cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Unang arifin
Contact Email
bcss@unisba.ac.id
Phone
+6282121749429
Journal Mail Official
bcss@unisba.ac.id
Editorial Address
UPT Publikasi Ilmiah, Universitas Islam Bandung. Jl. Tamansari No. 20, Bandung 40116, Indonesia, Tlp +62 22 420 3368, +62 22 426 3895 ext. 6891
Location
Kota bandung,
Jawa barat
INDONESIA
Bandung Conference Series: Statistics
Published by Universitas Islam Bandung
ISSN : -     EISSN : 2828206X     DOI : https://doi.org/10.29313/bcss.v2i2
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Education Mathematics
Bandung Conference Series: Statistics (BCSS) menerbitkan artikel penelitian akademik tentang kajian teoritis dan terapan serta berfokus pada Statistika dengan ruang lingkup sebagai berikut: Alternating Least Square, Analisis Konjoin, Autoregressive, Auxiliary Variabel, Baby Birth, Block Maxima, Churn Distribusi Skellam, Cox Regression, Data spasial, DBD Ordinal Logistic Regression, Diagram kendali, Discrete Choice Experiment Method, Discrete Time Logistic, empirical likelihood, Fisher Scoring, Generalized Structured Component Analysis, Geographically Weighted Regression, GEV, GJR GARCH, Infant Mortality Preferensi, Insurance Claim, Kaplan-Meier, Kernel Bi-Square, Gaussian, Logistic Regression, Maternal Mortality, Mixed Geographically Weighted Regression Model GSTAR, MLE, Model ARIMAX, MSE. Multiple linear regression analysis, Nadaraya Watson, Newton Raphson Method, Nonparametrik Spline Confidence Interval, Optimasi Multi-Objek, orde Spasial, Outlier, Pareto Optimal, Partial Proportional Odds Model, Pemodelan Indeks Pembangunan Manusia. Penduga Rasio dan Produk Tipe Eksponensial, Peramalan, Poisson Bivariate Regression, Poisson Regression, Rata-rata Populasi berhingga, Regresi, Return Period Exogenous Variable, RMSE, Structural Equation Modeling, Survival Analysis, Threshold, Vibrasi Bearing, zero-inflated. Prosiding ini diterbitkan oleh UPT Publikasi Ilmiah Unisba. Artikel yang dikirimkan ke prosiding ini akan diproses secara online dan menggunakan double blind review minimal oleh dua orang mitra bebestari.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 2 Documents
 1 
Search results for , issue "Vol. 2 No. 1 (2022): Bandung Conference Series: Statistics" : 2 Documents clear
Proyeksi Penduduk Indonesia dengan menggunakan Metode Campuran Fadhil Adiwibowo; Yayat Karyana
Bandung Conference Series: Statistics Vol. 2 No. 1 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (493.896 KB) | DOI: 10.29313/bcss.v2i1.124

Abstract

Abstract. Badan Pusat Statistik (BPS) has several times made projections of the Indonesian population based on data from the 1971, 1980, 1990, 2000, 2010 Population Census, and based on data from the Survei Penduduk Antar Sensus (SUPAS). This was made in order to fulfill the need for the preparation of Medium Term Development Plans and Long Term Development Plans so that population data was needed until 2045. The population projection methods commonly used are the mathematical method, the component method, and the mixed method. Population projections using the mathematical method are usually used to produce only the total population, while projections using the component method produce the total population and age groups. The mathematical method has a weakness, namely it does not pay attention to demographic components, which include birth, death, and migration. The component method also has a weakness, namely that sometimes the results of the projection are not satisfactory, due to the inaccurate estimation of the migration rate, which changes in each projection period. The mixed method is a combination of the component method and the mathematical method, used to overcome the weaknesses of each method. The mixed method includes the total population taken from the results of the projection using the mathematical method, while the distribution of the population by age group is used from the results of the projection using the component method. Projections of the Indonesian population per 5 years from 2025-2045 using basic data from the 2020 population census, obtained a population of 288,716,143 people, 908,496,679 people, 329,632,420 people, 352,216,214 people, 376,347,271 people. Abstrak. Badan Pusat Statistika (BPS) telah beberapa kali membuat proyeksi penduduk Indonesia berdasarkan data hasil Sensus Penduduk 1971, 1980, 1990, 2000, 2010, dan berdasarkan data hasil Survei Penduduk Antar Sensus (SUPAS). Hal teresebut dibuat dalam rangka memenuhi kebutuhan penyusunan Rencana Pembangunan Jangka Menengah dan Rencana Pembangunan jangka Panjang sehingga diperlukan data kependudukan hingga tahun 2045. Metode proyeksi penduduk yang biasa digunakan adalah metode matematik, metode komponen, metode campuran. Proyeksi penduduk dengan metode matematik biasa digunakan untuk menghasilkan total penduduk saja, sedangkan proyeksi dengan metode komponen menghasilkan total penduduk dan kelompok umur. Metode matematik memiliki kelemahan yaitu tidak memperhatikan komponen demografi yang antara lain kelahiran, kematian, dan migrasi. Metode komponen juga mempunyai kelemahan yaitu terkadang hasil dari proyeksinya kurang memuaskan, karena kurang tepatnya estimasi angka migrasi, yang pada tiap periode proyeksi berubah. Metode campuran merupakan penggabungan dari metode komponen dan metode matematik, digunakan untuk mengatasi kelemahan dari masing masing metode. Metode campuran di dalamnya terdapat total penduduk yang diambil dari hasil proyeksi menggunakan metode matematik sedangkan distribusi penduduk menurut kelompok umur digunakan dari hasil proyeksi menggunakan metode komponen. Proyeksi penduduk Indonesia per 5 tahun dari tahun 2025-2045 dengan menggunakan data dasar hasil sensus penduduk 2020, diperoleh penduduk sebesar 288.716.143 orang, 908.496.679 orang, 329.632.420 orang, 352.216.214 orang, 376.347.271 orang.
Model Quasi-likelihood untuk Mengatasi Masalah Overdispersi pada Data yang Berdistribusi Multinomial Uli Silma; Nusar Hajarisman
Bandung Conference Series: Statistics Vol. 2 No. 1 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (326.875 KB) | DOI: 10.29313/bcss.v2i1.2125

Abstract

Abstract. Discrete data is data in the form of numbers (numbers) obtained by counting. As stated by McCullagh and Nelder (1989), overdispersion problems will often be encountered in discrete data analysis, both response variables in the form of binary (dichotomous), counts, and structures of more than two categories (polychotomous) such as in this multinomial distributed model. The number of events with more than two categories can be expressed by following a multinomial distribution. Several basic assumptions must be met when applying a multinomial distributed model to a particular data set, one of which is that the response variable is an independent random variable, and the probability of success of an event is constant. However, in practice, it is not uncommon for assumptions to be violated, in which random variables are independent. The independence between random variables is interpreted as a correlation between the response variables, this is an indication that there is a problem called overdispersion. Data can be said to have overdispersion problems when the Pearson deviance or chi-squared value is more than 1 (McCullagh & Nelder, 1989). The multinomial distribution is one method that can be used to overcome the problem of overdispersion in data that follows a normal distribution. The quasi-likelihood model discussed in this thesis is one model that can be used to overcome the problem of overdispersion in data that follows a multinomial distribution. The data used by the author for the application of the quasi-likelihood model is data on the satisfaction level of PDAM users in Antapani Wetan village in October 2019. Abstrak. Data diskrit adalah data yang berbentuk angka (bilangan) yang diperoleh dengan cara membilang. Sebagaimana yang diungkapkan oleh McCullagh dan Nelder (1989), masalah overdispersi akan sering dijumpai dalam analisis data diskrit, baik variabel respons yang berbentuk biner (dikotomus), cacahan, maupun struktur lebih dari dua kategori (polikotomus) seperti dalam model yang berdistribusi multinomial ini. Banyaknya kejadian dengan lebih dari dua kategorik dapat dinyatakan dengan mengikuti distribusi multinomial. Ada beberapa asumsi dasar yang harus dipenuhi pada saat mengaplikasikan model yang berdistribusi multinomial pada gugus data tertentu, salah satunya adalah bahwa variabel respon merupakan variabel acak yang saling bebas, dan peluang sukses dari suatu kejadian adalah konstan. Namun pada praktiknya tak jarang terjadi pelanggaran asumsi, di mana terdapat ketidakbebasan antar variabel acak. Ketidakbebasan antar variabel acak dimaknai sebagai adanya korelasi diantara variabel respon, hal tersebut merupakan suatu bukti indikasi bahwa terdapat masalah yang disebut overdispersi. Data dapat dinyatakan mengalami masalah overdispersi ketika nilai devians atau chi kuadrat Pearson yang lebih dari 1 (McCullagh & Nelder, 1989). Distribusi multinomial merupakan salah satu metode yang dapat digunakan untuk mengatasi masalah overdispersi pada data yang mengikuti distribusi normal. Model quasi-likelihood yang dibahas dalam skripsi ini merupakan salah satu model yang dapat digunakan untuk mengatasi masalah overdispersi pada data yang mengikuti distribusi multinomial. Data yang digunakan penulis untuk penerapan model quasi-likelihood adalah data tingkat kepuasan pengguna PDAM di kelurahan Antapani Wetan Bulan Oktober Tahun 2019.

Page 1 of 1 | Total Record : 2

 1 

Filter by Year

2022 2022


Reset
Filter By Issues
All Issue Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics Vol. 5 No. 1 (2025): Bandung Conference Series: Statistics Vol. 4 No. 2 (2024): Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics Vol. 2 No. 1 (2022): Bandung Conference Series: Statistics Vol. 1 No. 1 (2021): Bandung Conference Series: Statistics