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[Penerapan Spatial Autoregressive Model (SAR) untuk Menentukan Faktor-Faktor Penyebab Kemiskinan di Jawa Barat ]]>
<![CDATA[10060118104, Muhammad Reinaldy Tifasi]]>;
<![CDATA[Marizsa Herlina]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10356
<![CDATA[Abstract. Spatial Autoregressive Model (SAR) is an approach model for spatial regression analysis. Spatial regression analysis is used to determine a relationship based on attribute information and location or geographic location information. The estimator of the SAR model uses the Maximum Likeli hood Estimation (MLE) method. The aim of this research is to model SAR spatial regression to determine the factors that influence the occurrence of poverty in West Java. To explain the spatial relationship between observation locations, a spatial weighting matrix based on neighborhood (contiguity) is used, namely the Queen Contiguity matrix. A total of 27 districts/cities were used as observation units with the dependent variable (Y) being the number of poverty cases from each district/city in West Java. The independent variables used are suspected factors related to poverty cases. The independent variables (X) are the average wage of formal workers, the percentage of the population without a diploma, the percentage of population health, the population, total expenditure per capita, the percentage of open unemployment rate, and the West Java UMR. The independent variables that have a significant effect on the number of poverty cases in West Java based on the SAR model are the percentage of the population without a diploma, the amount of expenditure per capita, and the percentage of open unemployment. Abstrak. Spatial Autoregressive Model (SAR) merupakan model pendekatan dari analisis regresi spasial. Analisis regresi spasial digunakan untuk mengetahui suatu hubungan berdasarkan informasi atribut dan informasi lokasi atau letak geografis. Penduga dari model SAR menggunakan metode penduga kemungkinan maksimum atau Maximum Likelihood Estimation (MLE). Tujuan dari penelitian ini adalah memodelkan regresi spasial SAR untuk mengetahui faktor-faktor yang mempengaruhi terjadinya kemiskinan di Jawa Barat. Untuk menjelaskan hubungan spasial antar lokasi pengamatan digunakan matriks pembobot spasial berdasarkam ketetanggaan (contiguity) yaitu matriks Queen Contiguity. Sebanyak 27 kabupaten/kota digunakan sebagai unit pengamatan dengan variabel dependennya (Y) adalah jumlah kasus kemiskinan dari setiap kabupaten/kota di Jawa Barat. Variabel independen yang digunakan merupakan faktor dugaan yang berhubungan dengan kasus kemiskinan. Variabel independennya (X) yaitu rata-rata upah pekerja formal, persentase penduduk tidak memiliki ijazah, persentase kesehatan penduduk, jumlah penduduk, jumlah pengeluaran per kapita, persentase tingkat pengangguran terbuka, dan UMR Jawa Barat. Variabel independen yang berpengaruh signifikan terhadap jumlah kasus kemiskinan di Jawa Barat berdasarkan model SAR, yaitu variabel persentase penduduk tidak memiliki ijazah, jumlah pengeluaran per kapita, dan persentase tingkat pengangguran terbuka.]]>
<![CDATA[Pemodelan Degradasi Bearing Menggunakan Proses Wiener ]]>
<![CDATA[10060119122, Jelita Ardilla]]>;
<![CDATA[Darwis, Sutawanir]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10392
<![CDATA[Abstract. Bearing are important driving parts in mechanical systems. Therefore, degradation modeling can predict future performance declines. Degradation modeling is a nonlinear pattern, some of the models are the gamma process and the Wiener process. This research aims to model bearing degradation using the Wiener process. The data used is bearing data set 1_1 from XJTU-SY. By carrying out a distribution fit test, the features used are the peak value features in the horizontal and vertical directions. Parameter estimation using the MLE method produces parameter estimates and , for the peak values in the horizontal direction and vertical . Degradation modeling, namely carrying out the equation with being tested 2 times. Modeling accuracy can be seen through the best MAPE, value, namely 21%. The accuracy of is better than . This proves that the Wiener process is random, so the accuracy of the Wiener process simulation for predicting degradation models will vary. Abstrak. Bearing adalah bagian penggerak yang penting dalam sistem mekanis. Maka dari itu pemodelan degradasi dapat memprediksi penurunan kinerja di masa depan. Pemodelan degradasi merupakan pola nonlinear, beberapa modelnya yaitu proses gamma dan proses Wiener. Penelitian ini bertujuan melakukan pemodelan degradasi bearing menggunakan proses Wiener. Data yang digunakan yaitu data set bearing 1_1 dari XJTU-SY. Dengan melakukan uji kecocokan distribusi diperoleh fitur yang digunakan yaitu fitur nilai puncak arah horizontal dan vertikal. Estimasi parameter dengan metode MLE menghasilkan taksiran parameter dan , untuk nilai puncak arah horizontal dan vertikal . Pemodelan degradasi yaitu melakukan persamaan dengan dilakukan pengujian 2 kali. Akurasi pemodelan dilihat melalui nilai MAPE, yang paling baik yaitu 21%. Keakurasian lebih baik dibanding . Hal ini membuktikan proses Wiener bersifat acak, maka akurasi simulasi proses Wiener untuk prediksi model degradasi akan berbeda-beda.]]>
<![CDATA[Peramalan Jumlah Penumpang Kereta Api di Pulau Jawa Menggunakan Model BATS dan Model TBATS ]]>
<![CDATA[10060119113, Fitria Nurjanah]]>;
<![CDATA[Herlina, Marizsa]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10395
<![CDATA[Abstract. Time series forecasting aims to find patterns in historical data series and extrapolate these patterns into the future. The success of a forecast depends on the use of forecasting methods, which must be adapted to the available data. Time series data that contains several seasonalities or has a dual-calendar effect is called data with complex seasonality, but not all forecasting methods can handle seasonal complexity. The methods that are able to handle seasonal complexity are the BATS (Box-Cox transform, ARMA errors, Trend, and Seasonal components) and TBATS (Trigonometric, Box-Cox transform, ARMA errors, Trend, and Seasonal components) models. Based on the results of the analysis carried out, it was found that the BATS model was better at predicting the number of train passengers on the island of Java compared to the TBATS model, as evidenced by the AIC value of 4318,364 and the RMSE of 1875,887 which were smaller than the AIC and RMSE values of the TBATS model. The results of forecasting using the BATS model showed that the highest number of train passengers was in December, namely 31,107,740 people and the lowest was in February 27,959,460 people. Abstrak. Peramalan deret waktu bertujuan untuk menemukan pola dalam deret data historis dan mengekstrapolasikan pola tersebut ke masa depan. Keberhasilan suatu peramalan bergantung pada penggunaan metode peramalan yang harus disesuaikan dengan data yang tersedia. Data deret waktu yang mengandung beberapa musiman atau terdapat efek dual-calendar disebut data dengan musiman yang kompleks, namun tidak semua metode peramalan dapat menangani kompleksitas musiman. Adapun metode yang mampu menangani kompleksitas musiman adalah model BATS (Box-Cox transform, ARMA errors, Trend, and Seasonal components) dan TBATS (Trigonometric, Box-Cox transform, ARMA errors, Trend, and Seasonal components). Berdasarkan hasil analisis yang dilakukan didapati hasil bahwa model BATS lebih baik dalam meramalkan jumlah penumpang kereta api di pulau jawa dibandingkan dengan model TBATS dibuktikan dengan nilai AIC sebesar 4318.364 dan RMSE sebesar 1875.887 yang lebih kecil dibandingkan dengan nilai AIC dan RMSE dari model TBATS. Adapun hasil peramalan menggunakan model BATS didapat bahwa jumlah penumpang kereta api tertinggi adalah pada bulan Desember yaitu sebanyak 31.107.740 orang dan terendah pada bulan Februari 27.959.460 orang.]]>
<![CDATA[Pengaruh Pembiayaan Bagi Hasil (Mudharabah dan Musyarakah) pada Total Aset Bank Central Asia Syariah dengan Metode Error Correction Model (ECM) ]]>
<![CDATA[10060119044, Aldy Virgiawan]]>;
<![CDATA[Herlina, Marizsa]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10418
<![CDATA[Abstract. Econometrics is a modeling approach that explains the relationship between economic measurements to understand the impact of price values on the demand for goods. This model is a combination of several applied sciences such as economic theory, mathematics, and inferential statistics. In econometrics, one of the methods used is the Error Correction Model (ECM), which aims to depict the relationship between analyzed variables, revealing phenomena in both the long and short term and seeking solutions in the presence of non-stationary data to achieve equilibrium. In its application, this method is employed in various economic aspects, including the calculation of the total assets of banks, both conventional and Sharia. Sharia banks emerged in Indonesia in 1983 with the goal of implementing the profit-sharing concept in their lending activities. With the rapid growth of the Sharia banking industry, PT. Bank Central Asia Tbk (BCA) acquired PT Bank Utama Internasional Bank (UIB), transforming it into PT. Bank BCA Syariah in 2009, which began operating the following year under Sharia principles. The purpose of this research is to examine the influence of profit-sharing (mudharabah and musyarakah) on the total assets of Bank BCA Syariah using the Error Correction Model (ECM). The study, based on monthly data from January 2015 to March 2019 from the Bank BCA Syariah website, reveals that in the long-term model, both mudharabah and musyarakah variables have a significant impact on total assets. However, in the short-term ECM model, the mudharabah variable shows no significant effect, while musyarakah significantly influences total assets. Abstrak. Ekonometrika adalah model yang menjelaskan hubungan dari pengukuran ekonomi untuk melihat pengaruh nilai harga pada sejumlah permintaan barang untuk mengetahui pengaruh nilai harga pada permintaan barang tersebut. Model ini gabungan dari beberapa ilmu terapan seperti ilmu teori ekonomi, matematika, dan statistik inferensial. Dalam pengerjaan ekonometrika salah satunya menggunakan metode Error Correction Model (ECM), bertujuan untuk menggambarkan adanya hubungan dari beberapa variabel yang dianalisis untuk diketahuinya fenomena pada jangka panjang dan jangka pendek serta mencari solusi bila adanya data yang tidak stasioner untuk mencapai keseimbangan. Dalam penggunaannya, metode ini digunakan berbagai aspek perekonomian, seperti perhitungan nilai total aset bank konvesional hingga syariah. Bank syariah hadir di Indonesia pada tahun 1983 yang bertujuan terbentuknya konsep “bagi hasil” bank pada pengkreditannya. Seiring pesatnya industri bank syariah, PT. Bank Central Asia Tbk (BCA) melakukan akuisisi pada salah satu bank yaitu PT Bank Utama Internasional Bank (UIB) yang diubah menjadi PT. Bank BCA Syariah pada tahun 2009 serta beroperasional ditahun berikutnya dengan sistem syariah. Tujuan dari penelitian ini untuk melihat pengaruh bagi hasil (mudharabah dan musyarakah) terhadap total aset Bank BCA Syariah dengan metode Error Correction Model (ECM), pada penelitian ini menggunakan data bulanan dari Januari 2015 hingga Maret 2019 bersumber pada situs Bank BCA Syariah. Maka, penelitian ini untuk model jangka panjang pada variabel mudharabah dan musyarakah memiliki pengaruh signifikan terhadap total aset, berbeda model ECM atau model jangka pendek bahwa variabel mudharabah tidak pengaruh signifikan sedangkan musyarakah berpengaruh signifikan terhadap total aset.]]>
<![CDATA[Diagram Kendali Wilcoxon Triple Exponential Weighted Moving Average dengan IMFIR dalam Pengendalian Kualitas Produksi Celana PT. XYZ ]]>
<![CDATA[10060119138, Irsan Arisandi]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10448
<![CDATA[Abstract. Control diagrams are Statistical Process Control which are used to control the production process. In the case of control charts, there are parametric and non-parametric control charts. One of the SPCs is the EWMA control chart which is capable of detecting small shifts, assuming the data is normally distributed. Then the Wilcoxon EWMA nonparametric control diagram was proposed which can detect small shifts with data that is not normally distributed, then W EWMA was developed into Wilcoxon TEWMA so that it can detect smaller shifts by carrying out the shifting process three times. Control charts have a common problem, namely that shifts at the beginning of time are not quickly detected. To overcome this weakness, Fast Initial Response was implemented to increase sensitivity in the initial period, Letshedi et al. (2021) proposed this feature by developing FIR, becoming IMFIR which is able to produce better out of control performance than the previous feature. In this research, we apply the W TEWMA control chart with IMFIR to the waist circumference data of PT cargo pants production. XYZ. The results of the nonparametric Shewhart control diagram in phase I showed that there were no observation points that were outside the control limits. Next, in phase II, using the W TEWMA IMFIR control diagram with the values λ=0.5, L=2.937, f=0.5 and a=0.3, the W TEWMA control diagram with IMFIR is statistically uncontrolled. Abstrak. Diagram kendali merupakan Statistic Process Control yang digunakan untuk mengontrol proses produksi. Pada kasus diagram kendali terdapat diagram kendali parametrik dan nonparametrik, Salah satu SPC yaitu diagram kendali EWMA yang mampu mendeteksi pergeseran yang kecil, dengan asumsi data berdistribusi normal. Kemudian diusulkanlah diagram kendali nonparametrik Wilcoxon EWMA yang dapat mendeteksi pergeseran kecil dengan data yang tidak berdistribusi normal, lalu W EWMA dikembangkan menjadi Wilcoxon TEWMA sehingga dapat mendeteksi pergeseran lebih kecil dengan melakukan proses pergeseran sebanyak tiga kali. Diagram kendali memiliki permasalahan umum yaitu pergeseran pada awal waktu tidak cepat terdeteksi. Untuk mengatasi kelemahan tersebut, diterapkanlah Fast Initial Response untuk meningkatkan kepekaan pada periode awal, Letshedi et al. (2021) mengusulkan fitur ini dengan mengembangkan FIR, menjadi IMFIR yang mampu menghasilkan kinerja out of control lebih baik dari fitur yang sebelumnya. Dalam penelitian ini menerapkan diagram kendali W TEWMA dengan IMFIR pada data panjang lingkar pinggang produksi celana cargo PT. XYZ. Hasil diagram kendali Shewhart nonparametrik pada fase I, diperoleh bahwa tidak ada titik pengamatan yang berada diluar batas kendali. Selanjutnya pada fase II, menggunakan diagram kendali W TEWMA IMFIR dengan nilai , , dan diperoleh diagram kendali W TEWMA dengan IMFIR tidak terkendali secara statistik.]]>
<![CDATA[Pemodelan Data Curah Hujan dan Suhu Rata-Rata dengan Model Seasonal Vector Autoregressive Moving Average (Seasonal VARMA) di Kota Bandung ]]>
<![CDATA[Tsaltsa Annisaa, Ayang]]>;
<![CDATA[Suwanda]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10458
<![CDATA[Abstract. Seasonal VARMA is able to produce precise forecasts, because it is used through multivariate time series modeling, but does not also ignore any seasonal events that are part of the nature of time series data. This model is used on data that has a two-way relationship, in this case time series with seasonal patterns that have a two-way relationship are data from rainfall and average temperature. In this study, researchers modeled time series data from rainfall and average temperature data in Bandung City using the Seasonal VARMA model and obtained the Seasonal VARMA〖(2,0,2)(1,1,0)〗_12 model. In addition to modeling, researchers also conducted forecasting of rainfall time series data and average temperature for the next 12 months. The results of the forecasting show that the highest rainfall forecast is in March 2023 at 254,394 mm and November 2023 at 382,937 mm, in which month the rainy season is predicted. While the lowest rainfall forecast results are in August 2023 amounting to 56,480 mm, where in August it is predicted that there will be a dry season. Abstrak. Seasonal VARMA mampu menghasilkan ramalan yang tepat, karena digunakan telahaan melalui pemodelan deret waktu multivariat, namun tidak juga mengabaikan pada setiap kejadian musiman yang merupakan bagian dari sifat data deret waktu. Model ini digunakan pada data yang memiliki hubungan dua arah, dalam hal ini deret waktu dengan pola musiman yang memiliki hubungan dua arah adalah data dari curah hujan dan suhu rata-rata. Pada penelitian ini, peneliti melakukan pemodelan data deret waktu dari data curah hujan dan suhu rata-rata di Kota Bandung menggunakan model Seasonal VARMA dan didapatkan model Seasonal VARMA. Selain melakukan pemodelan, peneliti pun melakukan peramalan dari data deret waktu curah hujan dan suhu rata-rata 12 bulan ke depan. Hasil dari peramalan didapatkan jika ramalan curah hujan tertinggi ada pada bulan Maret 2023 sebesar 254.394 mm dan bulan November 2023 sebesar 382.937 mm, pada bulan tersebut diramalkan terjadi musim hujan. Sedangkan hasil ramalan curah hujan terendah ada pada bulan Agustus 2023 sebesar 56.480 mm, dimana pada bulan agustus diramalkan bahwa akan terjadi musim kemarau.]]>
<![CDATA[Model Bayesian Median Autoregressive (BayesMAR) untuk Meramalkan Ekspor Barang di Indonesia ]]>
<![CDATA[10060119075, Inggit Noer Asyiah Pratiwi]]>;
<![CDATA[Suliadi, Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10553
<![CDATA[Abstract. Time series data is data derived from an observation taken sequentially in a certain time with the same interval. The goal is to estimate or to forecast future time series values. One of the robust time series models is Bayesian Median Autoregressive (BayesMAR). The advantage of the BayesMAR model is that it is more flexible and robust to outliers. Because the Bayesian framework itself includes the prior distribution of the median, where the median is robust to outliers and does not need to fulfill classical assumptions. This article applied BayesMAR model to forecast goods exports in Indonesia using data from 1990 to July 2023. The order p is selected by BICp and the minimum value is obtained at order 5 with the obtained model was yt = 1,17432 + 1,18786yt-1 - 0,3124yt-2 + 0,06306yt-3 + 0,38462yt-4 - 0,51256yt-5 + 0,18942yt-6. Based on the model, the forecasting of goods exports in Indonesia for the next four periods is obtained, namely the 136th period (October 01, 2023) of 972.16619 trillion rupiah, the 137th period (January 01, 2024) of 946.23121 trillion rupiah, the 138th period (April 01, 2024) of 924.93310 trillion rupiah, and in the 139th period (July 01, 2024) of 962.05450 trillion rupiah. Abstrak. Data deret waktu adalah data yang berasal dari suatu pengamatan yang diambil secara berurutan dalam waktu tertentu dengan interval yang sama. Tujuannya untuk memperkirakan atau meramalkan nilai deret waktu yang akan datang. Salah satu model deret waktu yang robust yaitu Bayesian Median Autoregressive (BayesMAR). Kelebihan model BayesMAR yaitu model ini lebih fleksibel. Karena kerangka kerja Bayesian itu sendiri yaitu memasukkan distribusi awal (prior) dari median, dimana median memiliki sifat robust terhadap pencilan dan tidak perlu memenuhi asumsi klasik. Dalam skripsi ini akan dibahas mengenai penerapan model Bayesian Median Autoregressive untuk meramalkan ekspor barang di Indonesia dengan menggunakan data dari tahun 1990 sampai Juli tahun 2023. Orde p dipilih dengan BICp dan diperoleh nilai yang paling minimum antara orde 1 sampai 10 yaitu orde 5. Maka model peramalan yang paling baik adalah menggunakan BayesMAR orde 5 dengan differencing satu kali sehingga modelnya yt = 1,17432 + 1,18786yt-1 - 0,3124yt-2 + 0,06306yt-3 + 0,38462yt-4 - 0,51256yt-5 + 0,18942yt-6. Berdasarkan model tersebut diperoleh peramalan ekspor barang di Indonesia untuk empat periode ke depan yaitu periode ke-136 (01 Oktober 2023) sebesar 972,16619 triliun rupiah, periode ke-137 (01 Januari 2024) sebesar 946,23121 triliun rupiah, periode ke-138 (01 April 2024) sebesar 924,93310 triliun rupiah, dan pada periode ke-139 (01 Juli 2024) sebesar 962,05450 triliun rupiah.]]>
<![CDATA[Regresi Ridge Menggunakan Metode Dorugade untuk Memodelkan Kemisikinan di Jawa Barat ]]>
<![CDATA[10060119083, Dhea Hely Yulianti]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10673
<![CDATA[Abstract. Linear regression analysis is a statistical method for forming a relationship model between a dependent variable and one or more independent variables. There are several assumptions that must be met in multiple linear regression, one of which is multicollinearity. One method to overcome multicollinearity problems is to use the ridge regression method. Dorugade (2016) developed a ridge parameter estimator for regression models based on the average MSE value which resulted in the Dorugade parameter estimator being able to overcome multicollinearity problems. This research applies that method to model the level of poverty in districts/cities in West Java in 2022 with the dependent variable poverty level and the independent variables gross regional domestic product, open unemployment, number of labor force, human development index, and average years of schooling. It was found that there was a multicollinearity problem and ridge regression using the Dorugade method was used. Obtained bias constant , the ridge equation model and the equation model . It is obtained that (number of labor force) is significan with negative effect on the poverty level. Abstrak. Analisis regresi linier adalah suatu metode statistika untuk membentuk model hubungan antara variabel dependent dengan satu atau lebih variabel independent. Ada beberapa asumsi yang harus terpenuhi dalam regresi linier berganda salah satunya adalah multikolinearitas. Salah satu metode untuk mengatasi masalah multikolinieritas adalah menggunakan metode regresi ridge. Dorugade (2016) mengembangkan estimator parameter Ridge pada model regresi berdasarkan nilai rata-rata MSE yang menghasilkan estimator parameter Dorugade mampu mengatasi masalah multikolinieritas. Skripsi ini menerapkan metode tersebut untuk memodelkan tingkat kemiskinan di Kabupaten/Kota di Jawa Barat Tahun 2022 dengan variabel dependent tingkat kemiskinan dan variabel independent produk domestik regional bruto, pengangguran terbuka, jumlah angkatan kerja, indeks pembangunan manusia, dan rata-rata lama sekolah. Pada pemeriksaan asumsi, diperoleh ada masalah multikolinieritas sehingga digunakan regresi ridge dengan metode dorugade. Diperoleh tetapan bias . Sehingga model persamaan ridge dan model persamaan . Diperoleh (jumlah angkatan kerja) yang signifikan. Dimana jumlah angkatan kerja berpengaruh negatif terhadap tingkat kemiskinan.]]>
<![CDATA[Analisis Volatilitas Return Ethereum Menggunakan Model Threshold GARCH ]]>
<![CDATA[10060119001, Vizky Andharista Suhendar]]>;
<![CDATA[Marizsa Herlina]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10735
<![CDATA[Abstract. Volatility is a fluctuation or random change in return prices, in time series data volatility can cause heteroscedasticity or variance that is not constant where in general time series data must have a constant variance (homogeneous). Analysis that can be used in handling data with non-constant (heterogeneous) variance is using the Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model. Return data is also identical to asymmetric changes in terms of negative and positive changes, it can also be analyzed with a special model, namely the Threshold GARCH model, where the TGARCH model considers positive and negative changes in return data to have different effects. The return data used in this study is Ethereum return data taken from the investment website and will be modeled using the TGARCH model. The first model estimated is the ARIMA (2,1,1) model. After testing the residual data, it was found that the ARIMA(2,1,1) model had an ARCH effect (heteroscedasticity), the second model estimated was the GARCH(1,1) model. After testing the residual data, it is found that the GARCH(1,1) model has an asymmetric effect, so the TGARCH model can be estimated. The best TGARCH model is the TGARCH(1,1) model. From the results of the research conducted, it can be concluded that the influence of positive allowances (good news) has a greater influence on the return value of ethereum than negative allowances (bad news). When there is a positive allowance, it will have an impact on the volatility of the Ethereum return value of 0.0006212. Meanwhile, when there is a negative allowance, it will have an impact on the volatility of the Ethereum return value of -0.32753. Abstrak. Volatilitas adalah fluktuasi atau perubahan harga return secara acak, dalam data time series volatilitas dapat menyebabkan terjadinya heteroskedastisitas atau varians yang tidak konstan dimana pada umumnya data time series harus memiliki varians yang konstans (homogen). Analisis yang dapat digunakan dalam menangani data dengan varians yang tidak konstans (heterogen) yaitu menggunakan model Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Data return pun identik dengan perubahan asimetris dalam hal perubahan negatif dan positif, hal tersebut juga dapat dianalisis dengan model khusus yaitu model Threshold GARCH, dimana model TGARCH menganggap perubahan positif dan negatif pada data return memiliki efek yang berbeda. Data return yang digunakan dalam penelitian ini adalah data return Ethereum yang diambil dari website investasi dan akan dimodelkan menggunakan model TGARCH. Model pertama yang diestimasi adalah model ARIMA(2,1,1). Setelah dilakukan pengujian pada residual data, didapatkan hasil bahwa model ARIMA(2,1,1) memiliki efek ARCH (heteroskedastisitas), model kedua yang diestimasi adalah model GARCH(1,1). Setelah dilakukan pengujian pada residual data, didapatkan bahwa model GARCH(1,1) memiliki efek asimetris, maka model TGARCH dapat diestimasikan. Model TGARCH yang terbaik adalah model TGARCH(1,1). Dari hasil penelitian yang dilakukan dapat disimpulkan bahwa pengaruh gunjangan positif (good news) memiliki pengaruh yang lebih besar pada nilai return ethereum dibandingkan gunjangan negatif (bad news). Ketika terdapat gunjangan positif, maka akan berdampak pada volatilitas nilai return Ethereum sebesar 0.0006212. Sedangkan ketika terdapat gunjangan negatif, maka akan berdampak pada volatilitas nilai return Ethereum sebesar -0.32753.]]>
<![CDATA[Pengaruh Pertumbuhan Ekonomi, Kemiskinan, Indeks Pembangunan Manusia (IPM) dan Pengangguran terhadap Ketimpangan Pendapatan Kabupaten/Kota di Pulau Kalimantan Tahun 2022 ]]>
<![CDATA[10060116099, Laras Sintya Noorachmadan]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i1.10784
<![CDATA[Abstract. Income inequality is still a problem in Indonesian economic development. Particularly Borneo Island still faces this problem among regions. This study aims to analyze the effect of several factors such as Economic Growth Rate (, Poverty Level (, Human Development Index (HDI) (, and Open Unemployment Rate ( to income inequality, Gini Ratio ( of Regency/City in Borneo Island. Multiple linear regression analysis was used to understand the complex relationship between those factors and the Gini index to see the influence of existing factors on income inequality. The result showed that economic growth rate and unemployment have a negative effect on income inequality of districts/cities in Borneo Island in 2022, at the same time HDI and poverty have a positive effect. The regression model obtained was dengan 30,1%. Abstrak. Di Indonesia, terdapat ketimpangan pendapatan yang masih menjadi masalah dalam pembangunan ekonomi. Pulau Kalimantan khususnya masih menghadapi ketidakmerataan pendapatan antarwilayah. Penelitian ini bertujuan untuk menganalisis Faktor-faktor seperti Laju Pertumbuhan Ekonomi (, Tingkat Kemiskinan (, Indeks Pembangunan Manusia (IPM) (, dan Tingkat Pengangguran Terbuka ( terhadap ketimpangan pendapatan, Gini Ratio (Kabupaten/Kota di Pulau Kalimantan. Analisis regresi linier berganda digunakan untuk memahami hubungan kompleks antara faktor-faktor dengan indeks gini untuk melihat pengaruh dari faktor-faktor yang ada terhadap ketimpangan pendapatan. Hasil penelitian menunjukan bahwa laju pertumbuhan ekonomi dan pengangguran berpengaruh negatif terhadap ketimpangan pendapatan Kabupaten/Kota di Pulau Kalimantan, pada saat yang sama IPM dan kemiskinan berpengaruh positif terhadap ketimpangan pendapatan Kabupaten/Kota di Pulau Kalimantan tahun 2022. Model regresi yang diperoleh adalah dengan 30,1%.]]>
