cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Aceng Komarudin Mutaqin
Contact Email
aceng.k.mutaqin@gmail.com
Phone
+628179289987
Journal Mail Official
jstat.unisba@gmail.com
Editorial Address
Jl. Ranggagading No. 8 Bandung 40116
Location
Kota bandung,
Jawa barat
INDONESIA
Statistika
Published by Universitas Islam Bandung
ISSN : 14115891     EISSN : 25992538     DOI : https://doi.org/10.29313/jstat.v19i2.4898
Core Subject : Economy, Science, Education, Engineering,
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Industrial & Manufacturing Engineering Mathematics
STATISTIKA published by Bandung Islamic University as pouring media and discussion of scientific papers in the field of statistical science and its applications, both in the form of research results, discussion of theory, methodology, computing, and review books.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 353 Documents
 30   31   32   33   34 
Prediksi Kemacetan pada Jaringan Komputer Menggunakan Metode Naive Bayesian Classifier Erwin Harahap
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 12, No 1 (2012)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v12i1.1058

Abstract

Berdasarkan pada studi terkini mengenai kecepatan internet, Jepang menduduki posisi kedua setelahKorea sebagai negara yang memiliki akses internet tercepat di dunia. Dibandingkan dengan Indonesia,yang menduduki posisi 63, hal ini menunjukkan rendahnya kualitas pelayanan jaringan komputer,khususnya dalam aplikasi internet di Indonesia.Melihal hal ini maka perlu dikaji dan ditelitibagaimana cara pemecahan permasalahannya. Pada makalah ini, diajukan salah satu metode untukmeningkatkan kualitas jaringan komputer dengan menghindari beberapa masalah menggunakanprediksi permasalahan yang akan terjadi pada jaringan komputer dengan menggunakan NaïveBayesian Classifier.
Estimasi Angka Urbanisasi, Tingkat Migrasi Rural-Urban Berdasarkan Pertumbuhan GNP Per Kapita Indonesia Win Konadi; Aminurasyid Roesli
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 1, No 1 (2001)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v1i1.483

Abstract

Makalah ini membahas bagaimana menaluir pola dan angka urbani.rasi dan migrasi neuo keluarperdesaan untuk perbedaan nilai pertumbuhan alamiah desa-kota (Natural increase rural-urban)dengan mengikuti pola pertumbuhan ekonomi, yaitu GNP per-l<apita Indonesia lg80-1997.Dalam kajian yang dilakulun dnpat (a) menal<sir pola/model pertumbulnn GNP per-lcapitaIndonesia berdasarlean periode pengamatan :1980-1997, (b) menaksir pola /model persentaseurban di Indonesia berdasarkan fungsi pembangunan ekonomi; GNP per-tcapita, dan (c)mengetahui besarnya angka megrasi netto keluar perdesaan berdasarl<an fungsi pembangunanekonomi (GNP), dengan kontrol angka pertumbuhan alamiah desa-kota. Memperhatitcan tnsilestimasi persentase urbanisasi dengan asumsi GNP per-kapita Indonesia mengikuti modeleksponensial menunjukknn bahwa tingkat urbanisasi Indonesia akan meningkat 2 lcali selama 25tahun, yaitu 17,75 Vo pada tahun I97l menjacli 36,30 Vo pada tahun 1995, dan akan menjadi 3 l@lilipat selama 50 tahun yaitu tahun 2010 dengan tingkat urbanisasi 54,14 Vo. Dalam periode 1980-20O0, peningkatan urbanisasi 1,025 Vo per-tahun dan selama periode 20A0-2010 estimasinyasebesar 1,206 Vo per-tahun. Berdasarkan asumsi bahwa GNP per-kapita tumbuh mengikuti fungsieksponensial, malm tahun 2000 tingl<nt urbanisasi sebesar 42,08 Vo dan angl<n migrasi neto keluarperdesaan di Indonesia sebesar 5,37 (terdapat sekitar 5 sampai 6 orang dari 10N) pendudukyangurban ke kota) pada skenario tidak ada perbedaan pertumbuhan alamiah desa-kota, diperkirakanpada tahun 2010 sebesar 7,98. Makin tinggi angka perbedaan pertumbuhan alamiah desa-kotalernyata ada pengaruhnya pada angka migrasi netto tersebut, yaitu asosiasi positif
ON A GENERALIZATION OF THE GUMBEL DISTRIBUTION Ahmed Hurairah; Noor Akma Ibrahim; Isa bin Daud; Kassim Haron
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 3, No 1 (2003)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v3i1.514

Abstract

In the paper, we proposed a generakization of the gumbel distribution. Simpel properties of the distribution arestudied.
Pengkelasan dengan Skor Propensitas Marzuki Marzuki; Fakhrurrazi Fakhrurrazi
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 6, No 2 (2006)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v6i2.942

Abstract

Perbandingan dua populasi dengan latar belakang objek (kovariat-kovariat) yang bervariasi akanmenghasilkan simpulan yang bias. Skor propensitas dapat digunakan sebagai salah satu solusinya.Pengkelasan objek dengan skor propensitas menghasilkan rata-rata persentase ketepatanpengkelasan dari 10 perulangan adalah 86.9% untuk satu kovariat dan bila dua kovariat maka rataratapersentase ketepatan pengkelasan terhadap objek dari 10 perulangan adalah 88.4%.
Prediksi Laju Inflasi Di Kota Ambon Menggunakan Metode ARIMA Box Jenkins Ferry Kondo Lembang
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 16, No 2 (2016)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v16i2.2188

Abstract

ARIMA merupakan kombinasi dari model Autoregresive dan Moving Average ditambah dengan proses pembedaan (differencing).  ARIMA menggunakan nilai masa lalu dan sekarang  dari variabel dependen untuk menghasilkan ramalan jangka pendek. Salah  satu data yang dapat diramalkan dalam jangka pendek ialah data inflasi. Tujuan dari penelitian ini adalah untuk meramalkan laju inflasi bulanan di kota Ambon pada tahun 2013 berdasarkan Indeks Harga Konsumen (IHK) dengan menggunakan metode ARIMA Box-Jenkins. Hasil Penelitian melalui kriteria pemilihan model terbaik diperoleh model ARIMA (0,1,1) memiliki nilai Mean Square Error (MSE) terkecil 26,27 lebih baik dibandingkan dengan model ARIMA (1,1,1) maupun model ARIMA (1,1,0). Model ARIMA (0,1,1) atau  dapat dijadikan model peramalan laju inflasi bulanan kota Ambon.
PENAKSIRAN KESALAHAN DALAM ESTIMASI BOOTSTRAP Sri Haryatni Kartiko
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 3, No 1 (2003)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v3i1.561

Abstract

Estimasi bootstrap, seperti halnya statistik yang lain, tidaklah eksak, estimasi ini mempunyai kesalahan yang melekat(inherent error). Secara umum estimator bootstrap hampir tak bias dan cara konstruksinya, namun dapat mempunyai variasi yangbesar. Hal ini muncul dan dua sumber, yaitu variabelitas sampling, dan fakta bahwa yang dipunyai adalah sampel berukurann,bukari seluruli populasi. Yang kesua dan variabilitas sampling bootstrap, karena banyaknya sampel bootstrap yang hanya B,sebanyak tak terhingga. Dipelajari kedua komponen variasi ini.
Beberapa Metode Pendekatan untuk Model Kalibrasi Gingerol Erfiani Erfiani
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v8i1.978

Abstract

Model Kalibrasi adalah suatu fungsi matematik dengan data empirik dan pengetahuan untukmenduga informasi pada y yang tidak diketahui berdasarkan informasi pada X yang tersedia(Martens dan Naes 1989). Dalam bidang kimia, model kalibrasi merupakan suatu fungsi hubunganantara absorban (X) pada panjang gelombang yang dihasilkan oleh spektrometer dengan konsentrasi(y) larutan unsur atau senyawa yang akan dianalisis (Nur dan Adijuwana, 1989). Dengan kalibrasi,konsentrasi larutan contoh dapat diketahui berdasarkan absorbannya. Beberapa penelitian telahdilakukakan untuk menyusun model kalibrasi Gingerol. Hasil Penelitian menunjukkan daribeberapa pendekatan yang dicobakan diperoleh nila Root Mean Squares Error of Prediction (RMSEP)masing-masing sebagai berikut: Regresi Komponen Utama (0.1096), metode Transformasi WaveletDiskret (0.1072), Pendekatan Bayes (0.0622), Regresi Sinyal P-spline (0.0686) dan Regresi Kontinum(0.0453). Regresi Kontinum dengan melakukan pre-processing Transformasi Wavelet Diskretternyata memberikan hasil nilai RMSEP terkecil dan persentase R2y vs yˆ terbesar dibandingkanpendekatan lainnya.
Deteksi Pencilan pada Model ARIMA dengan Bayesian Information Criterion (BIC) Termodifikasi Selma Yulistiani; Suliadi Suliadi
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 19, No 1 (2019)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v19i1.4740

Abstract

Time series data may be affected by special events or circumstances such as promotions, natural disasters, etc. These events can lead to inconsistent observations in the series called outliers. Because outliers can make invalid conclusions, it is important to carry out procedures in detecting outlier effects. In outlier detection there is one type of outlier, namely additive outlier (AO). The process of detecting additive outliers in the ARIMA model can be said as a model selection problem, where the candidate model assumes additive outliers at a certain time. In the selection of models there are criteria that must be considered in order to produce the best model. The good criteria for models selection  can use the Bayesian Information Criterion (BIC) derived by Schwarz (1978). Galeano and Pena (2011) proposed a modified Bayesian Information Criterion for model selection and detect potential outliers. The modified Bayesian Information Criterion for outlier detection will be applied to the data OutStanding Loan PT.Pegadaian Cimahi year 2013-2017. So that the best model is obtained that the model with adding 2 potential outliers with the ARIMA model (1.0,0), that outliers at observations 48, and 58 because it has a minimum BICUP value of 1064.95650.
PENERAPAN MODEL VEKTOR AUTOREGRESI UNTUK PRAKIRAAN CURAH HUJAN Budi Nurani Ruchjana
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 4, No 2 (2004)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v4i2.875

Abstract

Dalam paper ini, disajikan penerapan model bivariat autoregresi orde 1, disingkat VAR(1) beserta syarat kestasioneran dantaksiran parameter model menggunakan metode kuadrat terkecil untuk prakiraan curah hujan. Untuk studi kasus, dipilihdata curah hujan dari dua stasiun pengamatan. Pengolahan data dilakukan dengan bantuan perangkat lunak S-Plus2000.
Uji Akar-Akar Unit dalam Model Runtun Waktu Autoregresif Rusdi Rusdi
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 11, No 2 (2011)
Publisher : Program Studi Statistika Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jstat.v11i2.1049

Abstract

Salah satu jenis data penting yang digunakan di dalam analisis empirik adalah data runtun waktu.Dalam meregresikan suatu variabel runtun waktu pada satu(beberapa) variabel runtun waktu yanglain, orang sering memperoleh nilai R2 yang sangat tinggi meskipun tidak terdapat hubungan yangberarti antara kedua variabel tersebut. Terkadang kita menyangka tidak ada hubungan antara keduavariabel, namun regresi satu variabel pada variabel yang lain sering menunjukkan hubungan yangsignifikan. Situasi ini memberikan contoh persoalan regresi lancung. Persoalan regresi lancung bisamuncul dari meregresikan suatu variabel runtun waktu nonstasioner pada satu atau lebih variabelruntun waktu nonstasioner. Oleh karena itu, penting untuk bisa menentukan apakah data runtunwaktu stasioner atau tidak. Suatu data runtun waktu disebut stasioner jika ia tidak memuat akarakarunit. Sebuah uji stasioner (atau nonstasioner) menjadi sangat populer sejak dua dekade terakhiradalah uji akar-akar unit. Makalah ini dimaksudkan untuk menjelaskan bagaimana menggunakan ujiakar-akar unit di dalam model runtun waktu khususnya untuk model runtun waktu autoregresif.

Page 32 of 36 | Total Record : 353

 30   31   32   33   34 

Filter by Year

2001 2021


Reset
Filter By Issues
All Issue Vol 21, No 1 (2021) Vol 20, No 2 (2020) Vol 20, No 1 (2020) Vol 19, No 2 (2019) Vol 19, No 1 (2019) Vol 18, No 2 (2018) Vol 18, No 1 (2018) Vol 17, No 2 (2017) Vol 17, No 1 (2017) Vol 16, No 2 (2016) Vol 16, No 1 (2016) Vol 15, No 2 (2015) Vol 15, No 1 (2015) Vol 14, No 2 (2014) Vol 14, No 1 (2014) Vol 13, No 2 (2013) Vol 13, No 1 (2013) Vol 12, No 2 (2012) Vol 12, No 1 (2012) Vol 11, No 2 (2011) Vol 11, No 1 (2011) Vol 10, No 2 (2010) Vol 10, No 1 (2010) Vol 9, No 2 (2009) Vol 9, No 1 (2009) Vol 8, No 2 (2008) Vol 8, No 1 (2008) Vol 7, No 2 (2007) Vol 7, No 1 (2007) Vol 6, No 2 (2006) Vol 6, No 1 (2006) Vol 5, No 2 (2005) Vol 5, No 1 (2005) Vol 4, No 2 (2004) Vol 4, No 1 (2004) Vol 3, No 2 (2003) Vol 3, No 1 (2003) Vol 2, No 2 (2002) Vol 2, No 1 (2002) Vol 1, No 1 (2001) More Issue