Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Reliability: Journal of Industrial Statistics
Marsono Marsono
Badan Pusat Statistik

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Efektivitas P-Chart dalam Mendeteksi Anomali pada Data Pengendalian Kualitas Berukuran Besar Marsono Marsono
Reliability: Journal of Industrial Statistics Vol. 1 No. 1 (2025): Reliability: Journal of Industrial Statistics
Publisher : Reliability: Journal of Industrial Statistics

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengendalian kualitas yang efektif merupakan aspek penting dalam menjaga konsistensi dan keandalan produk di berbagai sektor industri, terutama dalam produksi massal dengan data berukuran besar. Salah satu alat yang sering digunakan untuk memantau kualitas produk adalah P-chart, yang mengukur proporsi cacat dalam suatu batch produksi. Meskipun P-chart tradisional telah banyak diterapkan, metode ini menunjukkan keterbatasan dalam mendeteksi anomali pada data yang besar dan proporsi cacat yang kecil, yang berpotensi menyebabkan kesalahan deteksi seperti false positives dan false negatives. Penelitian ini bertujuan untuk mengembangkan P-chart adaptif yang lebih sensitif dan akurat dalam mendeteksi anomali dalam data pengendalian kualitas yang berukuran besar. Dengan memodifikasi batas kontrol P-chart berdasarkan pembelajaran dari data yang dinamis, serta mengintegrasikan teknik pembelajaran mesin, penelitian ini menunjukkan bahwa P-chart adaptif dapat meningkatkan sensitivitas terhadap perubahan kecil dalam proporsi cacat, terutama dalam kondisi data yang tidak terdistribusi normal. Hasil eksperimen pada data simulasi dan data industri nyata menunjukkan bahwa P-chart adaptif berhasil mengurangi false positives dan false negatives, serta meningkatkan akurasi deteksi anomali dibandingkan dengan P-chart tradisional. Penelitian ini memberikan kontribusi dalam pengembangan teknik pengendalian kualitas yang lebih efisien dan efektif untuk aplikasi industri dengan data besar dan kompleks.
Faktor-Faktor yang Mempengaruhi Deforestasi Indonesia dengan Menggunakan Geographically Weighted Regression Marsono Marsono
Reliability: Journal of Industrial Statistics Vol. 1 No. 1 (2025): Reliability: Journal of Industrial Statistics
Publisher : Reliability: Journal of Industrial Statistics

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Indonesia menjadi  salah satu negara yang memiliki hutan paling luas di dunia dengan beranekaragam jenis hutan, termasuk hutan dataran rendah, pegunungan dan hutan semusim. Salah satu persoalan yang muncul akibat salah kelola dalam pembangunan kehutanan dan maraknya aktivitas di luar sektor kehutanan yang membutuhkan lahan hutan adalah deforestasi. Tujuan dari penelitian ini adalah mengetahui faktor-faktor apa saja yang mempengaruhi deforestasi Indonesia dengan menggunakan variabel jumlah kebakaran hutan, jumlah perusahaan perkebunan swasta, jumlah perusahaan kehutanan swasta, rumah tangga yang memungut hasil hutan, penambahan luas perkebunan kelapa sawit, dan Produk Domestik Regional Bruto (PDRB) perkapita. Selain itu, menentukan model deforestasi  dengan memperhatikan variasi spasial menggunakan metode Geographically Weighted Regression (GWR). Hasilnya dengan menggunakan GWR dapat disimpulkan bahwa faktor faktor yang signifikan pada α=5%, yang mempengaruhi deforestasi Indonesia adalah jumlah kebakaran hutan, jumlah perusahaan perkebunan swasta, jumlah perusahaan kehutanan swasta, dan penambahan luas perkebunan kelapa sawit. Penggunaan analisis Geographically weighted regression (GWR) lebih baik daripada global regressi.
Co-Authors