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[Analisis Diskriminan Menggunakan Stratified K-Fold Cross Validation pada Klasifikasi Gestational Diabetes Mellitus (GDM) Ibu Hamil di Rumah Sakit XYZ ]]>
<![CDATA[Siti Aisyah]]>;
<![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.v3i2.8366
<![CDATA[Abstract: Discriminant analysis is used for the purpose of classifying an object based on certain criteria and predicting groups for new objects. This study will classify pregnant women affected by GDM and not who are evaluated using stratified k-fold cross validation. In the analysis, several assumptions are needed that must be met, including independent variables must be multivariate normal distributed, homogeneous covariance matrices, and there are average vector differences. The stages of analysis are data exploration, testing discriminant analysis assumptions, determining the number of k-folds, randomizing into training data and testing data gradually (stratified), conducting experiments as many as k times, estimating the discriminant model of each experiment, testing the accuracy of classification and determining the best model. The results of this study the best model was found in the first experiment with the model with a cut off value of 0.0001739. That is, if there is a new object with a value of ≥ 0.0001739 then the pregnant woman falls into the category of not affected by GDM, and vice versa if < 0.0001739 then pregnant women fall into the category affected by GDM. Abstrak: Analisis diskriminan digunakan untuk tujuan mengklasifikasikan sebuah objek berdasarkan kriteria tertentu dan memprediksi kelompok untuk objek baru. Penelitian ini akan mengklasifikasikan ibu hamil yang terkena GDM dan tidak yang dievaluasi menggunakan stratified k-fold cross validation. Dalam analisisnya, diperlukan beberapa asumsi yang harus dipenuhi diantaranya variabel independen harus berdistribusi normal multivariat, matriks varians kovarian yang homogen, dan ada perbedaan vektor rata-rata. Tahapan analisisnya yaitu eksplorasi data, menguji asumsi analisis diskriminan, menentukan banyaknya k-fold, melakukan pengacakan menjadi data latih dan data uji secara bertahap (stratified), melakukan eksperimen sebanyak k kali, mengestimasi model diskriminan dari masing-masing eksperimen, menguji ketepatan klasifikasi dan menentukan model terbaiknya. Hasil dari penelitian ini model terbaik terdapat pada eksperimen pertama dengan model dengan nilai cut off sebesar 0.0001739. Artinya, jika ada objek baru dengan nilai 0.0001739 maka ibu hamil tersebut masuk ke dalam kategori tidak terkena GDM, dan sebaliknya apabila 0.0001739 maka ibu hamil masuk ke dalam kategori terkena GDM.]]>
<![CDATA[Analisis Pengukuran Tingkat Efisiensi Perusahaan Menggunakan Metode Stochastic Frontier Analysis (SFA) ]]>
<![CDATA[Salma Inayatul Afifah]]>;
<![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.v3i2.8369
<![CDATA[Abstract. The stochastic frontier has two error components, namely errors originating from random errors and errors originating from other factors than can be controlled, namely inefficiency errors. The Stochastic Frontier Analysis model is an extension of the deterministic frontier model developed by Aigner and Chu (1968) in Coelli et al (1998). Stochastic Frontier Analysis (SFA) is one of the best known techniques for determining efficiency. So to overcome the level of efficiency of a company researchers will use the stochastic frontier with the Cobb-Douglas production function model. The profit function (profit) is a two-way approach, and is often used to measure the level of production efficiency. Measuring the level of production efficiency, both technical and allocative efficiency, using the commonly used profit function is only relative. This study aims to rank the level of efficiency of companies in Indonesia. The results of the research based on 10 life insurance companies in Indonesia in 2017-2021 can use the application of the stochastic frontier analysis model of the Cobb-Douglas function. And for the value of the highest efficiency level obtained by PT. Sequis Financial with a value of 0.9996, and for the lowest efficiency value obtained by PT. Sequis Financial with an efficient value of 0.0845. Abstrak. Stochastic frontier memiliki dua komponen galat yaitu galat yang berasal dari kesalahan acak dan galat yang berasal dari faktor-faktor lain ang bisa dikendalikan yaitu galat inefisiensi. Model Stochastic Frontier Analysis merupakan perkembangan dari model deterministic frontier yang dikembangkan oleh Aigner dan Chu (1968) dalam Coelli et al (1998). Stochastic Frontier Analysis (SFA) adalah salah satu teknik yang paling dikenal untuk menentukan efisiensi. Maka untuk menanggulangi tingkat efisiensi suatu perusahaan peneliti akan menggunakan stochastic frontier dengan model fungsi produksi cobb-douglas. Fungsi keuntungan (profit) merupakan pendekatan dua arah, dan sering digunakan untuk mengukur tingkat efisiensi produksi. Mengukur tingkat efisiensi produksi, baik efisiensi teknis maupun alokatif, dengan menggunakan fungsi profit yang umum digunakan hanya bersifat relative. Penelitian ini bertujuan untuk mengurutkan tingkat efisiensi perusahaan di Indonesia. Hasil penelitian berdasarkan dari 10 perusahaan asuransi jiwa di Indonesia pada tahun 2017-2021 dapat menggunakan penerapan model stochastic frontier analysis fungsi cobb-douglas. Dan untuk nilai tingkat efisiensi tertinggi didapatkan oleh PT. Sequis Financial dengan nilai 0.9996, dan untuk nilai efisiensi terendah didapatkan oleh PT. Sequis Financial dengan nilai efisien 0.0845.]]>
<![CDATA[Ordinary Kriging Magnitude dan Nilai B-Value Gutenberg-Richterpada Katalog Gempa Bumi Jawa Barat ]]>
<![CDATA[Salsabila Nur Fitriana]]>;
<![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.v3i2.8385
<![CDATA[Abstract. Earthquake is a natural phenomenon that is not known when it will occur because measurements are not made in all locations. With these limitations, we need a method that can predict the level of earthquake strength at several points where measurements are not carried out, for example by the spatial interpolation method. There are several methods used to perform spatial interpolation, one of which is the ordinary kriging method. Ordinary kriging (OK) utilizes spatial values at sample locations and variograms that show correlations between spatial points to predict values at non-sample locations where the predicted value depends on their proximity to the sample locations. This thesis discusses the development of the ordinary kriging method on regional earthquake magnitudes and the b-value Gutenberg Richter variable using the West Java earthquake catalog. Regional magnitude variables and b-values were used to model the spatial correlation via a spherical variogram. Variogram parameters were estimated using the least squares method. The results of the Ordinary Kriging assessment of an area show that the level of rock fragility (b-value) is quite high, namely 6.523 which illustrates that the area has low stress accumulation or it can be said that a high b-value has experienced a large-scale earthquake so that only energy left that is capable of producing small earthquakes. Abstrak. Gempa bumi merupakan fenomena alam yang tidak seorang pun mengetahui kapan terjadinya karena pengukuran tidak dilakukan di semua lokasi. Dengan keterbatasan tersebut, diperlukan suatu metode yang dapat memprediksi tingkat kekuatan gempa di beberapa titik yang tidak dilakukan pengukuran, misalnya dengan metode interpolasi spasial. Terdapat beberapa metode yang digunakan untuk melakukan interpolasi spasial, salah satunya metode ordinary kriging. Ordinary kriging (OK) memanfaatkan nilai spasial pada lokasi tersampel dan variogram yang menunjukkan korelasi antar titik spasial untuk memprediksi nilai pada lokasi yang tidak tersampel yang mana nilai prediksi tersebut tergantung pada kedekatannya terhadap lokasi tersampel. Skripsi ini membahas pengembangan metode ordinary kriging pada peubah teregioanal magnitude gempa dan b-value Gutenberg Richter menggunakan katalog gempa Jawa Barat. Peubah teregional magnitude dan nilai-b digunakan untuk memodelkan korelasi spasial melalui variogram spherical. Parameter variogram diestimasi menggunakan metode kuadrat terkecil. Hasil dari penaksiran Ordinary Kriging dari suatu wilayah menunjukkan bahwa nilai tingkat kerapuhan batuan (b-value) cukup tinggi yaitu sebesar 6.523, menggambarkan bahwa daerah tersebut memiliki akumulasi stress yang rendah atau dapat dikatakan nilai b-value yang tinggi pernah terjadi gempa bumi dengan skala besar sehingga hanya tersisa energi yang mampu menghasilkan gempa kecil.]]>
<![CDATA[Peramalan Indeks Harga Perdagangan Internasional Berdasarkan Data Bulan Januari 2021 – Mei 2022 Menggunakan Metode Double Brown Exponential Smoothing ]]>
<![CDATA[Edwardo Muraema]]>;
<![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.v3i2.8423
<![CDATA[Abstract. The International Trade Price Index [IHPI] measures changes in the components of the aggregate price of trade in goods and services between residents of an economy and the rest of the world. The index that measures the average change in commodity prices over time at the wholesale level is known as the International Trade Price Index [IHPI]. Based on data obtained from BPS publications in the form of International Trade Price Index [IHPI] data for January 2021 - May 2022. Based on these data the author will forecast for the next 7 months for June - December 2022 using the Double Brown Exponential Smoothing method, based on the research results obtained International Trade Price Index [IHPI] with the smallest or best Mean Square Error results at α = 0.6 of 0.089. Based on the results of forecasting for the next 7 months, for the International Trade Price Index [IHPI] the forecast results for the 18th period are obtained, namely for June 2022 of 111.061. The forecast result for the 19th period for July 2022 is 111.683. The forecast result for the 20th period for August 2022 is 112.305. The forecast result for the 21st period for September 2022 is 112.927. The forecast result for the 22nd period for October is 113.549. The forecast result for the 23rd period for November is 114.171. The forecast result for the 24th period for December 2022 is 114,793. The forecasting results are expected to assist the government in predicting the International Trade Price Index [IHPI] earlier so that the government is able to anticipate and control the prices of goods and services. Abstrak. Indeks Harga Perdagangan Internasional [IHPI] mengukur perubahan komponen harga agregat perdagangan barang dan jasa antara penduduk suatu perekonomian dan seluruh dunia. Indeks yang mengukur rata-rata perubahan harga komoditas dari waktu ke waktu di tingkat grosir yang dikenal sebagai Indeks Harga Perdagangan Internasional [IHPI]. Berdasarkan data yang diperoleh dari hasil publikasi BPS berupa data Indeks Harga Perdagangan Internasional [IHPI] pada bulan Januari 2021 – Mei 2022. Berdasarkan data tersebut penulis akan melakukan peramalan selama 7 bulan ke depan untuk bulan Juni – Desember 2022 dengan menggunakan metode Double Brown Exponential Smoothing, berdasarkan hasil penelitian didapatkan Indeks Harga Perdagangan Internasional [IHPI] dengan hasil Mean Square Error terkecil atau yang terbaik pada α = 0,6 sebesar 0,089. Berdasarkan hasil dari peramalan selama 7 bulan ke depan, untuk Indeks Harga Perdagangan Internasional [IHPI] diperoleh hasil ramalan untuk periode ke-18 yaitu untuk bulan Juni 2022 sebesar 111,061. Hasil ramalan untuk periode ke-19 untuk bulan Juli 2022 sebesar 111,683. Hasil ramalan untuk periode ke-20 untuk bulan Agustus 2022 sebesar 112,305. Hasil ramalan untuk periode ke-21 untuk bulan September 2022 sebesar 112,927. Hasil ramalan untuk periode ke-22 untuk bulan Oktober sebesar 113,549. Hasil ramalan untuk periode ke-23 untuk bulan November sebesar 114,171. Hasil ramalan untuk periode ke-24 untuk bulan Desember 2022 sebesar 114,793. Hasil peramalan tersebut diharapkan dapat membantu pemerintah dalam memprediksi Indeks Harga Perdagangan Internasional [IHPI] lebih awal agar pemerintah mampu mengantisipasi sekaligus mengontrol harga barang dan jasa.]]>
<![CDATA[Pengujian pada Regresi Ridge dan Penerapannya terhadap Data Produk Domestik Regional Bruto Provinsi Jawa Barat ]]>
<![CDATA[Weni Nuryati]]>;
<![CDATA[Suliadi Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i2.8424
<![CDATA[Abstract. Ridge regression is one of the methods used to stabilize the value of the regression coefficient caused by multicollinearity. In ridge regression, to reduce the impact of multicollinearity is carried out by adding ridge parameter c to the hat matrix. This ridge parameter makes the regression coefficients have a smaller variance than the least squares method estimator variance. However, the ridge estimates are biased. Thus, hypothesis testing using the usual method cannot be applied to the coefficients ridge regression. Therefore Bae, et al., (2014) developed a method for testing the hypothesis of the coefficients of ridge regression. This thesis aims to apply this method to the gross regional domestic product data for West Java province in 2022. Based on the results of the research, it shows that there is a multicollinearity problem in the data, so it is modelLed using ridge regression. it was obtained The ridge regression model : . From the results of testing the hypothesis, it can be concluded that the independent variables, namely local original income (X1), general allocation funds (X2), profit sharing funds (X3), regional expenditures (X4) and labor (X5) together have a significant effect on the PDRB (Y) of West Java Province in 2022. The ridge regression model is returned to the original model . Abstract. Ridge regression is one of the methods used to stabilize the value of the regression coefficient caused by multicollinearity. In ridge regression, to reduce the impact of multicollinearity is carried out by adding ridge parameter c to the hat matrix. This ridge parameter makes the regression coefficients have a smaller variance than the least squares method estimator variance. However, the ridge estimates are biased. Thus, hypothesis testing using the usual method cannot be applied to the coefficients ridge regression. Therefore Bae, et al., (2014) developed a method for testing the hypothesis of the coefficients of ridge regression. This thesis aims to apply this method to the gross regional domestic product data for West Java province in 2022. Based on the results of the research, it shows that there is a multicollinearity problem in the data, so it is modelLed using ridge regression. it was obtained The ridge regression model : . From the results of testing the hypothesis, it can be concluded that the independent variables, namely local original income (X1), general allocation funds (X2), profit sharing funds (X3), regional expenditures (X4) and labor (X5) together have a significant effect on the PDRB (Y) of West Java Province in 2022. The ridge regression model is returned to the original model .]]>
<![CDATA[Metode Autoregressive Integrated Moving Average (ARIMA) untuk Meramalkan Produksi Padi di Provinsi Jawa Tengah ]]>
<![CDATA[Luthfiani Nur Komara]]>;
<![CDATA[Dwi Agustin Nuriani Sirodj]]>
<![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.v3i2.8442
<![CDATA[Abstract. The ARIMA method is one method that produces forecasting based on historical data patterns. This model is a merger between the Autoregressive (AR) model, which is a model that explains the movement of a variable through the variable itself in the past, and the Moving Average (MA) is a model that looks at residual movements in the past. This method forecasts time series data based on developed statistical theory by finding patterns in the data series and then extrapolating them to the future. This method can provide accurate forecasting accuracy for short-term forecasting. Agriculture is one of the most important factors for the Indonesian economy. The Ministry of Agriculture stated that rice production in Indonesia reached 81,148,594 tons in 2018, exceeding corn and soybean production of 30,055,623 and 982,598 tons, respectively. Central Java Province is one of the most rice-producing provinces in Indonesia, however, rice production in this province had decreased from 2019 to 2020. Therefore, forecasting is one of the first steps to help the government determine the supply of rice for the community. The data used is data from January 2016 to December 2021 sourced from the Central Statistics Agency, from the results of the analysis it was found that the best model for forecasting is the ARIMA model (2,1,1) because it has a smaller AIC value than other models. The model also has a MAPE value of 0.8950% and an MSE value of 3.7698. The largest rice production occurred in February 2022 at 984,379 tons and the smallest in January at 745,081 tons. Abstrak. Metode ARIMA merupakan salah satu metode yang menghasilkan peramalan berdasarkan pola data secara historis. Model ini merupakan penggabungan antara model Autoregressive (AR) yaitu suatu model yang menjelasakan pergerakan suatu variabel melalui variabelitu sendiri di masa lalu dan Moving Average (MA) adalah model yang melihat pergerakan residual di masa lalu. Metode ini meramalkan data deret waktu yang didasarkan pada teori statistik yang telah berkembang dengan menemukan pola dalam deret data kemudian menekstrapolasikannya ke masa depan. Metode ini bisa bisa memberikan ketepatan peramalan yang cukup akurat untuk peramalan jangka pendek. Pertanian merupakan salah satu faktor yang paling penting bagi perekonomian Indonesia. Kementrian Pertanian menyatakan bahwa produksi padi di Indonesia mencapai 81.148.594 ton pada tahun 2018 melebihi produksi jagung dan kedelai yang masing-masing sebesar 30.055.623 dan 982.598 ton. Provinsi Jawa Tengah merupakan salah satu Provinsi penghasil padi terbanyak di Indonesia walaupun demikian, produksi padi di Provinsi ini sempat mengalami penurunan pada tahun 2019 sampai tahun 2020. Oleh karena itu melakukan peramalan merupakan salah satu langkah awal untuk membanu pemerintah dalam menentukan persediaan padi untuk masyarakat. Data yang digunakan adalah data dari bulan Januari 2016 sampai bulan Desember 2021 yang bersumber dari Badan Pusat Statistik, dari hasil analisis didapatkan bahwa model terbaik untuk melakukan peramalan adalah model ARIMA(2,1,1) karena memiliki nilai AIC lebih kecil dibandingkan model lainya. Model tersebut juga memiliki nilai MAPE sebesar 0,8950% dan nilai MSE sebesar 3,7698. Produksi Padi terbesar terjadi pada bulan Februari 2022 sebesar 984.379 ton dan terkecil pada bulan Januari 2022 sebesar 745.081 ton.]]>
<![CDATA[Estimasi Parameter Weibull pada Waktu Survival Pasien Kanker Serviks RSUD Kota Makassar Tahun 2017-2019 ]]>
<![CDATA[Aulia Khairunnisa]]>;
<![CDATA[Dwi Agustin Nuriani Sirodj]]>
<![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.v3i2.8459
<![CDATA[Abstract. The Weibull distribution is a development of the exponential distribution. The Weibull distribution consists of 3 parameters, namely scale parameters, shape parameters and location parameters. Another form of 3-parameter distribution is the Weibull 2-parameter distribution consisting of scale parameters and shape parameters. Weibull distribution parameter estimation uses Maximum Likelihood Estimation (MLE) and is solved by Newton-Raphson iterations due to nonlinear results. The data used in this study is data on cervical cancer patients at RSUD Kota Makassar in 2017-2019. From this study it can be concluded that the Weibull distribution parameters for survival time variables are 7,8383 for scale parameters and 1,5140 for shape parameters. Abstrak. Distribusi Weibull merupakan pengembangan dari distribusi eksponensial. Distribusi Weibull terdiri dari 3 parameter, yaitu parameter skala, parameter bentuk dan parameter lokasi. Bentuk lain dari dsitribusi 3 paramater yaitu distribusi Weibull 2 parameter yang terdiri dari parameter skala dan parameter bentuk. Estimasi parameter dsitribusi Weibull menggunakan Maximum Likelihood Estimation (MLE) dan diselesaikan oleh iterasi Newton-Raphson sebab hasil yang nonliear atau tidak closed form. Data yang digunakan pada penelitian ini merupakan data pasien kanker serviks RSUD Kota Makassar tahun 2017-2019. Dari penelitian ini dapat disimpulkan bahwa parameter distribusi Weibull untuk variabel waktu survival adalah 7,8383 untuk parameter skala dan 1,5140 untuk parameter bentuk.]]>
<![CDATA[Penerapan Regresi Rebust Menggunakan Estimasi-S dengan Pembobotan Tukey Bisquare dan Welsch dalam Mengatasi Outlier ]]>
<![CDATA[Mutiara Salsabila]]>;
<![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.v3i2.8475
<![CDATA[Abstract. Multiple linear regression analysis is a method for predicting the value of the dependent variable based on more than one independent variable. If in the multiple linear regression analysis there is a violation of the classical assumption, then the Least Squares Method (MKT) is not appropriate to use. In this study, the assumption of homoscedasticity was not met because there were outliers that affected the regression model. The right solution to overcome this is using robust regression without removing outlier data. Therefore, the author will discuss the robust regression of S-estimation using Tukey Bisquare and Welsch weighting on the human development index data for Central Java Province in 2021. The data includes the human development index as the dependent variable (Y), the net enrollment rate as the 1st independent variable (X1), the number of health facilities as the 2nd independent variable (X2), and the open unemployment rate as the 3rd independent variable (X3). Based on the results of the study, it was found that Tukey Bisquare's weighted S-estimation produces the best robust regression model because the Adjusted R-Square value of Tukey Bisquare's weighting is greater than Welsch's weighting (89.83% > 89.05%) and the Residual Standard Error (RSE) value of Tukey Bisquare's weighting is smaller than Welsch's weighting (2.783 <2.860). Abstrak. Analisis regresi linear berganda adalah metode untuk memprediksi nilai variabel terikat berdasarkan lebih dari satu variabel bebas. Jika dalam analisis regresi linear berganda terdapat pelanggaran asumsi klasik maka Metode Kuadrat Terkecil (MKT) tidak tepat digunakan. Pada penelitian ini, asumsi homoskedastisitas tidak terpenuhi karena ada outlier yang mempengaruhi model regresi. Solusi yang tepat untuk mengatasinya digunakan regresi robust tanpa menghapus data pencilan. Maka dari itu, penulis akan membahas mengenai regresi robust estimasi-S menggunakan pembobotan Tukey Bisquare dan Welsch pada data indeks pembangunan manusia Provinsi Jawa Tengah tahun 2021. Data tersebut meliputi indeks pembangunan manusia sebagai variabel tak bebas (Y), angka partisipasi murni sebagai variabel bebas ke-1 (X1), jumlah sarana kesehatan sebagai variabel bebas ke-2 (X2), dan tingkat pengangguran terbuka sebagai variabel bebas ke-3 (X3). Berdasarkan hasil penelitian diperoleh bahwa estimasi-S pembobotan Tukey Bisquare menghasilkan model regresi robust terbaik karena nilai Adjusted R-Square dari pembobotan Tukey Bisquare lebih besar daripada pembobotan Welsch (89,83% > 89,05%) dan nilai Residual Standard Error (RSE) dari pembobotan Tukey Bisquare lebih kecil daripada pembobotan Welsch (2,783 < 2,860).]]>
<![CDATA[Peramalan Harga Logam Mulia Antam Satu Gram Menggunakan Metode Arima Kalman Filter ]]>
<![CDATA[Wulan Milanka Lestari]]>;
<![CDATA[Teti Sofia Yanti]]>
<![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.v3i2.8496
<![CDATA[Abstract. Forecasting is a process to know a picture in the future based on past data. ARIMA Kalman Filter is a forecasting method that combines analysis using the ARIMA model which is then carried out by applying the Kalman Filter algorithm in optimizing the ARIMA model. Kalman Filter is a set of mathematical equations that offer a computationally recursive and efficient way to estimate the state of a process, in such a way as to minimize the average of the squared errors. The purpose of forecasting is to get a picture of the future value that can be used for decision making, one of which is precious metal investment. In this study, forecasting will be carried out on the price of one gram of Antam's precious metal using the ARIMA Kalman Filter method. Precious metals are referred to as “safe heaven” investment instruments, which means that the value of these investment assets will be maintained. Based on the research results from forecasting data for Antam's Precious Metals price of one gram (before tax) per day at the LM Precious Metals Boutique - Bandung using the ARIMA Kalman Filter method, the best forecasting model is the ARIMA Kalman Filter (1,1,0) model with the equation With the implementation of the Kalman Filter algorithm, the results of forecasting data on the Precious Metals price of one gram (before tax) per day at the LM Precious Metals Boutique – Bandung become more accurate. This is indicated by the decrease in the MAPE value from 45.37% using the ARIMA model (1,1,0) to 38.73% after applying the Kalman Filter algorithm to the ARIMA model (1,1,0). Abstrak. Peramalan adalah suatu proses untuk mengetahui suatu gambaran di masa depan berdasarkan data masa lampau. ARIMA Kalman Filter adalah suatu metode peramalan yang menggabungkan analisis menggunakan model ARIMA yang selanjutnya dilakukan penerapan algoritma Kalman Filter dalam optimalisasi model ARIMA. Kalman Filter merupakan sekumpulan persamaan matematik yang menawarkan cara komputasi rekursif dan efisien untuk mengestimasi state dari sebuah proses, sedemikian rupa sehingga meminimumkan rata-rata dari kuadrat galat. Tujuan dari peramalan adalah mengetahui gambaran nilai masa depan yang dapat dimanfaatkan untuk pengambilan keputusan salah satunya investasi logam mulia. Pada penelitian ini akan dilakukan peramalan terhadap harga satu gram logam mulia Antam menggunakan metode ARIMA Kalman Filter. Logam mulia disebut sebagai instrumen investasi “safe heaven” yang artinya aset investasi tersebut akan tetap terjaga nilainya. Berdasarkan hasil penelitian dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM – Bandung menggunakan metode ARIMA Kalman Filter maka didapat model peramalan terbaik adalah model ARIMA Kalman Filter (1,1,0) dengan persamaan . Dengan diterapkannya algoritma Kalman Filter, hasil dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM – Bandung menjadi lebih akurat. Hal ini ditunjukan dengan menurunnya nilai MAPE dari 45,37% menggunakan model ARIMA (1,1,0) menjadi 38,73% setelah diterapkan algoritma Kalman Filter pada model ARIMA (1,1,0).]]>
<![CDATA[Pemodelan Regresi Polinomial Lokal pada Nilai Ekspor Non-Migas di Indonesia ]]>
<![CDATA[Fachrul Fauzi]]>;
<![CDATA[Teti Sofia Yanti]]>
<![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.v3i2.8512
<![CDATA[Abstract. Linear regression analysis is one of the statistical methods aimed at determining the influence of the independent variable (X) on the dependent variable (Y). In estimating the parameters of the linear regression model, it can be done using the method of least squares or ordinary least squares (OLS). However, if you want to model with research data with an unknown functional form, then the regression analysis used is nonparametric regression analysis. Local polynomial regression is one of the models used in nonparametric regression approaches. Estimation of parameters in local polynomial regression can be done using the Weighted Least Squares (WLS) estimation method by considering the value of the kernel function. The kernel function commonly used includes the Gaussian kernel and the Epanechnikov kernel. The best local polynomial regression model can be observed from the bandwidth, local points, weighting, kernel function, and the optimal polynomial degree. The data used in this study are non-oil and gas export values in Indonesia from January 2018 to December 2022. Based on the calculation results, the best local polynomial regression model is the local polynomial regression model with the Gaussian kernel function, with a Mean Absolute Percentage Error (MAPE) of 8.33%, and a coefficient of determination (R2) of 83.99%. The best model to predict non-oil and gas export values in Indonesia is the second-order with a local point (t0) of 22 and a bandwidth (h) of 10, i.e., yi^ = 12521.411 + 35.744 (ti-22)+8.475 (ti-22)^2 Abstrak. Analisis Regresi Linier merupakan salah satu metode statistika yang bertujuan untuk mengetahui pengaruh variabel bebas (X) terhadap variabel tak bebas (Y). Dalam melakukan estimasi parameter model regresi linier dapat dilakukan dengan menggunakan metode kuadrat terkecil atau ordinary least square (OLS). Namun apabila ingin melakukan pemodelan dengan data penelitian yang tidak diketahui bentuk fungsinya, maka analisis regresi yang digunakan adalah analisis regresi nonparametrik. Regresi polinomial lokal merupakan salah satu model yang digunakan dalam pendekatan regresi nonparametrik. Penaksiran parameter pada regresi polinomial lokal dapat dilakukan dengan metode estimasi Weighted Least Square (WLS) dengan memperhatikan nilai fungsi kernel. Fungsi kernel yang banyak digunakan adalah kernel gaussian dan kernel epanechnikov. Model regresi polinomial lokal terbaik dapat dilihat dari bandwidth, titik lokal, pembobot, fungsi kernel, serta derajat polinomial yang optimal. Data yang digunakan dalam penelitian ini adalah nilai ekspor non-migas di Indonesia pada Januari 2018 hingga Desember 2022. Berdasarkan hasil perhitungan, diperoleh model regresi polinomial lokal terbaik adalah model regresi polinomial lokal dengan fungsi kernel gaussian dengan nilai MAPE sebesar 8,33% dan nilai koefisien determinasi (R2) sebesar 83,99%. Model terbaik untuk memprediksi nilai ekspor non-migas di Indonesia adalah orde dua dengan titik lokal (t0) sebesar 22 dan nilai bandwidth (h) sebesar 10, yaitu: yi^ = 12521.411 + 35.744 (ti-22)+8.475 (ti-22)^2]]>
