Garuda - Garba Rujukan Digital

Prediksi Curah Hujan Menggunakan Metode Regresi Bayesian di Kota Bandung pada Tahun 2022 Gilang Utama Auliarahman; 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.v3i2.7968

Abstract. Regression analysis is an analysis that predicts the functional relationship between the dependent variable and the independent variable and is then expressed in the form of a mathematical equation. Then regression analysis is divided into two based on the number of variables, namely linear regression analysis and multiple regression analysis. Multiple regression analysis explains the relationship between one dependent variable and two or more independent variables. To find out how much the relationship requires parameter estimation which can be explained using the Ordinary Least Squares (OLS) method or the Least Squares Method. Then in addition to using these two methods, another method that can be used is the Bayesian Regression method which is based on the Bayes Theorem. The Bayesian Regression method is a method required to estimate the parameters to be estimated by utilizing prior information from a population. This information is then combined with information from the sample used in estimating population parameters. In this method, the researcher needs to determine the prior distribution of the estimated parameters. This distribution is based on the researcher's intuition so it is objective. After the information from the data obtained from sampling is combined with the prior information of the parameter, the posterior distribution of the parameter will be obtained. Then this Bayesian method treats all unknown parameters as random variables and has a distribution. In this case it is very helpful in predicting weather, one of which is predicting rainfall. In this thesis, the method is applied to predict rainfall in Bandung City in 2022. The results show that the prediction of rainfall is greater in January, May, June, July, August, and December. But for the months of February, April, September, and November, the predicted data is close to the actual data. Abstrak. Analisis regresi merupakan analisis yang memprediksi hubungan fungsional antara variabel terikat dengan variabel bebas lalu dinyatakan dalam bentuk persamaan matematik. Lalu analisis regresi dibagi menjadi dua berdasarkan jumlah variabelnya, yaitu analisis regresi linier dan analisis regresi berganda. Analisis regresi berganda menjelaskan adanya hubungan antara satu variabel terikat dengan dua atau lebih variabel bebas. Untuk mengetahui seberapa besarnya hubungan tersebut memerlukan estimasi parameter yang dapat dijelaskan menggunakan metode Ordinary Least Squares (OLS) atau Metode Kuadat Terkecil. Lalu selain menggunakan kedua metode tersebut, metode lainnya yang dapat dipakai adalah metode Regresi Bayesian yang didasari dari Teorema Bayes. Metode Regresi Bayesian merupakan metode yang diperlukan untuk menaksir parameter yang akan diestimasi dengan memanfaatkan informasi awal (prior) dari suatu populasi. Informasi ini kemudian digabungkan dengan informasi dari sampel yang digunakan dalam mengestimasi parameter populasi. Pada metode ini, peneliti perlu menentukan distribusi prior dari parameter yang ditaksir. Distribusi ini berdasarkan intuisi peneliti sehingga bersifat objektif. Setelah informasi dari data yang didapat dari pengambilan sampel digabungkan dengan infromasi awal (prior) dari parameter, akan didapat distribusi posterior dari parameter. Lalu metode Bayesian ini memperlakukan semua parameter yang tidak diketahui sebagai variabel random dan memiliki distribusi. Dalam hal tersebut sangat membantu dalam memprediksi cuaca, salah satunya yaitu memprediksi curah hujan. Pada skripsi ini menerapkan metode tersebut untuk memprediksi curah hujan di Kota Bandung pada tahun 2022. Didapatkan hasilnya bahwa prediksi curah hujan lebih besar pada bulan Januari, Mei, Juni, Juli, Agustus, dan Desember. Tetapi untuk bulan Februari, April, September, dan November memperlihatkan data hasil prediksi mendekati data aktual.

Penerapan Diagram Kendali EWMA (Exponentially Weighted Moving Average) Berbasis Pearson Residual pada Data Jumlah Penundaan Keberangkatan Pesawat Aulia Yasmin; 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.v3i2.8264

Abstrak. Tujuan dari pengendalian kualitas statistik adalah untuk mencapai, mempertahankan serta meningkatkan suatu alat kualitas. Alat yang biasa digunakan adalah diagram kendali shewart, namum diagram tersebut kurang efektif dalam mendeteksi pergeseran rata-rata yang relatif kecil. Salah satu alternatifnya yakni menggunakan diagram kendali EWMA (Exponentially Weighted Moving Average) yang memiliki asumsi data berdistribusi normal. Pada praktiknya terkadang variabel terikat mengikuti distribusi poisson dan karakteristik kualitas proses dicirikan sebagai fungsi linier atau non-linier yang dimodelkan menggunakan Generalized Linear Model (GLM). Sehingga diagram kendali berbasis residu diusulkan oleh beberapa peneliti karena menghasilkan kinerja yang lebih baik. Residu yang akan digunakan pada penelitian kali ini adalah pearson residual yang didapat dari model regresi poisson. Pearson residual akan digunakan sebagai nilai statistik pemantauan dalam diagram kendali EWMA. Diagram kendali EWMA berbasis pearson residual ini akan diaplikasikan pada data jumlah penundaan pesawat terbang dengan rute bandara Soekarno Hatta - I Gusti Ngurah Rai sebagai variabel terikat dan kecepatan angin serta suhu sebagai variabel bebas. Hasil pengujian pada Fase I diperoleh nilai λ = 0.05 sebagai λ yang efektif dalam mendeteksi pergeseran proses yang kecil. Kemudian dengan nilai σ ̂_r^P = 0.7527 dan L = 2.615 dihasilkan diagram terkendali secara statistik. Serta pada Fase II dengan menggunakan nilai batas kendali pada Fase I dihasikan bahwa diagram sudah terkendali secara statistik. Abstract. The purpose of statistical quality control is to achieve, maintain and improve a quality tool. A commonly used tool is the shewart control chart, but the diagram is less effective in detecting relatively small average shifts. One alternative is to use the EWMA (Exponentially Weighted Moving Average) control chart which assumes normally distributed data. In practice, sometimes dependent variables follow the poisson distribution and process quality characteristics are characterized as linear or non-linear functions modeled using the Generalized Linear Model (GLM). So the residue-based control diagram was proposed by some researchers because it produces better performance. The residue that will be used in this study is pearson residual obtained from the Poisson regression model. Pearson residuals will be used as monitoring statistical values in the EWMA control chart. This residual pearson-based EWMA control diagram will be applied to data on the number of aircraft delays with the Soekarno Hatta - I Gusti Ngurah Rai airport route as a bound variable and wind speed and temperature as independent variables. The test results in Phase I obtained a value of λ = 0.05 as λ which is effective in detecting small process shifts. Then with a value of σ ̂_r^P = 0.7527 and L = 2.615 a statistically controlled diagram is produced. And in Phase II using the control limit value in Phase I, it was found that the diagram was statistically controlled.

Perbandingan Metode Grey-Markov (1,1), Grey (1,1), dan Double Moving Average Untuk Peramalan Jumlah Balita Stunting di Jawa Barat Silvi Oktaviani Saridewi; 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.v3i2.9154

Abstract. Forecasting is a process to calculate future estimates based on current values and past values. Many forecasting methods are based on time series data, including the Double Moving Average (DMA) method, which is a part of classical time series methods. However, classical time series methods require certain assumptions to be met, and a significant amount of available data is needed to achieve good accuracy. The Grey model is a forecasting method suitable for limited and fluctuating data. It is then combined with Markov Chains to predict future states based on transition probabilities over several steps. The Grey-Markov (1,1) model is a combination of the Markov Chain with the Grey (1,1) model, which involves a first-order differential and a single variable. This study aims to forecast the number of toddlers with stunting in West Java. Stunting is a growth disorder in children characterized by shorter height for their age. Three forecasting methods are used for the number of toddlers with stunting in West Java: Grey-Markov (1,1), Grey (1,1), and Double Moving Average, to determine the best forecasting model. Based on the calculation results of the three models, it is concluded that the Grey-Markov (1,1) model provides highly accurate results compared to the other two models. The estimated result for the year 2022 is 189,473 cases with model accuracy using MAPE, MAE, and posterior error ratio C are 3.29%, 9415.135, and 0.1829, respectively. The MAPE and posterior error ratio (C) values fall into the category of highly accurate, and the MAE value is smaller compared to the MAE of the Grey (1,1) model and the Double Moving Average model. Abstrak. Peramalan adalah proses untuk menghitung perkiraan masa yang akan datang berdasarkan nilai saat ini dan nilai masa lalu. Banyak metode peramalan didasarkan pada data deret waktu, diantaranya yaitu Double Moving Average (DMA) yang termasuk dalam metode deret waktu klasik. Namun, untuk menggunakan metode deret waktu klasik harus memenuhi asumsi dan data yang tersedia harus banyak untuk menghasilkan akurasi yang baik. Model Grey merupakan metode peramalan untuk data yang terbatas dan berfluktuasi, kemudian model Grey dikombinasikan dengan Rantai Markov untuk meramalkan keadaan di masa yang akan datang berdasarkan probabilitas transisi dalam beberapa langkah. Model Grey-Markov (1,1) adalah kombinasi Rantai Markov dengan model Grey (1,1) yang merupakan model dengan diferensial orde satu serta satu variabel yang digunakan. Pada penelitian ini akan dilakukan peramalan untuk jumlah balita stunting di Jawa Barat. Stunting merupakan gangguan pertumbuhan pada anak yang ditandai dengan tinggi badan anak lebih pendek dari usianya. Digunakan tiga metode untuk peramalan jumlah balita stunting di Jawa Barat yaitu Grey-Markov (1,1), Grey (1,1), dan double moving average sebagai perbandingan untuk menentukan model peramalan terbaik. Berdasarkan hasil perhitungan ketiga model, diperoleh kesimpulan bahwa model Grey-Markov (1,1) merupakan model yang memberikan hasil yang sangat akurat dibandingkan dua model lainnya. Hasil estimasi untuk tahun 2022 yaitu 189.473 kasus dengan tingkat akurasi model menggunakan MAPE, MAE, dan posterior error ratio C secara berturut-turut yaitu 3,29%, 9415,135, dan 0,1829. Nilai MAPE dan posterior error ratio (C) tersebut termasuk dalam kategori sangat akurat dan nilai MAE yang terkecil dibandingkan nilai MAE model Grey (1,1) dan model double moving average.

Peramalan Data Kurs Jakarta Interbank Spot Dollar Rate (JISDOR) Menggunakan Model Hybrid ARIMA-GARCH Tasya Noor Octa Melana; 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.v3i2.9165

Abstract. The Autoregressive Integrated Moving Average (ARIMA) time series model is usually used to predict the value of time series data in the future. This method will be optimal if the underlying assumptions are met. One of the assumptions that must be fulfilled is homogeneity in variance. This study discusses the handling of heteroscedasticity in time series data, namely by hybridizing the ARIMA model and the GARCH model in general written ARIMA(p,d,q)-GARCH(p',q'). This model is applied to data on the rupiah exchange rate against the dollar which is based on the Jakarta Interbank Spot Dollar Rate for the period January 2022 to June 2023. The results show that from the ARIMA model, the variance of the error is not homogeneous. After analyzing the data using the hybrid model, the best model for forecasting this exchange rate data is the ARIMA(0,1,1)-GARCH(1,1) hybrid with an AIC value of -8.682784, a SIC of -8.628699 and a MAPE of 1.809280 Abstrak. Model deret waktu Autoregressive Intergrated Moving Average (ARIMA) biasanya digunakan untuk meramalkan nilai data deret waktu pada masa yang akan datang. Metode ini akan optimal apabila asumsi yang mendasarinya terpenuhi. Salah satu asumsi yang harus dipenuhi adalah kehomogenan dalam varians. Penelitian ini membahas mengenai penanganan apabila terjadi heteroskedastisitas pada data deret waktu, yaitu dengan cara hybridizing model ARIMA dan model GARCH secara umum ditulis . Model ini diaplikasikan pada data kurs rupiah terhadap dollar yang berlandaskan pada Jakarta Interbank Spot Dollar Rate pada periode Januari 2022 hingga Juni 2023. Hasilnya menunjukkan bahwa dari model ARIMA, varians dari kekeliruan tidak homogen. Setelah dilakukan analisis data dengan model hybrid, didapatkan model terbaik untuk peramalan data kurs ini adalah hybrid ARIMA(0,1,1)-GARCH(1,1) dengan nilai AIC sebesar -8.682784, SIC sebesar -8.628699 dan MAPE sebesar 1.809280.

Penerapan Diagram Kendali Multivariate Exponentially Weighted Moving Average (MEWMA) dalam Mengontrol Kualitas Air PDAM Renaldi; 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.v3i2.9343

Abstract. Statistical quality control is the application of statistical techniques in controlling a process that is useful for achieving process stability and increasing ability through reducing quality variability. Tools for quality control, one of which is the control chart. In practice, control charts often used in univariate cases are Shewhart, Cumulative Sum (CUSUM) and Exponentially Weighted Moving Average (EWMA). However, when there is more than one quality characteristic (mutivariate characteristics), simultaneous control is required. The thesis discusses the Multivariate Exponentially Weighted Moving Average (MEWMA) control chart procedure. The uniqueness of the MEWMA control chart is that it is robust to normal which means that if the data used is not normally distributed, then the MEWMA control chart can still be done. MEWMA control chart will be used to control PDAM Water Quality. The data used is the quality of customer drinking water in January-February 2022 Perumda Tugu Tirta Drinking Water Malang City which amounted to 50 observations with 5 characteristics observed including pH, nitrite, iron (Fe), manganese and residual chlorine (Cl2). Based on the results of MEWMA analysis shows that it is in a statistically uncontrolled condition because for weighting 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 and 0.9 there are observations that are beyond the control limit, namely in the 46th observation. As well as the optimum weighting selected, namely weighting 0.2. The results of detection of out-of-control causal variables using the EWMA control chart showed 1 variable had an out-of-control observation at the 46th observation, namely at Manganese levels. Abstrak. Pengendalian kualitas Statistik merupakan aplikasi dari teknik statistik dalam pengendalian suatu proses yang berguna untuk mencapai stabilitas proses dan meningkatkan kemampuan melalui pengurangan variabilitas mutu. Alat bantu untuk mengendalikan kualitas, salah satunya adalah diagram kendali. Dalam praktiknya, diagram kendali yang sering digunakan dalam kasus univariat adalah Shewhart, Cumulative Sum (CUSUM) dan Exponentially Weighted Moving Average (EWMA). Namun ketika terdapat lebih dari satu karakteristik mutu (karakteristik mutivariat), maka pengontrolan secara simultan diperlukan. Dalam skripsi dibahas prosedur diagram kendali Multivariate Exponentially Weighted Moving Average (MEWMA). Keunikan diagram kendali MEWMA yaitu bersifat robust terhadap normal yaitu apabila data yang digunakan tidak berdistribusi normal, maka diagram kendali MEWMA masih bisa dilakukan. Diagram kendali MEWMA akan digunakan untuk mengontrol Kualitas Air PDAM. Data yang digunakan yaitu kualitas air minum pelanggan pada bulan Januari-Februari 2022 Perumda Air Minum Tugu Tirta Kota Malang yang berjumlah 50 pengamatan dengan 5 karakteristik yang diamati diantaranya pH, nitrit (NO2), besi (Fe), Mangan dan sisa klor (Cl2). Berdasarkan hasil analisis MEWMA menunjukan berada dalam kondisi tidak terkendali secara statistik karena untuk pembobot 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 dan 0.9 terdapat pengamatan yang berada diluar batas kendali, yakni pada pengamatan ke-46. Serta pembobot optimum yang dipilih yaitu pembobot 0.2. Hasil deteksi variabel penyebab out-of-control menggunakan diagram kendali EWMA menunjukkan 1 variabel memiliki pengamatan out-of-control pada pengamatan ke-46 yaitu pada kadar Mangan.

Pemodelan Data Curah Hujan dan Suhu Rata-Rata dengan Model Seasonal Vector Autoregressive Moving Average (Seasonal VARMA) di Kota Bandung Tsaltsa Annisaa, Ayang; Suwanda
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.v4i1.10458

Abstract. Seasonal VARMA is able to produce precise forecasts, because it is used through multivariate time series modeling, but does not also ignore any seasonal events that are part of the nature of time series data. This model is used on data that has a two-way relationship, in this case time series with seasonal patterns that have a two-way relationship are data from rainfall and average temperature. In this study, researchers modeled time series data from rainfall and average temperature data in Bandung City using the Seasonal VARMA model and obtained the Seasonal VARMA〖(2,0,2)(1,1,0)〗_12 model. In addition to modeling, researchers also conducted forecasting of rainfall time series data and average temperature for the next 12 months. The results of the forecasting show that the highest rainfall forecast is in March 2023 at 254,394 mm and November 2023 at 382,937 mm, in which month the rainy season is predicted. While the lowest rainfall forecast results are in August 2023 amounting to 56,480 mm, where in August it is predicted that there will be a dry season. Abstrak. Seasonal VARMA mampu menghasilkan ramalan yang tepat, karena digunakan telahaan melalui pemodelan deret waktu multivariat, namun tidak juga mengabaikan pada setiap kejadian musiman yang merupakan bagian dari sifat data deret waktu. Model ini digunakan pada data yang memiliki hubungan dua arah, dalam hal ini deret waktu dengan pola musiman yang memiliki hubungan dua arah adalah data dari curah hujan dan suhu rata-rata. Pada penelitian ini, peneliti melakukan pemodelan data deret waktu dari data curah hujan dan suhu rata-rata di Kota Bandung menggunakan model Seasonal VARMA dan didapatkan model Seasonal VARMA. Selain melakukan pemodelan, peneliti pun melakukan peramalan dari data deret waktu curah hujan dan suhu rata-rata 12 bulan ke depan. Hasil dari peramalan didapatkan jika ramalan curah hujan tertinggi ada pada bulan Maret 2023 sebesar 254.394 mm dan bulan November 2023 sebesar 382.937 mm, pada bulan tersebut diramalkan terjadi musim hujan. Sedangkan hasil ramalan curah hujan terendah ada pada bulan Agustus 2023 sebesar 56.480 mm, dimana pada bulan agustus diramalkan bahwa akan terjadi musim kemarau.

Penerapan Diagram Kontrol Multivariate Exponentially Weighted Mean Squared (MEWMS) pada Pengendalian Dispersi Kualitas Proses Produksi Air PDAM 10060119027, Izmi Rizkyanisaputri; Suwanda
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.v4i1.11616

Abstract. The availability of clean and suitable for consumption water is one of the efforts to improve the welfare of the community and is the responsibility of the government. Therefore, in order to ensure that the quality of distributed water meets the standards, it is very important to carry out regular water quality control. Control chart are one of the satatistic tools used in statistical quality control that have been useful for practitioners to produce quality goods and services. If there are more than two quality characteristics, control of these variables needs to use a multivariate control chart. In many practical applications, only individual observations are available n = 1. For these conditions, a Multivariate Exponentially Weighted Mean Squared (MEWMS) control chart can be used to control multivariate dispersions. In this study, the MEWMS control diagram was applied to the quality data of the water production process of PDAM Hazora, Jember Regency consisting of 7 water quality variables. The results of the analysis show that the MEWMS control diagram of the actual data, for each of its observational data is within the control limits at the weighting ω = 0.1; 0,5; 0.9 then, it can be concluded that the process is in control. The simulation results are based on mean vector parameters and data covariance matrix in control, showing that the MEWMS control chart that detects the fastest shift is the diagram using ω = 0.1 with the mean vector shift detected at the time of the 61st observation and for its dispersion at the 115th observation. Abstrak. Tersedianya air bersih dan layak konsumsi merupakan salah satu upaya peningkatan kesejahteraan hidup masyarakat dan menjadi tanggung jawab pemerintah. Oleh karena itu, demi memastikan kualitas air yang terdistribusikan telah memenuhi standar, sangat penting untuk melakukan pengendalian kualitas air secara berkala. Diagram kontrol adalah salah satu alat satatistik yang digunakan pada pengendalian kualitas statistik yang telah berguna bagi praktisi untuk menghasilkan barang dan jasa yang berkualitas. Jika terdapat lebih dari dua buah karakteristik kualitas, pengendalian terhadap variabel-variabel tersebut perlu menggunakan diagram kontrol multivariat. Dalam banyak penerapan praktis, hanya pengamatan individual yang tersedia yaitu n sama dengan 1. Untuk kondisi ini, diagram kontrol Multivariate Exponentially Weighted Mean Squared (MEWMS) dapat digunakan untuk mengendalikan dispersi multivariat. Pada penelitian ini diagram kontrol MEWMS diaplikasikan pada data kualitas proses produksi air PDAM Hazora Kabupaten Jember yang terdiri atas 7 variabel kualitas air. Hasil analisis menunjukkan bahwa diagram kontrol MEWMS data aktual, untuk setiap data pengamatannya berada dalam batas-batas kendali pada pembobot

Pengujian Kesamaan Profil ASN PPPK Kabupaten Bandung dan Kabupaten Sumedang Berdasarkan Gaji Pokok Mufika Reviana Hidayat; Suwanda
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.v4i2.12977

Abstract. A Branch Office is a part of the Regional Government Unit responsible for managing governmental affairs in the fields of secondary education, maritime affairs and fisheries, energy and mineral resources, and forestry. It is established as a working unit of the department with a specific area of jurisdiction. The Branch Office of Education for Region VIII of West Java has duties that include the distribution of salaries and allowances for ASN teachers (civil servants) with the status of Government Employees with Employment Agreements (PPPK) in Bandung Regency and Sumedang Regency. The salary components consist of Basic Salary, General Allowance, Position Allowance, and Performance Allowance. The amount of the basic salary is stipulated in Presidential Regulation No. 98 of 2020, which is determined by rank and years of service. Therefore, the profile of ASN PPPK in the regencies/cities can be reflected in their basic salary. This paper compares the profile of ASN PPPK in Bandung Regency and Sumedang Regency based on a test of equality of the average or median basic salary. The research results show that the data does not come from a normal distribution at a 5% significance level. Using the Mann-Whitney Test at a 5% significance level, it can be concluded that the median basic salary of ASN PPPK between Bandung Regency and Sumedang Regency is not significantly different. Abstrak. Cabang Dinas adalah bagian dari Perangkat Daerah yang bertanggung jawab atas penyelenggaraan Urusan Pemerintahan di bidang pendidikan menengah, kelautan dan perikanan, energi dan sumber daya mineral, serta kehutanan, yang dibentuk sebagai unit kerja dinas dengan wilayah kerja tertentu. Kantor Cabang Dinas Pendidikan Wilayah VIII Jawa Barat memiliki tugas antara lain penyaluran gaji dan tunjangan bagi Guru ASN berstatus Pegawai Pemerintah dengan Perjanjian Kerja (PPPK) di Kabupaten Bandung dan Kabupaten Sumedang. Komponen Gaji terdiri dari Gaji Pokok, Tunjangan Umum, Tunjangan Jabatan dan Tunjangan Kinerja. Besarnya gaji pokok tertuang dalam Perpres Nomor 98 Tahun 2020 yang ditentukan oleh golongan dan masa kerja. Oleh karena itu, profil ASN PPPK di kabupaten/kota dapat dilihat pada gajih pokoknya. Dalam makalah ini dilakukan perbandingan profil ASN PPPK di Kab. Bandung dan Kab. Sumedang berdasarkan pada pengujian kesamaan rata-rata atau median gajih pokok. Hasil Penelitian menunjukkan bahwa data bukan berasal dari distribusi normal pada taraf nyata 5%. Dengan menggunakan Uji Mann Whitney pada taraf nyata 5% dapat disimpulkan bahwa median gaji pokok ASN PPPK antara Kab. Bandung dan Kab. Sumedang tidak berbeda secara signifikan.

Pengelompokkan Provinsi Berdasarkan Indeks Demokrasi Indonesia Menggunakan Metode K-Means Tiara Erlani Putri; Suwanda
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.v4i2.14721

Abstract. Indonesia is a country that implements a democratic political system in its governance. The historical journey of democracy in Indonesia has proven that democracy is not always implemented as it should be. In reality, with each change in the democratic system in Indonesia, the role of the government becomes very dominant over the democratic system. Meanwhile, the people, as the holders of the country's sovereignty, are forced to follow the power holders in implementing democracy. Indonesian Democracy Index is a measurement tool used to assess how well democracy functions. Indonesian Democracy Index is an effort to measure Indonesia's democracy through three aspects: Freedom, Equality, and the Capacity of Democratic Institutions. This study aims to classify provinces in Indonesia based on the quality of the Indonesian Democracy Index (IDI) for the year 2022. K-Means method is used to cluster the provinces into several groups, taking into account the aspects of freedom, equality, and the capacity of democratic institutions. The silhouette method is used to determine the optimal number of clusters. The analysis results show that the provinces can be classified into two clusters, with Cluster 1 consisting of 25 provinces and Cluster 2 consisting of 9 provinces. Abstrak. Indonesia adalah negara yang menerapkan sistem politik demokrasi dalam pemerintahannya. Perjalanan sejarah demokrasi di Indonesia telah membuktikan bahwa tidak selamanya demokrasi dilaksanakan sesuai dengan seharusnya. Pada kenyataannya setiap berganti sistem demokrasi di Indonesia, peranan pemerintah sangat dominan terhadap sistem demokrasi di Indonesia. Sementara rakyat sebagai pemegang kedaulatan negara dipaksa untuk mengikuti para pemangku kekuasaan dalam menjalankan demokrasi. Indeks Demokrasi Indonesia adalah alat pengukuran yang digunakan untuk menilai sejauh mana demokrasi itu berfungsi. Indeks Demokrasi Indonesia merupakan salah satu bentuk upaya untuk mengukur demokrasi Indonesia melalui tiga aspek: Kebebasan, Kesetaraan, dan Kapasitas Lembaga Demokrasi. Penelitian ini bertujuan untuk mengelompokkan provinsi di Indonesia berdasarkan kualitas Indeks Demokrasi Indonesia (IDI) tahun 2022. Metode K-Means digunakan untuk mengelompokkan provinsi menjadi beberapa cluster, dengan mempertimbangkan aspek kebebasan, kesetaraan, dan kapasitas lembaga demokrasi. Metode silhouette digunakan untuk menentukan jumlah cluster yang optimal. Hasil analisis menunjukkan bahwa provinsi-provinsi dapat diklasifikasikan menjadi dua cluster. Dengan cluster 1 diperoleh sebanyak 25 Provinsi serta pada cluster 1 diperoleh sebanyak 9 Provinsi

Pengelompokan Perangkat Daerah di Jawa Barat Berdasarkan Jenis Pajak Menggunakan Metode Ward Dyah Listya Rini; Abdul Kudus; Suwanda
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.v4i2.15244

Abstract. Cluster analysis is a multivariate statistical analysis to classify several objects with similar characteristics. Hierarchical cluster analysis is a method that is carried out by creating a level based on the same characteristics. Hierarchical cluster analysis with the Ward method is a method that aims to minimize the increase in variation between objects in one cluster. On this occasion, the author obtained secondary data from BPKAD in the form of recapitulated tax collection data in SIPD in January-August 2023. Based on the grouping carried out, 2 clusters were obtained with the number of cluster 1 members as many as 1 regional apparatus and the number of cluster 2 members as many as 37 regional apparatus. The final result of the grouping is that the Education Office is the only member in cluster 1 and the Health Office and 36 other regional apparatus are in cluster 2. The average value of each type of tax provided by cluster 1 is greater than the average value of each type of tax provided by cluster 2, so it can be said that cluster 1 has the greatest tax attraction. Abstrak. Analisis klaster merupakan analisis statistika multivariat untuk mengklasifikasikan beberapa objek dengan karakteristik yang sama. Analisis klaster hierarki merupakan metode yang dilakukan dengan membuat suatu tingkatan berdasar karakteristik yang sama. Analisis klaster hierarki dengan metode Ward merupakan metode yang bertujuan meminimalkan peningkatan variasi antar objek yang ada dalam satu klaster. Pada kesempatan kali ini penulis memperoleh data sekunder dari pihak instansi terkait berupa data rekapitulasi tarikan pajak di SIPD pada bulan Januari-Agustus tahun 2023. Berdasarkan pengelompokan yang dilakukan diperoleh sebanyak 2 klaster dengan jumlah anggota klaster 1 sebanyak 1 perangkat daerah dan jumlah anggota klaster 2 sebanyak 37 perangkat daerah. Hasil akhir pengelompokannya yakni Perangkat Daerah 1 ( ) sebagai satu-satunya anggota dalam klaster 1 dan Perangkat Daerah 2 ( ) serta 36 perangkat daerah lainnya berada dalam klaster 2. Nilai rata-rata tiap jenis pajak yang diberikan oleh klaster 1 lebih besar dibandingkan nilai rata-rata tiap jenis pajak yang diberikan oleh klaster 2, sehingga dapat dikatakan bahwa klaster 1 memiliki tarikan pajak paling besar.

Title

Found 19 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 19 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 19 Documents
Search