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[Prediksi Curah Hujan Menggunakan Metode Regresi Bayesian di Kota Bandung pada Tahun 2022 ]]>
<![CDATA[Gilang Utama Auliarahman]]>;
<![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.v3i2.7968
<![CDATA[Abstract. Regression analysis is an analysis that predicts the functional relationship between the dependent variable and the independent variable and is then expressed in the form of a mathematical equation. Then regression analysis is divided into two based on the number of variables, namely linear regression analysis and multiple regression analysis. Multiple regression analysis explains the relationship between one dependent variable and two or more independent variables. To find out how much the relationship requires parameter estimation which can be explained using the Ordinary Least Squares (OLS) method or the Least Squares Method. Then in addition to using these two methods, another method that can be used is the Bayesian Regression method which is based on the Bayes Theorem. The Bayesian Regression method is a method required to estimate the parameters to be estimated by utilizing prior information from a population. This information is then combined with information from the sample used in estimating population parameters. In this method, the researcher needs to determine the prior distribution of the estimated parameters. This distribution is based on the researcher's intuition so it is objective. After the information from the data obtained from sampling is combined with the prior information of the parameter, the posterior distribution of the parameter will be obtained. Then this Bayesian method treats all unknown parameters as random variables and has a distribution. In this case it is very helpful in predicting weather, one of which is predicting rainfall. In this thesis, the method is applied to predict rainfall in Bandung City in 2022. The results show that the prediction of rainfall is greater in January, May, June, July, August, and December. But for the months of February, April, September, and November, the predicted data is close to the actual data. Abstrak. Analisis regresi merupakan analisis yang memprediksi hubungan fungsional antara variabel terikat dengan variabel bebas lalu dinyatakan dalam bentuk persamaan matematik. Lalu analisis regresi dibagi menjadi dua berdasarkan jumlah variabelnya, yaitu analisis regresi linier dan analisis regresi berganda. Analisis regresi berganda menjelaskan adanya hubungan antara satu variabel terikat dengan dua atau lebih variabel bebas. Untuk mengetahui seberapa besarnya hubungan tersebut memerlukan estimasi parameter yang dapat dijelaskan menggunakan metode Ordinary Least Squares (OLS) atau Metode Kuadat Terkecil. Lalu selain menggunakan kedua metode tersebut, metode lainnya yang dapat dipakai adalah metode Regresi Bayesian yang didasari dari Teorema Bayes. Metode Regresi Bayesian merupakan metode yang diperlukan untuk menaksir parameter yang akan diestimasi dengan memanfaatkan informasi awal (prior) dari suatu populasi. Informasi ini kemudian digabungkan dengan informasi dari sampel yang digunakan dalam mengestimasi parameter populasi. Pada metode ini, peneliti perlu menentukan distribusi prior dari parameter yang ditaksir. Distribusi ini berdasarkan intuisi peneliti sehingga bersifat objektif. Setelah informasi dari data yang didapat dari pengambilan sampel digabungkan dengan infromasi awal (prior) dari parameter, akan didapat distribusi posterior dari parameter. Lalu metode Bayesian ini memperlakukan semua parameter yang tidak diketahui sebagai variabel random dan memiliki distribusi. Dalam hal tersebut sangat membantu dalam memprediksi cuaca, salah satunya yaitu memprediksi curah hujan. Pada skripsi ini menerapkan metode tersebut untuk memprediksi curah hujan di Kota Bandung pada tahun 2022. Didapatkan hasilnya bahwa prediksi curah hujan lebih besar pada bulan Januari, Mei, Juni, Juli, Agustus, dan Desember. Tetapi untuk bulan Februari, April, September, dan November memperlihatkan data hasil prediksi mendekati data aktual.]]>
<![CDATA[Penerapan Model Regresi Zero-Inflated Poisson pada Kasus Kematian Bayi di Kota Bandung Tahun 2020 ]]>
<![CDATA[Nanda Shofia Nur Ihsan]]>;
<![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.v3i2.8042
<![CDATA[Abstract. Poisson regression is used to analyze the relationship between predictor variables and response variables in the form of discrete data. In Poisson regression, one of the problems often faced is that the response has more than 50% zero data (zero inflation). So, the regression model to overcome the problem where the data contains too many zero values in discrete data and Poisson distribution is the Zero Inflated Poisson (ZIP) regression model. The purpose of this study is to obtain the application of the Zero-Inflated Poisson regression model to infant mortality cases in Bandung City in 2020. The data used in this study contains 80 observations based on UPT puskesmas in Bandung City with infant mortality data in Bandung city in 2020 and the factors that are thought to influence it. Parameter estimation of the ZIP regression model was carried out using the Maximum Likelihood Estimation (MLE) method and solved using the Expectation-Maximization (EM) algorithm, followed by testing the significance of the model using the likelihood ratio test and testing the significance of the parameters with the Wald test. From the results of hypothesis testing using a real level of 5%, the variable that affects infant mortality cases in the Poisson State model is unhealthy housing, while the variable that affects the chance of infant mortality cases being zero in the Zero State model is low birth weight. Abstrak. Regresi Poisson digunakan untuk menganalisis hubungan antara variabel prediktor dengan variabel respon yang berupa data diskrit. Pada regresi poisson salah satu permasalahan yang sering dihadapi yaitu responnya mempunyai data nol yang lebih dari 50% (zero inflation). Sehingga, model regresi untuk mengatasi masalah di mana data mengandung terlalu banyak nilai nol pada data diskrit dan berdistribusi Poisson adalah model regresi Zero Inflated Poisson (ZIP). Tujuan dari penelitian ini yaitu memperoleh penerapan model regresi Zero-Inflated Poisson pada kasus kematian bayi di Kota Bandung tahun 2020. Data yang digunakan dalam penelitian ini berisi 80 pengamatan berdasarkan UPT puskesmas di Kota Bandung dengan data angka kematian bayi di kota Bandung pada tahun 2020 beserta faktor-faktor yang diduga mempengaruhinya. Penaksiran parameter model regresi ZIP dilakukan dengan metode Maximum Likelihood Estimation (MLE) dan diselesaikan menggunakan algoritma Ekspektasi-Maksimalisasi (EM), dilanjutkan dengan pengujian signifikansi model dengan menggunakan likelihood ratio test dan pengujian signifikansi parameter dengan uji Wald. Dari hasil pengujian hipotesis menggunakan taraf nyata sebesar 5% variabel yang mempengaruhi kasus kematian bayi pada model Poisson State yaitu rumah tidak sehat, sedangkan variabel yang mempengaruhi peluang kasus kematian bayi bernilai nol pada model Zero State yaitu berat badan bayi lahir rendah.]]>
<![CDATA[Penerapan Analisis K-Medoids Cluster untuk Mengelompokkan Wilayah di Provinsi Jawa Barat Berdasarkan Fasilitas Kesehatan Tahun 2021 ]]>
<![CDATA[Elly Nur Fitriyani]]>;
<![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.v3i2.8080
<![CDATA[Abstract. The cluster method is a method in multivariate analysis for data that has many variables, its function is to group objects based on their characteristics. The cluster method is divided into two, namely the hierarchical method and the non-hierarchical partitioning method. The non-hierarchical partitioning method is a method where the objects in the data are grouped into k clusters with k that have been determined by the researcher. A non-hierarchical partitioning cluster method similar to K-means is K-medoids. K-medoids clustering is a modification of K-means, where K-medoids is present to overcome deficiencies in the K-means clustering algorithm, because K-means is sensitive to outliers. Therefore, this thesis will discuss the K-medoids cluster to classify 27 regions in West Java Province in 2021 based on health facilities using the K-medoids cluster, because the data used contains outliers. The data used includes data on health facilities in the form of hospitals, polyclinic maternity hospitals, health centers, auxiliary health centers, and pharmacies. By taking 3 clusters, it is found that, for cluster 1 there are 6 areas with complete health facilities, for cluster 3 there are 11 areas with moderate health facilities and for cluster 2 there are 10 areas with incomplete health facilities. Abstrak. Metode cluster merupakan salah satu metode dalam analisis multivariat untuk data yang mempunyai variabel banyak, berfungsi untuk mengelompokan objek-objek berdasarkan karakteristik yang dimilikinya. Metode cluster terbagi menjadi dua, yaitu metode hierarki dan metode non hierarki partitioning. Metode non hierarki partitioning merupakan metode dimana objek-objek dalam data dikelompokan ke dalam k cluster dengan k yang telah ditentukan oleh peneliti. Metode cluster non hierarki partitioning yang mirip dengan K-means, adalah K-medoids. K-medoids clustering merupakan modifikasi dari K-means, dimana K-medoids hadir untuk mengatasi kekurangan pada algoritma K-means clustering, karena K-means sensitif terhadap pencilan. Oleh karena itu, dalam skripsi ini akan membahas K-medoids cluster untuk mengelompokkan 27 wilayah di Provinsi Jawa Barat tahun 2021 berdasarkan fasilitas kesehatan menggunakan K-medoids cluster, karena dalam data yang dipakai terdapat pencilan. Data yang digunakan meliputi data fasilitas kesehatan berupa rumah sakit, rumah sakit bersalin poliklinik, puskesmas, puskesmas pembantu, dan apotek. Dengan mengambil 3 cluster diperoleh bahwa, untuk cluster 1 terdapat 6 wilayah dengan fasilitas kesehatan yang lengkap, cluster 3 terdapat 11 wilayah dengan fasilitas kesehatan yang sedang dan cluster 2 terdapat 10 wilayah dengan fasilitas kesehatan yang kurang lengkap.]]>
<![CDATA[Penerapan Regresi Nonparametrik B-Spline pada Model Tingkat Pengangguran Terbuka Berdasarkan Tingkat Partisipasi Angkatan Kerja dan PDRB di Provinsi Jawa Barat ]]>
<![CDATA[Putri Ratna Wulan]]>;
<![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.v3i2.8095
<![CDATA[Abstract. The main problem in performing regression analysis is getting an estimate of the shape of the regression curve. There are several approaches in regression models, namely parametric, nonparametric and semiparametric regression models. The shape of the regression model depends on the curve . Non-parametric regression is a method to determine the pattern of the relationship between predictor variables and response variables whose function form is unknown. This is because there is no prior information about the shape of . B-Spline is one of the nonparametric regression methods. B-Spline is a regression model that has very specific statistical and visual interpretations such as data patterns that cannot be identified parametrically, besides that B-Spline is also able to handle smooth data characters. The best model is obtained by minimizing the Generalized Cross Validation (GCV) and the accuracy value. The data used in this study are the Labor Force Participation Rate and GRDP , and the Open Unemployment Rate as the response variable (Y). The modeling results show that with the third order (m = 3) with knot point is one, namely at the knot point and the number of knot points is three, namely at the point with a GCV value of and the coefficient of determination obtained is . Abstrak. Permasalahan utama dalam melakukan analisis regresi ialah mendapatkan taksiran bentuk kurva regresi. Terdapat beberapa pendekatan dalam model regresi, yaitu model regresi parametrik, nonparametrik dan semiparametrik. Bentuk model regresi tergantung pada kurva . Regresi nonparametrik merupakan suatu metode untuk mengetahui pola hubungan antara variabel prediktor dengan variabel respon yang tidak diketahui bentuk fungsinya. Hal ini karena sebelumnya tidak terdapat informasi tentang bentuk . B-Spline ialah salah satu metode regresi nonparametrik. B-Spline merupakan model regresi yang mempunyai interpretasi statistik dan visual sangat khusus seperti pola data yang tidak dapat diidentifikasi secara parametrik, disamping itu B-Spline juga mampu menangani karakter data yang mulus (smooth). Model terbaik didapat dengan meminimumkan Generalized Cross Validation (GCV) dan dari nilai akurasinya. Data yang digunakan pada penelitian ini adalah Tingkat Partisipasi Angkatan Kerja dan PDRB, dan Tingkat Pengangguran Terbuka (TPT) sebagai variabel respon . Hasil pemodelan menunjukkan bahwa dengan orde tiga dengan dengan titik knot adalah satu yaitu pada titik knot dan banyaknya titik knot adalah tiga yaitu pada titik dengan nilai GCV sebesar dan koefisien determinasi yang diperoleh sebesar .]]>
<![CDATA[Aplikasi Regresi Logistik Ordinal Multilevel untuk Pemodelan Huruf Mutu Mata Kuliah Statistika Dasar Mahasiswa Universitas Islam Bandung Tahun 2019/2020 ]]>
<![CDATA[Erfina Agustin Hidayat]]>;
<![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.v3i2.8096
<![CDATA[Abstract. Multilevel ordinal logistic regression analysis is a regression analysis for discrete-scale responses, especially with a hierarchical ordinal scale. The hierarchical structure indicates that the data analyzed comes from several levels, where lower levels are nested in higher levels. This article will discuss the application of multilevel ordinal logistic regression using the Maximum Likelihood Estimation (MLE) method in the field of education, namely regarding the quality letter of the Basic Statistics course of 2019 Bandung Islamic University students at the Faculty of Engineering, Faculty of Business Economics, and Faculty of Psychology. The results showed that the multilevel ordinal logistic regression model can be used. From the results of testing the significance of parameters partially using the Wald test statistic, it is found that the student gender variable, the student regional origin variable, and the student GPA variable before taking the Basic Statistics course have an influence on the quality letter of the Basic Statistics course. Abstrak. Analisis regresi logistik ordinal multilevel merupakan analisis regresi untuk respon berskala diskrit khususnya dengan skala ordinal yang bersifat hierarki. Struktur hierarki mengindikasikan bahwa data yang dianalisis berasal dari beberapa level, di mana level yang lebih rendah tersarang pada level yang lebih tinggi. Dalam skripsi ini akan dibahas mengenai pengaplikasian regresi logistik ordinal multilevel dengan menggunakan metode Maximum Likelihood Estimation (MLE) di bidang pendidikan yaitu mengenai huruf mutu mata kuliah Statistika Dasar mahasiswa Universitas Islam Bandung 2019 di Fakultas Teknik, Fakultas Ekonomi Bisnis, dan Fakultas Psikologi. Hasil penelitian menghasilkan bahwa model regresi logistik ordinal multilevel dapat digunakan. Dari hasil pengujian signifikansi parameter secara parsial menggunakan statistik uji Wald didapatkan bahwa variabel jenis kelamin mahasiswa, variabel asal daerah mahasiwa, dan variabel IPK mahasiswa sebelum mengambil mata kuliah Statistika Dasar memiliki pengaruh terhadap huruf mutu mata kuliah Statistika Dasar]]>
<![CDATA[Hierarchical Time Series dengan ARIMA dalam Meramalkan Nilai Ekspor Indonesia ]]>
<![CDATA[Hilmi Azzam Robbani]]>;
<![CDATA[Marizsa Herlina]]>
<![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.v3i2.8107
<![CDATA[Abstract. Export is a trade activity carried out between countries by carrying or sending goods originating from domestic areas abroad with the aim of being sold or marketed. Exports as a source of state revenue are needed for the Indonesian economy, because exports can make a major contribution to Indonesia's economic stability and growth. The value of exports that have decreased or increased for the future needs to be considered. The purpose of this study is to determine the ARIMA model and get the forecast results from the Hierarchical Time Series approach for Indonesian export value data. This forecasting method is used because Indonesia's export value data is a hierarchical time series data with two levels, namely level 0 (total export value of Indonesia) and level 1 (data on Indonesia's export value to ASEAN countries). The forecasting model used is ARIMA (Autoregressive Integrated Moving Average). For the selection of the best ARIMA model using the Mean Absolute Percentage Error (MAPE) value. The results showed that the forecast results of Indonesia's export value in June 2023 for Thailand amounted to 591 million USD, Singapore country amounted to 1,090 billion USD, for Malaysia country amounted to 712 million USD, for the Philippines country 981 million USD, for Myanmar country 83 million USD and the total export value of Indonesia amounted to 3,361 billion USD. Abstrak. Ekspor merupakan kegiatan perdagangan yang dilakukan antar negara dengan cara membawa atau mengirimkan barang yang berasal dari daerah dalam negeri ke luar negeri dengan tujuan dijual atau dipasarkan. Ekspor sebagai salah satu sumber pendapatan negara sangat dibutuhkan bagi perekonomian Indonesia, karena ekspor dapat memberikan kontribusi yang besar terhadap stabilitas dan pertumbuhan ekonomi Indonesia. Nilai ekspor yang mengalami penurunan atau peningkatan untuk masa yang akan datang perlu diperhatikan. Tujuan dari penelitian ini adalah mengetahui model ARIMA dan mendapatkan hasil ramalan dari pendekatan Hierarchical Time Series untuk data nilai ekspor Indonesia. Metode peramalan ini digunakan karena data nilai ekspor Indonesia merupakan data deret waktu hierarki dengan dua tingkatan, yaitu level 0 (total nilai ekspor Indonesia) dan level 1 (data nilai ekspor Indonesia ke negara-negara ASEAN). Model peramalan yang digunakan adalah ARIMA (Autoregressive Integrated Moving Average). Untuk pemilihan model ARIMA terbaik menggunakan nilai Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa hasil ramalan nilai ekspor Indonesia pada bulan Juni 2023 untuk negara Thailand sebesar 591 Juta USD, negara Singapura sebesar 1.090 Miliar USD, untuk negara Malaysia sebesar 712 Juta USD, untuk negara Filipina 981 Juta USD, untuk negara Myanmar 83 Juta USD dan total nilai ekspor Indonesia sebesar 3.361 miliar USD.]]>
<![CDATA[Penerapan Metode Non-Hierarchical Clustering K-Means untuk Pengelompokkan Kabupaten/Kota di Provinsi Jawa Barat Berdasarkan Faktor Produksi Padi Tahun 2021 ]]>
<![CDATA[Syahla Anisah]]>;
<![CDATA[Lisnur Wachidah]]>
<![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.v3i2.8148
<![CDATA[Abstract. Rice production in districts / cities in West Java often differences between districts / cities. The West Java regional government needs to conduct a study to determine the rice production groups in West Java Districts / Cities in order to meet the food needs of the people of West Java through policies related to increasing rice production by grouping districts / cities based on rice production. Rice production factors include planting area, harvest area, and productivity. Rice production groups are determined into 3 categories, namely low production, medium production, and high production. The grouping of districts/cities based on rice production uses non-hierarchical cluster analysis using the K-Means method. This study uses West Java rice production data in 2021. Based on the results of the study, three clusters were obtained, namely cluster 1 showing areas with low rice production with the characteristics of low planting area, low harvest area, and low productivity containing 11 districts/cities. Cluster 2 shows areas with medium rice production with the characteristics of low planting area, low harvest area, and high productivity containing 7 districts/cities. Cluster 3 shows areas with high rice production with high planting area, high harvest area, and high productivity containing 9 districts/cities. Abstrak. Produksi padi pada kabupaten/kota di Jawa Barat sering terjadi perbedaan antar kabupaten/kota. Pemerintah daerah Jawa Barat perlu melakukan sebuah kajian untuk mengetahui kelompok produksi padi di Kabupaten/Kota Jawa Barat agar dapat terpenuhinya kebutuhan pangan masyarakat Jawa Barat melalui kebijakan yang berhubungan dengan peningkatan produksi padi dengan cara mengelompokkan kabupaten/kota berdasarkan produksi padi. Faktor produksi padi diantaranya adalah luas tanam, luas panen, dan produktivitas. Kelompok produksi padi ditentukan menjadi 3 kategori yaitu produksi rendah, produksi sedang, dan produksi tinggi. Pengelompokkan kabupaten/kota berdasarkan produksi padi tersebut menggunakan analisis klaster non hierarki dengan metode K-Means. Penelitian ini menggunakan data produksi padi Jawa Barat Tahun 2021. Berdasarkan hasil penelitian diperoleh tiga klaster, yaitu klaster 1 menunjukkan daerah dengan produksi padi rendah dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas rendah yang berisi 11 kabupaten/kota. Klaster 2 menunjukkan daerah dengan produksi padi sedang dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas tinggi yang berisi 7 kabupetn/kota. Klaster 3 menunjukkan daerah dengan produksi padi tinggi dengan luas tanam tinggi, luas panen tinggi, dan produktivitas tinggi yang berisi 9 kabupeten/kota.]]>
<![CDATA[Penerapan Metode Bayesian Change Point dalam Menentukan Bahaya Gempa di Jawa Barat ]]>
<![CDATA[Iqbal Arya Ramadhan]]>;
<![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.v3i2.8162
<![CDATA[Abstract. Geologically, the area of Indonesia is prone to earthquakes, including the province of West Java, because it is located in the ring of fire and can cause severe damage, so Indonesia needs earthquake insurance. The Bayesian PSHA (Probabilistic Seismic Hazard Analysis) method can provide an assessment of the uncertainty of future earthquakes, by utilizing the prior distribution at the start of the analysis and the likelihood function is formulated into a posterior distribution to measure future observed data with uncertain parameters. The uncertainty in this research is time, taking into account the Bayesian Change Point (potential change in the rate of seismicity at that point in time). This Bayesian PSHA will produce seismic hazard values and combined with the Mean Damage Ratio (MDR) using the Yucemen method to generate insurance premiums. There were 25 earthquake events in West Java province in 2006-2021 around Kertajati Airport with coordinates 6.39'02° S, 108.10'10°E, depth of 100 km and radius of 300 km and there is a Bayesian factor of 0.0035 so that a change in the earthquake rate was identified between the 3rd and 4th incident, and the change in the earthquake rate occurred the day before the 4th incident, namely on July 17 2006 with an incident ratio rate of 0.7769. The seismic hazard value or earthquake hazard involving a Change Point for an intensity scale of 11 is 0.23%. Abstrak. Secara geologi wilayah Indonesia rawan gempa bumi, termasuk provinsi Jawa Barat karena terletak pada kawasan cincin api (ring of fire) dan dapat menimbulkan kerusakan yang sangat parah sehingga Indonesia memerlukan asuransi gempa bumi. Metode Bayesian PSHA (Probabilistic Seismic Hazard Analysis) dapat memberikan penilaian ketidakpastian gempa di masa depan, dengan memanfaatkan distribusi prior pada awal analisis dan fungsi likelihood diformulasikan menjadi distribusi posterior untuk mengukur data yang diamati di masa depan dengan parameter yang tidak pasti. Ketidakpastiaan pada peneilitian ini yaitu waktu, dengan memperhitungkan Bayesian Change Point (potensi perubahan laju kegempaan pada titik waktu). Bayesian PSHA ini akan menghasilkan nilai seismic hazard dan dikombinasikan dengan Mean Damage Ratio (MDR) menggunakan metode Yucemen untuk menghasilkan premi asuransi. Terdapat 25 kejadian gempa bumi provinsi Jawa Barat tahun 2006-2021 yang berada di sekitar Bandara Kertajati dengan titik koordinat 6.39’02° S, 108.10’10°E, kedalaman 100 km dan radius 300 km dan terdapat faktor Bayesian sebesar 0,0035 sehingga terindentifikasi perubahan laju gempa antara kejadian ke-3 dan ke-4, dan perubahan laju gempa tersebut terjadi sehari sebelum kejadian ke-4 yaitu pada tanggal 17 Juli 2006 dengan tingkat rasio kejadian sebesar 0,7769. Nilai seismic hazard atau bahaya gempa melibatkan Change Point untuk skala intensitas 11 yaitu 0,23%.]]>
<![CDATA[Pengaplikasian Model Regresi Linier Berganda Multivariat terhadap Data Cabang Olahraga Angkat Berat ]]>
<![CDATA[Azmy Rabah]]>;
<![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.v3i2.8200
<![CDATA[Abstract. Regression analysis is one analysis that is widely used. Regression analysis is used to perform predictions and forecasts. Regression analysis can also be used to understand which independent variables can be related to the dependent variable, as well as to determine the form of the relationship. Multiple linear regression is a regression model that involves more than one independent variable and a dependent variable (response). For this reason, it is necessary to test the meaning of regression simultaneously. In addition, the determination of the confidence interval of response prediction must involve correlation among the dependent variables. In this thesis, the implementation of multivariate regression on weightlifting sports data will be discussed, namely squat or Squat weight modeling (Y 1), bench weight pressed or Bench (Y 2), weight lifted or Deadlift (Y3), over Age (Z1) and Body weight (Z2). From the model obtained, it can be useful to make confidence intervals from the response values of Squat (Y1), Bench (Y 2), Deadlift (Y3) based on certain age (Z1) and Body weight (Z2) values outside the analyzed sample. Because the data used are world championship results, the qualification standards above apply to world-level weightlifting events. For national level events, the standard can be lowered and for the provincial level, the standard can be lowered again lower than the national level. There is a linear relationship between the type of squat weight lift or Squat (Y 1), bench weight pressed or Bench (Y 2), weight lifted or Deadlift (Y3), over Age (Z1) and Body weight (Z2) which is significant at a real level of 5%. The effect of the Age (Z 1) variable on the type of Squat (Y1), Bench (Y 2), and Deadlift (Y2) is negative. The effect of variable Body Weight (Z 2) on the type of Squat (Y1), Bench (Y2), and Deadlift (Y3) is positive. From a 50% confidence interval, a response prediction value is obtained that can be used as a minimum standard to qualify for participation in weightlifting competitions. Abstrak. Analisis regresi adalah salah satu analisis yang luas pemakaiannya. Analisis regresi digunakan untuk melakukan prediksi dan ramalan. Analisis regresi juga dapat digunakan untuk memahami variabel – variabel bebas mana saja yang dapat berhubungan dengan variabel terikat, serta untuk mengetahui bentuk hubungan tersebut. Regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independent dan sebuah variabel dependen (Respon). Untuk itu perlu dilakukan pengujian keberartian regresi secara simultan. Selain itu, penentuan selang kepercayaan prediksi respon harus melibatkan korelasi diantara variabel dependen. Dalam skripsi ini akan dibahas implementasi regresi multivariat pada data olah raga angkat berat yaitu pemodelan berat badan jongkok atau Squat (Y1), berat bangku yang ditekan atau Bench (Y2), beban yang diangkat atau Deadlift (Y3), atas Usia(Z1) dan Berat badan (Z2). Dari model yang diperoleh dapat bermafaat untuk membuat selang kepercayaan dari nilai respon Squat (Y1), Bench (Y2), Deadlift (Y3) berdasarkan nilai usia (Z1) dan Berat badan (Z2) tertentu di luar sampel yang dianalisis. Karena data yang digunakan adalah hasil kejuaraan dunia, maka standar kualifikasi diatas berlaku untuk pertandingan angkat berat tingkat dunia. Untuk event tingkat nasional dapat diturunkan standarnya dan untuk tingkat Provinsi dapat diturunkan lagi standarnya lebih rendah dari tingkat Nasional. Terdapat hubungan linier antara jenis angkatan berat badan jongkok atau Squat (Y1), berat bangku yang ditekan atau Bench (Y2), beban yang diangkat atau Deadlift (Y3), atas Usia(Z1) dan Berat badan (Z2) yang signifikan pada taraf nyata 5%. Pengaruh variable Usia (Z1) pada jenis angkatan Squat (Y1), Bench (Y2), dan Deadlift (Y2) yang bersifat negative. Pengaruh variable Berat Badan (Z2) pada jenis angkatan Squat (Y1), Bench (Y2), dan Deadlift (Y3) yang bersifat positif. Dari selang kepercayaan 50% diperoleh nilai prediksi respon yang dapat dijadikan standar minimal untuk dapat lolos pada keikutsertaan kompetisi angkat berat.]]>
<![CDATA[Penerapan Distribusi Lindley pada Data Besar Klaim Asuransi Kendaraan Bermotor di Indonesia ]]>
<![CDATA[Puput Aryanti]]>;
<![CDATA[Aceng Komarudin Mutaqin]]>
<![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.v3i2.8202
<![CDATA[Abstrak. Asuransi kendaraan bermotor adalah polis asuransi standar yang digunakan di Indonesia yang mencakup pertanggungan gabungan yaitu pertanggungan atas kendaraan bermotor itu sendiri dan pertanggungan tanggung jawab hukum kepada pihak ketiga. Salah satu hal yang perlu diperhatikan perusahaan asuransi sebagai lembaga penerima risiko adalah memodelkan data besar klaim. Distribusi yang cocok untuk memodelkan data besar klaim adalah distribusi kontinu yang non negatif, memiliki kemiringan yang positif, dan memiliki ekor yang tebal. Distribusi Lindley merupakan distribusi eksponensial campuran dan memiliki kriteria yang sesuai untuk pemodelan data besar klaim. Parameter yang ada ditaksir menggunakan metode kemungkinan maksimum. Pengujian kecocokan distribusi menggunakan uji Kolmogorov-Smirnov. Data yang digunakan merupakan data sekunder PT. X tahun 2019 yang terdiri dari data besar klaim pemegang polis asuransi kendaraan bermotor kategori 7 wilayah 2. Berdasarkan hasil penerapan distribusi Lindley untuk memodelkan data besar klaim asuransi kendaraan bermotor PT. X tahun 2019 dengan menggunakan uji Kolmogorov-Smirnov, dapat disimpulkan bahwa data besar klaim asuransi kendaraan bermotor PT. X tahun 2019 berasal dari populasi yang berdistribusi Lindley dengan nilai taksiran parameter distribusi Lindley sebesar θ=0,0000002995. Abstract. Motor vehicle insurance is a standard insurance policy used in Indonesia that includes combined coverage, namely coverage of the motor vehicle itself and legal liability coverage to third parties. One of the things that insurance companies need to pay attention to as risk-receiving institution is modeling the amount of the claim. A suitable distribution for modeling the amount of the claim is a continuous distribution that is non-negative, has a positive skew, and has a heavy tail. The Lindley distribution is a mixed exponential distribution and has criteria suitable for modeling the amount of the claim. The parameters were estimated using the maximum likelihood method. Testing the suitability of the distribution using the Kolmogorov-Smirnov test. The data used is secondary data of PT. X in 2019 which consists of data on large claims of motor vehicle insurance policyholders in category 7 region 2. Based on the results of the application of the Lindley distribution to model the 2019 PT. X motor vehicle insurance claim data using the Kolmogorov-Smirnov test, it can be concluded that the 2019 PT. X motor vehicle insurance claim data comes from a Lindley-distributed population with an estimated value of the Lindley distribution parameter of θ = 0.0000002995.]]>
