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[Pemodelan Markov Switching Autoregressive untuk Peramalan Data Tingkat Inflasi di Provinsi Jawa Barat Tahun 2009-2022 ]]>
<![CDATA[Choerunnisa]]>;
<![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.v3i2.9239
<![CDATA[Abstract. Autoregressive model as a classic time series model which is often used in modeling time series data has not been able to explain changes in structure. In addition, other time series models that often deal with structural changes, such as TAR, SETAR, ARCH, and so on, have not been able to overcome the transition opportunities that also often occur in time series data. Thus, the Markov Switching Autoregressive method was introduced which not only addresses structural changes but also pays attention to and explains transition opportunities. This method is applied in modeling inflation rate data in West Java Province, where the inflation rate is an important right to pay attention to because it is related to economic stability and structural changes often occur. Especially in the West Java region as one of the largest provinces in Indonesia. The MS(2)AR(1) model is said to be the best model because it has the smallest BIC value with a BIC value of -91.31212. The MAPE value for the MS(2)AR(1) model is 15% which is said to be good for forecasting. Forecasting is done for the next 12 months. As well as the state duration, it was obtained that the inflation rate remained in an increasing condition for approximately 11 months while it remained in a declining condition for approximately 9 months. Abstrak. Model Autoregressive sebagai model deret waktu klasik yang seringkali digunakan dalam pemodelan data deret waktu belum mampu menjelaskan adanya perubahan struktur. Selain itu, model deret waktu lain yang seringkali mengatasi perubahan struktur seperti TAR, SETAR, ARCH, dan lain sebagainya belum mampu juga mengatasi peluang transisi yang juga seringkali terjadi pada data deret waktu. Dengan demikian, diperkenalkanlah metode Markov Switching Autoregressive yang tidak hanya mengatasi perubahan struktur tapi juga memperhatikan dan menjelaskan adanya peluang transisi. Metode ini diterapkan dalam pemodelan data tingkat Inflasi di Provinsi Jawa Barat, yang dimana tingkat inflasi menjadi suatu hak yang penting untuk diperhatikan karena berkaitan dengan stabilitas perekonomian serta seringkali terjadi perubahan struktur. Terutama di wilayah Jawa Barat sebagai salah satu Provinsi terbesar di Indonesia.Model MS(2)AR(1) dikatakan sebagai model terbaik karena memiliki nilai BIC terkecil dengan nilai BIC sebesar -91,31212. Nilai MAPE untuk model MS(2)AR(1) sebesar 15% yang dikatakan baik untuk peramalan. Peramalan dilakukan untuk 12 bulan kedepan. Serta Durasi state yang diperoleh bahwa tingkat inflasi bertahan dalam kondisi peningkatan kurang lebih 11 bulan sedangkan bertahan pada kondisi penurunan selama kurang lebih 9 bulan.]]>
<![CDATA[Pengendalian Kualitas Limbah Cair Menggunakan Diagram Kendali Multivariate Exponentially Weighted Moving Average (MEWMA) ]]>
<![CDATA[Tania Grahanita]]>;
<![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.v3i2.9261
<![CDATA[Abstract. In the textile industry the resulting liquid waste has toxic characteristics and is harmful to the environment. Therefore, liquid waste needs to go through a processing and quality control process before being discharged into the waters. Control chart is one of the statistical tools used in statistical quality control. In practice we will encounter situations where it is necessary to control for two or more quality characteristics that are not normally distributed multivariate, so the control chart used is the Multivariate Exponentially Weighed Moving Average (MEWMA). This study uses data on the quality of textile industrial wastewater which has been processed using an WWTP (Wastewater Treatment Plant). There are 48 samples (months) for the period 2018 - 2021 with 6 variables of liquid waste content. The results of the quality control analysis by applying the MEWMA control chart obtained the most optimum weighting value of 0.05 with an Upper Control Limit (UCL) value of 14.6, there was 1 observation that was out of control. This shows that the quality of liquid waste in WWTP in the textile company CV. Sandang Sari is not statistically controlled. Abstrak. Pada industri tekstil limbah cair yang dihasilkan memiliki karakteristik beracun dan berbahaya bagi lingkungan hidup. Oleh karena itu limbah cair perlu melalui proses pengolahan dan pengendalian kualitas terlebih dahulu sebelum dibuang ke perairan. Diagram kendali adalah salah satu alat satatistik yang digunakan pada pengendalian kualitas statistik. Dalam praktiknya kita akan bertemu situasi dimana perlu untuk mengontrol dua atau lebih karakteristik kualitas yang tidak berdistribusi normal multivariat, maka diagram kendali yang digunakan adalah Multivariate Exponentially Weighed Moving Average (MEWMA). Penelitian ini menggunakan data kualitas limbah cair industri tekstil yang sudah melalui proses pengolahan menggunakan IPAL (Instalasi Pengolahan Air Limbah), ada sebanyak 48 sampel (bulan) periode 2018 - 2021 dengan 6 variabel kandungan limbah cair. Hasil analisis pengendalian kualitas dengan menerapkan diagram kendali MEWMA didapat nilai pembobot yang paling optimum sebesar 0,05 dengan nilai Batas Kendali Atas (BKA) sebesar 14,6 terdapat 1 pengamatan yang berada diluar kendali. Hal ini menunjukkan bahwa kualitas limbah cair pada IPAL di perusahaan tekstil CV. Sandang Sari tidak terkendali secara statistik.]]>
<![CDATA[Penerapan Metode Fuzzy Time Series Model Lee pada Peramalan Jumlah Pendaftaran Siswa SMA Negeri 1 Senayang Kepulauan Riau ]]>
<![CDATA[Regina Maulisya]]>;
<![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.v3i2.9303
<![CDATA[Abstract. The Fuzzy Time Series method was first developed by Song and Chissom in 1993 which is a data forecasting method using the concept of fuzzy sets as the basis for calculation, the forecasting system by capturing patterns from past data is then used to project future data. In 1996, Chen found that the model had a poor error rate so he refined the model. Then in 2009, Lee found a model better than Chen's model with the least error rate. There are several schools that have an increasing or decreasing number of prospective students, as well as at SMA Negeri 1 Senayang. The purpose of this study was to obtain the results of forecasting the number of enrollments of SMA Negeri 1 Senayang students for the next period using Lee's Fuzzy Time Series model with sturgess rules and calculating the error rate of forecasting results. This study used data on the number of enrollments of SMA Negeri 1 Senayang students for the period 2002/2003 to 2022/2023 as many as 21 data. The forecasting results for the 2023/2024 period using Lee's Fuzzy Time Series model are 48 students with a forecasting result error rate of 13.9883 or 14% with good forecasting model criteria and can be used for forecasting the next period. Abstrak. Metode Fuzzy Time Series pertama kali dikembangkan oleh Song dan Chissom pada tahun 1993 yang merupakan metode peramalan data menggunakan konsep himpunan fuzzy sebagai dasar perhitungan, sistem peramalannya dengan menangkap pola dari data masa lampau kemudian digunakan untuk memproyeksi data yang akan datang. Pada tahun 1996, Chen menemukan bahwa model tersebut mempunyai tingkat kesalahan yang kurang baik sehingga ia menyempurnakan modelnya. Kemudian tahun 2009, Lee menemukan model yang lebih baik dari model Chen dengan tingkat kesalahan paling kecil. Terdapat beberapa sekolah yang mempunyai jumlah calon siswa yang mengalami peningkatan maupun penurunan, begitu pun di SMA Negeri 1 Senayang. Tujuan penelitian ini adalah mendapatkan hasil peramalan jumlah pendaftaran siswa SMA Negeri 1 Senayang untuk satu periode berikutnya menggunakan Fuzzy Time Series model Lee dengan aturan sturgess serta menghitung tingkat kesalahan hasil peramalan. Penelitian ini menggunakan data jumlah pendaftaran siswa SMA Negeri 1 Senayang periode 2002/2003 sampai 2022/2023 sebanyak 21 data. Hasil peramalan untuk periode 2023/2024 dengan menggunakan Fuzzy Time Series model Lee yaitu sebesar 48 siswa dengan tingkat kesalahan hasil peramalan sebesar 13.9883 atau 14% dengan kriteria model peramalan baik dan dapat digunakan untuk peramalan periode berikutnya.]]>
<![CDATA[Penerapan Model Regresi Zero Inflated Negative Binomial pada Kasus Campak di Provinsi Jawa Barat Tahun 2020 ]]>
<![CDATA[Isma Amarita]]>;
<![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.v3i2.9311
<![CDATA[Abstrak. Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan antara variabel bebas dan variabel respon. Dalam sebuah analisis regresi dengan variabel respon yang bersifat diskrit, dapat menggunakan analisis regresi Poisson. Pada regresi Poisson harus memenuhi asumsi equisdispersi. Namun dalam pengaplikasiannya tak jarang mengalami pelanggaran asumsi, dimana nilai varians lebih besar dari nilai rata – ratanya atau bisa disebut dengan overdispersi. Salah satu penyebab overdispersi adalah adanya nilai nol yang berlebih (excess zeros) pada data variabel respon. Metode yang tepat untuk memodelkan kasus dengan data excess zeros dan terjadi overdispersi yaitu dengan menggunakan metode Zero Inflated Negative Binomial (ZINB). Tujuan penelitian ini adalah untuk memperoleh hasil dari penerapan regresi Zero Inflated Negative Binomial dalam memodelkan kasus campak di Provinsi Jawa Barat tahun 2020 serta mengetahui faktor apa saja yang berpengaruh signifikan terhadap kasus campak di Provinsi Jawa Barat tahun 2020. Dari hasil analisis, pada model regresi Poisson data mengalami kondisi overdispersi dan data mengalami excess zeros maka harus dilanjutkan analisis menggunakan regresi Zero Inflated Negative Binomial (ZINB). Pada analisis regresi ZINB diperoleh hasil pengujian bahwa faktor – faktor yang berpengaruh signifikan terhadap besarnya nilai harapan kasus campak di Provinsi Jawa Barat tahun 2020 yaitu persentase pemberian vitamin A, persentase pemberian ASI ekslusif dan persentase balita kurang gizi. Sedangkan faktor yang berpengaruh signifikan terhadap besarnya peluang terjadi campak di Provinsi Jawa Barat tahun 2020 persentase balita kurang gizi. Abstract. Regression analysis is a method used to determine the relationship between independent variables and response variables. In a regression analysis with discrete response variables, Poisson regression analysis can be used. In regression Poisson must satisfy the assumption of equisdispersion. However, in its application, it is not uncommon to experience violations of assumptions, where the variance value is greater than the average value or can be called overdispersion. One of the causes of overdispersion is the presence of excess zeros in the response variable data. The right method to model cases with excess zeros data and overdispersion is to use the Zero Inflated Negative Binomial (ZINB) method. The purpose of this study is to obtain results from the application of Zero Inflated Negative Binomial regression in modeling measles cases in West Java Province in 2020 and find out what factors have a significant influence on measles cases.]]>
<![CDATA[Penerapan Diagram Kendali Multivariate Exponentially Weighted Moving Average (MEWMA) dalam Mengontrol Kualitas Air PDAM ]]>
<![CDATA[Renaldi]]>;
<![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.v3i2.9343
<![CDATA[Abstract. Statistical quality control is the application of statistical techniques in controlling a process that is useful for achieving process stability and increasing ability through reducing quality variability. Tools for quality control, one of which is the control chart. In practice, control charts often used in univariate cases are Shewhart, Cumulative Sum (CUSUM) and Exponentially Weighted Moving Average (EWMA). However, when there is more than one quality characteristic (mutivariate characteristics), simultaneous control is required. The thesis discusses the Multivariate Exponentially Weighted Moving Average (MEWMA) control chart procedure. The uniqueness of the MEWMA control chart is that it is robust to normal which means that if the data used is not normally distributed, then the MEWMA control chart can still be done. MEWMA control chart will be used to control PDAM Water Quality. The data used is the quality of customer drinking water in January-February 2022 Perumda Tugu Tirta Drinking Water Malang City which amounted to 50 observations with 5 characteristics observed including pH, nitrite, iron (Fe), manganese and residual chlorine (Cl2). Based on the results of MEWMA analysis shows that it is in a statistically uncontrolled condition because for weighting 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 and 0.9 there are observations that are beyond the control limit, namely in the 46th observation. As well as the optimum weighting selected, namely weighting 0.2. The results of detection of out-of-control causal variables using the EWMA control chart showed 1 variable had an out-of-control observation at the 46th observation, namely at Manganese levels. Abstrak. Pengendalian kualitas Statistik merupakan aplikasi dari teknik statistik dalam pengendalian suatu proses yang berguna untuk mencapai stabilitas proses dan meningkatkan kemampuan melalui pengurangan variabilitas mutu. Alat bantu untuk mengendalikan kualitas, salah satunya adalah diagram kendali. Dalam praktiknya, diagram kendali yang sering digunakan dalam kasus univariat adalah Shewhart, Cumulative Sum (CUSUM) dan Exponentially Weighted Moving Average (EWMA). Namun ketika terdapat lebih dari satu karakteristik mutu (karakteristik mutivariat), maka pengontrolan secara simultan diperlukan. Dalam skripsi dibahas prosedur diagram kendali Multivariate Exponentially Weighted Moving Average (MEWMA). Keunikan diagram kendali MEWMA yaitu bersifat robust terhadap normal yaitu apabila data yang digunakan tidak berdistribusi normal, maka diagram kendali MEWMA masih bisa dilakukan. Diagram kendali MEWMA akan digunakan untuk mengontrol Kualitas Air PDAM. Data yang digunakan yaitu kualitas air minum pelanggan pada bulan Januari-Februari 2022 Perumda Air Minum Tugu Tirta Kota Malang yang berjumlah 50 pengamatan dengan 5 karakteristik yang diamati diantaranya pH, nitrit (NO2), besi (Fe), Mangan dan sisa klor (Cl2). Berdasarkan hasil analisis MEWMA menunjukan berada dalam kondisi tidak terkendali secara statistik karena untuk pembobot 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 dan 0.9 terdapat pengamatan yang berada diluar batas kendali, yakni pada pengamatan ke-46. Serta pembobot optimum yang dipilih yaitu pembobot 0.2. Hasil deteksi variabel penyebab out-of-control menggunakan diagram kendali EWMA menunjukkan 1 variabel memiliki pengamatan out-of-control pada pengamatan ke-46 yaitu pada kadar Mangan.]]>
<![CDATA[Implementasi Diagram Kontrol Multivariate Cumulative Sum (MCUSUM) untuk Pengendalian Proses Pembuatan Turning Pin Aluminium ]]>
<![CDATA[Iqbal fadhilah]]>;
<![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.v3i2.9369
<![CDATA[Abstract. In statistics, one of the tools that can be used in process control is the control diagram. A control diagram is a graph that gives an idea of the behavior of a process. On the control diagram can detect any changes in the process that may affect the quality of the product. Product quality characteristics measured numerically or numerically are called variables. If there are more than two quality characteristics, simultaneous control of the related variables is required using a multivariate control diagram. The multivariate Shewhart control diagram (T2-Hotelling) is a frequently used multivariate control diagram. This control diagram will quickly detect if there is a large shift from the average vector of the process. Multivariate control diagrams that can quickly detect small average vector shifts include the multivariate cumulative sum control diagram (MCUSUM). There are some MCUSUM statistics. In this thesis, we will discuss MCUSUM statistics made by Healy and Crosiers, namely SH and SC. Application to control the aluminum turning pin manufacturing process with five quality characteristics shows an uncontrolled process with an out of control signal given in the 4th period by the MCUSUM SH control diagram, while according to MCUSUM SC it was detected in the 5th period, and for the application of the control graph T2 Hotteling was detected in the observation period 6. Abstrak. Dalam statistika, salah satu alat yang dapat digunakan dalam pengendalian proses adalah diagram kontrol. Diagram kontrol adalah sebuah grafik yang memberi gambaran tentang perilaku sebuah proses. Pada diagram kontrol dapat mendeteksi setiap perubahan dalam proses yang dapat mempengaruhi kualitas produk. Karakteristik kualitas produk yang diukur secara numerik atau angka disebut variabel. Jika terdapat lebih dari dua buah karakteristik mutu, pengendalian secara simultan terhadap variabel-variabel terkait tersebut diperlukan dengan menggunakan diagram kontrol multivariat. Diagram kontrol Shewhart multivariat (T2-Hotelling) adalah diagram kontrol multivariat yang sering digunakan. Diagram kontrol ini akan cepat mendeteksi jika terjadi pergeseran besar dari vektor rata-rata proses. Diagram kontrol multivariat yang dapat dengan cepat mendeteksi pergeseran vektor rata-rata yang kecil salah satunya adalah diagram kontrol multivariate cumulative sum (MCUSUM). Terdapat beberapa statistik MCUSUM. Dalam skripsi ini akan dibahas statistik MCUSUM yang dibuat oleh Healy dan Crosier yaitu SH dan SC. Aplikasi pada pengontrolan proses pembuatan turning pin aluminium dengan lima karakteristik mutu menununjukkan proses tidak terkendali dengan sinyal out of kontrol diberikan pada periode ke-4 oleh diagram kontrol MCUSUM SH, sedangkan menurut MCUSUM SC terdeteksi pada periode ke-5, dan untuk penerapan grafik pengendali T2 Hotteling terdeteksi pada pengamatan periode 6.]]>
<![CDATA[Penerapan Transformasi Box Cox untuk Mengatasi Masalah Ketidakstasioneran dan Pola Periodik dalam Data Deret Waktu pada Ekspor Bidang Pertanian di Indonesia ]]>
<![CDATA[Chandra Maulana]]>;
<![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.v3i2.9371
<![CDATA[Abstract. Forecasting is useful for predicting future events covering the short, medium and long term with data that is usually used is time series data which is a collection of data compiled at a certain time continuously. Forecasting techniques for time series data analysis are divided into two models, namely forecasting models based on statistical mathematical models (ARIMA, exponential smoothing, moving average, and regression) and forecasting models based on artificial intelligence (neural networks, classification, and genetic algorithms). To improve forecast accuracy, the Box Cox Transformation is used when the time series data contains the problems of data non-stationarity and cyclical problems in the data, so there must be a process of checking for these two problems which can be checked using ADF statistics and ACF calculations. If non-stationary data occurs and there is a periodic or cyclical pattern, it is overcome by doing this Box Cox transformation. This study uses secondary data, namely agricultural exports in Indonesia in 2017-2022 from the website satudata.kemenag.go.id. The best model is SARIMA (1,0,1)(1,0,0)12 is the result of Box Cox transformation with the smallest MAPE and MAE values. The results of this study Box-Cox transformation can be used on data that was previously non-stationary can become stationary, but it cannot change the previously periodic data pattern into a stationary data pattern on the data used. Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang dengan data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Teknik peramalan analisis data deret waktu terbagi menjadi dua model yaitu model peramalan berdasarkan model matematika statistik (ARIMA, exponential smoothing, moving average, dan regresi) dan model peramalan berdasarkan kecerdasan buatan (neural network, klasifikasi, dan algoritma genetika). Untuk meningkatkan akurasi perkiraan, Transformasi Box Cox digunakan ketika data deret waktunya mengandung masalah adanya ketidakstasioneran data dan masalah siklus dalam data, sehiggga harus ada proses pemeriksaan dari kedua masalah tadi yg dapat diperiksa menggunakan statistik ADF dan perhitungan ACF. Jika terjadi data yg tidak stasioner dan terdapat pola periodik atau siklus maka diatasi dengan melalukan transformasi Box Cox ini. Penelitian ini menggunakan data sekunder yaitu ekpor bidang pertanian di Indonesia tahun 2017-2022 dari website satudata.kemenag.go.id. Didapat model terbaik yaitu SARIMA (1,0,1)(1,0,0)12 merupakan hasil dari transformasi Box Cox dengan nilai MAPE dan MAE terkecil.Hasil dari penelitian ini transformasi Box-Cox dapat digunakan pada data yang sebelumnya tidak stasioner dapat menjadi stasioner, namun tidak dapat mengubah pola data yang sebelumnya periodik menjadi pola data yang stasioner pada data yang dipakai pada penelitian ini. Hasil peramalan nilai ekspor pertanian indonesia pada tahun 2023 bergerak stabil.]]>
<![CDATA[Diagram Kendali Poisson Progressive Mean (PPM) dalam Pengendalian Kualitas Produksi Kemasan Minyak Goreng di PT. XY ]]>
<![CDATA[Wildan Nur Ramadlan]]>;
<![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.v3i2.9390
<![CDATA[Abstract. In the current modern era, the need for quality products has become an important criterion for consumers when purchasing a product, as the increasing competition in a product market demands companies to produce high-quality products. Quality control is necessary in the production process. Process capability is a quality control technique aimed at estimating the capability of a production process. Statistical quality control can be achieved using control charts, which are diagrams that represent observations of a production process over a specific period of time with Upper Control Limits (UCL) and Lower Control Limits (LCL) that define the pattern of dispersion. Control charts are used to quickly identify products experiencing defects. Control charts are divided into two types: attribute and variable. Attribute control charts are used for discrete data types, such as the number of defects in a product. In real-life situations, there are many cases where monitoring statistical control processes involves attribute data derived from quality characteristics that cannot be measured numerically or quantitatively. To address this type of data, there is a method used for monitoring Poisson processes called the Progressive Mean Attribute Poisson Control Chart (PPM). This research was conducted to examine how much and how quickly the detection of defective products occurred in the production of packaged cooking oil at PT. XY in 2017 using the PPM control chart. After analyzing the PPM control chart, it was concluded that the performance of this control chart was good because it could detect a significant number of data points that were out of control or in an unstable state. Abstrak. Di era modern saat ini, kebutuhan akan produk yang berkualitas menjadi ukuran penting bagi konsumen dalam membeli sebuah produk, karena semakin banyaknya persaingan pada suatu produk membuat perusahaan diminta untuk menghasilkan suau produk yang berkualitas. Pengendalian kualitas perlu dilakukan dalam suatu proses produksi. Kapabilitas proses merupakan sebuah teknik pengendalian kualitas yang bertujuan untuk memperkirakan kemampuan suatu proses produksi. Pegendalian kulitas secara statistik yang dapat digunakan yaitu diagram kendali, diagram kendali merupakan suatu diagram yang menggambarkan pengamatan suatu prosess produksi dalam periode waktu tertentu dengan Batas Kendali Atas (BKA) dan Batas Kendali Bawah (BKB) yang mengatur pola penyebaran. Diagram kendali ini dilakukan dengan tujuan dapat mengidentifikasi secepat mungkin pada produk yang mengalami kerusakan. Diagram kendali dibagi menjadi dua jenis yaitu atribut dan variabel, diagram kendali atribut digunakan untuk tipe data diskrit seperti jumlah kerusakan pada suatu produk. Dalam kehidupan nyata, ada banyak situasi di mana pemantauan proses pengendalian statistik melibatkan data atribut yang berasal dari karakteristik kualitas yang tidak dapat diukur secara numerik atau kuantitatif. Untuk mengatasi jenis data tersebut, terdapat metode yang dapat digunakan untuk pemantauan proses poisson yang disebut diagram kendali atribut Poisson progressive Mean (PPM). Penilitian ini dilakukan untuk melihat seberapa cepat mendeteksi proses produk cacat pada produksi kemasan minyak goreng di PT. XY 2017. Setelah melakukan analisis pada diagram kendali PPM ini diperoleh kesimpulan bahwa kinerja pada diagram kendali ini sudah baik karena dapat mendeteksi banyaknya data yang out of control atau dalam keadaan tidak terkendali.]]>
<![CDATA[Penerapan Analisis Konjoin untuk Mengukur Preferensi Wisatawan di Panti Tanjung Kerasak Kabupaten Bangka ]]>
<![CDATA[Sabda Iman Dani]]>;
<![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.v3i2.9398
<![CDATA[Abstract. Tourism activities have now become a necessity for people who are important to increase productivity in their daily lives. Bangka Belitung Province is an archipelago province that has a long coastline so that it has so many and varied beach tourism destinations. But it is very unfortunate that of the many beach tourism destinations owned in the South Bangka district, it is not maximized in the processing of beach tourism so that the attractiveness of visitors is less enthusiastic. It is important to know people's preferences for what kind of tourist destination they want, so that managers can maximize tourism management strategies that can attract many tourists. According to Ghozali (2011) in Saputra S (2020), conjoin analysis is used to determine how respondents perceive an object that has certain characteristics. In marketing research, conjoin analysis is used to determine how consumer preferences for various product designs. From the results of research with conjoin analysis, it shows that the stimuli that respondents are interested in are the existence of water tourism attractions, the existence of shelters and meeting points, good road networks, the existence of travel agents, the existence of community participation, and the existence of a security division, but from this the factor that has the highest utility value is the good road network factor followed in order by the community participation factor, the existence of a security division factor. Abstrak. Kegiatan pariwisata saat ini telah menjadi kebutuhan bagi masyarakat yang penting untuk meningkatkan produktifitas dalam kesehariannya. Provinsi Bangka Belitung merupakan provinsi kepulauan yang memiliki garis pantai yang panjang sehingga memiliki destinasi wiasata pantai yang begitu banyak dan beragam. Namun sangat disayangakan dari sekian banyak destinasi wisata pantai yang dimiliki di kabupaten Bangka Selatan tidak dimaksimalkan dalam pengolahan wisata pantai sehingga daya tarik pengunjung kurang antusias. Penting untuk mengetahui preferensi masyarakat terhadap destinasi wisata seperti apa yang diinginkan, sehingga pengelola dapat memaksimalkan strategi pengelolaan pariwisata yang dapat mengundang banyak wisatawan. Menurut Ghozali (2011) dalam Saputra S (2020), analisis konjoin digunakan untuk mengetahui bagaimana persepsi responden terhadap suatu objek yang memiliki karakteristik tertentu. Dalam riset pemasaran, analisis konjoin digunakan untuk mengetahui bagaimana preferensi konsumen terhadap berbagai desain produk. Dari hasil penelitian dengan analisis konjoin menunjukan stimuli yang diminati responden adalah adanya antraksi wisata air, adanya shelter dan meeting poin, jaringan jalan baik, adanya agen perjalanan wisata, adanya partisipasi masyarakat, dan adanya divisi ke amanan, namun dari hal tersebut faktor yang memiliki nilai kegunaan tertinggi adalah faktor jaringan jalan baik di ikuti secara berurutan adanya faktor partisipasi masyarakat, adanya faktor divisi keamanan, adanya faktor shelter dan meeting point, adanya faktor atraksi wisata air, dan adanya faktor agen perjalanan wisata]]>
<![CDATA[Penerapan Distribusi Inverse Gaussian pada Data Besar Klaim Asuransi Kendaraan Bermotor di Indonesia ]]>
<![CDATA[Fauziah Rahmayanti]]>;
<![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.v3i2.9456
<![CDATA[Abstract. Insurance is an agreement between the guaranteeing party and the guaranteed party where the guaranteeing party agrees with the guaranteed party to receive a premium as a replacement for losses, which will later be experienced due to events that have not yet occurred. Insurance is divided into two parts, namely general insurance and life insurance. One product of loss insurance is motor vehicle insurance. In several previous studies, there are many distributions that have been applied to insurance data (claims big data). Insurance and economic data are often positive and the distribution is usually skewed to the right. One of the most well-known parametric models with distributions that are usually skewed to the right is the inverse Gaussian which is a family of two-parameter distributions namely µ and λ. The material used in this thesis is big data on partial loss claims for motor vehicle insurance insurance company PT. ABC in 2019 Category 1 Region 2. The results of applying the inverse Gaussian distribution show that the large data for Category 1 motor vehicle insurance claims for Region 2 come from populations with an inverse Gaussian distribution. Abstrak. Asuransi merupakan persetujuan antara pihak yang menjamin dengan pihak yang dijamin di mana pihak yang menjamin bersepakat kepada pihak yang dijamin untuk menerima premi sebagai pengganti kerugian, yang nantinya akan dialami karena kejadian yang belum terjadi. Asuransi terbagi kedalam dua bagian yaitu asuransi kerugian (asuransi umum) dan asuransi jiwa. Salah satu produk dari asuransi kerugian adalah asuransi kendaraan bermotor. Pada beberapa penelitian terdahulu, terdapat banyak distribusi yang telah diterapkan pada data asuransi (data besar klaim) Data asuransi dan ekonomi seringkali positif dan distribusinya biasanya miring ke kanan. Salah satu model parametrik yang paling terkenal dengan distribusi yang biasanya miring ke kanan adalah inverse Gaussian yang merupakan keluarga distribusi dua parameter yakni dan . Bahan yang digunakan dalam skripsi ini adalah data besar klaim partial loss asuransi kendaraan bermotor perusahaan asuransi PT. ABC tahun 2019 Kategori 1 Wilayah 2. Hasil penerapan distribusi inverse Gaussian menunjukan data besar klaim asuransi kendaraan bermotor Kategori 1 untuk Wilayah 2 berasal dari populasi yang berdistribusi inverse Gaussian.]]>
