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[Pemodelan Regresi Gamma pada Data Indeks Pembangunan Manusia Kabupaten/Kota di Provinsi Jawa Barat Tahun 2025 ]]>
<![CDATA[Salma Nera Hanifah]]>;
<![CDATA[Fitri Amanah]]>
<![CDATA[ Bandung Conference Series: Statistics 319-328 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.26122
<![CDATA[Abstract. Gamma Regression is a method of Generalized Linear Model (GLM) for analyzing the relationship between a positive, non-normally distributed response variable and predictor variables. This study aimed to model the factors affecting the Human Development Index (HDI) of regencies/cities in West Java Province 2025. The study used secondary data from BPS of West Java Province, covering 27 regencies/cities. The response variable was HDI, while the predictor included the percentage of poor population, access to improved drinking water, life expectancy, real expenditure per capita, school participation rate for individuals aged 19–23 years, and the open unemployment rate. The analysis included descriptive statistics, Gamma distribution testing, multicollinearity testing, and Gamma Regression using Maximum Likelihood Estimation (MLE) with the Fisher Scoring algorithm. The results showed that the HDI data followed a Gamma distribution and exhibited no multicollinearity. Partially, the percentage of poor population, real expenditure per capita, and the school participation rate for individuals aged 19–23 years significantly affected HDI at the 5% significance level. Simultaneously, the model was significant (likelihood ratio statistic (= 91.456), p < 0.0001). The coefficient of determination was 96.62%, indicating the model explained most of the HDI variation of regencies/cities in West Java Province in 2025. Abstrak. Regresi Gamma merupakan salah satu metode dalam Generalized Linear Model (GLM) yang digunakan untuk menganalisis hubungan antara variabel respon yang bernilai positif dan berdistribusi tidak simetris dengan variabel prediktor. Penelitian ini bertujuan memodelkan faktor-faktor yang memengaruhi data Indeks Pembangunan Manusia (IPM) Kabupaten/Kota di Provinsi Jawa Barat tahun 2025. Penelitian menggunakan data sekunder dari BPS Provinsi Jawa Barat Tahun 2025 sebanyak 27 kabupaten/kota. Variabel respon dalam penelitian ini adalah IPM, sedangkan variabel prediktor meliputi persentase penduduk miskin, akses air minum layak, usia harapan hidup, pengeluaran riil per kapita, angka partisipasi sekolah usia 19–23 tahun, dan tingkat pengangguran terbuka. Tahapan analisis meliputi analisis deskriptif, uji distribusi gamma, uji multikolinearitas, serta pemodelan regresi gamma menggunakan metode Maximum Likelihood Estimation (MLE) dengan algoritma Fisher Scoring. Hasil penelitian menunjukkan bahwa data IPM mengikuti distribusi gamma dan tidak mengalami masalah multikolinearitas. Secara parsial, variabel persentase penduduk miskin, pengeluaran riil per kapita, dan angka partisipasi sekolah usia 19-23 tahun berpengaruh signifikan terhadap IPM pada taraf signifikansi 5%. Secara Simultan, model yang diperoleh signifikan dengan nilai statistik uji sebesar 91,456 dan p-value < 0,0001. Nilai koefisien determinasi sebesar 96,62% menunjukkan bahwa model mampu menjelaskan sebagian besar variasi IPM Kabupaten/Kota di Provinsi Jawa Barat tahun 2025.]]>
<![CDATA[Pemodelan Topik Skripsi Statistika Universitas Islam Bandung Tahun 2020–2025 Menggunakan BERTopic KernelPCA–K-Means ]]>
<![CDATA[Muhammad Rivaldi Yusuf]]>;
<![CDATA[Ilham Faishal Mahdy]]>
<![CDATA[ Bandung Conference Series: Statistics 329-336 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.26152
<![CDATA[Abstract. This study models and examines the development of undergraduate thesis topics in the Statistics Study Program at Universitas Islam Bandung during 2020–2025 using a modular BERTopic architecture with IndoBERT, Kernel Principal Component Analysis (KernelPCA), and K-Means. The initial corpus contained 491 title-and-abstract documents. After data preparation and text preprocessing, 481 complete documents were retained for analysis. IndoBERT converted each document into a 768-dimensional contextual embedding, which was reduced to five components using KernelPCA with a radial basis function kernel. The number of clusters was determined through the Elbow Method, and K-Means produced six clusters with a within-cluster sum of squares of 8.974795. Topic representation using class-based TF-IDF indicated themes related to process and quality control; insurance, claims, and risk; regional and population data; relationship testing and intervariable modelling; time series and forecasting; and regression, parameter estimation, and probability distributions. The overall coherence score was 0.546040. Annual distributions fluctuated across the observation period: Cluster 5 had the largest overall membership, while Clusters 2 and 4 gained relative prominence toward the end of the period. The 2025 pattern must be interpreted cautiously because fewer documents were available. The approach provides an interpretable overview of the thematic development of statistics theses. Abstrak. Penelitian ini memodelkan dan menganalisis perkembangan topik skripsi mahasiswa Program Studi Statistika Universitas Islam Bandung tahun 2020–2025 menggunakan arsitektur BERTopic yang mengintegrasikan IndoBERT, Kernel Principal Component Analysis (KernelPCA), dan K-Means. Korpus awal terdiri atas 491 dokumen judul dan abstrak. Setelah tahap data preparation dan text preprocessing, sebanyak 481 dokumen lengkap dipertahankan untuk analisis. IndoBERT mengubah setiap dokumen menjadi embedding kontekstual berdimensi 768, kemudian KernelPCA dengan kernel radial basis function mereduksinya menjadi lima komponen. Jumlah klaster ditetapkan melalui Elbow Method dan K-Means menghasilkan enam klaster dengan nilai within-cluster sum of squares sebesar 8,974795. Representasi topik menggunakan class-based TF-IDF menunjukkan tema pengendalian proses dan kualitas; asuransi, klaim, dan risiko; data kewilayahan dan kependudukan; pengujian hubungan dan pemodelan antarvariabel; deret waktu dan peramalan; serta regresi, estimasi parameter, dan distribusi probabilitas. Nilai coherence keseluruhan sebesar 0,546040. Perkembangan tahunan keenam klaster bersifat fluktuatif. Klaster 5 memiliki anggota terbanyak secara keseluruhan, sedangkan Klaster 2 dan Klaster 4 mengalami peningkatan dominasi relatif pada akhir periode. Pola tahun 2025 perlu ditafsirkan secara hati-hati karena jumlah dokumennya lebih sedikit. Pendekatan ini menghasilkan pemetaan tematik yang dapat diinterpretasikan dan menggambarkan perkembangan topik skripsi Statistika Universitas Islam Bandung.]]>
<![CDATA[Perbandingan Metode Double Exponential Smoothing Holt, Fuzzy Time Series Lee, Dan Fuzzy Time Series Stevenson-Porter Pada Peramalan Harga Penutupan Saham BBRI ]]>
<![CDATA[Nur Indah Lutfira]]>;
<![CDATA[Teti Sofia Yanti]]>
<![CDATA[ Bandung Conference Series: Statistics 337-346 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.26198
<![CDATA[Abstract. Forecasting is an approach used to estimate future conditions based on historical data patterns. In investment, stock price forecasting provides important information to support decision-making because stock price movements are dynamic and fluctuating. This study aims to compare the performance of the Double Exponential Smoothing Holt, Fuzzy Time Series Lee and, Fuzzy Time Series Stevenson-Porter methods in forecasting BBRI stock closing prices and determining the method with the best accuracy. The research uses quantitative methods with secondary data in the form of daily BBRI stock closing prices from January 2, 2026, to June 30, 2026, obtained from Yahoo Finance. The data processing involves applying three forecasting methods and evaluating their accuracy using the Mean Absolute Percentage Error (MAPE). The results show that the MAPE values of the Double Exponential Smoothing Holt, Fuzzy Time Series Lee, and Fuzzy Time Series Stevenson-Porter methods are 1.65%, 1.78%, and 0.49%, respectively. The Fuzzy Time Series Stevenson-Porter method achieves the best performance with the smallest MAPE value. The forecasting result for the 117th period using this method is Rp2,713.07 per share. Abstrak. Peramalan merupakan pendekatan untuk memperkirakan kondisi masa mendatang berdasarkan pola data historis. Dalam bidang investasi, peramalan harga saham menjadi informasi penting karena pergerakan harga saham bersifat dinamis dan fluktuatif. Penelitian ini bertujuan untuk membandingkan kinerja metode Double Exponential Smoothing Holt, Fuzzy Time Series Lee, dan Fuzzy Time Series Stevenson-Porter dalam meramalkan harga penutupan saham BBRI serta menentukan metode dengan tingkat akurasi terbaik. Data yang digunakan merupakan data sekunder berupa harga penutupan harian saham BBRI periode 2 Januari 2026 hingga 30 Juni 2026 yang diperoleh dari Yahoo Finance. Metode peramalan diterapkan pada data saham yang memiliki pola fluktuatif dengan kecenderungan tren menurun, kemudian tingkat akurasi dievaluasi menggunakan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan nilai MAPE metode Double Exponential Smoothing Holt sebesar 1,65%, Fuzzy Time Series Lee sebesar 1,78%, dan Fuzzy Time Series Stevenson-Porter sebesar 0,49%. Metode Fuzzy Time Series Stevenson-Porter menghasilkan akurasi terbaik dengan nilai MAPE terkecil dan menghasilkan peramalan harga penutupan saham BBRI periode ke-117 sebesar Rp2.713,07 per lembar saham.]]>
<![CDATA[Pemodelan Tingkat Kemiskinan di Jawa Timur Menggunakan Regresi Ridge Hoerl–Kennard–Baldwin (HKB) ]]>
<![CDATA[Herdian Syah]]>;
<![CDATA[Suliadi Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics 347-354 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.26201
<![CDATA[Poverty remains a multidimensional challenge in East Java, with a rate of 10.35% in 2023 and significant disparities across districts. This study applies Ridge Regression with the Hoerl-Kennard-Baldwin (HKB) estimator to model poverty determinants while addressing multicollinearity. Using secondary data from BPS East Java (38 districts), six predictors were analyzed: Mean Years of Schooling (X₁), Open Unemployment Rate (X₂), GRDP (X₃), Human Development Index (X₄), Literacy Rate (X₅), and Poverty Depth Index (X₆). OLS estimation revealed severe multicollinearity (VIF X₁=33.6, X₄=29.1). The HKB method produced a penalty parameter k=1.134964. The final Ridge model is Ŷ=31.8732−0.1023X₁−0.1655X₂+0.0041X₃−0.2185X₄−0.0918X₅+3.0626X₆. Partial significance tests (effective df=32.46) identified only X₄ and X₆ as significant at α=5%. X₄ negatively affects poverty (−0.2185%), while X₆ has the largest positive impact (3.0626%). Other variables were statistically insignificant. These findings confirm the effectiveness of Ridge-HKB in stabilizing coefficient estimates under multicollinearity. Policy priorities should focus on reducing the Poverty Depth Index and improving Human Development Index.Kemiskinan merupakan tantangan multidimensi di Jawa Timur, dengan angka 10,35% pada tahun 2023 dan disparitas antarkabupaten/kota yang signifikan. Penelitian ini menerapkan Regresi Ridge dengan estimator Hoerl-Kennard-Baldwin (HKB) untuk memodelkan determinan kemiskinan sambil mengatasi multikolinearitas. Menggunakan data sekunder BPS Jawa Timur (38 kabupaten/kota), enam prediktor dianalisis: Rata-rata Lama Sekolah (X₁), Tingkat Pengangguran Terbuka (X₂), PDRB (X₃), Indeks Pembangunan Manusia (X₄), Angka Melek Huruf (X₅), dan Indeks Kedalaman Kemiskinan (X₆). Estimasi MKT menunjukkan multikolinearitas berat (VIF X₁=33,6; X₄=29,1). Metode HKB menghasilkan parameter penalti k=1,134964. Model Ridge akhir adalah Ŷ=31,8732−0,1023X₁−0,1655X₂+0,0041X₃−0,2185X₄−0,0918X₅+3,0626X₆. Uji signifikansi parsial (df efektif=32,46) mengidentifikasi hanya X₄ dan X₆ yang signifikan pada α=5%. X₄ berpengaruh negatif (−0,2185%), sedangkan X₆ memiliki dampak positif terbesar (3,0626%). Variabel lainnya tidak signifikan secara statistik. Temuan ini mengonfirmasi efektivitas Ridge-HKB dalam menstabilkan estimasi koefisien di bawah multikolinearitas. Prioritas kebijakan sebaiknya difokuskan pada penurunan Indeks Kedalaman Kemiskinan dan peningkatan Indeks Pembangunan Manusia.]]>
<![CDATA[Peramalan Harga Saham PT Bank Rakyat Indonesia (Persero) Tbk Menggunakan Model Autoregressive Integrated Moving Average (ARIMA) ]]>
<![CDATA[Muhamad Arifianto Darmawan]]>;
<![CDATA[Fitri Amanah]]>
<![CDATA[ Bandung Conference Series: Statistics 355-364 ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v6i2.26220
<![CDATA[Abstract. Stock price is an important indicator reflecting a company's performance and serves as a basis for investment decision-making. The fluctuating movement of stock prices requires a forecasting method capable of producing accurate short-term predictions. This study aims to determine the best Autoregressive Integrated Moving Average (ARIMA) model for forecasting the stock price of PT Bank Rakyat Indonesia (Persero) Tbk (BBRI). The data used consist of daily closing stock prices from January 1, 2025 to August 15, 2025, totaling 143 observations. The analysis stages include stationarity testing using the Box-Cox transformation and the Augmented Dickey-Fuller (ADF) test, model identification through the Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF), parameter estimation using Maximum Likelihood Estimation (MLE), model evaluation based on Residual Mean Square (MS) and the Ljung-Box diagnostic test, and forecasting accuracy measurement using Mean Absolute Percentage Error (MAPE). The results indicate that the ARIMA(0,1,2) model is the best forecasting model with the smallest Residual Mean Square (MS) value of 10,132.8 and residuals satisfying the white noise assumption. Forecasting results show that the stock price of PT Bank Rakyat Indonesia (Persero) Tbk tends to remain stable over the next seven periods with excellent forecasting accuracy based on the MAPE value. Keywords: ARIMA, forecasting, stock price, time series, BBRI. Abstrak. Harga saham merupakan salah satu indikator penting yang mencerminkan kinerja perusahaan serta menjadi dasar pengambilan keputusan investasi. Pergerakan harga saham yang bersifat fluktuatif menyebabkan diperlukan metode peramalan yang mampu menghasilkan prediksi jangka pendek secara akurat. Penelitian ini bertujuan untuk menentukan model Autoregressive Integrated Moving Average (ARIMA) terbaik dalam meramalkan harga saham PT Bank Rakyat Indonesia (Persero) Tbk (BBRI). Data yang digunakan merupakan data harga penutupan harian saham BBRI periode 1 Januari 2025 sampai dengan 15 Agustus 2025 sebanyak 143 observasi. Tahapan analisis meliputi uji stasioneritas menggunakan transformasi Box-Cox dan uji Augmented Dickey-Fuller (ADF), identifikasi model melalui plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF), estimasi parameter menggunakan Maximum Likelihood Estimation (MLE), evaluasi model berdasarkan Residual Mean Square (MS) dan uji diagnostik Ljung-Box, serta pengukuran akurasi menggunakan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model ARIMA(0,1,2) merupakan model terbaik dengan nilai Residual Mean Square (MS) sebesar 10.132,8 serta memenuhi asumsi residual white noise. Hasil peramalan menunjukkan harga saham PT Bank Rakyat Indonesia (Persero) Tbk cenderung stabil pada tujuh periode mendatang dengan tingkat akurasi peramalan yang sangat baik berdasarkan nilai MAPE. Kata Kunci: ARIMA, harga saham, peramalan, time series, BBRI.]]>
