PROPOSAL PROGRAM KREATIVITAS MAHASISWA

PREDIKSI PROBABILITAS PANGSA PASAR KARTU SELULER

MENGGUNAKAN PENDEKATAN RANTAI MARKOV
(Studi Kasus Mahasiswa Fakultas Sains Terapan IST AKPRIND
Yogyakarta)

BIDANG KEGIATAN:
PKM ARTIKEL ILMIAH

Diusulkan oleh:
Dyah Ariani Widianingsih (131.06.1005) Angkatan 2013
Puri Fathurrahmi (131.06.1014) Angkatan 2013
Tata Fajri Nurrahmi (141.07.1003) Angkatan 2014

INSTITUT SAINS DAN TEKNOLOGI AKPRIND

YOGYAKARTA
2017
 PREDIKSI PROBABILITAS PANGSA PASAR KARTU SELULER
MENGGUNAKAN PENDEKATAN RANTAI MARKOV
(Studi Kasus Mahasiswa Fakultas Sains Terapan IST AKPRIND
Yogyakarta)

Dyah Ariani Widianingsih 1) Puri Faturrahmi 2) Tata Fajri Nurrahmi 3)

1,2)
Jurusan Statistika 3) Jurusan Sistem Komputer, Fakultas Sains Terapan IST
AKPRIND Yogyakarta

Abstrak
Rantai Markov adalah suatu teknik matematika yang biasa digunakan untuk
memodelkan sistem dan proses bisnis. Teknik ini dapat digunakan untuk
memperkirakan perubahan-perubahan di waktu yang akan datang dalam variabel -
variabel dinamis berdasarkan perubahan variable-variabel tersebut pada waktu
lampau. Tujuan dalam penelitian ini adalah memprediksi perubahan probabilitas di
masa yang akan datang dari kartu seluler prabayar yang digunakan oleh mahasiswa
fakultas sains terapan IST AKPRIND Yogyakarta. Teknik pengambilan sampel
adalah metode Strata sampling yaitu menggunakan teknik penulis menggunakan
teknik Proportionate Stratified Random Sampling. Teknik ini digunakan karena
populasinya tidak homogeny dan berstrata secara proporsional. Strata yang
dimaksudkan yaitu mahasiswa angkatan 2013, angkatan 2014, angkatan 2015 dan
angkatan 2016 dengan jumlah sampel 190 responden. Hasil analisis prediksi pangsa
pasar 5 tahun yang akan datang menunjukkan bahwa simpati merupakan market
leader di Fakultas Sains Terapan dimana alasan utama memilih kartu seluler
prabayar simpati adalah ketersediaan sinyal dan jaringan internet (data
transmision).

Kata kunci : Kartu Seluler, Rantai Markov, Pangsa Pasar

Abstract
Markov chain is a mathematical technique was using to model systems and
business processes. This technique can be use to estimate the changes of future
with dynamically variables based on was changing variables in the past. The
purpose of research is to predict the change of probability in the future from prepaid
mobile cards is used by students in faculty of applied science at IST AKPRIND
Yogyakarta.
The sampling was using strata sampling method which is proportionate
stratified random sampling technique. The technique was using because the
population is not homogeneous and stratified proportional. Strata is intended that
the student of academic year 2013, 2014, 2015 and 2016 with 190 respondents as
samples.
The analysis to predict of market share in 5 years later showed that prepaid
mobile card of simpati is the market leader in the faculty of applied science, the
main excuse for election the prepaid mobile cards of simpati is availability of
signals and internet networks (Data Transmission).

Keyword : Mobile Card, Markov Chain, Market Share

1
I. Pendahuluan
I.1 Latar Belakang
Teknologi yang semakin berkembang pesat membuat para produsen berlomba-
lomba menarik pelanggan dengan berbagai cara dari mulai meningkatkan kualitas
suatu produk, maupun dari segi harga yang terjangkau oleh pelanggan
(Nofiyah,dkk,2013). Salah satu produk yang perkembangannya sangat pesat adalah
kartu seluler yang memiliki berbagi macam fasilitas dan kemudahan dalam
penggunaannya. Masing-masing operator telekomunikasi memiliki keandalan pada
produknya dimana untuk memenuhi kebutuhan pelanggan para operator
memberikan berbagai variasi pilihan sesuai yang diinginkan seperti kemudahan
dalam penggunaan, bonus kuota hingga ketersediaan kuota yang takterbatas/
unlimited , paket telepon dan sms yang murah hingga fasilitas kartu yang dapat
dipilih yaitu prabayar maupun pascabayar. Mengingat banyaknya pilihan yang
ditawarkan oleh produsen tidak menutup kemungkinan pelanggan akan berpindah
ke produk lain (brand swithing). Keberhasilan mereka dalam memberikan kepuasan
kepada pelanggan akan meningkatkan loyalitas pelanggan kepada produk-produk
yang ditawarkan perusahaan tersebut.
Loyalitas merek merupakan salah satu indikator inti dari ekuitas merek yang
jelas terkait dengan pendapatan dan jaminan perolehan laba perusahaan di masa
mendatang (Rosyidi,dkk, 2012). Dalam penelitiannya tersebut membahas
mengenai loyalitas pelanggan pada produk sepeda motor menggunakan rantai
markov yang diukur melalui marketing variables dengan pertimbangan meliputi
marketing variables yang memengaruhi pelanggan dalam memilih sepeda motor
yang sedang digunakan saat ini dan berpindah ke merek sepeda motor lain. Proses
rantai markov adalah suatu sistem stokastik yang mempunyai karakteristik di mana
terjadinya sebuah state pada suatu saat tertentu bergantung pada state sebelumnya.
Pangsa pasar atau market share adalah data-data penting untuk diketahui dari
waktu ke waktu oleh pelaku usaha (kotler (1996) dalam Hariastuti (2008)) model
rantai markov dapat digunakan dalam meramalkan pangsa pasar. Metode ini
digunakan untuk memperkirakan perubahan-perubahan dimasa yang akan datang
dengan variabel yang dinamis atas dasar perubahan-perubahan variabel yang
dinamis dimasa lalu. Metode ini juga dapat digunakan untuk menganalisa kejadian-
kejadian diwaktu yang akan datang secara matematis (Siagian, 1987 dalam
Hariastuti, 2008)

I.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dikemukakan di atas, maka
permasalahan yang dapat dirumuskan adalah sebagai berikut:
1. Apa saja variabel-variabel yang menjadi pertimbangan pelanggan dalam
memilih berpindah merek kartu seluler prabayar?
2. Bagaimana pola perpindahan merek (brand switching) kartu seluler yang
dilakukan pelanggan?

2
3. Bagaimana prediksi probabilitas pangsa pasar (market share) kartu seluler 5
tahun yang akan datang melalui pendekatan rantai markov?

I.3 Tujuan Penelitian

Adapun tujuan penelitian kerja praktek ini adalah sebagai berikut:
1. Mengetahui variabel-variabel yang menjadi pertimbangan pelanggan dalam
memilih berpindah merek kartu seluler.
2. Mengetahui pola perpindahan merek (brand switching) kartu seluler yang
dilakukan pelanggan.
3. Memprediksi probabilitas pangsa pasar 5 tahun yang akan datang.

I.4 Manfaat Penelitian

Berdasarkan pemaparan diatas manfaat kerja praktek sebagai berikut:
1. Bagi Mahasiswa
Diharapkan penelitian ini dapat menjadi pelengkap penelitian terdahulu serta
menjadi referensi mengenai suatu proses stokhastik melalui rantai markov.
2. Bagi Instansi
Perusahaan operator telekomunikasi dapat menjadi bahan pertimbangan
pengambilan keputusan untuk meningkatkan kualitas pelayanan guna
mempertahankan loyalitas pelanggan di Fakultas Sains Terapan.

I.5 Batasan Masalah

Dalam mengantisipasi penyimpangan ditetapkan batasan masalah yaitu:
1. Penelitian dilakukan pada kartu seluler jenis kartu seluler prabayar
2. Penelitian berfokus pada merek kartu seluler yang telah ditetapkan oleh peneliti
untuk mengetahui probabilitas market share

II Tujuan Artikel Ilmiah

Hasil probabilitas pangsa pasar tersebut memiliki tujuan untuk memberikan
informasi probabilitas mengenai situasi keputusan. Hal ini dapat membantu
pengambil keputusan mengambil keputusannya.

III Metode Penelitian

III.1 Jenis dan Sumber Data
Pada penelitian ini jenis dan sumber data yang digunakan sebagai berikut:
1. Data primer. Penelitian ini menggunakan data primer yaitu hasil survei
pengisian daftar pernyataan kuisioner oleh mahasiswa. Kuisioner dibagikan
kepada mahasiswa pada tanggal 23 September – 27 September 2016.
2. Data sekunder diperoleh dari literatur yang relevan seperti buku referensi dan
jurnal. Pada penelitian ini, data sekunder yang diperoleh dari IST AKPRIND
yaitu data tentang jumlah mahasiswa Fakultas Sains Terapan tahun angkatan
2013 sampai tahun angkatan 2016.

3
III.2 Waktu Pelaksanaan Penelitian
Penelitian dari observasi hingga seminar kerja praktek dilaksanakan pada 23
September 2016 – 3 Januari 2017

III.3 Alamat Tujuan Penelitian Kerja Praktek

Penelitian dilaksanakan di Fakultas Sains Terapan IST AKPRIND yang
berlokasi Jl. Bima Sakti, Demangan, Gondokusuman, Kota Yogyakarta, Daerah
Istimewa Yogyakarta 55221

III.4 Teknik Sampling

Teknik pengambilan sampel adalah metode Strata yaitu menggunakan teknik
proportionate stratified random sampling. Strata yang dimaksudkan dalam
penelitian ini yaitu mahasiswa angkatan 2013, 2014, 2015 dan angkatan 2016.
Populasi penelitian ini adalah seluruh mahasiswa aktif Fakultas Sains Terapan
di IST AKPRIND Yogyakarta dengan jumlah mahasiswa sebanyak 362.
Berdasarkan rumus slovin dan penarikan sampel dihitung berdasarkan rumus
alokasi proposional maka diperoleh perhitungan sebagai berikut:
Tabel 3.1 Ukuran Strata populasi berdasarkan Strata Angkatan.
Jurusan Jumlah Strata
populasi Sanpel
Tahun
No (Nh) (nh)
Angkatan
Statistika Sistem Teknik
Komputer Lingkungan
1 2013 16 3 9 28 15
2 2014 28 5 16 49 26
3 2015 66 8 69 143 75
4 2016 58 9 75 142 74
Total 168 25 169 362 190

III.6 Variabel Penelitian

Metode analisis pada penelitian rantai markov (markov chain) dilakukan
melalui 3 analisis yaitu:
1. Analisis Deskriptif
Dengan mentabulasi data pengguna merek kartu seluler di kalangan mahasiswa
Fakutas Sains Terapan dengan menghitung proporsi dari kuisioner yang telah
disebarkan. Sampel penelitian ditentukan menggunakan rumus slovin
N
n , Sedangkan Sampel strara menggunakan rumus rumus alokasi
2
1  Ne
N 
proposional yaitu: n h   h  n
 N 
2. Uji Validitas dan reabilitas
Uji validitas dan reliabilitas dilakukan untuk menguji kevalidan atau ketepatan
ukuran dan kemantapan atau konsistensi pada instrumen penelitian.

4
 Korelasi Pearson dengan rumus statistik sebagai berikut :
𝑛(∑ 𝑥𝑖 𝑦𝑖 )−(∑ 𝑥𝑖 )(∑ 𝑦𝑖 )
𝑟𝑥𝑦 = (2.1)
√𝑛(∑ 𝑥𝑖2 )−(∑ 𝑥𝑖 )2 √𝑛(∑ 𝑦𝑖2 )−(∑ 𝑦𝑖 )2

reabilitas spearman brown belah awal-akhir dirumus sebagai berikut:

2(𝑟𝑥𝑦 )
𝑟11 =
(1+𝑟𝑥𝑦 )
(2.2)
dengan rxy yaitu koefisien korelasi
𝑛(∑ 𝑥𝑖 𝑦𝑖 )−(∑ 𝑥𝑖 )(∑ 𝑦𝑖 )
𝑟𝑥𝑦 = (2.3)
√𝑛(∑ 𝑥𝑖2 )−(∑ 𝑥𝑖 )2 √𝑛(∑ 𝑦𝑖2 )−(∑ 𝑦𝑖 )2

3. Analisis Rantai Markov

Langkah – langkah analisis rantai markov dalam penelitian ini adalah sebagai
berikut:
a. Membuat pola perpindahan merek dari satu merek kartu seluler ke merek
kartu seluler lainnya yang telah ditetapkan oleh peneliti.
b. Menentukan probabilitas transisi
State 0 1 … m
0 𝑃00 𝑃01 … 𝑃0𝑚
𝑃 𝑃11 … 𝑃1𝑚
𝑃𝑖𝑗 = 1 [ 10 ⋮ ]
⋮ ⋮ ⋮ ⋮
𝑚 𝑃𝑚0 𝑝𝑚1 … 𝑃𝑚𝑚
Dimana: matriks probabilitas transisi atau matriks transisi Pij dengan entri
i = State ke-i (0,1,...,m)
j = State ke-j (0,1,...,m)

dengan pij  0 dan p
j 0
ij  1  i, j  0,1, 2,...

Untuk merubah perpindahan merek kedalam probabilitas transisi

menggunakan persamaan sebagai berikut:
c. Memprediksi pangsa pasar (market share) kartu seluler 5 tahun dimasa
yang akan datang
Vektor state pada penelitian ini adalah vektor state baris x dengan periode
t, dapat dituliskan
xt = [ x1,x2,...,xi] (2.5)
dimana,
xi adalah peluang sistem tersebut berada pada state, i = 1,2,3,...
Menurut Tamudja,dkk (2014) Jika P merupakan matriks peluang
transisi rantai markov dan x (t) adalah vektor pada pengamatan pada
periode ke t maka prediksi pangsa pasar dinyatakan:
x (t+1) = x(t) Pij (2.6)
Keterangan:
x (t+1) : Prediksi pangsa pasar vektor pada periode ke t+1
Pij : Matriks peluang transisi Pij dengan jumlah baris adalah 1
(t)
x : Pangsa pasar periode t (merupakan matriks kejadian [ x1,x2,...,xi])
d. Menentukan titik keseimbangan pangsa pasar dimana probabilitas dari
vektor keadaan tetap atau tidak berubah. Setelah proses berjalan selama

5
 beberapa periode, probabilitas state akan bernilai tetap ,dan ini dinamakan
probabilias steady state. (Mulyono,2007)

IV Hasil dan Pembahasan

IV.1 Data
Ke Merek Penggunaan
Dari Merek
Im3 Three Simpati Xl Lainnya Sebelumnya
Im3 9 6 26 4 4 49
Three 10 2 12 1 3 28
Simpati 15 11 32 5 3 66
Xl 10 4 10 2 3 29
Lainnya 3 1 7 1 6 18

Penggunaan Saat Ini 47 24 87 13 19 190

Sumber: Data olah hasil kuisioner

IV.2 Analisis Deskriptif

Adapun hasil perhitungan karakteristik mahasiswa yaitu jurusan, tahun
angkatan, usia/umur, dan jenis kelamin disajikan dalam 4 gambar berikut:
Berdasarkan Jurusan Berdasarkan usia

8% 7%
Sistem komputer
< 20 tahun
57% 35% Statistika 31% 20-22 tahun
62%
Teknik >22 tahun
Lingkungan

Gambar 4.1 Karakteristik Berdasarkan Jurusan Gambar 4.2 Karakteristik Berdasarkan Usia

Berdasarkan Jenis Kelamin Berdasarkan Angkatan

8% Angkatan
14% 2013
43% Laki-Laki
39%
57% Angkatan
Perembuan 2014
39%
Angkatan
2015

Gambar 4.3 Karakteristik Berdasarkan Jenis Kelamin Gambar 4.4 Karakteristik Berdasarkan Angkatan

IV.2 Uji Validitas dan Reabilitas

Uji validitas berfungsi untuk menunjukkan tingkat ketepatan suatu
instrumen yang digunakan untuk mengukur.

6
 Tabel 4.1 Hasil uji validitas menggunakan korelasi pearson
Koefisien
Item Korelasi
r tabel
Atribut Pernyataan/Ind Pearson Keterangan
(r0,025,188)
ikator Atribut (rxy)
excel 2013
X11 0,455127 0,162598 Valid
Alasan pelanggan X12 0,510911 0,162598 Valid
menggunakan kartu
X13 0,449501 0,162598 Valid
seluler saat ini (X1)
X14 0,602609 0,162598 Valid
X21 0,510467 0,162598 Valid
Alasan pelanggan X22 0,36674 0,162598 Valid
berpindah ke merek lain
X23 0,337503 0,162598 Valid
(X2)
X24 0,300578 0,162598 Valid
Pelayan dari kartu X31 0,349655 0,162598 Valid
seluler yang sering X 32 0,558422 0,162598 Valid
digunakan pelanggan X33 0,566645 0,162598 Valid
(X3) X34 0,475941 0,162598 Valid

Berdasar Tabel 4.1 pengujian validitas menggunakan excel 2013 untuk item
pertanyaan yaitu :
Keputusan : Pada Tabel 4.1 menunjukkan semua item pertanyaan memiliki nilai rx.y
> r(0,025; 188) maka tolak H0. Artinya item pertanyaan berkorelasi signifikan terhadap
skor total. Hal ini menunjukkan bahwa keseluruhan item pernyataan atribut alasan
pelanggan menggunakan kartu seluler saat ini, alasan pelanggan berpindah ke
merek lain,dan pelayan dari kartu seluler yang banyak atau selalu digunakan
pelanggan adalah valid.
Uji Reliabilitas tes bentuk objektif dapat dihitung reliabilitas tes secara
keseluruhan yaitu:
Tabel 4.2 Hasil output uji spearman bro wn belahan awal -akhir
Total (𝑟11 )
Korelasi Belahan (𝑟𝑥𝑦 )
Excel 2013
nilai korelasi (r) 0,600498 0,7503891
r tabel (r (0,025; 188) ) 0,162598
Keputusan Reliabel
Kriteria Tinggi

Pengujian berdasarkan hasil output tabel 4.2 diatas yaitu:

Keputusan : Berdasarkan output excel diperoleh nilai 𝑟11 > r tabel (r (0,025; 188) ) maka
tolak H0. Artinya Ada hubungan antara pengukuran belahan awal dan belahan akhir
(reliabel)

7
IV.3 Variabel yang dipertimbangkan
variabel yang dipertimbangkan Pelanggan dalam Variabel yang dipertimbangkan Pelanggan untuk
memilih kartu seluler yang dipakai saat ini berpindah ke merek lain
Responden

responden
Ketersediaa Akses Biaya Adanya
n Sinyal dan Internet penggunaan Promo
Jaringan cepat Murah Paket
Internet (SMS, TLP, (Promo Ketersedi Pelayana Ketersedi Harga
KUOTA) paket aan n pasca aan Sinyal
unlimitted, Promo pembelia dan
Promo produk n Jaringan
paket Internet
sms,dll)
Ya 80 65 136 119
Ya 134 121 117 80
Tidak 110 125 54 71
Tidak 56 69 73 110

Gambar 4.1 Alasan pelanggan memilih Kartu Seluler Gambar 4.2 Alasan berpindah ke merek lain

Variabel layanan dari kartu seluler yang banyak (selalu)

digunakan oleh Pelanggan
Responden

Browsing & Sms Telephone Aktivitas

Akses Chatting
Facebook,Twitt (BBM,Whatsap
er,Path,dll p,Line,dll)
Ya 142 98 91 118
Tidak 48 92 99 72

Gambar 4.3 Layanan yang banyak atau selalu digunakan pelanggan

IV.3 Analisis Rantai Markov

Tabel 4.3 Pangsa pasar saat ini
Market Share (pangsa pasar Saat ini)
Penggunaan Saat Probabilitas market Persentase Market
Merek
Ini Share Share(%)
Im3 47 0,247368 24,7368
Three 24 0,126316 12,6316
Simpati 87 0,457895 45,7895
Xl 13 0,068421 6,8421
Lainnya 19 0,1 10
Jumlah 190 1 100

Pangsa pasar (market share) periode saat ini di Fakultas Sains Terapan
berdasarkan Tabel 4.3 didominasi oleh kartu seluler merek simpati sebanyak 87
orang (45,79% ) dilanjutkan kartu seluler im3 yang memperoleh pangsa pasar
24,74% . Pangsa pasar terendah adalah kartu seluler XL hanya meraih pangsa pasar
sebesar 6,84%.

8
Probabilitas Transisi
Tabel 4.4 probabilitas transisi merek kartu seluler prabayar
Ke Merek
Dari Merek
Im3 Three Simpati Xl Lainnya
Im3 0,183673 0,122449 0,530612 0,081633 0,081633
Three 0,357143 0,071429 0,428571 0,035714 0,107143
Simpati 0,227273 0,166667 0,484848 0,075758 0,045455
Xl 0,344828 0,137931 0,344828 0,068966 0,103448
Lainnya 0,166667 0,055556 0,388889 0,055556 0,333333
Penggunaan Saat Ini
0,247368 0,126316 0,457895 0,068421 0,1
( 2016 )

Tabel 4.4 menunjukkan hasil nilai probabilitas dari perhitungan

perpindahan merek kartu seluler yang dipakai oleh mahasiswa Fakultas Sains
Terapan, maka diperoleh matriks peluang transisi P sebagai berikut:
0,183673 0,122449 0,530612 0,081633 0,081633
0,357143 0,071429 0,428571 0,035714 0,107143
𝑃 = 0,227273 0,166667 0,484848 0,075758 0,045455
0,344828 0,137931 0,344828 0,068966 0,103448
[0,166667 0,055556 0,388889 0,055556 0,333333]
Bila diasumsikan bahwa perpindahan merek kartu seluler stabil maka dapat dibuat
matriks peluang transisi P. Dengan pangsa pasar (x) untuk periode (t = 0) yaitu:
x0 = [0,247368 0,126316 0,457895 0,068421 0,100000]

Prediksi probabilitas pangsa pasar kartu seluler prabayar dapat dihitung

menggunakan rumus pada persamaan 2.6 sehingga diperoleh hasil perhitungan
pada software excel 2013 sebagai berikut :
Tabel 4.5 Prediksi probabilitas pangsa pasar 5 tahun dimasa yang akan datang dan
titik keseimbangannya
Merek
Periode Tahun Im3 Three Simpati Xl Lainnya
1 2017 0,234875 0,130621 0,469884 0,069668 0,094952
2 2018 0,236431 0,131289 0,46938 0,069516 0,093385
3 2019 0,236527 0,131335 0,469585 0,069531 0,093022
4 2020 0,236553 0,131366 0,469620 0,069537 0,092925
5 2021 0,236562 0,131373 0,469628 0,069537 0,092900
Titik Keseimbangan
0,236565 0,131375 0,469631 0,069538 0,092892
Pangsa pasar (2023)

V Kesimpulan
Berdasarkan penelitian Kerja Praktek yang telah dilaksanakan, dapat
disimpulkan sebagai berikut:
1. Pola perpindahan konsumen dari satu merek ke merek lain didasarkan pada
alasan terbanyak pelanggan menggunakan kartu seluler prabayar saat ini dan
perpindahan merek yang dilakukan oleh pelanggan saling bersesuaian dimana
variabel ketersediaan sinyal dan jaringan internet merupakan salah satu
variabel yang sangat berpengaruh terhadap loyalitas pelanggan pada suatu
merek. Sedangkan pada variabel layanan yang paling banyak digunakan oleh

9
 mahasiswa fakultas sains terapan adalah penggunaan untuk browsing dan akses
facebook, twitter, path, dll. Hal ini sebanding dengan alasan pelanggan
menggunakan kartu seluler saat ini maupun alasan melakukan perpindahan
merek.
2. Berdasarkan hasil analisi prediksi probabilitas untuk periode 2017-2021,
simpati unggul sebagai kartu seluler prabayar yang paling banyak
digunakanoleh mahasiswa Fakultas Sains Terapan dengan nilai titik
keseimbangan pada periode ke 9 sebesar 0,469631 (46,9631%), sehingga
simpati merupakan market leader di Fakultas Sains Terapan IST AKPRIND
Yogyakarta.

IV. Ucapan Terimakasih

Ucapan terimakasih penulis sampaikan kepada Ibu Rokhana Dwi Bekti,M.Si
selaku dosen pembimbing Penelitian Kerja Praktek dan dan pembimbing PKM
yang senantiasa memberikan bimbingan bagi penulis dalam kegiatan PKM.

DAFTAR PUSTAKA
Hariastuti,dkk.2008.Perumusan Strategi Pemasaran dengan Memprediksi Pangsa
Pasar Kartu Telepon Prabayar dengan pendekatan Markov
Chain.Surabaya:ITS
Indrianti,Nur dan Yunto S.2010.Peta Persaingan Produk Kartu Seluler Berdasarkan
Segmen Konsumen.Yogyakarta:Universitas Pembangunan Nasional.
Kotler,philip.1985.Dasar-dasar Pemasarn Jilid 2.Jakarta: Midas Surya Grafindo.
Mulyono, S. 2007. Riset Operasi.Fakultas Ekonomi Universitas Indonesia.Jakarta.
Purba ,dkk.2013.Estimasi Pangsa Pasar dari Berbagai Jenis Produk Mie Instan
dengan Menggunakan Rantai Markov Di Kota Medan.Medan:Universitas
Sumatra Utara
Rosyidi,Cucuk Nur,dkk.2012.Analisi Loyaitas Merek pada Produk Sepeda Motor
Menggunakan Markov Chains.Jurnal INASEA , Vol. 13 No.1, April 2012:
60-68
Sarwono,Jonathan.2013.Strategi Melakukan Riset.Yogyakarta: Andi Offset
Siregar,sofian.2014.Statistik Parametrik untuk Penelitian Kuantitatif.Jakarta: Bumi
Aksara
Siswanto.2007.Operations Research Jilid 2.Jakarta : Erlangga.

10
Deskripsi Dosen Pembimbing
A. Identitas Diri
1. Nama Lengkap : Rokhana Dwi Bekti, M.Si
2. Jenis Kelamin : Perempuan
3. Jabatan Fungsional : Asisten Ahli 150
4. NIP/NIK : 15.0386.710.E
5. NIDN : 0306038601
6. Tempat dan tanggal lahir : Bojonegoro, 6 Maret 1986
7. Email : rokhana@akprind.ac.id
8. Nomor telepon/Hp : 085711739250
9. Alamat kantor : Institut Sains & Teknologi AKPRIND
Yogyakarta
: Jl. Bima Sakti No3, Pengok, Yogyakarta
55222
10. Nomor telepon/faks : (0274) 544504
11. Lulusan yang dihasilkan : 10 mahasiswa S1
12. Bidang Keahlian : Statistika Spasial dan Komputasi
13. Mata Kuliah yg diampu : 1. Riset Pemasaran
2. Statistika dan Probabilitas
3. Organisasi dan Manajemen Industri
4. Teori Statistika 1

B. Riwayat Pendidikan
S-1 S-2
Institut Teknologi SepuluhInstitut Teknologi Sepuluh
Nama PT
Nopember Surabaya Nopember Surabaya
Bidang Ilmu Statistika Statistika
Tahun Masuk-Lulus 2005-2009 2009-2011
Spatial Durbin Model
Model Hubungan Anomali
(SDM) untuk
Luas Panen Padi dan Curah
Mengidentifikasi Faktor-
Judul Tugas Akhir Hujan Terboboti (Weighted
Faktor yang berpengaruh
Rainfall Index) dengan
terhadap Kejadian Diare di
Regresi Robust
Kabupaten Tuban
Nama Pembimbing/
Dr. Sutikno, M.Si Dr. Sutikno, M.Si
Promotor

C. Pengalaman Penelitian (lima tahun terakhir)

No Tahun Penelitian Pendanaan

Sumber Jumlah
1 2014- Pemetaan Kualitas Kandungan Zat Anorganik Hibah 95,4
2015 pada Air Tanah di Jabodetabek Menggunakan Pekerti juta per
Metode Spasial (Ketua) tahun
 2 2013 AnalisisKandunganSenyawaAnorganikdalam Hibah 75 juta
Air Tanah dan Air HasilFiltrasiMenggunakan Pekerti
One Way Manova (Anggota)
3 2013 Perancangan Perangkat Lunak Pemodelan Hibah 8 juta
Statistika Spatial Dan Kriging Berbasis R Binus
Language

4 2012 Estimasi Jumlah Kelahiran Bayi Melalui Hibah 10 juta

Model Stokastik dan Cluster Spasial Binus

D. Pengalaman Pengabdian Kepada Masyarakat Dalam 5 Tahun Terakhir

No Tahun Penelitian Pendanaan
Sumber Jumlah
1 2015 Pelatihan Pengenalan Software Excel dan Ms IST -
Power Point Untuk Penyusunan Materi Akprind
Presentasi
2 2015 Pelatihan dan Pengenalan Software Excel dan IST
SPSS untuk pengolahan data statistika Akprind

E. Publikasi Artikel Ilmiah Dalam Jurnal (lima tahun terakhir)

No Tahu Nama
Judul Artikel Ilmiah Volume/ Nomor
. n Jurnal
Metode Spasial Skater untuk
Jurnal
1 2015 Pengelompokan Lokasi Berdasarkan Vol 8
Teknologi
Fasilitas Air Bersih dan Sanitasi
Spatial pattern of diarrhea based on
AIP
2 2014 regional economic and environment Vol 1621
Publishing
by spatial autoregressive model
Volume 10,
Spatial Autocorrelation of Inorganic
3 2014 Issue 6 Ver. III, IOSR
Compound in Groundwater
PP 01-05
MANOVA Statistical Analysis of
4 2014 Inorganic Compounds in Vol 4 no 41-45 IOSR
Groundwater Indonesia
Journal of
Spatial Durbin Model to Identify Mathematic
5 2012 Vol 8 no 3
Influential Factors of Diarrhea s and
Statistics
Edy Irwansyah, Edy Winarko,
Zulfany E. Rasjid and Rokhana D.
Bekti, Earthquake hazard zonation Journal of
using Peak Ground Acceleration Physics:
6 2013 Vol 423
(PGA) approach, International Conference
Conference on Science & Series
Engineering in Mathematics,
Chemistry and Physics (ScieTech
 2013), 24- 25 January 2013.
Published by Journal of Physics :
Conference Series (JPCS), Indexed
by SCOPUS
Journal of
Stochastic Growth Model for Spatial
Mathematic
7 2013 Cluster Birth and Death Process Vol 9
s and
With Migration in Bogor, West Java
Statistics
Autokorelasi Spasial Untuk
8 2012 Identifikasi Pola Hubungan Comtecth
Kemiskinan di Jawa Timur
Prediksi Dan Interpolasi Melalui
Ordinary Kriging (Studi Kasus :
9 2012 Comtecth
Kemiskinan Di Provinsi Jawa
Timur)
Jurnal
Spatial Modeling on the
Vol. 16 Nomor matematik
10 2011 Relationship between Asset Society
3 dan sains
and Poverty in East Java
ITB
Prakiraan Cuaca Dengan Metode
Autoregressive Integrated Moving
Vol. 8 No. 1
Average, Neural Network, Dan Jurnal Sains
11 2010 Desember 2010
Adaptive Splines Threshold Dirgantara
:43-61
Autoregression di Stasiun Juanda
Surabaya

F. Pengalaman Menyampaikan Makalah secara oral pada Pertemuan/

Seminar Ilmiah dalam 5 Tahun Terakhir
No Nama Pertemuan Judul Artikel Ilmiah Waktu dan
Ilmiah/ Seminar Tempat
1 ICSM Cox Proportional Hazard with 27-28 November
Multivariate Adaptive 2014, ITS
Regression Splines to Analyze
the Product Sales Time in E-
Commerce
2 SNAST PACKAGE PLGUN-IN R 15 November
UNTUK PEMETAAN 2014, IST
AUTOKORELASI SPASIAL AKPRIND
PADA KUALITAS AIR
3 ICFAS Spatial pattern of diarrhea based 4-6 Juni 2014,
on regional economic and Malaysia
environment by spatial
autoregressive model
 4 ICMNS Spatial Cluster for Clustering the November 2012,
Influence Factor of Birth and ITB
Death Child In Bogor Regency,
West Java
5 Semantics Autokorelasi Spasial Untuk Juni 2012, Binus
Identifikasi Pola Hubungan University
Kemiskinan di Jawa Timur
6 Seminar Nasional Kajian Model Spasial Durbin 12 November
Statistika UNPAD (SDM) Dalam Pemodelan 2011, Univ.
Keadian Diare Dan Faktor- Padjajaran
Faktor Yang Mempengaruhinya
(Studi Kasus : Kabupaten Tuban)
8 Seminar of The Third “Spatial Modeling on the November 23 –
International Relationship between 25, 2010, ITB
Conference on Asset Society and Poverty in
Mathematics and East Java“
Natural Science
ICMNS)

G. Karya Buku dalam 5 Tahun Terakhir

No Judul Buku Tahun Jumlah Penerbit
Halaman
1 KomputasiStatistika dengan 2014 78 Halamanmoeka
R Software I
2 KomputasiStatistika dengan 2014 84 Halamanmoeka
R Software II. Aplikasi pada
analisis data

H. Pengalaman Perolehan HKI dalam 5 -10 Tahun Terakhir

No Judul /Tema HKI Tahun Jenis No P/ID
1 Buku “Komputasi Statistika 2014 Buku 070139
dengan R Software I”

I. Pengalaman Merumuskan Kebijakan Publik/Rekayasa Sosial Lainnya

Dalam 5 tahun Terakhir
No Judul /Tema/Jenis Rekayasa Tahun Tempat Penerapan Respons
Sosialnya lainnya yang telah Masyarakat
Diterapkan
- - - - -
Lampiran 2. Surat Pernyataan Ketua Peneliti/Pelaksana
Lampiran 3. Surat Pernyataan Sumber Tulisan PKMAI