Identifikasi Publikasi Dosen dalam Mewujudkan Internasionalisasi Universitas Negeri Semarang Menggunakan Time Series

Main Article Content

Walid Walid
Y.L Sukestiyarno
Sunarmi Sunarmi

Abstract

Penelitian ini menggunakanstudi literatur dan kajian teoritis untuk melakukan identifikasi data dengan menggunakan analisis time series. Plot data time series digunakan untuk mengetahui stasioneritas dan nonstasioneritas. Selanjutnya studi simulasi dari data yang diperoleh melalui kuesioner responden dosen di FMIPA UNNES dan data yang berasal dari penelusuran di internet terkait dengan publikasi dosen. Metode analisis data yang digunakan dalam penelitian ini adalah model yang diperoleh dari identifikasi yang sesuai dengan data yang ada. Model time series terbaik dari penelitian ini adalah model ARIMA (0, 2, 1), hasil ini didasarkan pada nilai MSEnya terkecil. Perolehan model ARIMA terbaik ini memberikan model time seriesnya dalam bentuk  .Hasil identifikasi publikasi dosen menggunakan time series dan simulasi di peroleh bahwa publikasi ilmiah dosen dengan karya jurnal bereputasi internasional sebanyak 25%, untuk jurnal internasional sebanyak 22%, dan jurnal nasional terkareditasi sebesara 4,8% dan karya publikasi dalam prosiding internasional sebanyak 48,2%.

Article Details

How to Cite
Walid, W., Sukestiyarno, Y., & Sunarmi, S. (2019). Identifikasi Publikasi Dosen dalam Mewujudkan Internasionalisasi Universitas Negeri Semarang Menggunakan Time Series. PRISMA, Prosiding Seminar Nasional Matematika, 2, 109-115. Retrieved from https://journal.unnes.ac.id/sju/index.php/prisma/article/view/28879
Section
Articles

References

Abdullah, Lazim. (2012). ARIMA Model for Gold Bullion Coin Selling Prices Forecasting. International Journal of Advances in Applied Sciences (IJAAS).1 (4), 153 – 158.
Ariefianto, Moch. Doddy. (2012). Ekonometrika: Esensi dan Aplikasi dengan Menggunakan Eviews. Jakarta: Penerbit Erlangga.
Chen, J.F., Wang, W.M. & Huang, C.M. (1995). Analysis of an adaftive time-series autoregressive moving-average (ARMA) model for short-term load forecasting. Electric Power System Research, 34, 187-196.
Chatfield, C. (2001). Time Series Forecasting. Chapman & Hall, London.
Gers F.A., Schmidhuber, J (2001). LSTM Recurrent Networks Learn Simple Context Free and Context Sensitive Languages. IEEE Transactions on Neural Network 12 (6), 1333-1340.
Hosking. J.R.M. (1981). Fractional Differencing, Biometrika, vol.68, hal. 165-176.
Lawrance dan Balakrishma, N. (2001). Statistical aspects of chaotic maps with negative dependence in communication setting. Journal of the Royal Statistical Society, B 63, 843-853.
Makridakis, Spyros dkk. (1991). Metode dan Aplikasi Peramalan. Edisi Kedua. Diterjemahkan oleh: Andriyanto, Untung Sus dan Abdul Basith. Jakarta: Penerbit Erlangga.
Menezes, L.M. & McSharry, P.E. (2006). A comparison of univariate methods for forecasting electricity demand up to a day ahead. International Journal of Forecasting, 22, 1-16.
Park, K, and Willinger W. (2000). (eds) Self-similiar network traffic and performance evaluation. New York: John Wiley & Sons
Rosadi, Dedi. (2016). Analisis Runtun Waktu dan Aplikasinya dengan R. Yogyakarta: Gajah Mada University Press.
Soejoeti, Zanzawi. (1987). Analisis Runtun Waktu. Jakarta: Penerbit Karunia Universitas Terbuka.
Wei, W. (2006). Time Series Univariate and Multivariate Method. USA: Pearson Education, Inc.