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
315 Documents
<![CDATA[Analisis Perbedaan Jumlah Migrasi Penduduk Kota Bandung menggunakan Uji T² Hotelling ]]>
<![CDATA[Aulia Athhar Zakiyyan]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics 365-372 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.26245
<![CDATA[Abstract. Population migration is a key social phenomenon for understanding the demographic dynamics of a region. The city of Bandung, as an economic and educational hub, experienced significant fluctuations in migration, particularly in 2022 and 2023. In 2022, many people moved to Bandung in search of job opportunities, education, and a better quality of life. However, socioeconomic conditions and government policies following the COVID-19 pandemic likely influenced migration patterns in 2023. To understand the differences in inbound and outbound migration between 2022 and 2023, the Hotelling’s T² multivariate statistical test was used. The analysis results indicate that there is a significant difference between the numbers of in-migration and out-migration in the two years, as evidenced by a p-value below the 5% significance level. This information can assist the government in formulating more effective policies for population management and regional development in the city of Bandung. Keywords: Migrasi, T² Hotelling Test, Citizen. Abstrak. Migrasi penduduk merupakan fenomena sosial penting dalam memahami dinamika demografi suatu wilayah. Kota Bandung, sebagai pusat ekonomi dan pendidikan, mengalami fluktuasi migrasi yang signifikan, khususnya pada tahun 2022 dan 2023. Pada tahun 2022, banyak penduduk yang datang ke Bandung mencari peluang kerja, pendidikan, dan kualitas hidup yang lebih baik. Namun, kondisi sosial ekonomi dan kebijakan pemerintah setelah pandemi COVID-19 kemungkinan memengaruhi pola migrasi pada tahun 2023. Untuk memahami perbedaan migrasi masuk dan keluar antara tahun 2022 dan 2023, digunakan uji statistik multivariat T² Hotelling. Hasil analisis menunjukkan bahwa terdapat perbedaan signifikan antara jumlah migrasi masuk dan keluar di kedua tahun tersebut, berdasarkan hasil uji yang menunjukkan nilai p-value lebih kecil dari tingkat signifikansi 5%. Informasi ini dapat membantu pemerintah dalam merumuskan kebijakan yang lebih efektif dalam mengelola populasi dan pengembangan wilayah di Kota Bandung. Kata Kunci: Migrasi, Uji T² Hotelling, Penduduk.]]>
<![CDATA[Klasifikasi Citra Sampah Daur Ulang Menggunakan CNN dengan Fungsi Aktivasi ReLU untuk Mendukung Sistem RVM ]]>
<![CDATA[Akmal Nufus]]>;
<![CDATA[Reny Rian Marliana]]>
<![CDATA[ Bandung Conference Series: Statistics 281-290 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.24217
<![CDATA[Abstract. The total amount of waste generated nationwide in Indonesia reaches 144,839 metric tons per day, while only about 25% is managed optimally. This situation underscores the need for technologies capable of supporting automated waste management and sorting processes. One such technology is the Reverse Vending Machine (RVM), a machine that can accept and sort recyclable waste while providing incentives to users. To perform these functions optimally, RVM must be able to automatically and accurately recognize various types of trash. Therefore, this study aims to classify images of recyclable waste using a Convolutional Neural Network (CNN) with a Rectified Linear Unit (ReLU) activation function. The dataset used consists of five waste classes: paper/cardboard packaging, beverage cans, dented beverage cans, plastic bottles, and glass bottles. The CNN architecture used consists of three convolutional layers with a 3×3 kernel size and 32, 64, and 128 filters, respectively, and is supplemented by max pooling, flatten, and fully connected layers. The model was trained using the Stochastic Gradient Descent (SGD) algorithm with a mini-batch approach. The research results show that the model is capable of classifying images of recyclable waste with good performance, achieving an accuracy of 84.52%, a precision of 86.18%, a recall of 84.52%, and an F1-score of 84.46%. Abstrak. Jumlah timbulan sampah nasional di Indonesia mencapai 144.839 ton per hari, sementara hanya sekitar 25% yang terkelola secara optimal. Kondisi tersebut mendorong perlunya penerapan teknologi yang mampu mendukung proses pengelolaan dan pemilahan sampah secara otomatis. Salah satu teknologi yang dapat diterapkan adalah Reverse Vending Machine (RVM), yaitu mesin yang mampu menerima dan memilah sampah daur ulang sekaligus memberikan insentif kepada penggunanya. Untuk menjalankan fungsi tersebut secara optimal, RVM memerlukan kemampuan untuk mengenali berbagai jenis sampah secara otomatis dan akurat. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan citra sampah daur ulang menggunakan metode Convolutional Neural Network (CNN) dengan fungsi aktivasi Rectified Linear Unit (ReLU). Dataset yang digunakan terdiri atas lima kelas sampah, yaitu kertas/karton kemasan, kaleng minuman, kaleng minuman penyok, botol plastik, dan botol kaca. Arsitektur CNN yang digunakan terdiri dari tiga lapisan konvolusi dengan ukuran kernel 3×3 dan jumlah filter bertingkat 32, 64, dan 128, serta dilengkapi lapisan max pooling, flatten, dan fully connected. Proses pelatihan model dilakukan menggunakan algoritma Stochastic Gradient Descent (SGD) dengan pendekatan mini-batch. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan citra sampah daur ulang dengan performa yang baik, mencapai accuracy sebesar 84,52%, precision sebesar 86,18%, recall sebesar 84,52%, dan F1-score sebesar 84,46%.]]>
<![CDATA[Pendugaan Sebaran Nilai Dissolved Oxygen (DO) dengan Metode Inverse Distance Weighting (IDW) pada Sungai di DKI Jakarta Tahun 2023 ]]>
<![CDATA[Shinta Dewi Widyaningrum]]>;
<![CDATA[Dwi Agustin Nuriani Sirodj]]>
<![CDATA[ Bandung Conference Series: Statistics 225-234 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.25347
<![CDATA[Abstract. River water quality is a crucial indicator for maintaining the balance of aquatic ecosystems, particularly in densely populated areas such as DKI Jakarta. One of the key parameters used to assess water quality is Dissolved Oxygen (DO), which reflects the ability of a water body to support aquatic organisms. This study aimed to estimate the spatial distribution of DO values at unmeasured river locations in DKI Jakarta using the Inverse Distance Weighting (IDW) interpolation method. The dataset consisted of 120 measured DO observation points and 12 unmeasured locations where DO values were estimated. The optimal power parameter was determined using Leave-One-Out Cross-Validation (LOOCV) by testing power values ranging from 0.5 to 10 with an interval of 0.5. The results indicated that the optimal power parameter was p = 2, yielding a Root Mean Square Error (RMSE) of 2.993590 mg/L. Using this optimal parameter, the interpolated DO values at the 12 unmeasured locations ranged from 8.855522 to 13.803675 mg/L. The resulting interpolation map showed that the spatial distribution of DO values in the rivers of DKI Jakarta generally followed the pattern of neighboring observation points, consistent with the underlying principle of the IDW interpolation method. Abstrak. Kualitas air sungai merupakan salah satu indikator penting dalam menjaga keseimbangan ekosistem perairan, terutama di wilayah padat penduduk seperti DKI Jakarta. Salah satu parameter yang digunakan untuk menilai kualitas air adalah Dissolved Oxygen (DO), yang menunjukkan kemampuan perairan dalam mendukung kehidupan organisme akuatik. Penelitian ini bertujuan untuk menduga sebaran nilai DO pada titik-titik sungai di DKI Jakarta yang belum dilakukan pengukuran menggunakan metode Inverse Distance Weighting (IDW). Data yang digunakan terdiri dari 120 titik data DO terukur dan 12 titik yang akan diduga nilainya, tersebar pada jaringan Sungai Ciliwung, Angke Pesanggrahan, dan Cakung. Penentuan parameter power optimum dilakukan dengan metode Leave One Out Cross Validation (LOOCV) menggunakan nilai power dari 0,5 sampai 10 dengan interval 0,5. Hasil penelitian menunjukkan bahwa nilai power optimum adalah dengan RMSE terkecil sebesar 2,993590 mg/L. Berdasarkan parameter tersebut, diperoleh hasil interpolasi nilai DO pada 12 titik tidak terukur dengan kisaran mg/L. Hasil validasi menunjukkan metode IDW mampu mengikuti pola sebaran DO secara umum, meskipun terdapat efek pemulusan (smoothing effect) yang menyebabkan overestimasi pada wilayah berkadar DO rendah dan underestimasi pada wilayah berkadar DO tinggi. Secara keseluruhan, ketiga jaringan sungai tergolong ke dalam kelas I menurut PP No. 22 Tahun 2021, yang menandakan kualitas air yang relatif baik ditinjau dari parameter DO.]]>
<![CDATA[Peningkatan Automatic Speech Recognition Dialek Bugis-Makassar Menggunakan Data Ucapan Sintetis ]]>
<![CDATA[Muh Fatwah Fajriansyah M]]>;
<![CDATA[Herdianti Darwis]]>;
<![CDATA[Huzain Azis]]>;
<![CDATA[Abdul Rachman Manga]]>
<![CDATA[ Bandung Conference Series: Statistics 235-242 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.25398
<![CDATA[Abstract. Speech in the Bugis-Makassar dialect poses a major challenge for Automatic Speech Recognition (ASR) systems, particularly in detecting clitic particles that are essential to utterance meaning but do not exist in standard Indonesian. This study investigates the effect of synthetic speech data augmentation using OpenAI's gpt-4o-mini-tts on ASR performance for this dialect, testing four ratios of synthetic-to-real data (0%, 50%, 100%, and 150%) through fine-tuning of the wav2vec2-large-xlsr-indonesian model. Evaluation was conducted using Word Error Rate (WER), Character Error Rate (CER), and Particle Detection Rate (PDR) as a dedicated metric for clitic particle detection. Results show that augmentation at a 50% ratio produced consistent improvements across all metrics compared to baseline, with WER decreasing by 3.47 percentage points and PDR increasing by 3.62 percentage points. Further increases in ratio progressively reduced these gains, forming an inverted-U pattern, with performance at a 150% ratio returning to near-baseline levels. Acoustic analysis identified a significant pitch distribution gap between synthetic and real speech (a difference of 58.09 Hz, or 24.8%) as a contributing factor to performance degradation at higher ratios. These findings indicate that TTS-based synthetic data augmentation effectively supports low-resource dialectal ASR, but only when applied at a controlled, moderate ratio. Abstrak. Tuturan dialek Bugis-Makassar merupakan tantangan besar bagi sistem Automatic Speech Recognition (ASR), khususnya dalam mendeteksi partikel klitik yang penting bagi makna ujaran namun tidak terdapat dalam Bahasa Indonesia standar. Penelitian ini menginvestigasi pengaruh augmentasi data sintetis menggunakan OpenAI gpt-4o-mini-tts terhadap performa ASR dialek tersebut, dengan menguji empat rasio data sintetis terhadap data asli (0%, 50%, 100%, dan 150%) melalui fine-tuning model wav2vec2-large-xlsr- indonesian. Evaluasi dilakukan menggunakan Word Error Rate (WER), Character Error Rate (CER), dan Particle Detection Rate (PDR) sebagai metrik khusus deteksi partikel klitik. Hasil menunjukkan bahwa augmentasi pada rasio 50% menghasilkan peningkatan konsisten pada seluruh metrik dibandingkan baseline, dengan WER turun 3,47 poin persentase dan PDR naik 3,62 poin persentase. Penambahan rasio secara bertahap mengurangi manfaat tersebut dan membentuk pola kurva inverted-U, di mana performa pada rasio 150% kembali mendekati baseline. Analisis akustik mengidentifikasi perbedaan distribusi pitch yang signifikan antara data sintetis dan asli (selisih 58,09 Hz atau 24,8%) sebagai faktor yang berkontribusi terhadap degradasi performa pada rasio tinggi. Temuan ini menunjukkan bahwa augmentasi data sintetis berbasis TTS efektif mendukung ASR dialek low-resource, namun hanya jika diterapkan pada rasio yang terkontrol dan moderat.]]>
<![CDATA[Pemodelan Kemiskinan di Provinsi Jawa Barat dengan Geographically Weighted Regression (GWR) ]]>
<![CDATA[Kurnia Ardi Ferdianto]]>;
<![CDATA[Fauziah Roshafara]]>
<![CDATA[ Bandung Conference Series: Statistics 243-250 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.25414
<![CDATA[Abstract. Poverty in West Java Province in March 2024 was recorded at 7.46 percent, or 3.89 million people, with patterns that vary across regions due to spatial effects. This condition indicates that classical regression, which assumes constant parameters across all regions, is less appropriate to use, making it necessary to apply Geographically Weighted Regression (GWR), a method capable of accommodating local variations in relationships between regions. This study aims to model the number of poor population across 27 regencies/cities in West Java Province in 2024 using GWR, with independent variables including the Gini ratio, GRDP growth rate, per capita expenditure, the Community Literacy Development Index (IPLM), minimum wage, and the Labor Force Participation Rate (TPAK). The spatial weighting used an adaptive bisquare kernel function, with the optimum bandwidth determined through the Cross Validation method, and data processing was carried out using R Studio. The model fit test results show an F-value (2.3704) greater than the F-table value (2.235) with a p-value of 0.03764, indicating that GWR is more appropriate than OLS. The GWR model produced different equations for each region, with an AICc value of 33.7708, and significant variables that varied across regions, grouped into six clusters of regencies/cities. Abstrak. Kemiskinan di Provinsi Jawa Barat pada Maret 2024 tercatat sebesar 7,46 persen atau 3,89 juta jiwa, dengan pola yang bervariasi antarwilayah akibat adanya pengaruh spasial. Kondisi ini menunjukkan bahwa regresi klasik yang mengasumsikan parameter konstan di seluruh wilayah kurang tepat digunakan, sehingga diperlukan metode Geographically Weighted Regression (GWR) yang mampu mengakomodasi variasi hubungan antarwilayah secara lokal. Penelitian ini bertujuan memodelkan jumlah penduduk miskin di 27 kabupaten/kota Provinsi Jawa Barat tahun 2024 menggunakan GWR, dengan variabel independen meliputi rasio gini, laju pertumbuhan PDRB, pengeluaran per kapita, IPLM, upah minimum, dan TPAK. Pembobot spasial menggunakan kernel adaptive bisquare dengan bandwidth optimum ditentukan melalui metode Cross Validation, dan pengolahan data dilakukan menggunakan R Studio. Hasil uji kesesuaian model menunjukkan F-hitung (2,3704) > F-tabel (2,235) dengan p-value 0,03764, sehingga GWR lebih sesuai digunakan dibandingkan OLS. Model GWR menghasilkan persamaan berbeda untuk tiap wilayah dengan nilai AICc sebesar 33,7708, serta variabel signifikan yang bervariasi antarwilayah, dikelompokkan menjadi enam kelompok kabupaten/kota.]]>
<![CDATA[Perbandingan Model VAR Tanpa dan Dengan Seasonal Dummy untuk Peramalan Inflasi ]]>
<![CDATA[Muhammad Wildan Ramadhan]]>;
<![CDATA[Reny Rian Marliana]]>
<![CDATA[ Bandung Conference Series: Statistics 251-260 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.25442
<![CDATA[Abstract. Amid persistent global economic uncertainty and elevated inflationary pressure in 2026, accurate inflation forecasting has become essential for effective monetary policy. This study forecasts monthly (Month-over-Month) inflation in Indonesia, South Korea, and Thailand for the period January 1986–June 2026 using a Vector Autoregression (VAR) model, comparing specifications without and with the addition of seasonal dummies. Optimal lag selection based on the Akaike Information Criterion (AIC) produced a VAR(13) model. Diagnostic tests show that the model without seasonal dummies still exhibits residual autocorrelation, while the model with seasonal dummies is free of autocorrelation and shows a reduced ARCH effect, particularly for South Korea. Both models are confirmed stable based on inverse roots of the AR characteristic polynomial. Granger causality tests reveal that only the relationship from Thailand to South Korea remains consistently significant across both models, while four other causal directions change in significance after seasonal dummies are added, indicating that some previously identified relationships were influenced by shared seasonal patterns rather than genuine economic causality. Twelve-month-ahead forecasting results (July 2026–June 2027) show that the VAR(13) model with seasonal dummies consistently produces lower MAE and RMSE for all three countries, making it a more reliable model for monthly inflation forecasting. Abstrak. Di tengah ketidakpastian ekonomi global yang masih berlanjut dan tekanan inflasi yang meningkat pada 2026, kemampuan meramalkan inflasi secara akurat menjadi hal penting bagi efektivitas kebijakan moneter. Penelitian ini bertujuan meramalkan inflasi bulanan (Month-over-Month) Indonesia, Korea Selatan, dan Thailand periode Januari 1986–Juni 2026 menggunakan model Vector Autoregression (VAR), dengan membandingkan model tanpa dan dengan penambahan seasonal dummy. Penentuan lag optimal berdasarkan Akaike Information Criterion (AIC) menghasilkan model VAR(13). Hasil uji diagnosis menunjukkan model tanpa seasonal dummy masih menunjukkan autokorelasi residual, sedangkan model dengan seasonal dummy bebas autokorelasi dan menunjukkan penurunan efek ARCH, khususnya pada Korea Selatan. Kedua model dinyatakan stabil berdasarkan inverse roots pada AR characteristic polynomial. Uji kausalitas Granger menunjukkan hanya hubungan Thailand terhadap Korea Selatan yang tetap signifikan secara konsisten pada kedua model, sementara empat arah kausalitas lainnya mengalami perubahan signifikansi setelah seasonal dummy ditambahkan, mengindikasikan bahwa sebagian hubungan yang teridentifikasi sebelumnya dipengaruhi oleh kesamaan pola musiman, bukan murni hubungan kausal ekonomi. Hasil peramalan 12 bulan ke depan (Juli 2026–Juni 2027) menunjukkan bahwa model VAR(13) dengan seasonal dummy secara konsisten menghasilkan nilai MAE dan RMSE yang lebih rendah pada ketiga negara, sehingga lebih direkomendasikan untuk peramalan inflasi bulanan.]]>
<![CDATA[Reduksi Noise Data Curah Hujan di Kota Bandung Menggunakan Variational Mode Decomposition (VMD) ]]>
<![CDATA[Riska Juniarti Anugrah]]>;
<![CDATA[Reny Rian Marliana]]>
<![CDATA[ Bandung Conference Series: Statistics 271-280 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.25669
<![CDATA[Abstract. Daily rainfall data in Bandung City exhibit nonlinear and nonstationary characteristics caused by seasonal patterns and extreme fluctuations, making accurate forecasting a challenging task. To address this issue, this study applies Variational Mode Decomposition (VMD) as a preprocessing technique to reduce data complexity and noise before forecasting. VMD decomposes the original rainfall signal into several Intrinsic Mode Functions (IMFs) through an adaptive variational optimization process, enabling a more stable decomposition while overcoming the mode-mixing problem commonly found in Empirical Mode Decomposition (EMD). The optimal number of decomposition modes (K) was determined using three quantitative evaluation criteria proposed by Wu et al. (2020), namely energy entropy, minimum gap center frequency, and minimum energy proportion, with K values ranging from 2 to 6. The results indicate that K = 2 is the optimal choice, producing the lowest energy entropy (0.2480), the largest minimum gap center frequency (0.16486), and no redundant IMF, as indicated by the minimum energy proportion of 6.78%, which exceeds the 1% threshold. The decomposition separates the rainfall signal into IMF1, which captures the dominant long-term trend, and IMF2, which represents high-frequency fluctuations associated with noise. These findings demonstrate that VMD effectively simplifies complex rainfall data into more homogeneous signal components, providing a more suitable representation for subsequent forecasting models. Keywords: Variational Mode Decomposition, rainfall, signal decomposition Abstrak. Data curah hujan harian di Kota Bandung memiliki karakteristik nonlinier dan non-stasioner akibat pengaruh variasi musiman serta fluktuasi yang tinggi, sehingga proses prediksi menjadi lebih kompleks. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan Variational Mode Decomposition (VMD) sebagai tahap preprocessing untuk mereduksi kompleksitas dan noise sebelum proses forecasting. Metode VMD mendekomposisi sinyal curah hujan menjadi beberapa Intrinsic Mode Function (IMF) melalui pendekatan optimasi variasional yang adaptif, sehingga mampu menghasilkan dekomposisi yang lebih stabil sekaligus mengurangi permasalahan mode mixing yang umum terjadi pada Empirical Mode Decomposition (EMD). Penentuan jumlah mode optimal (K) dilakukan menggunakan tiga kriteria evaluasi yang dijelaskan oleh Wu et al. (2020), yaitu energy entropy, minimum gap center frequency, dan proporsi energi minimum, dengan pengujian pada K = 2 hingga 6. Hasil penelitian menunjukkan bahwa K = 2 merupakan jumlah mode yang paling optimal karena menghasilkan energy entropy terkecil (0,2480), minimum gap center frequency terbesar (0,16486), serta tidak ditemukan IMF redundan dengan proporsi energi minimum sebesar 6,78% yang berada di atas ambang batas 1%. Hasil dekomposisi memisahkan sinyal curah hujan menjadi IMF1 yang merepresentasikan tren jangka panjang dan IMF2 yang menggambarkan fluktuasi berfrekuensi tinggi yang menyerupai noise. Temuan ini menunjukkan bahwa VMD mampu menyederhanakan data curah hujan yang kompleks menjadi komponen yang lebih homogen sehingga lebih sesuai digunakan sebagai masukan pada tahap pemodelan prediksi selanjutnya. Kata Kunci: Variational Mode Decomposition, curah hujan, dekomposisi sinyal]]>
<![CDATA[Peramalan Harga Emas Menggunakan Geometric Brownian Motion ]]>
<![CDATA[Rifa Fadhila]]>;
<![CDATA[Fauziah Roshafara]]>
<![CDATA[ Bandung Conference Series: Statistics 291-300 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.25726
<![CDATA[Abstract. Gold is one of the most popular investment instruments because its price fluctuates due to various economic factors. Therefore, a method capable of modeling stochastic price movements is needed. Geometric Brownian Motion (GBM) has been widely used to model financial asset prices because it incorporates both deterministic and stochastic components. This study aims to determine the accuracy of the GBM model in forecasting gold prices based on the Mean Absolute Percentage Error (MAPE) and to forecast gold prices for the next five periods. Daily gold price data from 1 January 2024 to 31 December 2025, obtained from Investing.com, were used in this study. The data were divided into 415 training observations and 104 testing observations. Model parameters were calculated based on return values, and Monte Carlo simulations were performed using 100, 500, and 1000 iterations. Model accuracy was evaluated using MAPE, and the model with the smallest MAPE value was selected for forecasting. The results showed that the Monte Carlo simulation with 500 iterations produced the best model with a MAPE value of 7.8838%. Based on this model, gold prices were projected to increase from 4,321.53 USD/oz in the first period to 4,344.99 USD/oz in the fifth period. These findings indicate that the GBM model provides good forecasting accuracy and is a suitable alternative for short-term gold price forecasting. Abstrak. Emas merupakan salah satu instrumen investasi yang nilainya berfluktuasi akibat berbagai faktor ekonomi, sehingga diperlukan metode yang mampu memodelkan pergerakan harga emas secara stokastik. Penelitian ini bertujuan untuk mengetahui tingkat akurasi model Geometric Brownian Motion (GBM) dalam melakukan peramalan harga emas berdasarkan nilai Mean Absolute Percentage Error (MAPE) serta memperoleh hasil peramalan harga emas untuk lima periode ke depan. Data yang digunakan berupa harga emas harian periode 1 Januari 2024–31 Desember 2025 yang diperoleh dari Investing.com. Data dibagi menjadi 415 data training dan 104 data testing. Parameter model dihitung berdasarkan nilai return, kemudian dilakukan simulasi Monte Carlo sebanyak 100, 500, dan 1000 iterasi. Akurasi model dievaluasi menggunakan MAPE, kemudian model terbaik digunakan untuk melakukan peramalan. Hasil penelitian menunjukkan bahwa simulasi Monte Carlo dengan 500 iterasi menghasilkan model terbaik dengan nilai MAPE sebesar 7,8838%. Berdasarkan model tersebut, harga emas diproyeksikan mengalami tren meningkat selama lima periode ke depan, yaitu dari 4.321,53 USD/oz pada periode pertama menjadi 4.344,99 USD/oz pada periode kelima. Hasil penelitian menunjukkan bahwa model GBM mampu memberikan tingkat akurasi yang baik untuk peramalan harga emas jangka pendek.]]>
<![CDATA[Clustering Kualitas Udara DKI Jakarta dengan Algoritma K-Medoids Berdasarkan Indeks Standar Pencemar Udara ]]>
<![CDATA[Rahma Elia Nurazizah]]>;
<![CDATA[Nusar Hajarisman]]>
<![CDATA[ Bandung Conference Series: Statistics 301-310 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.25833
<![CDATA[Abstract. Air quality in DKI Jakarta exhibits considerable variation in pollutant concentrations, making clustering methods necessary to identify air quality patterns based on pollutant characteristics. This study aims to cluster air quality conditions in DKI Jakarta using the K-Medoids algorithm based on Air Pollution Standard Index. Daily ISPU data from January 2024 to November 2025 were obtained from the Satu Data Jakarta platform, covering five air quality monitoring stations and six pollutant parameters: PM₁₀, PM₂.₅, SO₂, CO, O₃, and NO₂. After data preprocessing, 3,090 observations were retained for analysis. Data preprocessing included missing value inspection, duplicate removal, outlier detection, and Z-score standardization. The optimal number of clusters was determined using the Silhouette Coefficient, followed by clustering with the K-Medoids algorithm. The results indicate that the optimal configuration consists of three clusters with a Silhouette Coefficient of 0.1944. The clusters exhibit distinct pollutant characteristics and different air quality patterns across monitoring stations. These findings provide an overview of air quality patterns and may support air quality monitoring and pollution control strategies in DKI Jakarta. Keywords: K-Medoids, Air Pollution Standard Index, air quality. Abstrak. Kualitas udara di DKI Jakarta menunjukkan variasi konsentrasi parameter pencemar yang tinggi, sehingga diperlukan metode pengelompokan untuk mengidentifikasi pola kualitas udara berdasarkan karakteristik pencemar. Penelitian ini bertujuan mengelompokkan kondisi kualitas udara di DKI Jakarta berdasarkan Indeks Standar Pencemar Udara (ISPU) menggunakan algoritma K-Medoids. Data yang digunakan berupa data harian ISPU periode Januari 2024 hingga November 2025 yang diperoleh dari platform Satu Data Jakarta, mencakup lima stasiun pemantauan kualitas udara dengan enam parameter pencemar, yaitu PM₁₀, PM₂.₅, SO₂, CO, O₃, dan NO₂. Setelah melalui tahap data preprocessing, diperoleh 3.090 data yang dianalisis. Tahapan prapemrosesan meliputi pemeriksaan missing value, data duplikat, outlier, serta standarisasi data menggunakan metode Z-score. Jumlah cluster optimal ditentukan menggunakan Silhouette Coefficient, kemudian dilakukan pengelompokan menggunakan algoritma K-Medoids. Hasil penelitian menunjukkan bahwa konfigurasi optimal terdiri atas tiga cluster dengan nilai Silhouette Coefficient sebesar 0,1944. Setiap cluster memiliki karakteristik yang berbeda berdasarkan dominasi parameter pencemar dan menunjukkan pola kualitas udara yang berbeda pada stasiun pemantauan di DKI Jakarta. Hasil penelitian ini memberikan gambaran pola kualitas udara serta dapat menjadi dasar dalam mendukung kegiatan pemantauan dan penyusunan strategi pengendalian pencemaran udara di DKI Jakarta. Kata Kunci: K-Medoids, Indeks Standar Pencemar Udara, kualitas udara.]]>
<![CDATA[Analisis Deskriptif Skor Pola Pangan Harapan (PPH) Per Kabupaten/Kota di Provinsi Jawa Barat Tahun 2020-2024 ]]>
<![CDATA[Khalisha Azzahra]]>;
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Dwi Agustin Nuriani Sirodj]]>
<![CDATA[ Bandung Conference Series: Statistics 311-318 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.26103
<![CDATA[Abstract. Kualitas konsumsi pangan dapat dinilai melalui Indeks Pola Pangan Harapan (PPH), yang mencerminkan keragaman dan keseimbangan konsumsi pangan masyarakat. Analisis deskriptif terhadap skor PPH, disertai visualisasi spasial, penting dilakukan untuk memahami kondisi ketahanan pangan di Provinsi Jawa Barat serta mengidentifikasi perbedaan kualitas konsumsi pangan antarwilayah yang dapat menjadi dasar kebijakan pangan yang lebih terarah. Penelitian ini bertujuan untuk mendeskripsikan skor PPH di Provinsi Jawa Barat selama periode 2020–2024 serta memvisualisasikan secara spasial perbedaan skor PPH antar kabupaten/kota pada tahun 2024, menggunakan data sekunder dari Open Data Jabar yang dianalisis dengan metode statistik deskriptif. Hasil analisis menunjukkan bahwa rata-rata skor PPH di Jawa Barat meningkat secara konsisten dari 83,794 poin pada tahun 2020 menjadi 91,283 poin pada tahun 2024, disertai penurunan simpangan baku dan rentang yang mengindikasikan semakin meratanya kualitas konsumsi pangan antarwilayah. Meskipun demikian, hasil visualisasi peta pada tahun 2024 memperlihatkan bahwa sebaran skor PPH antar kabupaten/kota masih belum sepenuhnya merata. Kabupaten Indramayu, Kabupaten Ciamis, dan Kota Banjar memiliki skor PPH tertinggi, sementara Kabupaten Bogor, Kota Bogor, dan Kabupaten Tasikmalaya memiliki skor PPH terendah. Perbedaan tersebut mencerminkan karakteristik yang beragam di setiap wilayah, baik dari segi geografis, tingkat urbanisasi, ketersediaan pangan lokal, daya beli masyarakat, maupun kebiasaan konsumsi. Abstrak. The quality of food consumption can be assessed using the Desired Diet Index (PPH), which reflects the diversity and balance of the population’s food consumption. A descriptive analysis of PPH scores, accompanied by spatial visualization, is essential for understanding food security conditions in West Java Province and identifying regional differences in the quality of food consumption, which can serve as the basis for more targeted food policies. This study aims to describe PPH scores in West Java Province during the 2020–2024 period and to spatially visualize differences in PPH scores across regencies and cities in 2024, using secondary data from Open Data Jabar analyzed with descriptive statistical methods. The analysis results show that the average PPH score in West Java increased consistently from 83.794 points in 2020 to 91.283 points in 2024, accompanied by a decrease in standard deviation and range, indicating a more even distribution of food consumption quality across regions. Nevertheless, the results of the 2024 map visualization show that the distribution of PPH scores across regencies and cities is still not entirely even. Indramayu Regency, Ciamis Regency, and Banjar City have the highest PPH scores, while Bogor Regency, Bogor City, and Tasikmalaya Regency have the lowest PPH scores. These differences reflect the diverse characteristics of each region, in terms of geography, level of urbanization, availability of local food.]]>
