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[Selang Kepercayaan The Generalized Confidence Interval (GCI) untuk Koefisien Variasi dari Distribusi Invers Gaussian ]]>
<![CDATA[Aneu Nurkamilah]]>;
<![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.v3i2.8945
<![CDATA[Abstract. One of the distribution functions known in statistics is the Inverse Gaussian (IG) distribution. The IG distribution is used to deal with data that has a positive or right-skewed slope. The IG distribution was first introduced by Schrodinger in 1915 which originated from Brownian motion theory. In further statistical studies there is what is known as the coefficient of variation (CV), which is the ratio between the standard deviation and the mean value. In addition to point estimates, it is often desirable to find confidence intervals. One method to estimate the confidence interval of the CV coefficient is The Generalized Confidence Interval (GCI) method. In this thesis, the GCI method will be applied to the coefficient of variation of the IG distribution on PM 2.5 air pollution data. In the research process, the stages of analysis carried out include calculating the estimated parameters of the IG distribution using the maximum likelihood method, Kolmogorov-Smirnov test, calculating the values of Rλ, Rμ, dan Rθ for GCI to get the set of Rθ and calculating the 95% confidence interval for the parameter value , namely the CV parameter. Based on the calculation results, it is obtained that the PM 2.5 data in Malang City in 2023 comes from an IG-distributed population and the GCI confidence interval with a 95% confidence level for the CV of the IG distribution on PM 2.5 air pollution data in Malang City in 2023 is in the range [0.25; 0.42]. Abstrak. Salah satu fungsi distribusi yang dikenal dalam ilmu statistika adalah distribusi Invers Gaussian (IG). Distribusi IG digunakan untuk mengatasi data yang memiliki kemiringan positif atau miring ke kanan. Distribusi IG pertama kali diperkenalkan oleh Schrodinger tahun 1915 yang berasal dari teori gerak Brown. Dalam kajian statistika lebih lanjut ada yang dikenal dengan koefisien variasi (CV) yaitu perbandingan antara standar deviasi dengan nilai rata-rata. Selain nilai dugaan titik, seringkali juga diinginkan untuk mencari selang kepercayaan. Salah satu metode untuk menduga selang kepercayaan koefisien CV adalah metode The Generalized Confidence Interval (GCI). Dalam skripsi ini akan dilakukan penerapan metode GCI untuk koefisien variasi dari distribusi IG pada data pencemaran udara PM 2.5. Dalam proses penelitian tahapan analisis yang dilakukan meliputi menghitung taksiran parameter dari distribusi IG menggunakan metode maksimum likelihood, uji Kolmogorov-Smirnov, menghitung nilai Rλ, Rμ, dan Rθ bagi GCI hingga mendapatkan himpunan Rθ dan menghitung selang kepercayaan 95% untuk nilai parameter yakni parameter CV. Berdasarkan hasil perhitungan diperoleh bahwa data PM 2.5 di Kota Malang tahun 2023 berasal dari populasi yang berdistribusi IG dan selang kepercayaan GCI dengan tingkat kepercayaan 95% untuk CV dari distribusi IG pada data pencemaran udara PM 2.5 di Kota Malang tahun 2023 adalah berada di dalam rentang [0.25; 0.42].]]>
<![CDATA[Penerapan Regresi Nonparametrik Smooting Spline untuk Data Tersensor dalam Memodelkan Hubungan Antara Lamanya Waktu Kesembuhan Rawat Inap Pada Pasien Diabetes Melitus Tipe-2 dengan Usia Pasien ]]>
<![CDATA[Dea Sri Mulyani]]>;
<![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.v3i2.8966
<![CDATA[Abstract. The aim of study is to explain the case. Regression analysis is used to model or look for patterns of relationship between one or more independent variables and one or more response variables. Since the data often does not follow a specific formulation pattern, a more flevible model is required, namely nonparametric regression model approach is an approachused when the shape of the shape of the relationship between the response variable and the independent variable is unknown or information about the shape of the regression function is not available. The nonparametric spline regression model with optimal noodes was applied to patient age and time to recovery after hospitalization in patients with type 2 diabetes mellitus containing right-censored data in a variable containing the right sensor. In this study, the generalized cross-validation (GCV) method was applied to nonparametric smoothing spline regression to determine the optimal smoothing parameter. In order to obtain the GCV value, parameter estimasi must be available to form a hat matriz formed form . Parameter estimation for the smoothing spline from the function f(.) by minimized PRSS (Penalized Residual Sum of Square). Once the optimal GCV value has been determined, it froms the best estimate of the regression function. Optimal Smoothing parameter by choosing with a minimum GCV value. According to the research result, the minimum GCV value is 0.0378 at and the GCV value with Kaplan Meier weights is 30.4773. Abstrak. Penelitian ini bertujuan untuk menjelaskan mengenai kasus Analisis regresi digunakan untuk memodelkan atau mencari pola hubungan antara satu atau lebih variabel bebas dengan satu atau lebih variabel respons. Seringkali data tidak mengikuti pola rumusan tertentu, sehingga diperlukan model yang lebih fleksibel, yaitu regresi nonparametrik. Pendekatan model regresi nonparametrik yaitu merupakan suatu pendekatan yang digunakan apabila bentuk hubungan antara variabel respon dan variabel bebasnya tidak diketahui atau tidak adanya informasi mengenai bentuk fungsi regresinya. Model regresi nonparametrik spline dengan titik knot optimal diaplikasikan pada usia pasien terhadap lamanya waktu kesembuhan rawat inap pada pasien yang menyandang penyakit diabetes melitus tipe-2 yang di dalamnya mengandung data tersensor kanan menjadi variabel yang berisi sensor kanan. Dalam penelitian ini diterapkannya metode GCV (Generalized Cross-Validation) pada regresi nonparametrik smoothing spline untuk menentukan parameter smoothing yang optimal. Untuk mendapatkan nilai GCV, Maka perlu adanya nilai estimasi parameter untuk membentuk hat matrix yang dibentuk dari . Estimasi parameter untuk smoothing spline dari fungsi f(.) dengan meminimumkan PRSS (Penalized Residual Sum of Square). Ketika nilai GCV yang optimal sudah didapatkan maka akan membentuk estimasi fungsi regresi yang terbaik. Parameter penghalus optimal dengan cara memilih yang memiliki nilai GCV minimum. Dari hasil penelitian, nilai GCV paling minimum bernilai 0.0378 pada saat dan untuk nilai GCV dengan pembobot Kaplan-Meier bernilai 30.4773.]]>
<![CDATA[Optimasi Parameter Support Vector Machine menggunakan Particle Swarm Optimization untuk Bearing Fault Diagnosis ]]>
<![CDATA[Rizki Aulia Hawa]]>;
<![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.v3i2.8975
<![CDATA[Abstract. To assist industrial activities in generating power, humans create components that are developed through machines. One of the key elements that plays an important role in the process of a shaft rotation movement on the machine is the bearing. Given their widespread use, bearing vibration components can predict machine breakdowns or forecast indicators by leveraging forecasting models to diagnose bearings before failure occurs. One of the popular methods used for forecasting machine failure is the Support Vector Machine (SVM) which was introduced by Cortes and Vapnik in 1995 to overcome the problem of dividing two conflicting groups when demonstrating superiority in nonlinear small sample pattern recognition. SVM is optimized by incorporating Particle Swarm Optimization (PSO). The advantage of the PSO method is that it is able to produce accuracy values that are more precise and accurate than other mathematical algorithms and heuristic techniques (Pambudi, Wihandika, & Putri, 2019). Untuk membantu aktivitas industri dalam menghasilkan tenaga, manusia menciptakan komponen yang dikembangkan melalui mesin. Salah satu bagian elemen kunci yang berperan penting dalam proses suatu gerakan putaran poros pada mesin adalah bearing. Mengingat penggunaannya yang luas, komponen getaran bearing dapat memprediksi kerusakan mesin atau indikator peramalan dengan memanfaatkan model peramalan untuk mendiagnosis bearing sebelum terjadinya kerusakan. Salah satu metode yang populer digunakan untuk peramalan pada kerusakan mesin adalah Support Vector Machine (SVM) yang diperkenalkan oleh Cortes dan Vapnik pada tahun 1995 untuk mengatasi masalah pembagian dua kelompok yang saling bertentangan saat menunjukkan keunggulan dalam pengenalan pola sampel kecil nonlinier.SVM dioptimalkan dengan menggabungkan Particle Swarm Optimization (PSO). Kelebihan dari metode PSO ini adalah mampu menghasilkan nilai akurasi lebih tepat dan cermat daripada algoritma matematika dan teknik heuristik yang lain (Pambudi, Wihandika, & Putri, 2019). Pada Analisis data bearing CWRU, hasil akurasi yang didapat dengan menggunakan algoritma SVM lebih unggul daripada hasil akurasi yang didapat dengan menggunakan PSO.]]>
<![CDATA[Diagram Kendali Nonparamterik Composite Exponentially Weighted Moving Average (CEWMA) Sign dalam Proses Plating Aksesori Mobil PT. XYZ ]]>
<![CDATA[Firda Balqisa Ahmad]]>;
<![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.v3i2.9054
<![CDATA[Abstract. Control charts are one of the tools in Statistical Process Control (SPC) that are graphically used to control the production process. The first control chart to exist was the Shewhart control chart, but the control chart is not sensitive in detecting small shifts. So the alternative is the EWMA control chart which is able to detect small shifts, but there is still a problem because this diagram has the assumption that the observation process is normally distributed. Then a Nonparametric EWMA Sign control chart is proposed which can detect small shifts when the data conditions are not normally distributed. Furthermore, the combination of Shewhart and EWMA statistics has been done which aims to improve the accuracy of the diagram. Combining two EWMA statistics has also been done but assuming the distribution of quality characteristics is normal. Raza et al., 2022 proposed the CEWMA Sign Nonparametric control diagram method by combining two EWMA statistics to increase the sensitivity of the diagram. This control chart is more flexible to use because the parameter value λ in both EWMA statistics can be different ( and ). In this thesis we apply the CEWMA Sign Nonparametric control chart to the data of the car accessory plating process at PT. XYZ which is a final or finishing process that has objectives including to beautify the appearance and protect a metal from interaction with the environment. Abstrak. Diagram kendali merupakan salah satu alat dalam Statistical Process Control (SPC) yang secara grafis digunakan untuk mengontrol proses produksi. Diagram kendali yang pertama kali ada yaitu diagram kendali Shewhart, tetapi diagram kendali tersebut tidak sensitif dalam mendeteksi pergeseran yang kecil. Sehingga alternatifnya yaitu diagram kendali EWMA yang mampu mendeteksi pergeseran yang kecil, tetapi masih ada masalah karena diagram ini memiliki asumsi bahwa proses pengamatan berdistribusi normal. Kemudian diusulkanlah diagram kendali Nonparametrik EWMA Sign yang dapat mendeteksi pergeseran kecil saat kondisi data tidak berdistribusi normal. Selanjutnya penggabungan statistik Shewhart dan EWMA pernah dilakukan yang bertujuan untuk meningkatkan akurasi diagram. Penggabungan dua statistik EWMA juga pernah dilakukan tetapi dengan asumsi distribusi karakteristik kualitasnya normal. Raza et al., 2022 mengajukan metode diagram kendali Nonparametrik CEWMA Sign dengan menggabungkan dua statistik EWMA untuk meningkatkan sensitivitas diagram. Diagram kendali ini lebih fleksibel untuk digunakan karena nilai parameter pada kedua statistik EWMA dapat berbeda ( dan ). Dalam skripsi ini kami menerapkan diagram kendali Nonparametrik CEWMA Sign pada data proses plating aksesori mobil pada PT. XYZ yang merupakan proses akhir atau finishing yang memiliki tujuan diantaranya adalah untuk memperindah tampilan dan melindungi suatu logam dari interaksi dengan lingkungan.]]>
<![CDATA[Penerapan Metode Regresi Komponen Utama Kernel untuk Prediksi Harga Rumah ]]>
<![CDATA[Muhammad Arik Verdiansyah]]>;
<![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.v3i2.9084
<![CDATA[Abstract. Linear regression analysis is a statistical method used to model the relationship between the dependent variable and one or more independent variables expressed in the form of a regression equation. The Ordinary Least Square (OLS) can be used to estimate regression parameters. The regression parameter estimator obtained will be good if the assumptions that apply to MKT are met. One of the assumptions that must be met is that there is a linear relationship between the dependent variable and each independent variable. If linearity is violated, kernels can be used. In addition, another assumption that must be met is the absence of multicollinearity between independent variables. An alternative method that can be used to overcome multicollinearity is using Principal Component Analysis. If the linearity and multicollinearity assumptions are violated, the Kernel Principal Component Regression method can be applied. This study will apply the Kernel Principal Component Regression (KPCR) method, where the principal component is a nonlinear combination of independent variables through a kernel function. This KPCR method is implemented to predict house prices in South Jakarta based on building area, land area, number of bedrooms, number of bathrooms, and number of car capacity in the garage. Based on the results of the study, 3 main components of the kernel were formed with a prediction model Y ̂ = 76,3612 + 409,5373 KUK1 + 328,4967 KUK2 – 291,7757 KUK3 and a coefficient of determination (R2) of 70.4640%. Abstrak. Analisis regresi linear merupakan suatu metode statistika yang digunakan untuk memodelkan hubungan antara variabel dependen dengan satu atau lebih variabel independen yang dinyatakan dalam bentuk persamaan regresi. Dalam menaksir parameter regresi dapat menggunakan Metode Kuadrat Terkecil (MKT). Penaksir parameter regresi yang diperoleh akan baik jika asumsi-asumsi yang berlaku untuk MKT dipenuhi. Salah satu asumsi yang harus dipenuhi adalah terdapat hubungan linear antara variabel dependen dan masing-masing variabel independen. Apabila linearitas terlanggar, dapat menggunakan kernel. Selain itu, asumsi lainnya yang harus terpenuhi adalah tidak adanya multikolinearitas antar variabel independen. Metode alternatif yang dapat digunakaan untuk mengatasi multikolinearitas adalah menggunakan Analisis Komponen Utama. Apabila asumsi linearitas dan multikolinearitas terlanggar, dapat diterapkan metode Regresi Komponen Utama Kernel. Dalam penelitian ini, akan diterapkan metode Regresi Komponen Utama Kernel (RKUK), dimana komponen utama merupakan kombinasi nonlinier dari variabel independen melalui fungsi kernel. Metode RKUK ini diimplementasikan untuk memprediksi harga rumah di Jakarta Selatan berdasarkan luas bangunan, luas tanah, jumlah kamar tidur, jumlah kamar mandi, dan jumlah kapasitas mobil dalam garasi. Berdasarkan hasil penelitian, terbentuk 3 buah komponen utama kernel dengan model prediksi Y ̂ = 76,3612 + 409,5373 KUK1 + 328,4967 KUK2 – 291,7757 KUK3 serta nilai koefisien determinasi (R2) sebesar 70,4640%.]]>
<![CDATA[Perbandingan Metode Seasonal ARIMA dan Metode Fuzzy Time Series-Markov Pada Prediksi Inflasi di Indonesia ]]>
<![CDATA[Rafiq Thariq Ahsan]]>;
<![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.v3i2.9138
<![CDATA[Abstract. Forecasting is the process of estimating something that will come based on existing data that will later be analyzed. Seasonal ARIMA is one of the methods in forecasting time series data that contains seasonal elements. Seasonal ARIMA is an emerging extension of the ARIMA method that makes it easier to forecast seasonally patterned data. In addition, a method that is often used for forecasting is the Fuzzy Time Series method. This study aims to forecast the future value of inflation in Indonesia using the best model from the comparison of Seasonal ARIMA and Fuzzy Time Series. The forecasting results will be compared through the error rate seen through Mean Absolute Percentage Error (MAPE). The data used is Indonesian general inflation data from January 2010 to September 2019. The results showed that the MAPE of the Seasonal ARIMA and Fuzzy Time Series-markov methods were 24.999% and 12.273%. This shows that Fuzzy Time Series-markov is more suitable for forecasting the value of inflation in Indonesia because it provides a smaller error value. Abstrak. Peramalan (forecasting) adalah proses memperkirakan sesuatu yang akan datang berdasarkan data yang sudah ada yang nantinya akan dianalisis. Seasonal ARIMA adalah salah satu metode dalam peramalan (forecasting) data deret waktu yang mengandung unsur musiman. Seasonal ARIMA merupakan perluasan yang muncul dari metode ARIMA yang memudahkan untuk melakukan peramalan data yang berpola musiman. Selain itu, adapun metode yang sering dipakai untuk peramalan adalah metode Fuzzy Time Series. Penelitian ini bertujuan untuk meramalkan nilai inflasi di Indonesia kedepan memakai model terbaik dari hasil perbandingan Seasonal ARIMA dan Fuzzy Time Series. Hasil peramalan akan dibandingkan melalui tingkat kesalahan yang dilihat melalui Mean Absolute Percentage Error (MAPE). Data yang digunakan merupakan data inflasi umum Indonesia dari Januari 2010 sampai dengan September 2019. Hasil Penelitian menunjukkan bahwa MAPE dari metode Seasonal ARIMA dan Fuzzy Time Series-markov adalah sebesar 24,999% dan 12,273%. Hal ini menunjukkan bahwa Fuzzy Time Series-markov lebih cocok untuk peramalan nilai inflasi di Indonesia karena memberikan nilai error yang lebih kecil.]]>
<![CDATA[Perbandingan Metode Grey-Markov (1,1), Grey (1,1), dan Double Moving Average Untuk Peramalan Jumlah Balita Stunting di Jawa Barat ]]>
<![CDATA[Silvi Oktaviani Saridewi]]>;
<![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.v3i2.9154
<![CDATA[Abstract. Forecasting is a process to calculate future estimates based on current values and past values. Many forecasting methods are based on time series data, including the Double Moving Average (DMA) method, which is a part of classical time series methods. However, classical time series methods require certain assumptions to be met, and a significant amount of available data is needed to achieve good accuracy. The Grey model is a forecasting method suitable for limited and fluctuating data. It is then combined with Markov Chains to predict future states based on transition probabilities over several steps. The Grey-Markov (1,1) model is a combination of the Markov Chain with the Grey (1,1) model, which involves a first-order differential and a single variable. This study aims to forecast the number of toddlers with stunting in West Java. Stunting is a growth disorder in children characterized by shorter height for their age. Three forecasting methods are used for the number of toddlers with stunting in West Java: Grey-Markov (1,1), Grey (1,1), and Double Moving Average, to determine the best forecasting model. Based on the calculation results of the three models, it is concluded that the Grey-Markov (1,1) model provides highly accurate results compared to the other two models. The estimated result for the year 2022 is 189,473 cases with model accuracy using MAPE, MAE, and posterior error ratio C are 3.29%, 9415.135, and 0.1829, respectively. The MAPE and posterior error ratio (C) values fall into the category of highly accurate, and the MAE value is smaller compared to the MAE of the Grey (1,1) model and the Double Moving Average model. Abstrak. Peramalan adalah proses untuk menghitung perkiraan masa yang akan datang berdasarkan nilai saat ini dan nilai masa lalu. Banyak metode peramalan didasarkan pada data deret waktu, diantaranya yaitu Double Moving Average (DMA) yang termasuk dalam metode deret waktu klasik. Namun, untuk menggunakan metode deret waktu klasik harus memenuhi asumsi dan data yang tersedia harus banyak untuk menghasilkan akurasi yang baik. Model Grey merupakan metode peramalan untuk data yang terbatas dan berfluktuasi, kemudian model Grey dikombinasikan dengan Rantai Markov untuk meramalkan keadaan di masa yang akan datang berdasarkan probabilitas transisi dalam beberapa langkah. Model Grey-Markov (1,1) adalah kombinasi Rantai Markov dengan model Grey (1,1) yang merupakan model dengan diferensial orde satu serta satu variabel yang digunakan. Pada penelitian ini akan dilakukan peramalan untuk jumlah balita stunting di Jawa Barat. Stunting merupakan gangguan pertumbuhan pada anak yang ditandai dengan tinggi badan anak lebih pendek dari usianya. Digunakan tiga metode untuk peramalan jumlah balita stunting di Jawa Barat yaitu Grey-Markov (1,1), Grey (1,1), dan double moving average sebagai perbandingan untuk menentukan model peramalan terbaik. Berdasarkan hasil perhitungan ketiga model, diperoleh kesimpulan bahwa model Grey-Markov (1,1) merupakan model yang memberikan hasil yang sangat akurat dibandingkan dua model lainnya. Hasil estimasi untuk tahun 2022 yaitu 189.473 kasus dengan tingkat akurasi model menggunakan MAPE, MAE, dan posterior error ratio C secara berturut-turut yaitu 3,29%, 9415,135, dan 0,1829. Nilai MAPE dan posterior error ratio (C) tersebut termasuk dalam kategori sangat akurat dan nilai MAE yang terkecil dibandingkan nilai MAE model Grey (1,1) dan model double moving average.]]>
<![CDATA[Peramalan Data Kurs Jakarta Interbank Spot Dollar Rate (JISDOR) Menggunakan Model Hybrid ARIMA-GARCH ]]>
<![CDATA[Tasya Noor Octa Melana]]>;
<![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.v3i2.9165
<![CDATA[Abstract. The Autoregressive Integrated Moving Average (ARIMA) time series model is usually used to predict the value of time series data in the future. This method will be optimal if the underlying assumptions are met. One of the assumptions that must be fulfilled is homogeneity in variance. This study discusses the handling of heteroscedasticity in time series data, namely by hybridizing the ARIMA model and the GARCH model in general written ARIMA(p,d,q)-GARCH(p',q'). This model is applied to data on the rupiah exchange rate against the dollar which is based on the Jakarta Interbank Spot Dollar Rate for the period January 2022 to June 2023. The results show that from the ARIMA model, the variance of the error is not homogeneous. After analyzing the data using the hybrid model, the best model for forecasting this exchange rate data is the ARIMA(0,1,1)-GARCH(1,1) hybrid with an AIC value of -8.682784, a SIC of -8.628699 and a MAPE of 1.809280 Abstrak. Model deret waktu Autoregressive Intergrated Moving Average (ARIMA) biasanya digunakan untuk meramalkan nilai data deret waktu pada masa yang akan datang. Metode ini akan optimal apabila asumsi yang mendasarinya terpenuhi. Salah satu asumsi yang harus dipenuhi adalah kehomogenan dalam varians. Penelitian ini membahas mengenai penanganan apabila terjadi heteroskedastisitas pada data deret waktu, yaitu dengan cara hybridizing model ARIMA dan model GARCH secara umum ditulis . Model ini diaplikasikan pada data kurs rupiah terhadap dollar yang berlandaskan pada Jakarta Interbank Spot Dollar Rate pada periode Januari 2022 hingga Juni 2023. Hasilnya menunjukkan bahwa dari model ARIMA, varians dari kekeliruan tidak homogen. Setelah dilakukan analisis data dengan model hybrid, didapatkan model terbaik untuk peramalan data kurs ini adalah hybrid ARIMA(0,1,1)-GARCH(1,1) dengan nilai AIC sebesar -8.682784, SIC sebesar -8.628699 dan MAPE sebesar 1.809280.]]>
<![CDATA[Penerapan Metode ARIMAX dengan Efek Variasi Kalender pada Peramalan Harga Komoditas Cabai Rawit di Provinsi Jawa Barat ]]>
<![CDATA[Rara Hera Silvia]]>;
<![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.v3i2.9180
<![CDATA[Abstract. Forecasting is an important aid in planning and decision-making. One of the forecasting methods that is often used is the time series method. Time series are often influenced by a particular event or other variable, so it can cause the data to have a different repeating pattern each period. The ARIMAX Model is thought to be able to capture certain patterns by including certain event information as additional variables, or so-called exogenous variables. The tendency of data to show patterns at certain times based on dates in the calendar is called calendar variation, and the effect of calendar variation can appear on certain events such as Eid al-Fitr. Special treatment is needed for time series data with a calendar variation effect, where the ARIMAX model is well applied to the series data in that case, so that the model formed is ARIMAX with calendar variation. In this thesis, I conducted a study on forecasting the price of cayenne pepper in West Java province using the ARIMAX model with a variation of the calendar in which to include information on Eid al-Fitr events as an additional variable. The best ARIMAX model for forecasting is ARIMAX (0, 1, 1) with accuracy using a MAPE value of 11%, which is based on the criteria of forecasting ability. It can be concluded that the model ARIMAX (0, 1, 1) has good forecasting ability. Abstrak. Peramalan merupakan bantuan penting dalam perencanaan dan pengambilan keputusan. Salah satu metode peramalan yang sering digunakan adalah metode deret waktu (time series). Pada deret waktu seringkali dipengaruhi oleh suatu peristiwa tertentu atau variabel lain, sehingga dapat menyebabkan data memiliki pola berulang berbeda setiap periodenya. Model ARIMAX diduga mampu menangkap pola tertentu dengan memasukkan informasi peristiwa tertentu sebagai variabel tambahan atau disebut variabel eksogen. Adanya kecenderungan data untuk menampilkan pola pada waktu tertentu berdasarkan penanggalan di dalam kalender disebut variasi kalender, dimana efek variasi kalender dapat muncul pada peristiwa tertentu seperti Idul Fitri. Diperlukan perlakuan khusus untuk data deret waktu dengan efek variasi kalender, dimana model ARIMAX baik diterapkan untuk data deret dengan kasus tersebut, sehingga model yang terbentuk adalah ARIMAX dengan variasi kalender. Dalam skripsi ini melakukan penelitian pada peramalan harga cabai rawit di Provinsi Jawa Barat menggunakan model ARIMAX dengan variasi kalender dimana memasukkan informasi peristiwa Idul Fitri sebagai variabel tambahan. Didapatkan model ARIMAX terbaik untuk melakukan peramalan yaitu ARIMAX(0,1,1) dengan akurasi menggunakan nilai MAPE sebesar 11%, dimana berdasarkan kriteria kemampuan peramalan bahwa dapat disimpulkan model ARIMAX(0,1,1) memiliki kemampuan peramalan yang baik.]]>
<![CDATA[Penerapan Model Structural Vector Autoregressive (SVAR) dalam Menganalisis Pengaruh Pengeluaran Konsumsi Rumah Tangga (KRT) terhadap Inflasi di Provinsi Jawa Barat Tahun 2013-2022 ]]>
<![CDATA[Tasya Apriany Hamba]]>;
<![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.v3i2.9182
<![CDATA[Abstract. The VAR model can be said to be a non-structural model because it is atheoristic or does not make use of previous information or theory. This VAR model is used if the variable is stationary and does not contain a trend. This model has the weakness that it does not have the ability to describe the contemporaneous (simultaneous) relationship of shocks between the variables analyzed. Because of the importance of knowing the contemporary effects of shocks on the economy, an alternative is used to overcome this problem, namely by using the Structural Vector Autoregressive (SVAR) model where the SVAR model can show the relationship between contemporary variables. The SVAR method uses the Impulse Response Function and Forecast Error Variance Decomposition through the application of restrictions with a matrix to identify and investigate shocks. In this study, multivariate time series data analysis was conducted to determine the impact of household consumption expenditure shocks on inflation by applying the SVAR model. Based on the research results, it was found that the SVAR model (5) is the best SVAR model. From the best model, it can be seen that the household consumption response to inflationary shocks tends to be stable from January to October 2023. Meanwhile, the inflation response to household consumption shocks in early January to March 2023 will decrease, then increase the following month and move steadily until October 2023. Abstrak. Model VAR dapat dikatakan sebagai model non-struktural karena bersifat ateoritik atau tidak memanfaatkannya informasi atau teori terdahulu. Model VAR ini digunakan jika variabel bersifat stasioner dan tidak mengandung trend. Model ini memiliki kelemahan yaitu tidak memiliki kemampuan untuk menggambarkan hubungan kontemporer (simultan) dari guncangan (shock) antara variabel yang dianalisis. Karena pentingnya dalam mengetahui efek kontemporer dari guncangan (shock) terhadap perekonomian, digunakanlah alternatif untuk mengatasi masalah tersebut yaitu dengan menggunakan model Structural Vector Autoregressive (SVAR) dimana pada model SVAR dapat memperlihatkan hubungan antara variabel kontemporer. Metode SVAR menggunakan Impuls Response Function dan Forecast Error Variance Decomposition melalui penerapan pembatasan dengan matriks untuk mengidentifikasi dan menyelidiki guncangan (shocks). Dalam penelitian ini dilakukan analisis data multivariate time series untuk mengetahui dampak shocks Pengeluaran Konsumsi Rumah Tangga terhadap inflasi dengan menerapkan model SVAR. Berdasarkan hasil penelitian diperoleh hasil bahwa model SVAR (5) merupakan model SVAR terbaik. Dari model terbaik dapat diketahui bahwa respon Konsumsi Rumah Tangga terhadap shocks Inflasi cenderung stabil dari mulai bulan Januari hingga bulan Oktober 2023. Sedangkan respon Inflasi terhadap shock Konsumsi Rumah Tangga di awal bulan Januari hingga Maret tahun 2023 mengalami penurunan, kemudian mengalami kenaikan pada bulan berikutnya dan bergerak stabil hingga bulan Oktober tahun 2023.]]>
