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[Pengelompokkan Desa di Jawa Barat Berdasarkan Variabel Penyusun Indeks Desa Membangun ]]>
<![CDATA[10060116088, Via Fauziah]]>;
<![CDATA[Suliadi, M.Si., Ph.D.]]>
<![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.v4i1.11589
<![CDATA[Abstract. The development and improvement of the quality of life at the village level is a crucial aspect of a country's development. The Village Development Index (IDM) is one of the important indicators that describe the development of villages from various aspects. The IDM measurement contains three constituent indices, namely the Social Resilience Index (IKS), Economic Resilience Index (IKE), and Environmental Resilience Index (IKL). IDM data in 2023 for West Java Province have significant variations in the values of the three constituent indices. Therefore, a clustering method is required to determine groups consisting of several villages in West Java. The clustering method that is often used is the K-Means method, but K-Means has a weakness, which is sensitive to outliers. Therefore, K-Medoids is present to overcome these shortcomings. The results of research with the Silhouette method obtained the optimal number of clusters is as many as 2. So that clustering is carried out with a number of clusters of 2. The results of clustering with the K-Medoids method were: (1) Cluster 1 had an average values of IKS, IKE, and IKL variables that were below the population average. So that cluster 1 had a lower IDM value category compared to cluster 2. (2) Cluster 2 had an average values of the IKS, IKE, and IKL variables that are above the population average. Therefore, cluster 2 has a higher IDM category than cluster 1. Abstrak. Pembangunan dan peningkatan kualitas kehidupan di tingkat desa merupakan aspek krusial dalam pembangunan suatu negara. Indeks Desa Membangun (IDM) menjadi salah satu indikator penting yang menggambarkan perkembangan desa dari berbagai aspek. Pengukuran IDM memuat tiga indeks penyusun, yakni Indeks Ketahanan Sosial (IKS), Indeks Ketahanan Ekonomi (IKE), dan Indeks Ketahanan Lingkungan (IKL). Berdasarkan data IDM tahun 2023, terlihat bahwa desa-desa di Provinsi Jawa Barat memiliki variasi nilai yang cukup signifikan dalam ketiga indeks penyusunnya. Untuk itu, diperlukan metode klasterisasi untuk menentukan kelompok yang terdiri dari beberapa desa di Jawa Barat. Metode klastering yang sering digunakan adalah metode K-Means Namun K-Means memiliki kelemahan, yaitu sensitif terhadap outlier. Maka dari itu, K-Medoids hadir untuk mengatasi kekurangan tersebut. Adapun hasil penelitian dengan metode Silhouette diperoleh jumlah klaster optimal adalah sebanyak 2. Sehingga klasterisasi dilakukan dengan jumlah klaster sebanyak 2. Hasil klasterisasi dengan metode K-Medoids adalah : (1) Klaster 1 memiliki nilai rata-rata untuk variabel IKS, IKE, dan IKL yang berada di bawah rata-rata populasi. Sehingga klaster 1 memiliki kategori nilai IDM yang lebih rendah dibandingkan dengan klaster 2. (2) Klaster 2 memiliki nilai rata-rata untuk variabel IKS, IKE, dan IKL yang berada di atas rata-rata populasi. Sehingga klaster 2 memiliki kategori IDM yang lebih tinggi dibandingkan dengan klaster 1.]]>
<![CDATA[Prediksi Sisa Usia Pakai Bearing Menggunakan Ekstraksi Fitur dan Regresi Kuadratik ]]>
<![CDATA[10060116092, Giska Miftah Nurjanah]]>;
<![CDATA[Sutawanir Darwis]]>
<![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.v4i1.11593
<![CDATA[Abstract. Rotating machinery plays an important role in the production process in various industrial fields in the world. The condition of the engine components is of particular concern to the company so that the engine can operate properly which results in stability in engine productivity. One of the most damaged machine components is the bearing. To minimize bearing damage, monitoring is carried out through prognostics and health management (PHM) activities. Based on this explanation, the purpose of this study is to determine the prediction of the remaining useful life (RUL) of bearings on experimental data of FEMTO-ST Institute bearings using feature extraction and quadratic regression. The data used in this study are secondary data in the form of bearing vibration data from FEMTO-ST Institut with time series data type, especially in the horizontal direction bearing1_1 data. The methods used in this research are Principal Compenent Analysis (PCA), Friedman super smoother, quadratic regression and Remaining Useful Life (RUL). The results of this study indicate that the PCA and quadratic regression methods can work well in predicting the remaining useful life (RUL) of bearing1_1 vibration data in the horizontal direction. At tp = 25240 seconds, the actual value of RUL and RUL prediction is 1930 seconds and 1810 seconds, respectively, so that bearing damage in the actual event (actual RUL) is slower to occur for 120 seconds (2 minutes) than the predicted RUL, tp = 25240 seconds has the closest remaining useful life (RUL) bearing difference between the actual event results and the predicted RUL results, the RMSE value at tp = 25240 seconds is 0,215577 this is the best model quality in predicting the remaining useful life (RUL) of the bearing. Abstrak. Rotating machinery memegang peranan penting pada proses produksi di berbagai bidang industri di dunia. Kondisi komponen-komponen mesin menjadi perhatian khusus bagi pihak perusahaan agar mesin dapat beroperasi dengan baik yang mengakibatkan kestabilan pada produktivitas mesin. Salah satu komponen mesin yang paling banyak mengalami kerusakan adalah bearing. Untuk meminimalisir kerusakan bearing dilakukan pemantauan melalui aktivitas prognostik dan manajemen kesehatan (Prognostics and Health Management -PHM). Berdasarkan penjelasan tersebut, tujuan penelitian ini adalah mengetahui prediksi sisa usia pakai (RUL) bearing pada data eksperimental bearing FEMTO-ST Institut dengan menggunakan ekstraksi fitur dan regresi kuadratik. Data yang digunakan dalam penelitian ini yaitu data sekunder berupa data vibrasi bearing dari FEMTO-ST Institut dengan tipe data time series, khususnya pada data bearing1_1 arah horizontal. Metode yang digunakan dalam penelitian ini adalah Principal Compenent Analysis (PCA), Friedman super smoother, regresi kuadratik dan Remaining Useful Life (RUL). Hasil penelitian ini menunjukkan bahwa metode PCA dan regresi kuadratik dapat bekerja dengan baik dalam meprediksi sisa usia pakai (RUL) pada data vibrasi bearing1_1 arah horizontal. Pada tp=25240 detik menghasilkan nilai aktual RUL dan prediksi RUL masing-masing adalah 1930 detik dan 1810 detik, sehingga kerusakan bearing pada kejadian sebanarnya (aktual RUL) lebih lambat terjadi selama 120 detik (2 menit) dari hasil prediksi RUL, tp=25240 detik memiliki selisih sisa usia pakai (RUL) bearing paling dekat antara hasil kejadian sebenarnya dengan hasil prediksi RUL, nilai RMSE pada tp=25240 detik adalah 0,215577 ini merupakan kualitas model terbaik dalam memprediksi sisa usia pakai (RUL) bearing.]]>
<![CDATA[Penerapan Diagram Kontrol Multivariate Exponentially Weighted Mean Squared (MEWMS) pada Pengendalian Dispersi Kualitas Proses Produksi Air PDAM ]]>
<![CDATA[10060119027, Izmi Rizkyanisaputri]]>;
<![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.v4i1.11616
<![CDATA[Abstract. The availability of clean and suitable for consumption water is one of the efforts to improve the welfare of the community and is the responsibility of the government. Therefore, in order to ensure that the quality of distributed water meets the standards, it is very important to carry out regular water quality control. Control chart are one of the satatistic tools used in statistical quality control that have been useful for practitioners to produce quality goods and services. If there are more than two quality characteristics, control of these variables needs to use a multivariate control chart. In many practical applications, only individual observations are available n = 1. For these conditions, a Multivariate Exponentially Weighted Mean Squared (MEWMS) control chart can be used to control multivariate dispersions. In this study, the MEWMS control diagram was applied to the quality data of the water production process of PDAM Hazora, Jember Regency consisting of 7 water quality variables. The results of the analysis show that the MEWMS control diagram of the actual data, for each of its observational data is within the control limits at the weighting ω = 0.1; 0,5; 0.9 then, it can be concluded that the process is in control. The simulation results are based on mean vector parameters and data covariance matrix in control, showing that the MEWMS control chart that detects the fastest shift is the diagram using ω = 0.1 with the mean vector shift detected at the time of the 61st observation and for its dispersion at the 115th observation. Abstrak. Tersedianya air bersih dan layak konsumsi merupakan salah satu upaya peningkatan kesejahteraan hidup masyarakat dan menjadi tanggung jawab pemerintah. Oleh karena itu, demi memastikan kualitas air yang terdistribusikan telah memenuhi standar, sangat penting untuk melakukan pengendalian kualitas air secara berkala. Diagram kontrol adalah salah satu alat satatistik yang digunakan pada pengendalian kualitas statistik yang telah berguna bagi praktisi untuk menghasilkan barang dan jasa yang berkualitas. Jika terdapat lebih dari dua buah karakteristik kualitas, pengendalian terhadap variabel-variabel tersebut perlu menggunakan diagram kontrol multivariat. Dalam banyak penerapan praktis, hanya pengamatan individual yang tersedia yaitu n sama dengan 1. Untuk kondisi ini, diagram kontrol Multivariate Exponentially Weighted Mean Squared (MEWMS) dapat digunakan untuk mengendalikan dispersi multivariat. Pada penelitian ini diagram kontrol MEWMS diaplikasikan pada data kualitas proses produksi air PDAM Hazora Kabupaten Jember yang terdiri atas 7 variabel kualitas air. Hasil analisis menunjukkan bahwa diagram kontrol MEWMS data aktual, untuk setiap data pengamatannya berada dalam batas-batas kendali pada pembobot]]>
<![CDATA[Peramalan Inflasi Provinsi Jawa Barat Selama Tahun 2024 Menggunakan Standard Theta Method (STM) ]]>
<![CDATA[10060119033, Salma Nur Fauziah]]>;
<![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.v4i1.11693
<![CDATA[Abstract. Forecasting is a method used to predict the future as accurately as possible using past information. Standard Theta Method (STM) is one of the forecasting methods, where time series data is decomposed resulting in short-term and long-term components. These components are identified using the Theta model and extrapolated separately, and then combined in the final forecasting stage. Inflation forecasting is important in order to formulate an early monetary policy. Inflation needs to be monitored to keep it stable. This is done to prevent economic instability in Indonesia. In this study, forecasting will be carried out using the STM method for the inflation value of West Java Province. The STM method is applied to data that does not contain seasonality. In this research data, seasonal detection is carried out with the Autocorrelation Function (ACF), the results show that the data contains seasonal elements in every six periods. Therefore, multiplicative deseasonalization is performed to remove the seasonality. After this process, an STM analysis was performed which resulted in a constant b of -0.0086 and a parameter a of 0.4098. These parameters were used to calculate the two Theta lines. Then, data is extrapolated to the two lines, which are finally combined to obtain forecasting results. The forecasting results show the same seasonal pattern. Keywords: Forecasting, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflation. Abstrak. Peramalan adalah metode yang digunakan untuk memprediksi masa depan seakurat mungkin menggunakan informasi masa lalu. Standard Theta Method (STM) adalah salah satu metode peramalan, dimana data deret waktu akan diuraikan yang menghasilkan komponen jangka pendek dan jangka panjang. Komponen-komponen ini diidentifikasi dengan menggunakan model Theta dan diekstrapolasi secara terpisah, lalu akan dikombinasikan pada tahap peramalan akhir. Peramalan inlflasi merupakan hal yang penting untuk dilakukan agar dapat merumuskan kebijakan moneter yang lebih dini. Inflasi perlu diawasi perkembangannya agar tetap stabil. Hal tersebut dilakukan agar mencegah ketidakstabilan perekonomian di Indonesia. Pada penelitian ini akan dilakukan peramalan menggunakan metode STM untuk nilai inflasi Provinsi Jawa Barat. Metode STM diaplikasikan pada data yang tidak mengandung musiman. Pada data penelitian ini dilakukan pendeteksian musiman dengan Autocorrelation Function (ACF), diperoleh hasil bahwa data mengandung unsur musiman di setiap enam periode. Oleh karena itu, dilakukan multiplicative deseasonalization untuk menghilangkan musimannya. Setelah proses tersebut, dilakukan analisis STM yang menghasilkan konstanta b sebesar -0.0086 dan parameter a sebesar 0.4098. Parameter tersebut digunakan untuk mengitung kedua garis Theta. Lalu, dilakukan ekstrapolasi data terhadap kedua garis yang pada akhirnya dikombinasikan untuk mendapat hasil peramalan. Hasil peramalan menunjukkan pola musiman yang sama. Kata Kunci: Peramalan, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflasi.]]>
<![CDATA[Pemodelan Regresi Binomial Negatif pada Kasus Jumlah Kematian Bayi di Indonesia Tahun 2021 ]]>
<![CDATA[10060119085, Andhika Ryandi]]>;
<![CDATA[Nur Azizah Komara Rifai]]>
<![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.v4i1.11841
<![CDATA[Abstrak. Regresi Poisson memiliki asumsi equidispersi dimana nilai rata-rata pada data sama dengan nilai variansnya. Akan tetapi permasalahan overdispersi bisa terjadi ketika nilai varians pada data lebih besar daripada nilai rata-ratanya. Salah satu penanganan overdispersi yaitu dengan menggunakan regresi binomial negatif. Tujuan penelitian ini untuk memodelkan regresi binomial negatif pada data jumlah kematian bayi di Indonesia tahun 2021 dan mengetahui faktor-faktor yang mempengaruhinya. Data diperoleh dari Kementerian Kesehatan Republik Indonesia pada Laporan Profil Kesehatan Indonesia tahun 2021 dengan unit penelitian yaitu 34 Provinsi di Indonesia. Variabel terikat yang digunakan yaitu jumlah kematian bayi (jumlah kematian bayi yang meninggal sebelum usia satu tahun per 1000 kelahiran hidup pada satu tahun tertentu) dan variabel bebas yang digunakan pada penelitian ini yaitu persentase kunjungan neonatal lengkap (KN3), persentase kunjungan ibu hamil K4, jumlah berat badan lahir (BBLR), persentase pemberian ASI ekslusif, dan persentase bayi di imunisasi dasar lengkap. Berdasarkan hasil analisis pada pemodelan regresi Poisson data mengalami kondisi overdispersi, sehingga alternatif model yang digunakan yaitu regresi binomial negatif. Pada regresi binomial negatif diperoleh model dengan nilai estimasi parameter yang berbeda dan menunjukan bahwa faktor-faktor yang berpengaruh terhadap jumlah kematian bayi di Indonesia tahun 2021 yaitu variabel persentase kunjungan ibu hamil K4, jumlah berat badan lahir rendah dan persentase bayi diberi asi ekslusif berpengaruh secara signifikan terhadap jumlah kematian bayi di Indonesia tahun 2021. Abstract, Poisson regression has an equidispersion assumption where the average value of the data is equal to the variance value. However, overdispersion problems can occur when the variance value in the data is greater than the average value. One way to handle overdispersion is by using negative binomial regression. The purpose of this study is to model negative binomial regression on data on the number of infant deaths in Indonesia in 2021 and determine the factors that influence it. Data was obtained from the Ministry of Health of the Republic of Indonesia in the 2021 Indonesian Health Profile Report with the research unit being 34 provinces in Indonesia. The dependent variable used is the number of infant deaths (the number of deaths of infants who died before the age of one year per 1000 live births in a given year) and the independent variable used in this study is the percentage of complete neonatal visits (KN3), percentage of K4 maternal visits, total birth weight (LBW), percentage of exclusive breastfeeding, and percentage of infants in complete basic immunization. Based on the results of the analysis on Poisson regression modeling, the data experienced overdispersion conditions, so the alternative model used was negative binomial regression. In negative binomial regression, a model with different parameter estimation values is obtained and shows that the factors that affect the number of infant deaths in Indonesia in 2021, namely the variable percentage of K4 pregnant women visits, the number of low birth weight and the percentage of babies given exclusive breastfeeding, have a significant effect on the number of infant deaths in Indonesia in 2021.]]>
<![CDATA[Estimasi Regresi Kuantil untuk Data Biner Longitudinal dengan Pendekatan Bayesian-Gibbs Sampling pada Kasus TBC dan Stunting pada Anak di RSUD Lembang Tahun 2022 ]]>
<![CDATA[10060119131, Alvina Damayanti Fauzia]]>;
<![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.v4i1.12185
<![CDATA[Abstract. Quantile regression models the quantiles of the dependent variable as a function of independent variables. This method is robust to ourlier and heterscedasticity and allows modeling the influence of independent variables at various quantile points, providing a more comprehensive insight into the relationship between dependent and independent variables. Recently Rahman & Vosmeyer (2019) proposed a method named “quantile binary longitudinal data” (QBLD) to analyze longitudinal binary data for quantile regression based on Bayesian approach. This study applied QBLD to analyze the effect of predictor variables (x1-age, x2-Weight, x3-Height and x4-stunting status) to the probability of children tuberculosis (TB) status for different quantiles (0.25, 0.50, 0.75). In all three quantile regressions, based on Gelman-Rubin statistics, it was found that all regression coefficients have converged. The models for quantiles 0.25, 0.50, and 0.75 were: ; respectively. For all three quantile regressions, variables x1 (age), x2 (Weight), x3 (Height) significantly influenced the response, while x4 (stunting status) did not. Abstrak. Model regresi kuantil menggambarkan kuantil variabel dependen sebagai fungsi dari variabel independen. Metode ini tahan terhadap pencilan dan heteroskedastisitas, serta memungkinkan pemodelan pengaruh variabel independen pada berbagai titik kuantil, memberikan wawasan yang lebih komprehensif tentang hubungan antara variabel dependen dan independen. Rahman & Vosmeyer (2019) mengusulkan metode "quantile binary longitudinal data" (QBLD) untuk menganalisis data biner longitudinal untuk regresi kuantil berdasarkan pendekatan Bayesian. Penelitian ini menerapkan QBLD untuk menganalisis pengaruh variabel prediktor (x1-umur, x2-Berat, x3-Tinggi, dan x4-status stunting) terhadap probabilitas status tuberkulosis (TBC) pada anak-anak untuk kuantil yang berbeda (0,25, 0,50, 0,75). Pada ketiga regresi kuantil, berdasarkan statistik Gelman-Rubin, ditemukan bahwa semua koefisien regresi telah konvergen. Model untuk masing-masing kuantil adalah ; . Pada ketiga regresi kuantil, x1 (umur), x2 (Berat Badan), x3 (Tinggi Badan) berpengaruh siginifikan terhadap respon, sedangkan x4 (status stunting) tidak berpengaruh signifikan.]]>
<![CDATA[Peramalan Nilai Ekspor di Indonesia Dengan Hierarchical Time Series Menggunakan Fungsi Transfer ]]>
<![CDATA[Deo Saputra]]>
<![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.v4i1.12202
<![CDATA[Abstract. Hierarchical forecasting is a breakdown of forecasting that allows joint forecasting at all levels of the hierarchy. There are two approaches used, namely the top-down and bottom-up approaches. This research uses a bottom-up approach, top-down historical proportions, and top-down forecasting proportions. Hierarchical forecasting can be applied to several time series models. The transfer function model is used in this research. This research aims to model the export value in Indonesia with a transfer function and export value based on export sector disaggregation. The data is divided into two levels, namely level 0 for data on export values for all sectors in Indonesia, and level 1 for data on export values per sector (oil and non-oil and gas). Based on the sMAPE value, the best hierarchical forecasting for level 0 is the bottom up approach with the smallest value, namely 30.18. Meanwhile, for level 1 with the oil and gas sector variable, it is a top down approach based on forecast proportions with the smallest value, namely 14.119, and for the non-oil and gas sector variable, it is a bottom up approach with the smallest value, namely 31.66. The research results show that for March 2023 the export value for the oil and gas sector was 1155.93 USD and for the non-oil and gas sector it was 16349.71 USD. Keywords: Export value in Indonesia, Hierarchical Forecasting, transfer function Abstrak. Peramalan hirarki adalah perincian peramalan yang memungkinkan peramalann bersama di semua tingkat hirarki. Ada dua pendekatan yang digunakan, yaitu pendekatan top-down dan bottom-up. Penelitian ini menggunakan pendekatan bottom-up, top-down proporsi historis, dan top-down proporsi peramalan. Peramalan hirarki dapat diterapkan ke beberapa model deret waktu. Model fungsi transfer digunakan dalam penelitian ini. Penelitian ini bertujuan untuk memodelkan nilai ekspor di Indonesia dengan fungsi transfer serta nilai ekspor berdasarkan disagregasi sektor ekspor. Data terbagi menjadi dua level, yaitu level 0 untuk data nilai ekspor seluruh sektor di Indonesia, serta level 1 untuk data nilai ekspor per sektor (migas dan non-migas). Berdasarkan nilai sMAPE, peramalan hirarki terbaik untuk level 0 adalah pendekatan bottom up dengan nilai terkecil yaitu 30.18. sedangkan untuk level 1 dengan variabel sektor Migas adalah pendekatan top down berdasarkan proprosi ramalan dengan nilai terkecil yaitu 14.119 dan untuk variabel sektor non Migas adalah pendekatan bottom up dengan nilai terkecil yaitu 31.66. Hasil penelitian menunjukan bahwa untuk bulan Maret 2023 nilai ekspor untuk sektor migas sebesar 1155.93 USD dan untuk sektor non migas sebesar 16349.71 USD. Kata Kunci : Nilai ekspor di Indonesia, Peramalan Hirarki, fungsi transfer]]>
<![CDATA[Perbandingan Metode Fuzzy Time Series Chen dan Singh untuk Kunjungan Wisatawan yang Masuk ke Indonesia pada Tahun 2018-2023 ]]>
<![CDATA[10060119068, Nur Inayah Aldhelia]]>;
<![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.v4i1.12226
<![CDATA[Abstract. Time series data is a collection of observations whose variables are measured according to the order of their periods. For example monthly, quarterly, yearly, etc. The goal is to find patterns in the data and apply these patterns to forecasting. Time series forecasting is based on historical data (past data). There are several methods for time series, one of which is fuzzy time series and has several models including the Chen and Singh model. Fuzzy time series is a concept proposed by Song (1997) and Chissom (1997), to solve forecasting problems if the historical data is in the form of linguistic values. Forecasting will use the Fuzzy Time Series method as one of the forecasting methods with better forecasting results compared to several other methods. Chen's model uses simple operation and Singh's model uses Simple Computation. In December 2023 Chen's model produces 23,926 tourists and forecasters using the Singh model produce 13,914 tourists. With the Chen model MAPE value is 7.578%. Meanwhile, the MAPE value for the Singh model is 2.06249%. Singh's model is a better model in predicting tourist visits to Indonesia. Abstrak. Data deret waktu merupakan kumpulan pengamatan yang variabelnya diukur menurut urutan periodenya. Misalnya bulanan, triwulanan, tahunan, dll. Tujuannya adalah untuk menemukan pola dalam data dan menerapkan pola tersebut pada prakiraan (peramalan). Peramalan deret waktu didasarkan pada data historis (data masa lalu). Terdapat beberapa metode dari deret waktu salah satunya fuzzy time series dan memiliki beberapa model diantaranya model Chen dan Singh. Fuzzy time series merupakan sebuah konsep yang diusulkan oleh Song (1997) dan Chissom (1997), untuk menyelesaikan masalah peramalan apabila data historisnya berupa nilai-nilai linguistic. Peramalan akan menggunakan metode Fuzzy Time Series sebagai salah satu metode peramalan dengan hasil peramalan lebih baik dibandingkan dengan beberapa metode lainnya. Model Chen menggunakan operasi sederhana dan model Singh menggunakan Komputasi Sederhana. Pada bulan Desember 2023 model Chen menghasilkan wisatawan sebesar 23.926 orang dan hasil peramal menggunakan model Singh menghasilkan wisatawan sebesar 13.914 orang. Dengan nilai MAPE model Chen adalah sebesar 7.578%. Sedangkan nilai MAPE model Singh adalah sebesar 2.06249%. Model Singh merupakan model yang lebih baik dalam meramalkan kunjungan wisatawan yang masuk ke Indonesia.]]>
<![CDATA[Analisis Fuzzy Time Series Pada Jumlah Penumpang Kereta Api di Wilayah Sumatera Menggunakan Metode Marcov Chain dan Lee ]]>
<![CDATA[Sugiono, Kabung]]>;
<![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.v4i1.12244
<![CDATA[Abstract. Forecasting is a process of estimating future events based on past events. In determining forecasting, of course there are many methods that can be used, such as ARIMA, Exponential Smoothing and others. However, not all methods can be used in certain conditions and must fulfill assumptions that must be met, so a method was developed to overcome this problem, namely Fuzzy Time Series (FTS). This research aims to predict the number of train passengers in the Sumatra region for the next period using two methods, namely the fuzzy time series Marcov chain and the fuzzy time series Lee using Sturgess' rules. The difference between the two methods is during the forecast defuzzification process. The results of this research are comparing the level of model accuracy by looking at the error value through the Mean Absolute Percentage Error (MAPE). The research results from these two methods obtained a MAPE of 0.29% for the fuzzy Marcov chain time series while the fuzzy time series Lee was 0.38%. This shows that the fuzzy Marcov chain time series is better for forecasting the number of train passengers in the Sumatra region because it produces smaller error values. Abstrak. Peramalan adalah suatu proses memperkirakan kejadian dimasa yang akan datang berdasarkan kejadian dimasa lampau. Dalam menentukan peramalan tentunya banyak sekali metode yang dapat digunakan seperti ARIMA, Exponential Smoothing dan lain-lain. Namun, tidak semua metode bisa digunakan pada kondisi tertentu dan harus memenuhi asumsi-asumsi yang harus terpenuhi, sehingga dikembangkan suatu metode untuk mengatasi masalah tersebut yaitu Fuzzy Time Series (FTS). Penelitian ini bertujuan untuk meramalkan jumlah penumpang kereta api di wilayah Sumatera untuk periode berikutnya dengan menggunakan dua metode yaitu fuzzy time series marcov chain dan fuzzy time series lee dengan menggunakan aturan sturgess. Perbedaan dari kedua metode tersebut yaitu pada saat proses defuzifikasi peramalan. Hasil dari penelitian ini yaitu membandingkan tingkat ketepatan model dengan melihat nilai error melalui Mean Absolute Percentage Error (MAPE). Hasil Penelitian dari kedua metode tersebut diperoleh MAPE sebesar 0,29% untuk fuzzy time series marcov chain sedangkan fuzzy time series lee yaitu sebesar 0,38%. Hal ini menunjukkan bahwa fuzzy time series marcov chain lebih baik untuk peramalan jumlah penumpang kereta api di wilayah Sumatera karena menghasilkan nilai error yang lebih kecil.]]>
<![CDATA[Pemodelan Spatial Autoregressive Model (SAR) dengan Pendekatan Mean Shift Outlier Model (MSOM) Pada Indeks Pembangunan Manusia (IPM) Provinsi Jawa Tengah Tahun 2022 ]]>
<![CDATA[Silvia, Risa]]>;
<![CDATA[Rifai, Nur Azizah Komara]]>
<![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.v4i1.12272
<![CDATA[Abstract. Spatial Regression is a method that considers data with location effects. The existence of outliers will affect the results of parameter estimation and model accuracy. This also occurs in spatial regression models, especially Spatial Autoregressive (SAR) models. SAR is a spatial regression model with an area approach that considers the spatial influence of lag on dependent variables only. Therefore, it is necessary to modify the SAR model, especially by giving special treatment to observations that can potentially become outliers. This study developed data modeling of the Human Development Index in Central Java in 2022 using a modified SAR model with the Mean Shift Outlier Model (MSOM) approach. MSOM will detect outliers, and then the results are used to modify the SAR model. Data include the Human Development Index as dependent variable (Y), Number of Health Facilities as 1st independent variable (X1), Percentage of population who do not have diplomas as 2nd independent variable (X2), and Gross Regional Domestic Product (GDP) per capita as independent variable 3rd (X3). Based on the results of the study, it was obtained that the modified model can increase the accuracy of the model compared to the original SAR model. This can be proven by increasing the value of the coefficient of determination and decreasing the value of the Akaike Information Criterion (AIC) of the modified model. Factors that influence the Human Development Index (HDI) in Central Java are the Number of Health Facilities, the Percentage of the Population that doesn't have a diploma, and the Gross Regional Domestic Product per capita. Abstrak. Regresi Spasial adalah metode yang mempertimbangkan data dengan efek lokasi.. Keberadaan outlier akan mempengaruhi hasil estimasi parameter dan akurasi model. Hal ini juga terjadi pada model regresi spasial, khususnya model Spatial Autoregressive (SAR). SAR merupakan model regresi spasial dengan pendekatan area yang memperhitungkan pengaruh spasial lag pada variabel dependent saja. Oleh karena itu, diperlukan untuk memodifikasi model SAR, terutama dengan memberikan perlakuan khusus pada pengamatan yang berpotensi menjadi outlier. Penelitian ini mengembangkan pemodelan data Indeks Pembangunan Manusia di Jawa Tengah tahun 2022 menggunakan model SAR yang dimodifikasi dengan pendekatan Mean Shift Outlier Model (MSOM). MSOM akan mendeteksi outlier kemudian hasilnya dijadikan dasar untuk memodifikasi model SAR. Data meliputi Indeks Pembangunan Manusia sebagai variabel dependent (Y), Jumlah Sarana Kesehatan sebagai variabel independent ke-1 (X1), Persentase penduduk yang tidak memiliki ijazah sebagai variabel independent ke-2 (X2), dan Produk Domestik Regional Bruto (PDRB) perkapita sebagai variabel independent ke-3 (X3). Berdasarkan hasil penelitian diperoleh bahwa model yang telah dimodifikasi dapat meningkatkan akurasi model dibandingkan dengan model SAR asli. Hal ini dapat dibuktikan dengan meningkatnya nilai koefisien determinasi dan menurunnya nilai Akaike Information Criterion (AIC) dari model yang telah dimodifikasi. Faktor yang berpengaruh terhadap Indeks Pembangunan Manusia (IPM) di Jawa Tengah yaitu Jumlah Sarana Kesehatan, Persentase Penduduk yang tidak memiliki ijazah dan PDRB perkapita.]]>
