Bandung Conference Series: Statistics
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.
Articles
82 Documents
Search results for
, issue
"Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics"
:
82 Documents
clear
<![CDATA[Penerapan Algoritma Fuzzy Possibilistic C-Means (FPCM) pada Pengelompokan Kabupaten/Kota di Indonesia Berdasarkan Indikator Indeks Pembangunan Manusia Tahun 2022 ]]>
<![CDATA[Ghia Fauziah Aghyari]]>;
<![CDATA[Abdul Kudus]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7321
<![CDATA[Abstract. Human resources are a crucial factor in human development and a key component in achieving prosperity in every country. The success of development is measured in various ways, one of the most popular being the calculation of the Human Development Index (HDI). The classification of districts and cities in Indonesia is necessary as a reference for government program planning and evaluation to enhance human development in those areas. Partitioning clustering is one of the clustering techniques that aims to partition data into several groups or partitions, with the number of groups usually predetermined. One of the algorithms used in partitioning clustering is Fuzzy Possibilistic C-Means (FPCM). Fuzzy Possibilistic C-Means (FPCM) is an extension of two algorithms, namely Fuzzy C-Means (FCM) and Possibilistic C-Means (PCM). FPCM combines fuzzy and possibilistic concepts to address the weaknesses of the previous algorithms. Therefore, the Fuzzy Possibilistic C-Means (FPCM) algorithm is applied to cluster the districts and cities in Indonesia based on the indicators of the Human Development Index. Based on the results of the Modified Partition Coefficient (MPC) index, the optimal number of clusters is determined to be four clusters. Cluster 1 contains 146 districts and cities, cluster 2 contains 97 districts and cities, cluster 3 contains 141 districts and cities, and cluster 4 contains 130 districts and cities. Abstrak. Sumber daya manusia adalah faktor penting dalam pembangunan manusia yang menjadi komponen utama dalam mencapai kemakmuran di setiap negara. Keberhasilan pembangunan diukur dengan berbagai cara, salah satunya yang paling populer melalui perhitungan Indeks Pembangunan Manusia (IPM) atau Human Development Index (HDI). Pengelompokan wilayah Kabupaten/Kota di Indonesia perlu dilakukan sebagai acuan dalam perencanaan dan evaluasi program pemerintah untuk meningkatkan pembangunan manusia di daerah tersebut. Partitioning clustering adalah salah satu teknik pengelompokan yang mencoba mempartisi data ke dalam beberapa kelompok (partition) dan jumlah kelompok yang akan dibuat biasanya telah ditentukan sebelumnya dan salah satu algoritma pada partitioning clustering adalah Fuzzy Possibilistic C-Means (FPCM). Algoritma Fuzzy Possibilistic C-Means (FPCM) yang merupakan perluasan dari dua algoritma yaitu algoritma Fuzzy C-Means (FCM) dan Possibilistic C-Means (PCM). Fuzzy Possibilistic C-Means (FPCM) menggabungkan konsep fuzzy dan possibilistic untuk mengurangi kelemahan dari algoritma sebelumnya. Oleh karena itu diterapkan algoritma Fuzzy Possibilistic C-Means (FPCM) untuk mengelompokan Kabupaten/Kota di Indonesia berdasarkan indikator indeks pembangunan manusia. Berdasarkan hasil indeks Modified Partition Coefficient (MPC) jumlah klaster yang optimal adalah empat klaster. Pada klaster 1 berisi 146 Kabupaten/Kota, klaster 2 berisi 97 Kabupaten/Kota, klaster 3 berisi 141 Kabupaten/Kota, dan klaster 4 berisi 130 Kabupaten/Kota.]]>
<![CDATA[Biplot Multivariate Regression dan Penerapannya dalam Menganalisis Faktor-Faktor yang Mempengaruhi Indikator Derajat Kesehatan di Jawa Barat ]]>
<![CDATA[Thania Indra Mutiara]]>;
<![CDATA[Suliadi Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7569
<![CDATA[Abstract. Multivariate regression analysis is a statistical tool that is concerned with describing and evaluating the relationship between a given set of responses and a set of predictors. This analysis involves many variables, making difficulty to analyze and interpret. Therefore, we need a method that can visualize the regression model in a comprehensive manner to facilitate interpretation. The multivariate regression biplot aims to graphically visualize the effect of the predictor variable on the response variable and to display the regression result. This multivariate regression biplot is well suited for solving problems in multivariate regression analysis. This research uses biplot multivariate regression to analyze data on factors that influence health status indicators in West Java. The results of applying multivariate regression biplot show that the Y1 variable has a positive correlation with the variables X2, X3, and X4 and has a negative correlation with the variables X1, and X5. The variable Y2 has a positive correlation with the variables X1, X2, X3, and X5 and has a negative correlation with the variable X4. The variable Y3 has a positive correlation with the variable X4 and has a negative correlation with the variable X1, X2, X3, and X5. The overall quality of the multivariate regression biplot visualization result is 98.7%. This means that the information provided by the multivariate regression biplot in the form of visualization can explain 98.7% of all the information contained in the data. Abstrak. Analisis regresi multivariat adalah alat statistik yang berkaitan dengan menggambarkan dan mengevaluasi hubungan antara satu set respon yang diberikan dan satu set prediktor. Analisis tersebut melibatkan banyak variabel, sehingga dalam menganalisis dan menginterpretasikannya menjadi sulit. Oleh karena itu diperlukan metode yang dapat memvisualisasikan model regresi secara komprehensif, sehingga memudahkan interpretasi. Biplot regresi multivariat bertujuan untuk memvisualisasikan pengaruh variabel prediktor terhadap variabel respon secara grafis dan untuk menampilkan hasil regresi. Biplot regresi multivariat ini sangat cocok digunakan untuk mengatasi permasalahan dalam analisis regresi multivariat. Penelitian ini akan membahas biplot regresi multivariat dan penerapannya pada data faktor-faktor yang mempengaruhi indikator derajat kesehatan di Jawa Barat. Hasil penerapan biplot regresi multivariat menunjukkan bahwa variabel Y1 berkorelasi positif dengan variabel X2, X3, dan X4 serta berkorelasi negatif dengan variabel X1, dan X5. Variabel Y2 berkorelasi positif dengan variabel X1, X2, X3, dan X5 serta berkorelasi negatif dengan variabel X4. Variabel Y3 berkorelasi positif dengan variabel X4 dan berkorelasi negatif dengan variabel X1, X2, X3, dan X5. Kualitas keseluruhan dari hasil visualisasi biplot regresi multivariat sebesar 98,7%. Artinya informasi yang diberikan oleh biplot regresi multivariat dalam bentuk visualisasi mampu menerangkan 98,7% dari seluruh informasi yang terkandung dalam data.]]>
<![CDATA[Pemodelan Fuzzy Time Series Cheng untuk Meramalkan Nilai Ekspor Migas di Indonesia ]]>
<![CDATA[Engki Dulfitri Eha]]>;
<![CDATA[Suwanda]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7604
<![CDATA[Abstract. Forecasting is useful for predicting future events which include the short, medium and long term. The data commonly used is time series data which is a collection of data that is arranged at a certain time continuously. There are several methods in the analysis of time series data, namely the traditional method (ARIMA) and Fuzzy time series. The fuzzy times series method is proven to be able to improve traditional methods such as handling data fluctuations, uncertainty of data subjectivity. With the privilege of not requiring the fulfillment of the assumption test. This thesis will discuss the Fuzzy time series cheng which is the development of the fuzzy time series chen and yu which can minimize forecasting errors. The Cheng's Fuzzy time series method has been applied to the value of Indonesia's oil and gas exports based on data for 1975-2022 with the forecast model obtained with a MAPE of 19.7668%. From the results of the forecasting model obtained in 2023 it is estimated that the value of Indonesia's oil and gas exports will be 15,215.9182 (million US$), experiencing a decrease of 803,7818 (million US$) when compared to the export value in 2022 of 16,019.7 (million US$) . Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang. Data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Ada beberapa metode dalam analisis data deret waktu yaitu metode tradisional (ARIMA) dan Fuzzy time series. Metode fuzzy times series telah terbukti dapat memperbaiki metode tradisional seperti menangani fluktuasi data, ketidakpastian subjektivitas dalam data. Dengan keistimewaan tidak membutuhkan pemenuhan uji asumsi. Dalam skripsi ini akan di bahas Fuzzy time series cheng yang merupakan pengembangan dari Fuzzy time series chen dan yu yang dapat memperkecil kekeliruan peramalan. Metode Fuzzy time series cheng telah di terapkan pada nilai ekspor migas Indonesia berdasarkan data dari tahun 1975-2022 dengan diperoleh model ramalan dengan MAPE sebesar 19.7668%. Dari hasil model peramalan yang diperoleh pada tahun 2023 diperkirakan nilai ekspor migas Indonesia sebesar 15,215.9182(juta US$), mengalami penurunan sebesar 803.7818 (juta US$) jika dibandingkan dengan nilai ekspor tahun 2022 sebesar 16,019.7 (juta US$).]]>
<![CDATA[Selang Kepercayaan Bootstrap Parametrik untuk Perbedaan Signal to Noise Ratio dari Distribusi Eksponensial Dua Parameter pada Data Waktu Kegagalan Laminasi Mylar-Poliuretana ]]>
<![CDATA[Amirul Mukminin]]>;
<![CDATA[Abdul Kudus]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7627
<![CDATA[Abstract. The two-parameter exponential distribution is a probability model associated with observed unit failure time data. Investigating the estimation characteristics of the Signal to Noise Ratio (SNR) difference between two populations with a two-parameter exponential distribution is intriguing. SNR represents the ratio between the mean and standard deviation. For more accurate results in estimating the SNR difference between two populations, confidence intervals can be utilized. One of the methods suitable for constructing confidence intervals is the parametric bootstrap method, particularly effective for small sample sizes with distribution assumptions. The confidence intervals built are based on bootstrap percentiles. The data used in this study consists of small-sized samples of failure times of mylar-polyurethane lamination in High Voltage Direct Current (HVDC) insulation structures, subjected to voltage loads of 100.3 kV/mm and 361.4 kV/mm. Based on the calculations, it was found that with a 95% confidence level, the parametric bootstrap confidence interval for the SNR difference of the two-parameter exponential distribution of failure times in mylar-polyurethane lamination under electric voltage loads of 100.3 kV/mm and 361.4 kV/mm falls within the range of [-0.29; 0.93]. Abstrak. Distribusi eksponensial dua parameter adalah model probabilitas yang terkait dengan data waktu kegagalan unit yang diamati. Karakteristik dari estimasi perbedaan Signal to Noise Ratio (SNR) dari dua populasi berdistribusi eksponensial dua parameter menarik untuk diteliti. SNR adalah rasio antara rata-rata dengan simpangan baku. Untuk hasil yang lebih akurat dalam memperkirakan estimasi perbedaan SNR dari dua populasi yaitu menggunakan selang kepercayaan. Salah satu metode yang dapat digunakan dalam membangun selang kepercayaan yaitu dengan metode bootstrap parametrik yang cocok untuk ukuran data sampel yang kecil dan memiliki asumsi distribusi. Selang kepercayaan yang dibangun didasarkan pada bootstrap persentil. Data yang digunakan adalah data sampel berukuran kecil yaitu waktu kegagalan laminasi mylar-poliuretana pada struktur isolasi High Voltage Direct Current (HVDC) dengan beban tegangan 100,3 kV/mm dan 361,4 kV/mm. Berdasarkan hasil perhitungan diperoleh bahwa dengan tingkat kepercayaan 95% selang kepercayaan bootstrap parametrik untuk perbedaan SNR dari distribusi eksponensial dua parameter pada data waktu kegagalan laminasi mylar-poliuretana dengan beban tegangan listrik 100,3 kV/mm dan 361,4 kV/mm adalah berada di dalam rentang [–0,29; 0,93].]]>
<![CDATA[Perkiraan Migrasi Perkelompok Umur Provinsi Banten Tahun 2020 ]]>
<![CDATA[Ageng Roro Dwi Utamy]]>;
<![CDATA[Yayat Karyana]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7669
<![CDATA[Abstract. In this research, we will calculate the estimated net migration figures for male and female population age groups in the year 2020 for the Province of Banten based on data from the 2020 Population Census. The data analysis technique used is by comparing the Population Growth Rate (PGR) of Indonesia with that of the Province of Banten. By obtaining the difference between the PGR of Indonesia and the PGR of the Province of Banten, we can determine the estimated population change due to migration, or the number of net migrants in the Province of Banten in the year 2020. According to the results of the 2020 Population Census (SP 2020), the PGR of Indonesia is 1.25% per year, while the PGR of the Province of Banten is 1.10% per year, resulting in a difference of -0.15% or -0.015. From the calculations, the estimated number of net migrants in the Province of Banten is -17,875 people. To break down the data into age groups, we use the Age Specific Net Migration Rate (ASNMR) of the Province of Banten based on data from the 2015 Inter-Census Population Survey adjusted to produce negative ASNMR values for the year 2020. This results in the Net Migration Index for males and females, which are -127 and -281 times, respectively. Abstrak. Dalam penelitian ini akan menghitung perkiraan angka migrasi neto perkelompok umur penduduk laki-laki dan penduduk perempuan tahun 2020 Provinsi Banten berdasarkan data hasil Sensus Penduduk tahun 2020. Teknik analisis data yang digunakan adalah dengan membandingkan Laju Pertumbuhan Penduduk (LPP) Indonesia dengan LPP Provinsi Banten. Dengan didapatkannya nilai selisih antara LPP Indonesia dengan LPP Provinsi Banten, dapat diketahui perkiraan perubahan penduduk karena migrasi, atau dapat diketahui jumlah migran neto penduduk Provinsi Banten tahun 2020. Hasil Sensus Penduduk (SP) 2020, LPP Indonesia adalah 1,25 % pertahun sedangkan LPP Provinsi Banten adalah 1,10% pertahun, sehingga ada selisih sebesar -0,15% atau sebesar -0,015. Dari hasil perhitungan didapat perkiraan jumlah migrasi neto penduduk Provinsi Banten adalah -17.875 orang. Untuk memecah menjadi kelompok umur digunakan Age Specific Net Migration Rate (ASNMR) Provinsi Banten berdasarkan data Survei Penduduk Antar Sensus (SUPAS) 2015 yang disesuaikan, sehingga menghasilkan perkiraan nilai ASNMR tahun 2020 bernilai negatif, dan menghasilkan Indeks Migrasi Neto untuk penduduk laki-laki dan perempuan masing-masing adalah -127 dan -281 kali.]]>
<![CDATA[Analisis Faktor Pengaruh Penilaian Peserta Latsar CPNS terhadap Widyaiswara Angkatan IV Pemkab Banjarnegara Tahun 2022 ]]>
<![CDATA[Sinta Asanah]]>;
<![CDATA[Ilham Faishal Mahdy]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7677
<![CDATA[Abstract. Widyaiswara is a functional position for a Civil Servant (PNS) who is in charge of teaching, training and full education in educational programs from government agencies. In order to find out whether a widyaiswara is able to realize the competency development of a CPNS, it is necessary to know what factors are assessed by LATSAR CPNS participants regarding widyaiswara so that it can become an evaluation for a widyaiswara. Based on these problems, the problems in this study are formulated as follows: (1) Can the aspects that the LATSAR CPNS participants evaluate for Widyaiswara be factored? (2) How many factors are formed in the assessment of the Widyaiswara LATSAR CPNS participants? (3) What is the variance that can be explained by the factors formed in the LATSAR CPNS participants' assessment of the Widyaiswara?. Researchers used secondary data sourced from PPSDM Geominerba. The data consists of Widyaiswara (teachers), learning materials and 10 aspects of assessment that are filled in by each CPNS LATSAR participant. Researchers used the method of factor analysis techniques on 10 aspects of the CPNS LATSAR participant assessment. The results of this study are: All aspects are feasible to be factored and the factors formed are one factor. In addition, the factors formed have eigenvalues of 8.378 which means that these factors are able to explain 83.8% of the variability of the original ten aspects. The remaining 16.2% of the variability is influenced by other variability not examined. Abstrak. Widyaiswara merupakan jabatan fungsional bagi seorang Pegawai Negeri Sipil (PNS) yang bertugas mengajar, melatih dan mendidik secara penuh pada program pendidikan dari instansi pemerintah. Untuk mengetahui apakah seorang widyaiswara mampu mewujudkan pengembangan kompetensi seorang CPNS maka perlu diketahui faktor-faktor apa saja yang menjadi penilaian peserta LATSAR CPNS mengenai widyaiswara agar dapat menjadi evaluasi bagi seorang widyaiswara. Berdasarkan masalah tersebut, maka permasalahan dalam penelitian ini dirumuskan sebagai berikut: (1) Apakah aspek-aspek yang menjadi penilaian peserta LATSAR CPNS terhadap Widyaiswara dapat difaktorkan? (2) Berapakah faktor yang terbentuk pada penilaian peserta LATSAR CPNS terhadap Widyaiswara? (3) Berapakah variansi yang dapat dijelaskan oleh faktor yang terbentuk pada penilaian peserta LATSAR CPNS terhadap Widyaiswara?. Peneliti menggunakan data sekunder yang bersumber dari PPSDM Geominerba. Data terdiri dari Widyaiswara (pengajar), materi pembelajaran dan 10 aspek penilaian yang diisi oleh setiap peserta LATSAR CPNS. Peneliti menggunakan metode teknik analisis faktor pada 10 aspek-aspek penilaian peserta LATSAR CPNS. Hasil dari penelitian ini adalah: Semua aspek layak untuk difaktorkan dan faktor yang terbentuk sebanyak satu faktor. Selain itu, faktor yang terbentuk memiliki angka eigenvalues sebesar 8,38 yang berarti bahwa faktor tersebut mampu menjelaskan 83,78% dari variabilitas kesepuluh aspek asli. Sisanya 16,2% dari variabilitas dipengaruhi oleh variabilitas lain yang tidak diteliti.]]>
<![CDATA[Hubungan Status Sosial Ekonomi dengan Indeks Massa Tubuh Anak ]]>
<![CDATA[Silmi Nur Husnayaini]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7695
<![CDATA[Abstract. Association measure is a statistic that can be used to measure relationship between two variables. There are various methods to assess the association between paired data variables IS usually designed for one particular type of measurement scale. Two numerical variables can use Pearson correlation. Two ordinal variables can use Spearman's Rank correlation or Kendall . However, if both variables are categorical (ordinal and nominal), then contingency table analysis can be used. In this study, we applied contingency table analysis in looking at the relationship between socioeconomic status and children's Body Mass Index based on data from Kober Nuurul Falaah. Several characteristics of socioeconomic status were studied, namely parents' education and parents' occupation and family income. It was found that there was no significant relationship between socioeconomic characteristics and children's BMI. Abstrak. Ukuran asosiasi merupakan statistik yang dapat digunakan untuk mengukur keerataan hubungan di antara dua variabel. Terdapat berbagai metode untuk meninjau asosiasi antara variabel data berpasangan. Namun, suatu metode asosiasi biasanya dirancang untuk satu jenis skala pengukuran tertentu. Dua variabel numerik dapat menggunakan korelasi Pearson. Dua variabel ordinal dapat menggunakan korelasi Rank Spearman atau Kendall . Namun, jika kedua variabel berskala kategorik (ordinal dan nominal), maka dapat menggunakan analisis tabel kontingensi. Dalam penelitian ini, kami menerapkan analisis tabel kontingensi dalam melihat hubungan status sosial ekonomi dengan Indeks Massa Tubuh anak berdasarkan data dari Kober Nuurul Falaah. Beberapa karakteristik status sosial ekonomi yang diteliti, yaitu pendidikan orang tua dan pekerjaan orang tua serta pendapatan keluarga. Diperoleh hasil bahwa tidak terdapat hubungan antara karakteristik sosial ekonomi dengan Indeks Massa Tubuh (IMT) anak secara signifikan.]]>
<![CDATA[Diagram Kendali Decision On Belief (DOB) dan Diagram Kendali Progressive Mean (PM) dalam Pengendalian Kualitas Produksi Kayu Lapis di PT. XYZ ]]>
<![CDATA[Akmal Athallah Mutakin]]>;
<![CDATA[Nur Azizah komara Rifai]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7791
<![CDATA[Abstract. The rapid development of Science and Technology (IPTEK) in the digital age has caused competition in several sectors of the economy to increase, this makes companies required to produce quality products. In a production, the quality of a product needs to be controlled so that it always meets the targets set by the company. Statistical quality control is needed to detect as early as possible any problems in a production. Control charts are often used to control statistical quality control in a production process. Variable control diagrams are usually used when the quality characteristics can be measured using the same unit, which is different from the variable control charts, attribute control charts are usually used when the data is in the form of proportions. Several statistical quality control chart methods used to control product quality are the Decision On Belief (DOB), Cumulative SUM (CUSUM), Exponentially Weighted Moving Average (EWMA) and Progressive Mean (PM) control chart methods. In this study, we will look at the performance comparison of the Decision On Belief (DOB) control chart with the Progressive Mean (PM) control chart applied to defective product data on plywood production at PT. XYZ in September 2021. After comparing the two control charts, it is concluded that the Decision On Belief (DOB) control chart is a control chart that is better and faster in detecting data that is out of control or is in an out of control state. Abstrak. Semakin pesatnya perkembangan Ilmu dan Teknologi (IPTEK) di era digital, menyebabkan persaingan di beberapa sektor perekonomian mengalami kenaikan, hal tersebut membuat perusahaan dituntut untuk menghasilkan produk yang berkualitas. Dalam suatu produksi, kualitas dari suatu produk perlu dikendalikan agar selalu sesuai dengan target yang telah ditetapkan oleh perusahaan. Pengendalian kualitas statistik sangat diperlukan guna mendeteksi sedini mungkin adanya permasalahan dari suatu produksi. Diagram kendali sering digunakan untuk mengontrol pengendalian kualitas statistika dalam suatu proses produksi. Diagram kendali variabel biasa digunakan apabila karakteristik kualitasnya dapat diukur menggunakan satuan yang sama berbeda dengan diagram kendali variabel, diagram kendali atribut biasa digunakan apabila datanya berbentuk proporsi. Beberapa metode diagram pengendali kualitas statistik yang digunakan dalam mengontrol kualitas produk adalah metode diagram kendali Decision On Belief (DOB), Cumulative SUM (CUSUM), Exponentially Weighted Moving Average (EWMA) dan diagram kendali Progressive Mean (PM). Pada penelitian ini akan dilihat perbandingan performa dari diagram kendali Decision On Belief (DOB) dengan diagram kendali Progressive Mean (PM) yang diterapkan pada data produk cacat produksi kayu lapis di PT. XYZ bulan September 2021. Setelah membandingkan kedua diagram kendali tersebut diperoleh kesimpulan bahwa diagram kendali Decision On Belief (DOB) merupakan diagram kendali yang lebih baik dan lebih cepat dalam mendeteksi adanya data yang tidak terkendali atau berada dalam keadaan out of control.]]>
<![CDATA[Implementasi Metode Artificial Neural Network (ANN) Algoritma Backpropagation untuk Klasifikasi Kualitas Udara di Provinsi DKI Jakarta Tahun 2021 ]]>
<![CDATA[Lutfiah Anindya Putri]]>;
<![CDATA[Suwanda]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7826
<![CDATA[Abstract. Classification is the systematic division of an individual into a group or category according to established rules or standards. There are several classification algorithms that can be used to classify data, including logistic regression, discriminant analysis, and Artificial Neural Network (ANN). This study uses an Artificial Neural Network (ANN) classification algorithm because the data used is not normally distributed. ANN is a classification algorithm that is widely used for character recognition problems and is a strong classifier because of its high calculation rate and accuracy. In this thesis, ANN is implemented on air quality classification data for DKI Jakarta in 2021 with particulate (PM10), sulfide (SO2), carbon monoxide (CO), Ozone (O3), and nitrogen dioxide (NO2) variables. This method will be calculated based on the accuracy, precision, and recall values obtained from the confused matrix. The most optimal classification results are obtained from the network architecture, which consists of 5 input layers, 4 hidden layers, and 2 output layers with an epoch value of 5000 and a learning rate of 0.001. The network architecture produces an accuracy value of 94%, a precision of 90%, and a recall of 100%. Abstrak. Klasifikasi adalah pembagian sistematis dari sebuah individu ke dalam suatu kelompok atau kategori menurut aturan atau standar yang ditetapkan. Terdapat beberapa algoritma klasifikasi yang dapat digunakan dalam mengklasifikasi data, diantaranya regresi logistik, analisis diskriminan, dan Artificial Neural Network (ANN). Penelitian ini menggunakan algoritma klasifikasi Artificial Neural Network (ANN) karena data yang digunakan tidak berdistribusi normal. ANN merupakan salah satu algoritma klasifikasi yang banyak digunakan untuk masalah pengenalan karakter dan merupakan classifier yang kuat karena tingkat perhitungan dan keakuratannya yang tinggi. Pada skripsi ini, ANN diimplementasikan pada data klasifikasi kualitas udara DKI Jakarta Tahun 2021 dengan variabel partikulat (PM10), sulfida (SO2), karbon monoksida (CO), Ozon (O3), dan nitrogen dioksida (NO2). Metode tersebut akan dihitung berdasarkan ukuran nilai accuracy, precision, dan recall yang didapat dari confusion matrix. Hasil pengklasifikasian yang paling optimal didapat dari arsitektur jaringan yang terdiri dari 5 input layer, 4 hidden layer, dan 2 output layer dengan nilai epoch 5000 dan learning rate 0.001. Arsitektur jaringan tersebut menghasilkan nilai accuracy sebesar 94%, precision sebesar 90%, dan recall sebesar 100%.]]>
<![CDATA[Model Regresi Gamma pada Data Indeks Pendidikan Kabupaten/Kota di Provinsi Jawa Barat Tahun 2021 ]]>
<![CDATA[Natasya]]>;
<![CDATA[Nusar Hajarisman]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.7834
<![CDATA[Abstract. Regression analysis is a statistical method used to describe and model cause-and-effect relationships between variables. In applying regression analysis methods, there are often problems of violating normal assumptions or asymmetrical response variable data. The gamma distribution is a flexible distribution that can model continuous data with positive values. Gamma regression is a regression model that can describe cause-and-effect relationships between predictor variables and gamma-distributed response variables. The maximum likelihood method is used in estimating the parameters of gamma regression models. Education index data can be positive or negative, it is known from the Central Bureau of Statistics of West Java Province that the education index data of West Java Province in 2021 has a positive value, so this study will discuss the application of the gamma regression model in the 2021 West Java Province education index data. Based on the results of the tests conducted, the education index data is not normally distributed and has a graph of functions that form positive skewness so that modeling can be continued using gamma regression. Factors that are thought to affect the education index of West Java Province are the poverty line, open unemployment rate, and per capita expenditure in West Java Province in 2021. From the results of hypothesis testing that has been carried out, it is concluded that per capita expenditure has a significant effect on the education index in West Java Province in 2021. The following gamma regression model is selected using AIC value criteria: Abstrak. Analisis regresi merupakan suatu metode statistik yang digunakan untuk mendeskripsikan dan memodelkan hubungan sebab-akibat antar variabel. Dalam melakukan penerapan metode analisis regresi sering terjadi masalah pelanggaran asumsi kenormalan atau data variabel respon yang tidak simetris. Distribusi gamma merupakan distribusi yang fleksibel sehingga dapat memodelkan data kontinu yang bernilai positif. Regresi gamma merupakan model regresi yang dapat menggambarkan hubungan sebab-akibat antara variabel prediktor dengan variabel respon yang berdistribusi gamma. Metode maximum likelihood digunakan dalam menaksir parameter model regresi gamma. Data indeks pendidikan dapat bernilai positif atau negatif, diketahui dari Badan Pusat Statistik Provinsi Jawa Barat bahwa data indeks pendidikan Provinsi Jawa Barat Tahun 2021 memiliki nilai yang positif, sehingga dalam penelitian ini akan dibahas terkait penerapan model regresi gamma pada data indeks pendidikan Provinsi Jawa Barat Tahun 2021. Berdasarkan hasil pengujian yang dilakukan, data indeks pendidikan tidak berdistribusi normal dan memiliki grafik fungsi yang membentuk positive skewness sehingga dapat dilanjutkan pemodelan menggunakan regresi gamma. Faktor yang diduga berpengaruh terhadap indeks pendidikan Provinsi Jawa Barat adalah garis kemiskinan, tingkat pengangguran terbuka, dan pengeluaran per kapita di Provinsi Jawa Barat tahun 2021. Dari hasil pengujian hipotesis yang telah dilakukan, diperoleh kesimpulan bahwa pengeluaran per kapita berpengaruh signifikan terhadap indeks pendidikan di Provinsi Jawa Barat tahun 2021. Berikut model regresi gamma yang dipilih dengan menggunakan kriteria nilai AIC: .]]>
