktu penyelesaian selama 185 menit dan tahapan penggilingan dengan waktu penyelesaian selama 47 menit.

Algoritma Alternating Least Squares Untuk Mesin Rekomendasi Film

Balqis Dwian Fitri Zamzami — 2024-09-26

Abstract: The entertainment world is inseparable from the rapidly growing movie industry and is accompanied by huge data growth. The rapid growth of data has brought about a new era of information. These data are utilized to build innovative, efficient and more effective systems. This research implements a movie recommendation system using the Alternating Least Squares (ALS) algorithm from Apache Spark MLlib with the MovieLens 25M dataset. A collaborative filtering approach with matrix factorization is used to model user preferences and movie characteristics. The evaluation is done by calculating the Root Mean Squared Error (RMSE) on the test data. The first ALS model with default parameters produced the best RMSE of 0.811671, while the second model with different parameters produced an RMSE of 0.839577. The results show that the ALS model with default parameters is able to provide accurate and relevant movie recommendations according to user preferences

Keywords: Film, Recommendation, Big Data, Alternating Least Square, Pyspark

Abstrak: Dunia hiburan tak terlepas dari industri film yang berkembang sangat pesat dan disertai dengan pertumbuhan data yang sangat besar. Pesatnya pertumbuhan data telah membawa era baru informasi. Data-data ini dimanfaatkan untuk membangun sistem-sistem yang inovatif, efisien dan lebih efektif. Penelitian ini mengimplementasikan sistem rekomendasi film menggunakan algoritma Alternating Least Squares (ALS) dari Apache Spark MLlib dengan dataset MovieLens 25M. Pendekatan collaborative filtering dengan matrix factorization digunakan untuk memodelkan preferensi pengguna dan karakteristik film. Evaluasi dilakukan dengan menghitung Root Mean Squared Error (RMSE) pada data uji. Model ALS pertama dengan parameter default menghasilkan RMSE terbaik sebesar 0.811671, sementara model kedua dengan parameter yang berbeda menghasilkan RMSE 0.839577. Hasil menunjukkan bahwa model ALS dengan parameter default mampu memberikan rekomendasi film yang akurat dan relevan sesuai preferensi pengguna

Kata kunci: Alternating Least Square, Big Data, Film, Pyspark, Rekomendasi

Metode Seleksi Variabel dalam Pemodelan Regresi Linear Data Curah Hujan Provinsi Lampung

Elok Fiola — 2024-09-26

Penelitian ini dilakukan dengan tujuan untuk untuk mengseleksi jumlah variabel dalam model regresi linear berganda dengan menggunakan metode best subset, forward stepwise, dan backward stepwise. Evaluasi model dilakukan berdasarkan nilai Adjusted R2 tertinggi, nilai Bayesian Information Criterion (BIC) terendah. Hasil analisis menunjukkan bahwa seleksi jumlah variabel pada model regresi linear berganda yaitu jumlah hari hujan, rata-rata kecepatan angin, rata-rata kelembaban udara, rata-rata suhu udara, dan rata-rata suhu udara minimum. Nilai adjusted R2 tertinggi yang diperoleh adalah 67.1%, serta nilai Bayesian Information Criterion (BIC), yaitu senilai -5.715773. Ketiga metode best subset, forward stepwise, dan backward stepwise menunjukkan konsistensi dalam memilih variabel prediktor yang dimasukkan.

Klasterisasi Bencana dan Dampaknya di Indonesia: Klasterisasi Bencana dan Dampaknya di Indonesia: Evaluasi Metode K-means dengan Integrasi PCA

Nandya Rezky Utami — 2024-09-26

Penelitian ini bertujuan untuk menganalisis dampak bencana di 38 provinsi Indonesia selama tahun 2023 dengan menggunakan metode analisis klaster k-means, baik dengan maupun tanpa integrasi Analisis Komponen Utama (PCA). Data yang digunakan bersumber dari "Data Bencana Indonesia 2023" oleh Badan Nasional Penanggulangan Bencana (BNPB), mencakup variabel jumlah kejadian bencana, jumlah korban, kerusakan rumah, dan kerusakan fasilitas umum. Hasil analisis menunjukkan bahwa k-means dengan PCA memberikan pengelompokan provinsi yang lebih optimal. Skor silhouette yang meningkat dari 0,65 menjadi 0,81 menegaskan efektivitas PCA dalam mereduksi komponen. Secara khusus, Jawa Barat teridentifikasi sebagai provinsi dengan karakteristik unik, mengalami kejadian bencana dan kerusakan yang paling tinggi, dan secara konsisten terpisah dari klaster lainnya dalam kedua metode. Penelitian ini menyoroti pentingnya memahami distribusi geografis dan frekuensi bencana untuk pengembangan kebijakan mitigasi risiko bencana yang lebih efektif dan berkelanjutan, serta mendukung upaya pencapaian target Sendai Framework dan Sustainable Development Goals (SDGs) terkait pengurangan risiko bencana.

Penentuan Jaringan Drainase Yang Optimal Di Pt Bahana Cipta Internusa Menggunakan Metode Kruskal

Rafli El'riza Budiman — 2024-09-26

Pertamina adalah badan usaha milik negara (BUMN) terbesar di Indonesia yang aktif di sektor hulu dan hilir industri minyak dan gas. Sektor hulu meliputi eksplorasi dan produksi minyak, gas dan energi panas bumi. Oleh karena itu PT Pertamina akan menghasilkan limbah yang perlu dibuang dalam bentuk gas atau cair. Dalam menanggulangi hal ini, PT Pertamina di Balikpapan menyelenggarakan proyek RDMP (Refinery Development Master Plan) menjadi proyek terbesar sepanjang sejarah Pertamina yang menggunakan subkontraktor local. Salah satunya yaitu, PT BAHANA CIPTA INTERNUSA yang mengerjakan saluran drainase. Tujuan dari paper ini adalah untuk mengetahui penerapan teori graf yaitu dengan algoritma Kruskal pada salah satu site dari proyek tersebut dan mengetahui perbedaan hasil algoritma Kruskal dengan denah PT BCI dan membandingkan keoptimalannya dengan denah site. Hasil yang didapat adalah graf minimal spanning tree (MST) akan dibandingkan dengan denah proyek PT BCI sebagai bahan pertimbangan untuk kedepannya. Hasil algoritma Kruskal memiliki panjang total saluran sebesar 894 meter ditambah dengan penggalian tanah akibat perubahan arah edge, sedangkan denah site memiliki panjang total sebesar 1538 meter, hampir 2 kali lebih panjang dari graf MST. Jadi dapat disimpulkan bahwa biaya akan drastis berkurang bila menggunakan Algoritma Kruskal.

Pemetaan Klasifikasi dan Analisis Perubahan Vegetasi Mangrove di Pantai Indah Kapuk Tahun 2013 dan 2023

Nabila Randrika Putri — 2024-09-26

Mangrove merupakan sekumpulan dari pohon kecil yang tumbuh subur di zona pasang surut delta sungai, laguna, muara, dan sistem pesisir. Menurut Kementrian Lingkungan Hidup dan Kehutanan, telah terjadi deforestasi dengan luas 12.647 hektar per tahun. Isu lingkungan ini mengancam seluruh vegetasi mangrove di seluruh Indonesia, tak terkecuali di kawasan Pantai Indah Kapuk (PIK) yang berada di Kota Jakarta Utara dan Kabupaten Tangerang. Akibat pembangunan dan aktivitas manusia secara masif, lahan mangrove di kawasan PIK terindikasi mengalami penurunan selama satu dekade terakhir. Tujuan dari penelitian ini adalah untuk mengamati perubahan luas hutan mangrove yang ada di kawasan Pantai Indah Kapuk pada tahun 2013 dan 2023. Metode yang digunakan dalam penelitian ini adalah Classified and Regression Tree (CART) dengan menggunakan citra Landsat 8. Akurasi yang digunakan untuk penilaian akurasi adalah akurasi keseluruhan. Dari hasil klasifikasi, didapatkan hasil bahwa luas lahan mangrove tahun 2013 sebesar 16,612 km² kemudian berkurang menjadi 14,532 km². Hal ini disebabkan karena adanya perubahan alih fungsi lahan mangrove.

Analisis Cadangan Zillmer Dana Pensiun Menggunakan Metode Aggregate Cost Pada Tingkat Suku Bunga Konstan Dan Stokastik

Sulis Dwi Lestari — 2024-09-26

Program dana pensiun merupakan sebuah investasi jangka panjang yang memberikan manfaat finansial setelah seorang pekerja memasuki masa pensiun. Dana pensiun diperoleh dari hasil iuran yang dibayarkan oleh peserta program pensiun. Perhitungan dana pensiun dapat dilakukan dengan banyak metode, salah satunya yaitu aggregate cost. Perhitungan iuran premi dapat dipengaruhi oleh beberapa faktor, salah satunya yaitu tingkat suku bunga. Tingkat suku bunga yang biasa digunakan yaitu tingkat suku bunga konstan dan stokastik. Selain memperhitungkan pembayaran iuran dana pensiun, perhitungan cadangan premi dana pensiun juga diperlukan untuk membayarkan manfaat kepada pihak tertanggung. Salah satu metode perhitungan cadangan premi yaitu metode Zillmer. Pada penelitian ini, digunakan tingkat suku bunga konstan dan stokastik yang meliputi Cox-Ingersoll-Rosss (CIR) dan Vasicek untuk menganalisis premi dan cadangan Zillmer. Dari hasil perhitungan, diperoleh bahwa model suku bunga Vasicek menghasilkan tren yang bergerak secara fluktuatif. Sedangkan tingkat suku bunga CIR menghasilkan tren yang menurun. Perbandingan antar premi berdasarkan suku bunga menghasilkan bahwa, premi berdasarkan suku bunga konstan paling rendah jika dibandingkan premi dengan suku bunga Vasicek dan CIR. Sedangkan cadangan Zillmer searah dengan besar premi yang dibayarkan sehingga cadangan Zillmer menggunakan suku bunga konstan juga memiliki nilai yang paling rendah jika dibandingkan dengan menggunakan suku bunga Vasicek dan CIR.

Pengelolaan Sampah Kota Surakarta Dengan Data Mining

Tri Suryanti — 2024-09-26

Peningkatan volume sampah yang disebabkan oleh pertumbuhan penduduk dan aktifitas ekonomi menjadi permasalahan bagi semua pihak mulai dari hal pelaksanaan di lapangan, tata kelola teknis hingga sudut pandang manajerial. Penelitian ini bertujuan untuk menghasilkan alat bantu untuk mengatasi salah satu permasalahan dalam pendukung pengambilan keputusan yang disebabkan oleh kurangnya alat bantu dalam mengolah data untuk memudahkan dalam mendapatkan pengetahuan. Data volume sampah dalam penelitian ini menggunakan data sampah kota surakarta tahun 2017 sampai dengan tahun 2023. Segmentasi pada data volume sampah tersebut bertujuan untuk mengenali pola sumber penghasil sampah terbesar, sedang dan kecil. Pengetahuan terhadap segmen tersebut dapat digunakan sebagai pendukung dalam pengambilan keputusan strategis pengelolaan sampah kota surakarta. Adanya alat bantu ini, diharapkan pengelolaan sampah dapat menjadi lebih efektif dan efisien, serta memberikan solusi jangka panjang yang berkelanjutan bagi kota surakarta dan generasi di masa mendatang.

Mengungkap Lanskap Kejahatan Provinsi di Indonesia Tahun 2021: Analisis Perbandingan K-Means dan Logika Fuzzy

Afdatul Chofidah — 2024-09-26

Tingkat kejahatan Indonesia menunjukkan penurunan yang konsisten mulai tahun 2017-2021. Meskipun demikian, beberapa provinsi memiliki tingkat kejahatan yang melebihi tingkat kejahatan nasional. Hal tersebut disebabkan faktor lokal pada masing-masing provinsi. Penelitian ini bertujuan untuk mengelompokkan provinsi di Indonesia berdasarkan indikator-indikator kejahatan menggunakan metode K-Means dan Fuzzy dalam clustering. Perbandingan hasil klaster dilakukan berdasarkan indeks validitas internal (connectivity, dunn, dan silhouette) dan stabilitas(APN, AD, ADM, dan FOM). Hasil penelitian menunjukkan bahwa metode K-Means lebih unggul dalam membentuk klaster provinsi. Indeks connectivity, dunn, dan silhouette K-Means berturut-turut sebesar 5,657; 0,913; 0,549 sedangkan Fuzzy sebesar 20,216; 0,183;0,223. Dalam hal stabilitas, K-Means memiliki nilai APN 0,011; AD 2,939; ADM 0,071; dan FOM 0,676, sementara Fuzzy memiliki nilai APN 0,011; AD 4,152; ADM 0,060; dan FOM 0,916. Jumlah klaster yang terbentuk adalah 2, dengan klaster 1 terdiri dari 29 provinsi dan klaster 2 terdiri dari 4 provinsi, masing-masing dengan karakteristik yang berbeda.

Pemetaan Kejadian Balita Stunting Melalui Integrasi Citra Satelit Multisumber dan Official Statistics di Provinsi Nusa Tenggara Timur Menggunakan Machine Learning

Suhendra Widi Prayoga — 2024-09-26

Stunting is a serious problem for the health of children under five. The lack of quality of life for toddlers is one of the causes of the current high prevalence of stunting. East Nusa Tenggara ranks second with the highest prevalence of stunting in Indonesia in 2023. This high rate is triggered by several factors, such as health, socio-economics and environment. In terms of the environment, remote sensing technology can be utilised as a supporting tool in monitoring the incidence of stunting in the region. This study aims to map districts/cities in East Nusa Tenggara based on the incidence of stunting in children under five years old through the integration of multi-source satellite imagery and official statistics using machine learning algorithms. Researchers used non-hierarchical clustering methods such as K-Means, K-Medoids, and Fuzzy C-Means which will then be compared to find the best method. The best method was obtained based on internal validity, such as connectivity, Dunn index, and Silhouette coefficient. The results of this study show that K-Means is the best clustering method based on internal validity criteria. The optimal number of clusters formed is two with connectivity, Dunn index, and Silhouette coefficient values of 2.9290, 0.6931, and 0.4509, respectively. Areas included in cluster two are still very vulnerable to stunting problems. The cluster results obtained are expected to be the basis for the government in overcoming stunting problems in East Nusa Tenggara.

Prediksi Multivariate Time Series Parameter Cuaca Menggunakan Long Short - Term Memory (LSTM)

Romadona Tanjung — 2024-09-26

Cuaca yang tidak stabil dapat mempengaruhi produksi tanaman, salah satunya adalah produksi tanaman pisang yang menjadi komoditas utama di Provinsi Lampung. Penyakit daun pada tanaman pisang akibat cuaca mengurangi produksi dan kualitas buah, sehingga prediksi cuaca penting untuk menjaga produktivitas. Penelitian ini menggunakan data dari stasiun di PT. Great Giant Pineapple yang merupakan salah satu perusahaan besar produksi pisang di Indonesia. Berdasarkan data tersebut akan dibangun model Long Short Term Memory (LSTM) untuk memprediksi parameter cuaca seperti Curah Hujan, Kelembapan Tanah, Suhu Tanah, Konduktivitas Elektrik Tanah, Suhu Tunas Daun, Kecepatan Angin, Tekanan Udara, Suhu Udara, Kelembaban Udara, dan Penyinaran Sinar Matahari secara bersama - sama. Variasi teknik pengisian data kosong (nilai tengah, rata – rata, tetap "0") dan tuning hyperparameter (jumlah neuron, fungsi aktivasi, jumlah epoch, learning rate) dilakukan untuk mendapatkan model terbaik. Model optimal menggunakan 100 neuron, fungsi aktivasi tangen hiperbolik, 100 epoch, learning rate 0,005, dan pengisian data kosong dengan nilai rata – rata menghasilkan RMSE 0,0224. Model LSTM menunjukkan kemampuan baik dalam memprediksi faktor-faktor iklim, namun kurang baik untuk nilai ekstrim. Tanaman pisang menghadapi tantangan utama untuk pertumbuhan optimal. Penerapan sistem irigasi tetes, pengelolaan nutrisi tanah, dan langkah adaptasi lainnya penting untuk memastikan tanaman pisang tetap sehat dan produktif.

Sistem Smart Doorbell Touchless Berbasis Arduino Uno

Kyla Azzahra Kinan — 2024-09-26

Sistem smart doorbell touchless berbasis Arduino Uno bertujuan untuk meningkatkan kenyamanan dan keamanan rumah tangga di era digital. Sistem ini menggunakan sensor PIR untuk mendeteksi gerakan dan memungkinkan pengguna untuk mengaktifkan bel pintu tanpa perlu menyentuhnya secara fisik, sehingga mengurangi risiko penularan penyakit melalui kontak fisik dengan permukaan benda. Penelitian ini menggunakan metode penelitian yang meliputi identifikasi masalah, tinjauan literatur, desain sistem, simulasi sistem, analisis dan evaluasi, serta dokumentasi. Hasil penelitian menunjukkan bahwa sistem smart doorbell touchless berbasis Arduino Uno telah terbukti dapat beroperasi dengan baik. Penggunaan sensor PIR terbukti dapat mendeteksi gerakan dengan akurasi tinggi. Penerapan dari sistem smart doorbell touchless berbasis Arduino Uno ini meningkatkan kenyamanan dan keamanan rumah tangga. Namun demikian, penggunaan sensor PIR dapat mudah terganggu oleh faktor eksternal dan memiliki keterbatasan dalam mendeteksi gerakan pada jarak yang lebih jauh karena sensitivitasnya. Oleh karena itu, penelitian lanjutan dapat difokuskan pada pengembangan sensor yang lebih canggih atau penggunaan teknologi tambahan untuk meningkatkan akurasi deteksi gerakan.

Peramalan Kualitas Air Danau Toba Melalui Citra Satelit dengan Model Peramalan Univariat

Firman Emmanuel Declarantius Parulian — 2024-09-26

Tujuan penelitian ini adalah melakukan monitoring, membandingkan metode peramalan, dan meramalkan kualitas air Danau Toba. Peramalan dilakukan selama 12 bulan ke depan yang didekati dengan variabel Dissolved Oxygen (DO), pH, Land Surface Temperature (LST), Normalized Difference Turbidity Index (NDTI). Pengambilan data bulanan kualitas air menggunakan citra satelit Landsat 8 dan MODIS. Data diambil pada periode Januari 2014 hingga April 2024. Hasil penelitian menunjukkan keempat variabel kualitas air masih termasuk dalam kategori baik. Metode peramalan yang digunakan adalah SARIMA, Prophet, dan LSTM. Metode terbaik untuk setiap variabel kualitas air Danau Toba untuk DO adalah Prophet, pH menggunakan metode LSTM, dan SARIMA digunakan untuk meramalkan LST dan NDTI. Secara rata-rata RMSE, metode ARIMA/SARIMA merupakan metode terbaik dalam meramalkan variabel-variabel kualitas air Danau Toba. Berdasarkan peramalan 12 bulan ke depan, variabel DO cenderung akan naik. Namun, LST menunjukkan adanya penurunan, sedangkan variabel pH dan NDTI menunjukkan pergerakan yang stagnan.

Analisis Kinerja Model ARIMA dan LSTM dalam Memprediksi Jakarta Interbank Spot Dollar Rate (JISDOR)

Ariska Fitriyana Ningrum — 2024-09-26

JISDOR exchange rate data is a collection of time series data with certain patterns, such as trend, seasonal, horizontal, and cyclical. According to Cowpertwait and Metcalfe (2009), one of the time series forecasting techniques is based on statistical mathematical models. As technology develops, forecasting methods are becoming more sophisticated and diverse. This research compares two main methods, namely AutoRegressive Integrated Moving Average (ARIMA) and Long Short-Term Memory (LSTM). ARIMA, a classic method of time series analysis, is used to forecast trends and seasonal patterns. LSTM, a subset of artificial neural networks, promises a solution to long-term dependencies and complex patterns in data. In this study, the stationarity of the data was checked, which showed that the data was not stationary, so differencing was performed. Based on the ACF and PACF plots, the parameter values of p,d,q are (2, 1, 0). Both ARIMA and LSTM models were tested to get the best model based on RMSE and MAPE. The ARIMA model has RMSE 82.537 and MAPE 0.4193, while the LSTM has RMSE 75.807 and MAPE 0.4152. These results show that LSTM is better than ARIMA because the RMSE and MAPE values are lower. Therefore, JISDOR exchange rate forecasting is carried out using the LSTM model.

Analisis Distribusi Kombinasi Spectral Band Value pada Kawasan Taman Nasional Bali Barat

Naila Tsamrotul Aulia — 2024-09-26

Indonesia merupakan salah satu negara yang terletak di garis khatulistiwa dan memiliki iklim tropis. Indonesia memiliki berbagai macam jenis flora maupun fauna oleh karena itu, dibentuklah Taman Nasional untuk menjaga flora dan fauna di habitat aslinya. Pada penelitian ini lokasi yang menjadi tempat penelitian berada di Taman Nasional Bali Barat dimana taman nasional ini berdekatan langsung dengan Pelabuhan Gilimanuk yang sangat ramai karena menjadi penghubung Pulau Jawa dengan Pulau Bali. Pada taman nasional ini juga terdapat tempat destinasi yang sering dikunjungi seperti Pulau Menjangan, Resort Teluk Berumbun, dan Resort Prapat Agung. Adanya kawasan pembangunan dapat mempengaruhi kawasan hijau yang dapat memicu kekeringan. Oleh karena itu, akan diteliti lebih lanjut karakteristik dari keempat area dengan menggunakan analisis spasial kombinasi spectral band value yaitu NDVI, NDWI, NDMI, BSI, dan NDBI. Dari pengolahan parameter tersebut digunakan metode analisis data yaitu regresi linear sederhana. Hasil penelitian menunjukkan bahwa tingkat vegetasi dan kelembaban tanah yang baik pada Teluk Berumbun dan Prapat Agung, tingkat vegetasi kurang baik pada Pulau Menjangan dan tingkat tanah tandus atau area terbangun pada Pelabuhan Gilimanuk.

Analisis Kombinasi Spectral Band Value Kawasan Restorasi Savana di Taman Nasional Baluran

Meryvita Karla Anju Lingga — 2024-09-26

Kekeringan merupakan fenomena alam yang dapat berdampak negatif pada lingkungan, kehidupan manusia, dan ekonomi. Fenomena ini melibatkan berbagai kondisi seperti kondisi atmosfer, curah hujan, ketersediaan air tanah, serta dampaknya terhadap vegetasi dan kehidupan hewan. Dalam penelitian ini, analisis kekeringan dilakukan di Taman Nasional Baluran yang terbagi menjadi empat area: Gunung Baluran, Evergreen Forest, Savana Bekol, dan Pantai Bama. Parameter yang digunakan adalah kombinasi spectral band value termasuk NDVI (Normalized Difference Vegetation Index), NDWI (Normalized Difference Water Index), MNDWI (Modified Normalized Difference Water Index), NDMI (Normalized Difference Moisture Index), dan SAVI (Soil Adjusted Vegetation Index). Teknologi citra satelit sentinel 2A digunakan untuk analisis, serta metode regresi dan PCA (Principal Component Analysis). Hasil penelitian menunjukkan bahwa Gunung Baluran dan Evergreen Forest memiliki vegetasi yang baik, kelembaban tanah tinggi, dan tutupan kanopi yang menunjukkan kawasan berhutan. Sebaliknya, Savana Bekol memiliki karakteristik yang berbeda. Pantai Bama memiliki kebasahan air asin yang tinggi dan merupakan daerah lautan.

Pemetaan Otomatis Air Permukaan dengan Pendekatan Random Forest dan Citra Sentinel-2

Muh Farhan — 2024-09-26

Understanding the presence and distribution of the Earth's surface water is crucial for various environmental planning segments such as water resources management, natural disaster mitigation, environmental conservation, and spatial planning. In addition, the availability of Sentinel-2 satellite imagery data that offers high spatial resolution with wide coverage allows for more accurate and detailed surface water mapping compared to traditional methods. This research presents the utilization of the Random Forest algorithm as a surface water mapping model tested on Sentinel-2 image data and can be applied nationally with a spatial resolution of 10 meters. In this case, the Random Forest model was developed using spectral indices such as Modified Normalized Difference Water Index (MNDWI) and Normalized Vegetation Index (NDVI) as well as true color (RGB) spectral bands. The accuracy assessment results show that the Random Forest model built can perform surface water mapping very accurately, which is confirmed by the evaluation metrics in the form of overall accuracy, average producer's accuracy, and average user's accuracy which have a value of 98.12%, 98.13%, and 98.07%, respectively. Based on these results, it can be seen that the model has significant potential to assist the environmental planning process further through surface water mapping.

Implementasi Business Intelligence dengan Platform Tableau untuk Menganalisis Data Kunjungan Wisata di Indonesia

Tri Ayu Mulyani — 2024-09-26

Indonesia terkenal dengan destinasi wisatanya yang indah, sehingga banyak wisatawan mancanegara yang tertarik untuk datang ke Indonesia. Pariwisata di Indonesia memiliki potensi yang sangat tinggi dalam meningkatkan status ekonomi negara. Pariwisata domestik di Indonesia masih didominasi arus perjalanan wisata di Pulau Jawa. Penelitian ini memanfaatkan sistem Business Intelligence (BI) dengan menggunakan Tableau. Sistem BI tersebut digunakan untuk memvisualisasikan data kunjungan wisata di Indonesia sehingga dapat digunakan untuk mempersingkat waktu dalam proses pengambilan keputusan dalam proses pengolahan dataset. Sedangkang dataset yang digunakan adalah data kunjungan wisata di lima kota besar di Indonesia tahun 2022. Hasil dari penelitian ini berupa dashboard analisis berdasarkan kategori wisata dan dashboard analysis berdasarkan metode berbayar/gratis.

Optimasi Proses Ekstraksi Dan Uji Aplikasi Pewarnaan Kain Menggunakan Pewarna Alami Dari Daun Susupan Gunung (Mimosa pigra L.)

Aulia Zahra — 2024-09-26

Susupan gunung (Mimosa pigra L.) is a weed that grows wild and is often found in peatlands. This plant can grow in tropical and subtropical regions. Phytochemical analysis of the leaves of susupan gunung has shown that the leaves contain tannin compounds, indicating the potential of these leaves to be a source of natural textile dyes. Natural dyes can replace synthetic dyes in the textile industry, which can pollute the environment due to their carcinogenic nature. This research to find the optimal operating conditions for extracting natural dyes from susupan gunung leaves and to test the dyeing quality of cotton fabric using susupan gunung leaf extract. The variables used in the extraction process are temperature, time, and ratio of raw material to solvent volume. The tannin concentration in the extract was analyzed using the volumetric method and optimized using Response Surface Methodology (RSM) with the Box-Behnken model. Fabric dyeing was performed using alum, iron, and calcium as mordants after dyeing the fabric. The result of this research indicate that the optimal operating conditions are at a temperature of 77^oC, a time of 40 minutes, and a raw material to solvent volume ratio of 1:8, with a tannin concentration of 0,004 g/ml. The best fabric dyeing quality results were obtained using alum mordant, with a colorfastness rating of 4-5 (good) for washing and a colorfastness rating of 5 (very good)for rubbing.

Penentuan Kondisi Operasi Optimum Proses Ekstraksi Zat Warna Alami Dari Daun Senduduk (Melastoma malabathricum) Serta Penentuan Jenis Dan Konsentrasi Pengawet Ekstrak

Erina Endah Kusuma Wardani — 2024-09-26

Senduduk (Melastoma malabathricum) is a common wild plant found in shrubs. This plant has the potential to be a natural dye source, as its leaves contain tannins, flavonoids, saponins, anthocyanins, and carotenoids. The use of natural dyes in textiles needs to be massively enhanced to reduce the negative impact of synthetic dyes on the environment. This experiment aims to determine the optimum operating conditions for extraction and to determine the effective concentration of preservatives to inhibit biodegradation reactions in natural dye extracts from Senduduk leaves. Variables observed in the extraction process include time, temperature, and the ratio of the weight of the material to the solvent. The content of natural dyes in the extract was analyzed using gravimetric methods. The optimization of natural dye content with time, temperature, and the ratio of the weight of the material to the solvent volume was performed using Response Surface Methodology (RSM) with the Box-Behnken model. To determine the concentration of preservatives, chitosan and tannic acid were added to the natural dye extract, and storage was conducted for 20 days. Every 2 days, the extract was taken for analysis of natural dye concentration using gravimetric methods. The results of the study indicate that the optimum operating conditions for extraction were 45 minutes of time, 90°C temperature, and a ratio of the weight of the material to the solvent volume of 1:10 g/mL resulted in a natural dye content of 19.164%. The most effective preservative used to preserve natural dye extracts from Senduduk leaves is 0.50% tannic acid.

Image-based PM10 Concentration Classification with Convolutional Neural Network

Michael Angandowa Boeaya — 2024-09-26

Air pollution is a crucial environmental problem. One of the air quality indicators is the concentration of PM10, which is particulate matter less than 10 microns in size. Unfortunately, PM10 monitoring in Indonesia is only available at 15 observation stations. In fact, the availability of PM10 information in real time is important for pollution control and health protection. Therefore, this research focuses on sky image-based PM10 concentration analysis by utilizing photos taken using smartphone cameras. By applying CNN, PM10 concentration estimation can be done in real time. To achieve the goal, a total of 300 image data were retrieved from Beijing tourism web along with PM10 attributes. The images were classified into three categories: 'good', 'moderate', and 'unhealthy'. A total of 80% of the data is used to train six variations of CNN models. Furthermore, the model with the highest accuracy will be selected as the best model. The results show that CNN architecture with Leaky ReLU activation function and average pooling is valid to classify images based on PM10 concentration. The results of this study can be a powerful tools for improving public health and reducing the impact of air pollution.

Peramalan Harga Daging Ayam di NTT Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA)

Dinda Meyda Putri — 2024-09-26

Harga ayam ras memiliki peranan yang penting dalam pemenuhan sumber gizi protein hewani. Fluktuasi harga dapat mempengaruhi daya beli konsumen, ketersediaan stok, kesejahteraan petani dan peternak, stabilitas pasar yang disebabkan oleh lonjakan permintaan pada momen liburan dan hari raya keagamaan. Oleh karena itu, peramalan memiliki kontribusi terhadap pemantauan dan manajemen yang cermat dalam pemenuhan sumber protein hewani tersebut dari kebijakan pemerintah demi kesejahteraan masyarakat Metode ARIMA merupakan salah satu teknik yang dipakai dalam pemodelan data deret waktu dengan tujuan untuk melakukan prediksi terhadap data pada periode yang akan datang. Data pengamatan yang digunakan adalah data harian Harga Ayam Ras di NTT mulai tanggal 1 Januari sampai 18 Mei 2024. Hasil analisis pada penelitian ini mendapatkan model yang sesuai untuk data harian Harga Ayam Ras di NTT yaitu model ARIMA (0,1,1) dengan Mean Absolute Percentage Error (MAPE) sebesar 1.337091 atau 1.3371%. Hasil peramalan menunjukkan terjadinya peningkatan nilai Harga Ayam Ras di NTT dari waktu sebelumnya. Dengan demikian, nilai Harga Ayam Ras di NTT untuk waktu yang akan datang berada dalam tahap mahal dan terjadi penurunan daya beli konsumen.

Peramalan Tingkat Inflasi di Indonesia dengan Metode ARIMA-GARCH Berdasarkan Optimasi Kalman Filter

M. Al Haris — 2024-09-27

Forecasting inflation rates is a crucial aspect of economic analysis influenced by price volatility. This volatility occurs when prices fluctuate, leading to non-constant data variance and resulting in a violation of the homoscedasticity assumption (heteroscedasticity) in inflation forecasting. Violating this assumption can cause bias in model estimation. To address the heteroscedasticity issue, this study employs the Autoregressive Integrated Moving Average (ARIMA) Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model. This method can model and forecast the variance of residuals that are not constant in the data. To further optimize the model, this study integrates the Kalman Filter as a technique to minimize error covariance. The data used in this study is the inflation rate data of Indonesia from January 2010 to December 2023. Based on the analysis results, the presence of heteroscedasticity in Indonesia's inflation rate data is detected in the residuals. The best model obtained is the ARIMA(0,1,1)-GARCH(1,1) model. The application of the Kalman Filter in this method improves the estimation results, as indicated by the MAPE value of the ARIMA(0,1,1)-GARCH-Kalman Filter polynomial degree 2 at 3.60%, compared to the ARIMA(0,1,1)-GARCH(1,1) model at 12.42%. The forecasted average inflation rate for Indonesia for the next six periods ranges between 2% and 3%.

Pemantauan Citra PLN Melalui Analisis Sentimen Berbasis LSTM pada Platform Digital

Angela Lisanthoni — 2024-09-27

Di era digital, persaingan bisnis semakin ketat, dan media digital menjadi platform penting bagi perusahaan untuk mempromosikan produk serta memahami opini publik. Mengelola citra brand dan menanggapi sentimen publik menjadi krusial untuk mempertahankan daya saing. Penelitian ini melakukan analisis sentimen untuk mengevaluasi opini publik terhadap brand PLN selama Januari 2024. Data dikumpulkan dari berbagai platform media digital dan dianalisis menggunakan metode lexicon sentimen. Selain itu, model deep learning berbasis Long Short-Term Memory (LSTM) dengan framework TensorFlow dikembangkan untuk mengklasifikasikan sentimen. Dari 49.432 data yang dianalisis, 16,64% kalimat bersentimen negatif, 36,69% positif, dan 26,43% netral. Model LSTM menunjukkan akurasi 92%, dengan rata – rata precision 91,67%, recall 92%, dan f1-score 91,33%.

Analisis Pola Aktivitas Gempa Bumi di Pulau Sumatera dengan Metode K-Means Clustering dan Rantai Markov

Putri Anissa Rahmi — 2024-09-27

Penelitian ini bertujuan untuk mengidentifikasi dan memahami pola aktivitas gempa bumi di Pulau Sumatera. Dengan menggunakan data magnitudo (mag), kedalaman (depth), dan waktu kejadian gempa (hari ke- dalam satu tahun), penelitian ini memberikan wawasan mendalam tentang distribusi dan karakteristik gempa di wilayah tersebut. Data yang mengandung pencilan (outlier) dideteksi menggunakan visualisasi boxplot, kemudian data diolah lebih lanjut dengan metode k-means clustering untuk mengelompokkan data ke dalam cluster-cluster yang berbeda. Setiap cluster yang terbentuk direpresentasikan sebagai ruang keadaan (state) dalam model markov chain, memungkinkan prediksi pola gempa di masa depan berdasarkan transisi antar state tersebut. Dari hasil penelitian, diperoleh peluang pola aktivitas gempa bumi dengan peralihan keadaan tertinggi untuk magnitudo (mag) yaitu sebesar 0.5339 (dari magnitudo sedang ke sedang), untuk kedalaman (depth) yaitu sebesar 0.7165 (dari kedalaman menengah ke menengah), dan untuk waktu terjadinya gempa yaitu sebesar 0.9942 (dari awal tahun ke awal tahun). Pendekatan ini diharapkan memberikan kontribusi signifikan dalam mitigasi risiko bencana dan perencanaan penanggulangan gempa bumi di Pulau Sumatera.

Analisis Probabilitas Gempa Bumi di Pulau Jawa Menggunakan Model Markov Chain

Ghulam Ahmad Rifa'i — 2024-09-27

Pulau Jawa merupakan salah satu pulau di Indonesia yang sering mengalami gempa bumi dan berpotensi terjadinya gempa bumi berskala besar karena terdapat zona subduksi di sepanjang selatan pulau tersebut. Penelitian ini bertujuan untuk menganalisis probabilitas terjadinya gempa bumi di Pulau Jawa berdasarkan model Markov Chain, dengan fokus pada parameter waktu terjadinya gempa bumi, kekuatan gempa bumi, dan kedalaman gempa bumi. Pada penelitian ini, ruang keadaan pada model Markov Chain diperoleh dengan menggunakan K-Means Clustering. Diperoleh 3 ruang keadaan untuk waktu terjadinya gempa bumi, 5 ruang keadaan untuk kedalaman gempa bumi, dan 5 ruang keadaan untuk kekuatan gempa bumi. Hasil penelitian menunjukkan bahwa probabilitas transisi terbesar untuk waktu kejadian gempa bumi pada “Tengah Tahun” ke waktu kejadian “Tengah Tahun” sebesar 98.84%, untuk kedalaman gempa bumi di kedalaman “Dangkal” ke kedalaman “Dangkal” sebesar 57.04%, dan untuk kekuatan gempa bumi dengan kekuatan “Lemah” ke kekuatan “Sangat Kuat” sebesar 73.68%. Hasil ini dapat memberikan wawasan untuk memprediksi terjadinya gempa bumi, yang dapat berkontribusi pada mitigasi risiko dan pengurangan dampak gempa bumi di Pulau Jawa.

Metode Triple Exponential Smoothing Untuk Peramalan Indeks Harga Konsumen Kota Surabaya Tahun 2020-2023

Rachmat Kahfiwan Nur — 2024-09-29

Penelitian ini menggunakan data BPS kota Surabaya. Berdasarkan data BPS Kota Surabaya, inflasi di Kota Surabaya lebih tinggi dibandingkan nasional. Indeks harga konsumen adalah metrik yang digunakan oleh pemerintah untuk mengukur inflasi. Indeks harga konsumen melacak perubahan biaya hidup dari waktu ke waktu. Jika persentase yang digunakan dalam analisis tingkat atau laju inflasi meningkat atau menurun, maka akan menimbulkan ketimpangan dalam masyarakat, sehingga perlu adanya tinjauan ke masa depan. Metode yang digunakan dalam penelitian ini adalah pemulusan triple eksponensial Holt-Winter. Tujuannya adalah untuk mengetahui nilai indeks harga konsumen di masa yang akan datang serta mampu menyusun rencana dan pedoman untuk mengukur total biaya barang dan jasa yang dibeli konsumen. Model terbaik yang diperoleh dengan metode TES-HW adalah model Additive dengan nilai parameter optimal sebesar α = 0.91567, β = 0.17162 dan γ = 1 serta nilai MSE sebesar 0.1610247 dan RMSE sebesar 0.4012789. Hasil ramalan indeks bharga konsumen Kota Surabaya tahun 2024 mendatang akan mengalami fluktuasi setiap tahunnya. Harga konsumen tertinggi sebesar 118,2 pada bulan Desember 2023 dan terendah pada bulan Januari 2020 sebesar 103,9. Kota Surabaya mempunyai tingkat akurasi prediksi yang dapat diterima karena nilai MAPE sebesar 20-50% dengan akurasi 0.245388665%.

Analisis Perbandingan Metode Klasifikasi Pada Pemetaan Tutupan Lahan di Provinsi DI Yogyakarta Tahun 2023

Yulia Nawang Wulandari — 2024-10-07

Penelitian ini membandingkan tiga metode klasifikasi tutupan lahan di Provinsi DI Yogyakarta menggunakan citra satelit Sentinel-2A pada tahun 2023. Metode yang digunakan meliputi Classification and Regression Trees (CART), Random Forest (RF), dan Support Vector Machine (SVM). Penelitian ini bertujuan untuk mengidentifikasi metode klasifikasi yang paling efektif dalam mengestimasi luas tutupan lahan dengan membandingkan akurasi, efisiensi, dan adaptabilitas dari masing-masing metode. Hasil menunjukkan bahwa metode Random Forest memiliki akurasi tertinggi dengan overall accuracy sebesar 83,02 persen dan kappa coefficient sebesar 76,28 persen. Oleh karena itu, metode Random Forest merupakan metode klasifikasi terbaik dibandingkan CART dan SVM dalam pemetaan tutupan lahan di Provinsi DI Yogyakarta tahun 2023. Metode ini berhasil mengidentifikasi vegetasi sebagai tutupan lahan dominan di wilayah tersebut. Temuan ini berkontribusi pada perencanaan tata ruang yang berkelanjutan dan pengelolaan sumber daya alam di Provinsi DI Yogyakarta, mendukung pencapaian tujuan pembangunan berkelanjutan (SDGs) terkait kehidupan di darat dan kota yang berkelanjutan.

Analisis Sentimen Penggunaan Kendaraan Listrik terhadap Lingkungan di Indonesia dengan Pendekatan Machine Learning

Muhammad Hafiz Albab — 2024-10-07

Penelitian ini menganalisis sentimen masyarakat Indonesia terhadap kendaraan listrik dan dampaknya terhadap lingkungan menggunakan data dari Twitter sebanyak 1010 data. Metode klasifikasi yang digunakan meliputi SVM dengan kernel (linear, polinomial, sigmoid, dan RBF), Naive Bayes, dan Random Forest. Selain itu, untuk mengatasi ketidakseimbangan data, diterapkan metode SMOTE. Hasil analisis sentimen menunjukkan bahwa terdapat 62,64% sentimen positif dan 37,36% sentimen negatif dengan metode klasifikasi terbaik adalah Naive Bayes yang memiliki tingkat akurasi 84%. Temuan ini memberikan wawasan penting bagi pemerintah untuk dapat mendukung penggunaan kendaraan listrik di Indonesia dengan tetap memperhatikan penggunaan sumber energi terbarukan. Penelitian ini juga memberikan dasar pengambilan keputusan bagi masyarakat terkait pembelian kendaraan listrik dengan mempertimbangkan kontribusinya terhadap polusi udara di Indonesia.

Eksplorasi Data Craniometry Manusia Indigenous dalam Upaya Pelacakan Pola Biogeografis pada Homo sapiens dengan Menggunakan Metode Complete Linkage Clustering

Ulfa Diana — 2024-10-07

Manusia indigenous merupakan masyarakat adat yang berasal dari berbagai belahan dunia dan memiliki karakteristik yang beragam. Karakteristik dari manusia indigenous dapat dilihat dari keberagaman bentuk tengkorak. Sehingga diperlukan data pengukuran dimensi tengkorak atau craniometry yang digunakan untuk menganalisis tentang keragaman biologis dan evolusi pada manusia, termasuk manusia indigenous diberbagai wilayah. Untuk menganalisis karakteristik craniometry di setiap wilayah, dapat digunakan ilmu matematika yaitu analisis cluster. Salah satu metode pada analisis cluster adalah complete linkage clustering yang digunakan untuk melakukan pengelompokan terhadap pesebaran dari craniometry berdasarkan pada bagian tengkorak yang diukur. Pada penelitian ini digunakan data sebanyak 2524 sampel dengan 82 variabel pengukuran bagian tengkorak dan tersebar pada 30 populasi dunia. Berdasarkan hasil pengelompokan 2, 4, 6, 8, 10, dan 12 cluster diperoleh hasil bahwa hampir seluruh spesimen di seluruh subregional berada pada setiap cluster yang artinya spesimen memiliki karakteristik ukuran tengkorak yang mirip. Hal ini menunjukkan bahwa terdapat jalur migrasi yang menyebabkan manusia saling berinteraksi sehingga ukuran dan bentuk tengkorak pada setiap subregional cenderung lebih beragam. Selain itu, diperoleh variabel JUB (Bijugal Breadth) atau ukuran dari lebar wajah yang menjadi variabel signifikan atau utama.

Analisis Perubahan Iklim: Frekuensi Bencana Alam dan Kerugian Ekonomi Menggunakan Google

Awis Damayanti — 2024-10-08

Penelitian ini menganalisis dampak perubahan iklim terhadap frekuensi bencana alam dan kerugian ekonomi global dari tahun 2000 hingga 2018. Tujuannya adalah untuk memahami pola dan tren yang terkait, menggunakan pendekatan analisis data eksploratif dengan Google Colab untuk mendukung strategi mitigasi dan adaptasi yang lebih efektif. Penelitian ini menggunakan metode CRISP-DM, yang melibatkan langkah-langkah pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Data dianalisis menggunakan Google Colab dengan model regresi linier untuk memahami hubungan antara perubahan iklim, frekuensi bencana alam, dan kerugian ekonomi.Penelitian menemukan bahwa peningkatan frekuensi dan intensitas bencana alam melemah signifikan dengan meningkatnya kerugian ekonomi global. Model regresi linier menunjukkan hubungan yang kuat antara perubahan iklim dan variabel-variabel ini, yang divisualisasikan melalui dashboard interaktif di Looker Studio untuk mendukung pengambilan keputusan mitigasi dan adaptasi. Perubahan iklim secara signifikan meningkatkan frekuensi bencana alam dan kerugian ekonomi global. Rekomendasinya adalah meningkatkan strategi mitigasi dan adaptasi berbasis data. Dashboard interaktif di Looker Studio memudahkan eksplorasi data, mendukung pengambilan keputusan yang lebih informatif dan efektif.

Pemetaan Wilayah Aman dan Berkelanjutan dalam Dimensi Lingkungan di Indonesia dengan Pendekatan K-Means Clustering

Ikhlasul A'mal — 2024-10-08

Tujuan ke-11 dalam SDGs adalah menjadikan kota dan pemukiman yang inklusif, aman, tangguh dan berkelanjutan. Karakteristik masing-masing provinsi di Indonesia sangat beragam, namun belum ada informasi mengenai ketercapaian kriteria menuju target tersebut. Dengan berfokus pada target wilayah aman dan berkelanjutan dari perspektif lingkungan, penelitian ini bertujuan untuk melakukan klasifikasi 34 provinsi di Indonesia berdasarkan tiga dimensi, yaitu ketahanan terhadap bencana alam, tingkat pencemaran lingkungan, dan akses terhadap energi serta menganalisis asosiasi antara ketiga dimensi. Data yang diperoleh dari BPS dan Google Earth Engine dianalisis dengan metode K-means clustering dan odds ratio. Hasil penelitian menunjukkan bahwa belum ada provinsi yang sudah tergolong baik pada semua dimensi, 11 provinsi sudah tergolong baik pada 2 dimensi, dan masih ada 2 provinsi yang belum tergolong baik pada dimensi mana pun. Masing-masing dimensi berasosiasi dengan dimensi lainnya, yang diharapkan dapat menjadi pertimbangan dalam pembuatan kebijakan.

Prediksi Gender Username Twitter Indonesia Terkait Otomotif Menggunakan Hierarchical Classification dan BERT

Syifa Ghaisani — 2024-10-08

Preferensi dalam industri otomotif seringkali dipengaruhi oleh faktor gender, dengan pria dan wanita menunjukkan kecenderungan yang berbeda dalam memilih jenis, desain, dan fitur kendaraan. Media sosial seperti Twitter telah menjadi sumber informasi yang berharga bagi perusahaan otomotif untuk memahami preferensi konsumen, mengidentifikasi tren pasar, dan merancang strategi pemasaran yang lebih efektif. Penelitian ini menggunakan data dari media sosial Twitter Indonesia dengan fokus pada kata kunci otomotif untuk melakukan prediksi gender pengguna berdasarkan nama pengguna mereka. Dataset yang digunakan terdiri dari 14.805 data berlabel dan 5.443 data uji. Metode yang diterapkan dalam penelitian ini meliputi Hierarchical Classification Heuristic dan Bidirectional Encoder Representations from Transformers (BERT), serta analisis efektivitas pemotongan suku kata melalui proses rekayasa fitur. Selain itu, penelitian ini juga memperkenalkan nameXpander, sebuah metode rekayasa fitur yang mengembangkan representasi nama pengguna dengan memperluas nama pengguna asli menggunakan ekspansi kata-kata berbahasa Indonesia yang umum digunakan. Hasil penelitian menunjukkan bahwa model kombinasi antara BERT dengan nameXpander mencapai akurasi prediksi tertinggi sebesar 90%. Hal ini menegaskan bahwa analisis data media sosial, khususnya melalui kombinasi metode BERT dengan nameXpander, dapat menjadi alat yang efektif untuk memahami dan merespons preferensi gender dalam pasar otomotif.

Klasifikasi Produk Otomotif di Lokapasar Indonesia Menggunakan Model BERT

Rifaldi Achmad Faisal — 2024-10-08

Penggunaan kendaraan pribadi, khususnya mobil, semakin meningkat seiring dengan perkembangan industri otomotif. Peningkatan ini didukung oleh meluasnya perkembangan toko daring berbasis otomotif oleh UMKM dan merek otomotif ternama di dunia. Oleh karena itu, menarik untuk melakukan klasifikasi berdasarkan jenis produk. Penelitian ini bertujuan untuk melakukan klasifikasi kategori menggunakan data produk penjualan pada lokapasar seperti Tokopedia, Shopee, Blibli, Lazada, dan Bukalapak. Data diambil berdasarkan judul produk dan kata kunci daftar pencarian di platform lokapasar pada bulan Januari dan Februari 2023. Metode klasifikasi yang digunakan adalah BERT (Bidirectional Encoder Representations from Transformers). Penelitian ini mengkategorikan sebanyak 6 kategori jenis produk. Berdasarkan hasil penelitian, kategori jenis produk terbanyak adalah suku cadang mobil. Pengujian menggunakan model BERT menghasilkan akurasi sebesar 90.83%. Dengan melakukan pengklasifikasian kategori otomotif pada beberapa lokapasar menggunakan metode seperti BERT, penelitian ini diharapkan dapat membantu untuk lebih menyesuaikan produk pada kategori yang relevan dengan lebih akurat.

Tren Sentimen Media Sosial terhadap Merek Mobil Terlaris di Indonesia Menggunakan BERT

Rizqi Maulidi — 2024-10-08

Penggunaan mobil sebagai alat transportasi masih menjadi pilihan utama bagi sebagian besar warga Indonesia. Media sosial sebagai tempat masyarakat menyampaikan opini dapat menjadi sumber evaluasi berharga bagi produsen mobil untuk melakukan analisis sentimen. Penelitian ini menganalisis sentimen dari media sosial seperti Facebook, X (Twitter), YouTube, LinkedIn, Tiktok, dan Instagram. Studi ini memfokuskan pada lima merek mobil terlaris di Indonesia pada tahun 2023 dengan data dari Januari 2023 hingga April 2024 menggunakan model BERT. Hasil prediksi sentimen menunjukkan rata-rata akurasi 87,33% dan F1-Score 87,52%. Toyota dengan penjualan terlaris, menunjukkan kenaikan sentimen positif dan negatif dari Januari 2023 hingga April 2023. Daihatsu menunjukkan konsistensi sentimen positif dan penurunan sentimen negatif sejak Maret 2023. Honda mengalami peningkatan sentimen positif dari Januari 2023 hingga Mei 2023 dan penurunan sentimen negatif sejak Maret 2023. Mitsubishi hanya mengalami peningkatan sentimen positif dari Januari 2023 hingga April 2023 dan penurunan tidak konstan pada sentimen negatif sejak Januari 2023. Suzuki mengalami peningkatan sentimen positif dari Februari hingga Maret 2023, sementara sentimen negatif cenderung jauh lebih rendah dibandingkan merek lainnya.

Penerapan BERT untuk Klasifikasi Aspek dalam Media Massa Otomotif Indonesia

Zahra Tifani Apriliana — 2024-10-08

Peluang besar pasar industri otomotif di Indonesia tercermin dari peningkatan penjualan kendaraan sebesar 5,7% pada Maret 2024. Dalam era digital ini, media massa menjadi salah satu alat utama bagi perusahaan otomotif untuk memasarkan kendaraan dan mengoptimalkan penjualan. Untuk mengoptimalkan penjualan, penelitian mengenai aspek-aspek otomotif yang populer baik di perusahaan kita maupun kompetitor sangat diperlukan. Penelitian ini menggunakan data dari beberapa media massa dari Januari hingga Juli 2023 dengan total sebanyak 14.654 data. Metode penelitian yang digunakan yaitu Bidirectional Encoder Representations from Transformers dengan hasil akurasi mencapai 77%. Dalam penelitian ini, kami mengklasifikasikan enam aspek dalam industri otomotif. Berdasarkan hasil penelitian, aspek yang paling sering muncul adalah aspek ramah lingkungan dan keselamatan. Lima merek otomotif teratas menunjukkan frekuensi kemunculan aspek yang berbeda-beda.

Analisis Komunitas Jejaring Sosial pada Merek Mobil Terlaris di Indonesia Tahun 2023 dengan Metode Louvain

Silvia Zahro — 2024-10-09

Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo) mengumumkan data penjualan wholesale pada bulan Desember 2023, yang menunjukkan bahwa pasar otomotif di Indonesia mencapai 1.005.802 unit. Informasi ini menarik perhatian di jejaring sosial, khususnya di Twitter, di mana aktivitas pengguna menunjukkan minat yang signifikan terhadap merek mobil terlaris pada tahun 2023. Sebanyak 2.115 tweet dari Twitter yang terkait dengan industri otomotif dianalisis dalam penelitian ini. Melalui analisis graf menggunakan Metode Louvain, komunitas-komunitas diidentifikasi untuk menggambarkan dinamika diskusi dan pandangan di platform tersebut. Hasil penelitian menunjukkan adanya variasi yang signifikan dalam modularitas komunitas, dengan komunitas terbesar yaitu merek Toyota memiliki modularitas sebesar 0,848, sementara komunitas terkecil yaitu merek Honda memiliki modularitas sebesar 0,910. Penelitian ini memberikan wawasan yang berharga tentang pola interaksi dan preferensi pengguna Twitter terhadap merek mobil terlaris pada tahun 2023, termasuk topik-topik utama seperti promosi dan penawaran menarik dari Daihatsu untuk mobil-mobil mereka di Indonesia.

Analisis Media Sosial dan Massa Terhadap Industri Otomotif Indonesia Menggunakan Semi-supervised LDA

Alfathamdi Putra Umaryadi — 2024-10-09

Setiap tahunnya, industri otomotif di Indonesia memproduksi lebih dari 1 juta unit, dan kontribusi ekspor sebesar USD 258,82 Miliar pada tahun 2024. Media massa dan media sosial sumber informasi publik yang dapat digunakan untuk meningkatkan pertumbuhan industri otomotif. Namun, perbincangan di media sosial dan berita di media massa sering kali tidak terarah karena beragamnya topik yang dibahas, sehingga sulit untuk melakukan analisis. Penelitian ini bertujuan untuk mengklasifikasikan topik-topik menjadi 5 kategori, yaitu Biaya, Fitur, Reliabilitas, Keamanan, Keselamatan, dan Ramah Lingkungan. Metode topik modeling semi-supervised LDA digunakan untuk mengklasifikasi data yang bersumber dari 15 platform media massa seperti Otomotif Kompas, Gaikindo, Carmudi Indonesia, dan lainnya, serta 5 platform media sosial seperti TikTok, X (Twitter), Facebook, dan lainnya. Evaluasi terhadap model yang dibuat menunjukkan tingkat koherensi sebesar 2,5. Berdasarkan penelitian ini, dengan menggunakan tingkat relevansi sebesar 0,2, peneliti menemukan bahwa pada aspek Biaya, merek Honda yang paling sering diperbincangkan, sementara merek Daihatsu menjadi yang paling diperbincangkan dalam aspek Ramah Lingkungan, dan Toyota adalah merek yang paling diperbincangkan dalam aspek Reliabilitas.

Analisis Sentimen Masyarakat Terhadap Pemakaian Galon Sekali Pakai

Bafinatul Umami — 2024-10-09

Adanya inovasi penggunaan galon sekali pakai menimbulkan reaksi yang beragam di kalangan masyarakat. Penggunaan jenis plastik daur ulang PET sebagai kemasan produk dinilai berpotensi memperburuk kondisi sampah di Indonesia. Selain itu, galon sekali pakai yang dinilai lebih baik dibanding galon isi ulang, nyatanya juga memiliki zat yang berbahaya bagi kesehatan. Oleh karena itu, penelitian ini bertujuan untuk mengetahui tanggapan masyarakat Indonesia akan adanya inovasi galon sekali pakai dari aspek lingkungan dan kesehatan. Dalam penelitian ini, sentimen dibagi menjadi 3 menjadi sentimen positif, negatif, dan netral. Akan tetapi penelitian ini berfokus pada penerimaan dan penolakan orang-orang terhadap galon sekali pakai, sehingga sentimen netral dihapuskan. Model klasifikasi yang digunakan adalah Naive Bayes, SVM, dan KNN. Berdasarkan hasil perbandingan setiap model, Naive Bayes menjadi model yang digunakan dalam model karena memiliki akurasi tertinggi yaitu sebesar 91,19%. Lebih lanjut, Naive Bayes mampu memprediksi sentimen positif maupun negatif dengan baik berdasarkan hasil nilai precision, recall, dan F1-Score yang mendekati 1.

Pengklasifikasian Anak Berhadapan Hukum (ABH) Di Kota Balikpapan Dengan Penerapan Metode Naïve Bayes

Nanda Clariza Febriandini — 2024-10-09

Anak berhadapan hukum didefinisikan sebagai anak yang terlibat dalam proses peradilan karena melakukan perbuatan yang diatur oleh undang-undang, baik itu perbuatan yang dapat merugikan dirinya sendiri maupun orang lain. Tingkat kasus anak berhadapan hukum di Kota Balikpapan relatif tinggi, sehingga dibutuhkan penanganan agar kasus ini dapat menurun. Salah satu upaya penanganan adalah adanya tahap rehabilitasi yang dilakukan oleh Dinas Sosial Kota Balikpapan di bidang Rehabilitasi Sosial. Terdapat 11 faktor yang mempengaruhi anak berhadapan hukum, termasuk jenis kelamin, usia, kecamatan, anak terlantar, hubungan dengan kepala keluarga, status pernikahan, status sekolah, memiliki disabilitas, keluarga tidak mengurus pelaku, rentan mengalami tindak kekerasan dari lingkungan, dan memiliki keluarga tetap mengalami tindak kekerasan. Penelitian ini menggunakan metode klasifikasi dengan Naïve Bayes dan dataset anak berhadapan dengan hukum sebanyak 119 data dengan 11 atribut. Hasil uji coba menunjukkan bahwa faktor yang sangat berpengaruh terhadap Anak Berhadapan Hukum (ABH) secara berurutan adalah faktor status pernikahan dengan probabilitas sebesar 96%, faktor hubungan dengan kepala keluarga dengan probabilitas sebesar 95%, faktor usia dengan probabilitas sebesar 82%, faktor status sekolah dengan probabilitas sebesar 72%, dan faktor jenis kelamin dengan probabilitas sebesar 57%.

Penerapan Penerapan Metode K-Medoids Untuk Pengelompokan Tingkat Kemiskinan Pada Kabupaten/Kota Provinsi Kalimantan Timur

Gloria Luvita Diazmy — 2024-10-09

Upaya penanganan kemiskinan telah menjadi prioritas dalam rencana kerja pemerintah dimana penanganan tersebut diharapkan menjadi cara yang baik untuk mengatasi kemiskinan. Salah satu caranya adalah dengan mengelompokkan karakteristik masing-masing daerah berdasarkan indikator kemiskinan. Sehingga nantinya dapat diketahui cluster yang sangat berpengaruh pada masyarakat kemiskinan. Jumlah penduduk miskin di Provinsi Kalimantan Timur berdasarkan survei Badan Pusat Statistik (BPS) Persentase penduduk miskin di Provinsi Kalimantan Timur pada September 2022 naik menjadi 6,44 persen atau meningkat 0,13 poin persen terhadap Maret 2022. Permasalahan kemiskinan menjadi masalah yang harus segera ditangani oleh pemerintah. Istilah kemiskinan muncul jika sekelompok orang tidak mampu mencukupi tingkat kesejahteraan ekeonomi yang dianggap sebagai kebutuhan minimal. Oleh karena itu, penelitian ini dilakukan untuk mengetahui pengelompokan Indikator Tingkat Kemiskinan yang ada di Provinsi Kalimantan Timur dengan menggunakan analisis clustering K-Medoids dengan jumlah k optimum menggunakan Silhouette Coefficient dan sebagai gambaran bagi pemerintah untuk upaya penanggulangan kemiskinan. Dengan Silhouette coefficient diperoleh 2 Cluster yaitu Cluster 1 Tingkat Kemiskinan Tinggi dengan 7 Kab/Kota yaitu Kabupaten Paser, Kutai Barat, Kutai Kartanegara, Kutai Timur, Berau, Penajam Paser Utara, dan Mahakam Ulu dan Cluster 2 Tingkat Kemiskinan rendah dengan 3 Kab/Kota yaitu Balikpapan, Samarinda, dan Bontang.

Analisis Perhandingan Produk Domestik Regional Bruto (PDRB) Selama dan Setelah COVID-19

Mahda Safitri Khuzaini — 2024-10-09

Penelitian ini bertujuan untuk menganalisis perbandingan Produk Domestik Regional Bruto (PDRB) selama dan setelah periode pandemi COVID-19 di Indonesia berdasarkan provinsi. Data yang digunakan merupakan data sekunder yang diambil dari laman resmi Badan Pusat Statistik (BPS) pada tahun 2020-2023. Metode analisis yang diterapkan yaitu statistik deskriptif, uji normalitas, dan uji hipotesis menggunakan Wilcoxon signed rank test. Hasil dari penelitian ini menunjukkan bahwa pada uji normalitas data tidak berdistribusi normal, sehingga dilakukan uji alternatif Wilcoxon signed rank test. Pada uji Wilcoxon signed rank test terdapat perbedaan yang signifikan antara periode selama dan setelah pandemi COVID-19 di Indonesia. Diharapkan penelitian ini dapat memberi wawasan yang berguna untuk pemerintah dalam membuat kebijakan perencanaan strategi pemulihan ekonomi yang adaptif dan efektif terhadap kondisi setelah pandemi COVID-19 di Indonesia.

Studi Perbandingan Performa: Prediksi Status Stunting Pada Anak Berdasarkan Data Antropometri Menggunakan Algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN)

Gita Rahmawati — 2024-10-09

Stunting adalah kondisi gagal tumbuh akibat kekurangan gizi jangka panjang, mengancam kesehatan fisik dan perkembangan kognitif anak. Survei Kesehatan Indonesia (SKI) 2023 mengungkap data prevalensi stunting di Indonesia mencapai 21,5%, jauh dari target 14% yang ditargetkan untuk tahun 2024. Penentuan status stunting secara manual melalui pengukuran berat dan tinggi badan memiliki keterbatasan, seperti ketergantungan pada keterampilan petugas dan kurang efisien untuk populasi besar. Oleh karena itu, teknologi machine learning, seperti Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN), menawarkan solusi inovatif dengan akurasi tinggi. SVM mencari hyperplane terbaik untuk memisahkan data stunting dan non-stunting, sementara KNN mengklasifikasikan data baru berdasarkan kedekatan dengan data yang sudah ada. Penelitian ini bertujuan untuk membandingkan performa SVM dan KNN dalam memprediksi status stunting. Hasil penelitian menunjukkan bahwa SVM dengan menggunakan kernel RBF dan parameter C=10 mencapai akurasi sebesar 97,11%, presisi 97,10%, recall 97,11%, dan F1-score 97,10%. Sementara itu, metode KNN dengan k=1 mencapai akurasi 97,05%, presisi 97,05%, recall 97,05%, dan F1-score 97,05%. Dengan demikian, SVM lebih unggul dalam akurasi dan efisiensi untuk diagnosis stunting dengan memberikan solusi yang lebih tepat, cepat, dan luas dalam menangani permasalahan stunting.

Implementasi Random Forest dalam Klasifikasi Kasus Stunting pada Balita dengan Hyperparameter Tuning Grid Search

Nida Faoziatun Khusna — 2024-10-09

Stunting adalah isu kesehatan yang menjadi perhatian global. Stunting berkaitan erat dengan kondisi pertumbuhan dan perkembangan yang mengalami gangguan disebabkan oleh kekurangan gizi kronis. Untuk mengatasi masalah ini, diperlukan deteksi dini dengan mengklasifikasikan status stunting pada balita. Random Forest adalah sebuah metode klasifikasi yang dikembangkan dari Decision Tree, dapat digunakan untuk mengolah data kesehatan anak dan faktor-faktor terkait guna memprediksi risiko stunting dengan lebih akurat. Dalam penelitian ini, digunakan dataset yang terdiri dari 10.000 baris data, dengan 80% data sebagai data latih dan sebanyak 20% data uji. Diperoleh hasil pemodelan Random Forest dengan akurasi 0.7730. Selanjutnya digunakan optimasi parameter menggunakan Grid Search yang berhasil meningkatkan akurasi model menjadi 0.9578.

Penerapan Metode Stacking Ensemble Untuk Klasifikasi Status Pinjaman Nasabah Bank

Mayesq Prameswari — 2024-10-09

Prediksi status pinjaman bank merupakan aspek krusial dalam industri keuangan yang menentukan kelayakan seorang pemohon untuk menerima pinjaman. Bank hanya akan memberikan pinjaman kepada nasabah yang benar-benar dapat membayar kembali pinjamannya. Tujuan penelitian ini mengembangkan model prediksi status pinjaman bank menggunakan algoritma pembelajaran mesin. Data historis peminjam digunakan untuk mengidentifikasi pola yang berhubungan dengan kemungkinan pinjaman pemohon disetujui atau ditolak. Metode yang digunakan dalam penelitian ini yaitu Stacking Ensemble Learning, yaitu teknik yang menggabungkan berbagai model machine learning untuk meningkatkan akurasi model prediksi. Algoritma yang digunakan ada 5 yaitu Logistic Regression, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree, dan Random Forest. Cara kerjarnya, setiap algoritma difungsikan sebagai meta learner dan pada saat yang sama lainnya sebagai base learner (model individu). Hasil menunjukkan bahwa kombinasi model stacking ensemble mampu memprediksi lebih baik dibandingkan model individu. Namun, kKeberhasilan teknik stacking dalam meningkatkan akurasi bergantung pada kombinasi model individu yang dipilih serta jenis meta learner yang digunakan. Ini ditunjukkan oleh KNN sebagai model individu mencapai akurasi 82,56%, tetapi setelah stacking dan menjadi meta learnernya justru turun akurasinya menjadi 81,40%. Pada penelitian ini, kombinasi meta learner Random Forest dan algoritma lain sebagai model individu mencapai akurasi tertinggi yaitu 90,7%.

Studi Pengaruh Faktor Sosial Ekonomi dan Sanitasi terhadap Prevalensi Balita Penderita Gizi Buruk (Stunting) di Jawa Timur dengan Analisis Regresi Linier

Ni Luh Ayu Nariswari Dewi — 2024-10-09

Stunting or malnutrition is a condition of growth failure in toddlers due to malnutrition, which is still a serious health issue in Indonesia, including East Java. This study aims to analyze the effect of poverty and access to proper sanitation on the prevalence of stunting among under-fives in East Java in 2022 using multiple linear regression tests. Data tests were obtained from the 2022 Statistics Indonesia (BPS). The analysis showed a significant relationship between poverty and access to proper sanitation with stunting prevalence around 12,5%. The higher the poverty level and the lower the access to proper sanitation, influence the prevalence of stunting. The results of this analysis suggest that poverty and access to proper sanitation are an important determinants of stunting prevalence in East Java. Efforts to reduce stunting need to consider poverty alleviation and improving access to proper sanitation. This information is important for the government in formulating effective stunting reduction strategies in East Java.

Stunting atau gizi buruk adalah kondisi gagal tumbuh pada balita yang diakibatkan oleh malnutrisi yang masih menjadi isu kesehatan serius di Indonesia, termasuk Jawa Timur. Penelitian ini bertujuan untuk menganalisis signifikansi pengaruh kemiskinan dan akses sanitasi layak terhadap prevalensi stunting pada balita di Jawa Timur tahun 2022 dengan mengadopsi metode regresi linier. Data yang digunakan pada penelitian ini diperoleh melalui Survei Badan Pusat Statistik (BPS) pada 2022. Analisis menunjukkan hubungan yang cukup signifikan antara kemiskinan dan akses sanitasi layak dengan prevalensi stunting yaitu sekitar 12,5%. Semakin tinggi tingkat kemiskinan dan semakin rendah akses sanitasi layak berpengaruh pada eskalasi prevalensi stunting. Hasil analisis ini menunjukkan bahwa kemiskinan dan akses sanitasi layak merupakan faktor determinan yang cukup mempengaruhi prevalensi stunting di Jawa Timur. Sehingga upaya penanggulangan stunting perlu mempertimbangkan pengentasan kemiskinan dan peningkatan akses sanitasi layak. Informasi ini penting bagi pemerintah dalam merumuskan strategi penanggulangan stunting yang efektif di Jawa Timur.

Metode Long Short-Term Memory Untuk Memprediksi Konsumsi Energi Listrik Di Kabupaten Kebumen Tahun 2023

Jatmiar Fikriaziz — 2024-10-09

Energi listrik merupakan salah satu sumber energi dasar yang sangat dibutuhkan oleh manusia dalam menjalankan berbagai aktivitas. Saat ini, pasokan energi listrik Indonesia berada pada status siaga karena cadangan yang tersisa tidak banyak tersedia. Oleh karena itu, diperlukan adanya suatu prediksi untuk mengetahui jumlah konsumsi energi listrik di Indonesia pada masa mendatang khususnya di Kabupaten Kebumen. Hasil prediksi yang mendekati hasil realitasnya memerlukan penerapan metode yang optimal. Salah satu metode yang dapat digunakan untuk memprediksi konsumsi energi listrik adalah Long Short-Term Memory (LSTM). Paper ini bertujuan untuk menjabarkan mekanisme metode LSTM, memperkirakan jumlah konsumsi energi listrik di Kabupaten Kebumen pada tahun 2023, dan menentukan akurasi metode LSTM dalam memprediksi konsumsi energi listrik di Kabupaten Kebumen. Data yang digunakan dalam penelitian ini adalah data konsumsi energi listrik di Kabupaten Kebumen pada bulan Januari 2018 sampai Maret 2023. Data tersebut merupakan data time series yang memiliki interval per bulan. Metode LSTM memiliki akurasi yang tinggi dalam memprediksi konsumsi energi listrik di Kabupaten Kebumen dengan nilai MAPE sebesar 4,07%.

Perbandingan Metode Fuzzy C-Means Dan Fuzzy Probabilistic C-Means Dalam Pengelompokan Provinsi Di Indonesia Berdasarkan Indeks Pembangunan Manusia Tahun 2022

Isah Isah — 2024-10-09

Salah satu permasalahan yang ada Indonesia adalah peningkatan kesejahteraan masyarakat yang belum merata, terlihat dari perbedaan tingkat IPM antar provinsi. Strategi yang tepat melalui analisis klasterisasi diperlukan untuk mengatasi ketidakmerataan tersebut. Makalah ini membahas analisis perbandingan metode Fuzzy C-Means (FCM) dan Fuzzy Possibilistic C-Means (FPCM) dalam pengelompokan provinsi di Indonesia berdasarkan indikator Indeks Pembangunan Manusia (IPM) tahun 2022. Makalah ini bertujuan untuk menentukan metode klasterisasi yang paling efektif antara FCM dan FPCM dalam kasus tersebut. Berdasarkan hasil analisis, diperoleh metode terbaik dalam kasus ini adalah metode FCM dengan nilai pembobotan sebesar 2 dan jumlah klaster sebanyak 7. Nilai evaluasi yang diperoleh yaitu Partition Entropy (PE) sebesar 0,3505417, Partition Coefficient (PC) sebesar 0,8170827, dan Modified Partition Coefficient (MPC) sebesar 0,7561103. Hasil klasterisasi yang diperoleh menggunakan metode FCM adalah 1 provinsi memiliki IPM dengan kategori sangat tinggi, 4 provinsi memiliki IPM dengan kategori tinggi, 4 provinsi memiliki IPM dengan kategori cukup tinggi, 8 provinsi memiliki IPM dengan kategori sedang, 6 provinsi memiliki IPM dengan kategori cukup rendah, 7 provinsi memiliki IPM dengan kategori rendah, dan 4 provinsi memiliki IPM dengan kategori sangat rendah. Hasil pengelompokan tersebut dapat digunakan untuk merencanakan strategi pemerataan pembangunan yang lebih efektif berdasarkan karakteristik masing-masing klaster.

Analisa Faktor Penyebab Gastritis Pada Anak Muda Di Kecamatan Driyorejo

Renaldy Al Ikhsan — 2024-10-09

Tujuan dari penelitian ini adalah untuk mengetahui faktor penyebab Gastritis pada anak muda di Kecamatan Driyorejo. penelitian ini menggunakan pendekatan penelitian kuantitaif dengan metode deskriptif korelasion dengan pendekatan cross sectional. Populasi dalam penelitian daerah Kecamatan Driyorejo dengan besar sampel 32 orang responden. Hasil sebagian besar orang yang perokok dengan kategori ringan sebanyak 21 orang (66%), sedangkan perokok dengan kategori sedang sebanyak 6 orang (19%), dan perokok dengan kategori berat sebanyak 5 orang (16%). dalam kejadian Maag menunjukan bahwa responden berada pada kategori Mengalami sebanyak 17 orang (53%) dan sebagian berada pada kategori Tidak Mengalami sebanyak 15 orang (47%). sebagian besar hubungan perilaku merokok dengan kejadian Maag dikategorikan ringan berjumlah 12 orang, sebagian dikategorikan sedang berjumlah 3 orang dan dikategorikan berat 2 orang. Sedangkan orang yang mengalami Maag berjumlah 17 orang, dan yang tidak mengalami Maag berjumlah 14 orang. menunjukan setelah dilakukan uji statistik menggunakan uji Chi-Square di dapat nilai p-value 0,699 lebih besar dari pada α > 0,005 yang berarti H0 diterima. H0 diterima bahwa tidak ada hubungan yang segnifikan antara hubungan perilaku merokok dengan kejadian Maag pada anak muda di Kecamatan Driyorejo. Sehingga tidak terdapat hubungan perilaku merokok dengan kejadian Maag pada anak muda di Kecamatan Driyorejo.

Perbandingan Metode ARIMA dan Prophet dalam Prediksi Harga Cabai Rawit di Provinsi Jawa Timur

Haidar Fadhila Fiqa — 2024-10-09

Harga cabai rawit merupakan komoditas hortikultura yang bersifat musiman, sehingga ketersediaannya tidak konsisten sepanjang tahun yang menyebabkan harganya mengalami fluktuasi. Adanya fluktuasi, ketidakstabilan, serta tidak ada kepastian harga cabai rawit di masa mendatang menyebabkan kerugian bagi masyarakat, terutama masyarakat yang tergolong miskin. Oleh karena itu, perlu dilakukan pemodelan prediksi menggunakan metode yang tepat berdasarkan data masa lalu. Autoregressive Integrated Moving Average (ARIMA) dan Prophet merupakan salah satu metode prediksi berbasis time series. Tujuan penelitian ini adalah membandingkan ARIMA dan Prophet untuk mendapatkan model yang optimal dalam memprediksi harga cabai rawit di Provinsi Jawa Timur selama tiga bulan mendatang. ARIMA efektif dalam memodelkan tren dan pola musiman dalam data historis yang stabil serta unggul dalam prediksi jangka pendek. Sementara itu, Prophet dapat melakukan prediksi dengan baik untuk data dengan efek musiman maupun tidak serta tahan terhadap outlier, missing value, dan unggul dalam mengatasi perubahan tren secara otomatis. Berdasarkan penelitian, diperoleh hasil bahwa ARIMA (7, 1, 7) lebih unggul daripada Prophet dengan nilai RMSE sebesar 18723.92 dan MAPE sebesar 19.48%. Hasil prediksi menunjukkan adanya penurunan harga cabai rawit secara berkala dimulai dari Mei hingga Juli 2024. Hasil ARIMA yang lebih unggul daripada Prophet dapat disebabkan karena data tidak memiliki nilai outlier, sehingga keunggulan Prophet dalam menangani data outlier tidak relevan. Selain itu, ARIMA memungkinkan penyesuaian model yang lebih spesifik melalui pemilihan parameter (p, d, q) yang optimal untuk data pengamatan.

Identifikasi Kategori Gizi Balita Menggunakan K-Means Clustering: Studi Kasus Puskesmas Karangsambung

Fajar Tri Wahyuni — 2024-10-09

Masa balita merupakan periode kritis dalam pertumbuhan dan perkembangan anak, di mana pemenuhan gizi yang memadai sangat penting untuk mencegah masalah kesehatan, seperti stunting, wasting, dan underweight. Kategorisasi status gizi sangat penting untuk mengetahui kelas tumbuh kembang balita disuatu daerah. Terkait status gizi ini, data tumbuh kembang di Desa Karangsambung belum dikategorisasi sehingga belum memberi insight yang lebih dalam. Penelitian ini bertujuan mengkategorisasi status gizi balita di Desa Karangsambung berdasarkan data berat dan tinggi badan. Data penelitian berasal dari catatan medis Puskesmas Karangsambung, mencakup 97 balita berusia 1-36 bulan. Metode yang digunakan adalah K-Means, dengan penentuan jumlah cluster optimal menggunakan metode Elbow. Grafik Elbow menunjukkan, titik siku pada nilai 3, mengindikasikan tiga klaster adalah jumlah kelompok paling efektif. Berdasarkan hasil clustering menunjukkan bahwa 31 balita masuk dalam kategori gizi lebih, 22 balita dalam kategori gizi kurang, dan 44 balita dalam kategori gizi normal. Validasi hasil cluster menggunakan Silhouette Score menghasilkan nilai sebesar 0.51, menunjukkan bahwa klaster yang terbentuk cukup baik, meskipun masih diperlukan penyesuaian lebih lanjut untuk meningkatkan kualitas klasterisasi. Identifikasi akurat terhadap status gizi balita diharapkan dapat membantu menentukan intervensi gizi yang tepat dan menjadi acuan penting bagi pengembangan kebijakan kesehatan untuk meningkatkan status gizi balita di Indonesia.

Implementasi Model SI_1 I_2 TR Dinamika Penyakit Tuberkulosis dengan Optimasi Tes Molekuler Cepat (TCM)

Muhammad Syifa Irfani — 2024-10-09

Indonesia merupakan negara peringkat kedua terbanyak kasus TBC setelah India. Semua aspek memiliki harapan yang sama yaitu menekan penyebaran penyakit TBC. Model digunakan untuk merepresentasikan dinamika penyakit Tuberkulosis dengan Optimasi Tes Molekuler Cepat (TCM). Optimasi diberikan untuk mendeskripsikan penempatan alat TCM pada fasilitas kesehatan. Metode Particle Swarm Optimation (PSO) digunakan untuk memperoleh hasil optimasi. Kemudian data penempatan TCM tersebut digunakan untuk melihat dinamika penyebaran penyakit dengan model . Model ini membagi dua populasi terinfeksi yaitu populasi terinfeksi karena tes TCM dan populasi tidak tes TCM. Populasi yang tidak tes TCM ini tidak diketahui dengan pasti apakah terinfeksi atau tidak. Kemudian ditentukan nilai reproduksi dasar untuk melihat kondisi penyebaran penyakit TBC. Data yang digunakan untuk studi kasus adalah data penyebaran penyakit serta kebutuhan alat TCM di daerah kota Bandung. Hasil simulasi diperoleh bahwa adanya proses optimasi TCM mempengaruhi model . Pengaruh tersebut terlihat pada kompartemen terinfeksi dan mengalami penurunan yang lebih cepat serta dan mengalami peningkatan yang lebih cepat dibandingkan tanpa adanya optimasi. Penekanan kasus TBC sangat dipengaruhi oleh optimasi penempatan TCM dan penanganan pengobatan yang sangat efektif dan cepat.

Analisis dan Prediksi Harga Properti Rumah di Kota Surabaya dengan Algoritma Random Forest

Ajeng Puspa Wardani — 2024-10-09

Perhatian Generasi Z terhadap biaya perumahan telah melonjak secara signifikan akibat lonjakan harga yang cukup tajam. Pada September 2023, harga rumah naik 2% dibanding tahun sebelumnya, dengan Indeks harga rumah mencapai 211,9 untuk kuartal III-2023, mengalami pertumbuhan tahunan tertinggi sebesar 8,7 persen sejak pandemi. Namun, pendapatan rata-rata Gen Z masih di bawah 2,5 juta rupiah per bulan. Pasar properti Surabaya, kota terbesar kedua di Indonesia, dipengaruhi oleh pertumbuhan ekonomi dan urbanisasi. Penelitian ini bertujuan memprediksi harga rumah di Surabaya menggunakan algoritma Random Forest yang dioptimalkan dengan GridSearchCV. Hasil korelasi menunjukkan bahwa faktor utama yang mempengaruhi harga rumah adalah dimensi tanah, diikuti oleh dimensi bangunan, jumlah kamar tidur, dan jumlah kamar mandi. Wilayah tidak signifikan mempengaruhi harga. Evaluasi model dalam tiga skenario menunjukkan bahwa data utuh tanpa penghapusan outlier memberikan performa terbaik berdasarkan Mean Absolute Error (MAE). Meskipun Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE) tetap tinggi karena outlier, mempertahankan data utuh sambil mencari metode untuk menangani outlier meningkatkan keakuratan prediksi. Model ini membantu calon pembeli, penjual, dan agen properti dalam membuat keputusan lebih cerdas di pasar properti Surabaya.

Penerapan Machine Learning Algoritma Random Forest Untuk Prediksi Penyakit Jantung

Nabilah Selayanti — 2024-10-09

Menurut perkiraan Organisasi Kesehatan Dunia (WHO), penyakit jantung diproyeksikan tetap menjadi penyebab kematian utama di dunia pada tahun 2030.. Lebih dari 17 juta jiwa dilaporkan kehilangan nyawa setiap tahun karena penyakit kardiovaskular, menurut WHO. Penelitian ini bertujuan meningkatkan akurasi deteksi penyakit jantung dengan memanfaatkan algoritma Random Forest untuk menangani kompleksitas data dan mencegah overfitting .Penelitian ini mengevaluasi kinerja empat algoritma pembelajaran mesin, yaitu Random Forest, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Regresi Logistik, dalam memprediksi kegagalan jantung. Evaluasi dilakukan dengan menggunakan dataset "Heart Failure Prediction Dataset" yang diunduh dari Kaggle yang terdiri dari 918 observasi dengan 12 atribut. Langkah-langkah persiapan datanya termasuk pengelolaan nilai yang hilang, pemrosesan variabel kategorik, dan normalisasi. Dalam pengalaman nyata, Hasil menunjukkan bahwa Random Forest menghasilkan hasil terbaik dengan akurasi 87.7% di data pengujian dan 92.63% di data validasi. Oleh karena itu, penekanan penelitian ini adalah pada kemampuan Random Forest dalam.

Implementasi SEM-PLS pada Analisis Pengaruh Tujuan Pembangunan Berkelanjutan terhadap Indeks Kebahagiaan Indonesia

Ade Putri Gunawan — 2024-10-09

Pada tahun 2021 angka indeks kebahagiaan Indonesia meningkat dari 70,69 menjadi 71,49. Badan Perserikatan Bangsa-Bangsa menjadikan Tujuan Pembangunan Berkelanjutan (TPB) sebagai komitmen global untuk meningkatkan kesejahteraan dan kebahagiaan masyarakat. Penelitian ini bertujuan untuk mengetahui pengaruh TPB terhadap indeks kebahagiaan Indonesia tahun 2021 menggunakan analisis Structural Equation Modeling-Partial Least Square (SEM-PLS) dan sebagai masukan bagi pembuat kebijakan khususnya pemerintah dalam meningkatkan kesejahteraan untuk mendukung pelaksanaan TPB. Penelitian ini menganalisis 19 indikator yang dikelompokkan dalam 3 variabel dan 12 variabel dengan 40 indikator. Data dalam penelitian ini diperoleh dari website Badan Pusat Statistik. Analisis SEM-PLS dilakukan dengan membuat spesifikasi model pengukuran dan struktural, mengevalusi model pengukuran serta model struktural, dan menguji kebaikan model SEM-PLS. Ditemukan bahwa variabel tanpa kelaparan (0,708), variabel air bersih dan sanitasi layak (0,506) serta variabel keadilan dan kelembagaan yang tangguh (0,580) berpengaruh positif terhadap dimensi perasaan, sedangkan variabel tanpa kemiskinan (-0,541) berpengaruh negatif terhadap dimensi perasaan. Hasil uji bootstraping dalam penelitian ini digunakan untuk mengevaluasi tingkat signifikansi dari koefisien model jalur. Variabel tanpa kelaparan (0,988) serta variabel air bersih sanitasi layak (0,347) berpengaruh positif terhadap dimensi makna hidup, sedangkan variabel kehidupan sehat dan sejahtera (-0,351) berpengaruh negatif terhadap dimensi makna hidup.

Analisis Perbedaan Rata-Rata Penumpukan Sampah Pra dan Pasca Covid-19 di Kalimantan dan Sulawesi Menggunakan Uji Mann-Whitney

Himam Bashiran — 2024-10-09

Wabah COVID-19 telah menyebabkan transformasi besar-besaran di berbagai sektor, dengan sektor pengelolaan sampah yang terkena dampak signifikan. Penelitian ini bertujuan untuk menguji dan membandingkan rata-rata akumulasi sampah sebelum COVID-19 (2019) dan setelah COVID-19 (2023) di Kalimantan dan Sulawesi dengan menggunakan Uji Mann-Whitney. Distribusi data tidak normal dan variabel dependen berbentuk ordinal. Oleh karena itu, kami melakukan uji non-parametrik Mann-Whitney untuk sub-studi ini. Hasil pada tingkat signifikansi 0,05 dari perhitungan manual dan analisis perangkat lunak SPSS menunjukkan bahwa tidak ada perbedaan yang signifikan dalam akumulasi sampah rata-rata antara kedua periode. Temuan ini menunjukkan bahwa tantangan pengelolaan sampah di Kalimantan dan Sulawesi tetap sama sebelum dan setelah pandemi COVID-19. Meskipun terjadi peningkatan timbulan sampah akibat meningkatnya aktivitas rumah tangga dan belanja online selama pandemi, akumulasi sampah secara keseluruhan tidak menunjukkan perubahan yang signifikan. Akibatnya, volume sampah yang dihasilkan pada kedua periode tersebut sebanding, menyoroti masalah yang masih ada dalam praktik pengelolaan sampah di pulau-pulau ini. Hasil ini menggarisbawahi perlunya strategi pengelolaan sampah yang lebih baik untuk mengatasi tantangan yang diperparah oleh pandemi dan untuk meningkatkan keberlanjutan penanganan sampah di Kalimantan dan Sulawesi.

Penerapan Metode Dekomposisi dan Holt Winters Exponential Smoothing dalam Peramalan Penjualan Tambah Daya (Studi Kasus: PT PLN (Persero) ULP Petung)

Mila Yusi Amelia — 2024-10-09

Pada tanggal 15 Januari 2024 diadakan siaran pers oleh Kementerian Energi dan Sumber Daya. Berdasarkan artikel siaran pers tersebut dikatakan bahwa konsumsi listrik perkapita Indonesia terus meningkat sejak tahun 2017. PLN (Perusahaan Listrik Negara) menyediakan tenaga listrik dengan memberikan jasa pelayanan kepada masyarakat dengan menyelenggarakan bidang produksi transmisi dan distribusi tenaga listrik. PLN melakukan pekerjaan di bidang penyambungan listrik seperti tambah daya. Seiring dengan meningkatnya konsumsi listrik masyarakat, meningkat pula kebutuhan akan daya listrik. Sehingga diperlukan adanya penambahan daya. Data jumlah penjualan tambah daya pada PT PLN (Persero) ULP Petung tahun 2022 hingga 2023 mengalami peningkatan maupun penurunan. Oleh karena itu, dilakukan peramalan penjualan tambah daya pada tahun 2024 untuk pertimbangan perusahaan dalam menentukan kebijakan. Pada penelitian ini dilakukan peramalan dengan menggunakan metode Dekomposisi dan metode Holt Winters Exponential Smoothing. Metode ini dipilih karena merupakan metode time series yang menggunakan data dari masa sebelumnya untuk memprediksi masa selanjutnya. Pada penelitian ini akan dibandingkan nilai kesalahan (error) dari kedua metode tersebut untuk memperoleh metode terbaik. Berdasarkan hasil perhitungan nilai peramalan dari kedua metode yang digunakan, nilai MAPE terkecil yang digunakan untuk melakukan peramalan jumlah tambah daya adalah metode Holt Winters Exponential Smoothing dengan nilai MAPE sebesar 18,297 yang berkategori baik.

Prediksi Penggunaan Barang Dengan Metode Single Exponential Smoothing (Studi Kasus PT Besmindo Borneo Semesta)

Rianti Pasengoran — 2024-10-09

PT. Besmindo Borneo Semesta. Dimana Persediaan stok barang adalah suatu hal yang penting di dalam sebuah perusahaan untuk kegiatan pengambilan atau pemeriksaan data guna mengetahui jumlah barang yang habis dan barang yang akan dibutuhkan pada suatu perusahaan. Persediaan barang selalu diperlukan dalam aktivitas perusahaan. Sehingga pada penelitian ini digunakan metode SES (Single Exponential Smoothing) dikarenakan SES dapat memprediksi hal yang tidak konsisten seperti data penggunaan barang yang disesuaikan dengan permintaan konsumen, SES digunakan untuk Prediksi Penggunaan Barang di masa depan yang diharapkan dapat mempermudah perusahaan dalam merencanakan stok barang khususnya ditahun berikutnya atau berapakah yang harus disediakan pada tahun berikutnya. Penerapan metode Single Exponential Smoothing dalam sistem prediksi penggunaan barang mampu meminimalisir kesalahan kelebihan dan kekurangan barang yang dilakukan dari hasil perhitungan prediksi peramalan penggunaan barang. Berdasarkan hasil penelitian pada perhitungan nilai error penentu nilai alpha terbaik diperoleh alpha 0,9 dengan nilai rata-rata error 0,055 yang memberikan hasil yang optimal dengan tingkat akurasi 94,5% yang diperoleh dari selisih antara data aktual dan data prediksi yang memiliki kesalahan yaitu 5,5%.

Implementasi Average Linkage Clustering pada Identifikasi Karakteristik Data Osteometri Manusia Indigenous

Toni Adam Purba — 2024-10-09

Analisis cluster merupakan teknik pengelompokan data yang terdapat dalam keilmuan matematika. Tujuan dari analisis cluster adalah mengelompokkan data sesuai karakteristik tiap datanya berdasarkan jarak antar datanya. Penelitian ini menggunakan teknik pengelompokan data berupa metode hierarki yaitu Average Linkage. Metode tersebut digunakan untuk melakukan analisis cluster terhadap data (spesimen) ukuran tulang manusia indigenous berdasarkan 43 pengukuran tulang panjang yang kemudian mengetahui karakteristik yang terbentuk setelah proses pengelompokan dilakukan. Berdasarkan hasil analisis cluster, spesimen-spesimen yang ditemukan di Benua Afrika, Amerika, Eropa dan Australia memiliki pola ukuran 43 jenis pengukuran tulang panjang yang lebih panjang dari subregion lain. Selain itu, spesimen-spesimen yang ditemukan di Benua Amerika, Afrika, Eropa, dan Australia cenderung memiliki karakteristik yang mirip. Sementara spesimen-spesimen yang ditemukan di Benua Asia cenderung memiliki kemiripan dengan spesimen-spesimen yang ditemukan di subregion Melanesia, Polinesia, dan Afrika Selatan. Adapun variabel yang signifikan dalam proses pengelompokan tersebut adalah variabel RHAPD yang letaknya berada di lengan atas. Hasil ini menunjukkan terdapat indikasi bahwa manusia pada awalnya berasal dari Afrika dan merupakan makhluk yang nomaden yang akhirnya membuat keragaman genetik, budaya, dan lingkungan pada saat ini.

Penerapan Algoritma Stacking Ensemble Machine Learning Berbasis Pohon untuk Prediksi Penyakit Diabetes

Atina Nora Haya — 2024-10-09

Prediksi kelas pasien diabetes menggunakan machine learning sudah banyak dilakukan. Model prediksi menggunakan machine learning secara tunggal masih bisa dioptimalkan untuk mencapai akurasi lebih baik, biasanya menggunakan teknik ensemble. Stacking adalah salah satu teknik ensemble yang menggabungkan beberapa model pembelajaran mesin. Penelitian ini bertujuan menerapkan stacking ensemble untuk mengklasifikasi data klinis pasien kedalam kelas diabetes atau tidak diabetes. Algoritma classifier yang digunakan adalah berbasis pohon, antara lain CatBoost, XGBoost, Extra Tree, Decision Tree, dan Random Forest sebagai base learner dan Light Gradient-Boosting Machine (LGBM) sebagai meta learner. Hasil penerapan menunjukkan akurasi model prediksi untuk base learner yaitu CatBoost mencapai 76,04%, XGBoostmencapai 75,71%, Random Forest mencapai 84,82%, Extra Tree mencapai 84,96%, Decision Tree mencapai 80,66%, Light Gradient-Boostingmencapai 72,87%. Sedangkan model stacking ensemble yang dibangun berdasarkan base learner tersebut dengan meta learner LGBM mencapai akurasi 87,47%. Dengan demikian, penelitian menunjukkan bahwa model stacking lebih baik daripada model individu.

Pengelompokkan Desa/Kelurahan di Kota Balikpapan Berdasarkan Indikator Kemiskinan Menggunakan Metode KModes Clustering

Taliya Putri — 2024-10-09

Kemiskinan adalah keadaan serba ketidakcukupan secara fisik atau non-fisik untuk menjamin kelangsungan hidup. Kemiskinan di Kota Balikpapan membutuhkan penanganan agar masalah ini terselesaikan. Salah satu upaya dalam menangani kemiskinan yaitu program penanggulangan kemiskinan masyarakat melalui Badan Perencanaan Pembangunan Daerah Penelitian dan Pengembangan (Bappeda-Litbang) membuat Forum Satu Data Kemiskinan yaitu data Pensasaran Percepatan Penghapusan Kemiskinan Ekstrim (P3KE). Terdapat 14 variabel Indikator Rumah Tangga Miskin sebagai dasar penentu apakah suatu rumah tangga layak dikategorikan miskin. Oleh karena itu, penelitian ini dilakukan untuk mengetahui pengelompokan Desa/Kelurahan berdasarkan Indikator Rumah Tangga Miskin di Kota Balikpapan menggunakan analisis clustering K-modes dengan jumlah K-optimum diperoleh 2 cluster menggunakan metode Davies Bouldin Index. Sebanyak 15082 record data diperoleh cluster 0 sebanyak 12.213 kepala keluarga yang terdiri dari 27 Kelurahan dan cluster 1 sebanyak 2.869 kepala keluarga yang terdiri dari 23 Kelurahan. Kelurahan dengan status kemiskinan tertinggi berdasarkan cluster 1 adalah Kelurahan Karang Joang. Sedangkan kelurahan yang memiliki status tidak miskin tertinggi berdasarkan cluster 0 adalah Kelurahan Graha Indah dengan indikator kemiskinan tertinggi adalah jenis lantai, jenis dinding dan penerima bantuan sosial. Hal ini menunjukkan bahwa masih terdapat banyak Desa/Kelurahan yang tidak berstatus miskin atau memiliki Indikator Rumah Tangga Miskin yang rendah di Kota Balikpapan pada Tahun 2023.

Interpolasi Curah Hujan Menggunakan Model Spatial Ordinary Kriging di Kabupaten Tulang Bawang Barat

Husni Na'fa Mubarok — 2024-10-09

Curah hujan adalah jumlah hujan (mm) yang turun pada suatu daerah dalam waktu tertentu. Curah hujan ini memiliki dampak signifikan terhadap berbagai aspek kehidupan, termasuk pertanian, pengelolaan sumber daya air, dan mitigasi bencana. Kabupaten Tulang Bawang Barat, yang terletak di Provinsi Lampung, Indonesia, seringkali mengalami variasi curah hujan yang signifikan. Metode yang digunakan dalam melakukan interpolasi yaitu Ordinary Kriging. Penelitian ini bertujuan untuk mengaplikasikan model Spatial Ordinary Kriging dalam interpolasi curah hujan di Kabupaten Tulang Bawang Barat pada periode Januari 2024 - April 2024. Hasil evaluasi model dengan model Gaussian yang menunjukan RMSE dan R-Squared terbaik yaitu 544924.400 dan 0.813. Peta ini menunjukkan variasi spasial yang signifikan dalam curah hujan di wilayah Tulang Bawang Barat. Bagian utara dan pusat memiliki curah hujan yang lebih tinggi dibandingkan dengan bagian selatan.

Analisis Klasterisasi Kepadatan Penduduk Kabupaten Muara Enim Menggunakan Algoritma DBSCAN

Rafi Fadhlillah — 2024-10-09

Pertumbuhan penduduk yang signifikan di Kabupaten Muara Enim memerlukan analisis mendalam terkait kepadatan penduduk untuk mengelola infrastruktur, pelayanan publik, dan kebijakan pembangunan secara efektif. Penelitian ini bertujuan untuk menentukan parameter optimal, menerapkan, dan mengidentifikasi pemetaan dengan menggunakan metode Density-Based Spatial Clustering of Applications with Noise (DBSCAN) agar menghasilkan clustering yang akurat dan representatif terhadap pola kepadatan penduduk di Kabupaten Muara Enim. Metode DBSCAN diterapkan pada data spasial kepadatan penduduk dari Badan Pusat Statistik Kabupaten Muara Enim tahun 2023. Hasil penelitian menunjukkan parameter optimal yang diperoleh adalah epsilon = 0,23 dan min points = 5 dengan Silhouette Score tertinggi 0,475289 dan Davies-Bouldin Index terendah 0,634530. Clustering membagi kawasan Muara Enim menjadi tiga kategori kepadatan: rendah, sedang, dan noise. Kedekatan dengan ibu kota kabupaten menjadi faktor utama yang mempengaruhi kepadatan penduduk. Evaluasi clustering menggunakan Silhouette Score, Davies-Bouldin Index, dan Dunn Index menunjukkan hasil yang cukup baik dengan ruang untuk optimasi lebih lanjut.

Implementasi Dashboard Analisis Profil Pasien dalam Pemberdayaan Manajemen Kesehatan UPT Puskesmas Tanah Merah

Ryanta Meylinda Savira — 2024-10-09

Puskesmas Tanah Merah yang berlokasi di Kabupaten Bangkalan, Provinsi Jawa Timur menghadapi tantangan dalam pemantauan data pasien karena masih menggunakan sistem pencatatan manual. Hal ini menghambat kemampuan puskesmas untuk menyediakan layanan kesehatan yang optimal. Penelitian ini bertujuan membangun dashboard untuk analisis pola profil pasien rawat inap sebagai solusi dalam pemberdayaan manajemen kesehatan di Puskesmas Tanah Merah. Dashboard dibangun dengan menggunakan platform Looker Studio dan pencatatan pasien disimpan dalam platform googlesheet. Dashboard dirancang untuk menampilkan profil pasien melalui tabel dan grafik yang dapat diperbarui secara berkala, memudahkan pegawai medis dan manajemen dalam memantau kinerja pelayanan kesehatan. Dashboard ini memberikan informasi realtime mengenai jumlah pasien, rata-rata usia, pola kunjungan pasien berdasarkan asal daerah dan bulan kunjungan, jenis kelamin pasien, jenis pembayaran yang sering digunakan, serta persebaran umur dan diagnosa penyakit pasien rawat inap. Hasil implementasi menunjukkan bahwa dashboard memberikan kemudahan bagi puskesmas dalam menganalisis pola pasien, sehingga dapat memperkuat manajemen kesehatan dan meningkatkan kualitas layanan yang diberikan kepada masyarakat.

Prediksi Harga Beras di Pasar Grosir Indonesia Menggunakan Metode Triple Exponential Smoothing Holt-Winters

Supriadin Supriadin — 2024-10-09

Beras merupakan makanan pokok bagi sebagian besar masyarakat Indonesia. Maka menjaga stabilitas harga dan pasokan beras merupakan suatu keharusan untuk memperoleh ketahanan pangan, yang menjadi prioritas pertama pada pembangunan nasional. Oleh sebab itu, prediksi harga beras diperlukan untuk menjaga stabilitas harga bahan pangan, karena fluktuasi nilai komoditas dapat menyebabkan inflasi atau deflasi. Metode Triple Exponential Smoothing Holt-Winters digunakan pada penelitian ini untuk meramalkan harga beras. Data yang digunakan pada penelitian ini adalah data harga beras perbulan dari bulan Januari 2018 sampai Desember 2023. Akurasi peramalan diukur dengan Mean Absolute Percentage Error jika dideolasi MAPE. Penelitian ini menunjukkan bahwa pemakaian Metode Triple Exponential Smoothing Holt-Winters memberikan akurasi yang tinggi, dengan rata-rata nilai MAPE sebesar 1,069% untuk Model Aditif dan 1,065% untuk Model Multiplikatif.

Peramalan Harga Cabai Rawit Merah di Jawa Timur Menggunakan Metode AutoRegressive Integrated Moving Average (ARIMA)

Albertus Dion Sarah — 2024-10-10

Harga cabai rawit adalah salah satu indikator penting dalam sektor pertanian dan ekonomi Indonesia karena cabai rawit merupakan salah satu komoditas utama yang banyak dikonsumsi oleh masyarakat. Harga cabai rawit juga sering mengalami fluktuasi signifikan yang dipengaruhi oleh berbagai faktor seperti produksi, distribusi, dan cuaca. Untuk dapat mengetahui fluktuasi harga pada beberapa periode selanjutnya, maka perlu dilakukan peramalan yang sesuai dengan data yang ada, sehingga digunakan metode AutoRegressive Integrated Moving Average (ARIMA). Metode ini digunakan pada data harga cabai rawit di Jawa Timur pada bulan Januari hingga Mei 2024 dengan struktur data harian. Berdasarkan hasil analisis pada data, didapatkan model terbaik yaitu (4,2,4) didasarkan pada nilai AIC terkecil dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 2.83625%. Hasil peramalan menunjukkan bahwa harga cabai rawit di Jawa Timur mengalami penurunan pada periode selanjutnya. Hasil peramalan ini tidak berbeda jauh dengan data aktual yang tersedia sehingga model arima yang digunakan terbukti mampu memberikan peramalan harga yang akurat. Penelitian ini diharapkan dapat membantu pedagang, petani, dan pemerintah dalam mengambil keputusan untuk menjaga stabilitas harga

Implementasi Pembuatan Dashboard untuk Analisis Pola Diagnosa Pasien di Rumah Sakit X

Ananda taqhsya Dwiyana — 2024-10-10

Pada era digital saat ini, pengelolaan data pasien menjadi tantangan penting bagi institusi kesehatan. Rumah Sakit X menghadapi kesulitan dalam menganalisis pola diagnosa pasien secara efisien. Penelitian ini bertujuan mengembangkan dan mengimplementasikan dashboard untuk analisis pola diagnosa pasien guna meningkatkan kualitas layanan kesehatan. Metodologi yang digunakan meliputi pengumpulan data rekam medis, analisis data menggunakan Exploratory Data Analysis (EDA), dan visualisasi melalui software Tableau. Hasil penelitian menunjukkan bahwa visualisasi data dengan Diagram Sankey, Tree Map, dan Histogram memungkinkan pemahaman yang lebih mendalam terhadap pola kunjungan dan diagnosa pasien. Dari evaluasi efektivitas dashboard, responden memberikan penilaian yang memuaskan, menunjukkan bahwa dashboard ini 88% efektif dalam mendukung manajemen Rumah Sakit X. Kesimpulan penelitian ini menegaskan bahwa dashboard dapat meningkatkan efisiensi dan kualitas layanan kesehatan dengan menyediakan informasi yang jelas dan mudah dipahami. Saran diberikan untuk iterasi berkelanjutan berdasarkan umpan balik pengguna, peningkatan fitur, serta program pendidikan kesehatan bagi lansia.

Analisis Perbandingan FastText dan Word2Vec pada Sistem Temu Balik Informasi

Rosni Lumbantoruan — 2024-10-10

Sistem temu balik informasi dengan menggunakan pendekatan pembelajaran mesin pada umumnya memanfaatkan word embedding dalam merepresentasikan dokumen dan kueri pengguna. Pemilihan word embedding menjadi salah satu faktor kunci yang mempengaruhi kinerja sistem temu balik informasi, khususnya untuk mengolah teks atau kalimat dengan karakteristik data yang tidak terstruktur. Pada penelitian ini, word embedding yang paling sering digunakan yaitu FastText dan Word2Vec dibandingkan dalam hal menangkap dan mengembalikan makna semantik kata. Pada penelitian ini, eksperimen untuk membandingkan kedua pendekatan dilakukan dengan menerapkan masing-masing pendekatan pada dua dataset yang berbeda yaitu Internet News dan Movie Plots. Hasil eksperimen menunjukkan bahwa kedua pendekatan memiliki karakteristik masinng-masing, Dimana FastText dengan bantuan representasi kata dengan n-gram mampu menangkap kata yang memiliki kesamaan dari sisi susunan karakter sedangkan Word2Vec mencari kemiripan dengan kata lain berdasarkan keseringan kata tersebut muncul secara bersamaan dengan kata lain pada dokumen.

Integrasi KNN, GLCM dan HSV untuk Meningkatkan Klasifikasi Buah Jeruk

Tegar Arifin Prasetyo — 2024-10-10

Jeruk (Citrus sp) merupakan salah satu hasil pertanian. Berdasarkan data dari Badan Pusat Statistik (BPS), produksi buah jeruk mengalami penurunan dari tahun 2020 ke 2021 sebesar 2,2 juta. Salah satu faktor yang menyebabkan produksi jeruk menurun dikarenakan serangan penyakit yang dapat menurunkan produktivitas serta kuantitas dan kualitas hasil pertanian, dan memperburuk varietas, dan stabilitas hasil. Untuk mengatasi permasalahan tersebut, penelitian ini membangun web interface untuk mengklasifikasi jenis penyakit buah jeruk yang diharapkan dapat membantu petani maupun masyarakat untuk mengetahui jenis penyakit serta cara pengendalian yang efektif. Penelitian ini menggunakan algoritma K-Nearest Neighbor (KNN) dengan menggunakan ekstraksi ciri warna Hue, Saturation, dan Value (HSV) dan ekstraksi tekstur Gray Level Cooccurrence Matrix (GLCM). Pada penelitian ini mengklasifikasi 4 jenis kategori yaitu blackspot, grenning, canker dan fresh. Dataset yang digunakan sebanyak 800 data dengan masing-masing kategori memiliki 200 data. Penelitian ini melakukan percobaan untuk menguji model dengan menggunakan k=1, k=3 dan k=5. Setelah diperoleh hasil dari percobaan k, hasil akurasi tertinggi terdapat pada k=1 sebesar 89%.

Automated Data Acquisition in Monitoring Automatic Composter with Multisensory System

Philippians Manurung — 2024-10-10

Artikel ini bertujuan untuk menggambarkan proses akuisisi data dalam pemantauan sistem pengompos otomatis dengan sistem multisensor. Sistem pengomposan konvensional mengandalkan proses katalis bakteri aerob dalam menguraikan bahan organik yang memakan waktu lebih lama hingga proses penguraiannya selesai. Sistem yang diusulkan menggabungkan beberapa sensor seperti aerasi, kelembaban, suhu, dan pH untuk mengendalikan lingkungan pengomposan. Lingkungan yang terkendali akan meningkatkan proses katalisis oleh bakteri mikro, sehingga waktu penguraian akan berkurang dibandingkan dengan proses pengomposan konvensional. Sistem multisensor ini dioperasikan menggunakan kit sistem mikrokontroler seperti Raspberry Pi 3 dan Arduino Uno. Sistem ini akan memanfaatkan pemantauan proses dekomposisi secara real-time melalui pembacaan sensor dan secara otomatis mengirim data ke server untuk ditampilkan. Data yang diperoleh dari semua sensor akan ditampilkan menggunakan antarmuka pengguna berbasis web dan memberi tahu pengguna untuk mengambil tindakan jika diperlukan. Hasilnya menunjukkan bahwa sistem dengan sistem multisensor dapat mengakuisisi data dengan baik dan pemantauan real-time dari proses penguraian dapat dipantau secara komprehensif.

Inferensi Fuzzy Mamdani dan Decision Tree Untuk Deteksi Kualitas Udara Kota Jakarta

Nabila Zalfa Shafira — 2024-10-10

Kualitas udara merupakan faktor penting yang mempengaruhi kesehatan manusia dan lingkungan, terutama di kota besar seperti Jakarta yang memiliki tingkat pencemaran udara yang tinggi. Penelitian ini bertujuan untuk mengembangkan algoritma Fuzzy Mamdani dan Decision Tree untuk deteksi kualitas udara di Jakarta berdasarkan data Indeks Standar Pencemaran Udara (ISPU) tahun 2018. Penelitian ini mengumpulkan data ISPU dari website Satu Data Indonesia, yang mencakup parameter seperti HC, CO, SO₂, NO₂, O₃, PM₁₀, dan PM₂,₅. Algoritma Fuzzy Mamdani dirancang dengan menggunakan dua variabel input, yaitu CO dan NO₂ untuk menghasilkan kategori kualitas udara yang terdiri dari Baik, Sedang, Tidak Sehat, Sangat Tidak Sehat, dan Berbahaya. Algoritma Decision Tree digunakan untuk mendukung aturan inferensi dalam mengklasifikan kualitas udara berdasarkan kedua variabel input tersebut. Hasil penelitian ini munujukkan bahwa penggunaan parameter CO dan NO₂ dalam inferensi menggunakan Fuzzy Mamdani maupun Decision Tree lebih mampu mendeteksi kualitas udara kategori baik dan sangat tidak sehat.

Dashboard Analytic sebagai Media untuk Meningkatkan Performa SMP Hangtuah 4 Surabaya

Miranthy Pramita Ningtyas — 2024-10-10

Pendidikan membimbing seseorang untuk memperoleh pengetahuan yang bermanfaat bagi sekitarnya. Menurut Undang-Undang Nomor 20 Tahun 2003, setiap warga negara berhak mendapatkan pendidikan bermutu. Di SMP Hangtuah 4 Surabaya, pengolahan data akademik masih dilakukan secara manual, menyebabkan proses pengambilan keputusan dan monitoring data lambat. Proposal ini menawarkan solusi untuk meningkatkan efisiensi pengelolaan data akademik melalui dua langkah utama. Pertama, implementasi Nine-Step Methodology oleh Ralph Kimball, melibatkan proses ETL (Extract, Transform, Load) untuk membuat dimensi dan tabel fakta sebagai dasar pembuatan dashboard. Kedua, pembuatan dashboard interaktif dengan visualisasi data untuk menganalisis kinerja guru, siswa, jadwal mengajar, dan distribusi nilai siswa. Dashboard ini dirancang untuk memantau kondisi dan memfasilitasi pemahaman pengguna, membantu mengidentifikasi tren, pola, dan anomali dalam data. Data yang digunakan adalah data kuantitatif dari SMP Hangtuah 4 Surabaya, mencakup biodata siswa, biodata guru, jadwal mata pelajaran, dan nilai siswa. Metode perancangan sistem yang digunakan adalah metode waterfall, mulai dari analisis kebutuhan informasi hingga pengujian dashboard. Dengan implementasi metodologi dan pembuatan dashboard yang diusulkan, diharapkan pengolahan data menjadi lebih cepat, akurat, dan mudah dipahami, sehingga meningkatkan efisiensi dan efektivitas pengelolaan data akademik di SMP Hangtuah 4 Surabaya, memungkinkan pengambilan keputusan yang lebih tepat dan strategi peningkatan performa siswa.

Identifikasi Pola Kunjungan Pasien: Inovasi Pelayanan pada Rumah Sakit WKJ Surabaya dengan Algoritma Apriori

Ahmad Ihda Falah Annur — 2024-10-10

Rumah Sakit WKJ merupakan rumah sakit umum swasta di bawah naungan PT WYS Surabaya yang memiliki peran penting dalam menyediakan layanan kesehatan dan mempercepat peningkatan kesehatan masyarakat. Volume data kesehatan yang besar, termasuk data kedatangan pasien yang terus meningkat, menyebabkan tantangan dalam pengelolaan pola kunjungan seringkali tidak teratur. Penelitian ini mengeksplorasi penggunaan algoritma Apriori untuk mengidentifikasi pola kunjungan pasien di Rumah Sakit WKJ. Meskipun algoritma Apriori telah digunakan dalam berbagai bidang seperti analisis pasar dan rekam medis, namun penerapannya dalam konteks ini masih belum ada. Penelitian ini dilakukan pada Rumah Sakit WKJ, dengan menganalisis data kunjungan pasien selama bulan November 2023. Analisis mencakup informasi mengenai jenis kelamin, tanggal kunjungan, usia pasien, dan poli yang dikunjungi. Metode yang digunakan dalam penelitian ini adalah aturan asosiasi dengan algoritma Apriori. Hasil penelitian menunjukkan bahwa algoritma Apriori efektif dalam mengidentifikasi pola kunjungan, seperti hubungan kuat antara pasien lansia dengan poli jantung dan poli mata, serta preferensi perempuan untuk poli gigi dan rehabilitasi medik. Berdasarkan penelitian ini, peneliti menyarankan untuk mengalokasikan sumber daya dan tenaga medis yang memadai pada poli-poli terkait untuk meningkatkan pelayanan. Optimalisasi penjadwalan dan pengelolaan sumber daya berdasarkan pola kunjungan dapat meningkatkan efisiensi operasional dan kualitas pelayanan di Rumah Sakit WKJ.

Pengamanan Pesan Teks Pada Citra Digital Menggunakan Kombinasi Algoritma RSA-Quasigroup Cipher dan Metode LSB Pola Zig-zag

Yedija Asyer Lesnussa — 2024-10-10

Keamanan data merupakan hal yang sangat penting dalam menjaga kerahasiaan informasi terutama informasi sensitif yang hanya boleh diketahui oleh pihak yang berhak saja. salah satu teknik pengamanan data yang sering digunakan adalah rsa dan LSB. RSA dilakukan untuk menyembunyikan konten dari suatu informasi dengan mengubah informasi tersebut menjadi sandi dengan menggunakan kunci. quasigroup cipher adalah salah satu algoritma kriptografi yang untuk memecahkannya sangat sulit, sehingga bila dikombinasikan dengan algoritma RSA akan meningkatkan tingkat keamanan pesan atau informasi. Steganografi bertujuan untuk menyembunyikan pesan rahasia (hiding message) atau tulisan rahasia (covered writing) sehingga pesan tersebut tidak terdeteksi oleh orang lain. salah satu metode dalam steganografi adalah Least Significant Bit (LSB). LSB merupakan metode steganografi yang bekerja dengan mengubah bit yang paling tidak signifikan. kombinasi RSA-quasigroup cipher dan metode LSB diharapkan dapat meningkatkan keamanan pesan menjadi lebih baik. Hal ini bisa terlihat dari nilai psn dari hasil perbandingan citra sebelum dan sesudah disisipi pesan. berdasarkan hasil analisis kualitas citra, diperoleh bahwa nilai psnr terkecil adalah 68.61 dan psnr rata-rata seluruh citra yaitu 62,89. hasil ini memperlihatkan bahwa kombinasi RSA-quasigroup cipher dan metode LSB pola zig-zag memiliki tingkat kemanan yang sangat baik.

Optimasi Biaya Distribusi Beras Pada Perum Bulog Kanwil Maluku dan Maluku Utara Menggunakan Metode Sumathi-Sathiya dan Karagul-Sahin Approximation Method

Ellyn Therezia Lekatompessy — 2024-10-10

Pangan merupakan kebutuhuan dasar utama bagi manusia yang harus dipenuhi setiap saat, terutama seperti padi. Pangan sering diidentikkan dengan beras karena jenis pangan ini merupakan makanan pokok utama. Berdasarkan data United Stated Department Of Agriculture (USDA) Indonesia adalah salah satu Negara asia yang paling banyak mengkonsumsi beras. Perum BULOG mempunyai tugas membantu pemerintah melalui pengolahaan, persediaan distribusi dan pengendalian harga beras. Pendistribusian RASKIN dilakukan oleh Perum BULOG pada tiap-tiap kecamatan. Untuk memperoleh biaya optimal dalam pendistribusian RASKIN maka Dari hasil penelitian metode Sumathi-sathiya dan Karagul Sahin Approximation Method sebagai solusi awal, ternyata metode Sumathi-Sathiya memiliki biaya yang paling optimal yaitu sebesar Rp. 1.069.845.722,- daripada Karagul Sahin Approximation Method.