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
279 Documents
<![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: .]]>
<![CDATA[Penerapan Generalized Poisson Regression (GPR) dalam Memodelkan Kasus Campak pada Balita di Kabupaten Bandung Tahun 2020 ]]>
<![CDATA[Irna Noviana]]>;
<![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.v3i2.7850
<![CDATA[Abstract. Poisson regression is a regression method used to analyze count data with Poisson distributed response variables. In Poisson regression, there is an assumption that the mean value of the response variable must be equal to the variance value. If that assumption is not met, for example there is an overdispersion case where the variance value is greater than the average value and that is left unaddressed, making the standard error value of the estimated regression parameter tend to be lower than the supposed value (underestimate) resulting in a less accurate test conclusion. In this study, overdispersion cases can be solved using Generalized Poisson (GP) regression models. The GP regression model contains Generalized Poisson I regression and Generalized Poisson II regression. Generalized Poisson II regression can control a higher degree of variance in discrete data so that it can provide a more accurate parameter estimation compared to Generalized Poisson I regression in handling overdispersion cases. The purpose of this study is to model measles cases in infants in Bandung Regency in 2020. Measles cases are a form of data count. The Maximum Likhelood Estimation (MLE) method is used to estimate parameters. Calculation results show that the overdispersion case occurs in the response variable data (Y), so the study is continued using Generalized Poisson II regression method and the regression model is . From the results of the hypothesis test, the factor that has a significant effect on the number of measles cases in Bandung Regency in 2020 is the percentage of measles immunization in infants with a Pseudo R 2 value of 0,3936. Abstrak. Regresi Poisson merupakan metode regresi yang digunakan untuk menganalisa data count (jumlah) dengan variabel respon berdistribusi Poisson. Pada regresi Poisson, terdapat asumsi yang harus dipenuhi yaitu nilai rata-rata pada variabel respon harus sama dengan nilai varians (equidispersi). Jika asumsi tersebut tidak dipenuhi, misalnya terjadi kasus overdispersi di mana nilai varians lebih besar dari nilai rata-rata dan hal tersebut dibiarkan tanpa diatasi maka akan membuat nilai standard error dari dugaan parameter regresi cenderung lebih rendah dari nilai seharusnya (underestimate) sehingga menghasilkan kesimpulan pengujian yang kurang akurat. Dalam penelitian ini, kasus overdispersi dapat diatasi dengan model regresi Generalized Poisson (GP). Model regresi GP memuat regresi Generalized Poisson I dan regresi Generalized Poisson II. Pada regresi Generalized Poisson II dapat mengendalikan tingkat varians yang lebih tinggi dalam data diskrit sehingga mampu memberikan estimasi parameter yang lebih akurat dibandingkan dengan regresi Generalized Poisson I dalam menangani kasus overdispersi. Tujuan dari penelitian ini adalah untuk memodelkan kasus campak pada balita di Kabupaten Bandung tahun 2020. Kasus campak merupakan salah satu bentuk dari data count. Metode Maximum Likelihood Estimation (MLE) digunakan untuk mengestimasi parameter. Berdasarkan hasil perhitungan menunjukkan bahwa terjadinya kasus overdispersi pada data variabel respon , sehingga penelitian dilanjutkan menggunakan metode regresi Generalized Poisson II dan diperoleh model regresinya yaitu . Dari hasil pengujian hipotesis menyatakan bahwa faktor yang berpengaruh signifikan terhadap jumlah kasus campak pada di Kabupaten Bandung tahun 2020 adalah persentase imunisasi campak pada bayi dengan nilai Pseudo R2 sebesar 0,3936.]]>
<![CDATA[Pemodelam Regresi Conway-Maxwell-Poisson untuk Mengatasi Overdispersi pada Data Angka Kematian Ibu di Provinsi Jawa timur ]]>
<![CDATA[Deri Dzikria Khofiyandi]]>;
<![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.v3i2.7865
<![CDATA[Abstract. Poisson regression is usually used to model count data. one assumption in Poisson regression is equidispersion that meanS the mean equals to the variance. However, in real data it is often this assumption does not meet. One way to overcome overdispersion is the Conway-Maxwell-Poisson (COM-Poisson) regression. This study applied the COM-Poisson regression to model the effect of Pregnant women who receive a minimum of 4 antenatal care visits (X1), Active Integrated Health Post (X2), Delivery assisted by Healthcare Professional (X3), Provision of Iron Supplement Tablets to Pregnant Women (X4), Pregnant women who received Td2+ Immunization (X5) and Poverty Rate (X6) to Maternal Mortality Rate (Y) for East Java Province data of 2020. The obtained model is with dispersion parameter 0,35044. Meanwhile, the factors that influence the maternal mortality rate are pregnant women who get at least 4 checkups or check-ups at the end of their pregnancy (X1) and pregnant women who receive health services, especially at posyandu (X2). Abstrak. Regresi Poisson digunakan dalam memodelkan data cacahan. Salah satu asumsi dalam regresi Poisson adalah equdispersi yang berarti rata-rata sama dengan varians. Namun, pada data rill seringkali asumsi ini tidak terpenuhi. Salah satu cara untuk mengatasi overdispersi adalah dengan menggunakan regresi Conway-Maxwell-Poisson (COM-Poisson). Penelitian regresi COM-Poisson ini diterapkan untuk memodelkan pengaruh dari pemeriksaan akhir masa kehamilan (K4) (X1), keberadaan posyandu aktif (X2), persalinan yang ditolong tenaga kesehatan (X3), pemberian tablet penambah darah pada ibu hamil (X4), pemberian imunisasi td2+ pada ibu hamil (X5) dan persentase penduduk miskin (X6) terhadap Angka Kematian Ibu(Y) di Provinsi Jawa Timur pada data tahun 2020 Diperoleh model Conway-Maxwell-Poisson adalah dengan parameter dispersi 0,35044. Sememtara itu, faktor-faktor yang mempengaruhi angka kematian ibu adalah ibu hamil yang mendapatkan pemeriksaan minimal 4 kali (K4) atau pemeriksaan akhir masa kehamilan (X1) dan ibu hamil yang menerima pelayanan kesehatan terutama di posyandu (X2).]]>
<![CDATA[Kesesuaian Distribusi Magnitude Gempa dengan Distribusi Teoritis Gempa dalam Perhitungan Premi Asuransi Gempa Bumi ]]>
<![CDATA[Nadya Chaerunisa Apriani]]>;
<![CDATA[Sutawanir Darwis]]>
<![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.v3i2.7872
<![CDATA[Abstract. Earthquake insurance is insurance that guarantees loss or damage to insured property and/or interests that are directly caused by an earthquake. The purpose of this study was to determine the suitability of the earthquake magnitude distribution model with the theoretical distribution using the goodness of fit method, as well as to know the calculation steps and the amount of earthquake insurance premiums for 3 regions in West Java. The method used in this research is goodness of fit (GOF) based on empirical distribution function with five types of test statistics, and the following method is used probabilistic seismic hazard analysis (PSHA). The data used in this study is secondary data in the form of historical data on earthquake events in the 3 research areas for 10 years, 2013-2022. The results of this study are that the model on the distribution of earthquake magnitudes is in accordance with the theoretical distribution, namely the exponential distribution, as well as the model for the distribution of earthquake hypocenter distances which is in accordance with the theoretical distribution that has been determined. As well as Obtained the total amount of insurance premiums for Garut Regency is Rp. 206,610, - for a house that has a total tax object of Rp. 14,681,468, - for Tasikmalaya Regency is Rp. 274,630, - for a house that has a total tax object of Rp. 15,121,366, - and for Sukabumi Regency it is Rp. 228,610, - for a house that has a total tax object of Rp. 14,969,526, - the total premium is the amount of money that must be paid by the insured to the insurance company every month. Abstrak. Asuransi gempa bumi adalah asuransi yang menjamin kerugian atau kerusakan harta benda dan/atau kepentingan yang dipertanggungkan yang secara langsung disebabkan oleh gempa bumi. Tujuan dari penelitian adalah untuk mengetahui kesesuaian model distribusi magnitude gempa dengan distribusi teoritisnya menggunakan metode goodness of fit, dan mengetahui langkah perhitungan dan besarnya premi asuransi gempa bumi untuk 3 wilayah di Jawa Barat. Metode yang digunakan yaitu goodness of fi (GOF) berdasarkan distribusi fungsi empiris dengan lima jenis statistik uji, dan probabilistic seismic hazard analysis (PSHA). Data yang digunakan pada penelitian ini adalah data sekunder berupa data historis kejadian gempa bumi di 3 wilayah penelitian selama 10 tahun yaitu 2013-2022. Hasil dari penelitian ini adalah model pada distribusi magnitude gempa sudah sesuai dengan distribusi teoritisnya yaitu distribusi eksponensial, begitu juga untuk model distribusi jarak hiposenter gempa yang sudah sesuai dengan distribusi teoritisnya yang sudah ditentukan. Serta Diperoleh besarnya total premi asuransi untuk Kabupaten Garut adalah sebesar Rp. 206.610,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 14.681.468,- untuk Kabupaten Tasikmalaya adalah sebesar Rp. 274.630,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 15.121.366,- dan untuk Kabupaten Sukabumi adalah sebesar Rp. 228.610,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 14.969.526,- total premi tersebut adalah sejumlah uang yang harus dibayar pihat tertanggung kepada pihak perusahaan asuransi setiap bulannya.]]>
<![CDATA[Implementasi Zero Inflated Beta Regression Model pada Proporsi Kematian Ibu di Kota Bandung Tahun 2020 ]]>
<![CDATA[Labana Kaulika]]>;
<![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.v3i2.7879
<![CDATA[Abstract. Zero inflated beta is a mixture of the continous distribution on (0, 1) and the generated distribution which can produce a non-negative probability to 0. Zero Inflated Beta Regression (BeZI) is a method that can handle or model data that has a high proportion of zeros or there are excess zeros in the data. In this study, the response variable y has a mix between the beta distribution and the point mass at zero. Estimation of the regression parameters from the zero inflated beta regression model uses the Maximum Likelihood Estimation (MLE), where the estimation process is solved numerically. The numerical method used is the Fisher’s scoring method based on the score vector and the Fisher Information matrix to estimate the parameters of the maternal mortality rate in the city of Bandung in 2020. The results of the research on the count regression model show that the percentage variable K1 has a negative effect on the proportion of maternal deaths in Bandung City in 2020, while in the zero inflation model it is found that there are no variables that have an influence on the proportion when maternal deaths do not occur. Abstrak. Zero inflated beta merupakan campuran distribusi kontinu pada (0, 1) dan distribusi yang dibangkitkan dimana dapat menghasilkan probabilitas non-negatif ke 0. Zero Inflated Beta Regression (BeZI) merupakan metode yang dapat menangani atau memodelkan suatu data yang memiliki proporsi nol yang tinggi atau terdapat excess zero dalam data. Dalam skripsi ini, variabel respon memiliki percampuran antara distribusi beta dan titik massa pada nol. Penaksiran parameter regresi dari model regresi zero inflated beta menggunakan Maximum Likelihood Estimation (MLE), dimana proses penaksirannya diselesaikan secara numerik. Metode numerik yang digunakan yaitu metode Fisher’s scoring berdasarkan pada vektor skor dan matriks informasi Fisher untuk menaksir parameter dari angka kematian ibu di kota bandung tahun 2020. Hasil penelitian pada model count regression diperoleh bahwa variabel persentase K1 memiliki pengaruh negatif terhadap proporsi kematian ibu Kota Bandung tahun 2020, sedangkan pada model zero inflation diperoleh bahwa tidak ada variabel yang memiliki pengaruh terhadap proporsi pada saat tidak terjadinya kematian ibu.]]>
<![CDATA[Penerapan Model Regresi Beta pada Proporsi Angka Kematian Neontal Tingkat Kabupaten/Kota di Provinsi Jawa Barat Tahun 2020 ]]>
<![CDATA[Balqis Nabilah Khairunnisa]]>;
<![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.v3i2.7893
<![CDATA[Abstract. In general, if a response variable is in the form of a proportion with an open interval (0,1), a beta regression model can be used. In forming the beta regression model, it is necessary to include the average response simultaneously using the dispersion parameter, therefore it is necessary to reparameterize the density function of the beta distribution. The parameters of the beta regression model can be interpreted in the form of averages derived from the response variables, and when using the logit relationship function, these regression parameters are interpreted as odds ratios. The estimation parameter model uses the Maximum Likelihood Estimator (MLE) method, with a log-likelihood function where the estimation process can be solved numerically. This thesis will discuss the factors that cause neonatal death through parameter estimation and the application of data modeling on the proportion of neonatal mortality through a beta regression model. The data used comes from secondary data obtained from the West Java Provincial Health Office. The results of the research that was carried out using the Beta regression model showed that there was only one predictor variable that had a significant effect on the proportion of neonatal mortality, namely the number of cases of Low Birth Weight (LBW), where the highest proportion of cases was the highest out of every 27 districts/cities in West Java Province in 2020, namely Indramayu Regency and Garut Regency, while the lowest proportion of cases was Bekasi City and Tasikmalaya City. Abstrak. Pada umumnya jika suatu variabel respons yang berbentuk proporsi dengan selang terbuka (0,1) dapat menggunakan model regresi beta. Dalam membentuk model regresi beta perlu menyertakan rata-rata respons bersamaan menggunakan parameter dispersinya, oleh karena itu perlu dilakukan reparameterisasi dari fungsi densitas distribusi beta. Parameter model regresi beta dapat diinterpretasikan dalam bentuk rata-rata yang berasal dari variabel respons, serta saat menggunakan fungsi hubung logit, maka parameter regresi ini diinterpretasikan menjadi odds ratio. Penaksiran parameter model menggunakan metode Maximum Likelihood Estimator (MLE), dengan turunan fungsi log-likelihood dimana proses penaksirannya dapat diselesaikan secara numerik. Dalam skripsi ini akan membahas mengenai faktor-faktor penyebab kematian neonatal melalui penaksiran parameter dan penerapan dari pemodelan data proporsi angka kematian neonatal melalui model regresi beta. Data yang digunakan berasal dari data sekunder yang diperoleh dari Dinas Kesehatan Provinsi Jawa Barat. Dari hasil penelitian yang telah dilakukan menggunakan model regresi Beta menunjukkan bahwa hanya terdapat satu variabel prediktor yang berpengaruh secara signifikan terhadap proporsi angka kematian neonatal, yaitu banyaknya kasus Berat Badan Lahir Rendah (BBLR), dimana proporsi kasus tertinggi dari setiap 27 kabupaten/kota di Provinsi Jawa Barat tahun 2020 yaitu Kabupaten Indramayu dan Kabupaten Garut, sedangkan untuk proporsi jumlah kasus terendah yaitu Kota Bekasi dan Kota Tasikmalaya.]]>
<![CDATA[Perbandingan Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam Peramalan Produksi Cabai Besar di Kabupaten Garut Provinsi Jawa Barat ]]>
<![CDATA[Ihram Adi Pratama]]>;
<![CDATA[Anneke Iswani Achmad]]>
<![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.v3i2.7900
<![CDATA[Abstract. This study discusses the comparison of Holt-Winters Exponential Smoothing method with Artificial Neural Networks in forecasting large chili production, Garut Regency, West Java Province. The Holt-Winters Exponential Smoothing method is a forecasting method on time series data with trend and seasonal data patterns based on three equations, one for stationary, one for trend and one for seasonal. There are two methods in Holt-Winters Exponential Smoothing, namely multiplicative and additive.Artificial Neural Networks is a method inspired by human central neural networks. One method that can be used for forecasting in ANN is Neural Network Autoregression or NNAR. NNAR can be used to forecast forecasting through pattern recognition from inputs by utilizing lag values as inputs and then refined through the learning process using Backpropagation Algorithms. This method comparison uses RMSE (Root Mean Squared Error) to see the accuracy of forecasting accuracy. The data used is secondary data from the large chili production of Garut Regency in 2016 – 2022. Analysis of both methods resulted in the smallest RMSE value or forecasting accuracy on NNAR with RMSE Testing of 39,490.91. So to forecast m future period, you can use the Artificial Neural Networks method with Neural Network Autoregression because it has a smaller RMSE value. Abstrak. Penelitian ini membahas mengenai perbandingan metode Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam peramalan produksi cabai besar Kabupaten Garut Provinsi Jawa Barat. Metode Holt-Winters Exponential Smoothing merupakan metode peramalan pada data deret waktu dengan pola data trend dan musiman yang didasarkan pada tiga persamaan yaitu satu untuk stasioner, satu untuk trend dan satu untuk musiman. Terdapat dua metode dalam Holt-Winters Exponential Smoothing yaitu multiplikatif dan aditif. Artificial Neural Networks merupakan metode yang terinspirasi dari jaringan saraf pusat manusia. Salah satu metode yang dapat digunakan untuk peramalan dalam ANN adalah Neural Network Autoregression atau NNAR. NNAR dapat digunakan untuk memperkirakan peramalan melalui pengenalan pola dari input dengan memanfaatkan nilai lag sebagai input dan kemudian disempurnakan melalui proses pembelajaran menggunakan Algoritma Backpropagation. Perbandingan metode ini menggunakan RMSE (Root Mean Squared Error) untuk melihat akurasi ketepatan peramalan. Data yang digunakan adalah data sekunder dari produksi cabai besar Kabupaten Garut tahun 2016 – 2022. Analisis kedua metode tersebut menghasilkan nilai RMSE atau ketepatan peramalan terkecil pada NNAR dengan RMSE Pengujian sebesar 39.490,91. Sehingga untuk meramalkan m periode kedepan dapat menggunakan metode Artificial Neural Networks dengan Neural Network Autoregression karena memiliki nilai RMSE lebih kecil.]]>
<![CDATA[Uji Kenormalan dengan Metode Jarque Bera yang Robust pada Data Durasi Proses Persidangan di Pengadilan Tata Usaha Negara Bandung Tahun 2019-2021 ]]>
<![CDATA[Rika Delia Nur'aeni]]>;
<![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.v3i2.7925
<![CDATA[Abstract. In statistics, detecting data normality is an important assumption indicator. If one or more data points are found to be far from the general data pattern (outlier), it will cause the assumption of normality to not be met. Robust Jarque Bera (RJB) is a modification of the Jarque Bera test by using a robust estimate of the spread, using Median Absolute Deviation (MAD) and utilizing information from robust skewness and robust kurtosis. The purpose of this thesis is to apply the normality test with the Robust Jarque Bera method to data containing outliers on trial process duration data at the Bandung State Administrative Court in 2019-2021. The State Administrative Court resolves cases at the First Level Court within 5 months (150 days) at the latest, but in reality there are several cases that are resolved in more than 5 months (150 days). So that the Circular Letter of the Supreme Court of the Republic of Indonesia Number 2 of 2014 has not been implemented properly in the Bandung State Administrative Court. Based on the calculation results, it is obtained that the data on the duration of the trial process at the Bandung State Administrative Court in 2019-2021 has 34 outlier data using MAD. Then the value of robust skewness is 0.1005 and the value of robust kurtosis is 2.2301 which means that the data is not normally distributed with an RJB value of 11,5287 > chi-square. Abstrak. Dalam statistik, mendeteksi kenormalan data merupakan suatu indikator asumsi penting. Apabila ditemukannya satu atau beberapa titik data berada jauh dari pola data pada umumnya (pencilan), maka akan menyebabkan asumsi kenormalan tidak terpenuhi. Robust Jarque Bera (RJB) adalah sebuah modifikasi dari uji Jarque Bera dengan menggunakan estimasi yang robust (tahan terhadap pencilan) dari penyebaran, yaitu menggunakan Median Absolute Deviation (MAD) serta memanfaatkan informasi dari robust skewness dan robust kurtosis. Tujuan dari skripsi ini adalah untuk menerapkan uji kenormalan dengan metode Jarque Bera yang Robust terhadap data yang mengandung pencilan pada data durasi proses persidangan di Pengadilan Tata Usaha Negara Bandung (PTUN) tahun 2019-2021. PTUN menyelesaikan perkara di Pengadilan Tingkat Pertama paling lambat dalam waktu 5 bulan (150 hari), tetapi pada kenyataannya terdapat beberapa perkara yang penyelesaiannya lebih dari 5 bulan (150 hari). Sehingga Surat Edaran Mahkamah Agung RI Nomor 2 Tahun 2014 belum terlaksana dengan baik di PTUN Bandung. Berdasarkan hasil perhitungan diperoleh bahwasanya data durasi proses persidangan di Pengadilan Tata Usaha Negara Bandung (PTUN) tahun 2019-2021 memiliki 34 data pencilan dengan menggunakan MAD. Kemudian nilai dari robust skewness bernilai 0,1005 dan nilai dari robust kurtosis bernilai 2,2301 yang dimana data tersebut tidak berdistribusi normal dengan nilai RJB sebesar 11,5287 > chi-square.]]>
