cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Dr. Muhammad Ahsan
Contact Email
muh.ahsan@its.ac.id
Phone
+6281331551312
Journal Mail Official
inferensi.statistika@its.ac.id
Editorial Address
Department of Statistics Faculty of Science and Data Analytics Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS Keputih Sukolilo Surabaya Indonesia 60111
Location
Kota surabaya,
Jawa timur
INDONESIA
Inferensi
Published by Institut Teknologi Sepuluh Nopember Surabaya
ISSN : 0216308X     EISSN : 27213862     DOI : http://dx.doi.org/10.12962/j27213862
Core Subject : Science, Education, Social, Engineering,
Computer Science & IT Decision Sciences, Operations Research & Management Engineering Mathematics Social Sciences
The aim of Inferensi is to publish original articles concerning statistical theories and novel applications in diverse research fields related to statistics and data science. The objective of papers should be to contribute to the understanding of the statistical methodology and/or to develop and improve statistical methods; any mathematical theory should be directed towards these aims; and any approach in data science. The kinds of contribution considered include descriptions of new methods of collecting or analysing data, with the underlying theory, an indication of the scope of application and preferably a real example. Also considered are comparisons, critical evaluations and new applications of existing methods, contributions to probability theory which have a clear practical bearing (including the formulation and analysis of stochastic models), statistical computation or simulation where the original methodology is involved and original contributions to the foundations of statistical science. It also sometimes publishes review and expository articles on specific topics, which are expected to bring valuable information for researchers interested in the fields selected. The journal contributes to broadening the coverage of statistics and data analysis in publishing articles based on innovative ideas. The journal is also unique in combining traditional statistical science and relatively new data science. All articles are refereed by experts.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 7 Documents
 1 
Search results for , issue "Vol 1, No 2 (2018): Inferensi" : 7 Documents clear
Penentuan Waktu Optimum Preventive Maintenance pada Mesin Pellet Mill di PT Japfa Comfeed Indonesia, Tbk. Unit Margomulyo menggunakan Metode Geometric Process Zahrina Luthfi Raudina; Agus Suharsono; Haryono Haryono
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (996.27 KB) | DOI: 10.12962/j27213862.v1i2.6725

Abstract

PT Japfa Comfeed Indonesia, Tbk. Unit Margomulyo merupakan perusahaan yang berfokus pada kebutuhan pakan ternak khususnya ternak ayam broiler. Proses produksi pakan ternak dibantu oleh beberapa mesin salah satunya adalah mesin Pellet Mill. Mesin Pellet Mill merupakan mesin yang berfungsi untuk pembentukan pellet pada pakan ternak. Beberapakali mesin Pellet Mill mengalami kerusakan ditengah proses produksi, sehingga mengganggu proses produksi. Perbaikan pada mesin tidak selamanya efisien karena semakin sering mesin mengalami perbaikan maka keandalan mesin akan semakin menurun dan laju kerusakan semakin meningkat seiring bertambahnya waktu. Geometric Process merupakan metode yang sesuai untuk memodelkan permasalahan tersebut karena mesin setelah mengalami perbaikan maka dianggap memiliki kinerja dan keandalan yang menurun secara linier. Pada penelitian ini bertujuan untuk menentukan waktu optimum perusahaan melakukan tindakan pemeliharaan pada mesin Pellet Mill 5.12 dan 8.12 berupa perbaikan, pengecekan seluruh komponen, dan melakukan penggantian komponen. Hasil penelitian menunjukkan waktu optimum untuk pemeliharaan mesin Pellet Mill 5.12 adalah pada kerusakan ke-8 dengan estimasi rata-rata biaya jangka panjang sebesar Rp 3.812.096 perjam dan pada mesin Pellet Mill 8.12 pada kerusakan ke-7 dengan estimasi rata-rata biaya jangka panjang Rp 7.344.398 perjam
Evaluasi Performa dari Diagram Kontrol Multivariat berbasis Independen Principal Component Analysis (PCA) Muhammad Ahsan; Hidayatul Khusna
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (228.62 KB) | DOI: 10.12962/j27213862.v1i2.6733

Abstract

Diagram kontrol multivarian akan efektif ketika jumlah karakteristik kualitas yang terlibat tidak terlalu besar. Sejumlah besar karakteristik kualitas dapat mengurangi kemampuan untuk mendeteksi setiap perubahan dalam suatu proses dan juga menyebabkan masalah multikolinieritas. Untuk mengatasi masalah ini, integrasi Principal component analysis (PCA) dan diagram kontrol digunakan. PCA adalah metode yang dapat mengubah sejumlah besar variabel berkorelasi menjadi beberapa komponen utama yang tidak berkorelasi tanpa kehilangan informasi. Paper ini akan fokus untuk mengevaluasi kinerja diagram kontrol multivariat berdasarkan Independen PCA menggunakan Average Run Length (ARL) melalui studi simulasi. Dari proses simulasi dapat dilihat bahwa Independen PCA memiliki probabilitas kinerja yang mirip untuk mendeteksi false alarm untuk semua jenis korelasi dan jumlah karakteristik. Namun, kemampuan untuk mendeteksi pergeseran menurun ketika terjadi peningkatan korelasi dan jumlah karakteristik kualitas.
Analysis of Factors Affecting the Number of Infant and Maternal Mortality in East Java Using Geographically Weighted Bivariate Generalized Poisson Regression Luh Eka Suryani; Purhadi Purhadi
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (907.034 KB) | DOI: 10.12962/j27213862.v1i2.6726

Abstract

Poisson regression is a non-linear regression model with response variable in the form of count data that follows Poisson distribution. Modeling for a pair of count data that show high correlation can be analyzed by Poisson Bivariate Regression. Data the number of infant mortality and maternal mortality are count data that can be analyzed by Poisson Bivariate Regression. The Poisson regression assumption is an equidispersion where the mean and variance values are equal. However, the actual count data has a variance value which can be greater or less than the mean value (overdispersion and underdispersion). Violations of this assumption can be overcome by applying Generalized Poisson Regression. haracteristics of each regency can affect the number of cases occurred. This issue can be overcome by spatial analysis called Geographically Weighted Regression. This study analyzes the number of infant mortality and maternal mortality based on conditions in East Java in 2016 using Geographically Weighted Bivariate Generalized Poisson Regression (GWBGPR) method. Modeling is done with Adaptive Bisquare Kernel weighting which produces 3 regency groups based on infant ortality rate and 5 regency groups based on maternal mortality rate. Variables that significantly influence the number of infant and maternal mortality are the percentages of pregnant women visit health workers at least 4 times during pregnancy, pregnant women get Fe3 tablets,  bstetric complication handled, clean household and healthy behavior, and married women with the first marriage age under 18 years.
Pemodelan Inflasi Di Indonesia Menggunakan Pendekatan Model Generalized Autoregressive Conditional Heteroskedasticity (GARCH) Vita Ratnasari; Maulidiah Nitivijaya
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (577.639 KB) | DOI: 10.12962/j27213862.v1i2.6727

Abstract

Inflasi merupakan kenaikan harga barang dan jasa secara umum dimana barang dan jasa tersebut merupakan kebutuhan pokok masyarakat atau turunnya daya jual mata uang suatu Negara. Tingkat inflasi/deflasi diukur dari persentase perubahan IHK dan diumumkan ke publik setiap awal bulan oleh BPS yang disebut sebagai Inflasi umum atau inflasi IHK. Inflasi ini merupakan inflasi seluruh barang/jasa yang dimonitor harganya secara periodik. Penelitian ini bertujuan untuk memodelkan inflasi umum bulanan di Indonesia dari Januari 2009 sampai dengan September 2014 dengan model GARCH. Hasil analisis menunjukkan bahwa inflasi di Indonesia dapat dimodelkan menggunakan model ARCH(1). Model ini dibentuk dari data yang sudah tidak mengandung heteroskedastik, artinya varians residual konstan sehingga layak digunakan.
Model Evaluation for Logistic Regression and Support Vector Machines in Diabetes Problem Baiq Siska Febriani Astuti; Neni Alya Firdausanti; Santi Wulan Purnami
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (557.911 KB) | DOI: 10.12962/j27213862.v1i2.6728

Abstract

Machine learning is a method or computational algorithm to solve problems based on data that already available from the database. Classification is one of the important methods of supervised learning in machine learning. Support Vector Machine and Logistic Regression are some supervised learning methods that can be used both for classification and regression. In datamining process, Preprocessing is an important part before doing further analysis. In preprocessing data, feature selection and deviding training and testing data are important part of preprocessing data. In this research will be compared some evaluation model of deviding method for training and testing data, namely Random Repeated Holdout, Stratified Repeated Holdout, Random Cross-Validation, and Startified Cross-Validation. Evaluation model would be implying in logistic regression and Support Vector Machines (SVMs). From the analysis, can be concluded that by selecting features can improve the accuracy of classification with logistic regression, but opposite of Support Vector Machines (SVMs). For training and testing data pertition method can not be sure what method is better, because each method of partition training and testing data using the concept of random selection. Model evaluation cannot sure influence to increase best perform for SVMs model in particular this case.
Pengelompokan Kabupaten/Kota Berdasarkan Indikator Pembangunan Ekonomi dan Potensi Daerah Provinsi Jawa Timur Menggunakan Similarity Weight and Filter Method (SWFM) Renaldy Aprevia Lutfi; Ismaini Zain
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (712.889 KB) | DOI: 10.12962/j27213862.v1i2.6724

Abstract

Pembangunan ekonomi banyak dilakukan di daerah yang memiliki potensi sumber daya yang lebih baik. Indikator pembangunan ekonomi terbagi menjadi indikator moneter, indikator non-moneter, dan indikator campuran. Terdapat 20 kabupaten/kota di Provinsi Jawa Timur yang berada di dataran rendah dan memiliki potensi pengelolaan di wilayah pesisir. Daerah lainnya di dataran sedang dan tinggi memiliki potensi pertanian yang besar karena merupakan daerah yang relatif subur. Perekonomian Jawa Timur tahun 2017 tumbuh sebesar 5,45 persen, namun kondisi tersebut belum dikatakan baik karena terdapat masalah ketimpangan ekonomi. Untuk mengatasinya, perlu memberikan kebijakan khusus kepada daerah dengan tingkat perekonomian dan potensi daerah yang berbeda. Analisis yang digunakan untuk mengetahui daerah dengan tingkat perekonomian dan potensi daerah yang berbeda adalah dengan analisis klaster. Metode analisis klaster dalam penelitian ini adalah dengan SWFM. SWFM dapat digunakan untuk menggabungkan kelompok data yang berasal dari data numerik dan data kategori. Hasil pengelompokan data numerik dengan metode ward, diperoleh jumlah kelompok optimum sebanyak tiga kelompok. Pada pengelompokan data kategori menggunakan metode k-modes, diperoleh karakteristik yang dapat membedakan antara tiga kelompok yang digunakan. Pengelompokan data numerik dan kategori menggunakan SWFM didapatkan jumlah kelompok optimum sebanyak lima kelompok.
Klasifikasi Kinerja Karyawan Terhadap Penjualan Produk Menggunakan Metode Regresi Logistik dan Naïve Bayes (Studi Kasus PT. Gunung Meranti, Kalimantan Selatan) Nursya’bani Hendro Prabowo; Irhamah Irhamah
Inferensi Vol 1, No 2 (2018): Inferensi
Publisher : Department of Statistics ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (495.398 KB) | DOI: 10.12962/j27213862.v1i2.6729

Abstract

Gunung Meranti merupakan perusahaan perseroan tertutup yang terletak di Kalimantan Selatan.Perusahaan bergerak di bidang industri perhutanan dan agro-tani.Produk perusahaan terdiri dari kayu bulat dan kayu lapis dengan volume meter kubik, serta produksi agro-tani seperti perkebunan kopi, jeruk dan pertanian padi. Produk perusahaan dengan ragam tersebut memerlukan pemasaran yang cukup strategis dan intensitas kerja yang lebih tinggi, hal ini dikarenakan konsumen dari perusahaan bukan merupakan end user  seperti industri rumah tangga ataupun individu, melainkan perusahaan seperti perusahaan konstruksi, properti dan perusahaan pengembangan yang berskala besar. Tingkat intensitas kerja yang tinggi tersebut menyebabkan perusahaan perlu melakukan analisa terhadap performa dari karyawan untuk menentukan target bagi masing-masing karyawan, serta melakukan penilaian terhadap kinerja masing-masing individu dalam hal gaji pokok maupun bonus.Perbandingan ketepatan klasifikasi dan kebaikan model menunjukkan bahwa Regresi Logistik dan Naïve Bayes menghasilkan model yang sama baiknya dengan skema terbaik adalah data training 70% dan data testing 30%. Perbandingan jika dilihat menggunakan RMSE cenderung menunjukkan Naïve Bayes dengan skema 70% merupakan model yang disarankan dengan RMSE yang cenderung rendah dibanding skema dan metode lain.

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2018 2018


Reset
Filter By Issues
All Issue Vol 8, No 3 (2025) Vol 8, No 2 (2025) Vol 8, No 1 (2025) Vol 7, No 3 (2024) Vol 7, No 2 (2024) Vol 7, No 1 (2024) Vol 6, No 2 (2023) Vol 6, No 1 (2023) Vol 5, No 2 (2022) Vol 5, No 1 (2022): Inferensi Special Issue: Seminar Nasional Statistika XI 2022 Vol 4, No 2 (2021): Inferensi Vol 4, No 1 (2021): Inferensi Vol 3, No 2 (2020): Inferensi Vol 3, No 1 (2020): Inferensi Vol 2, No 2 (2019): Inferensi Vol 2, No 1 (2019): Inferensi Vol 1, No 2 (2018): Inferensi Vol 1, No 1 (2018): Inferensi More Issue