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[Proyeksi Penduduk Provinsi Jawa Barat dan DKI Jakarta dengan Pendekatan Demografi Multiregional tahun 2025 ]]>
<![CDATA[Luthfi Muhammad Faris Supyana]]>;
<![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 (133.577 KB)
|
DOI: 10.29313/bcss.v2i2.4237
<![CDATA[Abstract. Population projection is a way of describing the population based on certain calculations based on the assumptions of the components that work in it which include fertility, mortality, and migration. Among the three most important components is migration. In demography, there are two kinds of studies, namely multiregional demography and uniregional demography. The basic difference between the uniregional and multiregional approaches is that the population analysis is carried out by assuming the existence of interrelationships between regions. As stated in this study, the population in the provinces of West Java and DKI Jakarta, each of which is connected by the flow of migrants from one region to another. There is a population density in West Java Province and DKI Jakarta which is a magnet for migrant destinations because it is a province with a state capital, therefore this study is intended to determine the results of population projections for West Java Province and DKI Jakarta with a multiregional demographic approach in 2025. The method used in this study using the component method with a multiregional demography approach because this study did not use the results of the in-migration rate but the ASOMR(Out-migration rate) value between provinces.. Based on the results obtained, the population projection of West Java Province in 2025 is 51,124,944 million people and DKI Jakarta Province in 2025 is 10,807,612 with a multiregional demography approach. Abstrak. Proyeksi penduduk merupakan cara penggambaran jumlah penduduk berdasarkan perhitungan tertentu yang didasarkan pada asumsi komponen yang bekerja di dalamnya yang meliputi fertilitas, mortalitas, dan migrasi. Di antara ketiga komponen yang terpenting adalah migrasi. Dalam ilmu demografi dikenal dua macam kajian yaitu demografi multiregional dan demografi uniregional. Perbedaan yang mendasar antara pendekatan uniregional dan multiregional adalah bahwa analisis populasi dilakukan dengan mengasumsikan adanya keterkaitan antar wilayah. Sebagaimana yang terdapat dalam penelitian ini yaitu, penduduk di provinsi Jawa Barat dan DKI Jakarta yang masing-masing dihubungkan oleh arus migran dari satu wilayah ke wilayah lainnya. Adanya kepadatan penduduk di Provinsi Jawa Barat serta DKI Jakarta yang menjadi magnet tujuan para migran karena provinsi yang beribukota negara, oleh karena itu penelitian ini di maksudkan untuk mengetahui hasil proyeksi penduduk Provinsi Jawa Barat dan DKI Jakarta dengan pendekatan demografi multiregional tahun 2025. Metode yang digunakan pada penelitian ini menggunakan metode komponen dengan pendekatan demografi multiregional karena pada penelitian ini tidak menggunakan hasil angka migrasi masuk melainkan nilai ASOMR(Angka Migrasi Keluar) antar provinsi. Berdasarkan hasil yang diperoleh bahwa proyeksi penduduk Provinsi Jawa Barat 2025 sebesar 51.124.944 juta jiwa dan Provinsi DKI Jakarta 2025 sebesar 10.807.612 dengan pendekatan demografi multiregional.]]>
<![CDATA[Pemodelan New Ridge Regression Estimator pada Tingkat Kemiskinan di Kabupaten/Kota Provinsi Jawa Barat Tahun 2020 ]]>
<![CDATA[Ridho Febriansyah Tambunan]]>;
<![CDATA[Suliadi]]>
<![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 (162.443 KB)
|
DOI: 10.29313/bcss.v2i2.4244
<![CDATA[Abstract. Linear regression is a statistical method used to predict value dependent variable or response with one or more independent variables. If there is more than one predictor variable, multiple linear regression analysis is used. Ridge regression estimator has been introduced as an alternative to the ordinary least squares estimator (OLS) in the presence of multicollinearity. Ridge regression minimizes the mean square residual by introducing a bias constant and produced biased but stable coefficients estimate. The aim of this research is to apply a method introducing by Al-hassan (2010) to obtaine the bias constant in ridge regression that produces smaller bias than method given by Hoerl & Kennad. We apply this method to model the poverty rate in districts/cities in West Java in 2020. The dependent variable (Y) is the proverty rate and the independet variables are (average length of school), (unemployment rate), (gross domestic regional product), (human development index), (number of labor force participation rate). The value of the ridge constant using the Al-hassan (2010) method is 1.377633. The ridge regression model for the standardized variables is with , & that significanly affect the reponse. The regression model based on the original variable is Abstrak. Analisis regresi linier adalah metode statistika yang digunakan untuk membentuk model hubungan antara variabel terikat (dependent atau respon ) dengan satu atau lebih variabel bebas (independent atau prediktor). Apabila variabel prediktor lebih dari satu maka digunakan analisis regresi linier berganda. Ada beberapa asumsi yang harus terpenuhi dalam regresi linier berganda diantaranya asumsi multikolinearitas. Salah satu metode untuk mengatasi masalah multikolinieritas adalah menggunakan metode regresi ridge. Regresi ridge meminimumkan residual dengan menambahkan tetapan bias (k). Namun metode ini masih memiliki kelemahan yaitu masih terdapat bias. Untuk memperbaiki kelemahan tersebut Al-hassan mengajukan metode baru. Metode ini bertujuan untuk memperkecil nilai bias dari suatu penduga dengan cara memodifikasi nilai k. Dalam skripsi ini kami menerapkan metode tersebut untuk memodelkan tingkat kemiskinan di Kabupaten/Kota di Jawa Barat Tahun 2020. Variabel responnya adalah Y (tingkat kemiskinan) dan variabel bebasnya (lama rata-rata sekolah), (tingkat pengangguran terbuka), (produk domestik regional bruto), (indeks pembangunan manusia), (jumlah angkatan kerja). Nilai konstanta ridge menggunakan metode Al-hassan (2010) sebesar Sehingga didapatkan model persamaan ridge yaitu : Dengan variabel baku , dan varibel baku yang signifikan terhadap variabel . Dan model berdasarkan variabel aslinya adalah]]>
<![CDATA[Perkiraan Angka Migrasi Neto Perkelompok Umur Provinsi Bali Tahun 2020 ]]>
<![CDATA[Nima Kasina Auliarahman]]>;
<![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 (105.706 KB)
|
DOI: 10.29313/bcss.v2i2.4315
<![CDATA[Abstract. Population growth is influenced by three demographic components, namely mortality, fertility, and migration. The main motive for population migration is economic factors. The tourism sector in Bali Province is a driving force for the economy. The impact of the development of the tourism sector has increased economic activity in various sectors, including increasing job opportunities in the Province of Bali. The net migration rate, which is the difference between in-migration and out-migration, is another aspect of determining the growth rate of a region. In the ten years since 2010, the population of Bali has increased by 426.65 thousand people or an average of 42.66 thousand per year. In the 2020 Population Census, the population of Bali Province is 4,317,404 million people, the Population Growth Rates (LPP) of the Provinces of Bali and Indonesia are 1.01 percent and 1.25 percent, respectively (Central Bureau of Statistics, 2021). By knowing the population of the Province of Bali, the Population Growth Rate (LPP) of the Provinces of Bali and Indonesia, as well as the Age Specific Net Migration Rate (ASNMR), it can be calculated the number of net migrations, the number of net migrants per age group, and the net migration index in the Province of Bali in 2020. The result is that the number of net migration is 10,362 people, the Age Specific Net Migration Rate (ASNMR) for all age groups produces a negative net migration rate, and produces a negative Net Migration Index (IMN). Abstrak. Pertumbuhan penduduk dipengaruhi oleh tiga komponen demografi, yaitu mortalitas, fertilitas, dan migrasi. Motif utama terjadinya migrasi penduduk adalah faktor ekonomi. Sektor pariwisata di Provinsi Bali merupakan motor penggerak perekonomian. Dampak dari berkembangnya sektor pariwisata, aktivitas ekonomi diberbagai sektor meningkat, termasuk bertambahnya peluang kerja di Provinsi Bali. Tingkat migrasi neto yaitu selisih antara migrasi masuk dengan migrasi keluar merupakan aspek lain dari menentukan laju pertumbuhan suatu daerah. Dalam kurun waktu sepuluh tahun sejak tahun 2010, jumlah penduduk Bali mengalami penambahan sebesar 426,65 ribu jiwa atau rata-rata sebanyak 42,66 ribu per tahun. Pada Sensus Penduduk 2020 jumlah penduduk Provinsi Bali sebesar 4.317.404 juta jiwa, Laju Pertumbuhan Penduduk (LPP) Provinsi Bali dan Indonesia masing-masing sebesar 1,01 persen dan 1,25 persen (Badan Pusat Statistika, 2021). Dengan mengetahui jumlah penduduk Provinsi Bali, Laju Pertumbuhan Penduduk (LPP) Provinsi Bali dan Indonesia, serta Age Specific Net Migration Rate (ASNMR), maka dapat dihitung jumlah migrasi neto, angka migran neto perkelompok umur, dan indeks migrasi neto di Provinsi Bali tahun 2020. Hasilnya didapatkan jumlah migrasi neto sebanyak 10.362 orang, Age Specific Net Migration Rate (ASNMR) seluruh kelompok umur menghasilkan angka migrasi neto yang negatif, dan menghasilkan Indeks Migrasi Neto (IMN) yang negatif.]]>
<![CDATA[Faktor-Faktor yang Memengaruhi Kepuasan Konsumen Pengguna Jasa Transportasi Ojek Online dengan Partial Least Square Path Modeling (PLS - PM) ]]>
<![CDATA[Nuzila Ismatilah]]>;
<![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 (185.506 KB)
|
DOI: 10.29313/bcss.v2i2.4316
<![CDATA[Abstract. One of the new approaches introduced by Herman Wold, is Partial Least Square (PLS) which is often referred to as soft modeling. PLS is a powerful analytical method because it is not based on many assumptions. PLS does not require multivariate normal assumptions, can be used at all measurement scales and the sample size does not have to be large. PLS is used to see the influence and magnitude of the influence of the independent variable (X) on the dependent variable (Y). The variables used are latent variables that cannot be measured directly, except using manifest variables or indicators. In the case of customer satisfaction who does not have a measuring instrument, an indicator is used as a measuring tool. The purpose of this study is to apply the Partial Least Square method to consumer satisfaction using Gojek's Online ojek transportation services. The results of this method as a whole have a significant effect, but there is one variable that does not have an effect, namely reliability, and the variable that can have the greatest influence is empathy. Abstrak. Salah satu pendekatan baru yang diperkenalkan oleh Herman Wold, adalah Partial Least Square (PLS) yang sering disebut sebagai soft modelling. PLS merupakan metode analisis yang powerfull karena tidak didasarkan pada banyak asumsi. PLS tidak memerlukan asumsi normal multivariat, dapat digunakan di semua skala pengukuran dan ukuran sampel tidak harus besar. PLS digunakan untuk melihat pengaruh dan besarnya pengaruh variabel independen (X) terhadap variabel dependen (Y). Variabel yang digunakan merupakan variabel laten yang tidak dapat diukur secara langsung, kecuali menggunakan variabel manifes atau indikator. Dalam hal kepuasan konsumen yang tidak memiliki alat ukur, maka digunakanlah indikator sebagai alat ukurnya. Tujuan dari penelitian ini adalah mengaplikasikan metode Partial Least Square pada kepuasan konsumen pengguna jasa transportasi ojek Online milik Gojek.Penelitian ini menghasilkan keberpengaruhan dan besarnya pengaruh dari variabel tangibles, reliability, responsiveness, assurance dan empathy terhadap kepuasan konsumen pengguna ojek Online milik Gojek. Hasil dari metode ini secara keseluruhan memberikan pengaruh yang signifikan, tetapi ada satu variabel yang tidak memberikan pengaruh yaitu reliability, serta variabel yang dapat memberikan pengaruh paling besar adalah empathy.]]>
<![CDATA[Penerapan Model Fay-Herriot pada Small Area Estimation Studi Pengeluaran Per Kapita Level Kabupaten/Kota Provinsi Jawa Barat 2020 ]]>
<![CDATA[Ghina Hanif Zakiya]]>
<![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 (168.422 KB)
|
DOI: 10.29313/bcss.v2i2.4323
<![CDATA[Abstract. Expenditure per capita is an economic indicator that is widely used as a basic calculation of the level of prosperity and welfare. With regional autonomy, the government needs data up to a small area so that the policies carried out are more targeted. However, in general, BPS (Central Bureau of Statistics) conducts research using the direct method, which has the disadvantage of being difficult to obtain a good estimate and not being able to provide sufficient accuracy when the sample is small. This indirect estimation, known as Small Area Estimation, appears to fix this problem by utilizing data from large domains (census data, susenas) to obtain accurate and precise estimators. Thus, this study aims to compare the results of direct and indirect estimates with Small Area Estimation (SAE) on per capita expenditure data obtained from the 2020 SUSENAS (National Socio-Economic Survey) survey. The model used is the Fay-Herriot model, The estimation method used is the Empirical Based Linear Unbiased Prediction (EBLUP) method. The results of the analysis show that the results of the estimated per capita expenditure with the SAE method produce values that are almost the same as the results of the direct estimate. Furthermore, the RRMSE value estimated by the SAE method has a lower value than the RRMSE value from the direct estimate, meaning that the SAE estimation result provides estimation results with more precise precision Abstrak. Pengeluaran per kapita merupakan indikator ekonomi yang banyak digunakan sebagai perhitungan dasar dari tingkat kemakmuran dan kesejahteraan. Dengan adanya otonomi daerah, maka pemerintah membutuhkan data hingga area kecil agar kebijakan yang dilakukan lebih tepat sasaran. Hanya saja pada umumnya BPS (Badan Pusat Statistik) melakukan penelitian dengan metode langsung, yang memiliki kelemahan sulit memperoleh penaksiran yang baik dan tidak mampu memberikan ketelitian yang cukup bila sampel dalam ukuran kecil. Estimasi tidak langsung yang disebut sebagai Small Area Estimation ini muncul untuk memperbaiki masalah tersebut dengan memanfaatkan data dari domain besar (data sensus, susenas) guna memperoleh penaksir yang dan presisi dan teliti. Sehingga, penelitian ini bertujuan untuk membandingkan hasil estimasi langsung dan estimasi tidak langsung dengan Small Area Estimation (SAE) pada data pengeluaran per kapita yang didapat dari survei SUSENAS (Survei Sosial Ekonomi Nasional) tahun 2020. Dengan model yang digunakan yaitu model Fay-Herriot, metode estimasi yang digunakan yaitu metode Empirical Based Linear Unbiased Prediction (EBLUP). Hasil analisis menunjukkan bahwa hasil dari estimasi pengeluaran per kapita dengan metode SAE menghasilkan nilai yang hampir sama dengan hasil estimasi langsung. Selanjutnya, nilai RRMSE hasil estimasi dengan metode SAE memiliki nilai yang lebih rendah dibandingkan dengan nilai RRMSE hasil estimasi langsung, artinya hasil estimasi SAE memberikan hasil estimasi dengan presisi yang lebih teliti.]]>
<![CDATA[Penerapan Metode Penalized Maximum Likelihood Estimation pada Regresi Multinomial ]]>
<![CDATA[Erviana]]>;
<![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 (108.424 KB)
|
DOI: 10.29313/bcss.v2i2.4353
<![CDATA[Abstract. Multinomial regression models are often used to analyze the relationship between categorical response variables that have more than two categories. Parameter estimation in multinomial logistic regression using the Maximum Likelihood Estimation (MLE) method followed by iteration using the Newton-Raphson method. However, sometimes the Maximum Likelihood Estimation (MLE) method cannot be used because it produces an estimator that does not converge, this is due to data separation. To overcome this problem, the Penalized Maximum Likelihood Estimation (PMLE) approach is used. The PMLE method is the result of modifying the probability score function into a penalty probability score. The data used is the 2012 IDHS data for the province of Aceh using data on the desire to have children, after analyzing the data on the desire to have children there are factors that most influence the desire to have children, namely the number of children who are still alive. Abstrak. Model regresi multinomial sering digunakan untuk menganalisis hubungan antara peubah respon yang bersifat kategorik yang memiliki lebih dari dua kategorik. Penduga parameter pada regresi logistik multinomial menggunakan metode Maximum Likelihood Estimation (MLE) yang dilanjutkan dengan iterasi menggunakan metode Newton-Raphson. Namun, terkadang jika menggunakan metode Maximum Likelihood Estimation (MLE) tidak dapat digunakan karena menghasilkan penduga yang tidak konvergen hal ini disebabkan karena adanya pemisahan pada data. Untuk mengatasi pemasalahan ini maka digunakan pendekatan Penalized Maximum Likelihood Estimation (PMLE). Metode PMLE merupakan hasil modifikasi fungsi skor likelihood menjadi skor penalized likelihood. Data yang digunakan adalah data SDKI tahun 2012 untuk wilayah Provinsi Aceh dengan menggunakan data keinginan memiliki anak, setelah dianalisis pada data keinginan memiliki anak terdapat faktor yang paling mempengaruhi keinginan memiliki anak yaitu jumlah anak hidup.]]>
<![CDATA[Evaluasi Model Exponential Generelized Autoregressive Conditional Heteroscedastic (EGARCH) ]]>
<![CDATA[Novianti Dwi PujiAstuti]]>;
<![CDATA[Suwanda]]>
<![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 (188.46 KB)
|
DOI: 10.29313/bcss.v2i2.4365
<![CDATA[Abstract. In time series data that has a fairly high volatility, it is possible to have an error variance that is not constant (Heteroscedasticity). This is reflected in the square of error that also follows the time series model, for example the autoregressive (AR) model and the expectation of the conditional error square is not constant, the AR model of the square of error is called the Autoregressive Conditional Heteroscedastic (ARCH). The AR model that combines time series data and squared error is called Generalized Autoregressive Conditional Heteroscedastic (GARCH). However, the GARCH model ignores the asymmetric effect on the data. So Nelson (1991) developed the GARCH model to overcome the asymmetric problem with the Exponential GARCH model. The purpose of this study was to determine the symptoms of the EGARCH model and apply the EGARCH model in stock price index data at PT. Bank X in Indonesia. The data used is closing price data for the period January 2019 – December 2021. The results show that the Residual from GARCH(2.0) is used to test the effect of asymmetry. The best model used for forecasting based on the comparison results of MAPE, AIC and SIC values from several other models is the EGARCH(2,1) model. Abstrak. Pada data deret waktu yang memiliki volatilitas cukup tinggi dimungkinkan memiliki varian error menjadi tidak konstan (Heteroskedastisitas). Hal ini tercermin dari kuadrat error yang juga mengikuti model deret waktu, misal model autoregressive (AR) dan ekpektasi kuadrat error bersyarat tidak konstan, model AR dari kuadrat error disebut Autoregressive Conditional Heteroscedastic (ARCH). Model AR yang menggabungkan data deret waktu dan kuadrat error disebut Generalized Autoregressive Conditional Heteroscedastic (GARCH). Namun model GARCH mengabaikan efek asimetris pada data. Sehingga Nelson (1991) mengembangkan model GARCH untuk mengatasi permasalahan asimetris dengan model Exponential GARCH. Tujuan dari penelitian ini adalah untuk mengetahui gejala model EGARCH dan menerapkan model EGARCH pada data indeks harga saham di PT. Bank X di Indonesia. Data yang digunakan merupakan data harga penutupan selama periode Januari 2019 – Desember 2021. Hasilnya menunjukkan bahwa Residual dari GARCH(2,0) dipakai untuk menguji pengaruh asimetri. Model terbaik yang digunakan untuk peramalan berdasarkan hasil perbandingan nilai MAPE, AIC maupun SIC dari beberapa model lainnya ialah model EGARCH(2,1).]]>
<![CDATA[Penerapan Model Vector Autoregressive (VAR) untuk Peramalan Jumlah Kedatangan dan Keberangkatan Penerbangan Domestik di Kota Batam ]]>
<![CDATA[Aminy Aisyah]]>;
<![CDATA[Suwanda]]>
<![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 (253.649 KB)
|
DOI: 10.29313/bcss.v2i2.4456
<![CDATA[Abstract. Batam is one of the cities in Indonesia which is located very close to Singapore and Malaysia. The number of tourists or local residents for vacation or just visiting Batam City is quite high. Especially via domestic flights. From the number of departures and arrivals of domestic flights recorded by airport officials in several periods, it can be analyzed simultaneously using times series vector analysis. From the model obtained, it can be used to estimate the value of the data in the future for later use in planning an institution where the data is obtained. The model used in this study is the Vector Autoregressive (VAR) model. From the results of the analysis, the suitable model is the Vector Autoregressive model, VAR (1) has an AIC value of 40.5892 and the MAPE value for the number of arrivals and the number of departures is 79.04494994 and 80.1093, respectively. This VAR(1) model is used to predict the value of the number of passengers for the next 12 periods. Abstrak. Batam merupakan salah satu kota di Indonesia yang letaknya sangat dekat dengan Singapura dan Malaysia. Banyaknya turis ataupun warga lokal untuk berlibur atau sekedar berkunjung saja ke Kota Batam tercatat cukup tinggi. Terlebih melalui penerbangan domestik. Dari jumlah keberangkatan dan kedatangan penerbangan domestik yang dicatat oleh petugas bandar dalam beberapa periode, dapat dinalisis secara simultan dengan menggunakan analisis vektor times series. Dari model yang diperoleh dapat digunakan untuk memperkirakan nilai data pada waktu yang akan datang untuk kemudian digunakan dalam perencanaan sebuah institusi dimana data tersebut diperoleh. Model yang digunakan dalam penelitian ini adalah model Vector Autoregressive (VAR). Dari hasil analisis diperoleh model yang cocok adalah model Vector Autoregressive adalah VAR (1) mempunyai nilai AIC sebesar 40.5892 dan nilai MAPE untuk jumlah kedatangan dan jumlah keberangkatan masing-masing sebesar 79.04494994 dan 80.1093. Model VAR(1) ini digunakan untuk meramal nilai jumlah penumpang untuk 12 periode ke depan.]]>
<![CDATA[Penerapan Distribusi Log-Gamma pada Data Besar Klaim Asuransi Kendaraan Bermotor ]]>
<![CDATA[Safira Pratiwi]]>;
<![CDATA[Aceng Komarudin Mutaqin]]>
<![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 (136.445 KB)
|
DOI: 10.29313/bcss.v2i2.4463
<![CDATA[Abstract. Insurance is the anticipation of the insurer to minimize risk by transferring the risk to another party or commonly referred to as the insured. Some of the terms in insurance, one of which is, the occurrence of a claim when the insured experiences a risk, the insurer will compensate for the loss in accordance with the agreement contained in the insurance policy. In several previous studies, there are distributions that are applied to big data claims such as the Pareto distribution and the GPD distribution. In this study will use the log-gamma distribution. The log-gamma distribution belongs to a continuous distribution with two parameters . The data used is big data on claims at the insurance company PT ABC in 2015 regarding Partial Loss data for motor vehicle insurance for all categories 7. Based on the results of the application of the log-gamma distribution, it is concluded that the big data for motor vehicle insurance claims category 7 in all regions comes from a population with a log-gamma distribution. Abstrak. Asuransi merupakan antisipasi penanggung untuk meminimalisir risiko dengan memindahkan risiko kepada pihak lain atau biasa dikatakan sebagai tertanggung. Beberapa istilah dalam asuransi salah satunya yaitu klaim, terjadinya klaim ketika tertanggung mengalami risiko maka penanggung akan mengganti kerugian sesuai dengan kesepakatan yang terdapat dalam polis (perjanjian tertulis) asuransi. Dalam beberapa penlitian terdahulu, terdapat distribusi-distribusi yang diterapkan pada data besar klaim seperti, distribusi Pareto dan distribusi GPD. Pada penelitian ini akan menggunakan distribusi log-gamma. Distribusi log-gamma termasuk ke dalam distribusi kontinu dengan dua parameter . Data yang digunakan yaitu data besar klaim pada perusahaan asuransi PT ABC Tahun 2015 mengenai data klaim Partial Loss asuransi kendaraan bermotor untuk semua wilayah kategori 7. Berdasarkan hasil penerapan distribusi log-gamma disimpulkan bahwa data besar klaim asuransi kendaraan bermotor kategori 7 semua wilayah berasal dari populasi yang berdistribusi log-gamma.]]>
<![CDATA[Analisis Faktor-Faktor yang Mempengaruhi Produk Domestik Regional Bruto (PDRB) dan Laju Pertumbuhan Ekonomi (LPE) Kota/Kabupaten di Provinsi Jambi Tahun 2020 dengan Regresi Komponen Utama ]]>
<![CDATA[Daumi Rahmatika]]>;
<![CDATA[Suwanda]]>
<![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 (109.289 KB)
|
DOI: 10.29313/bcss.v2i2.4468
<![CDATA[Abstract. The impact of the existence of strong multicollinearity among the predictor variables is that it can change the sign of the Ordinary Least Square Regression coefficient and or the regression to be insignificant. Principal Component Regression can reduce the effect of this strong multicollinearity, because it works with predictors in the form of main components of independent predictor variables. This study will implement the Principal Component Regression in the estimation of the regression model between the Gross Regional Domestic Product (GRDP) and the City/Regency Economic Growth Rate (LPE) in Jambi Province in 2020 on several factors. The results show that among the predictor variables there are strong multicollinearity symptoms. Estimated according to OLS Regression, both regressions are not significant. Estimation by Principal Component Regression shows that the GRDP regression is significant with a Middle Square error (KTE) of 0.002969 and the sign of the regression coefficient is aligned with the direction of the correlation in the scatter diagram. Factors that have a positive effect on the current year's GRDP, namely 2019 GRDP ( ) in a row are the previous year's GRDP, namely 2018 GRDP ( ), Capital Expenditures , and the Special Allocation Fund . Meanwhile, those that give negative weights in absolute terms are Regional Original Income , Average Years of Schooling , Number of Workers , and General Allocation Funds . Abstrak. Dampak dari adanya multikolineritas kuat diantara variabel prediktor adalah bisa mengubah tanda koefisien regresi ordinary least square dan atau regresi menjadi tidak signifikan. Regresi komponen utama dapat mereduksi pengaruh multikolieritas kuat tersebut, karena bekerja dengan predictor yang berupa komponen-komponen utama dari variabel prediktor yang saling independen. Penelitian ini akan mengimplementasikan Regresi Komponen Utama pada penaksiran model regresi antara Produk Domestik Regional Bruto (PDRB) dan Laju Pertumbuhan Ekonomi (LPE) Kota/Kabupaten di Provinsi Jambi tahun 2020 atas beberapa faktor. Hasil menunjukkan bahwa diantara variable prediktor terdapat gejala multikolinieritas yang kuat. Penaksiran menurut Regresi OLS, kedua regresi tidak signifikan. Penaksiran menurut Regresi Komponen Utama menunjukkan bahwa regresi PDRB signifikan dengan Kuadrat Tengah error (KTE) 0,002969 dan tanda koefisien regresi yang selaras dengan arah korelasi pada diagram pencaran. Faktor yang berpengaruh positif pada PDRB tahun berjalan yaitu PDRB 2019 ( ) berturut-turut adalah PDRB tahun sebelumnya yaitu PDRB tahun 2018 ( ), Belanja Modal , dan Dana Alokasi Khusus . Sedangkan yang memberi bobot negatif secara absolut berturut-turut adalah Pendapatan Asli Daerah , Rata-Rata Lama Sekolah , Jumlah Tenaga Kerja , dan Dana Alokasi Umum .]]>
