Articles
PENERAPAN MODEL GSTAR(1,1) UNTUK DATA CURAH HUJAN
Ismi Adam;
Dadan Kusnandar;
Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 03 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (216.727 KB)
|
DOI: 10.26418/bbimst.v6i03.21616
Model Generalized Space Time Autoregressive (GSTAR) merupakan model deret waktu yang mempunyai keterkaitan antar lokasi dengan parameter yang tidak harus sama untuk waktu dan lokasi. Penelitian ini bertujuan mendapatkan model GSTAR dan mendapatkan ramalan curah hujan lima lokasi di Kalimantan Barat yaitu stasiun pengamatan Supadio, Siantan, Sintang, Putussibau, dan Ketapang. Data yang digunakan adalah data curah hujan lima lokasi di Kalimantan Barat dengan periode waktu dari Bulan Januari 2009 hingga Bulan Desember 2014. Pendugaan parameter model GSTAR(1,1) dilakukan dengan menggunakan metode Ordinary Least Square (OLS) dengan bobot invers jarak. Hasil analisis menunjukan bahwa model GSTAR(1,1) dapat digunakan untuk meramal curah hujan dengan baik di lokasi Sintang tetapi tidak cukup baik untuk lokasi lainnya. Kata Kunci : GSTAR, space time, curah hujan, OLS.
ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
Fika Dian Lestari;
Dadan Kusnandar;
Naomi Nessyana Debataraja
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (629.46 KB)
|
DOI: 10.26418/bbimst.v9i1.38681
Metode Geographically Weighted Logistic Regression (GWLR) merupakan pengembangan metode regresi logistik dengan mempertimbangkan faktor letak geografis. Faktor letak geografis ini digunakan sebagai pembobot dan menunjukkan sifat lokal pada model GWLR. Metode ini digunakan ketika data memiliki pengaruh heterokedastisitas spasial. Penaksiran parameter model GWLR menggunakan metode Maximum Likelihood Estimation (MLE). Sedangkan pengujian yang dilakukan untuk mengetahui variabel yang signifikan adalah dengan metode uji Wald. Tujuan penelitian ini adalah untuk mengetahui proses estimasi parameter dalam model GWLR dengan pembobot yang digunakan merupakan fungsi kernel. Hasil penelitian menunjukkan model GWLR untuk jumlah variabel lebih dari dua adalah . Kata Kunci: Regresi logistik, pembobot, faktor letak geografis.
PENERAPAN STRUCTURAL EQUATION MODELING (SEM) UNTUK ANALISIS KOMPETENSI ALUMNI
Matius Robi;
Dadan Kusnandar;
Evy Sulistianingsih
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 02 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (976.917 KB)
|
DOI: 10.26418/bbimst.v6i02.21621
Structural Equation Modeling (SEM) merupakan teknik analisis multivariat yang dapat digunakan untuk menganalisis pola hubungan antara variabel dan indikatornya, variabel yang satu dengan lainnya, serta kesalahan pengukuran secara langsung untuk memperoleh gambaran menyeluruh mengenai suatu model. SEM dapat digunakan untuk melakukan pengujian secara bersama yaitu: model struktural antara independent dan dependent konstruk, serta model measurement yang mengukur hubungan nilai (loading) antara variabel indikator dengan konstruk (variabel laten). Penelitian ini bertujuan untuk mengaplikasikan SEM dalam menganalis tingkat kompetensi alumni Universitas Tanjungpura (Untan). Berdasarkan hasil analisis teridentifikasi tiga cluster sebagai konstruk, yaitu kemampuan intelektual, keterampilan dan pengalaman. Dari hasil analisis diperoleh bahwa indeks persentasi kontribusi perguruan tinggi terhadap alumni dalam hal kemampuan intelektual sebesar 41%, keterampilan sebesar 51% dan pengalaman sebesar 47%. Indeks persentasi untuk keterampilan sudah cukup baik, namun untuk kemampuan intelektual dan pengalaman dapat ditingkatkan melalui program-program antara lain magang, menghadiri workshop, seminar, kegiatan organisasi, dan mengikuti kompetisi-kompetisi baik di dalam maupun diluar lingkup kampus. Sedangkan indeks persentasi kontribusi perguruan tinggi terhadap relevansi kurikulum prodi dan pekerjaan sebesar 65% angka tersebut sudah cukup baik dan patut dipertahankan serta perlu ditingkatkan lagi agar lebih baik.Kata kunci: analisis jalur, analisis cluster, tracer study
BAGGING CLASSIFICATION TREES UNTUK KLASIFIKASI TINGKAT KESEJAHTERAAN RUMAH TANGGA DI KALIMANTAN BARAT
Desi Ayu Wulandari;
Dadan Kusnandar;
Yudhi Yudhi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (489.287 KB)
|
DOI: 10.26418/bbimst.v8i4.36035
Metode classification and regression trees (CART) merupakan teknik pohon keputusan untuk analisis klasifikasi variabel respon kategorik maupun kontinu yang dapat diterapkan pada data jumlah besar dan variabel yang banyak. Stabilitas dan kekuatan prediksi pohon klasifikasi diperbaiki dengan metode Bootstrap Aggregating (Bagging) classification trees. Tujuan penelitian ini adalah untuk menentukan nilai ketepatan hasil pengklasifikasian tingkat kesejahteraan rumah tangga di Kalimantan Barat dengan menggunakan bagging classification trees. Data yang digunakan adalah data sekunder dari hasil Survei Sosial Ekonomi Nasional (SUSENAS) Provinsi Kalimantan Barat Tahun 2017 dengan 1400 sampel yang terdiri dari tujuh variabel bebas dan satu variabel terikat. Penelitian ini menghasilkan ketepatan klasifikasi sebesar 57,5% dengan menggunakan metode bagging classification trees. Metode bagging classification trees mampu meningkatkan ketepatan klasifikasi dari 50% pada pohon klasifikasi awal menjadi 57,5% pada bagging classification trees. Dapat disimpulkan bahwa penerapan bagging classification trees lebih baik daripada pohon klasifikasi tanpa bagging karena mampu meningkatan ketepatan klasifikasi sebesar 7,5%. Kata Kunci: Bagging CART, Pohon Keputusan, Goodness of Split, Ketepatan Klasifikasi
PERAMALAN VOLATILITAS SAHAM MENGGUNAKAN MODEL THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY
Ervina Ervina;
Dadan Kusnandar;
Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (599.462 KB)
|
DOI: 10.26418/bbimst.v9i1.38588
Model Threshold Generalized Autoregressive Conditional Heteroscedasticity (TGARCH) merupakan model yang digunakan untuk memodelkan volatilitas yang memiliki efek asimetris. Tujuan penelitian ini adalah memodelkan dan meramalkan volatilitas IHSG menggunakan model TGARCH untuk sepuluh periode ke depan. Data yang digunakan adalah data return IHSG penutupan mingguan dari tanggal 8 Februari 2009 sampai dengan 10 Februari 2019. Penelitian ini diawali dengan pembentukan model Box Jenkins. Residual model Box Jenkins terbaik digunakan untuk mendeteksi heteroskedastisitas menggunakan uji ARCH-LM. Data residual yang memiliki heteroskedastisitas dimodelkan ke dalam model GARCH. Residual model GARCH dan residual model Box Jenkins digunakan untuk memeriksa pengaruh asimetris, yaitu dengan melakukan korelasi silang pada kedua residual model tersebut. Berdasarkan hasil korelasi silang yang dilakukan didapatkan adanya pengaruh asimetris terhadap volatilitas, sehingga digunakan model TGARCH untuk mengatasinya. Model TGARCH terbaik dalam penelitian ini adalah TGARCH(1,1) berdasarkan nilai Akaike Information Criterion (AIC) dan Schwarz Criterion (SC) terkecil. Model TGARCH(1,1) digunakan untuk meramalkan volatilitas IHSG. Hasil peramalan volatilitas yang diperoleh untuk sepuluh periode ke depan mengalami peningkatan sebesar 0,000015 sampai dengan 0,000029.Kata Kunci: Asimetris, GARCH, TGARCH
MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN UNTUK MERAMALKAN VOLATILITAS RETURN SAHAM
Syarifah Zela Hafizah;
Dadan Kusnandar;
Shantika Martha
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (529.352 KB)
|
DOI: 10.26418/bbimst.v9i1.38030
Volatilitas menunjukkan fluktuasi pergerakan harga saham. Semakin tinggi volatilitas maka semakin tinggi pula kemungkinan mengalami keuntungan dan kerugian. Data time series yang sering memiliki volatilitas yang tinggi adalah data keuangan. Data time series di bidang keuangan sering memiliki sifat volatility clustering atau sering disebut sebagai kasus heteroskedastisitas. Pada umumnya, pemodelan data time series harus memenuhi asumsi varian konstan (homoskedastisitas). Untuk mengatasi masalah heteroskedastisitas, model time series yang dapat digunakan adalah ARCH/GARCH. Model GARCH merupakan pengembangan dari model ARCH yang dapat digunakan untuk menggambarkan sifat dinamik volatilitas dari data. Salah satu bentuk pengembangan dari model GARCH adalah Generalized Autoregressive Conditional Heteroscedasticity in Mean (GARCH-M). Tujuan dari penelitian ini adalah untuk mengimplementasikan model GARCH-M pada peramalan volatilitas return saham. Data yang digunakan dalam penelitian ini adalah return penutupan harga saham mingguan S&P 500 dari September 2013 sampai Juni 2019. Model terbaik yang digunakan untuk peramalan volatilitas pada return harga saham S&P 500 adalah MA (1) GARCH (1,1)-M.Kata Kunci: saham, volatilitas, GARCH-M
ANALISIS PENGENDALIAN KUALITAS PRODUKSI CRUMB RUBBER DENGAN METODE STATISTICAL PROCESS CONTROL
Robiansyah Robiansyah;
Dadan Kusnandar;
Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (217.877 KB)
|
DOI: 10.26418/bbimst.v7i2.24817
Statistical Process Control (SPC) merupakan teknik penyelesaian masalah yang digunakan untuk menganalisis data produksi dalam rangka mengendalikan dan memperbaiki kualitas suatu produk. Dalam penelitian ini SPC diterapkan pada perusahaan karet yang memproduksi olahan karet menjadi barang setengah jadi yaitu crumb rubber. Meskipun proses produksi dilaksanakan dengan baik, kualitas crumb rubber yang dihasilkan masih banyak yang tidak sesuai dengan yang diharapkan karena banyak produk yang cacat. Penelitian ini bertujuan untuk menganalisis data produksi crumb rubber dengan SPC dan menganalisis faktor-faktor penyebab yang mempengaruhi cacat produk crumb rubber. Hasil pengamatan terhadap diagram kendali u untuk cacat jenis white spot menunjukkan adanya dua titik berada di luar batas kendali. Hal ini berarti proses produksi yang terjadi pada produksi crumb rubber yang diakibatkan cacat white spot dalam keadaan tidak terkendali dan perlu dilakukan tindakan perbaikan. Pengamatan terhadap cacat jenis logam, kontaminasi dan low PO menunjukkan bahwa variabel kecacatan tersebut secara keseluruhan berada di dalam batas kendali, yang artinya cacat tersebut dapat dikendalikan pada proses produksi crumb rubber. Faktor-faktor penyebab cacat produk crumb rubber yaitu faktor manusia, faktor bahan baku, faktor mesin, faktor metode dan faktor lingkungan.Kata Kunci: SPC, crumb rubber, diagram kendali u, pengendalian kualitas
ANALISIS PENGENDALIAN KUALITAS PRODUKSI DENGAN DIAGRAM KONTROL MULTIVARIAT np
Tri Jayanti Kwamjih Dasilia;
Setyo Wira Rizki;
Dadan Kusnandar
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (269.354 KB)
|
DOI: 10.26418/bbimst.v8i4.36495
Statistical quality control merupakan salah satu cara untuk mengendalikan kualitas produk. Alat yang umum digunakan dalam statistical quality control untuk pengendalian kualitas adalah diagram kontrol. Penerapan pengendalian kualitas diterapkan pada data kecacatan produk koran PT. JKL, dengan menggunakan diagram kontrol multivariat np. Hasil analisis pada data fase I menunjukkan bahwa data dalam keadaan terkontrol dan nilai batas kontrol pada fase I digunakan kembali pada analisis fase II. Analisis fase II proses produksi belum terkontrol, hal ini ditunjukkan oleh 4 pengamatan pada data fase II keluar dari batas kontrol atas dengan nilai sebesar 4.145 dan batas kontrol bawah dengan nilai sebesar 3.661. Beberapa faktor yang mempengaruhi kualitas produk koran adalah faktor manusia, faktor mesin, faktor metode, faktor lingkungan. Perlunya perbaikan pada faktor-faktor yang menyebabkan ketidaksesuaian pada kualitas, sehingga kualitas produk koran dapat terkendali secara statistik. Kata Kunci : Pengendalian Kualitas, Diagram Kontrol Multivariat np
PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY
Annisa Fitri;
Dadan Kusnandar;
Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v10i3.47408
Indeks Harga Saham Gabungan (IHSG) merupakan cerminan dari kegiatan pasar modal Indonesia secara umum. Peningkatan IHSG menunjukkan kondisi pasar modal sedang bullish, sebaliknya jika menurun menunjukkan kondisi pasar modal sedang bearish. Data di sektor keuangan seperti data indeks saham, biasanya bersifat acak dan memiliki volatilitas yang tinggi serta varian error yang tidak konstan (heteroskedastisitas). Maka dari itu, model runtun waktu yang dapat digunakan adalah ARCH/GARCH. Namun, model GARCH mengabaikan efek asimetris pada data. Nelson (1991) mengembangkan model GARCH yang mengakomodasi kemungkinan adanya respon volatilitas yang asimetris. Model ini disebut dengan model Exponential GARCH (EGARCH). Tujuan dari penelitian ini adalah untuk menerapkan model EGARCH pada peramalan nilai IHSG. Data yang digunakan adalah data nilai close IHSG periode 8 Januari 2018 sampai 31 Agustus 2020. Residual dari model GARCH (1,1) digunakan untuk uji efek asimetris. Model terbaik yang digunakan untuk peramalan nilai IHSG adalah EGARCH (1,1). Kata Kunci : IHSG, Asimetris, EGARCH.
PEMODELAN DATA RETURN SAHAM MENGGUNAKAN METODE SMOOTH TRANSITION AUTOREGRESSIVE
Siti Lestari;
Dadan Kusnandar;
Siti Aprizkiyandari
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/bbimst.v10i4.50492
Metode Smooth Transition Autoregressive (STAR) adalah data deret waktu nonlinear yang dimana perluasan dari model AR, sehingga terdapat dua daerah dan nilai parameternya dimuluskan dengan pemulusan transisi. STAR terbagi dalam dua bentuk berdasarkan fungsi transisi yaitu model Exponential Smooth Transition Autoregressive (ESTAR) dan model Logistic Smooth Transition Autoregressive (LSTAR). Tujuan dari penelitian ini adalah menganalisis model data return saham menggunakan metode Smooth Transition Autoregressive (STAR). Data yang digunakan pada penelitian ini merupakan data penutupan mingguan saham PT United Tractors (UNTR) periode pengamatan 5 Juli 2014 sampai dengan 25 Mei 2019. Penelitian ini diawali pembentukan model Box-Jenkins yang digunakan untuk mengidentifikasi model terbaik (AR). Pengujian autokorelasi dan heterokedastisitas dilakukan terhadap residual model terbaik (AR). Ordo model AR terbaik digunakan kedalam uji nonlinearitas untuk metode STAR. Jika uji nonlinear terpenuhi pada metode STAR maka dilakukan uji pemilihan variabel fungsi ESTAR atau LSTAR. Berdasarkan hasil dari penelitian, model nonlinear yang diperoleh adalah model ESTAR (1,1) . Kata Kunci: Nonlinearitas, STAR, ESTAR, LSTAR