cover
Contact Name
Dr. Muhammad Ahsan
Contact Email
muh.ahsan@its.ac.id
Phone
+6281331551312
Journal Mail Official
inferensi.statistika@its.ac.id
Editorial Address
Department of Statistics Faculty of Science and Data Analytics Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS Keputih Sukolilo Surabaya Indonesia 60111
Location
Kota surabaya,
Jawa timur
INDONESIA
Inferensi
ISSN : 0216308X     EISSN : 27213862     DOI : http://dx.doi.org/10.12962/j27213862
The aim of Inferensi is to publish original articles concerning statistical theories and novel applications in diverse research fields related to statistics and data science. The objective of papers should be to contribute to the understanding of the statistical methodology and/or to develop and improve statistical methods; any mathematical theory should be directed towards these aims; and any approach in data science. The kinds of contribution considered include descriptions of new methods of collecting or analysing data, with the underlying theory, an indication of the scope of application and preferably a real example. Also considered are comparisons, critical evaluations and new applications of existing methods, contributions to probability theory which have a clear practical bearing (including the formulation and analysis of stochastic models), statistical computation or simulation where the original methodology is involved and original contributions to the foundations of statistical science. It also sometimes publishes review and expository articles on specific topics, which are expected to bring valuable information for researchers interested in the fields selected. The journal contributes to broadening the coverage of statistics and data analysis in publishing articles based on innovative ideas. The journal is also unique in combining traditional statistical science and relatively new data science. All articles are refereed by experts.
Articles 35 Documents
KLASIFIKASI KINERJA KARYAWAN TERHADAP PENJUALAN PRODUK MENGGUNAKAN METODE REGRESI LOGISTIK DAN NAïVE BAYES (STUDI KASUS PT. GUNUNG MERANTI, KALIMANTAN SELATAN) Prabowo, Nursya?bani Hendro; Irhamah, Irhamah
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (495.398 KB) | DOI: 10.12962/j27213862.v1i2.6729

Abstract

Gunung Meranti merupakan perusahaan perseroan tertutup yang terletak di Kalimantan Selatan.Perusahaan bergerak di bidang industri perhutanan dan agro-tani.Produk perusahaan terdiri dari kayu bulat dan kayu lapis dengan volume meter kubik, serta produksi agro-tani seperti perkebunan kopi, jeruk dan pertanian padi. Produk perusahaan dengan ragam tersebut memerlukan pemasaran yang cukup strategis dan intensitas kerja yang lebih tinggi, hal ini dikarenakan konsumen dari perusahaan bukan merupakan end user  seperti industri rumah tangga ataupun individu, melainkan perusahaan seperti perusahaan konstruksi, properti dan perusahaan pengembangan yang berskala besar. Tingkat intensitas kerja yang tinggi tersebut menyebabkan perusahaan perlu melakukan analisa terhadap performa dari karyawan untuk menentukan target bagi masing-masing karyawan, serta melakukan penilaian terhadap kinerja masing-masing individu dalam hal gaji pokok maupun bonus.Perbandingan ketepatan klasifikasi dan kebaikan model menunjukkan bahwa Regresi Logistik dan Naïve Bayes menghasilkan model yang sama baiknya dengan skema terbaik adalah data training 70% dan data testing 30%. Perbandingan jika dilihat menggunakan RMSE cenderung menunjukkan Naïve Bayes dengan skema 70% merupakan model yang disarankan dengan RMSE yang cenderung rendah dibanding skema dan metode lain.
PENENTUAN ZONA MUSIM DI MOJOKERTO MENURUT KARAKTERISTIK CURAH HUJAN DENGAN METODE TIME SERIES BASED CLUSTERING Ayundari, Iftitah; Sutikno, Sutikno
Inferensi Vol 2, No 2 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (564.023 KB) | DOI: 10.12962/j27213862.v2i2.6819

Abstract

Zona musim adalah daerah  yang pos hujan  rata ratanya memiliki perbedaan yang  jelas antara periode musim  hujan dan  musim kemarau. Metode analisis data yang diterapkan dalam pengelompokkan ZOM ini adalah metode analisis cluster, yaitu mengelompokkan suatu objek yang memiliki kesamaan sifat tanpa menghilangkan struktur alami objek. Oleh karena kelompok yang dihasilkan memiliki makna, seperti pola atau klasifikasi. Data curah hujan merupakan data series sehingga dalam melakukan analisis cluster menggunakan jarak basis time series, yaitu pada penelitian ini menggunkan jarak Dynamic Time Warping (DTW) dan autocorrelation function (ACF). Tujuannya adalah mengetahui karateristik zona musim di seluruh wilayah Mojokerto dan memetakan pola zona musim di Mojokerto berdasarkan data curah hujan menggunakan time series based clustering. Pengelompokan dilakukan dengan membentuk 2 hingga 5 kelompok, dan selanjutnya akan dilakukan pemilihan kelompok optimum dengan pseudo-f statistics dan kriteria silhouette. Data curah hujan yang digunakan adalah curah hujan bulanan. Evaluasi kinerja zona musim dilakukan dengan rasio simpangan baku dimana metode yang dibandingkan adalah pengelompokkan dengan jarak ACF, DTW, dan hasil pengelompokkan oleh BMKG. Berdasarkan hasil evaluasi kinerja zona musim dengan rasio simpangan baku metode terbaik yang dipilih adalah pengelompokkan dengan jarak DTWZona musim adalah daerah  yang pos hujan  rata ratanya memiliki perbedaan yang  jelas antara periode musim  hujan dan  musim kemarau. Metode analisis data yang diterapkan dalam pengelompokkan ZOM ini adalah metode analisis cluster, yaitu mengelompokkan suatu objek yang memiliki kesamaan sifat tanpa menghilangkan struktur alami objek. Oleh karena kelompok yang dihasilkan memiliki makna, seperti pola atau klasifikasi. Data curah hujan merupakan data series sehingga dalam melakukan analisis cluster menggunakan jarak basis time series, yaitu pada penelitian ini menggunkan jarak Dynamic Time Warping (DTW) dan autocorrelation function (ACF). Tujuannya adalah mengetahui karateristik zona musim di seluruh wilayah Mojokerto dan memetakan pola zona musim di Mojokerto berdasarkan data curah hujan menggunakan time series based clustering. Pengelompokan dilakukan dengan membentuk 2 hingga 5 kelompok, dan selanjutnya akan dilakukan pemilihan kelompok optimum dengan pseudo-f statistics dan kriteria silhouette. Data curah hujan yang digunakan adalah curah hujan bulanan. Evaluasi kinerja zona musim dilakukan dengan rasio simpangan baku dimana metode yang dibandingkan adalah pengelompokkan dengan jarak ACF, DTW, dan hasil pengelompokkan oleh BMKG. Berdasarkan hasil evaluasi kinerja zona musim dengan rasio simpangan baku metode terbaik yang dipilih adalah pengelompokkan dengan jarak DTW
PENGELOMPOKAN KABUPATEN/KOTA BERDASARKAN INDIKATOR PEMBANGUNAN EKONOMI DAN POTENSI DAERAH PROVINSI JAWA TIMUR MENGGUNAKAN SIMILARITY WEIGHT AND FILTER METHOD (SWFM) Lutfi, Renaldy Aprevia; Zain, Ismaini
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (712.889 KB) | DOI: 10.12962/j27213862.v1i2.6724

Abstract

? Pembangunan ekonomi banyak dilakukan di daerah yang memiliki potensi sumber daya yang lebih baik. Indikator pembangunan ekonomi terbagi menjadi indikator moneter, indikator non-moneter, dan indikator campuran. Terdapat 20 kabupaten/kota di Provinsi Jawa Timur yang berada di dataran rendah dan memiliki potensi pengelolaan di wilayah pesisir. Daerah lainnya di dataran sedang dan tinggi memiliki potensi pertanian yang besar karena merupakan daerah yang relatif subur. Perekonomian Jawa Timur tahun 2017 tumbuh sebesar 5,45 persen, namun kondisi tersebut belum dikatakan baik karena terdapat masalah ketimpangan ekonomi. Untuk mengatasinya, perlu memberikan kebijakan khusus kepada daerah dengan tingkat perekonomian dan potensi daerah yang berbeda. Analisis yang digunakan untuk mengetahui daerah dengan tingkat perekonomian dan potensi daerah yang berbeda adalah dengan analisis klaster. Metode analisis klaster dalam penelitian ini adalah dengan SWFM. SWFM dapat digunakan untuk menggabungkan kelompok data yang berasal dari data numerik dan data kategori. Hasil pengelompokan data numerik dengan metode ward, diperoleh jumlah kelompok optimum sebanyak tiga kelompok. Pada pengelompokan data kategori menggunakan metode k-modes, diperoleh karakteristik yang dapat membedakan antara tiga kelompok yang digunakan. Pengelompokan data numerik dan kategori menggunakan SWFM didapatkan jumlah kelompok optimum sebanyak lima kelompok.
PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI AIDS Maya, Rakhmah Wahyu; Ramadhan, Anisa; Ayuputri, Ikacipta Mega; Otok, Bambang Widjanarko
Inferensi Vol 2, No 1 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (933.089 KB) | DOI: 10.12962/j27213862.v2i1.6807

Abstract

Acquired Immune Deficiency Syndrome (AIDS) merupakan salah satu penyakit mematikan yang sampai saat ini belum ditemukan vaksin pencegahan atau obat untuk menyembuhkannya. AIDS disebabkan oleh virus Human Immunodeficiency Virus (HIV). Virus tersebut menyerang sistem kekebalan tubuh manusia. Sebagian besar orang tertular AIDS dikarenakan faktor pendidikan, kemiskinan, kesehatan yang didapatkan oleh masyarakat dan tenaga kesehatan. Oleh karena itu, peneliti menganalisis cluster faktor-faktor yang mempengaruhi penyakit AIDS di Jawa Timur pada tahun 2008. Analisis Cluster digunakan untuk mengelompokkan wilayah terjadinya penyakit AIDS. Penelitian tersebut membandingkan hasil pengujian analisis cluster Hirarki dengan menggunakan metode single linkage , complete linkage dan average linkage. Berdasarkan hasil analisis dapat diketahui bahwa jumlah cluster optimum yang  terbentuk adalah 3 cluster. Selanjutnya dilakukan analisis manova. Berdasarkan hasil manova dapat diketahui bahwa faktor Cluster berpengaruh terhadap variabel yang mempengaruhi penyakit AIDS di Jawa Timur.
PEMETAAN JUMLAH PROPERTY CRIME DI PROVINSI JAWA TIMUR MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR) DAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) Priambodo, Bagas Wahyu Yoga; Irhamah, Irhamah
Inferensi Vol 2, No 2 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (337.802 KB) | DOI: 10.12962/j27213862.v2i2.6818

Abstract

Kriminal merupakan suatu kegiatan yang melanggar hukum. Ada beberapa faktor yang mempengaruhi para kriminal melakukan tindakan kejahatan antara lain  kemiskinan, kesempatan kerja, dan karakter pelaku yang melakukan kejahatan. Selain itu ada pula faktor lain yang mempengaruhi timbulnya kejahatan yaitu kepadatan penduduk, jumlah patroli polisi, keadaan jalan dan lingkungan, frekuensi ronda siskamling, dan faktor lainnya. Property crime merupakan kategori kejahatan yang termasuk di dalamnya yaitu pencurian, pengambilan sesuatu yang melanggar hukum, perampokan, kejahatan dengan pembakaran, dan perusakan properti. Seringkali kejadian kriminalitas akan saling berdampak dari satu wilayah ke wilayah yang lainnya. Untuk menyelesaikan kasus tersebut diperlukan suatu pemodelan dengan metode spasial kerena memperhatikan kondisi geografis yang ada di provinsi Jawa Timur. Pemodelan dengan memperhatikan faktor spasial menggunakan GWNBR dan GWPR, dimana setiap wilayah pasti memiliki kondisi geografis yang berbeda sehingga menyebabkan adanya perbedaan jumlah Property crime antara wilayah satu dengan wilayah yang lainnya sesuai dengan karakteristik wilayah tersebut. Hasil pemodelan dengan metode GWNBR terbentuk dua kelompok kabupaten/kota menurut variabel yang berpengaruh signifikan terhadap jumlah kasus Property crime. Hasil pemodelan dengan metode GWPR menunjukkan bahwa kelompok kabupaten/kota menurut variabel yang berpengaruh signifikan terhadap jumlah kasus Property crime sebanyak 16 kelompok. Berdasarkan kriteria AIC terkecil menunjukkan bahwa metode GWNBR merupakan metode yang paling sesuai untuk memodelkan jumlah kasus Property crime setiap kabupaten/kota di Jawa Timur dibandingkan dengan metode regresi Poisson, regresi binomial negatif, dan GWPR.
PENGENDALIAN KUALITAS GULA KRISTAL PUTIH (GKP) DI PG TJOEKIR JOMBANG MENGGUNAKAN DIAGRAM KONTROL MULTIVARIAT BERBASIS TIME SERIES Taufiqi, Muhammad Salam; Aksioma, Diaz Fitra
Inferensi Vol 1, No 1 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (676.81 KB) | DOI: 10.12962/j27213862.v1i1.6716

Abstract

PG Tjoekir Jombang merupakan salah satu unit usaha dari PTPN X yang bergerak pada bidang pengadaan gula. Salah satu produk utama yang dihasilkan oleh PG Tjoekir Jombang adalah Gula kristal putih yang harus memenuhi kriteria Standar Nasional Indonesia (SNI). Karakteristik kualitas yang digunakan adalah warna larutan gula (ICUMSA) dan Besar Jenis Butir. Kedua karakteristik tersebut memiliki hubungan yaitu jika semakin kecil BJB maka ICUMSA akan semakin putih. hal itu menjelaskan jika semakin putih maka kualitas gula kristal putih semakin baik. Proses monitoring kualitas gula kristal putih dilakukan untuk menjaga kualitas dari gula yang dihasilkan oleh PG Tjoekir Jombang. Pengendalian kualitas menggunakan diagram kontrol multivariat berbasis time series lebih sesuai digunakan karena asumsi yang harus terpenuhi adalah tidak adanya autokorelasi antar pengamatan. Diagram kontrol dibuat berdasarkan residual dari model terbaik. Model terbaik yang diperoleh yaitu dengan menggunakan model VAR (3). Hasil diagram kontrol menunjukkan bahwa variabilitas dan rata-rata proses belum terkendali secara statistik. Salah satu penyebabnya adalah terjadinya kerusakan pada mesin dikarenakan setting mesin dan usia mesin saat sedang beroperasi, faktor tenaga kerja yang kurang teliti dan beberapa faktor yang lainnya.
MODEL EVALUATION FOR LOGISTIC REGRESSION AND SUPPORT VECTOR MACHINES IN DIABETES PROBLEM Astuti, Baiq Siska Febriani; Firdausanti, Neni Alya; Purnami, Santi Wulan
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (557.911 KB) | DOI: 10.12962/j27213862.v1i2.6728

Abstract

Machine learning is a method or computational algorithm to solve problems based on data that already available from the database. Classification is one of the important methods of supervised learning in machine learning. Support Vector Machine and Logistic Regression are some supervised learning methods that can be used both for classification and regression. In datamining process, Preprocessing is an important part before doing further analysis. In preprocessing data, feature selection and deviding training and testing data are important part of preprocessing data. In this research will be compared some evaluation model of deviding method for training and testing data, namely Random Repeated Holdout, Stratified Repeated Holdout, Random Cross-Validation, and Startified Cross-Validation. Evaluation model would be implying in logistic regression and Support Vector Machines (SVMs). From the analysis, can be concluded that by selecting features can improve the accuracy of classification with logistic regression, but opposite of Support Vector Machines (SVMs). For training and testing data pertition method can not be sure what method is better, because each method of partition training and testing data using the concept of random selection. Model evaluation cannot sure influence to increase best perform for SVMs model in particular this case.
THE CLUSTERING OF HOUSEHOLDS IN MADURA BASED ON FACTORS AFFECTING THEIR INGESTION OF CLEAN WATER USING SIMILARITY WEIGHT AND FILTER METHOD Martha, Astarani Wili; Zain, Ismaini
Inferensi Vol 2, No 1 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (687.199 KB) | DOI: 10.12962/j27213862.v2i1.6813

Abstract

Clean Water and Sanitation is one of SDGs? indicators that relates to human? demand for clean water. Three of four regencies in Madura Island reportedly have suffered in drought, thus it leads this research to fulfill Madura people need of water. Madura Island has 3097 households in need of water. However, not all households could fetch their need. This research aims to classify the households of Madura Island regarding factors which affect their ingestion of clean water using cluster analysis. There are clustering numerical data and categorical data. Therefore, this research uses Similarity Weight and Filter Method. SWFM is one of clustering mix methods in which there are clustering numerical, using hierarchical ward, and clustering categorical, using k-modes. To analyze the clustering numerical data, there are 3 variables and it gains two optimum groups by using ward method with pseudo-F 1001,172. Clustering categorical analysis uses 6 variables with k-modes and gains three groups and SWFM gains five groups. Five groups are selected because they produced the smallest ratio 0,006627 in the group.
KLASIFIKASI KATEGORI PENGADUAN MASYARAKAT MELALUI KANAL LAPOR! MENGGUNAKAN ARTIFICIAL NEURAL NETWORK Ananto, Mochamad Ihsan; Winahju, Wiwiek Setya; Fithriasari, Kartika
Inferensi Vol 2, No 2 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (545.771 KB) | DOI: 10.12962/j27213862.v2i2.6821

Abstract

LAPOR! merupakan sarana aspirasi dan pengaduan masyarakat terkait kinerja pemerintah berbasis media sosial. Oleh karena laporan pengaduan masyarakat yang masuk tersebut berbentuk teks, maka dapat diselesaikan dengan cara text mining. Sehingga dilakukan analisis klasifikasi teks menggunakan Artificial Neural Network serta SMOTE untuk mengatasi data imbalance dan Chi-Square untuk proses seleksi variabel. Data yang digunakan adalah data historis aduan masyarakat melalui kanal LAPOR! tahun 2015. Melalui proses seleksi variabel, didapatkan sejumlah 428 term atau kata yang memberikan pengaruh terhadap kategori aduan masya-rakat. Ketepatan klasifikasi yang dihasilkan melalui metode Artificial Neural Network dengan feature selection dan 3 nodes hidden layer adalah precision 0,794, sensitivity 0,818 dan F1-Score 0,800. Selain itu didapatkan topik permasalahan yang patut mendapatkan perhatian lebih pada setiap kategori aduan dengan menggunakan word cloud.
MODEL INHOMOGENEOUS SPATIAL COX PROCESSES UNTUK PEMETAAN RISIKO GEMPABUMI DI PULAU JAWA Trisnisa, Finola; Metrikasari, Rahma; Rabbanie, Rifqi; Sakdiyah, Khalimatus; Choiruddin, Achmad
Inferensi Vol 2, No 2 (2019): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (286.576 KB) | DOI: 10.12962/j27213862.v2i2.6825

Abstract

Pulau Jawa menjadi salah satu wilayah dengan risiko gempabumi yang tinggi karena terdapat zona subduksi di sepanjang selatan wilayah pulau Jawa. Metode Statistika untuk pemodelan kejadian gempabumi berdasarkan spatial point processes menjadi metode popular untuk memodelkan persebaran gempabumi, diantaranya adalah model Gibbs dan Hawkes point processes (conditional intensity-based modeling) dan Cox point processes (intensity-based modeling). Pemodelan gempabumi menggunakan Hawkes dan Gibbs point processes dengan memperhatikan faktor geologi seperti sesar aktif, gunung berapi, dan subduksi telah dikembangkan. Namun demikian, Pemodelan berdasarkan conditional intensity dinilai kurang sesuai untuk pemodelan kejadian gempabumi di Jawa. Sementara itu, belum ada penelitian yang menggunakan Cox processes untuk memodelkan distribusi dari gempabumi dengan mempertimbangkan faktor geologi. Pada model Cox processes, estimasi parameter sangat sulit dilakukan karena fungsi likelihoodnya bergantung pada fungsi intensitas yang merupakan proses stokastik. Pada penelitian ini, kami mengembangkan salah satu model Cox point processes yakni Neyman-Scott Cox Process untuk analisis data lokasi gempabumi di pulau Jawa dengan memperhatikan faktor geologi seperti gunung berapi dan subduksi. Estimasi parameter dilakukan dengan membangun composite likelihood sehingga estimasi parameter lebih mudah dilakukan. Hasil analisis menunjukkan bahwa kejadian gempabumi di pulau Jawa membentuk pola kluster. Selain itu, jarak menuju gunung berapi dan subduksi terdekat dianggap signifikan berpengaruh terhadap distribusi gempabumi di pulau Jawa.

Page 1 of 4 | Total Record : 35