Garuda - Garba Rujukan Digital

Pengelompokan Wilayah Pulau Jawa Berdasarkan Kendaraan Bermotor Menggunakan K-Medoids Dengan Euclidean Distance Tahun 2026 Salma Nur Hamidah; Reny Rian Marliana
Bandung Conference Series: Statistics 123-132
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v6i2.24634

Abstract. Java Island recorded the highest number of registered motor vehicles in Indonesia, reaching 103,564,339 units in 2026 across 118 regencies/cities, making it necessary to identify the spatial distribution pattern of vehicle ownership to support well-targeted transportation policy. This study applies the K-Medoids algorithm with Euclidean distance to group regencies/cities in Java Island based on five motor vehicle count variables (motorcycles, passenger cars, trucks, buses, and special vehicles), with the optimal number of clusters determined using the Silhouette Coefficient. K-Medoids was chosen for its robustness to outliers compared to K-Means, since it uses an actual data object (medoid) as the cluster center. Secondary data for 2026 were obtained from the Electronic Registration and Identification (ERI) Dashboard of the Indonesian National Police Traffic Corps and were processed through descriptive analysis, outlier detection (IQR), a multicollinearity test (VIF), Z-score normalization, optimal cluster determination, and K-Medoids clustering using R software. The Silhouette evaluation produced k = 2 as the optimal number of clusters with a score of 0.7656, converging at the third iteration with a total cost of 139.871151 and forming two balanced clusters of 59 regions each. Cluster 1 (high vehicle count) includes DKI Jakarta and major cities, averaging 1,311,029 units per region, while Cluster 2 (low vehicle count) covers semi-urban and rural areas averaging 430,554 units per region. Abstrak. Pulau Jawa merupakan wilayah dengan jumlah kendaraan bermotor tertinggi di Indonesia, mencapai 103.564.339 unit pada tahun 2026 yang tersebar di 118 Kabupaten/Kota, sehingga diperlukan analisis untuk mengidentifikasi pola persebarannya guna mendukung kebijakan transportasi yang tepat sasaran. Penelitian ini menerapkan algoritma K-Medoids dengan Euclidean Distance untuk mengelompokan wilayah di Pulau Jawa berdasarkan lima variabel jumlah kendaraan bermotor (sepeda motor, mobil penumpang, truk, bus, dan Ransus), dengan jumlah cluster optimal ditentukan menggunakan Silhouette Coefficient. K-Medoids dipilih karena lebih robust terhadap outlier dibandingkan K-Means, sebab menggunakan objek data aktual (medoid) sebagai pusat cluster. Data sekunder tahun 2026 bersumber dari Dashboard Electronic Registration and Identification (ERI) Korlantas Polri, diolah melalui analisis deskriptif, deteksi outlier (IQR), uji multikolinearitas (VIF), normalisasi Z-Score, penentuan cluster optimal, dan penerapan K-Medoids menggunakan software R. Evaluasi Silhouette Coefficient menghasilkan k = 2 sebagai jumlah cluster optimal dengan skor 0,7656, konvergen pada iterasi ke-3 dengan total cost 139,871151, menghasilkan dua cluster seimbang (59 wilayah per cluster). Cluster 1 (Jumlah Kendaraan Tinggi, medoid Klaten, Kab) mencakup DKI Jakarta dan kota-kota besar seperti Surabaya, Bandung, dan Bekasi dengan rata-rata 1.311.029 unit per wilayah, sedangkan Cluster 2 (Jumlah Kendaraan Rendah, medoid Gunung Kidul) mencakup wilayah semi-perkotaan dan perdesaan dengan rata-rata 430.554 unit per wilayah.

Klasifikasi Provinsi di Indonesia Berdasarkan IPM 2025 Menggunakan K-Medoids Clustering Zakiyah Romadhoni; Reny Rian Marliana
Bandung Conference Series: Statistics 143-150
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v6i2.24814

Abstract. The rapid development of information technology and the availability of large-scale data have encouraged the application of analytical methods to better understand social conditions and human development. This study aims to classify the provinces of Indonesia based on the 2025 Human Development Index (HDI) indicators using the K-Medoids Clustering method. Secondary data obtained from Statistics Indonesia (Badan Pusat Statistik) include four variables: Life Expectancy at Birth (LEB), Mean Years of Schooling (MYS), Expected Years of Schooling (EYS), and Adjusted Per Capita Expenditure (APCE). The analysis involved data preprocessing, including missing value detection, outlier identification using the Z-Score method, data standardization. The results showed no missing values or multicollinearity, although several outliers were identified. Based on the highest silhouette coefficient (0.263), three optimal clusters were obtained: a good cluster (5 provinces), a moderate cluster (16 provinces), and a poor cluster (17 provinces). These clustering results can serve as a reference for formulating more targeted regional development policies to improve equity in education, health, and community welfare across Indonesia.Abstrak. Perkembangan teknologi informasi dan ketersediaan data dalam skala besar mendorong penerapan berbagai metode analisis untuk memahami kondisi sosial dan pembangunan manusia. Penelitian ini bertujuan mengelompokkan provinsi di Indonesia berdasarkan indikator Indeks Pembangunan Manusia (IPM) tahun 2025 menggunakan metode K-Medoids Clustering. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik yang meliputi Usia Harapan Hidup (UHH), Rata-Rata Lama Sekolah (RRLS), Harapan Lama Sekolah (HLS), dan Pengeluaran Per Kapita yang Disesuaikan (PPKD). Tahapan analisis meliputi pemeriksaan missing value, penanganan outlier menggunakan metode Z-Score, standarisasi data. Hasil penelitian menunjukkan tidak terdapat missing value maupun multikolinearitas, meskipun ditemukan beberapa outlier. Berdasarkan nilai silhouette coefficient tertinggi sebesar 0,263, diperoleh tiga cluster optimal, yaitu cluster baik (5 provinsi), cluster cukup (16 provinsi), dan cluster kurang baik (17 provinsi). Hasil pengelompokan ini diharapkan menjadi acuan dalam penyusunan kebijakan pembangunan daerah yang lebih tepat sasaran guna meningkatkan pemerataan pendidikan, kesehatan, dan kesejahteraan masyarakat di Indonesia.

Peramalan Jumlah Kunjungan Wisatawan Mancanegara di Indonesia Periode Pra-Pandemi COVID-19 Menggunakan Model SARIMA Tiara Ambarwati Rahman; Reny Rian Marliana
Bandung Conference Series: Statistics 179-188
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v6i2.25012

Abstract. The number of international tourist arrivals is an important indicator in the tourism sector that needs to be forecast to support planning and policy-making. Analyzing pre-COVID-19 data is important because it represents the normal pattern of tourist arrivals without external disturbances and provides a baseline for evaluating the impact of the pandemic and developing intervention models. This study aimed to obtain the best Seasonal Autoregressive Integrated Moving Average (SARIMA) model and forecast international tourist arrivals in Indonesia. A quantitative approach was employed using secondary monthly data from January 2010 to February 2020 obtained from Statistics Indonesia (BPS). The analysis included stationarity testing, model identification using ACF and PACF plots, parameter estimation, significance testing, residual diagnostic checking, model selection based on the Akaike Information Criterion (AIC), and ten-period forecasting. The results showed that SARIMA was the best model because all parameters were significant, the residuals satisfied the white noise and normality assumptions, and the model had the lowest AIC value. The model produced an RMSE of 71,770.53. The forecasts followed the historical seasonal pattern but could not represent actual conditions after the COVID-19 pandemic. Therefore, they provide a baseline for subsequent intervention analysis. Abstrak. Jumlah kunjungan wisatawan mancanegara merupakan salah satu indikator penting dalam sektor pariwisata yang perlu diprediksi untuk mendukung perencanaan dan pengambilan kebijakan. Analisis terhadap data sebelum pandemi COVID-19 penting dilakukan karena dapat menggambarkan pola normal kunjungan wisatawan tanpa adanya gangguan eksternal serta menjadi baseline dalam mengevaluasi dampak pandemi dan mengembangkan model intervensi pada penelitian selanjutnya. Penelitian ini bertujuan memperoleh model Seasonal Autoregressive Integrated Moving Average terbaik serta menghasilkan peramalan jumlah kunjungan wisatawan mancanegara di Indonesia. Penelitian menggunakan metode kuantitatif dengan data sekunder berupa data bulanan jumlah kunjungan wisatawan mancanegara periode Januari 2010-Februari 2020 yang diperoleh dari Badan Pusat Statistik. Tahapan analisis meliputi identifikasi pola data, pengujian stasioneritas, identifikasi model melalui plot ACF dan PACF, estimasi parameter, pengujian signifikansi parameter, pemeriksaan diagnostik residual, pemilihan model terbaik berdasarkan nilai AIC, serta peramalan untuk 10 periode ke depan. Hasil penelitian menunjukkan model SARIMA merupakan model terbaik karena seluruh parameternya signifikan, residual memenuhi asumsi white noise dan berdistribusi normal, serta memiliki nilai AIC terkecil. Evaluasi model menghasilkan nilai RMSE sebesar 71,770.53. Hasil peramalan menunjukkan pola musiman, namun tidak sesuai dengan kondisi aktual setelah pandemi karena adanya intervensi COVID-19. Oleh karena itu, hasil peramalan sebelum pandemi digunakan sebagai baseline untuk analisis intervensi pada penelitian selanjutnya.

Perbandingan Model VAR Tanpa dan Dengan Seasonal Dummy untuk Peramalan Inflasi Muhammad Wildan Ramadhan; Reny Rian Marliana
Bandung Conference Series: Statistics 251-260
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v6i2.25442

Abstract. Amid persistent global economic uncertainty and elevated inflationary pressure in 2026, accurate inflation forecasting has become essential for effective monetary policy. This study forecasts monthly (Month-over-Month) inflation in Indonesia, South Korea, and Thailand for the period January 1986–June 2026 using a Vector Autoregression (VAR) model, comparing specifications without and with the addition of seasonal dummies. Optimal lag selection based on the Akaike Information Criterion (AIC) produced a VAR(13) model. Diagnostic tests show that the model without seasonal dummies still exhibits residual autocorrelation, while the model with seasonal dummies is free of autocorrelation and shows a reduced ARCH effect, particularly for South Korea. Both models are confirmed stable based on inverse roots of the AR characteristic polynomial. Granger causality tests reveal that only the relationship from Thailand to South Korea remains consistently significant across both models, while four other causal directions change in significance after seasonal dummies are added, indicating that some previously identified relationships were influenced by shared seasonal patterns rather than genuine economic causality. Twelve-month-ahead forecasting results (July 2026–June 2027) show that the VAR(13) model with seasonal dummies consistently produces lower MAE and RMSE for all three countries, making it a more reliable model for monthly inflation forecasting. Abstrak. Di tengah ketidakpastian ekonomi global yang masih berlanjut dan tekanan inflasi yang meningkat pada 2026, kemampuan meramalkan inflasi secara akurat menjadi hal penting bagi efektivitas kebijakan moneter. Penelitian ini bertujuan meramalkan inflasi bulanan (Month-over-Month) Indonesia, Korea Selatan, dan Thailand periode Januari 1986–Juni 2026 menggunakan model Vector Autoregression (VAR), dengan membandingkan model tanpa dan dengan penambahan seasonal dummy. Penentuan lag optimal berdasarkan Akaike Information Criterion (AIC) menghasilkan model VAR(13). Hasil uji diagnosis menunjukkan model tanpa seasonal dummy masih menunjukkan autokorelasi residual, sedangkan model dengan seasonal dummy bebas autokorelasi dan menunjukkan penurunan efek ARCH, khususnya pada Korea Selatan. Kedua model dinyatakan stabil berdasarkan inverse roots pada AR characteristic polynomial. Uji kausalitas Granger menunjukkan hanya hubungan Thailand terhadap Korea Selatan yang tetap signifikan secara konsisten pada kedua model, sementara empat arah kausalitas lainnya mengalami perubahan signifikansi setelah seasonal dummy ditambahkan, mengindikasikan bahwa sebagian hubungan yang teridentifikasi sebelumnya dipengaruhi oleh kesamaan pola musiman, bukan murni hubungan kausal ekonomi. Hasil peramalan 12 bulan ke depan (Juli 2026–Juni 2027) menunjukkan bahwa model VAR(13) dengan seasonal dummy secara konsisten menghasilkan nilai MAE dan RMSE yang lebih rendah pada ketiga negara, sehingga lebih direkomendasikan untuk peramalan inflasi bulanan.

Reduksi Noise Data Curah Hujan di Kota Bandung Menggunakan Variational Mode Decomposition (VMD) Riska Juniarti Anugrah; Reny Rian Marliana
Bandung Conference Series: Statistics 271-280
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v6i2.25669

Abstract. Daily rainfall data in Bandung City exhibit nonlinear and nonstationary characteristics caused by seasonal patterns and extreme fluctuations, making accurate forecasting a challenging task. To address this issue, this study applies Variational Mode Decomposition (VMD) as a preprocessing technique to reduce data complexity and noise before forecasting. VMD decomposes the original rainfall signal into several Intrinsic Mode Functions (IMFs) through an adaptive variational optimization process, enabling a more stable decomposition while overcoming the mode-mixing problem commonly found in Empirical Mode Decomposition (EMD). The optimal number of decomposition modes (K) was determined using three quantitative evaluation criteria proposed by Wu et al. (2020), namely energy entropy, minimum gap center frequency, and minimum energy proportion, with K values ranging from 2 to 6. The results indicate that K = 2 is the optimal choice, producing the lowest energy entropy (0.2480), the largest minimum gap center frequency (0.16486), and no redundant IMF, as indicated by the minimum energy proportion of 6.78%, which exceeds the 1% threshold. The decomposition separates the rainfall signal into IMF1, which captures the dominant long-term trend, and IMF2, which represents high-frequency fluctuations associated with noise. These findings demonstrate that VMD effectively simplifies complex rainfall data into more homogeneous signal components, providing a more suitable representation for subsequent forecasting models. Keywords: Variational Mode Decomposition, rainfall, signal decomposition Abstrak. Data curah hujan harian di Kota Bandung memiliki karakteristik nonlinier dan non-stasioner akibat pengaruh variasi musiman serta fluktuasi yang tinggi, sehingga proses prediksi menjadi lebih kompleks. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan Variational Mode Decomposition (VMD) sebagai tahap preprocessing untuk mereduksi kompleksitas dan noise sebelum proses forecasting. Metode VMD mendekomposisi sinyal curah hujan menjadi beberapa Intrinsic Mode Function (IMF) melalui pendekatan optimasi variasional yang adaptif, sehingga mampu menghasilkan dekomposisi yang lebih stabil sekaligus mengurangi permasalahan mode mixing yang umum terjadi pada Empirical Mode Decomposition (EMD). Penentuan jumlah mode optimal (K) dilakukan menggunakan tiga kriteria evaluasi yang dijelaskan oleh Wu et al. (2020), yaitu energy entropy, minimum gap center frequency, dan proporsi energi minimum, dengan pengujian pada K = 2 hingga 6. Hasil penelitian menunjukkan bahwa K = 2 merupakan jumlah mode yang paling optimal karena menghasilkan energy entropy terkecil (0,2480), minimum gap center frequency terbesar (0,16486), serta tidak ditemukan IMF redundan dengan proporsi energi minimum sebesar 6,78% yang berada di atas ambang batas 1%. Hasil dekomposisi memisahkan sinyal curah hujan menjadi IMF1 yang merepresentasikan tren jangka panjang dan IMF2 yang menggambarkan fluktuasi berfrekuensi tinggi yang menyerupai noise. Temuan ini menunjukkan bahwa VMD mampu menyederhanakan data curah hujan yang kompleks menjadi komponen yang lebih homogen sehingga lebih sesuai digunakan sebagai masukan pada tahap pemodelan prediksi selanjutnya. Kata Kunci: Variational Mode Decomposition, curah hujan, dekomposisi sinyal

Klasifikasi Citra Sampah Daur Ulang Menggunakan CNN dengan Fungsi Aktivasi ReLU untuk Mendukung Sistem RVM Akmal Nufus; Reny Rian Marliana
Bandung Conference Series: Statistics 281-290
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v6i2.24217

Abstract. The total amount of waste generated nationwide in Indonesia reaches 144,839 metric tons per day, while only about 25% is managed optimally. This situation underscores the need for technologies capable of supporting automated waste management and sorting processes. One such technology is the Reverse Vending Machine (RVM), a machine that can accept and sort recyclable waste while providing incentives to users. To perform these functions optimally, RVM must be able to automatically and accurately recognize various types of trash. Therefore, this study aims to classify images of recyclable waste using a Convolutional Neural Network (CNN) with a Rectified Linear Unit (ReLU) activation function. The dataset used consists of five waste classes: paper/cardboard packaging, beverage cans, dented beverage cans, plastic bottles, and glass bottles. The CNN architecture used consists of three convolutional layers with a 3×3 kernel size and 32, 64, and 128 filters, respectively, and is supplemented by max pooling, flatten, and fully connected layers. The model was trained using the Stochastic Gradient Descent (SGD) algorithm with a mini-batch approach. The research results show that the model is capable of classifying images of recyclable waste with good performance, achieving an accuracy of 84.52%, a precision of 86.18%, a recall of 84.52%, and an F1-score of 84.46%. Abstrak. Jumlah timbulan sampah nasional di Indonesia mencapai 144.839 ton per hari, sementara hanya sekitar 25% yang terkelola secara optimal. Kondisi tersebut mendorong perlunya penerapan teknologi yang mampu mendukung proses pengelolaan dan pemilahan sampah secara otomatis. Salah satu teknologi yang dapat diterapkan adalah Reverse Vending Machine (RVM), yaitu mesin yang mampu menerima dan memilah sampah daur ulang sekaligus memberikan insentif kepada penggunanya. Untuk menjalankan fungsi tersebut secara optimal, RVM memerlukan kemampuan untuk mengenali berbagai jenis sampah secara otomatis dan akurat. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan citra sampah daur ulang menggunakan metode Convolutional Neural Network (CNN) dengan fungsi aktivasi Rectified Linear Unit (ReLU). Dataset yang digunakan terdiri atas lima kelas sampah, yaitu kertas/karton kemasan, kaleng minuman, kaleng minuman penyok, botol plastik, dan botol kaca. Arsitektur CNN yang digunakan terdiri dari tiga lapisan konvolusi dengan ukuran kernel 3×3 dan jumlah filter bertingkat 32, 64, dan 128, serta dilengkapi lapisan max pooling, flatten, dan fully connected. Proses pelatihan model dilakukan menggunakan algoritma Stochastic Gradient Descent (SGD) dengan pendekatan mini-batch. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan citra sampah daur ulang dengan performa yang baik, mencapai accuracy sebesar 84,52%, precision sebesar 86,18%, recall sebesar 84,52%, dan F1-score sebesar 84,46%.

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search