Garuda - Garba Rujukan Digital

Metode Autoregressive Integrated Moving Average (ARIMA) untuk Meramalkan Produksi Padi di Provinsi Jawa Tengah Luthfiani Nur Komara; Dwi Agustin Nuriani Sirodj
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.v3i2.8442

Abstract. The ARIMA method is one method that produces forecasting based on historical data patterns. This model is a merger between the Autoregressive (AR) model, which is a model that explains the movement of a variable through the variable itself in the past, and the Moving Average (MA) is a model that looks at residual movements in the past. This method forecasts time series data based on developed statistical theory by finding patterns in the data series and then extrapolating them to the future. This method can provide accurate forecasting accuracy for short-term forecasting. Agriculture is one of the most important factors for the Indonesian economy. The Ministry of Agriculture stated that rice production in Indonesia reached 81,148,594 tons in 2018, exceeding corn and soybean production of 30,055,623 and 982,598 tons, respectively. Central Java Province is one of the most rice-producing provinces in Indonesia, however, rice production in this province had decreased from 2019 to 2020. Therefore, forecasting is one of the first steps to help the government determine the supply of rice for the community. The data used is data from January 2016 to December 2021 sourced from the Central Statistics Agency, from the results of the analysis it was found that the best model for forecasting is the ARIMA model (2,1,1) because it has a smaller AIC value than other models. The model also has a MAPE value of 0.8950% and an MSE value of 3.7698. The largest rice production occurred in February 2022 at 984,379 tons and the smallest in January at 745,081 tons. Abstrak. Metode ARIMA merupakan salah satu metode yang menghasilkan peramalan berdasarkan pola data secara historis. Model ini merupakan penggabungan antara model Autoregressive (AR) yaitu suatu model yang menjelasakan pergerakan suatu variabel melalui variabelitu sendiri di masa lalu dan Moving Average (MA) adalah model yang melihat pergerakan residual di masa lalu. Metode ini meramalkan data deret waktu yang didasarkan pada teori statistik yang telah berkembang dengan menemukan pola dalam deret data kemudian menekstrapolasikannya ke masa depan. Metode ini bisa bisa memberikan ketepatan peramalan yang cukup akurat untuk peramalan jangka pendek. Pertanian merupakan salah satu faktor yang paling penting bagi perekonomian Indonesia. Kementrian Pertanian menyatakan bahwa produksi padi di Indonesia mencapai 81.148.594 ton pada tahun 2018 melebihi produksi jagung dan kedelai yang masing-masing sebesar 30.055.623 dan 982.598 ton. Provinsi Jawa Tengah merupakan salah satu Provinsi penghasil padi terbanyak di Indonesia walaupun demikian, produksi padi di Provinsi ini sempat mengalami penurunan pada tahun 2019 sampai tahun 2020. Oleh karena itu melakukan peramalan merupakan salah satu langkah awal untuk membanu pemerintah dalam menentukan persediaan padi untuk masyarakat. Data yang digunakan adalah data dari bulan Januari 2016 sampai bulan Desember 2021 yang bersumber dari Badan Pusat Statistik, dari hasil analisis didapatkan bahwa model terbaik untuk melakukan peramalan adalah model ARIMA(2,1,1) karena memiliki nilai AIC lebih kecil dibandingkan model lainya. Model tersebut juga memiliki nilai MAPE sebesar 0,8950% dan nilai MSE sebesar 3,7698. Produksi Padi terbesar terjadi pada bulan Februari 2022 sebesar 984.379 ton dan terkecil pada bulan Januari 2022 sebesar 745.081 ton.

Estimasi Parameter Weibull pada Waktu Survival Pasien Kanker Serviks RSUD Kota Makassar Tahun 2017-2019 Aulia Khairunnisa; Dwi Agustin Nuriani Sirodj
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.v3i2.8459

Abstract. The Weibull distribution is a development of the exponential distribution. The Weibull distribution consists of 3 parameters, namely scale parameters, shape parameters and location parameters. Another form of 3-parameter distribution is the Weibull 2-parameter distribution consisting of scale parameters and shape parameters. Weibull distribution parameter estimation uses Maximum Likelihood Estimation (MLE) and is solved by Newton-Raphson iterations due to nonlinear results. The data used in this study is data on cervical cancer patients at RSUD Kota Makassar in 2017-2019. From this study it can be concluded that the Weibull distribution parameters for survival time variables are 7,8383 for scale parameters and 1,5140 for shape parameters. Abstrak. Distribusi Weibull merupakan pengembangan dari distribusi eksponensial. Distribusi Weibull terdiri dari 3 parameter, yaitu parameter skala, parameter bentuk dan parameter lokasi. Bentuk lain dari dsitribusi 3 paramater yaitu distribusi Weibull 2 parameter yang terdiri dari parameter skala dan parameter bentuk. Estimasi parameter dsitribusi Weibull menggunakan Maximum Likelihood Estimation (MLE) dan diselesaikan oleh iterasi Newton-Raphson sebab hasil yang nonliear atau tidak closed form. Data yang digunakan pada penelitian ini merupakan data pasien kanker serviks RSUD Kota Makassar tahun 2017-2019. Dari penelitian ini dapat disimpulkan bahwa parameter distribusi Weibull untuk variabel waktu survival adalah 7,8383 untuk parameter skala dan 1,5140 untuk parameter bentuk.

Penerapan Regresi Weibull pada Data Pasien Data Pasien Penderita Kanker Serviks RSUD Kota Makassar Tahun 2017-2019 Dwi Agustin Nuriani Sirodj; Aulia Khairunnisa
Jurnal MSA (Matematika dan Statistika serta Aplikasinya) Vol 12 No 1 (2024): VOLUME 12 NO 1 TAHUN 2024
Publisher : Universitas Islam Negeri Alauddin Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/msa.v12i1.41050

In survival analysis, the commonly used method is cox proportional hazard regression, but if the data to be studied meet the assumptions for Weibull regression, Weibull regression analysis will provide better results. Weibull regression is a regression model developed from the Weibull distribution of 2 parameters, namely scale parameters and form parameters that can be expressed in regression parameters. Weibull regression models include the Weibull survival regression model, the Weibull hazard regression model and the mean model. The purpose of this study was to determine the shape of the model between the condition of cervical cancer patients and survival time using the Weibull regression model and to find out what factors affect survival time until cervical cancer patients are declared cured. Parameter estimation is done using Maximum Likelihood Estimation (MLE) but the assessment results are not closed form so they are overcome by Newton-Raphson iteration. The Weibull regression model was applied to cervical cancer patient data at RSUD Kota Makassar in 2017-2019. Based on the research conducted, it can be concluded that the factors that affect the cure of cervical cancer patients, namely the stage with the interpretation of cervical cancer patients in stage 2, have a risk of experiencing a failure rate of 4.4309 times that of cervical cancer patients in stage 1. While cervical cancer patients in stage 3 have a risk of failure rate of 8.4554 times that of cervical cancer patients in stage 1.

Penerapan Metode Regresi Logistik untuk Memodelkan Kasus Kemiskinan di Indonesia Tahun 2022 Ane Nurahmi; Dwi Agustin Nuriani Sirodj
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.v4i2.13886

Abstract. Logistic Regression is a statistical technique for testing the effect of independent variables on categorical or binary dependent variables. Poverty is a serious problem in Indonesia. According to the World Bank, the poverty line in 2022 is IDR 962.130/capita/month. Based on data from BPS Indonesia in 2022, Indonesia's poverty line is recorded at IDR 535.547/capita/month. This figure is lower than the standards set by the World Bank. This research aims to model the case of poverty in Indonesia in 2022 along with the factors that influence it. Parameter estimation uses MLE which is completed with Newton-Raphson iteration. The variable used is the poor province category based on the 2022 Indonesian Head Count Index (HCI) value of 9.57% as the dependent variable. Meanwhile, the independent variables are Adjusted Expenditure per Capita, Open Unemployment Rate, and Provincial Minimum Wage. The results of parameter significance testing simultaneously obtained a G value of 17,09 > = 6,251389 and a p-value of 0,0006773 < 0,1 and partially obtained the value for the three independent variables > = 1,64 dan p-value < 0,1. This means that Adjusted Per Capita Expenditure, Open Unemployment Rate, and Provincial Minimum Wage have a significant influence on poverty cases in Indonesia in 2022 simultaneously or partially. Abstrak. Regresi Logistik merupakan teknik statistik untuk menguji pengaruh variabel independen terhadap variabel dependen kategorikal atau biner. Kemiskinan menjadi salah satu permasalahan yang serius di Negara Indonesia. Menurut Bank Dunia batas garis kemiskinan pada tahun 2022 sebesar Rp962.130/kapita/bulan. Berlandaskan data dari BPS Indonesia tahun 2022, tercatat garis kemiskinan Indonesia sebesar Rp535.547/kapita/bulan. Angka tersebut lebih rendah dibandingkan standar yang ditentukan oleh Bank Dunia. Penelitian ini bertujuan untuk memodelkan kasus kemiskinan di Indonesia tahun 2022 beserta faktor-faktor yang memengaruhinya. Estimasi parameternya menggunakan MLE yang diselesaikan dengan iterasi Newton-Raphson. Variabel yang digunakan adalah kategori provinsi miskin berdasarkan nilai Head Count Index (HCI) Indonesia tahun 2022 sebesar 9,57% sebagai variabel dependen. Sedangkan variabel independennya yaitu Pengeluaran per Kapita Disesuaikan, Tingkat Pengangguran Terbuka, dan Upah Minimum Provinsi. Hasil pengujian signifikansi parameter secara serentak diperoleh nilai G sebesar 17,09 > = 6,251389 dan p-value sebesar 0,0006773 < 0,1 dan secara parsial diperoleh nilai untuk ketiga variabel independen > = 1,64 dan p-value < 0,1. Artinya, Pengeluaran per Kapita Disesuaikan, Tingkat Pengangguran Terbuka, dan Upah Minimum Provinsi berpengaruh signifikan terhadap kasus kemiskinan di Indonesia tahun 2022 secara serentak maupun parsial.

Estimasi Laju Penurunan Muka Tanah DKI Jakarta Tahun 2022 Menggunakan Metode Ordinary Kriging Nabilah Sofieyanti; Dwi Agustin Nuriani Sirodj
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.v4i2.15083

Abstract. Land subsidence in DKI Jakarta has become a serious issue with the potential to cause environmental damage, especially in terms of infrastructure damage and an increased risk of flooding. Monitoring and observing the rate of land subsidence need to be conducted regularly to prevent more severe impacts. However, due to limitations in budget, time, and resources, spatial interpolation methods like Ordinary Kriging can be used to estimate the rate of land subsidence in unsampled locations. The data used in this study were secondary data on the rate of land subsidence at 100 locations in DKI Jakarta in 2022. In this research, the data were assumed to be stationary. The results show that the best theoretical semivariogram model is the Spherical model because it has the smallest RMSE value compared to the Exponential and Gaussian models. The Ordinary Kriging method was successfully applied to estimate the rate of land subsidence in unsampled locations in 2022. According to the estimates, the highest rate of land subsidence occurred in the Duri Kosambi area of West Jakarta, while the lowest rate occurred in the Tangki area of West Jakarta. These interpolation results can serve as a basis for more effective mitigation, control, and prevention measures. Abstrak. Penurunan muka tanah di DKI Jakarta menjadi masalah serius yang berpotensi menimbulkan kerusakan lingkungan terlebih pada rusaknya infrastruktur dan meningkatkan resiko banjir. Pengamatan dan pemantauan laju penurunan muka tanah perlu dilakukan secara teratur untuk mencegah dampak yang lebih buruk. Akan tetapi, karena adanya keterbatasan biaya, waktu, dan sumber daya yang tidak sedikit. Metode interpolasi spasial seperti Ordinary Kriging dapat dilakukan untuk mengestimasi laju penurunan muka tanah pada lokasi yang tidak tersampel. Data yang digunakan adalah data sekunder tentang laju penurunan muka tanah pada 100 titik lokasi di DKI Jakarta tahun 2022. Pada penelitian ini, data diasumsikan bersifat stasioner. Hasil penelitian menunjukkan bahwa model semivariogram teoritis yang terbaik adalah model Spherical karena memiliki nilai RMSE terkecil daripada model Eksponensial dan Gaussian. Metode Ordinary Kriging berhasil dilakukan untuk estimasi laju penurunan muka tanah pada lokasi tidak tersampel tahun 2022. Dari hasil estimasi, laju penurunan muka tanah terbesar yaitu 0,0529 cm/tahun terjadi di daerah Duri Kosambi Jakarta Barat, sementara laju penurunan terkecil yaitu 0,0306 cm/tahun di daerah Tangki Jakarta Barat. Hasil interpolasi ini dapat menjadi dasar untuk tindakan mitigasi, pengendalian, dan pencegahan yang lebih efektif.

Pemodelan Generalized Poisson Regression untuk Mengatasi Overdispersi Kasus Gizi Buruk Balita Syalsa Navi Yusnita; Dwi Agustin Nuriani Sirodj
Jurnal Riset Statistika Volume 5, No. 1, Juli 2025, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v5i1.6434

Abstract. Poisson regression is a statistical model used to analyze the relationship between a dependent variable, which consists of count data following a Poisson distribution, and one or more independent variables. This model assumes equidispersion, meaning the variance of the response variable is equal to its mean. However, in some cases, this assumption is violated, leading to overdispersion, where the variance is greater than the mean. As a result, Poisson regression may not be appropriate for modeling data with overdispersion, as the estimated standard errors tend to underestimate the regression parameters, resulting in inaccurate conclusions. Generalized Poisson Regression (GPR) is an extension of Poisson regression that introduces a dispersal parameter to address overdispersion. This study applies GPR to to analyze the case of malnutrition in children under five in Central Java Province in 2022. The analysis reveals the presence of overdispersion in the malnutrition data, as well as several factors that negatively affect the number of malnourished children. These factors include complete immunization, exclusive breastfeeding, low birth weight, access to safe drinking water, and access to adequate sanitation. The results suggest that improving these factors could reduce the number of malnourished children. Based on the AIC value of 382.7872, the GPR model is shown to be more effective than the Poisson model in modeling malnutrition cases in children under five across the districts and cities of Central Java in 2022. Abstrak. Regresi Poisson adalah model statistik yang digunakan untuk menganalisis hubungan antara variabel dependen, yang terdiri dari data hitung yang mengikuti distribusi Poisson, dengan satu atau lebih variabel independen. Model ini mengasumsikan equidispersi yaitu dimana variansi dari variabel respon harus sama dengan rata-ratanya. Namun, dalam beberapa kasus asumsi ini dapat dilanggar yang mengarah pada overdispersi, di mana variansi lebih besar dari rata-rata. Akibatnya, regresi Poisson tidak cocok untuk memodelkan data dengan overdispersi, karena galat baku yang dihasilkan akan menyebabkan dugaan parameter regresi cenderung lebih rendah dari seharusnya yang dapat menghasilkan kesimpulan tidak akurat. Generalized Poisson Regression (GPR) adalah pengembangan dari regresi Poisson yang memperkenalkan parameter dispersi untuk mengatasi masalah overdispersi. Penelitian ini mengaplikasikan GPR untuk menganalisis kasus gizi buruk pada balita di Provinsi Jawa Tengah pada tahun 2022. Analisis ini mengungkapkan adanya overdispersi pada data gizi buruk, serta beberapa faktor yang mempengaruhi jumlah balita yang menderita gizi buruk. Faktor-faktor tersebut meliputi imunisasi lengkap, ASI eksklusif, berat badan lahir rendah, akses terhadap air minum yang aman, dan akses terhadap sanitasi yang memadai. Hasil penelitian menunjukkan bahwa perbaikan faktor-faktor ini dapat mengurangi jumlah balita yang menderita gizi buruk. Berdasarkan nilai AIC sebesar 382.7872, model GPR terbukti lebih efektif dibandingkan dengan model Poisson dalam memodelkan kasus gizi buruk pada balita di kabupaten/kota di Provinsi Jawa Tengah tahun 2022.

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search