Determinan Kelaparan di Indonesia Tahun 2015-2019

Sustainable Development Goals (SDGs) adalah sebuah perencana aksi berskala global yang disepakati oleh para pemimpin dunia, termasuk Indonesia dengan tujuan mendorong pembangunan sosial, ekonomi dan lingkungan hidup. Salah satu dari 17 tujuan SDGs adalah mengakhiri kelaparan. Berdasarkan data yang dirilis Badan Pusat Statistik, salah satu pendekatan untuk mengukur tingkat kelaparan adalah proporsi penduduk dengan asupan kalori minimum di bawah 1400 kkal/kapita/hari. Proporsi penduduk dengan asupan kalori minimum di bawah 1400 kkal/kapita/hari di Indonesia masih cukup tinggi dan terus mengalami peningkatan dari tahun 2017 hingga 2019. Penelitian ini bertujuan untuk menganalisis bagaimana gambaran umum dari tingkat kelaparan dan variabel-variabel yang diduga mempengaruhinya, serta bagaimana pengaruh variabel-variabel tersebut terhadap tingkat kelaparan di Indonesia tahun 2015-2019. Hasil dari penelitian ini dapat digunakan untuk merumuskan kebijakan-kebijakan guna penuntasan kelaparan di Indonesia. Metode analisis yang digunakan adalah regresi data panel dengan menggunakan fixed effect model yang diestimasi dengan metode Seemingly Unrelated Regression (SUR). Hasil dari penelitian ini menunjukkan bahwa variabel yang berpengaruh signifikan terhadap tingkat kelaparan adalah pengeluaran makanan dan harga beras, sedangkan jumlah penduduk miskin dan pendapatan perkapita tidak berpengaruh signifikan.

Indeks Komposit Pekerjaan Layak di Indonesia Pada Era Pandemi COVID-19

Pandemi memberikan dampak pada berbagai lapisan kehidupan sosial ekonomi termasuk ketenagakerjaan. Dampak berupa pengurangan jam kerja, sementara tidak bekerja, pengangguran, atau menjadi bukan angkatan kerja dirasakan baik oleh tenaga kerja formal maupun informal. Terlebih, tenaga kerja informal memang sudah menjadi tenaga kerja yang rentan. Permasalahan tersebut menjadikan perlunya mengetahui bagaimana kondisi kelayakan pekerjaan di Indonesia di masa pandemi. Penelitian ini menghitung Indeks Pekerjaan Layak (IPL) pada masa pandemi di Indonesia bertujuan untuk mengetahui gambaran provinsi di Indonesia agar pihak terkait dalam melakukan perencanaan hingga evaluasi yang matang. Dengan menggunakan analisis faktor, penelitian ini menghasilkan temuan bahwa beberapa daerah ternyata cenderung masih memiliki IPL yang rendah. Artinya pemerintah pusat maupun daerah di wilayah terkait seharusnya semakin bersifat sensitif dan responsif terhadap kelayakan bekerja penduduknya dimulai dari fokus pada variabel-variabel yang berdampak secara signifikan.

Penerapan Bayesian Network dalam Memodelkan Kondisi Ekonomi Hijau Indonesia di Era Pandemi Berdasarkan Big Data

Untuk mendukung pertumbuhan ekonomi hijau Indonesia, diperlukan analisis lebih lanjut terkait aktivitas ekonomi di masa pandemi dan keterkaitannya dengan kondisi lingkungan. Penelitian ini bertujuan untuk menerapkan pendekatan Bayesian Network dalam memodelkan kondisi ekonomi hijau Indonesia di masa pandemi berdasarkan variabel-variabel yang disinyalir dapat berpengaruh seperti aktivitas ekonomi, kualitas udara, tingkat mobilitas penduduk, dan kasus positif COVID-19 yang diperoleh melalui big data. Model Bayesian Network yang dikonstruksi secara manual dengan algoritma Maximum Spanning Tree dipilih sebagai model terbaik dengan rata-rata akurasi 5-cross validation dalam memprediksi empat kelas PDRB sebesar 0,83. Model terbaik yang dipilih menunjukkan bahwa kondisi ekonomi Indonesia di era pandemi secara langsung dipengaruhi oleh intensitas cahaya malam (NTL) yang menunjukkan aktivitas ekonomi, kualitas udara (AQI), dan kasus positif COVID-19. Analisis parameter learning menunjukkan bahwa pertumbuhan ekonomi provinsi-provinsi Indonesia masih cenderung belum sejalan dengan terpeliharanya kualitas udara sehingga usaha untuk mencapai kondisi ekonomi hijau masih harus ditingkatkan.

Linkages Perekonomian Bali

Berbagai studi telah dilakukan untuk menganalisis dampak pengganda dari perekonomian Bali. Namun, studi-studi tersebut umumnya berfokus pada keterkaitan antar sektor menggunakan model Input-Output (IO). Padahal, perekonomian antar wilayah dapat saling bergantung melalui berbagai macam eksternalitas dan jaringan rantai suplai. Studi ini menganalisis perekonomian Bali tidak hanya berdasarkan hubungan antar sektor, namun juga mempertimbangkan hubungan ekonomi Bali dengan provinsi lainnya. Model yang digunakan adalah Inter Regional Input Output (IRIO). Tabel IRIO berukuran 17 industri x 34 provinsi diperoleh dari Badan Pusat Statistik. Hasil analisis menunjukkan bahwa terdapat beberapa industri unggulan di Provinsi Bali, yaitu Listrik dan Gas, Transportasi dan Pergudangan, Informasi dan Komunikasi, dan Jasa Perusahaan. Industri Listrik dan Gas memiliki keterkaitan antar sektor dan dampak output yang paling besar diantara industri-industri di Provinsi Bali. Selanjutnya, analisis antar wilayah menunjukkan bahwa shock permintaan akhir di Provinsi Bali berdampak besar terhadap perekonomian provinsi-provinsi di Pulau Jawa, khususnya Jawa Timur. Di sisi lain, perekonomian Bali sangat dipengaruhi oleh shock permintaan akhir di Provinsi Nusa Tenggara Barat.

Penggunaan Indeks Google Trend Dalam Peramalan Jumlah Pengunjung Taman Rekreasi Selecta Tahun 2020

Kota Batu merupakan salah satu daerah potensi pariwisata di Indonesia, dengan salah satu tujuan pariwisata andalan adalah Taman Rekreasi Selecta. Sejak tahun 2016 hingga 2019, Taman Rekreasi Selecta secara konsisten menjadi tempat wisata dengan jumlah pengunjung terbanyak di Kota Batu. Publikasi data kunjungan wisatawan yang hanya dilakukan sekali dalam satu tahun menunjukkan adanya selang waktu antara pengumpulan dan publikasi data, sehingga pemanfaatan data kunjungan wisatawan tersebut kurang maksimal. Permasalahan tersebut dapat diatasi dengan memanfaatkan real-tima data, yaitu big data. Pada penelitian ini, peneliti akan melakukan nowcasting jumlah pengunjung Taman Rekreasi Selecta pada tahun 2020, serta menggunakan Indeks Google Trend (IGT) yang diharapkan mampu meningkatkan akurasi hasil prediksi. Metode peramalan data runtun waktu yang digunakan adalah SARIMA dan SARIMAX dengan IGT sebagai variabel penjelas. Dibandingkan dengan model SARIMA, metode SARIMAX dengan IGT mampu menurunkan nilai MAE data out-sample hingga 32% dan MAPE sebesar 28%. Perbandingan kedua metode juga menunjukkan bahwa hasil peramalan menggunakan SARIMAX dengan IGT lebih mampu menangkap volatilitas data runtun waktu dari pada model SARIMA. Hasil peramalan jumlah pengunjung Selecta tahun 2020 menunjukkan sempat terjadinya penurunan jumlah pengunjung akibat pandemi covid-19 dan kembali naik diakhir tahun 2020.

Penyusunan Indeks Pembangunan Smart City Di Indonesia Tahun 2018

Pembangunan di wilayah perkotaan membutuhkan manajemen kota untuk menyelesaikan permasalahan yang terjadi akibat dari tingginya pertumbuhan penduduk. Kompleksitas permasalahan pada wilayah perkotaan sangat bervariasi, diantaranya penurunan kualitas pelayanan publik, berkurangnya ketersediaan lahan permukiman, kemacetan di jalan raya, konsumsi energi yang berlebihan, penumpukan sampah, peningkatan angka kriminalitas, dan masalah-masalah sosial lainnya. Pembentukan Indeks Pembangunan Smart City (IPSC) dipandang mampu memberi solusi yang efektif dan efisien dalam mengurangi permasalahan kota yang ada. Tujuan penelitian ini adalah mengetahui gambaran umum dan mendapatkan faktor- faktor pembentuk IPSC, mendapatkan hasil pengukuran IPSC, mengkaji uncertainty analysis dan sensitivity analysis dari IPSC dan melihat hubungan antara IPSC dengan IPM, serta mendapatkan klasifikasi berdasarkan 5 kategori di Indonesia. Berdasarkan hasil analisis faktor, terdapat 6 faktor yang terbentuk dimana wilayah IPSC tertinggi dengan jumlah penduduk kurang dari 200.000 jiwa terdapat di Kota Madiun, wilayah IPSC tertinggi dengan jumlah penduduk antara 200.000 hingga 1.000.000 jiwa terdapat di Kota Yogyakarta dan wilayah IPSC tertinggi dengan jumlah penduduk di atas 1.000.000 jiwa terdapat di Kota Tangerang. Hasil uncertainty analysis dan sensitivity analysis menunjukkan bahwa IPSC yang terbentuk sudah cukup robust dan reliable. Secara umum, IPSC memiliki hubungan yang positif terhadap IPM. Pembentukan indeks ini diharapkan mampu mempermudah pemerintah daerah dan pemerintah pusat dalam mengkaji kebijakan mengenai pengalokasian dana agar pembangunan smart city yang diharapkan sesuai dengan kondisi yang ada.

Penerapan Klasifikasi Kueri untuk Meningkatkan Efektivitas Mesin Pencari

Dalam menjalankan peran sebagai penyedia data, Badan Pusat Statistik (BPS) memberikan layanan akses data BPS bagi masyarakat. Salah satu layanan tersebut adalah fitur pencarian di website BPS. Namun, layanan pencarian yang diberikan belum memenuhi harapan konsumen. Untuk memenuhi harapan konsumen, salah satu upaya yang dapat dilakukan adalah meningkatkan efektivitas pencarian agar lebih relevan dengan maksud pengguna. Oleh karena itu, penelitian ini bertujuan untuk membangun fungsi klasifikasi kueri pada mesin pencari dan menguji apakah fungsi tersebut dapat meningkatkan efektivitas pencarian. Fungsi klasifikasi kueri dibangun menggunakan model machine learning. Kami membandingkan lima algoritma yaitu SVM, Random Forest, Gradient Boosting, KNN, dan Naive Bayes. Dari lima algoritma tersebut, model terbaik diperoleh pada algoritma SVM. Kemudian, fungsi tersebut diimplementasikan pada mesin pencari yang diukur efektivitasnya berdasarkan nilai precision dan recall. Hasilnya, fungsi klasifikasi kueri dapat mempersempit hasil pencarian pada kueri tertentu, sehingga meningkatkan nilai precision. Namun, fungsi klasifikasi kueri tidak memengaruhi nilai recall.

Pendekatan Model Machine Learning dalam Pemeringkatan Status Sosial Ekonomi Rumah Tangga di Indonesia

Metode yang digunakan untuk pemeringkatan status sosial ekonomi rumah tangga Basis Data Terpadu adalah dengan memprediksi nilai pengeluaran rumah tangga dengan metode Proxy Mean Testing (PMT). Secara umum metode ini merupakan model prediksi dengan menggunakan teknik regresi. Pilihan model statistik yang digunakan adalah forward-stepwise. Dalam praktiknya diasumsikan bahwa variabel prediktor yang digunakan dalam PMT memiliki korelasi linier dengan variabel pengeluaran. Penelitian ini mencoba menerapkan pendekatan machine learning sebagai alternatif metode prediksi selain model forward-stepwise. Model dibangun menggunakan beberapa algoritma machine learning seperti Multivariate Adaptive Regression Splines (MARS), K-Nearest Neighbors, Decision Tree, dan Bagging. Hasil pemodelan menunjukkan bahwa model machine learning menghasilkan nilai rata-rata inclusion error (IE) lebih rendah dibandingkan nilai rata-rata exclusion error (EE). Model machine learning bekerja efektif dalam mengurangi IE namun belum cukup sensitif dalam mengurangi EE. Nilai rata-rata IE model machine learning sebesar 0,21 sedangkan nilai rata-rata IE model PMT sebesar 0,29.

Determinan Status Kesehatan Balita di Provinsi Nusa Tenggara Timur Tahun 2019

Kesehatan merupakan hak dasar bagi setiap manusia. Balita merupakan kelompok penduduk yang paling rentan mengalami masalah kesehatan. Provinsi Nusa Tenggara Timur merupakan salah satu provinsi dengan derajat kesehatan balita yang rendah. Dalam kurun waktu 3 tahun, yaitu 2017-2019 persentase penduduk balita atau bayi usia 0-4 tahun yang mempunyai keluhan kesehatan mengalami peningkatan dari 47,69 persen pada tahun 2017 menjadi 52,68 persen pada tahun 2019. Tujuan penelitian ini untuk mengidentifikasi gambaran umum terkait status kesehatan balita, variabel-variabel yang mempengaruhinya serta kecenderungan variabel-variabel tersebut terhadap status kesehatan balita di Nusa Tenggara Timur tahun 2019. Data yang digunakan adalah raw data Survei Sosial Ekonomi Nasional Modul Kesehatan dan Perumahan (Susenas MKP) tahun 2019 yang diperoleh dari Badan Pusat Statistik. Metode analisis yang digunakan adalah regresi logistik biner. Hasil analisis menunjukkan bahwa umur balita, tingkat pengetahuan ibu, status pekerjaan ibu, kesehatan ibu dan akses sanitasi berpengaruh signifikan terhadap status kesehatan balita. Balita dengan karakteristik berusia kurang dari dua tahun yang memiliki ibu berpendidikan minimal tamat SMA, bekerja dan tidak sehat serta memiliki akses sanitasi tidak layak memiliki kecenderungan yang lebih besar untuk tidak sehat

Variabel-Variabel yang Memengaruhi Status Stres Pekerja Komuter dengan Kendaraan Bermotor Pribadi dan Umum di Jabodetabek

Komuter adalah seseorang yang bekerja/sekolah/kursus di luar kabupaten/kota tempat tinggalnya yang pergi dan pulang pada hari yang sama. Sebagian besar kegiatan utama komuter adalah bekerja. Pekerja komuter baik yang menggunakan kendaraan bermotor pribadi maupun umum tentunya mengalami stres berkomuter. Stres tidak bisa disepelekan, karena dapat memengaruhi kesehatan dan kinerja pekerja. Oleh karena itu, penelitian ini bertujuan untuk mengetahui variabelvariabel yang berpengaruh signifikan terhadap status stres pekerja komuter di Jabodetabek berdasarkan kendaraan yang digunakan. Data yang digunakan berasal dari Survei Komuter Jabodetabek tahun 2019. Adapun metode analisis inferensia yang digunakan adalah analisis regresi logistik biner. Hasil menunjukkan bahwa variabel yang berpengaruh signifikan terhadap status stres pekerja komuter yang menggunakan kendaraan pribadi adalah status perkawinan, durasi perjalanan, dan kemacetan. Sedangkan pada pekerja komuter dengan kendaraan bermotor umum yang berpengaruh signifikan adalah umur, durasi perjalanan, dan kemacetan.