cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Unang arifin
Contact Email
bcss@unisba.ac.id
Phone
+6282121749429
Journal Mail Official
bcss@unisba.ac.id
Editorial Address
UPT Publikasi Ilmiah, Universitas Islam Bandung. Jl. Tamansari No. 20, Bandung 40116, Indonesia, Tlp +62 22 420 3368, +62 22 426 3895 ext. 6891
Location
Kota bandung,
Jawa barat
INDONESIA
Bandung Conference Series: Statistics
Published by Universitas Islam Bandung
ISSN : -     EISSN : 2828206X     DOI : https://doi.org/10.29313/bcss.v2i2
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Education Mathematics
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.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 279 Documents
 2   3   4   5   6 
Multigroup Analysis Partial Least Square dalam PLS-SEM pada Faktor-faktor yang Mempengaruhi Kesuksesan Website Desa Cimenyan Ananda Apsari Ainun Nissa; Marizsa Herlina
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (294.275 KB) | DOI: 10.29313/bcss.v2i2.3862

Abstract

Abstract. Cimenyan Village has a website that aims to provide the latest information related to village activities that can be accessed by its residents easily. To find out whether the Cimenyan Village website has conveyed the information well to users, an evaluation of the website can be carried out using the DeLone and McLean models. There are six measuring variables, namely system quality, information quality, service quality, use, user satisfaction, and net benefits. This study uses primary data. In this thesis, the writer wants to analyze the factors that influence the success of the Cimenyan Village website using the concept of the DeLone and McLean model with the SEM-PLS method and the MGA-PLS method to test whether gender data groups have a different influence on the success of the Cimenyan Village website. Based on the analysis that has been done, the results show that service quality has a significant effect on use and user satisfaction because the P-Value obtained is less than 0.05. Likewise, the user satisfaction variable has a significant effect on net benefits at a significant level of 5%. From the results of the MGA-PLS, it was concluded that the gender groups, namely women and men, did not have a different effect on the success of the Cimenyan Village website at a significant level of 5%. This means that women and men do not have different views on the factors that influence the success of the Cimenyan Village website. Abstrak. Desa Cimenyan memiliki website yang bertujuan untuk memberikan informasi terbaru terkait kegiatan desa yang dapat diakses oleh warganya dengan mudah. Untuk mengetahui apakah website Desa Cimenyan sudah menyampaikan informasinya dengan baik kepada pengguna maka dapat dilakukan evaluasi terhadap website tersebut dengan Model DeLone dan McLean. Terdapat enam variabel pengukur, yaitu kualitas sistem, kualitas informasi, kualitas layanan, penggunaan, kepuasan pengguna, dan manfaat bersih. Penelitian ini menggunakan data primer. Pada skripsi ini penulis ingin menganalisis faktor apa saja yang mempengaruhi kesuksesan website Desa Cimenyan menggunakan konsep dari model DeLone dan McLean dengan metode SEM-PLS dan metode MGA-PLS untuk menguji apakah kelompok data jenis kelamin memberikan pengaruh yang berbeda pada kesuksesan website Desa Cimenyan. Berdasarkan analisis yang telah dilakukan, didapatkan hasil bahwa kualitas layanan berpengaruh signifikan terhadap penggunaan dan kepuasan pengguna dikarenakan nilai P-Value yang didapat kurang dari 0,05. Begitupun dengan variabel kepuasan pengguna berpengaruh signifikan terhadap manfaat bersih pada taraf nyata 5%. Dari hasil MGA-PLS disimpulkan bahwa kelompok jenis kelamin yaitu perempuan dan laki-laki tidak memberikan pengaruh yang berbeda pada kesuksesan website Desa Cimenyan pada taraf nyata 5%. Artinya, perempuan dan laki-laki tidak memiliki pandangan yang berbeda terhadap faktor yang mempengaruhi kesuksesan website Desa Cimenyan.
Penerapan Gaussian Mixture Model pada Klasterisasi Desa di Kalimantan Barat berdasarkan Indeks Desa Membangun Tahun 2021 Rizkia Narulita; Abdul Kudus
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (546.702 KB) | DOI: 10.29313/bcss.v2i2.3877

Abstract

Abstract. West Kalimantan is a province that actively supports the 2021 developing village index (IDM). Based on the 2021 West Kalimantan IDM data, the constituent indexes have various values and there are certain patterns. Therefore, clustering method is needed to determine groups/clusters consisting of several villages. By considering the Gaussian Mixture Model method using the expectation maximization algorithm. The purpose of this study was to determine the optimal number of clusters, and to find out the results of clustering on IDM West Kalimantan 2021 data by applying the Gaussian Mixture Model.The results of the study obtained that the optimal number of clusters was K=7, with a BIC value of 9979.939 and p-value BLRT is 0.498. Meanwhile, the results of the clustering are: (1) cluster 1 there were 436 villages with advanced social security status, very lagging economic resilience, independent environmental resilience; (2) cluster 2 there are 854 villages with advanced social security status, lagging economic resilience, developing environmental resilience; (3) cluster 3 there are 455 villages with independent social and environmental resilience status, advanced economic resilience; (4) cluster 4 contains 66 villages with independent social and economic resilience status, developing environmental resilience; (5) cluster 5 there are 106 villages with developing social and environmental resilience status, economic resilience is very lagging; (6) cluster 6 there are 64 villages with advanced social security status, lagging economic resilience, very lagging environmental resilience; (7) cluster 7 there are 50 villages with developing social security status, very lagging economic resilience, advanced environmental resilience. Abstrak. Kalimantan Barat merupakan provinsi yang aktif mendukung indeks desa membangun (IDM) 2021. Berdasarkan data IDM Kalimantan Barat 2021, indeks penyusun memiliki nilai yang beragam dan terdapat pola tertentu. Sehingga diperlukan metode klasterisasi untuk menentukan kelompok/klaster yang terdiri dari beberapa desa. Dengan pertimbangan metode Gaussian Mixture Model menggunakan penduga algoritme expectation maximization. Tujuan penelitian ini adalah untuk mengetahui jumlah klaster optimal, dan mengetahui hasil klasterisasi pada data IDM Kalimantan Barat 2021 dengan menerapkan Gaussian Mixture Model. Adapun hasil penelitian diperoleh jumlah klaster optimal K=7, dengan nilai BIC sebesar 9979,939 dan p-value BLRT sebesar 0,498. Sedangkan untuk hasil klasterisasinya, yaitu: (1) klaster 1 terdapat 436 desa dengan status ketahanan sosial maju, ketahanan ekonomi sangat tertinggal, ketahanan lingkungan mandiri; (2) klaster 2 terdapat 854 desa dengan status ketahanan sosial maju, ketahanan ekonomi tertinggal, ketahanan lingkungan berkembang; (3) klaster 3 terdapat 455 desa dengan status ketahanan sosial dan lingkungan mandiri, ketahanan ekonomi maju; (4) klaster 4 terdapat 66 desa dengan status ketahanan sosial dan ekonomi mandiri, ketahanan lingkungan berkembang; (5) klaster 5 terdapat 106 desa dengan status ketahanan sosial dan lingkungan berkembang, ketahanan ekonomi sangat tertinggal; (6) klaster 6 terdapat 64 desa dengan status ketahanan sosial maju, ketahanan ekonomi tertinggal, ketahanan lingkungan sangat tertinggal; (7) klaster 7 terdapat 50 desa dengan status ketahanan sosial berkembang, ketahanan ekonomi sangat tertinggal, ketahanan lingkungan maju.
Deteksi Kerusakan Bearing Menggunakan Hotelling T2 Rejeki Wulan Islamiyati; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (435.885 KB) | DOI: 10.29313/bcss.v2i2.3893

Abstract

Abstract. Bearing is the main component of the machine, used to support the shaft. in such a way that the shaft rotates smoothly. If the machine is used continuously, it will cause a decrease in engine performance which will result in Bearing damage. The method that will be used in this research is Hotelling T2 through principal component analysis. The Bearing failure diagnosis will consider statistical features consisting of maximum, minimum, mean, standard deviation, skewness, kurtosis, range, root mean square (RMS), peak-value, crest-factor and shape-factor. Principal component analysis was used to construct the Hotelling T2 statistic. The data used in this study is secondary data obtained from the NASA website. Two types of damage to Bearings are normal and faulty. Based on the study's results, it can be reduced to six main components using AKU as many as eleven main components. In hypothesis testing, the Bearing is detected as damaged when the T2 statistic value > 17.057 (α=1%). With a significance level of 1%, 428 samples were detected as faulty Bearings, and the remaining 435 were detected as normal Bearings. The results of detecting Bearings using Hotelling T2 cannot be used because the predicted data do not match the actual data confirmed by the Hotelling T2 control chart. In addition, the results of the main component plots and biplots for the two Bearing conditions cannot be separated based on the data pattern. This means that the Hotelling T2 method cannot be applied and cannot separate the two Bearing conditions. Abstrak. Bearing merupakan komponen utama mesin, digunakan untuk menopang poros. sedemikian rupa agar poros tersebut berputar dengan lancar. Apabila mesin digunakan secara terus menerus akan menyebabkan penurunan kinerja mesin yang akan mengakibatkan kerusakan Bearing. Metode yang akan digunakan dalam penelitian adalah Hotelling T2 melalui analisis komponen utama. Diagnosis kerusakan pada Bearing akan mempertimbangkan fitur statistik yang terdiri dari maximum, minimum, mean, standar deviasi, skewness, kurtosis, range, root mean square (RMS), peak-value, crest-factor dan shape-factor. Analisis komponen utama digunakan untuk mengkontruksi statistik Hotelling T2. Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari situs NASA. Dua jenis kerusakan pada Bearing terdiri dari normal dan rusak. Berdasarkan hasil penelitian, menggunakan AKU sebanyak sebelas komponen utama, dapat direduksi menjadi enam komponen utama. Dalam pengujian hipotesis, Bearing terdeteksi rusak ketika nilai statistik T2 > 17,057 ( . Dengan taraf signifikansi sebesar 1%, didapatkan sebanyak 428 sampel terdeteksi sebagai Bearing rusak sisanya sebanyak 435 terdeteksi sebagai Bearing normal. Hasil dari mendeteksi Bearing menggunakan Hotelling T2 tidak dapat digunakan karena data hasil prediksi yang tidak sesuai dengan data sesungguhnya yang dikonfirmasi dengan diagram kendali Hotelling T2. Selain itu, hasil plot komponen utama serta biplot untuk kedua kondisi Bearing tidak dapat dipisahkan berdasarkan pola data. Artinya, metode Hotelling T2 tidak dapat diterapkan serta tidak dapat memisahkan kedua kondisi Bearing.
Penerapan Analisis Regresi Spasial untuk Menentukan Faktor-Faktor Penyebab Stunting di Nusa Tenggara Barat Tahun 2021 Vivi Suci Puspita; Teti Sofia Yanti
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (172.259 KB) | DOI: 10.29313/bcss.v2i2.3917

Abstract

Abstract. To find out a relationship based on location or place information, spatial regression analysis can be used. Spatial regression models include the General Spatial Model (GSM), Spatial Autoregressive Model (SAR) and Spatial Error Model (SEM). Mariana (2013) states that SEM is a model that has a spatial correlation on error, SAR is a model that has a spatial relationship on the dependent variable, and GSM is a combination of SEM and SAR models. The spatial weighting matrix is ​​the basic component of the spatial model, this matrix shows the relationship between one region and the surrounding area. The spatial weighting matrix used is the Queen Contiguity spatial weighting matrix. This study uses data on Stunting in West Nusa Tenggara in 2021. The data includes the number of Stunting toddlers as the dependent variable (Y) and there are five independent variables (X) namely the number of low birth weight babies, the number of toddlers receiving complete basic immunizations, the number of babies born receiving early initiation of breastfeeding, the number of babies receiving exclusive breastfeeding, and the number of infants receiving exclusive breastfeeding. poor people. The results show that the Spatial Autoregressive model is the best model, has the smallest Root Mean Square Error (RMSE) value. Based on the results of modeling with the Spatial Autoregressive Model (SAR) the factors that affect the number of Stunting toddlers in West Nusa Tenggara are the number of infants receiving Early Initiation of Breastfeeding and the number of infants receiving exclusive breastfeeding. Abstrak. Untuk mengetahui suatu hubungan berdasarkan informasi lokasi atau tempat dapat menggunakan analisis regresi spasial. Model regresi spasial di antaranya, yaitu General Spatial Model (GSM), Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM). Mariana (2013) menyebutkan bahwa SEM adalah model yang memiliki korelasi spasial pada galat, SAR merupakan model yang memiliki hubungan spasial pada variabel tak bebasnya, dan GSM merupakan gabungan dari model SEM dan SAR. Matriks pembobot spasial menjadi komponen dasar dari model spasial, matriks ini menunjukkan adanya hubungan antara satu wilayah dengan wilayah disekitarnya. Matriks pembobot spasial yang digunakan, yaitu matriks pembobot spasial Queen Contiguity. Penelitian ini menggunakan data Stunting di Nusa Tenggara Barat pada tahun 2021. Data meliputi jumlah balita Stunting sebagai variabel tak bebas ( ) dan terdapat lima variabel bebas ( ) yaitu jumlah bayi berat lahir rendah, jumlah balita mendapatkan imunisasi dasar lengkap, jumlah bayi lahir mendapat inisiasi menyusui dini, jumlah bayi mendapat ASI Ekslusif, dan jumlah penduduk miskin. Hasil penelitian menunjukkan bahwa model Spatial Autoregressive merupakan model terbaik, memiliki nilai Root Mean Square Error (RMSE) terkecil. Berdasarkan hasil pemodelan dengan model Spatial Autoregressive Model (SAR) faktor yang berpengaruh terhadap jumlah balita Stunting di Nusa Tenggara Barat yaitu jumlah bayi mendapat Inisiasi Menyusui Dini dan jumlah bayi mendapat ASI Ekslusif.
Metode Single Exponential Smoothing dan Fuzzy Time Series pada Peramalan Permintaan Penjualan Pakaian Thrift Shop Garagesaleinaja Tri Devi Anggraeni; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (208.176 KB) | DOI: 10.29313/bcss.v2i2.4005

Abstract

Abstract. Forecasting is needed to find out the demand for a product or several products in the future period. Forecasting also has a very important role so that a business or company does not produce excessive or insufficient products. One of the most common forecasting methods is the Single Exponential Smoothing (SES) method. This SES method is a very easy method because it is the simplest exponential smoothing technique that only requires one parameter. In contrast to SES, the Fuzzy Time Series (FTS) method does not have other requirements that must be met. The FTS method can also solve the problem of forecasting historical data in the form of linguistic values. In this final project, a comparison of SES and FTS methods will be carried out. The comparison of the best forecasting methods is measured using the error methods MAD (Mean Absolute Deviation), MSE (Mean Square Error) and MAPE (Mean Absolute Percent Error). The data used is data on sales (monthly) of Thrift Shop Garagesaleinaja clothes in December 2019 – October 2021. From the calculation results, the error value of SES is MAD = 2144; MSE = 667579911; MAPE = 553, and the error value of FTS is MAD = 1995,84545; MSE = 5729754.97; MAPE = 380,69926. Between the two forecasting methods, the FTS method has a smaller error value than SES, the FTS method is the best method for predicting the sales results of Thrift Shop Garagesaleinaja clothes. Abstrak. Peramalan sangat dibutuhkan untuk mengetahui permintaan terhadap suatu produk atau beberapa produk pada periode yang akan datang. Peramalan juga memiliki peranan yang sangat penting agar suatu usaha atau perusahaan tidak memproduksi produk secara berlebihan atau kekurangan. Salah satu metode peramalan yang sering dijumpai yaitu metode Single Exponential Smoothing (SES), metode SES ini merupakan metode yang sangat mudah karena merupakan teknik pemulusan eksponensial paling sederhana yang hanya membutuhkan satu parameter. Berbeda dengan SES, metode Fuzzy Time Series (FTS) tidak ada syarat lain yang harus dipenuhi. Metode FTS juga dapat menyelesaikan masalah peramalan data historis berupa nilai-nilai linguistik. Pada tugas akhir ini akan dilakukan perbandingan peramalan metode SES dan FTS. Perbandingan metode peramalan yang paling baik diukur menggunakan metode error MAD (Mean Absolute Deviation), MSE (Mean Square Error) dan MAPE (Mean Absolute Percent Error). Data yang digunakan adalah data penjualan (bulanan) pakaian Thrift Shop Garagesaleinaja pada Desember 2019 – Oktober 2021. Dari hasil perhitungan diperoleh nilai error dari SES adalah MAD = 2144; MSE = 667579911; MAPE = 553, dan nilai error dari FTS adalah MAD = 1995,84545; MSE = 5729754,97; MAPE = 380,69926. Diantara kedua metode peramalan tersebut, metode FTS memiliki nilai error lebih kecil dibandingkan SES, metode FTS merupakan metode terbaik untuk meramalkan hasil penjualan pakaian Thrift Shop Garagesaleinaja.
Proyeksi Penduduk Indonesia sampai Tahun 2060 dengan Data Dasar Sensus Penduduk 2020 dan Asumsi Laju Pertumbuhan Penduduk 1,25% Ricke Aulia Desviandini; Yayat Karyana
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (113.935 KB) | DOI: 10.29313/bcss.v2i2.4009

Abstract

Abstract. Projections of Indonesia's population in 2010 have been made, including by Sucipto and Tukiran (1992), BPS (2002), Nurwindiagiri (2004), Karyana (2004) and BPS, BAPPENAS and UNFPA (2018). However, because the basic population data and/or assumptions used for the projections are different, the results are also different, and when compared with the results of the 2020 Population Census (SP 2020), none of them are the same. In the period 1971-1980 the population growth rate (LPP) reached 3.2% per year, decreased to 1.97% per year in the period 1980-1990 and to 1.5% per year in the period 1990-2000. However, in the period 2000-2010 it did not decrease, but remained at 1.5% per year. BPS has released the 2020 Population Census Portrait that in the 2010-2020 period there is a population growth rate per year, namely LPP = 1.25% with a population of 270.20 million people. In this thesis, a projection of the Indonesian population until 2060 will be made using the basic data from the 2020 Population Census assuming the LPP population growth rate = 1.25% (BPS, 2020) and using the Mixed Method. The results of the projection of the Indonesian population using the Mixed Method where the population is obtained from the Mathematical Method and the age group section is obtained through the Component Method with basic data from the 2020 Population Census and the assumption of an LPP population growth rate of 1.25% in 2025, 2030, 2035, 2040, 2045, 2050, 2055 and 2060 respectively are 287519166, 305944013, 325549565, 346411482, 368610276, 392231616, 417366663, 444112417 people. Abstrak. Proyeksi penduduk Indonesia tahun 2010 telah dibuat, di antaranya oleh Sucipto dan Tukiran (1992), BPS (2002), Nurwindiagiri (2004), Karyana (2004) dan BPS, BAPPENAS dan UNFPA (2018). Namun karena data dasar penduduk dan atau asumsi yang digunakan untuk proyeksi berbeda, maka hasilnya berbeda pula, dan apabila dibandingkan dengan hasil Sensus Penduduk 2020 (SP 2020) tidak ada yang sama. Pada periode tahun 1971-1980 laju pertumbuhan penduduk (LPP) mencapai 3,2 % per tahun turun menjadi 1,97 % per tahun pada periode 1980-1990 dan menjadi 1,5 % per tahun pada periode 1990-2000. Namun pada periode 2000-2010 tidak turun, tetapi tetap sebesar 1,5 % per tahun. BPS telah merilis Potret Sensus Penduduk 2020 bahwa pada periode tahun 2010-2020 terjadi laju pertumbuhan penduduk per tahun yaitu LPP = 1,25 % dengan jumlah penduduk 270,20 juta orang. Dalam skripsi ini akan dibuat proyeksi penduduk Indonesia sampai tahun 2060 menggunakan data dasar hasil Sensus Penduduk 2020 dengan asumsi laju pertumbuhan penduduk LPP = 1,25 % (BPS, 2020) serta menggunakan Metode Campuran. Hasil proyeksi penduduk Indonesia menggunakan Metode Campuran yang mana jumlah penduduk diperoleh dari Metode Matematik dan bagian kelompok umur didapatkan melalui Metode Komponen dengan data dasar hasil Sensus Penduduk tahun 2020 dan asumsi laju pertumbuhan penduduk LPP sebesar 1,25% pada tahun 2025, 2030, 2035, 2040, 2045, 2050, 2055 dan tahun 2060 berturut-turut adalah 287519166, 305944013, 325549565, 346411482, 368610276, 392231616, 417366663, 444112417 orang.
Regresi Nonparametrik Spline untuk Memodelkan Faktor-faktor yang Memengaruhi Indeks Pembangunan Gender (IPG) di Jawa Barat Tahun 2020 Nisrina Fajriati Rahayu; Lisnur Wachidah
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (173.833 KB) | DOI: 10.29313/bcss.v2i2.4037

Abstract

Abstract. Regression analysis is a statistical method used to determine the pattern of the relationship between the independent variable and the dependent variable. There are three kinds of regression analysis, namely parametric regression analysis, semiparametric regression analysis and nonparametric regression analysis. Parametric regression analysis can be used when the assumptions are met but not all data can meet the parametric assumptions, an alternative to parametric regression is nonparametric regression because its use does not require strict assumptions. Spline nonparametric regression is a method used to get the estimated regression curve through the estimation of the data pattern according to the movement. The selection of the best model for Spline regression is seen from the Generalized Cross Validiation (GCV) value using the minimum knot point. In this study, the dependent variable used is the Gender Development Index (GDI) in West Java Province in 2020 which consists of 18 districts and 9 cities with the independent variables consisting of the average length of schooling for women, the expected length of schooling for women, the open unemployment rate for women, female labor force participation rate, women with health complaints and sex ratio. The results of the analysis obtained that the best nonparametric Spline regression model was using the order of one and three knot points with the minimum GCV value of 0.2471, and the coefficient of determination was 99.98%. The six independent variables used have a significant influence on GPA in West Java in 2020. Abstrak. Analisis regresi adalah metode statistika yang digunakan untuk menentukan pola hubungan antara variabel bebas dengan variabel terikat. Terdapat tiga macam analisis regresi, yaitu analisis regresi parametrik, analisis regresi semiparametrik dan analisis regesi nonparametrik. Analisis regresi parametrik dapat digunakan ketika asumsi terpenuhi akan tetapi tidak semua data dapat memenuhi asumsi parametrik, alternatif dari regresi parametrik adalah regresi nonparametrik karena penggunaanya tidak memerlukan asumsi yang ketat. Regresi nonparametrik Spline merupakan metode yang digunakan untuk mendapatkan dugaan kurva regresi melalui pendekatan estimasi pola data sesuai pergerakannya. Pemilihan model terbaik pada regesi Spline dilihat dari nilai Generalized Cross Validiation (GCV) dengan menggunakan titik knot yang paling minimum. Pada penelitian ini variabel terikat yang digunakan adalah Indeks Pembangunan Gender (IPG) di Provinsi Jawa Barat Tahun 2020 yang terdiri dari 18 kabupaten dan 9 kota dengan variabel bebas yang terdiri dari rata-rata lama sekolah perempuan, harapan lama sekolah perempuan, tingkat pengangguran terbuka perempuan, tingkat partisipasi angkatan kerja perempuan, perempuan yang memiliki keluhan kesehatan dan rasio jenis kelamin. Hasil dari analisis diperoleh model regresi nonparametrik Spline yang terbaik adalah dengan menggunakan orde satu dan tiga titik knot dengan nilai GCV yang paling minimum 0,2471, serta didapatkan nilai koefisien determinasi sebesar 99,98%. Dengan ke enam variabel bebas yang digunakan memiliki pengaruh yang signifikan terhadap IPG di Jawa Barat tahun 2020.
Analisis Hubungan Harga Saham Bank Central Asia, Inflasi, Kurs (IDR/USD) dan BI Rate dengan Metode Vector Error Correction Model (VECM) Moh. Wigi Destriansyah; Dwi Agustin Nuriani Sirodj
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (225.822 KB) | DOI: 10.29313/bcss.v2i2.4057

Abstract

Abstract. One method of multivariate time series analysis is VECM. VECM is used to overcome the existence of data forms that are not stationary in the average but there is cointegration in the variables. VECM is often used in long-term econometric cases such as forecasting the movement of a stock price. The movement of a company's stock price level can be influenced by factors such as inflation, exchange Rates and the BI Rate or interest Rates in the short and long term. The banking sector is one sector that is often targeted by investors, such as shares of Bank BCA Tbk because it has a high reputation, large market capitalization, positive company performance and routine dividend distribution. This study aims to analyze the effect of the variable inflation, exchange Rate (IDR/USD) and the BI Rate on the stock price of Bank Central Asia, as well as to see the long-term relationship between these variables and predict the stock price of BBCA. The variables used in this study are Inflation, Exchange Rate (IDR/USD), BI Rate to BBCA's Stock Price from August 2016 to September 2021. The model obtained is VECM(4) with 1 rank cointegration. Inflation and Exchange Rate (IDR/USD) variables have a significant effect on changes in the value of BBCA's Stock Price in the long term. While the BI Rate variable has no significant effect on changes in the value of the BBCA Share Price in the long term. Abstrak. Salah satu metode analisis deret waktu multivariat adalah VECM. VECM ini digunakan untuk mengatasi keberadaan bentuk data yang tidak stasioner dalam rata-rata narnun terdapat kointegrasi dalam variabelnya. VECM sering digunakan dalam kasus-kasus ekonometrika jangka panjang seperti meramalkan pergerakan suatu harga saham. Pergerakan level harga saham suatu perusahaan bisa dipengaruhi oleh faktor-faktor seperti Inflasi, Kurs dan BI Rate atau suku bunga dalam jangka waktu pendek maupun panjang. Sektor perbankan menjadi salah satu sektor yang sering diincar oleh para investor, seperti saham Bank BCA Tbk sebab memiliki reputasi tinggi, kapitalisasi pasar yang besar, kinerja perusahaan yang positif dan rutin melakukan pembagian dividen. Penelitian ini bertujuan untuk menganalisis pengaruh dari variabel Inflasi, Kurs (IDR/USD) dan BI Rate terhadap Harga Saham Bank Central Asia, serta untuk melihat hubungan jangka panjang antara variable tersebut dan meramalkan harga saham BBCA. Variabel yang digunakan dalam penelitian ini adalah Inflasi, Kurs (IDR/USD), BI Rate terhadap Harga Saham BBCA dari bulan Agustus 2016 hingga September 2021. Model yang didapatkan adalah VECM(4) dengan 1 rank kointegrasi. Variabel Inflasi dan Kurs (IDR/USD) berpengaruh secara signifikan terhadap perubahan nilai Harga Saham BBCA dalam jangka panjang. Sedangkan variabel BI Rate tidak berpengaruh secara signifikan terhadap perubahan nilai Harga Saham BBCA dalam jangka panjang.
Pemodelan Geographically Weighted Regression dengan Fungsi Pembobot Fixed Gaussian Kernel untuk Kasus Tingkat Partisipasi Angkatan Kerja Wanita di Provinsi Aceh Ainun Hayat Damayanti; Dwi Agustin Nuriani Sirodj
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (198.149 KB) | DOI: 10.29313/bcss.v2i2.4071

Abstract

Abstract. The female labor force participation rate (TPAK) is an indicator that shows the large percentage of the working-age female population who are economically active in an area. The TPAK value of women in Aceh Province in 2021 was 48,36%. This value shows that the TPAK of Acehnese women is still 31,04% lower than the male TPAK of 79,40%. The data shows that there are resources that are underutilized properly and are not in line with one of the Sustainable Development Goals (SDGs) regarding gender equality in work. The problem regarding the number of female TPAK which is still below the male TPAK figure can be solved by the Geographically Weighted Regression (GWR) method because it has a different TPAK between in cities and villages due to different geographical factors there are also natural resources, human resources, availability of employment, availability of health facilities and others that vary. It can be seen from the smallest AIC values and the largest R2 that compared to the global regression model, the GWR model with Fixed Gaussian Kernel weighting function is the best model for modeling female TPAK data in Aceh Province with an AIC value of 116.5576 and R2 of 90.78%. The GWR model using the kernel fixed gaussian weighting function only produces 1 group of significant variables, namely, the housewife percentage variable. So the factor that affects the low TPAK of women in Aceh Province is the percentage of housewives Abstrak. Tingkat partisipasi angkatan kerja (TPAK) wanita merupakan indikator yang menunjukkan besarnya persentase penduduk wanita usia kerja yang aktif secara ekonomi di suatu daerah. Nilai TPAK wanita di Provinsi Aceh tahun 2021 adalah sebesar 48,36%. Nilai ini menunjukkan bahwa TPAK wanita Aceh masih 31,04% lebih rendah dari TPAK pria yang sebesar 79,40%. Data tersebut menunjukan adanya sumber daya yang kurang dimanfaatkan dengan baik dan tidak selaras dengan salah tujuan Sustainable Development Goals (SDGs) perihal kesetaraan gender dalam pekerjaan. Permasalahan mengenai angka TPAK wanita yang masih berada dibawah angka TPAK pria ini dapat diselesaikan dengan metode Geographically Weighted Regression (GWR) karena memiliki TPAK yang berbeda antara di kota dan di desa akibat faktor geografis yang berbeda juga terdapat sumber daya alam, sumber daya manusia, ketersediaan lapangan kerja, ketersediaan fasilitas kesehatan dan lain-lain yang bervariasi. Terlihat dari nilai AIC terkecil dan R2 terbesar diketahui bahwa dibandingkan model regresi global, model GWR dengan fungsi pembobot Fixed Gaussian Kernel adalah model terbaik untuk memodelkan data TPAK wanita di Provinsi Aceh dengan nilai AIC sebesar 116.5576 dan R2 sebesar 90,78%. Model GWR dengan menggunakan fungsi pembobot Fixed Gaussian Kernel hanya menghasilkan 1 kelompok variabel signifikan yakni, variabel persentase ibu rumah tangga. Maka faktor yang mempengaruhi rendahnya TPAK wanita di Provinsi Aceh adalah persentase ibu rumah tangga.
Visualisasi Kerusakan Bearing Menggunakan Metode Independent Component Analysis (ICA) Silvya Rahmatiara Putri; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (510.792 KB) | DOI: 10.29313/bcss.v2i2.4236

Abstract

Abstract. Vibration is a response of a mechanical system either caused by a given excitation force or changes in operating conditions as a function of time. The force that causes this vibration can be caused by several sources such as contact/impact between moving/rotating components, rotation of an unbalanced mass, misalignment and also Bearing faults which will be the topic of this research. The data used is Bearing vibration data obtained from the Prognostics Center of Excellence (PcoE) through prognostic data storage donated by the Intelligent Maintenance System (IMS), University of Cincinnati in 2003. Principal Component Analysis (PCA) method is used to see how many components resulting from. Furthermore, the selected component from the Principal Component (PC) becomes the basis for the component results from the Independent Component Analysis (ICA) which is used to visually see the distribution of data. In this thesis presents ICA and compare with Principal Component Analysis (PCA). In the visual results of the plot of the Principal Component and Independent Component Bearing damage, it can be identified that each damage produces a different form of vibration after being reduced. Abstrak. Getaran merupakan respon dari sebuah sistem mekanik baik yang diakibatkan oleh gaya eksitasi yang diberikan maupun perubahan kondisi operasi sebagai fungsi waktu. Gaya yang menyebabkan getaran ini dapat ditimbulkan oleh beberapa sumber misalnya kontak/benturan antar komponen yang bergerak/berputar, putaran dari massa yang tidak seimbang (unbalance mass), misalignment dan juga karena kerusakan bantalan (Bearing fault) yang akan menjadi topik penelitian ini. Data yang digunakan yaitu data vibrasi Bearing yang diperoleh dari Prognostics Center of Excellence (PcoE) melalui penyimpanan data prognostik yang disumbangkan oleh Intelligent Maintenance System (IMS), University of Cincinnati pada tahun 2003. Metode Analisis Komponen Utama (AKU) digunakan untuk melihat berapa komponen yang dihasilkan. Selanjutnya komponen terpilih dari Komponen Utama (KU) menjadi dasar untuk hasil komponen dari Independent Component Analysis (ICA) yang digunakan untuk melihat sebaran data dengan visual oleh plot, sehingga menghasilkan beberapa komponen. Dalam skripsi ini akan disajikan ICA dalam statistik dan bandingkan metode ini dengan Analisis Komponen Utama (AKU). Pada hasil visual plot Komponen Utama dan Independent Component kerusakan Bearing dapat diidentifikasi bahwa pada setiap kerusakan menghasilkan bentuk getaran yang berbeda-beda setelah direduksi.

Page 4 of 28 | Total Record : 279

 2   3   4   5   6 

Filter by Year

2021 2025


Reset
Filter By Issues
All Issue Vol. 5 No. 2 (2025): Bandung Conference Series: Statistics Vol. 5 No. 1 (2025): Bandung Conference Series: Statistics Vol. 4 No. 2 (2024): Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics Vol. 2 No. 1 (2022): Bandung Conference Series: Statistics Vol. 1 No. 1 (2021): Bandung Conference Series: Statistics