Bandung Conference Series: Statistics
Bandung Conference Series: Statistics (BCSS) menerbitkan artikel penelitian akademik tentang kajian teoritis dan terapan serta berfokus pada Statistika dengan ruang lingkup sebagai berikut: Alternating Least Square, Analisis Konjoin, Autoregressive, Auxiliary Variabel, Baby Birth, Block Maxima, Churn Distribusi Skellam, Cox Regression, Data spasial, DBD Ordinal Logistic Regression, Diagram kendali, Discrete Choice Experiment Method, Discrete Time Logistic, empirical likelihood, Fisher Scoring, Generalized Structured Component Analysis, Geographically Weighted Regression, GEV, GJR GARCH, Infant Mortality Preferensi, Insurance Claim, Kaplan-Meier, Kernel Bi-Square, Gaussian, Logistic Regression, Maternal Mortality, Mixed Geographically Weighted Regression Model GSTAR, MLE, Model ARIMAX, MSE. Multiple linear regression analysis, Nadaraya Watson, Newton Raphson Method, Nonparametrik Spline Confidence Interval, Optimasi Multi-Objek, orde Spasial, Outlier, Pareto Optimal, Partial Proportional Odds Model, Pemodelan Indeks Pembangunan Manusia. Penduga Rasio dan Produk Tipe Eksponensial, Peramalan, Poisson Bivariate Regression, Poisson Regression, Rata-rata Populasi berhingga, Regresi, Return Period Exogenous Variable, RMSE, Structural Equation Modeling, Survival Analysis, Threshold, Vibrasi Bearing, zero-inflated. Prosiding ini diterbitkan oleh UPT Publikasi Ilmiah Unisba. Artikel yang dikirimkan ke prosiding ini akan diproses secara online dan menggunakan double blind review minimal oleh dua orang mitra bebestari.
Articles
279 Documents
<![CDATA[Analisis Korespondensi Data Akreditasi Perguruan Tinggi di Lembaga Layanan Pendidikan Tinggi Wilayah 4 (LLDIKTI4) Jawa Barat dan Banten ]]>
<![CDATA[Rifqi Naufaldi Putra Pratama]]>;
<![CDATA[Marizsa Herlina]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 4 No. 2 (2024): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v4i2.15568
<![CDATA[Abstract. Education is a key pillar of a nation's development. Well-managed education can produce high-quality resources. The role of LLDIKTI is to facilitate the enhancement of the quality of higher education, conduct evaluations, and report on the improvement efforts of universities within its region. Accreditation is an effort to ensure that universities meet the quality standards set by the government. The purpose of this study is to visually explore the relationship between the type of higher education institutions and the types of accreditation. This research employs correspondence analysis, a statistical technique used to explore the relationships between categorical variables. The data used in this study is the accreditation data of higher education institutions from June 2023. The categorical variables analyzed are the type of higher education institutions and the types of accreditation, presented in a contingency table format. This secondary data was obtained from performance reports released during the Practical Course of the Statistics Study Program, Faculty of Mathematics and Natural Sciences, at Universitas Islam Bandung, conducted at the Higher Education Service Institution Region 4 (LLDIKTI 4) in West Java and Banten. The results of the correspondence analysis on the accreditation data of higher education institutions at LLDIKTI 4 in West Java and Banten in June 2023 indicate a visual relationship between the type of higher education institution and the types of accreditation in the Higher Education Accreditation data from June 2023. Abstrak. Pendidikan merupakan pilar utama pembangunan suatu Negara. Pendidikan yang terkelola baik dapat menghasilkan sumber daya berkualitas. Tugas LLDIKTI adalah memfasilitasi peningkatan mutu penyelenggaraan pendidikan tinggi, pelaksanaan evaluasi dan pelaporan fasilitasi peningkatan mutu perguruan tinggi yang berada di wilayahnya. Akreditasi merupakan upaya untuk memastikan bahwa perguruan tinggi menerapkan standar mutu yang telah ditetapkan pemerintah. Tujuan penelitian ini untuk mengetahui keterkaitan secara visual antara bentuk perguruan tinggi dengan jenis Akreditasi. Penelitian ini menggunakan metode analisis korespondensi, sebuah teknik statistik yang digunakan untuk mengeksplorasi hubungan antara variabel kategorikal. Data yang digunakan dalam penelitian ini adalah data Akreditasi perguruan tinggi pada bulan Juni 2023, Variabel kategorikal yang dianalisis adalah variabel Bentuk Perguruan tinggi serta variabel Akreditasi yang disajikan dalam format tabel kontingensi. Data sekunder ini diperoleh dari laporan capaian yang dikeluarkan selama pelaksanaan Kuliah Praktik Prodi Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Bandung di Lembaga Layanan Pendidikan Tinggi Wilayah 4 (LLDIKTI4) Jawa Barat dan Banten. Hasil analisis korespondensi pada data Akreditasi perguruan tinggi di Lembaga Layanan Pendidikan Tinggi Wilayah 4 (LLDIKTI4) Jawa Barat dan Banten pada bulan Juni Tahun 2023 menunjukkan adanya keterkaitan secara visual antara bentuk perguruan tinggi dengan jenis Akreditasi pada data Akreditasi Perguruan Tinggi bulan Juni Tahun 2023.]]>
<![CDATA[Pengaruh Indeks Pembangunan Manusia (IPM) dan Laju Pertumbuhan Ekonomi terhadap Kemiskinan di Kabupaten Bandung Barat Tahun 2010-2022 ]]>
<![CDATA[10060120068, Nabilah Disya Arviani]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 1 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i1.15881
<![CDATA[Abstract. Poverty is a condition in which an individual or a group of individuals is unable to fulfill their basic rights to lead a decent life. A low Human Development Index (HDI) will result in low work productivity, consequently leading to lower income. Low income will increase the number of people living in poverty. Similarly, economic growth will increase the number of people living in poverty when there is income inequality that will benefit the wealthy compared to the poor. This study aims to find out the impact of the Human Development Index and the rate of economic growth on poverty in West Bandung Regency 2010-2022. The method used in this study is multiple linear regression analysis with the Human Development Index (HDI) and the economic growth rate as independent variables, and the percentage of the poor population as the dependent variable. Based on the study results, it was found that the Human Development Index (HDI) affects poverty in West Bandung Regency 2010-2022, while the economic growth rate does not affect poverty in West Bandung Regency 2010-2022. Where 91.4% of poverty can be explained by the Human Development Index (HDI) and the economic growth rate. Abstrak. Kemiskinan merupakan keadaan di mana seseorang atau sekelompok orang tidak dapat memenuhi hak-hak dasar mereka untuk menjalani kehidupan yang layak. Indeks Pembangunan Manusia (IPM) yang rendah akan mengakibatkan produktivitas kerja yang rendah sehingga perolehan pendapatan akan semakin rendah. Pendapatan yang rendah akan mengakibatkan naiknya jumlah penduduk miskin. Begitu pula dengan pertumbuhan ekonomi yang akan meningkatkan jumlah penduduk miskin ketika terjadi ketimpangan pendapatan yang akan menguntungkan penduduk kaya dibandingkan penduduk miskin. Penelitian ini dilakukan untuk mengetahui pengaruh indeks pembangunan manusia dan laju pertumbuhan ekonomi terhadap kemiskinan di Kabupaten Bandung Barat tahun 2010-2022. Metode yang digunakan dalam penelitian ini yaitu analisis regresi linier berganda dengan variabel independen yaitu Indeks Pembangunan Manusia (IPM) dan laju pertumbuhan ekonomi, serta variabel dependen yaitu persentase penduduk miskin. Berdasarkan hasil penelitian, diperoleh hasil bahwa Indeks Pembangunan Manusia (IPM) mempengaruhi kemiskinan di Kabupaten Bandung Barat pada tahun 2010-2022, sedangkan laju pertumbuhan ekonomi tidak mempengaruhi kemiskinan di Kabupaten Bandung Barat pada tahun 2010-2022. Di mana 91,4% kemiskinan dapat dijelaskan oleh Indeks Pembangunan Manusia (IPM) dan laju pertumbuhan ekonomi.]]>
<![CDATA[Pengelompokan Perangkat Daerah di Jawa Barat Berdasarkan Jenis Pajak Menggunakan Metode K-Medoids ]]>
<![CDATA[10060120027, Alma Zahra Sartono]]>;
<![CDATA[Abdul Kudus, M.Si., Ph.D.]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 1 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i1.16792
<![CDATA[Abstract. The management of regional taxes is one of the critical aspects of increasing locally generated revenue (PAD) that supports regional development. In West Java, with a large and diverse number of regional agencies, an effective strategy is needed to understand the characteristics of each agency in terms of contributions and the types of taxes managed. One approach that can be utilized is grouping regional agencies based on tax types using cluster analysis. Among the many clustering algorithms available, the K-Medoids algorithm stands out due to its robustness against outliers. This method is considered highly suitable as tax data often contains extreme values that can influence clustering results. Based on the clustering analysis conducted, two clusters were formed: Cluster 1 consists of 1 regional agency, PD1, while Cluster 2 includes 37 regional agencies. The average value for each type of tax in Cluster 1 is higher than in Cluster 2, indicating that members of Cluster 1 are high-tax contributors, whereas members of Cluster 2 are low-tax contributors. Abstrak. Pengelolaan pajak daerah merupakan salah satu aspek penting dalam meningkatkan pendapatan asli daerah (PAD) yang mendukung pembangunan wilayah. Di Jawa Barat, dengan jumlah perangkat daerah yang tidak sedikit dan beragam, diperlukan strategi yang efektif untuk memahami karakteristik masing-masing perangkat daerah dalam hal kontribusi dan jenis pajak yang dikelola. Salah satu pendekatan yang dapat digunakan adalah pengelompokan perangkat daerah berdasarkan jenis pajak menggunakan analisis klaster. Dalam konteks pengelompokan perangkat daerah, di antara banyaknya algoritma analisis klaster, algoritma K-Medoids menarik perhatian karena sifatnya yang lebih tahan terhadap pencilan. Metode ini dirasa sangat cocok karena data pajak sering kali mengandung nilai ekstrim yang dapat memengaruhi hasil klasterisasi. Berdasarkan hasil pengelompokan yang telah dilakukan, diperoleh sebanyak 2 klaster dengan jumlah anggota klaster 1 sebanyak 1 perangkat daerah yaitu PD1 dan anggota klaster 2 sebanyak 37 perangkat daerah. Nilai rata-rata tiap jenis pajak pada klaster 1 lebih tinggi dibandingkan dengan klaster 2, sehingga dapat dikatakan bahwa anggota klaster 1 merupakan anggota klaster dengan tarikan pajak yang tinggi, sedangkan anggota klaster 2 merupakan anggota klaster dengan tarikan pajak yang rendah.]]>
<![CDATA[Penerapan Analisis Deret Waktu Arima dalam meramalkan Wisatawan Mancanegara Asal Malaysia Tahun 2024 ]]>
<![CDATA[10060117091, Rido Julistio]]>;
<![CDATA[Ilham Faishal Mahdy, S.Stat.,M.Stat]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 1 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i1.18280
<![CDATA[Abstract. Forecasting is an activity aimed at predicting future events, covering short-term, medium-term, and long-term periods using time series data. Time series data refers to a collection of data arranged continuously over a specific period. Forecasting techniques in time series data analysis involve statistical modeling methods, including exponential smoothing, moving average, regression, and autoregressive integrated moving average (ARIMA). The ARIMA model is categorized into three groups: autoregressive (AR), moving average (MA), and the combined ARMA (autoregressive moving average) model, which incorporates characteristics of the first two models. Stationarity checks on data can be conducted using time series plots, the Augmented Dickey-Fuller (ADF) test, and the autocorrelation function (ACF) test. The Box-Cox transformation is applied when time series data exhibit non-stationarity in variance, requiring an assessment of stationarity issues through the ADF test and ACF test. Differencing is performed after the data achieve stationarity in variance. If the data remain non-stationary in the mean, further differencing is applied. International tourists are defined as individuals traveling to a country outside their place of residence. Using the Akaike Information Criterion (AIC) test, the best-fitting model was determined to be ARIMA (1,2,1) based on the smallest AIC value. This study concludes that the ARIMA time series analysis can be utilized to forecast the number of Malaysian international tourists in 2024. Abstrak. Peramalan adalah kegiatan untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang menggunakan data deret waktu. Data deret waktu merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Teknik peramalan analisis data deret waktu dengan model peramalan berdasarkan pemodelan statistik yaitu (exponential smoothing, moving average, regresi dan autoregressive integrated moving average (ARIMA)). Model ARIMA dibagi ke dalam 3 kelompok, yaitu: model autoregressive (AR), moving average (MA), dan model campuran ARMA (autoregresive moving average) yang mempunyai karakteristik dari dua model pertama. Pengecekan staioner data bisa dilakukan dengan plot time series, uji ADF dan uji ACF. Transformasi Box Cox digunakan ketika data deret waktunya mengandung masalah adanya ketidakstasioneran data dalam varians, sehiggga harus ada proses pemeriksaan masalah kestasioneran yang dapat diperiksa menggunakan statistik ADF dan uji ACF. Proses pembedaan (differencing) dilakukan setelah data stasioner dalam varians. Proses pembedaan dilakukan jika data tidak stasioner dalam rata- rata. wisatawan secara internasional yakni setiap orang yang mengunjungi suatu negara di luar tempat tinggalnya. Dengan menggunakan Uji AIC dengan nilai terkecil didapatkan model terbaik ARIMA (1, 2, 1). Berdasarkan penelitian ini diketahui bahwa Analisis Deret Waktu ARIMA dapat digunakan untuk melakukan peramalan jumlah wisatawan mancanegara asal Malaysia tahun 2024.]]>
<![CDATA[Analisis K-Means Clustering untuk Klasterisasi TPT Kabupaten/Kota di Jawa Barat 2021–2023 ]]>
<![CDATA[10060121055, Ainani Tajriyan Muntaharridwan]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.18636
<![CDATA[Abstract. The Open Unemployment Rate (TPT) is a crucial indicator reflecting the labor market and economic conditions of a region. West Java Province has consistently recorded relatively high TPT figures over the past three years, despite showing a downward trend. This study aims to cluster districts/cities in West Java based on their TPT data from 2021 to 2023 using the K-Means Clustering algorithm. The data used is secondary data obtained from the Central Statistics Agency (BPS). The analytical process includes assumption testing, data normalization using Z-Score, and determining the optimal number of clusters through the Silhouette Coefficient method. The results show that two optimal clusters were formed: the first cluster consists of five regions with relatively low TPT, while the second cluster includes twenty-two regions with relatively high TPT. The clustering visualization demonstrates a clear separation between clusters, and silhouette values above 0.5 indicate strong clustering performance. This research provides a data-driven basis for local governments to formulate more targeted and effective employment policies. It also contributes to future studies in applying data mining techniques to social and economic issues. Abstrak. Tingkat Pengangguran Terbuka (TPT) merupakan indikator penting yang mencerminkan kondisi ketenagakerjaan dan perekonomian suatu wilayah. Provinsi Jawa Barat tercatat memiliki angka TPT yang cukup tinggi dalam tiga tahun terakhir, meskipun menunjukkan tren penurunan. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Provinsi Jawa Barat berdasarkan kesamaan tingkat pengangguran terbuka pada tahun 2021 hingga 2023 menggunakan algoritma K-Means Clustering. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS). Proses analisis diawali dengan uji asumsi, normalisasi data menggunakan Z-Score, serta validasi jumlah cluster optimal menggunakan metode Silhouette Coefficient. Hasil penelitian menunjukkan bahwa dua cluster optimal terbentuk: cluster pertama terdiri dari lima kabupaten/kota dengan TPT relatif rendah, sedangkan cluster kedua terdiri dari dua puluh dua wilayah dengan TPT relatif tinggi. Visualisasi hasil clustering menunjukkan pemisahan yang jelas antar cluster, dan validasi dengan nilai silhouette rata-rata > 0,5 menunjukkan kualitas pengelompokan yang baik. Penelitian ini diharapkan menjadi dasar rekomendasi bagi pemerintah daerah dalam merancang kebijakan ketenagakerjaan yang lebih terarah dan efisien, serta sebagai referensi dalam pengembangan penelitian lanjutan menggunakan metode data mining dalam bidang sosial ekonomi.]]>
<![CDATA[Pengelompokan Kabupaten/Kota Berdasarkan Indikator Perumahan di Pulau Jawa Menggunakan Hierarchical Density Based Spatial Clustering of Application with Noise (HDBSCAN) ]]>
<![CDATA[10060121060, Rosyida Aurelia Fitri Riayah]]>;
<![CDATA[Ilham Faisal Mahdy]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.18744
<![CDATA[Abstract. Cluster analysis is a method used to group data based on similar characteristics. One density-based cluster analysis is Hierarchical Density Based Spatial Clustering of Applications with Noise. HDBSCAN is a density-based clustering method capable of forming clusters with different densities and identifying data that does not belong to any cluster (noise). This method automatically forms clusters based on variations in local density. The distance used to measure the proximity between data points is the Euclidean distance. The clustering results are evaluated using Density-Based Clustering Validation (DBCV). DBCV is a validation index specifically designed for density-based methods, focusing on cohesion and separation between clusters. The DBCV value ranges from -1 to 1, with higher values indicating better clusters. In this study, the HDBSCAN method will be applied to data related to the 2023 Housing Indicators with observation points in the regencies/cities on the island of Java. Housing conditions are one of the supporting aspects of community welfare, but disparities in adequate housing still exist on the island of Java. Therefore, it is necessary to map areas based on housing indicators to identify patterns of similarity in characteristics between areas as a basis for development planning. From the cluster analysis results obtained using a minimum cluster size of 7 and a minimum sample size of 7, two clusters and 12 noise points were identified. Cluster 1 consists of 39 regions, and Cluster 2 consists of 60 regions. The DBCV value obtained was 0.5506, indicating a sufficiently stable cluster structure, so the clustering results can be used to interpret the characteristics of each regional group based on the indicators used. Abstrak. Analisis klaster adalah metode yang digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik. Salah satu analisis klaster berbasis kepadatan adalah Hierarchical Density Based Spatial Clustering of Application with Noise. HDBSCAN merupakan klasterisasi berbasis kepadatan yang mampu membentuk klaster dengan kepadatan berbeda dan mengidentifikasi data yang tidak termasuk ke dalam klaster manapun (noise). Metode ini membentuk klaster secara otomatis berdasarkan variasi kerapatan lokal. Jarak yang digunakan untuk mengukur kedekatan antar data adalah jarak euclidean. Evaluasi hasil klaster dilakukan menggunakan Density Based Clustering Validation (DBCV) yang merupakan indeks validasi khusus untuk metode berbasis kepadatan yang memperhatikan kohesi dan separasi antar klaster. Nilai DBCV berada antara -1 hingga 1, dengan nilai yang lebih tinggi menunjukan klaster semakin baik. Pada penelitian ini, metode HDBSCAN akan diterapkan pada data terkait Indikator Perumahan Tahun 2023 dengan titik pengamatan yakni Kabupaten/Kota yang ada di Pulau Jawa. Kondisi perumahan merupakan salah satu aspek penunjang kesejahteraan masyarakat, namun ketimpangan hunian layak masih terjadi di Pulau Jawa. Karena itu, diperlukan pemetaan wilayah berdasarkan indikator perumahan untuk mengetahui pola kemiripan karakteristik antar wilayah sebagai bahan perencanaan pembangunan. Dari hasil analisis klaster yang dilakukan dengan menggunakan minimum cluster size = 7 dan minimum sample = 7, diperoleh 2 klaster dan 12 noise. Klaster 1 terdiri dari 39 daerah dan klaster 2 terdiri dari 60 daerah. Nilai DBCV yang diperoleh sebesar 0,5506 yang menunjukkan struktur klaster cukup stabil, maka hasil klasterisasi dapat digunakan untuk menginterpretasikan karakteristik tiap kelompok wilayah berdasarkan indikator yang digunakan.]]>
<![CDATA[Analisis Indeks Persepsi Korupsi: Makroekonomi Dan Polusi Udara Menggunakan Regresi Beta ]]>
<![CDATA[10060121097, Siti Fatimah]]>;
<![CDATA[Abdul Kudus]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.21451
<![CDATA[Abstract. The Corruption Perceptions Index (CPI) is an indicator for assessing the quality of government governance that impacts the economic and environmental sectors. This study uses data from 135 countries in 2022 modeled using beta regression, considering the characteristics of CPI data which are proportions in the range (0,1). The beta regression model uses a logit link function, which connects the mean response (μ) with a linear combination of independent variables to ensure that predictions remain within the (0,1) interval. Parameter estimation is carried out using the Maximum Likelihood Estimation (MLE) method, which is suitable for the beta distribution and allows efficient parameter estimation. The initial model yielded a very low R-squared value of 16.28% and identified 21 outlier observations. After removing these 21 outliers, the revised model achieved an R-squared value of 54.98%, indicating improvement and no further outlier observations detected. The simultaneous test results of the final model concluded that at least one independent variable significantly influences the Corruption Perceptions Index (CPI). In other words, the beta regression model used is statistically significant and appropriate for explaining the variability in CPI. Partial test results show that of the twelve independent variables tested, only four significantly influence CPI at the 5% significance level: population, GNI, GDP, and debt. Keywords: Corruption Perceptions Index, Macroeconomic Factors, Air Pollution, Beta Regression Abstrak. Indeks Persepsi korupsi merupakkan indikator dalam menilai kualitas tata kelola pemerintah yang berdampak pada sektor ekonomi dan lingkungan, dengan menggunakan data dari 135 negara tahun 2022 yang dimodelkan dengan regresi beta mengingat karakteristik data indeks persepsi korupsi yang berupa proporsi dalam rentang (0,1). Model regresi beta menggunakan fungsi hubung logit, yaitu fungsi yang menghubungkan rata-rata respon (μ) dengan kombinasi linier variabel independen agar prediksi tetap berada dalam interval (0,1). Estimasi parameter dilakukan menggunakan metode maximum likelihood estimation (MLE), yang sesuai untuk distribusi beta dan memungkinkan estimasi parameter yang efisien. Model dugaan awal memberikan nilai R-squared sangat kecil yaitu 16,28% dan terdapat 21 observasi yang merupakan outlier. Kemudian dilakukan penghapusan outlier sebanyak 21 observasi dan diperoleh model dugaan nilai R-squared sebesar 54,98% meningkat dari sebelumnya serta dinyatakan tidak ada observasi yang terindikasi outlier. Hasil uji simultan dari model dugaan akhir disimpulkan bahwa minimal terdapat satu variabel independen yang berpengaruh secara signifikan terhadap Indeks Persepsi Korupsi atau Porruption perception Index (CPI). Dengan kata lain, model regresi beta yang digunakan secara keseluruhan signifikan secara statistik dan layak digunakan untuk menjelaskan variabilitas dalam CPI. Hasil uji parsial diperoleh bahwa dari dua belas variabel independen yang diuji, hanya empat variabel yang berpengaruh secara signifikan terhadap CPI pada tingkat signifikansi 5%. Keempat variabel tersebut adalah populasi, GNI, GDP, dan utang(debt). Kata Kunci: Indeks Persepsi Korupsi, Faktor Makro Ekonomi, Polusi Udara, Regresi Beta]]>
<![CDATA[Penerapan Metode Hybrid Fuzzy Time Series pada Data IHSG ]]>
<![CDATA[10060118082, Rizky Fauzi]]>;
<![CDATA[Teti Sofia Yanti]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v5i2.21452
<![CDATA[Abstract. Forecasting the Indonesia Composite Stock Price Index (IHSG) plays a crucial role in investment decision-making; however, the volatility and uncertainty of the data make the process complex. This study aims to apply a hybrid Fuzzy Time Series (FTS) method combined with Fuzzy C-Means (FCM) and Markov Chain algorithms to accurately model and forecast IHSG values. The data used consists of daily IHSG closing prices from January 2020 to July 2025, obtained from idx.co.id. The research steps include data preprocessing, determining the universe of discourse, identifying the optimal number of clusters using the Elbow method, constructing fuzzy intervals based on FCM cluster centers, followed by fuzzification, forming Fuzzy Logical Relationship Groups (FLRG), building the Markov transition probability matrix, and conducting prediction with result adjustments. The model was evaluated using RMSE, MAPE, and Theil’s U metrics to measure accuracy. The results showed that the hybrid method produced predictions with an RMSE of 65.8147, MAPE of 0.80%, and Theil’s U of 0.0102 after adjustment, indicating excellent model performance. In conclusion, the FTS-FCM-Markov hybrid method effectively handles the dynamic characteristics of IHSG data and can serve as an alternative approach for stock market forecasting. Abstrak. Peramalan Indeks Harga Saham Gabungan (IHSG) memiliki peran penting dalam pengambilan keputusan investasi, namun fluktuasi dan ketidakpastian data membuat proses ini menjadi kompleks. Penelitian ini bertujuan untuk menerapkan metode hybrid Fuzzy Time Series (FTS) yang dikombinasikan dengan algoritma Fuzzy C-Means (FCM) dan Markov Chain untuk memodelkan dan meramalkan nilai IHSG secara akurat. Data yang digunakan merupakan harga penutupan IHSG harian dari Januari 2020 hingga Juli 2025 yang diambil dari Idx.co.id. Langkah penelitian dimulai dengan pra-pemrosesan data, penentuan universe of discourse, penentuan jumlah klaster optimal dengan metode Elbow, pembentukan interval fuzzy berdasarkan pusat klaster FCM, kemudian dilakukan proses fuzzifikasi, pembentukan Fuzzy Logical Relationship Group (FLRG), pembangunan matriks probabilitas transisi Markov, hingga tahap prediksi dan penyesuaian hasil. Model dievaluasi menggunakan metrik RMSE, MAPE, dan Theil’s U untuk mengukur tingkat akurasi. Hasil menunjukkan bahwa metode hybrid ini mampu memberikan prediksi dengan RMSE sebesar 65.8147, MAPE 0.80%, dan Theil’s U sebesar 0.0102 setelah dilakukan penyesuaian, yang mengindikasikan performa model yang sangat baik. Kesimpulannya, metode hybrid FTS-FCM-Markov terbukti mampu menangani karakteristik data IHSG yang bersifat dinamis dan dapat dijadikan sebagai pendekatan alternatif dalam peramalan pasar saham..]]>
<![CDATA[Metode Geographically Weighted Panel Regression (GWPR) untuk Memodelkan Jumlah Penduduk Miskin di Provinsi Jawa Timur pada Tahun 2019 – 2022 ]]>
<![CDATA[10060118019, Santi Novi Ramadhanty]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstract. Panel data is a combination of time series data and cross-sectional data. The purpose of panel data regression methods is to construct a regression model that can explain the influence of independent variables on the dependent variable across several sectors observed over a specific period in a study. In estimating the model, panel data regression methods use three types of estimators: the Common Effect Model, Fixed Effect Model, and Random Effect Model, from which the best model will later be selected. If, in the analysis, spatial data or observation locations are involved and this method is still used without adjustments, it may lead to a violation of assumptions, particularly spatial heterogeneity. Therefore, an approach to address spatial data issues is by using Geographically Weighted Regression (GWR). A method called Geographically Weighted Panel Regression (GWPR) needs to be developed, which aims to comprehensively integrate location (cross-sectional data) and observations over time. The GWPR analysis in this study uses an adaptive kernel because this type of kernel provides a different bandwidth for each observation point. This is due to its functional ability to adapt to the specific conditions of each observation point. By selecting the model based on the lowest AIC, highest R², and lowest Cross Validation (CV) values, the optimal bandwidth is incorporated into the model, resulting in a weighted or calibrated model. Abstrak. Data Panel merupakan data gabungan antara data time series dan data cross-section. Metode regresi data panel bertujuan untuk membentuk suatu model regresi yang dapat memodelkan pengaruh bebas terhadap variabel terikat dalam beberapa sektor yang diamati selama periode waktu tertentu dari suatu penelitian. Dalam mengestimasi model metode regresi data panel memiliki 3 estimasi yaitu : Common Effect Model, Fixed Effect Model dan Random Effect Model yang nantinya akan dipilih model mana yang terbaik. Jika dalam analisis ini terdapat lokasi pengamatan atau data spasial dan dipaksakan untuk menggunakan metode ini, maka akan terjadi pelanggaran asumsi yaitu heterogenitas spasial, oleh karena itu ada pendeketan untuk mengatasi adanya data spasial dengan menggunakan Geographycally Weighted Regression (GWR). Perlu dikembangkannya suatu metode yang disebut Geographycally Weighted Panel Regression (GWPR) yang bertujuan untuk menggabungkan secara keseluruhan lokasi (cross sectional) dan observasi. Analisis GWPR dalam penelitian ini menggunakan adaptive kernel dikarenakan kernel ini memiliki bandwidth yang berbeda untuk setiap titik lokasi pengamatan, hal ini disebabkan kemampuan fungsinya yang dapat disesuaikan dengan kondisi titik – titik pengamatan. Dengan pemilihan model dengan melihat nilai AIC paling rendah, nilai R2 paling tinggi dan nilai Cross Validation (CV) paling minimum, nilai bandwidth optimum ini dimasukan kedalam model, sehingga model yang dihasilkan sudah terboboti.]]>
