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[Rata-Rata Perbedaan Total Fertility Rate Jawa Barat Berdasarkan Data Penduduk 0-4 Tahun dengan Metode Anak Kandung Tahun 2000, 2005, 2010 dan 2015 ]]>
<![CDATA[Melani Yanistia Hapsari]]>;
<![CDATA[Yayat Karyana]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (159.516 KB)
|
DOI: 10.29313/bcss.v2i2.3544
<![CDATA[Abstract. Fertility (birth rate) is one of the factors that affect population growth in a region. Therefore, the fertility rate must be considered and controlled properly so as not to cause problems in the future. One calculation fertility by using the method is based on the indirect a population of 0-4 years. Data used in this research is the number of male and female population aged 0-4 years, female population based on the 5-year age group for the 15-49 year age group, ASFR and TFR for the previous 5 years and level of mortality. Based on the data of the population West Java on SP2000, SUPAS 2005, SP2010, SUPAS 2015 and SP2020, the TFR using the indirect method based on population 0-4 years is 2.402, 2.314, 2.467, 2.284 and 2.121. Then the results were compared with the TFR method of biological children which had previously been calculated by BPS. By using the indirect method based on the population of 0-4 years had our difference is 2.8% which means that this method is a good method to estimate other indirect. Abstrak. Fertilitas (tingkat kelahiran) merupakan salah satu faktor yang mempengaruhi pertumbuhan penduduk di suatu wilayah. sehingga angka fertilitas harus diperhatikan dan dikontrol dengan baik agar tidak menimbulkan masalah kedepannya. Salah satu perhitungan fertilitas dengan menggunakan metode tidak langsung adalah berdasarkan penduduk 0-4 tahun. Data yang digunakan dalam penelitian ini adalah jumlah penduduk laki-laki dan perempuan usia 0-4 tahun, penduduk perempuan berdasarkan kelompok umur 5 tahun untuk kelompok umur 15-49 tahun, ASFR dan TFR 5 tahun sebelumnya dan tingkat kematian atau level tabel kematian. Berdasarkan data penduduk Jawa Barat pada SP2000, SUPAS 2005, SP2010, SUPAS 2015 dan SP2020 diperoleh TFR dengan menggunakan metode tidak langsung berdasarkan penduduk 0-4 tahun masing-masing adalah 2,402, 2,314, 2,467, 2,284 dan 2,121. Kemudian hasil tersebut dibandingkan dengan TFR metode anak kandung yang sebelumnya sudah di hitung oleh BPS. Dengan menggunakan metode tidak langsung berdasarkan penduduk 0-4 tahun mempunyai perbedaan sebesar 2,8% yang berarti bahwa metode tersebut merupakan metode yang baik untuk memperkirakan angka kelahiran dengan metode tidak langsung lainnya.]]>
<![CDATA[Analisis Regresi Logistik Biner dengan Efek Interaksi untuk Memodelkan Angka Fertilitas Total di Jawa Barat ]]>
<![CDATA[Mega Ayu Santika]]>;
<![CDATA[Yayat Karyana]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (399.028 KB)
|
DOI: 10.29313/bcss.v2i2.3555
<![CDATA[Abstract. West Java is the province with the most significant population in Indonesia. The populace of West Java is anticipated to increase, and this is due to the increment in the birth rate. The total fertility rate is an aspect of comparing the success of an area when implementing a socio-economic development system program. Even though the TFR in certain districts/cities in West Java has reached the target, many districts/cities are still far behind the government's target. Numerous variables contribute to the high fertility rate, therefore it is necessary to know the factors affecting it to get the government's target. The relationship between factors affecting the overall fertility rate can be determined by regression analysis. If the response variable has a dichotomous scale, binary logistic regression analysis is employed as a modelling method. When modelling, one or more variables below a specific significance level will be identified due to only involved the effect of the primary variable. Therefore, the interaction the predictor variables must be included to define if the interaction effect influences the model. The Moderated Multiple Regression method will be utilised to determine the interplay between variables. In this research, The Total Fertility Rate modelling with the interaction effect between predictor variables. The modelling results indicated that the average family income and the interaction between the average duration of schooling and the percentage of working women affected the Total Fertility Rate at a significant level of 10%, with an accuracy of 88.9%. The result were expected to provide information and considerations in determining government policies to neutralise and target the Total Fertility Rate of West Java Province, especially BKKBN in West Java. Abstrak. Penduduk terbesar di Indonesia diduduki oleh Provinsi Jawa Barat. Jumlah penduduk di Jawa Barat diprediksi semakin membengkak. Hal ini dikarenakan semakin tingginya angka kelahiran. Angka fertilitas total merupakan aspek untuk membandingkan keberhasilan suatu daerah ketika menjalankan program sistem pembangunan sosial ekonomi. Meskipun pada saat ini TFR kabupaten/kota di Jawa Barat sudah mencapai target, namun masih banyak yang jauh dari target pemerintah. Banyak faktor yang mempengaruhi tingginya fertilitas, maka untuk mencapai tujuan pemerintah perlu diketahui faktor mempengaruhi angka fertilitas. Hubungan antara faktor yang mempengaruhi angka fertilitas total dapat kita ketahui menggunakan analisis regresi. Apabila variabel responnya berskala dikotomi, maka digunakan analisis regresi logistik biner sebagai metode dalam pemodelan. Pada saat melakukan pemodelan, akan ditemukan satu atau lebih variabel yang tidak signifikan pada taraf tertentu. Hal ini dikarenakan hanya melibatkan efek variabel utama, sehingga kita perlu memasukkan interaksi antar variabel prediktornya dan mengetahui apakah efek interaksi berpengaruh terhadap model. Dalam menentukan interaksi antar variabel akan digunakan metode Moderated Multiple Regression. Maka pada penelitian ini akan dilakukan pemodelan Angka Fertilitas Total dengan efek interaksi antar variabel prediktor. Hasil pemodelan menunjukkan bahwa rata-rata pendapatan keluarga serta interaksi antara rata-rata lama sekolah dan persentase wanita bekerja berpengaruh terhadap Angka Fertilitas Total pada taraf nyata 10% dengan ketepatan klasifikasi 88,9%. Hasil penelitian ini diharapkan dapat memberikan informasi dan pertimbangan dalam menentukan kebijakan pemerintah khususnya BKKBN di Jawa Barat dalam upaya menetralkan dan menargetkan Angka Fertilitas Total Provinsi Jawa Barat.]]>
<![CDATA[Metode Triple Exponential Smoothing Holt-Winters untuk Peramalan Jumlah Penumpang Kereta Api di Pulau Jawa ]]>
<![CDATA[Ajeng Nur Febriyanti]]>;
<![CDATA[Nur Azizah Komara Rifai]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (290.802 KB)
|
DOI: 10.29313/bcss.v2i2.3560
<![CDATA[Abstract. Time series analysis is used to predict and formulate future decisions. Structural change is a pattern change that occurs in time series data with a known time of occurrence and unknown when it occurs. Exponential smoothing is a moving average forecasting method by determining the weight exponentially to the observed value. The single exponential smoothing method is used for time series data that does not contain both trend and seasonal patterns. The double exponential method is used for time series data that contains trend patterns but does not contain seasonal patterns. In time series data containing seasonal patterns, the method that can be used is triple exponential smoothing. Forecasting time series data often shows seasonal patterns, one of the forecasting methods is Exponential Smoothing Holt-Winters which is divided into two methods, namely the Holt-Winters Multiplicative and Additive Method, for selecting the best model by comparing the smallest MAPE accuracy value. The advantage of this method is that it can overcome trend and seasonal patterns that appear simultaneously. This study aims to predict the number of train passengers PT. KAI on the island of Java for the next 12 months. The best model obtained for data on the number of train passengers on Java Island in 2013-2019 is Exponential Smoothing Holt-Winters with an additive model for parameters = 0.8991, = 0.0039 and = 0.4668 with MAPE = 3.768534 with very good forecasting ability. Abstrak. Analisis time series digunakan untuk meramalkan dan merumuskan keputusan di masa mendatang. Structural change adalah suatu perubahan pola yang terjadi pada data time series dengan waktu terjadinya yang diketahui dan tidak diketahui kapan terjadinya. Pemulusan eksponensial (exponential smoothing) merupakan metode peramalan moving average dengan menentukan bobot secara eksponensial ke nilai pengamatan. Metode single exponential smoothing digunakan pada data time series yang tidak mengandung baik pola tren maupun musiman (seasonal). Metode double exponential digunakan pada data time series yang mengandung pola tren namun tidak mengandung pola musiman. Pada data time series yang mengandung pola musiman metode yang dapat digunakan yaitu triple exponential smoothing. Peramalan data time series sering menunjukan pola musiman, salah satu metode peramalannya adalah Exponential Smoothing Holt-Winters yang terbagi menjadi dua metode yaitu Metode Holt-Winters Multiplikatif dan Aditif, untuk pemilihan model terbaik dengan membandingkan nilai akurasi MAPE terkecil. Kelebihan metode tersebut dapat mengatasi pola tren dan musiman yang muncul secara bersamaan. Penelitian ini bertujuan untuk meramalkan jumlah penumpang kereta api PT. KAI di pulau Jawa selama 12 bulan kedepan. Model terbaik yang diperoleh untuk data jumlah penumpang kereta api di Pulau Jawa pada tahun 2013-2019 yaitu Exponential Smoothing Holt-Winters dengan model aditif untuk parameter α = 0,8991, β = 0,0039 dan γ = 0,4668 dengan nilai MAPE = 3,768534 dengan kemampuan forecast sangat baik.]]>
<![CDATA[Penggunaan Metode Support Vector Machine Klasifikasi Multiclass pada Data Pasien Penyakit Tiroid ]]>
<![CDATA[Rina Silviany Tantika]]>;
<![CDATA[Abdul Kudus]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (180.129 KB)
|
DOI: 10.29313/bcss.v2i2.3590
<![CDATA[Abstract. At first classification was used for the problem of grouping two classes, but later developed for the problem of grouping more than two classes or multiclass classification. In the multiclass classification it is assumed that each observation is grouped into only one label. Support Vector Machine (SVM) is one method used to recognize a pattern. SVM can be used for classification problems for both binary and multiclass classification. There are two types of approaches to multiclass classification, namely One Against All and One Against One. The One Against One approach builds and combines several binary classifiers, while the One Against All approach is to consider all data in one optimization formulation directly. Thyroid disease is a condition in which the shape or function of the thyroid gland is abnormal. Hyperthyroidism is a condition in which too much thyroid hormone is produced. Hypothyroidism is a condition where there is a lack of thyroid hormone production. The data used is the data of patients with thyroid disease which is sourced from the UCI Repository Of Machine Learning. The results of this study were obtained from the SVM multiclass One Against One approach with a linear kernel to predict whether the patient's thyroid class was normal (euthyroidism), hypothyroidism or hyperthyroidism. The results obtained an accuracy rate of 93.85% after the variables were first normalized. It can be concluded that in the classification process using the SVM classification method through the SVM One Against One approach, the accuracy value is better. Abstrak. Klasifikasi adalah teknik yang berusaha untuk menentukan item dalam kelas atau kategori yang telah ditentukan. Pada awalnya klasifikasi digunakan untuk masalah pengelompokan dua kelas, tetapi kemudian berkembang untuk masalah pengelompokan lebih dari dua kelas atau klasifikasi multiclass. Dalam klasifikasi multiclass diasumsikan bahwa masing-masing pengamatan dikelompokkan hanya ke dalam satu label. Support Vector Machine (SVM) merupakan salah satu metode yang digunakan untuk mengenali suatu pola. SVM dapat digunakan untuk permasalahan klasifikasi baik untuk klasifikasi biner ataupun multiclass. Ada dua jenis pendekatan untuk klasifikasi multiclass yaitu One Against All dan One Against One. Pendekatan One Against One membangun dan menggabungkan beberapa pengklasifikasi biner, sedangkan pendekatan One Against All adalah dengan mempertimbangkan semua data dalam satu formulasi optimasi secara langsung. Penyakit tiroid adalah suatu kondisi di mana bentuk atau fungsi kelenjar tiroid tidak normal. Hipertiroidisme merupakan suatu kondisi di mana terlalu banyak hormon tiroid yang dihasilkan. Hipotiroidisme, merupakan kondisi kurangnya produksi hormon tiroid. Data yang digunakan merupakan data pasien penderita penyakit tiroid yang bersumber dari UCI Repository Of Machine Learning. Hasil dari penelitian ini didapatkan dari metode SVM multiclass pendekatan One Against One dengan kernel linier untuk menduga kelas tiroid pasien apakah normal (euthyroidism), hypothyroidism atau hyperthyroidism. Hasilnya diperoleh tingkat akurasi sebesar 93,85% setelah variabelnya terlebih dulu dinormalisasi. Dapat disimpulkan bahwa dalam proses klasifikasi dengan menggunakan metode klasifikasi SVM melalui pendekatan SVM One Against One nilai akurasi lebih baik.]]>
<![CDATA[Penerapan Metode Support Vector Regression (SVR) pada Data Survival KPR PT. Bank ABC, Tbk. ]]>
<![CDATA[Meuthiya Putri Kusuma]]>;
<![CDATA[Abdul Kudus]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (187.254 KB)
|
DOI: 10.29313/bcss.v2i2.3614
<![CDATA[Abstract. Support Vector Regression is an adaptation of machine learning theory that was previously used to solve classification problems, namely Support Vector Machine (SVM). The difference is, SVM is applied to classification cases whose outputs produce integers or discrete numbers, while SVR is applied to regression cases whose outputs produce real or continuous numbers. When the dependent variable is survival data, it is necessary to adjust the existing SVR method. SVR has the ability to overcome the problem of overfitting, so it can get a function with a small error rate and produce good predictions by finding the best Hyperplane (separation line). In this research, we will discuss the application of the SVR method to the problem of predicting the length of time until the customer is stuck. The dependent variable is survival data. The data used are mortgage debtors PT.Bank ABC, Tbk. In the test, it is necessary to add a kernel function, namely in this study a linear kernel is used. Then the model estimation is obtained with the equation with an RMSE of 25.25435. And obtained prediction results with the same pattern with the actual data. Abstrak. Support Vector Regression merupakan adaptasi dari teori machine learning yang sebelumnya digunakan untuk memecahkan masalah klasifikasi, yaitu Support Vector Machine (SVM). Perbedaannya, SVM diterapkan pada kasus klasifikasi yang outputnya menghasilkan bilangan bulat atau diskrit, sedangkan pada SVR diterapkan pada kasus regresi yang outputnya menghasilkan bilangan riil atau kontinu. Manakala variabel dependennya merupakan data survival, maka perlu ada penyesuaian dari metode SVR yang ada. SVR memiliki kemampuan untuk mengatasi permasalahan overfitting, sehingga bisa mendapatkan suatu fungsi dengan tingkat kesalahan yang kecil dan menghasilkan prediksi yang bagus dengan cara menemukan Hyperplane (garis pemisah) terbaik. Dalam jurnal ini akan dibahas mengenai penerapan metode SVR pada masalah prediksi lamanya waktu sampai nasabah macet. Dependen variabel tersebut merupakan data survival. Data yang digunakan adalah debitur KPR PT.Bank ABC, Tbk. Dalam pengujiannya perlu ditambahkannya fungsi kernel yaitu pada penelitian ini digunakan kernel linier. Kemudian didapatkan pendugaan model dengan persamaan dengan RMSE sebesar 25.25435. Serta didapatkan hasil prediksi dengan pola yang sama dengan data aktualnya.]]>
<![CDATA[Analisis Multidimensional Scaling pada Pemetaan Kabupaten/Kota di Jawa Barat Berdasarkan Indikator Kesejahteraan Rakyat ]]>
<![CDATA[Tsaniya Ahda Salsabila]]>;
<![CDATA[Lisnur Wachidah]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (223.33 KB)
|
DOI: 10.29313/bcss.v2i2.3701
<![CDATA[Abstract. To identify a number of variables, it can be done by mapping or grouping variables, such as factor analysis or cluster analysis. However, sometimes there are some assumptions that must be fulfilled. Multidimensional Scaling analysis is an analysis that does not require some assumptions in the process. Multidimensional Scaling (MDS) analysis is one of the multiple variable techniques to map or group a set of objects based on several variables. The data used in this study is an indicator of the welfare of the people in West Java in 2020 which consists of 8 variables, there are the number of poor people, household per capita expenditure on food, expected years of schooling, average length of schooling, open unemployment rate, labor force participation rate, life expectancy, and the percentage of the population with health insurance. The results of the mapping consisted of four groups. Group 1 consists of 5 regions and is a good group in terms of employment and health. Group 2 consists of 6 regions and is a good group in terms of education and health, and has the highest average HDI score. Group 3 consists of 5 regions and is a good group in terms of education, health, and low poverty. Group 4 consists of 11 regions and is an area with poor people's welfare indicators compared to other groups because it has a high poor population, and is low in aspects of education, employment, health, and has the lowest average HDI score. From the mapping results, obtained a STRESS value of 6.49%, which means that the mapping is included in the very good category and an RSQ value of 99.21%, which means that the data used can be mapped well. Abstrak. Untuk mengidentifikasi sejumlah variabel dapat dilakukan dengan cara pemetaan atau pengelompokkan variabel, seperti analisis faktor atau analisis kluster. Namun, terkadang terdapat beberapa asumsi yang harus terpenuhi. Analisis Multidimesional Scaling merupakan analisis yang tidak memerlukan asumsi khusus dalam prosesnya. Analisis Multidimensional Scaling (MDS) merupakan salah satu teknik peubah ganda untuk memetakan atau mengelompokkan sekumpulan objek berdasarkan beberapa variabel. Data yang digunakan dalam penelitian ini adalah indikator kesejahteraan rakyat di Jawa Barat tahun 2020 yang terdiri dari 8 variabel yaitu jumlah penduduk miskin, pengeluaran perkapita rumah tangga untuk makanan, harapan lama sekolah, rata-rata lama sekolah, tingkat pengangguran terbuka, tingkat partisipasi angkatan kerja, angka harapan hidup, dan persentase penduduk yang memiliki jaminan kesehatan. Hasil pemetaan terdiri dari empat kelompok. Kelompok 1 terdiri dari 5 wilayah dan merupakan kelompok yang baik dari aspek ketenagakerjaan dan kesehatan. Kelompok 2 terdiri dari 6 wilayah dan merupakan kelompok yang baik dari aspek pendidikan dan kesehatan, serta mempunyai nilai rata-rata IPM tertinggi. Kelompok 3 terdiri dari 5 wilayah dan merupakan kelompok yang baik dari aspek pendidikan, kesehatan, dan penduduk miskin yang rendah. Kelompok 4 terdiri dari 11 wilayah dan merupakan wilayah dengan indikator kesejahteraan rakyat yang kurang baik dibandingkan dengan kelompok lainnya karena memiliki penduduk miskin yang tinggi, serta rendah dari aspek pendidikan, ketenagakerjaan, kesehatan, dan memiliki nilai rata-rata IPM terendah. Dari hasil pemetaan, diperoleh nilai STRESS sebesar 6,49% yang artinya pemetaan termasuk dalam kategori sangat baik dan nilai RSQ sebesar 99,21% yang artinya data yang digunakan dapat dipetakan dengan baik.]]>
<![CDATA[Analisis Input Output Kabupaten Bandung Berdasarkan Tabel Input Output Jawa Barat ]]>
<![CDATA[Adeliya Sanya Lenita]]>;
<![CDATA[Teti Sofia Yanti]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (236.411 KB)
|
DOI: 10.29313/bcss.v2i2.3732
<![CDATA[Abstract. Input-output analysis is an analysis based on the results of the economy in a region by looking at the interrelationships between economic sectors in the region as a whole. Bandung Regency is one of the regions that has positive economic growth. In this study, changes in the structure of the economy will also look at which sectors are the priority in economic development in Bandung Regency using input-output analysis. There are 3 analysis that the author uses in this thesis, namely location quotient, multiplier analysis, and shift share analysis. The results obtained are 6 basic sectors, namely the Mining and Quarrying sector; Processing Industry sector; Real Estate; Company Services; Education Services; Health Services and Social Activities. There are 14 relatively more advanced sectors in Bandung Regency when compared to the same 14 sectors in West Java province. Abstrak. Analisis input-output merupakan analisis yang didasarkan pada hasil perekonomian di suatu wilayah dengan melihat keterkaitan antar sektor ekonomi di wilayah tersebut secara keseluruhan. Kabupaten Bandung merupakan salah satu wilayah yang memiliki pertumbuhan ekonomi yang positif. Dalam penelitian ini akan dilihat perubahan struktur perekonomian juga melihat sektor mana yang menjadi prioritas dalam pembangunan ekonomi di Kabupaten Bandung menggunakan Analisis input-output. Ada 3 analisis yang penulis gunakan dalam skripsi ini yaitu location quotient, analisis angka pengganda, dan analisis shift share. Didapatkan hasil 6 sektor basis yaitu sektor Pertambangan dan Penggalian; sektor Industri Pengolahan; Real Estate; Jasa Perusahaan; Jasa Pendidikan; Jasa Kesehatan dan Kegiatan Sosial. Terdapat 14 sektor yang relatif lebih maju di Kabupaten Bandung jika dibandingkan dengan 14 sektor yang sama di provinsi Jawa Barat.]]>
<![CDATA[Diagram Kendali Multivariat T2 Hotelling pada Instalasi Pengolahan Air Limbah ]]>
<![CDATA[Afina Ramdhania]]>;
<![CDATA[Nur Azizah Komara Rifai]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (194.585 KB)
|
DOI: 10.29313/bcss.v2i2.3765
<![CDATA[Abstract. Control chart is a statistical tool that can be used to control the quality of a production process. Often the production process uses data from several correlated variables (multivariate data), so the control chart used is the Hotelling control chart. The production process in this study uses wastewater treatment data at the WWTP (Wastewater Treatment Plant) textile industry company CV. Sandang Sari period 2018-2021 as many as 48 samples (months) with 6 variables of liquid waste content. The Hotelling control chart is used to detect process shifts by using an average vector and can be used to detect out-of-control observations by setting control limits, the upper control limit value is 24.51, then it is detected 2 points are outside the upper control limit (out of control). Abstrak. Diagram kendali merupakan alat statistik yang dapat digunakan untuk mengontrol kualitas suatu proses produksi. Seringkali proses produksi menggunakan data dari beberapa variabel yang berkorelasi (data multivariat), maka diagram kendali yang digunakan adalah diagram kendali Hotelling. Proses produksi pada penelitian ini menggunakan data pengolahan limbah cair pada IPAL (Instalasi Pengolahan Air Limbah) perusahaan industri tekstil CV. Sandang Sari periode 2018-2021 sebanyak 48 sampel (bulan) dengan 6 variabel kandungan limbah cair. Diagram kendali Hotelling digunakan untuk mendeteksi pergeseran proses dengan menggunakan vektor rata-rata dan dapat digunakan untuk mendeteksi pengamatan di luar kendali (out of control) dengan menetapkan batas-batas kontrol, diperoleh nilai batas kendali atas sebesar 24,51, maka terdeteksi 2 titik berada diluar batas kendali atas (out of control).]]>
<![CDATA[Siklus PDCA (Plan, Do, Check, Act) untuk Mengurangi Cacat Produk Sosis di PT.Serena Harsa Utama ]]>
<![CDATA[Adelia Mutia Fridayanti]]>;
<![CDATA[Lisnur Wachidah]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (181.907 KB)
|
DOI: 10.29313/bcss.v2i2.3848
<![CDATA[Abstract. In the production process, if a defective unit is found, then need improvement. To minimize the types of defects carried out by the Activity Planning, implementation, Checking/evaluation and corrective Action or cycle PDCA (Plan, Do, Check, Act) on the management of related companies with quality. The PDCA cycle is useful for companies as input especially in determining the quality improvement strategy carried out by company in the future as an effort to streamline and efficiency in the production system as well as a consideration in carry out the next policy to be taken in order to reduce happening in the future. The method used is quantitative method using observation and interview data collection techniques, supported by several related literature. The PDCA cycle can reduce the resulting defects. The data used in the application of PDCA is the number of defects in the sausage products produced by PT. Serena Harsa Utama for the period January-February 2021. The results of the study using the PDCA method obtained the level of the highest limit is on the bubble type product defect of 0.6% (397.03 kg) of the total production of 71,148.63 kg. PDCA (Plan, Do, Check, Action) cycle in order to reduce defects in the production process has been successfully carried out. Level the number in the production process decreases, from the beginning the number of percentage defects product by 1.15% to 1.10%. Abstrak. Dalam proses produksi, jika ditemukan unit yang cacat, maka perlu perbaikan. Untuk meminimalkan jenis-jenis cacat dilakukan kegiatan perencanaan, pelaksanaan, pengecekan/evaluasi dan tindakan korektif atau siklus PDCA (Plan, Do, Check, Act) pada manajemen perusahaan terkait dengan kualitas. Siklus PDCA bermanfaat bagi perusahaan sebagai bahan masukan terutama dalam menentukan strategi peningkatan kualitas yang dilakukan perusahaan dimasa yang akan datang sebagai upaya mengefektifkan dan efisiensi dalam sistem produksi serta sebagai bahan pertimbangan dalam melaksanakan kebijakan selanjutnya yang akan diambil dalam rangka untuk mengurangi terjadi di masa depan. Metode yang digunakan adalah metode kuantitatif dengan teknik pengumpulan data observasi dan wawancara, didukung oleh beberapa literatur terkait. Siklus PDCA dapat mengurangi cacat yang dihasilkan. Data yang digunakan dalam penerapan PDCA adalah jumlah cacat pada produk sosis yang diproduksi oleh PT. Serena Harsa Utama periode Januari-Februari 2021. Hasil penelitian dengan menggunakan metode PDCA didapatkan tingkat batas tertinggi pada produk defect tipe bubble sebesar 0,6% (397,03 kg) dari total produksi sebesar 71.148,63 kg. Siklus PDCA (Plan, Do, Check, Action) dalam rangka mengurangi cacat pada proses produksi telah berhasil dilakukan. Tingkat jumlah dalam proses produksi menurun, dari awal jumlah persentase cacat produk sebesar 1,15% menjadi 1,10%.]]>
<![CDATA[Perbandingan Metode Fuzzy Time Series Markov Chain dan Fuzzy Time Series Chen Average Based untuk Peramalan Volume Impor Migas. ]]>
<![CDATA[Agan]]>;
<![CDATA[Teti Sofia Yanti]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (137.641 KB)
|
DOI: 10.29313/bcss.v2i2.3853
<![CDATA[Abstract. Forecasting is the process of estimate about something happening in the future based on empirical data, while a time series is an analysis that considers the influence of time in order. This research discusses forecasting using two Time Series methods, namely Fuzzy Time Series Markov Chain and Fuzzy Time Series Chen Average Based. These two methods are developments of the Fuzzy Time Series using the basic fuzzy principle first introduced by Prof. Lotfi A Zadeh, then developed by Song and Chissom. These two methods are developments of the Fuzzy Time Series using the basic fuzzy principle first introduced by Prof. Lotfi A Zadeh, then developed by Song and Chissom. Forecasting using the Fuzzy Time Series is a technique that captures data patterns from the past and then used to project or predict the future by looking at fuzzy relationships or relationships formed by determining logical relationships from data involving fuzzy relationships from each partition of the universal set. In this research, we will compare the FTS Markov Chain and FTS Chen Average Based methods by looking at the results of the Mean Absolute Percentage Error (MAPE) calculation to measure which method has the best accuracy in the volume of oil and gas imports. The results of mape calculations obtained the Fuzzy Time Series Markov Chain method more accurately in translating the volume of oil and gas imports in Indonesia for 2022. Abstrak. Peramalan adalah proses perkiraan tentang sesuatu yang terjadi pada waktu yang akan datang berdasarkan data empiris, sedangkan times series adalah analisis yang mempertimbangkan pengaruh waktu secara berurutan. Penelitian ini membahas mengenai peramalan dengan menggunakan dua metode Time Series yaitu Fuzzy Time Series Markov Chain dan Fuzzy Time Series Chen Average Based. Dua metode tersebut merupakan hasil pengembangan dari Fuzzy Time Series menggunakan prinsip fuzzy dasar yang pertama kali diperkenalkan oleh Prof. Lofti A Zadeh, kemudian dikembangkan oleh Song dan Chissom. Peramalan menggunakan Fuzzy Time Series merupakan teknik yang menangkap pola data dari masa lalu kemudian digunakan untuk memproyeksikan atau meramal masa depan dengan melihat dari relasi atau hubungan fuzzy yang dibentuk dengan menentukan hubungan logika dari data yang melibatkan hubungan fuzzy dari tiap partisi himpunan universal. Pada penelitian ini akan membandingkan anatara metode FTS Markov Chain dan FTS Chen Average Based dengan meilhat hasil perhitungan Mean Absolute Percentage Error (MAPE) untuk mengukur metode mana yang memiliki akurasi terbaik dalam volume impor migas. Hasil dari perhitungan MAPE diperoleh metode Fuzzy Time Series Markov Chain lebih akurat dalam meramalkan nilai volume impor minyak dan gas tahun 2022.]]>
