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
10 Documents
Search results for
, issue
"Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics"
:
10 Documents
clear
<![CDATA[Analisis K-Means Clustering untuk Klasterisasi TPT Kabupaten/Kota di Jawa Barat 2021–2023 ]]>
<![CDATA[10060121055, Ainani Tajriyan Muntaharridwan]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.18636
<![CDATA[Abstract. The Open Unemployment Rate (TPT) is a crucial indicator reflecting the labor market and economic conditions of a region. West Java Province has consistently recorded relatively high TPT figures over the past three years, despite showing a downward trend. This study aims to cluster districts/cities in West Java based on their TPT data from 2021 to 2023 using the K-Means Clustering algorithm. The data used is secondary data obtained from the Central Statistics Agency (BPS). The analytical process includes assumption testing, data normalization using Z-Score, and determining the optimal number of clusters through the Silhouette Coefficient method. The results show that two optimal clusters were formed: the first cluster consists of five regions with relatively low TPT, while the second cluster includes twenty-two regions with relatively high TPT. The clustering visualization demonstrates a clear separation between clusters, and silhouette values above 0.5 indicate strong clustering performance. This research provides a data-driven basis for local governments to formulate more targeted and effective employment policies. It also contributes to future studies in applying data mining techniques to social and economic issues. Abstrak. Tingkat Pengangguran Terbuka (TPT) merupakan indikator penting yang mencerminkan kondisi ketenagakerjaan dan perekonomian suatu wilayah. Provinsi Jawa Barat tercatat memiliki angka TPT yang cukup tinggi dalam tiga tahun terakhir, meskipun menunjukkan tren penurunan. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Provinsi Jawa Barat berdasarkan kesamaan tingkat pengangguran terbuka pada tahun 2021 hingga 2023 menggunakan algoritma K-Means Clustering. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS). Proses analisis diawali dengan uji asumsi, normalisasi data menggunakan Z-Score, serta validasi jumlah cluster optimal menggunakan metode Silhouette Coefficient. Hasil penelitian menunjukkan bahwa dua cluster optimal terbentuk: cluster pertama terdiri dari lima kabupaten/kota dengan TPT relatif rendah, sedangkan cluster kedua terdiri dari dua puluh dua wilayah dengan TPT relatif tinggi. Visualisasi hasil clustering menunjukkan pemisahan yang jelas antar cluster, dan validasi dengan nilai silhouette rata-rata > 0,5 menunjukkan kualitas pengelompokan yang baik. Penelitian ini diharapkan menjadi dasar rekomendasi bagi pemerintah daerah dalam merancang kebijakan ketenagakerjaan yang lebih terarah dan efisien, serta sebagai referensi dalam pengembangan penelitian lanjutan menggunakan metode data mining dalam bidang sosial ekonomi.]]>
<![CDATA[Pengelompokan Kabupaten/Kota Berdasarkan Indikator Perumahan di Pulau Jawa Menggunakan Hierarchical Density Based Spatial Clustering of Application with Noise (HDBSCAN) ]]>
<![CDATA[10060121060, Rosyida Aurelia Fitri Riayah]]>;
<![CDATA[Ilham Faisal Mahdy]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.18744
<![CDATA[Abstract. Cluster analysis is a method used to group data based on similar characteristics. One density-based cluster analysis is Hierarchical Density Based Spatial Clustering of Applications with Noise. HDBSCAN is a density-based clustering method capable of forming clusters with different densities and identifying data that does not belong to any cluster (noise). This method automatically forms clusters based on variations in local density. The distance used to measure the proximity between data points is the Euclidean distance. The clustering results are evaluated using Density-Based Clustering Validation (DBCV). DBCV is a validation index specifically designed for density-based methods, focusing on cohesion and separation between clusters. The DBCV value ranges from -1 to 1, with higher values indicating better clusters. In this study, the HDBSCAN method will be applied to data related to the 2023 Housing Indicators with observation points in the regencies/cities on the island of Java. Housing conditions are one of the supporting aspects of community welfare, but disparities in adequate housing still exist on the island of Java. Therefore, it is necessary to map areas based on housing indicators to identify patterns of similarity in characteristics between areas as a basis for development planning. From the cluster analysis results obtained using a minimum cluster size of 7 and a minimum sample size of 7, two clusters and 12 noise points were identified. Cluster 1 consists of 39 regions, and Cluster 2 consists of 60 regions. The DBCV value obtained was 0.5506, indicating a sufficiently stable cluster structure, so the clustering results can be used to interpret the characteristics of each regional group based on the indicators used. Abstrak. Analisis klaster adalah metode yang digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik. Salah satu analisis klaster berbasis kepadatan adalah Hierarchical Density Based Spatial Clustering of Application with Noise. HDBSCAN merupakan klasterisasi berbasis kepadatan yang mampu membentuk klaster dengan kepadatan berbeda dan mengidentifikasi data yang tidak termasuk ke dalam klaster manapun (noise). Metode ini membentuk klaster secara otomatis berdasarkan variasi kerapatan lokal. Jarak yang digunakan untuk mengukur kedekatan antar data adalah jarak euclidean. Evaluasi hasil klaster dilakukan menggunakan Density Based Clustering Validation (DBCV) yang merupakan indeks validasi khusus untuk metode berbasis kepadatan yang memperhatikan kohesi dan separasi antar klaster. Nilai DBCV berada antara -1 hingga 1, dengan nilai yang lebih tinggi menunjukan klaster semakin baik. Pada penelitian ini, metode HDBSCAN akan diterapkan pada data terkait Indikator Perumahan Tahun 2023 dengan titik pengamatan yakni Kabupaten/Kota yang ada di Pulau Jawa. Kondisi perumahan merupakan salah satu aspek penunjang kesejahteraan masyarakat, namun ketimpangan hunian layak masih terjadi di Pulau Jawa. Karena itu, diperlukan pemetaan wilayah berdasarkan indikator perumahan untuk mengetahui pola kemiripan karakteristik antar wilayah sebagai bahan perencanaan pembangunan. Dari hasil analisis klaster yang dilakukan dengan menggunakan minimum cluster size = 7 dan minimum sample = 7, diperoleh 2 klaster dan 12 noise. Klaster 1 terdiri dari 39 daerah dan klaster 2 terdiri dari 60 daerah. Nilai DBCV yang diperoleh sebesar 0,5506 yang menunjukkan struktur klaster cukup stabil, maka hasil klasterisasi dapat digunakan untuk menginterpretasikan karakteristik tiap kelompok wilayah berdasarkan indikator yang digunakan.]]>
<![CDATA[Analisis Indeks Persepsi Korupsi: Makroekonomi Dan Polusi Udara Menggunakan Regresi Beta ]]>
<![CDATA[10060121097, Siti Fatimah]]>;
<![CDATA[Abdul Kudus]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.21451
<![CDATA[Abstract. The Corruption Perceptions Index (CPI) is an indicator for assessing the quality of government governance that impacts the economic and environmental sectors. This study uses data from 135 countries in 2022 modeled using beta regression, considering the characteristics of CPI data which are proportions in the range (0,1). The beta regression model uses a logit link function, which connects the mean response (μ) with a linear combination of independent variables to ensure that predictions remain within the (0,1) interval. Parameter estimation is carried out using the Maximum Likelihood Estimation (MLE) method, which is suitable for the beta distribution and allows efficient parameter estimation. The initial model yielded a very low R-squared value of 16.28% and identified 21 outlier observations. After removing these 21 outliers, the revised model achieved an R-squared value of 54.98%, indicating improvement and no further outlier observations detected. The simultaneous test results of the final model concluded that at least one independent variable significantly influences the Corruption Perceptions Index (CPI). In other words, the beta regression model used is statistically significant and appropriate for explaining the variability in CPI. Partial test results show that of the twelve independent variables tested, only four significantly influence CPI at the 5% significance level: population, GNI, GDP, and debt. Keywords: Corruption Perceptions Index, Macroeconomic Factors, Air Pollution, Beta Regression Abstrak. Indeks Persepsi korupsi merupakkan indikator dalam menilai kualitas tata kelola pemerintah yang berdampak pada sektor ekonomi dan lingkungan, dengan menggunakan data dari 135 negara tahun 2022 yang dimodelkan dengan regresi beta mengingat karakteristik data indeks persepsi korupsi yang berupa proporsi dalam rentang (0,1). Model regresi beta menggunakan fungsi hubung logit, yaitu fungsi yang menghubungkan rata-rata respon (μ) dengan kombinasi linier variabel independen agar prediksi tetap berada dalam interval (0,1). Estimasi parameter dilakukan menggunakan metode maximum likelihood estimation (MLE), yang sesuai untuk distribusi beta dan memungkinkan estimasi parameter yang efisien. Model dugaan awal memberikan nilai R-squared sangat kecil yaitu 16,28% dan terdapat 21 observasi yang merupakan outlier. Kemudian dilakukan penghapusan outlier sebanyak 21 observasi dan diperoleh model dugaan nilai R-squared sebesar 54,98% meningkat dari sebelumnya serta dinyatakan tidak ada observasi yang terindikasi outlier. Hasil uji simultan dari model dugaan akhir disimpulkan bahwa minimal terdapat satu variabel independen yang berpengaruh secara signifikan terhadap Indeks Persepsi Korupsi atau Porruption perception Index (CPI). Dengan kata lain, model regresi beta yang digunakan secara keseluruhan signifikan secara statistik dan layak digunakan untuk menjelaskan variabilitas dalam CPI. Hasil uji parsial diperoleh bahwa dari dua belas variabel independen yang diuji, hanya empat variabel yang berpengaruh secara signifikan terhadap CPI pada tingkat signifikansi 5%. Keempat variabel tersebut adalah populasi, GNI, GDP, dan utang(debt). Kata Kunci: Indeks Persepsi Korupsi, Faktor Makro Ekonomi, Polusi Udara, Regresi Beta]]>
<![CDATA[Penerapan Metode Hybrid Fuzzy Time Series pada Data IHSG ]]>
<![CDATA[10060118082, Rizky Fauzi]]>;
<![CDATA[Teti Sofia Yanti]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.21452
<![CDATA[Abstract. Forecasting the Indonesia Composite Stock Price Index (IHSG) plays a crucial role in investment decision-making; however, the volatility and uncertainty of the data make the process complex. This study aims to apply a hybrid Fuzzy Time Series (FTS) method combined with Fuzzy C-Means (FCM) and Markov Chain algorithms to accurately model and forecast IHSG values. The data used consists of daily IHSG closing prices from January 2020 to July 2025, obtained from idx.co.id. The research steps include data preprocessing, determining the universe of discourse, identifying the optimal number of clusters using the Elbow method, constructing fuzzy intervals based on FCM cluster centers, followed by fuzzification, forming Fuzzy Logical Relationship Groups (FLRG), building the Markov transition probability matrix, and conducting prediction with result adjustments. The model was evaluated using RMSE, MAPE, and Theil’s U metrics to measure accuracy. The results showed that the hybrid method produced predictions with an RMSE of 65.8147, MAPE of 0.80%, and Theil’s U of 0.0102 after adjustment, indicating excellent model performance. In conclusion, the FTS-FCM-Markov hybrid method effectively handles the dynamic characteristics of IHSG data and can serve as an alternative approach for stock market forecasting. Abstrak. Peramalan Indeks Harga Saham Gabungan (IHSG) memiliki peran penting dalam pengambilan keputusan investasi, namun fluktuasi dan ketidakpastian data membuat proses ini menjadi kompleks. Penelitian ini bertujuan untuk menerapkan metode hybrid Fuzzy Time Series (FTS) yang dikombinasikan dengan algoritma Fuzzy C-Means (FCM) dan Markov Chain untuk memodelkan dan meramalkan nilai IHSG secara akurat. Data yang digunakan merupakan harga penutupan IHSG harian dari Januari 2020 hingga Juli 2025 yang diambil dari Idx.co.id. Langkah penelitian dimulai dengan pra-pemrosesan data, penentuan universe of discourse, penentuan jumlah klaster optimal dengan metode Elbow, pembentukan interval fuzzy berdasarkan pusat klaster FCM, kemudian dilakukan proses fuzzifikasi, pembentukan Fuzzy Logical Relationship Group (FLRG), pembangunan matriks probabilitas transisi Markov, hingga tahap prediksi dan penyesuaian hasil. Model dievaluasi menggunakan metrik RMSE, MAPE, dan Theil’s U untuk mengukur tingkat akurasi. Hasil menunjukkan bahwa metode hybrid ini mampu memberikan prediksi dengan RMSE sebesar 65.8147, MAPE 0.80%, dan Theil’s U sebesar 0.0102 setelah dilakukan penyesuaian, yang mengindikasikan performa model yang sangat baik. Kesimpulannya, metode hybrid FTS-FCM-Markov terbukti mampu menangani karakteristik data IHSG yang bersifat dinamis dan dapat dijadikan sebagai pendekatan alternatif dalam peramalan pasar saham..]]>
<![CDATA[Metode Geographically Weighted Panel Regression (GWPR) untuk Memodelkan Jumlah Penduduk Miskin di Provinsi Jawa Timur pada Tahun 2019 – 2022 ]]>
<![CDATA[10060118019, Santi Novi Ramadhanty]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstract. Panel data is a combination of time series data and cross-sectional data. The purpose of panel data regression methods is to construct a regression model that can explain the influence of independent variables on the dependent variable across several sectors observed over a specific period in a study. In estimating the model, panel data regression methods use three types of estimators: the Common Effect Model, Fixed Effect Model, and Random Effect Model, from which the best model will later be selected. If, in the analysis, spatial data or observation locations are involved and this method is still used without adjustments, it may lead to a violation of assumptions, particularly spatial heterogeneity. Therefore, an approach to address spatial data issues is by using Geographically Weighted Regression (GWR). A method called Geographically Weighted Panel Regression (GWPR) needs to be developed, which aims to comprehensively integrate location (cross-sectional data) and observations over time. The GWPR analysis in this study uses an adaptive kernel because this type of kernel provides a different bandwidth for each observation point. This is due to its functional ability to adapt to the specific conditions of each observation point. By selecting the model based on the lowest AIC, highest R², and lowest Cross Validation (CV) values, the optimal bandwidth is incorporated into the model, resulting in a weighted or calibrated model. Abstrak. Data Panel merupakan data gabungan antara data time series dan data cross-section. Metode regresi data panel bertujuan untuk membentuk suatu model regresi yang dapat memodelkan pengaruh bebas terhadap variabel terikat dalam beberapa sektor yang diamati selama periode waktu tertentu dari suatu penelitian. Dalam mengestimasi model metode regresi data panel memiliki 3 estimasi yaitu : Common Effect Model, Fixed Effect Model dan Random Effect Model yang nantinya akan dipilih model mana yang terbaik. Jika dalam analisis ini terdapat lokasi pengamatan atau data spasial dan dipaksakan untuk menggunakan metode ini, maka akan terjadi pelanggaran asumsi yaitu heterogenitas spasial, oleh karena itu ada pendeketan untuk mengatasi adanya data spasial dengan menggunakan Geographycally Weighted Regression (GWR). Perlu dikembangkannya suatu metode yang disebut Geographycally Weighted Panel Regression (GWPR) yang bertujuan untuk menggabungkan secara keseluruhan lokasi (cross sectional) dan observasi. Analisis GWPR dalam penelitian ini menggunakan adaptive kernel dikarenakan kernel ini memiliki bandwidth yang berbeda untuk setiap titik lokasi pengamatan, hal ini disebabkan kemampuan fungsinya yang dapat disesuaikan dengan kondisi titik – titik pengamatan. Dengan pemilihan model dengan melihat nilai AIC paling rendah, nilai R2 paling tinggi dan nilai Cross Validation (CV) paling minimum, nilai bandwidth optimum ini dimasukan kedalam model, sehingga model yang dihasilkan sudah terboboti.]]>
<![CDATA[Prediksi Kasus Diabetes Melitus Menggunakan Artificial Neural Network Berdasarkan Konsumsi Gula dan Hipertensi di Jawa Barat ]]>
<![CDATA[Dithia Permana, Riyaldi Dithia Permana]]>;
<![CDATA[Reny Rian Marliana]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.18601
<![CDATA[Abstract. Diabetes mellitus is one of the non-communicable diseases that has a high prevalence in Indonesia, especially in West Java Province. This study aims to predict the number of diabetes mellitus cases based on the level of sugar consumption and the number of hypertension cases using the Artificial Neural Network (ANN) method. The data used came from 27 districts/cities in West Java in 2023, including two independent variables, namely the level of sugar consumption and the number of people with hypertension, and one dependent variable, namely the number of diabetes mellitus cases. The data was analyzed using a min-max normalization process, division of training and testing data, and random weighting. The prediction results show that the ANN model has high accuracy with a Sum of Squared Errors (SSE) value of 2.9678 for training data and 0.7516 for testing data. This model is able to provide a prediction picture that is close to the actual value. This research is expected to be the basis in the formulation of preventive policies by local governments in controlling diabetes mellitus. Abstrak. Diabetes melitus merupakan salah satu penyakit tidak menular yang memiliki prevalensi tinggi di Indonesia, terutama di Provinsi Jawa Barat. Penelitian ini bertujuan untuk memprediksi jumlah kasus diabetes melitus berdasarkan tingkat konsumsi gula dan jumlah kasus hipertensi menggunakan metode Artificial Neural Network (ANN). Data yang digunakan berasal dari 27 Kabupaten/Kota di Jawa Barat tahun 2023, mencakup dua variabel independen yaitu tingkat konsumsi gula dan jumlah penderita hipertensi, serta satu variabel dependen yaitu jumlah kasus diabetes melitus. Data dianalisis menggunakan proses normalisasi min-max, pembagian data training dan testing, serta pembobotan secara acak. Hasil prediksi menunjukkan bahwa model ANN memiliki akurasi tinggi dengan nilai Sum of Squared Errors (SSE) sebesar 2.9678 untuk data training dan 0.7516 untuk data testing. Model ini mampu memberikan gambaran prediksi yang mendekati nilai aktual. Penelitian ini diharapkan dapat menjadi dasar dalam perumusan kebijakan preventif oleh pemerintah daerah dalam pengendalian penyakit diabetes melitus.]]>
<![CDATA[Uji Proporsi Pasien Berdasarkan Jenis Kelamin dan Peramalan Kunjungan Pasien RSAU ]]>
<![CDATA[Nur Rizkia, Bilqis]]>;
<![CDATA[Abdul Kudus]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.19596
<![CDATA[Abstract. Along with the continuous increase in population, the demand for healthcare services is also rising, causing the number of hospital visits to continue increasing. One characteristic that influences the utilization of health services is gender. The author observed differences in outpatient visits at RSAU dr. M. Salamun, where female patients were more numerous than male patients. To determine whether this difference is statistically significant, a proportion comparison test was conducted. In addition, to anticipate the increasing number of patients, the hospital needs to plan effectively by predicting future outpatient visits. Therefore, this study also conducted forecasting using the ARIMA (Autoregressive Integrated Moving Average) method. The results showed that the proportion comparison test produced a Z value of 66.9078 with a p-value of 0.000, meaning that the proportion of female patients is significantly higher than that of male patients. Furthermore, ARIMA modeling resulted in the best model, ARIMA (1,1,0), with the smallest MSE value of 1,081,351. The forecasting results for outpatient visits from August to December 2024 showed a fluctuating pattern, but indicated signs of recovery compared to the previous period. Abstrak. Seiring dengan terus meningkatnya jumlah penduduk, permintaan terhadap layanan kesehatan juga mengalami peningkatan, sehingga menyebabkan jumlah kunjungan ke rumah sakit semakin bertambah. Salah satu karakteristik yang memengaruhi pemanfaatan layanan kesehatan adalah jenis kelamin. Penulis mengamati adanya perbedaan jumlah kunjungan rawat jalan di RSAU dr. M. Salamun, di mana jumlah pasien perempuan lebih banyak dibandingkan pasien laki-laki. Untuk mengetahui apakah perbedaan ini signifikan secara statistik, dilakukan uji perbandingan proporsi. Selain itu, untuk mengantisipasi peningkatan jumlah pasien, pihak rumah sakit perlu melakukan perencanaan yang efektif dengan memprediksi jumlah kunjungan rawat jalan pada periode mendatang. Oleh karena itu, penelitian ini juga melakukan peramalan menggunakan metode ARIMA (Autoregressive Integrated Moving Average). Hasil penelitian menunjukkan bahwa uji perbandingan proporsi menghasilkan nilai Z sebesar 66,9078 dengan p-value 0,000, yang berarti proporsi pasien perempuan secara signifikan lebih tinggi dibandingkan pasien laki-laki. Selain itu, pemodelan ARIMA menghasilkan model terbaik yaitu ARIMA (1,1,0) dengan nilai MSE terkecil sebesar 1.081.351. Hasil peramalan jumlah kunjungan pasien rawat jalan pada bulan Agustus hingga Desember 2024 menunjukkan pola yang fluktuatif, tetapi mengindikasikan adanya tanda-tanda pemulihan dibandingkan dengan periode sebelumnya.]]>
<![CDATA[Penerapan Model Vector Autoregression dalam Peramalan CAR dan ROA Bank BJB ]]>
<![CDATA[Salsabila, Felisha]]>;
<![CDATA[Teti Sofia Yanti]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.20186
<![CDATA[Abstract. In facing increasingly complex economic dynamics, banks are expected to maintain their financial stability through the management of various financial indicators. Some of the key indicators include the Capital Adequacy Ratio (CAR) and Return on Assets (ROA). This study aims to analyze the dynamic relationship and forecast CAR and ROA at Bank BJB for the period 2016–2024 using the Vector Autoregression (VAR) model. The data used consists of quarterly financial reports of Bank BJB from 2016 to 2024, obtained from the official website of Bank BJB. The data is processed using EViews 10 software through several stages, including descriptive statistics, stationarity testing, cointegration testing, model estimation and stability testing, diagnostic checking, optimal lag determination, Granger causality testing, forecasting, and accuracy evaluation using the Mean Absolute Percentage Error (MAPE) value. The results show that two parameters are significant at the 10% level: ΔCAR(-2) on ΔCAR and ΔROA(-1) on ΔROA. The forecasting model in this study is able to capture the historical patterns of CAR and ROA quite well, as indicated by a MAPE value of 3.56% for CAR which is considered very good and 22.37% for ROA, which falls into the fair category. Abstrak. Dalam menghadapi dinamika ekonomi yang semakin kompleks, bank diharapkan menjaga stabilitas keuangannya melalui pengelolaan berbagai indikator keuangan. Beberapa indikator penting tersebut antara lain adalah Capital Adequacy Ratio (CAR) dan Return on Assets (ROA). Penelitian ini bertujuan untuk menganalisis hubungan dinamis serta meramalkan CAR dan ROA pada Bank BJB tahun 2016–2024 menggunakan model VAR. Data yang digunakan merupakan laporan keuangan triwulanan Bank BJB selama periode tahun 2016 hingga 2024 yang diperoleh melalui website resmi Bank BJB. Data diolah menggunakan software Eviews 10 melalui tahapan statistik deskriptif, uji stasioneritas, uji kointegrasi, estimasi dan stabilitas model, uji diagnostik, penentuan lag optimal, uji kausalitas Granger, peramalan, serta evaluasi akurasi menggunakan nilai MAPE. Hasil menunjukkan bahwa terdapat dua parameter yang signifikan pada taraf nyata 10%, yaitu ΔCAR(-2) terhadap ΔCAR dan ΔROA(-1) terhadap ΔROA. Model peramalan dalam penelitian ini mampu menangkap pola historis CAR dan ROA dengan cukup baik, yang ditunjukkan oleh nilai MAPE sebesar 3,56% untuk CAR yang tergolong sangat baik, dan 22,37% untuk ROA yang berada dalam kategori cukup.]]>
<![CDATA[Penerapan Diagram Kendali Shewhart pada Model ARMA-GARCH dalam Memantau Proses Keuangan di Pasar Modal Indonesia ]]>
<![CDATA[Maharani, Renita]]>;
<![CDATA[Suwanda]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.20556
<![CDATA[Abstract. The capital market has significant potential to drive the country's economic growth. The Indonesian capital market is inseparable from market uncertainty which influences risk considerations in investing. Financial data modeling using time series methods is effective in modeling stock market returns and volatility. The ARMA model is unable to handle the problem of non-constant residual variance, requiring advanced modeling, namely ARMA-GARCH. However, this model has limitations in monitoring the stability of financial processes. Therefore, a statistical method capable of monitoring financial process stability, namely the Shewhart control chart, is applied. This study uses the ARMA-GARCH model and the Shewhart control chart to model returns and volatility with statistical control tools useful for providing an overview of investment risk in the Indonesian capital market. This study uses data from the Jakarta Composite Index for the period January 2000 to December 2024, totaling 6,089 observations. The results show that the ARMA (1,2) - GARCH (2,1) model is the best model with the smallest AIC and SIC values. The Shewhart control chart for the ARMA (1,2) - GARCH (2,1) model shows 101 uncontrolled signals. This indicates that there were at least 101 market volatility shocks in the Indonesian capital market from January 2000 to December 2024. Abstrak. Pasar modal memiliki potensi besar menjadi motor penggerak pertumbuhan ekonomi negara. Pasar modal Indonesia tidak terlepas dari ketidakpastian pasar yang berpengaruh pada pertimbangan risiko dalam berinvestasi. Pemodelan data keuangan menggunakan metode deret waktu sangat efektif dalam memodelkan return dan volatilitas pasar saham. Model ARMA tidak mampu menangani masalah ragam sisaan yang tidak konstan sehingga diperlukan pemodelan lanjutan yaitu ARMA-GARCH. Namun, model ini memiliki keterbatasan dalam memantau stabilitas proses keuangan. Maka diterapkan metode statistik yang mampu memantau stabilitas proses keuangan yaitu diagram kendali Shewhart. Penelitian ini menggunakan model ARMA-GARCH dan diagram kendali Shewhart untuk memodelkan return dan volatilitas dengan alat kontrol statistik yang berguna untuk memberikan gambaran risiko investasi di pasar modal Indonesia. Penelitian ini menggunakan data Indeks Harga Saham Gabungan (IHSG) periode Januari 2000 sampai Desember 2024 sebanyak 6.089 pengamatan. Hasil penelitian menunjukkan bahwa model ARMA (1,2) – GARCH (2,1) merupakan model terbaik dengan nilai AIC dan SIC terkecil. Diagram kendali Shewhart pada model ARMA (1,2) – GARCH (2,1) menunjukkan sinyal yang tidak terkendali sebanyak 101 kali. Hal ini menandakan bahwa sepanjang periode Januari 2000 sampai Desember 2024 terjadi setidaknya 101 kali guncangan (market volatility) di pasar modal Indonesia.]]>
<![CDATA[Premi Asuransi Gempa Bumi Pulau Lombok Menggunakan Probabilistic Seismic Hazard Analysis dan Korelasi MMI-PGA ]]>
<![CDATA[Agus Nugraha, Ryan]]>;
<![CDATA[Sutawanir Darwis]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.20877
<![CDATA[Abstract. Indonesia is a seismically active country due to its location at the convergence of three major tectonic plates and the Pacific Ring of Fire. Lombok Island is particularly prone to earthquakes, with a history of events causing significant damage to infrastructure and communities. This study aims to estimate earthquake insurance premiums in Lombok using a Probabilistic Seismic Hazard Analysis (PSHA) approach. Earthquake data were declustered and shown to follow a Poisson distribution. Peak Ground Acceleration (PGA) values from PSHA were converted to Modified Mercalli Intensity (MMI) using Pailoplee’s (2012) logarithmic correlation: log10(PGA)=0.2526xMMI-3.1006. The MMI values were applied in a normal-binomial model to estimate seismic hazard, while the Damage Probability Matrix (DPM) was used to calculate the Expected Annual Damage Ratio (EADR). Results showed an EADR of 1.0907% per year, within the premium limits set by the Financial Services Authority (OJK). The estimated Pure Risk Premium (PRP) was IDR 10,907,000 per year for a building insured at IDR 1,000,000,000. After adding a loading factor, the Total Premium (TP) reached IDR 18,178,333.33. This probabilistic approach offers a realistic basis for earthquake insurance pricing and risk management in Lombok. Abstrak. Indonesia merupakan negara dengan aktivitas seismik tinggi karena berada di pertemuan tiga lempeng tektonik utama dan Cincin Api Pasifik. Pulau Lombok dikenal sebagai wilayah aktif secara seismik, dengan catatan sejarah gempa bumi yang berdampak besar terhadap infrastruktur dan kehidupan masyarakat. Penelitian ini bertujuan untuk mengestimasi tarif premi asuransi gempa bumi di Pulau Lombok berdasarkan pendekatan Probabilistic Seismic Hazard Analysis (PSHA). Data gempa dianalisis setelah proses declustering dan terbukti mengikuti distribusi Poisson. Nilai percepatan tanah maksimum (PGA) hasil PSHA dikonversi ke intensitas Modified Mercalli Intensity (MMI) menggunakan korelasi logaritmik dari Pailoplee (2012): log10(PGA)=0,2526xMMI-3,1006. Nilai MMI yang diperoleh digunakan dalam model normal-binomial untuk menghitung Seismic Hazard, dan Damage Probability Matrix (DPM) digunakan untuk menentukan Expected Annual Damage Ratio(EADR). Hasil analisis menunjukkan EADR sebesar 1,0907% per tahun, masih sesuai batas premi yang ditetapkan Otoritas Jasa Keuangan (OJK). Estimasi Pure Risk Premium (PRP) adalah Rp10.907.000 per tahun untuk nilai pertanggungan bangunan sebesar Rp1.000.000.000. Setelah penambahan loading factor, diperoleh Total Premium (TP) sebesar Rp18.178.333,33. Pendekatan probabilistik ini menunjukkan bahwa PSHA dan korelasi MMI–PGA dapat menjadi dasar realistis dan komprehensif dalam perhitungan premi asuransi gempa, serta mendukung pengelolaan risiko kebencanaan di Pulau Lombok.]]>
