Garuda - Garba Rujukan Digital

Analisis Multidimensional Scaling pada Pemetaan Kabupaten/Kota di Jawa Barat Berdasarkan Indikator Kesejahteraan Rakyat Tsaniya Ahda Salsabila; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. To identify a number of variables, it can be done by mapping or grouping variables, such as factor analysis or cluster analysis. However, sometimes there are some assumptions that must be fulfilled. Multidimensional Scaling analysis is an analysis that does not require some assumptions in the process. Multidimensional Scaling (MDS) analysis is one of the multiple variable techniques to map or group a set of objects based on several variables. The data used in this study is an indicator of the welfare of the people in West Java in 2020 which consists of 8 variables, there are the number of poor people, household per capita expenditure on food, expected years of schooling, average length of schooling, open unemployment rate, labor force participation rate, life expectancy, and the percentage of the population with health insurance. The results of the mapping consisted of four groups. Group 1 consists of 5 regions and is a good group in terms of employment and health. Group 2 consists of 6 regions and is a good group in terms of education and health, and has the highest average HDI score. Group 3 consists of 5 regions and is a good group in terms of education, health, and low poverty. Group 4 consists of 11 regions and is an area with poor people's welfare indicators compared to other groups because it has a high poor population, and is low in aspects of education, employment, health, and has the lowest average HDI score. From the mapping results, obtained a STRESS value of 6.49%, which means that the mapping is included in the very good category and an RSQ value of 99.21%, which means that the data used can be mapped well. Abstrak. Untuk mengidentifikasi sejumlah variabel dapat dilakukan dengan cara pemetaan atau pengelompokkan variabel, seperti analisis faktor atau analisis kluster. Namun, terkadang terdapat beberapa asumsi yang harus terpenuhi. Analisis Multidimesional Scaling merupakan analisis yang tidak memerlukan asumsi khusus dalam prosesnya. Analisis Multidimensional Scaling (MDS) merupakan salah satu teknik peubah ganda untuk memetakan atau mengelompokkan sekumpulan objek berdasarkan beberapa variabel. Data yang digunakan dalam penelitian ini adalah indikator kesejahteraan rakyat di Jawa Barat tahun 2020 yang terdiri dari 8 variabel yaitu jumlah penduduk miskin, pengeluaran perkapita rumah tangga untuk makanan, harapan lama sekolah, rata-rata lama sekolah, tingkat pengangguran terbuka, tingkat partisipasi angkatan kerja, angka harapan hidup, dan persentase penduduk yang memiliki jaminan kesehatan. Hasil pemetaan terdiri dari empat kelompok. Kelompok 1 terdiri dari 5 wilayah dan merupakan kelompok yang baik dari aspek ketenagakerjaan dan kesehatan. Kelompok 2 terdiri dari 6 wilayah dan merupakan kelompok yang baik dari aspek pendidikan dan kesehatan, serta mempunyai nilai rata-rata IPM tertinggi. Kelompok 3 terdiri dari 5 wilayah dan merupakan kelompok yang baik dari aspek pendidikan, kesehatan, dan penduduk miskin yang rendah. Kelompok 4 terdiri dari 11 wilayah dan merupakan wilayah dengan indikator kesejahteraan rakyat yang kurang baik dibandingkan dengan kelompok lainnya karena memiliki penduduk miskin yang tinggi, serta rendah dari aspek pendidikan, ketenagakerjaan, kesehatan, dan memiliki nilai rata-rata IPM terendah. Dari hasil pemetaan, diperoleh nilai STRESS sebesar 6,49% yang artinya pemetaan termasuk dalam kategori sangat baik dan nilai RSQ sebesar 99,21% yang artinya data yang digunakan dapat dipetakan dengan baik.

Siklus PDCA (Plan, Do, Check, Act) untuk Mengurangi Cacat Produk Sosis di PT.Serena Harsa Utama Adelia Mutia Fridayanti; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. In the production process, if a defective unit is found, then need improvement. To minimize the types of defects carried out by the Activity Planning, implementation, Checking/evaluation and corrective Action or cycle PDCA (Plan, Do, Check, Act) on the management of related companies with quality. The PDCA cycle is useful for companies as input especially in determining the quality improvement strategy carried out by company in the future as an effort to streamline and efficiency in the production system as well as a consideration in carry out the next policy to be taken in order to reduce happening in the future. The method used is quantitative method using observation and interview data collection techniques, supported by several related literature. The PDCA cycle can reduce the resulting defects. The data used in the application of PDCA is the number of defects in the sausage products produced by PT. Serena Harsa Utama for the period January-February 2021. The results of the study using the PDCA method obtained the level of the highest limit is on the bubble type product defect of 0.6% (397.03 kg) of the total production of 71,148.63 kg. PDCA (Plan, Do, Check, Action) cycle in order to reduce defects in the production process has been successfully carried out. Level the number in the production process decreases, from the beginning the number of percentage defects product by 1.15% to 1.10%. Abstrak. Dalam proses produksi, jika ditemukan unit yang cacat, maka perlu perbaikan. Untuk meminimalkan jenis-jenis cacat dilakukan kegiatan perencanaan, pelaksanaan, pengecekan/evaluasi dan tindakan korektif atau siklus PDCA (Plan, Do, Check, Act) pada manajemen perusahaan terkait dengan kualitas. Siklus PDCA bermanfaat bagi perusahaan sebagai bahan masukan terutama dalam menentukan strategi peningkatan kualitas yang dilakukan perusahaan dimasa yang akan datang sebagai upaya mengefektifkan dan efisiensi dalam sistem produksi serta sebagai bahan pertimbangan dalam melaksanakan kebijakan selanjutnya yang akan diambil dalam rangka untuk mengurangi terjadi di masa depan. Metode yang digunakan adalah metode kuantitatif dengan teknik pengumpulan data observasi dan wawancara, didukung oleh beberapa literatur terkait. Siklus PDCA dapat mengurangi cacat yang dihasilkan. Data yang digunakan dalam penerapan PDCA adalah jumlah cacat pada produk sosis yang diproduksi oleh PT. Serena Harsa Utama periode Januari-Februari 2021. Hasil penelitian dengan menggunakan metode PDCA didapatkan tingkat batas tertinggi pada produk defect tipe bubble sebesar 0,6% (397,03 kg) dari total produksi sebesar 71.148,63 kg. Siklus PDCA (Plan, Do, Check, Action) dalam rangka mengurangi cacat pada proses produksi telah berhasil dilakukan. Tingkat jumlah dalam proses produksi menurun, dari awal jumlah persentase cacat produk sebesar 1,15% menjadi 1,10%.

Metode Single Exponential Smoothing dan Fuzzy Time Series pada Peramalan Permintaan Penjualan Pakaian Thrift Shop Garagesaleinaja Tri Devi Anggraeni; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. Forecasting is needed to find out the demand for a product or several products in the future period. Forecasting also has a very important role so that a business or company does not produce excessive or insufficient products. One of the most common forecasting methods is the Single Exponential Smoothing (SES) method. This SES method is a very easy method because it is the simplest exponential smoothing technique that only requires one parameter. In contrast to SES, the Fuzzy Time Series (FTS) method does not have other requirements that must be met. The FTS method can also solve the problem of forecasting historical data in the form of linguistic values. In this final project, a comparison of SES and FTS methods will be carried out. The comparison of the best forecasting methods is measured using the error methods MAD (Mean Absolute Deviation), MSE (Mean Square Error) and MAPE (Mean Absolute Percent Error). The data used is data on sales (monthly) of Thrift Shop Garagesaleinaja clothes in December 2019 – October 2021. From the calculation results, the error value of SES is MAD = 2144; MSE = 667579911; MAPE = 553, and the error value of FTS is MAD = 1995,84545; MSE = 5729754.97; MAPE = 380,69926. Between the two forecasting methods, the FTS method has a smaller error value than SES, the FTS method is the best method for predicting the sales results of Thrift Shop Garagesaleinaja clothes. Abstrak. Peramalan sangat dibutuhkan untuk mengetahui permintaan terhadap suatu produk atau beberapa produk pada periode yang akan datang. Peramalan juga memiliki peranan yang sangat penting agar suatu usaha atau perusahaan tidak memproduksi produk secara berlebihan atau kekurangan. Salah satu metode peramalan yang sering dijumpai yaitu metode Single Exponential Smoothing (SES), metode SES ini merupakan metode yang sangat mudah karena merupakan teknik pemulusan eksponensial paling sederhana yang hanya membutuhkan satu parameter. Berbeda dengan SES, metode Fuzzy Time Series (FTS) tidak ada syarat lain yang harus dipenuhi. Metode FTS juga dapat menyelesaikan masalah peramalan data historis berupa nilai-nilai linguistik. Pada tugas akhir ini akan dilakukan perbandingan peramalan metode SES dan FTS. Perbandingan metode peramalan yang paling baik diukur menggunakan metode error MAD (Mean Absolute Deviation), MSE (Mean Square Error) dan MAPE (Mean Absolute Percent Error). Data yang digunakan adalah data penjualan (bulanan) pakaian Thrift Shop Garagesaleinaja pada Desember 2019 – Oktober 2021. Dari hasil perhitungan diperoleh nilai error dari SES adalah MAD = 2144; MSE = 667579911; MAPE = 553, dan nilai error dari FTS adalah MAD = 1995,84545; MSE = 5729754,97; MAPE = 380,69926. Diantara kedua metode peramalan tersebut, metode FTS memiliki nilai error lebih kecil dibandingkan SES, metode FTS merupakan metode terbaik untuk meramalkan hasil penjualan pakaian Thrift Shop Garagesaleinaja.

Regresi Nonparametrik Spline untuk Memodelkan Faktor-faktor yang Memengaruhi Indeks Pembangunan Gender (IPG) di Jawa Barat Tahun 2020 Nisrina Fajriati Rahayu; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. Regression analysis is a statistical method used to determine the pattern of the relationship between the independent variable and the dependent variable. There are three kinds of regression analysis, namely parametric regression analysis, semiparametric regression analysis and nonparametric regression analysis. Parametric regression analysis can be used when the assumptions are met but not all data can meet the parametric assumptions, an alternative to parametric regression is nonparametric regression because its use does not require strict assumptions. Spline nonparametric regression is a method used to get the estimated regression curve through the estimation of the data pattern according to the movement. The selection of the best model for Spline regression is seen from the Generalized Cross Validiation (GCV) value using the minimum knot point. In this study, the dependent variable used is the Gender Development Index (GDI) in West Java Province in 2020 which consists of 18 districts and 9 cities with the independent variables consisting of the average length of schooling for women, the expected length of schooling for women, the open unemployment rate for women, female labor force participation rate, women with health complaints and sex ratio. The results of the analysis obtained that the best nonparametric Spline regression model was using the order of one and three knot points with the minimum GCV value of 0.2471, and the coefficient of determination was 99.98%. The six independent variables used have a significant influence on GPA in West Java in 2020. Abstrak. Analisis regresi adalah metode statistika yang digunakan untuk menentukan pola hubungan antara variabel bebas dengan variabel terikat. Terdapat tiga macam analisis regresi, yaitu analisis regresi parametrik, analisis regresi semiparametrik dan analisis regesi nonparametrik. Analisis regresi parametrik dapat digunakan ketika asumsi terpenuhi akan tetapi tidak semua data dapat memenuhi asumsi parametrik, alternatif dari regresi parametrik adalah regresi nonparametrik karena penggunaanya tidak memerlukan asumsi yang ketat. Regresi nonparametrik Spline merupakan metode yang digunakan untuk mendapatkan dugaan kurva regresi melalui pendekatan estimasi pola data sesuai pergerakannya. Pemilihan model terbaik pada regesi Spline dilihat dari nilai Generalized Cross Validiation (GCV) dengan menggunakan titik knot yang paling minimum. Pada penelitian ini variabel terikat yang digunakan adalah Indeks Pembangunan Gender (IPG) di Provinsi Jawa Barat Tahun 2020 yang terdiri dari 18 kabupaten dan 9 kota dengan variabel bebas yang terdiri dari rata-rata lama sekolah perempuan, harapan lama sekolah perempuan, tingkat pengangguran terbuka perempuan, tingkat partisipasi angkatan kerja perempuan, perempuan yang memiliki keluhan kesehatan dan rasio jenis kelamin. Hasil dari analisis diperoleh model regresi nonparametrik Spline yang terbaik adalah dengan menggunakan orde satu dan tiga titik knot dengan nilai GCV yang paling minimum 0,2471, serta didapatkan nilai koefisien determinasi sebesar 99,98%. Dengan ke enam variabel bebas yang digunakan memiliki pengaruh yang signifikan terhadap IPG di Jawa Barat tahun 2020.

Metode Regresi Elastic-Net untuk Mengatasi Masalah Multikolinearitas pada Kasus Tingkat Pengangguran Terbuka di Provinsi Jawa Barat Astri Handayani; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. Multicollinearity is a correlation between independent variables, the existence of multicollinearity is often difficult to see the effect of independent variables on dependent variables. Handling multicollinearity can be done using the Elastic-net regression method where this method can shrink the regression coefficient to zero, besides that Elastic-net regression also performs simultaneous selection of variables and can select groups of correlated variables. In 2020, the open unemployment rate in West Java Province was relatively high, at 10.46, exceeding the national average of 7.07. This study uses data on the open unemployment rate in West Java Province in 2020. Based on the test results of the seven independent variables used, only five independent variables have an influence on the open unemployment rate in West Java, namely the dependency ratio, the average length of schooling, percentage of poor population, district/city minimum wage, and population density. While the independent variable that has no effect on the open unemployment rate is the human development index. Based on the value of the importance variable, the independent variable that has the greatest influence on the open unemployment rate in West Java Province is the district/city minimum wage. Abstrak. Multikolinearitas merupakan korelasi antar peubah bebas, keberadaan multikolinearitas seringkali menyulitkan untuk melihat pengaruh antara peubah bebas terhadap peubah tak bebas. Penanganan multikolinearitas dapat dilakukan menggunakan metode regresi Elastic-net dimana metode ini dapat menyusutkan koefisien regresi tepat nol, selain itu regresi Elastic-net juga melakukan seleksi peubah secara simultan dan dapat memilih kelompok peubah yang berkorelasi. Pada tahun 2020 tingkat pengangguran terbuka di Provinsi Jawa Barat relatif tinggi yaitu sebesar 10,46 melebihi nilai rata-rata nasional sebesar 7,07. Penelitian ini menggunakan data mengenai tingkat pengangguran terbuka di Provinsi Jawa Barat pada tahun 2020. Berdasarkan hasil pengujian dari tujuh peubah bebas yang digunakan hanya lima peubah bebas saja yang memberikan pengaruh tehadap tingkat pengangguran terbuka di Jawa Barat yaitu dependency ratio, rata-rata lama sekolah, presentase penduduk miskin, upah minimum kabupaten/kota, dan kepadatan penduduk. Sedangkan peubah bebas yang tidak memberikan pengaruh terhadap tingkat pengangguran terbuka yaitu indeks pembangunan manusia. Berdasarkan nilai importance variable peubah bebas yang memberikan pengaruh paling besar terhadap tingkat pengangguran terbuka di Provinsi Jawa Barat adalah upah minimum kabupaten/kota.

Analisis Procrustes terhadap Perubahan Faktor-Faktor Penyebab Kemiskinan di Provinsi Jawa Barat Tahun 2017 dan 2019 Fanny Irfina; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Abstract. Comparative test is a method in statistics that is used to test the difference between groups of data with one variable. In fact, the data that we observe is more than one variable. Therefore, to test the differences between groups of data with more than one variable in statistics, it can be done using Procrustes analysis. Procrustes analysis is a statistical analysis that aims to compare between two points in a numerical measure that have the same n units of observation. The Procrustes point configuration can be obtained using various analytical techniques, for example biplot analysis. Biplot analysis aims to summarize information from a large matrix with variables into many two-dimensional graphs based on Singular Value Decomposition. In this thesis, we will discuss biplot analysis and Procrustes analysis of the factors that cause poverty in 27 cities/districts in West Java province in 2017 and 2019. Data for 2017 is the year before the election and 2019 is the year after the election. The data used are the factors causing poverty including the high school enrollment rate, the percentage of the population who have health complaints, the percentage of the population, labor force participation and the distribution of the proportion of GRDP. Based on the research conducted, the value (R2) was 99.86%, which means that there was no change in the factors causing poverty in 2017 and 2019. Abstrak. Uji komparatif merupakan sebuah metode di dalam ilmu statistika yang digunakan untuk menguji perbedaan kelompok data dengan satu variabel. Pada kenyataannya, data yang kita amati lebih dari satu variabel. Maka dari itu untuk menguji perbedaan antar kelompok data dengan variabel lebih dari satu di dalam statistika dapat dilakukan menggunakan analisis Procrustes. Analisis Procrustes yaitu analisis statistika yang bertujuan untuk membandingkan kesesuaian antara dua konfigurasi titik dalam ukuran numerik yang memiliki n unit pengamatan yang sama. Konfigurasi titik Procrustes dapat diperoleh dengan menggunakan berbagai teknik analisis, misalnya analisis biplot. Analisis biplot bertujuan meringkas informasi dari suatu matriks yang besar dengan variabel yang banyak menjadi grafik berdimensi dua yang didasarkan pada Singular Value Decomposition. Dalam skripsi ini akan dibahas mengenai analisis biplot dan analisis Procrustes terhadap faktor-faktor penyebab kemiskinan 27 kota/kabupaten di provinisi Jawa Barat tahun 2017 dan 2019. Data tahun 2017 merupakan tahun sebelum pilkada dan tahun 2019 merupakan tahun setelah pilkada. Data yang digunakannya yaitu faktor-faktor penyebab kemiskinan meliputi angka partisipasi sekolah tingkat SMA, persentase penduduk yang memiliki keluhan kesehatan, peresentase penduduk, tingkat partisipasi angkatan kerja dan distribusi persentase PDRB. Berdasarkan penelitian yang dilakukan diperoleh ukuran kemiripan (R2) sebesar 99,86% yang artinya tidak ada perubahan faktor-faktor penyebab kemiskinan pada tahun 2017 dan 2019.

Metode Regresi Elastic-net untuk Mengatasi Masalah Multikolinearitas pada Kasus Tingkat Pengangguran Terbuka di Provinsi Jawa Barat Astri Handayani; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i1.5757

Abstract. Linear regression is used to study the relationship between dependent variables and one or more independent variables. The most widely used linear regression parameter estimation is the Least Squares Method (MKT). Multiple linear regression involves more than one independent variable. The common problem that is often encountered in multiple linear regression is the problem of multicollinearity. Multicollinearity in multiple linear regression occurs when there is a correlation between independent variables, with multicollinearity it is often difficult to see the effect of the independent variables on the dependent variables. Multicollinearity handling can be done using the elastic-net regression method where this method can reduce the regression coefficient to exactly zero, besides that the regression nets also select variables simultaneously and can select groups of correlated variables. In 2020 the open response rate in West Java Province was relatively high, namely 10.46, exceeding the national average of 7.07. This study uses data regarding the open response rate in West Java Province in 2020. Based on the results of testing the independent variables that influence the open response rate in West Java, namely the dependency ratio, average length of schooling, human development index, percentage of poor people, wages minimum district/city, and population density. Abstrak. Regresi linier digunakan untuk mempelajari hubungan antara peubah tak bebas dengan satu atau lebih peubah bebas. Pendugaan parameter regresi linier yang paling banyak digunakan yaitu Metode Kuadrat Terkecil (MKT). Regresi linier berganda melibatkan lebih dari satu peubah bebas. Masalah umum yang sering dijumpai pada regresi linier berganda yaitu adanya masalah multikolinearitas. Multikolinearitas pada regresi linier berganda terjadi apabila terdapat korelasi antar peubah bebas, keberadaan multikolinearitas seringkali menyulitkan untuk melihat pengaruh antara peubah bebas terhadap peubah tak bebas. Penanganan multikolinearitas dapat dilakukan menggunakan metode regresi elastic-net dimana metode ini dapat menyusutkan koefisien regresi tepat nol, selain itu regresi elastic-net juga melakukan seleksi peubah secara simultan dan dapat memilih kelompok peubah yang berkorelasi. Pada tahun 2020 tingkat pengangguran terbuka di Provinsi Jawa Barat relatif tinggi yaitu sebesar 10,46 melebihi nilai rata-rata nasional sebesar 7,07. Penelitian ini menggunakan data mengenai tingkat pengangguran terbuka di Provinsi Jawa Barat pada tahun 2020. Berdasarkan hasil pengujian peubah bebas yang memberikan pengaruh tehadap tingkat pengangguran terbuka di Jawa Barat yaitu dependency ratio, rata-rata lama sekolah, indeks pembangunan manusia, presentase penduduk miskin, upah minimum kabupaten/kota, dan kepadatan penduduk.

Penerapan Regresi Spasial Panel Random Effect pada Kasus Kemiskinan di Provinsi Jawa Tengah Tahun 2011-2020 Farah Nurul Andini; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i1.6992

Abstract. Spatial regression is a regression analysis that can be used to model data that focuses on a space or location (region). In spatial data, observations are often found at a location that has a relationship or influence with other adjacent locations. If the classical regression model is used as an analytical tool on spatial data, it can lead to inaccurate conclusions due to the assumption of mutual error (autocorrelation), the assumption of homogeneity is not met (heterogenity). To solve the problem, you can use the spatial regression panel random effect model. In determining the best model of spatial regression of panel data can use the Spatial Autoregressive or Spatial Lag (SAR) Random Effect and Spatial Error Model (SEM) Random effect model. To calculate the spatial effect, a spatial weighting matrix was used, in this study the spatial weighting matrix used was the Queen Contiguity spatial weighting matrix. The data used for the study used data on the percentage of poor people with free variables, namely life expectancy, adjusted per-capita expenditure, and average length of schooling. The results showed that the Spatial Error Model (SEM) Random Effect model is the best model, because it has the smallest AIC (Aikake Information Criterion) value and BIC (Bayessian Information Criterion) value. Based on the results of modeling with the Spatial Error Model (SEM) Random effect, the three factors affect the percentage of poverty in Central Java Province. Abstrak. Regresi spasial adalah analisis regresi yang dapat digunakan untuk memodelkan data yang berfokus pada ruang atau lokasi (region). Pada data spasial sering dijumpai pengamatan pada suatu lokasi yang memiliki hubungan atau pengaruh dengan lokasi lain yang berdekatan. Jika model regresi klasik digunakan sebagai alat analisis pada data spasial, dapat menyebabkan kesimpulan yang kurang tepat karena asumsi error saling bebas (autokorelasi), asumsi homogenitas tidak terpenuhi (heterogeneity). Untuk mengatasi masalah tersebut dapat menggunakan regresi spasial panel random effect model. Dalam menentukan model terbaik regresi spasial data panel dapat menggunakan model Spatial Autoregressive atau Spatial Lag (SAR) Random Effect dan Spatial Error Model (SEM) Random Effect. Untuk menghitung efek spasial digunakan matriks pembobot spasial, dalam penelitian ini matriks pembobot spasial yang digunakan yaitu matriks pembobot spasial Queen Contiguity. Data yang digunakan untuk penelitian menggunakan data persentase penduduk miskin di Provinsi Jawa Tengah tahun 2011-2020 sebagai variabel terikat sedangkan variabel bebas yaitu usia harapan hidup, pengeluaran per-kapita disesuaikan, dan rata-rata lama sekolah. Hasil penelitian menunjukkan bahwa model Spatial Error Model (SEM) Random Effect merupakan model terbaik, sebab memiliki nilai AIC (Aikake Information Criterion) dan nilai BIC (Bayessian Information Criterion) terkecil. Berdasarkan hasil pemodelan dengan Spatial Error Model (SEM) Random effect ketiga faktor berpengaruh terhadap persentase kemiskinan di Provinsi Jawa Tengah.

Penerapan Regresi Spasial Panel Random Effect pada Kasus Kemiskinan di Provinsi Jawa Tengah Tahun 2011-2020 Farah Nurul Andini; Lisnur Wachidah
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1885

Abstract. Spatial regression is a regression analysis that can be used to model data that focuses on a space or location (region). In spatial data, observations are often found at a location that has a relationship or influence with other adjacent locations. If the classical regression model is used as an analytical tool on spatial data, it can lead to inaccurate conclusions due to the assumption of mutual error (autocorrelation), the assumption of homogeneity is not met (heterogenity). To solve the problem, you can use the spatial regression panel random effect model. In determining the best model of spatial regression of panel data can use the Spatial Autoregressive or Spatial Lag (SAR) Random Effect and Spatial Error Model (SEM) Random effect model. To calculate the spatial effect, a spatial weighting matrix was used, in this study the spatial weighting matrix used was the Queen Contiguity spatial weighting matrix. The data used for the study used data on the percentage of poor people with free variables, namely life expectancy, adjusted per-capita expenditure, and average length of schooling. The results showed that the Spatial Error Model (SEM) Random Effect model is the best model, because it has the smallest AIC (Aikake Information Criterion) value and BIC (Bayessian Information Criterion) value. Based on the results of modeling with the Spatial Error Model (SEM) Random effect, the three factors affect the percentage of poverty in Central Java Province. Abstrak. Regresi spasial adalah analisis regresi yang dapat digunakan untuk memodelkan data yang berfokus pada ruang atau lokasi (region). Pada data spasial sering dijumpai pengamatan pada suatu lokasi yang memiliki hubungan atau pengaruh dengan lokasi lain yang berdekatan. Jika model regresi klasik digunakan sebagai alat analisis pada data spasial, dapat menyebabkan kesimpulan yang kurang tepat karena asumsi error saling bebas (autokorelasi), asumsi homogenitas tidak terpenuhi (heterogeneity). Untuk mengatasi masalah tersebut dapat menggunakan regresi spasial panel random effect model. Dalam menentukan model terbaik regresi spasial data panel dapat menggunakan model Spatial Autoregressive atau Spatial Lag (SAR) Random Effect dan Spatial Error Model (SEM) Random Effect. Untuk menghitung efek spasial digunakan matriks pembobot spasial, dalam penelitian ini matriks pembobot spasial yang digunakan yaitu matriks pembobot spasial Queen Contiguity. Data yang digunakan untuk penelitian menggunakan data persentase penduduk miskin di Provinsi Jawa Tengah tahun 2011-2020 sebagai variabel terikat sedangkan variabel bebas yaitu usia harapan hidup, pengeluaran per-kapita disesuaikan, dan rata-rata lama sekolah. Hasil penelitian menunjukkan bahwa model Spatial Error Model (SEM) Random Effect merupakan model terbaik, sebab memiliki nilai AIC (Aikake Information Criterion) dan nilai BIC (Bayessian Information Criterion) terkecil. Berdasarkan hasil pemodelan dengan Spatial Error Model (SEM) Random effect ketiga faktor berpengaruh terhadap persentase kemiskinan di Provinsi Jawa Tengah.

Penerapan Metode Non-Hierarchical Clustering K-Means untuk Pengelompokkan Kabupaten/Kota di Provinsi Jawa Barat Berdasarkan Faktor Produksi Padi Tahun 2021 Syahla Anisah; Lisnur Wachidah
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.v3i2.8148

Abstract. Rice production in districts / cities in West Java often differences between districts / cities. The West Java regional government needs to conduct a study to determine the rice production groups in West Java Districts / Cities in order to meet the food needs of the people of West Java through policies related to increasing rice production by grouping districts / cities based on rice production. Rice production factors include planting area, harvest area, and productivity. Rice production groups are determined into 3 categories, namely low production, medium production, and high production. The grouping of districts/cities based on rice production uses non-hierarchical cluster analysis using the K-Means method. This study uses West Java rice production data in 2021. Based on the results of the study, three clusters were obtained, namely cluster 1 showing areas with low rice production with the characteristics of low planting area, low harvest area, and low productivity containing 11 districts/cities. Cluster 2 shows areas with medium rice production with the characteristics of low planting area, low harvest area, and high productivity containing 7 districts/cities. Cluster 3 shows areas with high rice production with high planting area, high harvest area, and high productivity containing 9 districts/cities. Abstrak. Produksi padi pada kabupaten/kota di Jawa Barat sering terjadi perbedaan antar kabupaten/kota. Pemerintah daerah Jawa Barat perlu melakukan sebuah kajian untuk mengetahui kelompok produksi padi di Kabupaten/Kota Jawa Barat agar dapat terpenuhinya kebutuhan pangan masyarakat Jawa Barat melalui kebijakan yang berhubungan dengan peningkatan produksi padi dengan cara mengelompokkan kabupaten/kota berdasarkan produksi padi. Faktor produksi padi diantaranya adalah luas tanam, luas panen, dan produktivitas. Kelompok produksi padi ditentukan menjadi 3 kategori yaitu produksi rendah, produksi sedang, dan produksi tinggi. Pengelompokkan kabupaten/kota berdasarkan produksi padi tersebut menggunakan analisis klaster non hierarki dengan metode K-Means. Penelitian ini menggunakan data produksi padi Jawa Barat Tahun 2021. Berdasarkan hasil penelitian diperoleh tiga klaster, yaitu klaster 1 menunjukkan daerah dengan produksi padi rendah dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas rendah yang berisi 11 kabupaten/kota. Klaster 2 menunjukkan daerah dengan produksi padi sedang dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas tinggi yang berisi 7 kabupetn/kota. Klaster 3 menunjukkan daerah dengan produksi padi tinggi dengan luas tanam tinggi, luas panen tinggi, dan produktivitas tinggi yang berisi 9 kabupeten/kota.

Title

Found 23 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 23 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 23 Documents
Search