Claim Missing Document
Check
Articles

Found 5 Documents
Search

Aplikasi Multiple Correspondence Analysis (MCA) dengan Metode Singular Value Decomposition (SVD) pada Kasus Perkembangan Demam Berdarah Dengue di Provinsi Jawa Barat pada Tahun 2016-2020 Dinda Tresna Utami; Suwanda
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (315.439 KB) | DOI: 10.29313/bcss.v2i2.4472

Abstract

Abstract. Correspondence analysis is a statistical visualization method to describe the relationship between levels of categorical variables. Specifically, the correspondence analysis is divided into Simple Correspondence Analysis (SCA) and Multiple Correspondence Analysis (MCA) which are used to analyze two-way and multi-way categorical data. The classic MCA method is a method that is often applied by users. MCA works with superindicator matrices, and it will be difficult to analyze if the number of variables and categoricals increases. In this study, MCA will be discussed with Separate SVDs which can overcome the problem of the large number of variables. Furthermore, MCA with Separate SVD will be implemented in the health sector, namely regarding the number of cases of Dengue Hemorrhagic Fever (DHF) suffered by individuals in West Java Province based on gender and year. The variables used in this study consisted of three variables, namely: the area of West Java Province with six categories, namely the Bodebek, Purwasuka, Ciayumajakuning, West Priangan, Central Priangan, and East Priangan areas. The second variable is gender which consists of two categories: male and female. The third variable is the year which consists of five categories: 2016, 2017, 2018, 2019, and 2020. The results obtained from this study are that there are associations between the three categorical variables with details of the associations can be seen from the Biplot. Abstrak. Analisis korespondensi adalah metode visualisasi statistik untuk menggambarkan hubungan antar tingkat variabel kategorik. secara khusus, analisis korespondensi dibedakan menjadi Simple Correspondence Analysis (SCA) dan Multiple Correspondence Analysis (MCA) yang digunakan untuk menganalisis data kategorik dua arah dan multi arah. Metode MCA klasik merupakan metode yang sering diaplikasikan oleh pengguna. MCA bekerja dengan matriks superindikator, dan ini akan mengalami kesulitan dalam analisis jika banyaknya variabel dan kategoriknya bertambah besar. Dalam penelitian ini akan dibahas MCA dengan Separate SVDs yang dapat menanggulangi masalah banyaknya variabel cukup besar. Selanjutnya MCA dengan Separate SVD akan diiplentasikan pada bidang kesehatan yaitu mengenai jumlah kasus Demam Berdarah Dengue (DBD) yang diderita oleh individu yang ada di Provinsi Jawa Barat berdasarkan jenis kelamin dan tahun. Variabel yang digunakan dalam penelitian terdiri dari tiga variabel yaitu: wilayah Provinsi Jawa Barat dengan enam kategori yaitu wilayah Bodebek, Purwasuka, Ciayumajakuning, Priangan Barat, Priangan Tengah, dan Priangan Timur. Variabel kedua yaitu jenis kelamin yang terdiri dari dua kategori : laki-laki dan perempuan. Variabel ketiga yaitu tahun yang terdiri dari lima kategori : 2016, 2017, 2018, 2019, dan 2020. Hasil yang didapat dari penelitian ini adalah terdapat asosiasi antara ketiga variabel kategorik dengan rincian asosiasi dapat dilihat dari Biplot.
Implementasi Metode Artificial Neural Network (ANN) Algoritma Backpropagation untuk Klasifikasi Kualitas Udara di Provinsi DKI Jakarta Tahun 2021 Lutfiah Anindya Putri; Suwanda
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.v3i2.7826

Abstract

Abstract. Classification is the systematic division of an individual into a group or category according to established rules or standards. There are several classification algorithms that can be used to classify data, including logistic regression, discriminant analysis, and Artificial Neural Network (ANN). This study uses an Artificial Neural Network (ANN) classification algorithm because the data used is not normally distributed. ANN is a classification algorithm that is widely used for character recognition problems and is a strong classifier because of its high calculation rate and accuracy. In this thesis, ANN is implemented on air quality classification data for DKI Jakarta in 2021 with particulate (PM10), sulfide (SO2), carbon monoxide (CO), Ozone (O3), and nitrogen dioxide (NO2) variables. This method will be calculated based on the accuracy, precision, and recall values obtained from the confused matrix. The most optimal classification results are obtained from the network architecture, which consists of 5 input layers, 4 hidden layers, and 2 output layers with an epoch value of 5000 and a learning rate of 0.001. The network architecture produces an accuracy value of 94%, a precision of 90%, and a recall of 100%. Abstrak. Klasifikasi adalah pembagian sistematis dari sebuah individu ke dalam suatu kelompok atau kategori menurut aturan atau standar yang ditetapkan. Terdapat beberapa algoritma klasifikasi yang dapat digunakan dalam mengklasifikasi data, diantaranya regresi logistik, analisis diskriminan, dan Artificial Neural Network (ANN). Penelitian ini menggunakan algoritma klasifikasi Artificial Neural Network (ANN) karena data yang digunakan tidak berdistribusi normal. ANN merupakan salah satu algoritma klasifikasi yang banyak digunakan untuk masalah pengenalan karakter dan merupakan classifier yang kuat karena tingkat perhitungan dan keakuratannya yang tinggi. Pada skripsi ini, ANN diimplementasikan pada data klasifikasi kualitas udara DKI Jakarta Tahun 2021 dengan variabel partikulat (PM10), sulfida (SO2), karbon monoksida (CO), Ozon (O3), dan nitrogen dioksida (NO2). Metode tersebut akan dihitung berdasarkan ukuran nilai accuracy, precision, dan recall yang didapat dari confusion matrix. Hasil pengklasifikasian yang paling optimal didapat dari arsitektur jaringan yang terdiri dari 5 input layer, 4 hidden layer, dan 2 output layer dengan nilai epoch 5000 dan learning rate 0.001. Arsitektur jaringan tersebut menghasilkan nilai accuracy sebesar 94%, precision sebesar 90%, dan recall sebesar 100%.
Pengaplikasian Model Regresi Linier Berganda Multivariat terhadap Data Cabang Olahraga Angkat Berat Azmy Rabah; Suwanda
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.v3i2.8200

Abstract

Abstract. Regression analysis is one analysis that is widely used. Regression analysis is used to perform predictions and forecasts. Regression analysis can also be used to understand which independent variables can be related to the dependent variable, as well as to determine the form of the relationship. Multiple linear regression is a regression model that involves more than one independent variable and a dependent variable (response). For this reason, it is necessary to test the meaning of regression simultaneously. In addition, the determination of the confidence interval of response prediction must involve correlation among the dependent variables. In this thesis, the implementation of multivariate regression on weightlifting sports data will be discussed, namely squat or Squat weight modeling (Y 1), bench weight pressed or Bench (Y 2), weight lifted or Deadlift (Y3), over Age (Z1) and Body weight (Z2). From the model obtained, it can be useful to make confidence intervals from the response values of Squat (Y1), Bench (Y 2), Deadlift (Y3) based on certain age (Z1) and Body weight (Z2) values outside the analyzed sample. Because the data used are world championship results, the qualification standards above apply to world-level weightlifting events. For national level events, the standard can be lowered and for the provincial level, the standard can be lowered again lower than the national level. There is a linear relationship between the type of squat weight lift or Squat (Y 1), bench weight pressed or Bench (Y 2), weight lifted or Deadlift (Y3), over Age (Z1) and Body weight (Z2) which is significant at a real level of 5%. The effect of the Age (Z 1) variable on the type of Squat (Y1), Bench (Y 2), and Deadlift (Y2) is negative. The effect of variable Body Weight (Z 2) on the type of Squat (Y1), Bench (Y2), and Deadlift (Y3) is positive. From a 50% confidence interval, a response prediction value is obtained that can be used as a minimum standard to qualify for participation in weightlifting competitions. Abstrak. Analisis regresi adalah salah satu analisis yang luas pemakaiannya. Analisis regresi digunakan untuk melakukan prediksi dan ramalan. Analisis regresi juga dapat digunakan untuk memahami variabel – variabel bebas mana saja yang dapat berhubungan dengan variabel terikat, serta untuk mengetahui bentuk hubungan tersebut. Regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independent dan sebuah variabel dependen (Respon). Untuk itu perlu dilakukan pengujian keberartian regresi secara simultan. Selain itu, penentuan selang kepercayaan prediksi respon harus melibatkan korelasi diantara variabel dependen. Dalam skripsi ini akan dibahas implementasi regresi multivariat pada data olah raga angkat berat yaitu pemodelan berat badan jongkok atau Squat (Y1), berat bangku yang ditekan atau Bench (Y2), beban yang diangkat atau Deadlift (Y3), atas Usia(Z1) dan Berat badan (Z2). Dari model yang diperoleh dapat bermafaat untuk membuat selang kepercayaan dari nilai respon Squat (Y1), Bench (Y2), Deadlift (Y3) berdasarkan nilai usia (Z1) dan Berat badan (Z2) tertentu di luar sampel yang dianalisis. Karena data yang digunakan adalah hasil kejuaraan dunia, maka standar kualifikasi diatas berlaku untuk pertandingan angkat berat tingkat dunia. Untuk event tingkat nasional dapat diturunkan standarnya dan untuk tingkat Provinsi dapat diturunkan lagi standarnya lebih rendah dari tingkat Nasional. Terdapat hubungan linier antara jenis angkatan berat badan jongkok atau Squat (Y1), berat bangku yang ditekan atau Bench (Y2), beban yang diangkat atau Deadlift (Y3), atas Usia(Z1) dan Berat badan (Z2) yang signifikan pada taraf nyata 5%. Pengaruh variable Usia (Z1) pada jenis angkatan Squat (Y1), Bench (Y2), dan Deadlift (Y2) yang bersifat negative. Pengaruh variable Berat Badan (Z2) pada jenis angkatan Squat (Y1), Bench (Y2), dan Deadlift (Y3) yang bersifat positif. Dari selang kepercayaan 50% diperoleh nilai prediksi respon yang dapat dijadikan standar minimal untuk dapat lolos pada keikutsertaan kompetisi angkat berat.
Pemodelan Markov Switching Autoregressive untuk Peramalan Data Tingkat Inflasi di Provinsi Jawa Barat Tahun 2009-2022 Choerunnisa; Suwanda
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.v3i2.9239

Abstract

Abstract. Autoregressive model as a classic time series model which is often used in modeling time series data has not been able to explain changes in structure. In addition, other time series models that often deal with structural changes, such as TAR, SETAR, ARCH, and so on, have not been able to overcome the transition opportunities that also often occur in time series data. Thus, the Markov Switching Autoregressive method was introduced which not only addresses structural changes but also pays attention to and explains transition opportunities. This method is applied in modeling inflation rate data in West Java Province, where the inflation rate is an important right to pay attention to because it is related to economic stability and structural changes often occur. Especially in the West Java region as one of the largest provinces in Indonesia. The MS(2)AR(1) model is said to be the best model because it has the smallest BIC value with a BIC value of -91.31212. The MAPE value for the MS(2)AR(1) model is 15% which is said to be good for forecasting. Forecasting is done for the next 12 months. As well as the state duration, it was obtained that the inflation rate remained in an increasing condition for approximately 11 months while it remained in a declining condition for approximately 9 months. Abstrak. Model Autoregressive sebagai model deret waktu klasik yang seringkali digunakan dalam pemodelan data deret waktu belum mampu menjelaskan adanya perubahan struktur. Selain itu, model deret waktu lain yang seringkali mengatasi perubahan struktur seperti TAR, SETAR, ARCH, dan lain sebagainya belum mampu juga mengatasi peluang transisi yang juga seringkali terjadi pada data deret waktu. Dengan demikian, diperkenalkanlah metode Markov Switching Autoregressive yang tidak hanya mengatasi perubahan struktur tapi juga memperhatikan dan menjelaskan adanya peluang transisi. Metode ini diterapkan dalam pemodelan data tingkat Inflasi di Provinsi Jawa Barat, yang dimana tingkat inflasi menjadi suatu hak yang penting untuk diperhatikan karena berkaitan dengan stabilitas perekonomian serta seringkali terjadi perubahan struktur. Terutama di wilayah Jawa Barat sebagai salah satu Provinsi terbesar di Indonesia.Model MS(2)AR(1) dikatakan sebagai model terbaik karena memiliki nilai BIC terkecil dengan nilai BIC sebesar -91,31212. Nilai MAPE untuk model MS(2)AR(1) sebesar 15% yang dikatakan baik untuk peramalan. Peramalan dilakukan untuk 12 bulan kedepan. Serta Durasi state yang diperoleh bahwa tingkat inflasi bertahan dalam kondisi peningkatan kurang lebih 11 bulan sedangkan bertahan pada kondisi penurunan selama kurang lebih 9 bulan.
Implementasi Diagram Kontrol Multivariate Cumulative Sum (MCUSUM) untuk Pengendalian Proses Pembuatan Turning Pin Aluminium Iqbal fadhilah; Suwanda
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.v3i2.9369

Abstract

Abstract. In statistics, one of the tools that can be used in process control is the control diagram. A control diagram is a graph that gives an idea of the behavior of a process. On the control diagram can detect any changes in the process that may affect the quality of the product. Product quality characteristics measured numerically or numerically are called variables. If there are more than two quality characteristics, simultaneous control of the related variables is required using a multivariate control diagram. The multivariate Shewhart control diagram (T2-Hotelling) is a frequently used multivariate control diagram. This control diagram will quickly detect if there is a large shift from the average vector of the process. Multivariate control diagrams that can quickly detect small average vector shifts include the multivariate cumulative sum control diagram (MCUSUM). There are some MCUSUM statistics. In this thesis, we will discuss MCUSUM statistics made by Healy and Crosiers, namely SH and SC. Application to control the aluminum turning pin manufacturing process with five quality characteristics shows an uncontrolled process with an out of control signal given in the 4th period by the MCUSUM SH control diagram, while according to MCUSUM SC it was detected in the 5th period, and for the application of the control graph T2 Hotteling was detected in the observation period 6. Abstrak. Dalam statistika, salah satu alat yang dapat digunakan dalam pengendalian proses adalah diagram kontrol. Diagram kontrol adalah sebuah grafik yang memberi gambaran tentang perilaku sebuah proses. Pada diagram kontrol dapat mendeteksi setiap perubahan dalam proses yang dapat mempengaruhi kualitas produk. Karakteristik kualitas produk yang diukur secara numerik atau angka disebut variabel. Jika terdapat lebih dari dua buah karakteristik mutu, pengendalian secara simultan terhadap variabel-variabel terkait tersebut diperlukan dengan menggunakan diagram kontrol multivariat. Diagram kontrol Shewhart multivariat (T2-Hotelling) adalah diagram kontrol multivariat yang sering digunakan. Diagram kontrol ini akan cepat mendeteksi jika terjadi pergeseran besar dari vektor rata-rata proses. Diagram kontrol multivariat yang dapat dengan cepat mendeteksi pergeseran vektor rata-rata yang kecil salah satunya adalah diagram kontrol multivariate cumulative sum (MCUSUM). Terdapat beberapa statistik MCUSUM. Dalam skripsi ini akan dibahas statistik MCUSUM yang dibuat oleh Healy dan Crosier yaitu SH dan SC. Aplikasi pada pengontrolan proses pembuatan turning pin aluminium dengan lima karakteristik mutu menununjukkan proses tidak terkendali dengan sinyal out of kontrol diberikan pada periode ke-4 oleh diagram kontrol MCUSUM SH, sedangkan menurut MCUSUM SC terdeteksi pada periode ke-5, dan untuk penerapan grafik pengendali T2 Hotteling terdeteksi pada pengamatan periode 6.