Article Per Year (5 Year)
p-Index From 2021 - 2026
5.384
P-Index
This Author published in this journals
All Journal FORUM STATISTIKA DAN KOMPUTASI Media Statistika Jurnal Riset Statistika Pattimura Proceeding : Conference of Science and Technology Bandung Conference Series: Statistics Statistika
Nusar Hajarisman
Prodi Statistika, Fakultas Farmasi Dan Sains, Universitas Islam Bandung, Indonesia
Agriculture, Biological Sciences & Forestry Astronomy Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Control & Systems Engineering Decision Sciences, Operations Research & Management Education Energy Engineering Materials Science & Nanotechnology Mathematics Physics

Published : 45 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 45 Documents
Search

 1   2   3   4   5 
Regresi Logistik Dua Level Respon Biner untuk Pemodelan Data Status Kelulusan Mata Kuliah Statistika Mahasiswa Fakultas X, Y dan Z Universitas Islam Bandung Angkatan 2019 Alma Mariana Sofiah; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.8228

Abstract

Abstract. Two-level binary logistic regression is a multilevel analysis used to analyze data that has a two-level hierarchical structure with binary response data. Hierarchical data structure is data with observation units nested in higher units. Two-level regression is the simplest multilevel model where the first level is individual data and the second level is group data. In this study, we will discuss the use of two-level binary logistic regression on data on the Passing Status of Statistics Courses of Bandung Islamic University Students Class of 2019. The data used is secondary data obtained from PSITEK Bandung Islamic University, with a total data of 1173 students nested into 3 groups (Faculty). The research variable in this study is the status of passing the statistics course as the dependent variable (Y), with two categories, namely 0 for students who do not pass and 1 for students who pass, as well as gender, regional origin and GPA as predictor variables (X) at level 1 and science clumps as predictor variables (Z) at level 2. The parameter estimator is carried out using the Maximum Likelihood via Quadrature method. Based on the results of the application of 2-level binary logistic regression, the factors that influence the response are the variables of regional origin and GPA (level 1/student) and clumps of knowledge (level 2/Faculty). Abstrak. Regresi logistik biner dua-level merupakan analisis multilevel yang digunakan untuk menganalisis data yang mempunyai struktur hirarki dua level dengan data respon biner. Struktur data hirarki adalah data dengan unit-unit observasi yang bersarang pada unit yang lebih tinggi. Regresi dua-level merupakan model multilevel yang paling sederhana dimana level kesatu data individu dan level kedua data kelompok. Dalam penelitian ini, akan membahas penggunaan regresi logistik biner dua level pada data Status Kelulusan Mata Kuliah Statistika Mahasiswa Universitas Islam Bandung Angkatan 2019. Data yang digunakan adalah data sekunder yang diperoleh dari PSITEK Universitas Islam Bandung, dengan total data sebanyak 1173 mahasiswa yang tersarang kedalam 3 kelompok (Fakultas). Variabel penelitian dalam penelitian ini adalah status lulus mata kuliah statistika sebagai variabel dependen (Y), dengan dua kategori yaitu 0 untuk mahasiswa yang tidak lulus dan 1 untuk mahasiswa yang lulus, serta jenis kelamin, asal daerah dan IPK sebagai variabel prediktor (X) pada level 1 dan rumpun ilmu sebagai variabel prediktor (Z) pada level 2. Penaksir parameter dilakukan menggunakan metode Maximum Likelihood via Quadrature. Berdasarkan hasil penerapan regresi logistik biner 2-level menyatakan bahwa fakor-faktor yang mempengaruhi respon adalah variabel asal daerah dan IPK (level 1/mahasiswa) dan rumpun ilmu (level 2/Fakultas).
Perbandingan Model Regresi Zero Inflated Poisson (ZIP) dan Hurdle Poisson (HP) pada Kasus Kematian Balita di Kota Bandung Tahun 2021 Ani Ressa Nuryaningsih; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.8522

Abstract

Abstract. In this study, the response variable is assumed to be Poisson-distributed enumeration data. However, in the Poisson regression model, the enumerated data often deviates from the Poisson distribution because of the proportion of excess zero values ​​in the response variable (excess zero), resulting in a larger variance than the average of the observed variables (overdispersion). Therefore, this study aims to model the data with Zero Inflated Poisson (ZIP) and Hurdle Poisson regression. Based on the results of the study by comparing the ZIP and Hurdle Poisson regression models using the Akaike Information Criterion (AIC) and Bayesian Information Criteria (BIC) values, it is found that the Hurdle Poisson regression model is more appropriate for modeling child mortality data in the city of Bandung in 2021 or in other words the Hurdle Poisson regression model is better at dealing with overdispersion and excess zeros problems compared to the Zero Inflated Poisson (ZIP) regression model. Abstrak. Pada penelitian ini variabel respon diasumsikan merupakan data cacahan yang berdistribusi Poisson. Namun, pada model regresi Poisson data cacah seringkali menyimpang dari distribusi Poisson karena proporsi nilai nol yang berlebih pada variabel respon (excess zero), sehingga menghasilkan varian yang lebih besar dari rata-rata variabel yang diamati (overdispersi). Maka dari itu, penelitian ini bertujuan untuk memodelkan data dengan regresi Zero Inflated Poisson (ZIP) dan Hurdle Poisson. Berdasarkan hasil penelitian dengan membandingkan model regresi ZIP dan Hurdle Poisson menggunakan nilai Akaike Information Criterion (AIC) dan Bayesian Information Criteria (BIC), maka diperoleh bahwa model regresi Hurdle Poisson lebih tepat digunakan untuk memodelkan data kematian balita di Kota Bandung tahun 2021 atau dengan kata lain model regresi Hurdle Poisson lebih baik dalam menangani masalah overdispersi dan excess zeros dibandingkan dengan model regresi Zero Inflated Poisson (ZIP).
Pendekatan Baru dari Transformasi Box-Cox untuk Mengatasi Masalah Ketidaknormalan pada Variabel Respon Dwi Andini Juniawati; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.8553

Abstract

Abstract. Regression analysis is used to model between two quantitative variables. When doing regression modeling it is often found that the data is not normally distributed, the way to overcome this is to do a transformation. One of the transformations used is the Box-Cox transformation. Box and Cox consider a single-parameter transformation class, namely the parameter λ with respect to Y so that with λ is the parameter to be estimated. Estimation of the parameter λ uses a maximum likelihood estimator. In general, the value of λ is assumed to be known, but some values of λ (called ) the assumption of normality are not met. This has an impact on the problem of parameter estimation based on maximum likelihood to be inappropriate so that another alternative is needed to obtain the value of λ, namely using a new approach method which is carried out by means of a grid search combined with normality testing. In this study a new approach to the Box-Cox transformation method will involve the response variable, namely the amount of poverty and the predictor variables, namely the Open Unemployment Rate, Human Development Index, and Minimum Wage. In this study, we wanted to find out the factors that influence the amount of poverty in West Java Province in 2022. The data used is secondary data sourced from the Central Statistics Agency and the West Java Province Website. From the analysis results, the optimum λ estimation is 0.5 and the regression model is y^3/5 = (0.0168^5/3 + (1.2410^(5/3)X1) - (2.3160^(5/3)X2) + (0.00000066^(5/3)X3) Abstrak. Analisis regresi digunakan untuk memodelkan di antara dua variabel kuantitatif. Ketika melakukan pemodelan regresi sering kali ditemukan data tidak berdistribusi normal, cara untuk mengatasinya dapat melakukan transformasi. Salah satu transformasi yang digunakan adalah transformasi Box-Cox. Box dan Cox mempertimbangkan kelas transformasi berparameter tunggal yaitu parameter λ terhadap Y sehingga menjadi dengan λ adalah parameter yang harus diduga. Pendugaan parameter λ menggunakan penduga kemungkinan maksimum. Pada umumnya nilai λ diasumsikan sudah diketahui, namun beberapa nilai dari λ (disebut ) asumsi kenormalan tidak terpenuhi. Hal ini berdampak pada masalah pendugaan parameter yang didasarkan pada kemungkinan maksimum menjadi tidak tepat sehingga perlu alternatif lain untuk memperoleh nilai λ yaitu menggunakan metode pendekatan baru yang dilakukan dengan cara pencarian secara grid yang dikombinasikan dengan pengujian kenormalan. Dalam penelitian ini pendekatan baru metode transformasi Box-Cox akan melibatkan variabel respon yaitu Jumlah kemiskinan dan variabel prediktor yaitu Tingkat Pengangguran Terbuka, Indeks Pembangunan Manusia, dan Upah Minimum Kerja. Pada penelitian ini ingin mengetahui faktor-faktor yang mempengaruhi jumlah kemiskinan di Provinsi Jawa Barat tahun 2022. Data yang digunakan adalah data sekunder yang bersumber dari Badan Pusat Statistika dan Website Provinsi Jawa Barat. Dari hasil analisis didapat pendugaan λ yang optimum yaitu 0.5 dan model regresi y^3/5 = (0.0168^5/3 + (1.2410^(5/3)X1) - (2.3160^(5/3)X2) + (0.00000066^(5/3)X3)
Penerapan Model Regresi Zero Inflated Negative Binomial pada Kasus Campak di Provinsi Jawa Barat Tahun 2020 Isma Amarita; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.9311

Abstract

Abstrak. Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan antara variabel bebas dan variabel respon. Dalam sebuah analisis regresi dengan variabel respon yang bersifat diskrit, dapat menggunakan analisis regresi Poisson. Pada regresi Poisson harus memenuhi asumsi equisdispersi. Namun dalam pengaplikasiannya tak jarang mengalami pelanggaran asumsi, dimana nilai varians lebih besar dari nilai rata – ratanya atau bisa disebut dengan overdispersi. Salah satu penyebab overdispersi adalah adanya nilai nol yang berlebih (excess zeros) pada data variabel respon. Metode yang tepat untuk memodelkan kasus dengan data excess zeros dan terjadi overdispersi yaitu dengan menggunakan metode Zero Inflated Negative Binomial (ZINB). Tujuan penelitian ini adalah untuk memperoleh hasil dari penerapan regresi Zero Inflated Negative Binomial dalam memodelkan kasus campak di Provinsi Jawa Barat tahun 2020 serta mengetahui faktor apa saja yang berpengaruh signifikan terhadap kasus campak di Provinsi Jawa Barat tahun 2020. Dari hasil analisis, pada model regresi Poisson data mengalami kondisi overdispersi dan data mengalami excess zeros maka harus dilanjutkan analisis menggunakan regresi Zero Inflated Negative Binomial (ZINB). Pada analisis regresi ZINB diperoleh hasil pengujian bahwa faktor – faktor yang berpengaruh signifikan terhadap besarnya nilai harapan kasus campak di Provinsi Jawa Barat tahun 2020 yaitu persentase pemberian vitamin A, persentase pemberian ASI ekslusif dan persentase balita kurang gizi. Sedangkan faktor yang berpengaruh signifikan terhadap besarnya peluang terjadi campak di Provinsi Jawa Barat tahun 2020 persentase balita kurang gizi. Abstract. Regression analysis is a method used to determine the relationship between independent variables and response variables. In a regression analysis with discrete response variables, Poisson regression analysis can be used. In regression Poisson must satisfy the assumption of equisdispersion. However, in its application, it is not uncommon to experience violations of assumptions, where the variance value is greater than the average value or can be called overdispersion. One of the causes of overdispersion is the presence of excess zeros in the response variable data. The right method to model cases with excess zeros data and overdispersion is to use the Zero Inflated Negative Binomial (ZINB) method. The purpose of this study is to obtain results from the application of Zero Inflated Negative Binomial regression in modeling measles cases in West Java Province in 2020 and find out what factors have a significant influence on measles cases.
Penerapan Transformasi Box Cox untuk Mengatasi Masalah Ketidakstasioneran dan Pola Periodik dalam Data Deret Waktu pada Ekspor Bidang Pertanian di Indonesia Chandra Maulana; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.9371

Abstract

Abstract. Forecasting is useful for predicting future events covering the short, medium and long term with data that is usually used is time series data which is a collection of data compiled at a certain time continuously. Forecasting techniques for time series data analysis are divided into two models, namely forecasting models based on statistical mathematical models (ARIMA, exponential smoothing, moving average, and regression) and forecasting models based on artificial intelligence (neural networks, classification, and genetic algorithms). To improve forecast accuracy, the Box Cox Transformation is used when the time series data contains the problems of data non-stationarity and cyclical problems in the data, so there must be a process of checking for these two problems which can be checked using ADF statistics and ACF calculations. If non-stationary data occurs and there is a periodic or cyclical pattern, it is overcome by doing this Box Cox transformation. This study uses secondary data, namely agricultural exports in Indonesia in 2017-2022 from the website satudata.kemenag.go.id. The best model is SARIMA (1,0,1)(1,0,0)12 is the result of Box Cox transformation with the smallest MAPE and MAE values. The results of this study Box-Cox transformation can be used on data that was previously non-stationary can become stationary, but it cannot change the previously periodic data pattern into a stationary data pattern on the data used. Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang dengan data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Teknik peramalan analisis data deret waktu terbagi menjadi dua model yaitu model peramalan berdasarkan model matematika statistik (ARIMA, exponential smoothing, moving average, dan regresi) dan model peramalan berdasarkan kecerdasan buatan (neural network, klasifikasi, dan algoritma genetika). Untuk meningkatkan akurasi perkiraan, Transformasi Box Cox digunakan ketika data deret waktunya mengandung masalah adanya ketidakstasioneran data dan masalah siklus dalam data, sehiggga harus ada proses pemeriksaan dari kedua masalah tadi yg dapat diperiksa menggunakan statistik ADF dan perhitungan ACF. Jika terjadi data yg tidak stasioner dan terdapat pola periodik atau siklus maka diatasi dengan melalukan transformasi Box Cox ini. Penelitian ini menggunakan data sekunder yaitu ekpor bidang pertanian di Indonesia tahun 2017-2022 dari website satudata.kemenag.go.id. Didapat model terbaik yaitu SARIMA (1,0,1)(1,0,0)12 merupakan hasil dari transformasi Box Cox dengan nilai MAPE dan MAE terkecil.Hasil dari penelitian ini transformasi Box-Cox dapat digunakan pada data yang sebelumnya tidak stasioner dapat menjadi stasioner, namun tidak dapat mengubah pola data yang sebelumnya periodik menjadi pola data yang stasioner pada data yang dipakai pada penelitian ini. Hasil peramalan nilai ekspor pertanian indonesia pada tahun 2023 bergerak stabil.
Pemodelan Hurdle Poisson Regresion pada Jumlah Kasus Kematian Akibat Penyakit HIV/AIDS di Provinsi Jawa Barat Adinda Zahrotul Rizkiah; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.9487

Abstract

Abstract. To model discrete data related to Poisson events, one way is to use Poisson Regression. If a data contains many zero values, the data can experience overdispersion. This overdispersion problem will increase type I errors, to model the overdispersion data, Hurdle Poisson Regression modeling is needed. Transmission of HIV/AIDS is caused by receiving HIV positive blood donors, through the mother's placenta to her fetus, and sexually transmitted infections. AIDS causes the human body's ability to fight infection to disappear, which can lead to someone's death. However, AIDS-related deaths do not always occur, especially in the districts/cities of West Java Province. So it is necessary to model Hurdle Poisson Regression in cases of death from AIDS. Data obtained through the official website of Open Data Jabar. The processed data includes: Number of AIDS-related Death Cases (Y), Number of HIV Positive Blood Donor Cases (X1), and Number of Syphilis Disease Cases (X2). Based on the research results, two models were formed, for the truncated model and for the logit model, but in the truncated model, HIV Positive Blood Donors (X1) and Syphilis Disease Cases (X2) have an effect on Death Cases due to AIDS in West Java Province, while in the logit model is only Cases of Syphilis (X2) which affect Cases of AIDS-related Deaths in West Java Province. Abstrak. Untuk memodelkan data diskrit yang menyangkut pada kejadian Poisson, salah satunya ialah menggunakan Regresi Poisson. Apabila suatu data mengandung banyak nilai nol, data tersebut dapat mengalami overdispersi. Permasalahan overdispersi ini akan memperbesar kesalahan jenis I, untuk memodelkan data yang mengalami overdispersi tersebut perlu pemodelan Hurdle Poisson Regression. Penularan HIV/AIDS disebabkan oleh penerimaan donor darah positif HIV, melalui plasenta Ibu ke janinnya, dan Penyakit Infeksi Menular Seksual. AIDS menyebabkan kemampuan tubuh manusia untuk melawan infeksi hilang, sehingga dapat menyebabkan kematian seseorang. Akan tetapi kematian akibat AIDS tidak selalu terjadi khususnya di Kabupaten/Kota Provinsi Jawa Barat. Maka perlu pemodelan Hurdle Poisson Regression pada kasus kematian akibat AIDS ini. Data diperoleh melalui website resmi Open Data Jabar. Data yang diolah tersebut antara lain: Jumlah Kasus Kematian Akibat AIDS (Y), Jumlah Kasus Donor Darah Positif HIV ( ), dan Jumlah Kasus Penyakit Sifilis ( ). Berdasarkan hasil penelitian dimana terbentuk dua model, yakni untuk model truncated dan untuk model logit. Akan tetapi pada model truncated, Donor Darah Positif HIV ( ) dan Kasus Penyakit Sifilis ( ) berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat, sedangkan pada model logit hanya Kasus Penyakit Sifilis ( ) yang berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat).
Pengaruh Pendidikan dan Pelatihan terhadap Kinerja Karyawan Melalui Variabel Mediator Kompetensi Karyawan LPKL PERUMDA Tirtawening Kota Bandung 10060116101, Tanti Rudiawan Putri; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.11448

Abstract

Abstract. Regression analysis is an analysis carried out on two variables, namely the independent variable (predictor) and the dependent variable (response) which aims to determine whether there is an influence of the independent variable on the dependent variable. The variables that act as intermediaries in the relationship between the independent and dependent variables, so that the independent variables do not directly influence the change or emergence of the dependent variable are called mediating or intervening variables. In this thesis, we will discuss the influence of education and research on employee performance through the mediator variable of LPKL PERUMDA Tirtawening Bandung City employee competency using regression analysis. In this research, data was obtained by distributing questionnaires and data used by all LPKL PERUMDA Tirtawening Bandung City employees, totaling 45 employees. This research aims to determine the effect of service quality. Data analysis in this research uses regression analysis of mediating variables and tests hypotheses using the t test. The research results show that education and training have an effect on employee performance, education and training on competence, competence on employee performance, and there is no effect between education and training variables on employee performance by including competence as an intervening variable. Abstrak. Analisis regresi merupakan analisis yang dilakukan pada dua variabel yaitu variabel bebas (prediktor) dan variabel terikat (respon) yang bertujuan untuk mengetahui apakah terdapat pengaruh variabel bebas terhadap variabel terikat. Adapun variabel yang berperan sebagai perantara hubungan antara variabel independen dan dependen, sehingga variabel independen tidak langsung mempengaruhi berubahnya atau timbulnya variabel dependen yang disebut sebagai variabel mediasi atau intervening. Dalam skripsi ini akan dibahas mengenai pengaruh pendidikan dan penelitian terhadap kinerja karyawan melalui variabel mediator kompetensi karyawan LPKL PERUMDA Tirtawening Kota Bandung menggunakan analisis regresi. Pada penelitian ini diperoleh data dengan cara menyebar kuisioner dan data yang digunakan semua karyawan LPKL PERUMDA Tirtawening Kota Bandung yang berjumlah 45 pegawai. Pada penelitian ini bertujuan untuk mengetahui pengaruh kualitas pelayanan Analisis data pada penelitian ini menggunakan analisis regresi variabel mediasi serta melakukan uji hipotesis menggunakan uji t. Hasil penelitian menunjukan bahwa pendidikan dan pelatihan berpengaruh pada kinerja karyawan, pendidikan dan pelatiahan terhadap kompetensi, kompetensi terhadap kinerja karyawan, dan tidak berpengaruh antara variabel pendidikan dan pelatihan terhadap kinerja karyawan dengan memasukan kompetensi sebagai variabel intervening.
Pemodelan Arima Intervensi untuk Meramalkan Jumlah Kendaraan Masuk Melalui Tol Pasteur Tahun 2014-2023 Winda Aya Haliza; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 4 No. 2 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i2.13043

Abstract

Abstract. Intervention modeling analysis is a time series data analysis model used toforecast data containing interventions or unexpected events from both internal andexternal factors. In general, there are two types of functions in intervention analysis,namely step and pulse. During the Covid-19 pandemic, various policies implementedby the government, one of which is PPKM. Based on the time series data patternof[ the number of vehicles entering through the Pasteur Toll Road, it can be seen thatthere was a significant decrease when the PPKM policy was implemented due to theCovid-19 pandemic. The data used in this study is data on the number of vehiclesentering through the Pasteur Toll gate in the period January 1, 2014 to December 31,2023. The purpose of this study is to assess the effect of the PPKM policy interventiondue to the emergence of the Covid-19 pandemic in Indonesia on the number ofvehicles entering through the Pasteur Toll Road. The results of this study indicate thatthe ARIMA modeling for forecasting the number of vehicles, considering theintervention, is best represented by the ARIMA (0,0,1) model with an interventionorder of (b = 1, r = 3, s = 0), which shows that the intervention effect occurred oneperiod, or one month since the intervention event with a negative influence, leadingto a notable decrease in the number of vehicles entering through the Pasteur Toll Roadover the 2014-2023 period. Abstrak. Analisis pemodelan intervensi adalah suatu model analisis data deret waktuyang digunakan untuk meramalkan data yang mengandung intervensi atau kejadianyang tidak terduga baik dari faktor internal maupun eksternal. Secara umum, terdapatdua jenis fungsi pada analisis intervensi yaitu step dan pulse. Selama pandemi Covid-19, terdapat kebijakan yang diterapkan pemerintah salah satunya adalah PPKM.Berdasarkan pola data deret waktu jumlah kendaraan yang masuk melalui Tol Pasteurterlihat bahwa terdapat penurunan yang signifikan pada saat diterapkan kebijakanPPKM karena pandemi Covid-19. Data yang digunakan dalam penelitian ini adalahdata jumlah kendaraan masuk melalui gerbang Tol Pasteur pada periode 1 Januari2014 sampai dengan 31 Desember 2023. Tujuan dari penelitian ini adalah untukmelihat pengaruh intervensi adanya kebijakan PPKM karena munculnya pandemiCovid-19 di Indonesia pada jumlah kendaraan yang masuk melalui Tol Pasteur. Hasildari penelitian ini adalah didapat bahwa pemodelan ARIMA intervensi untukmeramalkan jumlah kendaraan yang masuk melalui Tol Pasteur adalah modelARIMA (0,0,1) dengan orde intervensi (b=1,r=3,s=0) yang menunjukkan bahwaadanya efek intervensi terjadi satu periode atau 1 bulan sejak terjadinya kejadianintervensi dengan pengaruh negatif yaitu penurunan pada jumlah kendaraan yangmasuk melalui Tol Pasteur pada data tahun 2014-2023.
Deteksi Anomali Aktivitas Kegempaan Gunung Marapi Menggunakan Algoritma Local Outlier Factor Nopita Sari Murtafiah; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 4 No. 2 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i2.13981

Abstract

Abstract. Anomalies in volcano monitoring can occur due to sudden changes in seismic data, ground deformation, gas emissions, or other activities that indicate a potential eruption. Mount Marapi is routinely monitored using seismic, deformation, visual, and geochemical methods, with seismic monitoring being the most commonly used method because seismic activity increases before an eruption. Detecting anomalies in volcanoes is crucial for identifying early signs of volcanic activity that may lead to an eruption. Early detection allows for mitigation measures and evacuation to be carried out, minimizing the impact and loss of life caused by an eruption. One algorithm that can be used to detect anomalies is the Local Outlier Factor (LOF). LOF calculates the density of each data point, where data with significantly lower density is considered an anomaly. This study aims to determine the number and characteristics of data detected as anomalies. In this study, the Local Outlier Factor algorithm will be used to detect anomalies in seismic activity data from Mount Marapi between October 2023 and January 2024. The results of the study show that the LOF algorithm successfully detected 43 anomaly events, or 34.96% of the total data. Data identified as anomalies generally have characteristics such as higher frequency, S-P, amplitude, and duration values than the average. The LOF algorithm successfully detected anomalies on November 29, 2023, approximately four days before the eruption that occurred on December 3, 2023. Additionally, the data detected as anomalies generally have closely related or even consecutive dates or times of occurrence. Abstrak. Anomali dalam pemantauan gunung api dapat terjadi akibat perubahan mendadak dalam data seismik, deformasi tanah, emisi gas, atau aktivitas lain yang menandakan potensi erupsi. Gunung Marapi dipantau rutin dengan metode seismik, deformasi, visual, dan geokimia, dengan seismik sebagai metode yang paling dominan digunakan karena aktivitas kegempaan meningkat sebelum terjadinya erupsi. Deteksi anomali pada gunung berapi penting dilakukan untuk mengidentifikasi tanda-tanda awal aktivitas vulkanik yang dapat mengarah pada erupsi. Dengan deteksi dini, langkah mitigasi dan evakuasi dapat dilakukan untuk meminimalisir dampak dan korban jiwa yang diakibatkan oleh erupsi. Salah satu algoritma yang dapat digunakan untuk mendeteksi anomali adalah Local Outlier Factor (LOF). LOF menghitung kerapatan setiap titik data, di mana data dengan kerapatan jauh lebih rendah dianggap anomali. Penelitian ini bertujuan untuk mengetahui jumlah dan karakteristik data yang terdeteksi anomali. Pada penelitian ini, akan digunakan algoritma Local Outlier Factor untuk mendeteksi anomali pada data aktivitas kegempaan Gunung Marapi periode Oktober 2023 hingga Januari 2024. Hasil penelitian menunjukkan bahwa algoritma LOF berhasil mendeteksi 43 kejadian anomali, atau 34,96% dari keseluruhan data. Data yang terdeteksi sebagai anomali umumnya memiliki karakteristik berupa nilai frekuensi, S-P, amplitudo, dan durasi yang lebih tinggi daripada rata-rata. Algoritma LOF berhasil mendeteksi anomali pada 29 November 2023, sekitar empat hari sebelum erupsi yang terjadi pada tanggal 3 Desember 2023. Selain itu, data yang terdeteksi sebagai anomali umumnya juga memiliki tanggal atau waktu kejadian yang berdekatan atau bahkan berurutan.
Deteksi Pencilan pada Model Regresi Beta dalam Kasus Kemiskinan Perdesaan di Indonesia Tahun 2022 Neng Marlina; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 4 No. 2 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i2.14042

Abstract

Abstract. In a certain dataset, there may be one or a group of data points that are far from the rest of the data in a regression model, which should be suspected as outliers. These outliers have the potential to influence the significance of regression coefficients. Furthermore, the presence of outliers in the data can cause the regression model to fail to meet its assumptions. Outliers can be detected using Pearson residuals, deviance residuals, and leverage values, among others. In this thesis, outlier detection will be conducted in the case of rural poverty in Indonesia in 2022. The rural poverty data used is in percentage form, making it suitable for beta regression, which is useful for modeling data with response variables in the standard unit interval (0,1). Moreover, beta regression is also very useful when the dependent variable's distribution does not follow a normal distribution and when traditional linear models cannot be used due to unmet classical assumptions. Parameter estimation for the model uses the Maximum Likelihood Estimator. Based on the available data, using a 5% significance level, it can be concluded that in Indonesia in 2022, rural poverty is only influenced by the rural Gini ratio. Subsequently, outlier detection was conducted through the calculation of Pearson residuals, deviance residuals, and leverage values, which indicated that the provinces of Aceh, Riau, Bengkulu, Maluku, West Papua, and Papua are considered outliers. Therefore, an appropriate analysis method is needed when there are outliers in the data. Abstrak. Dalam set data tertentu, mungkin akan terdapat satu buah atau sekelompok data yang jauh dari sekumpulan data pada model regresi dan data tersebut perlu dicurigai sebagai pencilan. Pencilan ini berpotensi sebagai penentu signifikansi koefisien regresi. Selain itu, kehadiran pencilan dalam data dapat menyebabkan model regresi tidak memenuhi asumsinya. Pencilan dapat dideteksi diantaranya menggunakan residu pearson, residu devians, dan nilai leverage. Dalam skripsi ini, akan dilakukan deteksi pencilan pada kasus kemiskinan perdesaan di Indonesia tahun 2022. Data kemiskinan perdesaan yang digunakan berbentuk persentase, sehingga akan cocok dengan regresi beta yang berguna untuk memodelkan data dengan variabel respon yang berupa interval satuan standar (0,1). Selain itu, regresi beta sangat berguna pula ketika distribusi variabel dependen tidak mengikuti distribusi normal serta ketika model linier tradisional tidak bisa digunakan karena asumsi klasik tidak terpenuhi. Penaksiran parameter model menggunakan Maximum Likelihood Estimator. Berdasarkan data yang ada dengan menggunakan taraf signifikan 5% dapat disimpukan bahwa di Indonesia tahun 2022, kemiskinan perdesaan hanya dipengaruhi oleh gini rasio perdesaan. Kemudian, dilanjutkan deteksi pencilan melalui perhitungan residu pearson, residu devians, dan nilai leverage yang menunjukkan Provinsi Aceh, Riau, Bengkulu, Maluku, Papua Barat, dan Papua dianggap sebagai pencilan. Sehingga, diperlukan metode analisis yang cocok ketika terdapat adanya data pencilan.
Co-Authors 10060116101, Tanti Rudiawan Putri Aceng Komarudin Mutaqin Achmad Widodo Achmad Widodo Achmad Widodo Adinda Zahrotul Rizkiah Akmal Hafis Hakim Alma Mariana Sofiah Anggi Savitri Ani Ressa Nuryaningsih Anneke Iswani A. Anneke Iswani Ahmad Annisa Lisa Nurjanah Arya Ramadhan, Iqbal ASEP SAEFUDDIN Aulia Syafira Aulia, Githa Balqis Nabilah Khairunnisa Budiman, Aulia Sabila Chandra Maulana Dewi Rosiana Dewi Rosiana Diahsty Marasabessy, Munira Dwi Agustin Nuriani Sirodj Dwi Andini Juniawati Erfina Agustin Hidayat Esa Nurtiara Fadia Wahyu Utami Fatiha nurfauzan, Arsyi Fera Shintarini Giatri Divianis Hardiana Prasasti Isma Amarita Jasmine Wildani Arisa Kamilatul 'Aini Khairi A N Khalisha Azzahra Kusman Sadik Labana Kaulika Mardha Tri Meilani Mela Rafela Muh. Fahmi Nur Akbar Muhammad Bahry Baidhowy Muhammad Bangkit Riksa Utama Nanda Shofia Nur Ihsan Natasya Neng Marlina Nopita Sari Murtafiah Novita Sheisariana Fahira Putri Alifia Azzahra Rafi Fitra Rahma Elia Nurazizah Rejeki Wulan Islamiyati Rida Faridah Riyani Desriawati Siti Magfiratul Hasanah Siti Nur Rohmah Suliadi Sutawanir Darwis Sutawanir Darwis Teti Sofia Yanti Tiara Yulianisah Uli Silma Winda Aya Haliza Wulan Putri Prihartini Yayat Karyana