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[Metode Regresi Data Panel untuk Meramalkan Penjualan Energi di Indonesia ]]>
<![CDATA[Nadia Ratu Filgrima]]>;
<![CDATA[Anneke Iswani Achmad]]>
<![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 (130.295 KB)
|
DOI: 10.29313/bcss.v2i2.4739
<![CDATA[Abstract. Panel data is a combination of two elements, namely time-series and cross-section data. The panel data regression method aims to form a regression model that can model the effect of the independent variable on the dependent variable in several sectors observed during a certain time period of the study. Energy is one of the main needs in the survival of households and the economy in Indonesia. This study uses data on energy sold, connected power and the average electricity tariff in Indonesia in 2012-2020 which is used to analyze: Forecasting Energy Sales in Indonesia Using the Panel Data Regression Method. By using panel data and forecasting, the data used as the dependent variable (Y) is energy sold, connected power as independent variable 1 (X1) and Average Electricity Tariff as independent variable 2 (X2). In estimating the panel data regression method model, there are 3 estimates, namely: Common Effect Model, Fixed Effect Model and Random Effect Model which will later be selected as the best model, for that the results of selecting the best panel data regression model will be used to predict the dependent variable in each sector involved. observed. In this case, after the research, the best model is the Random Effect Model using the Least Square Dummy Variable (LSDV) method with the following model: Yit = 26773.16 + 1.209608X1it – 0.488954X2it – 2,551,113D1 + 11,226,73D2 – 16,173,98D3 + 7,498,361D4 – 287.8219D5 - 113.0493D6 + 12,06496D7 – 92.71225D8 + 93,255D73123,165289 93. + eit Abstrak. Data panel merupakan data gabungan antara dua unsur, yaitu data time-series dan cross-section. Metode regresi data panel bertujuan untuk membentuk suatu model regresi yang dapat memodelkan pengaruh variabel independen terhadap variabel dependen dalam beberapa sektor yang diamati selama periode waktu tertentu. Energi merupakan kebutuhan utama dalam keberlangsungan hidup rumah tangga maupun perekonomian di Indonesia. Penelitian ini menggunakan data energi terjual, daya tersambung dan tarif listrik rata-rata di Indonesia pada tahun 2012-2020 yang digunakan untuk menganalisis : Peramalan Penjualan Energi di Indonesia Menggunakan Metode Regresi Data Panel. Dengan menggunakan data panel dan peramalan, data yang digunakan sebagai variabel dependen (Y) adalah energi terjual, Daya tersambung sebagai variabel independen ke-1 (X1) dan Tarif Listrik Rata-rata sebagai variable independen ke-2 (X2). Dalam mengesitimasi model metode regresi data panel memiliki 3 estimasi yaitu : Common Effect Model, Fixed Effect Model dan Random Effect Model yang nantinya akan dipilih sebagai model terbaik, untuk itu hasil pemilihan model regresi data panel terbaik akan digunakan untuk peramalan variabel dependen pada setiap sektor yang diamati. Dalam hal ini setelah melakukan penelitian didapatkan model terbaik yaitu Random Effect Model menggunakan metode Least Square Dummy Variable (LSDV) dengan model berikut : Yit = 26773,16 + 1,209608X1it – 0,488954X2it – 2.551,113D1 + 11.226,73D2 – 16.173,98D3 + 7.498,361D4 – 287,8219D5 - 113,0493D6 + 12,06496D7 – 92,71225D8 + 93,72331D9 + 74,16528D10 + 170,3255D11 + 277,3613D12 – 134,0569D13 + eit]]>
<![CDATA[Pendugaan Rata-rata Pengeluaran Per Kapita Menurut Kabupaten/Kota di Provinsi Jawa Barat Melalui Empirical Best Linear Unbiased Prediction dalam Pendugaan Area Kecil ]]>
<![CDATA[Akmal Hafis Hakim]]>;
<![CDATA[Nusar Hajarisman]]>
<![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 (204.432 KB)
|
DOI: 10.29313/bcss.v2i2.4747
<![CDATA[Abstract. The SAE (Small Area Estimation) method is widely used and used by many parties, one of which is BPS (Central Statistics Agency) some examples of data presentation expenditures such as poverty/social development/economic development, one of which is Per Capita Expenditure. The amount of per capita income can describe the welfare of a society. However, accurate income data is difficult to obtain, so that in the Susenas activity this data is approached through per capita expenditure. SAE (Small Area Estimation) is a statistical technique used to estimate the parameters of a subpopulation with a small sample size. Therefore, the purpose of this study is to obtain parameter estimates and apply the SAE (Small Area Estimation) model to the EBLUP (Empirical Best Linear Unbiased Prediction) method. The research method used in processing this research is using the EBLUP (Empirical Best Linear Unbiased Prediction) method which includes parameter estimation methods using REML (Restricted Maximum Likelihood) and GLS (Generalized Least Square) by comparing the MSE (Mean Square Error) value. smallest. The results show that Per Capita Expenditures in West Java Province with the help of additional information using accompanying variables that have a correlation that using the Empirical Best Linear Unbiased Prediction (EBLUP) method has better results when compared to using a direct estimator. Abstrak. Metode SAE (Small Area Estimation) banyak dipakai dan digunakan oleh banyak pihak salah satunya adalah BPS (Badan Pusat Statistik) beberapa contoh pengeluaran penyajian data seperti kemiskinan/pembangunan sosial/pembangunan ekonomi salah satunya adalah Pengeluaran Per Kapita. Besarnya pendapatan perkapita dapat menggambarkan kesejahteraan suatu masyarakat. Namun data pendapatan yang akurat sulit diperoleh, sehingga dalam kegiatan susenas data ini didekati melalui pengeluaran perkapita. SAE (Small Area Estimation) merupakan suatu teknik statistika yang digunakan untuk menduga parameter-parameter subpopulasi dengan ukuran sampel kecil (1). Oleh karena itu tujuan penelitian ini adalah untuk memperoleh estimasi parameter serta mengaplikasikan model SAE (Small Area Estimation) ke dalam metode EBLUP (Empirical Best Linear Unbiased Prediction). Metode penelitian yang digunakan dalam melakukan pengolahan penelitian ini dengan menggunakan metode EBLUP (Empirical Best Linear Unbiased Prediction) yang diantaranya terdapat metode pendugaan parameter dengan menggunakan REML (Restricted Maximum Likelihood) dan GLS (Generalized Least Square) dengan membandingkan nilai MSE (Mean Square Eror) terkecil. Hasil menunjukkan bahwa Pengeluaran Per Kapita di Provinsi Jawa Barat dengan bantuan informasi tambahan dengan menggunakan variabel penyerta yang memiliki korelasi bahwa dengan menggunakan metode Empirical Best Linear Unbiased Prediction (EBLUP) memiliki hasil yang lebih baik jika dibandingkan dengan menggunakan penduga langsung.]]>
<![CDATA[Analisis Procrustes terhadap Perubahan Faktor-Faktor Penyebab Kemiskinan di Provinsi Jawa Barat Tahun 2017 dan 2019 ]]>
<![CDATA[Fanny Irfina]]>;
<![CDATA[Lisnur Wachidah]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (156.908 KB)
|
DOI: 10.29313/bcss.v2i2.4759
<![CDATA[Abstract. Comparative test is a method in statistics that is used to test the difference between groups of data with one variable. In fact, the data that we observe is more than one variable. Therefore, to test the differences between groups of data with more than one variable in statistics, it can be done using Procrustes analysis. Procrustes analysis is a statistical analysis that aims to compare between two points in a numerical measure that have the same n units of observation. The Procrustes point configuration can be obtained using various analytical techniques, for example biplot analysis. Biplot analysis aims to summarize information from a large matrix with variables into many two-dimensional graphs based on Singular Value Decomposition. In this thesis, we will discuss biplot analysis and Procrustes analysis of the factors that cause poverty in 27 cities/districts in West Java province in 2017 and 2019. Data for 2017 is the year before the election and 2019 is the year after the election. The data used are the factors causing poverty including the high school enrollment rate, the percentage of the population who have health complaints, the percentage of the population, labor force participation and the distribution of the proportion of GRDP. Based on the research conducted, the value (R2) was 99.86%, which means that there was no change in the factors causing poverty in 2017 and 2019. Abstrak. Uji komparatif merupakan sebuah metode di dalam ilmu statistika yang digunakan untuk menguji perbedaan kelompok data dengan satu variabel. Pada kenyataannya, data yang kita amati lebih dari satu variabel. Maka dari itu untuk menguji perbedaan antar kelompok data dengan variabel lebih dari satu di dalam statistika dapat dilakukan menggunakan analisis Procrustes. Analisis Procrustes yaitu analisis statistika yang bertujuan untuk membandingkan kesesuaian antara dua konfigurasi titik dalam ukuran numerik yang memiliki n unit pengamatan yang sama. Konfigurasi titik Procrustes dapat diperoleh dengan menggunakan berbagai teknik analisis, misalnya analisis biplot. Analisis biplot bertujuan meringkas informasi dari suatu matriks yang besar dengan variabel yang banyak menjadi grafik berdimensi dua yang didasarkan pada Singular Value Decomposition. Dalam skripsi ini akan dibahas mengenai analisis biplot dan analisis Procrustes terhadap faktor-faktor penyebab kemiskinan 27 kota/kabupaten di provinisi Jawa Barat tahun 2017 dan 2019. Data tahun 2017 merupakan tahun sebelum pilkada dan tahun 2019 merupakan tahun setelah pilkada. Data yang digunakannya yaitu faktor-faktor penyebab kemiskinan meliputi angka partisipasi sekolah tingkat SMA, persentase penduduk yang memiliki keluhan kesehatan, peresentase penduduk, tingkat partisipasi angkatan kerja dan distribusi persentase PDRB. Berdasarkan penelitian yang dilakukan diperoleh ukuran kemiripan (R2) sebesar 99,86% yang artinya tidak ada perubahan faktor-faktor penyebab kemiskinan pada tahun 2017 dan 2019.]]>
<![CDATA[Penerapan Small Area Estimation dengan Metode Empirical Bayes dalam Menduga Risiko Relatif Penyebaran TBC di Kabupaten Karawang Tahun 2021 ]]>
<![CDATA[Siti Nur Rohmah]]>;
<![CDATA[Nusar Hajarisman]]>
<![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 (260.788 KB)
|
DOI: 10.29313/bcss.v2i2.4765
<![CDATA[Abstract. Small Area Estimation (SAE) is a statistical technique used to estimate subpopulation parameters (areas) with a small sample size. In Small Area Estimation there are methods for processing cacahan data, namely Empirical Bayes and Bayes hierarchical. This study used the Bayes empirical method with the Poisson-Gamma model in estimating the risk of TB disease in Karawang Regency. The purpose of this study is to apply the Bayes empirical method based on the Poisson-Gamma model to estimate the relative risk of TB disease in Karawang Regency and compare the results of direct estimators and bayes empirical estimators through the Mean Square Error (MSE) value. The results showed that by comparing the MSE values of the direct estimator of the standardized mortality ratio and the empirical estimator of Bayes, it was concluded that the Bayes empirical method did not provide better results than direct estimators. Although Bayes empirical estimators have a fairly good accuracy rate with an average MSE value of 0.0232, the MSE value is greater when compared to the direct estimator MSE average of 0.0059. Abstrak. Small Area Estimation (SAE) atau pendugaan area kecil merupakan teknik statistika yang digunakan untuk menduga parameter subpopulasi (area) dengan ukuran sampel kecil. Dalam Small Area Estimation terdapat metode untuk mengolah data cacahan, yaitu Empirical Bayes dan hierarchical Bayes. Penelitian ini menggunakan metode Empirical Bayes dengan model Poisson-Gamma dalam menduga risiko penyakit TBC di Kabupaten Karawang. Tujuan penelitian ini adalah menerapkan metode Empirical Bayes berbasis model Poisson-Gamma untuk menduga risiko relatif penyakit TBC di Kabupaten Karawang serta membandingkan hasil penduga langsung dan penduga Empirical Bayes melalui nilai Mean Square Error (MSE). Hasil penelitian menunjukkan dengan membandingkan nilai MSE penduga langsung standardized mortality ratio dan penduga Empirical Bayes disimpulkan bahwa metode Empirical Bayes tidak memberikan hasil yang lebih baik dibandingkan penduga langsung. Meskipun penduga Empirical Bayes memiliki tingkat keakuratan yang cukup baik dengan rata-rata nilai MSE sebesar 0.0232, tetapi nilai MSE tersebut lebih besar jika dibandingkan dengan rata-rata MSE penduga langsung sebesar 0.0059.]]>
<![CDATA[Geographically Weighted Poisson Regression dengan Fungsi Pembobot Kernel Gaussian untuk Pemodelan Jumlah Kematian Bayi di Jawa Barat pada Tahun 2019 ]]>
<![CDATA[Mestika Meytiara]]>;
<![CDATA[Anneke Iswani Achmad]]>
<![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 (136.125 KB)
|
DOI: 10.29313/bcss.v2i2.4769
<![CDATA[Abstract. Regression analysis is a statistical analysis that aims to model the relationship between independent variables with dependent variables. If the independent variable is Poisson-distributed then the regression model used is Poisson regression. Geographically Weighted Poisson Regression (GWPR) is a local form of Poisson regression where the location of data collection is considered. In this study, Geographically Weighted Poisson Regression (GWPR) will be used to model the number of infant mortality in West Java in 2019 using the Gaussian kernel weighting function. This study aims to obtain a model of the number of infant mortality in West Java Province in 2019 and find out what factors affect the number of infant mortality in West Java Province in 2019. Based on the value of Akaike's Information Criterion (AIC), it is known that the GWPR model with the Gaussian kernel weighting function is more accurate than the Poisson regression model because it has the smallest AIC value. Abstrak. Analisis regresi adalah suatu analisis statistik yang bertujuan untuk memodelkan hubungan antara variabel bebas dengan variabel terikat. Apabila variabel bebas berdistribusi Poisson maka model regresi yang digunakan adalah regresi Poisson. Geographically Weighted Poisson Regression (GWPR) merupakan bentuk lokal dari regresi Poisson dimana lokasi pengambilan data sangat diperhatikan. Dalam penelitian ini akan digunakan Geographically Weighted Poisson Regression (GWPR) untuk memodelkan jumlah kematian bayi di Jawa Barat pada tahun 2019 dengan menggunakan fungsi pembobot kernel Gaussian. Penelitian ini bertujuan untuk mendapatkan model jumlah kematian bayi di Provinsi Jawa Barat pada tahun 2019 serta mengetahui faktor-faktor apa saja yang mempengaruhi jumlah kematian bayi di Provinsi Jawa Barat pada tahun 2019. Berdasarkan nilai Akaike’s Information Criterion (AIC), diketahui bahwa model GWPR dengan fungsi pembobot kernel Gaussian lebih akurat dibandingkan model regresi Poisson karena memiliki nilai AIC terkecil.]]>
<![CDATA[Peramalan Produksi Mobil Menggunakan Metode Double Exponential Smoothing dengan Algoritma Golden Section ]]>
<![CDATA[Muhammad Iqbal Wiladibrata]]>;
<![CDATA[Nur Azizah Komara Rifai]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (161.326 KB)
|
DOI: 10.29313/bcss.v2i2.4776
<![CDATA[Abstract. Forecasting analysis is the process of estimating a situation in the future based on past data. The exponential smoothing method is a forecasting method that assigns a smoothing value by an exponential function to a series of previous observed values. Research data in the form of secondary data obtained from the Association of Indonesian Automotive Industries (GAIKINDO) in the form of Toyota Avanza car production data for April 2020-April 2022. In this study, the double exponential smoothing method will be used because the data pattern used has a trend tendency. In the double exponential smoothing method, two smoothing parameters are needed, namely the parameter which is used to calculate the constant value of the forecasting model and the parameter which is used to calculate the trend coefficient of the forecasting model. In this study, the golden section algorithm is used to optimize the parameters of the double exponential smoothing method. The purpose of this study is to apply the double exponential smoothing method with the golden section algorithm to predict the production of the Toyota Avanza in May 2022. The results of the study state that the combination of parameters and which produces the minimum Sum of Squares Error (SSE) value in the golden section algorithm is at the parameter value =0.618034 and parameter =0.381966 which produces a forecasting model F_(t+m)=15259.525596+1002.881415(m) with a Sum of Squares Error (SSE) value of 140294878 and an Absolute Mean Percentage Error (MAPE) is 46.67%. The results of forecasting the Toyota Avanza in May 2022 were 16262.41 or 16263 units of the Toyota Avanza. Abstrak. Analisis peramalan adalah proses memperkirakan suatu keadaan di masa mendatang berdasarkan data-data masa lampau. Metode exponential smoothing adalah suatu metode peramalan yang memberi nilai pemulusan oleh sebuah fungsi eksponensial pada serangkaian nilai pengamatan sebelumnya. Data penelitian berupa data sekunder yang diperoleh dari Gabungan Industri Kendaraan Bermotor Indonesia (GAIKINDO) berupa data produksi mobil Toyota Avanza bulan April 2020-April 2022. Pada penelitian ini akan digunakan metode double exponential smoothing karena pola data yang digunakan memiliki kecenderungan trend. Pada metode double exponential smoothing dibutuhkan dua parameter pemulusan berupa parameter α yang digunakan untuk menghitung nilai konstanta model peramalan dan parameter γ yang digunakan untuk menghitung koefisien trend model peramalan. Dalam penelitian ini digunakan algoritma golden section untuk mengoptimumkan parameter pada metode double exponential smoothing. Tujuan dari penelitian ini adalah menerapkan metode double exponential smoothing dengan algoritma golden section untuk meramalkan produksi mobil Toyota Avanza pada bulan Mei 2022. Hasil penelitian menyatakan bahwa kombinasi parameter α dan γ yang menghasilkan nilai Sum of Squares Error (SSE) minimum pada algoritma golden section berada pada nilai parameter α=0,618034 dan parameter γ=0,381966 yang menghasilkan model peramalan F_(t+m)=15259,525596+1002,881415(m) dengan nilai Sum of Squares Error (SSE) sebesar 140294878 dan Mean Absolute Percentage Error (MAPE) sebesar 46,67%. Hasil peramalan mobil Toyota Avanza pada bulan Mei 2022 sebesar 16262,41 atau 16263 unit mobil Toyota Avanza.]]>
<![CDATA[Estimasi Tabel Kematian untuk Penduduk Perempuan di Provinsi Banten dengan Metode Intersurvei Kohor Hipotesis Menggunakan Tabel Coale-Demeny ]]>
<![CDATA[Alna Septiani Noer Ismaila]]>;
<![CDATA[Yayat Karyana]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i1.5300
<![CDATA[Abstract. One indicator that affects the welfare of the population is the death rate which is part of the demographic factor. If an area has a high infant mortality rate, then the welfare of the population in that area is low, conversely if infant mortality is low, the population's welfare tends to improve. This study aims to apply the Hypothesis Cohort Intersurvey method to estimate the mortality rate and then continue by modeling the table with the Western Coale-Demeny model table to get the life expectancy value. The data used comes from SP2010 and SUPAS2015. Based on the study's results, the estimated mortality table is relatively low, stating that the population's welfare in Banten Province is quite good. Meanwhile, for AHH (Life Expectancy) in this study, 69.54 years were obtained, which means that a person's life expectancy can be up to 70 years old. Keywords: Mortality, Hypothesized Cohort Intersurvey Method, Mortality Table, Western model Coale-Demeny Table. Abstrak. Salah satu indikator yang mempengaruhi kesejahteraan penduduk adalah level kematian yang menjadi bagian dari faktor demografi, dalam hal ini tingkat kematian menjadi salah satu hal yang berpengaruh. Apabila suatu wilayah memiliki tingkat kematian bayi yang terbilang tinggi, maka kesejahteraan penduduk pada wilayah tersebut terbilang rendah. Sebaliknya apabila kematian bayi rendah, maka kesejahteraan penduduk cenderung lebih baik. Tujuan penelitian ini adalah mengaplikasikan metode Intersurvei Kohor Hipotesis untuk mengestimasi tingkat kematian kemudian dilanjutkan dengan memodelkan tabel dengan tabel Coale-Demeny model Barat untuk mendapatkan nilai harapan hidup. Data yang digunakan berasal dari SP2010 dan SUPAS2015. Berdasarkan hasil penelitian diperoleh estimasi tabel kematian yang terbilang cukup rendah dan dapat dikatakan jika kesejahteraan penduduk di Provinsi Banten terbilang cukup baik. Sementara itu, untuk AHH (Angka Harapan Hidup) dalam penelitian ini didapatkan 69,54 tahun yang berarti harapan hidup seseorang bisa sampai umur 70 tahun. Kata Kunci: Mortalitas, Metode Intersurvei Kohor Hipotesis, Tabel Kematian, Tabel Coale-Demeny model Barat]]>
<![CDATA[Pemodelan Fungsi Transfer Multivariat untuk Meramalkan Produksi Padi di Sumatera Barat ]]>
<![CDATA[Kuntum Khairatunnisa]]>;
<![CDATA[Anneke Iswani Achmad]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i1.5461
<![CDATA[Abstract. Forecasting is a way to predict future events using past and present data. One of the models in forecasting is the transfer function model. The Transfer Function Model is a combination of the characteristics of multiple regression analysis with the characteristics of the time series ARIMA (Autoregressive Integrated Moving Average). In the transfer function model there is an output series (yt) which will be affected by the input series (xt) and the other inputs are combined in one group called the noise or noise series (nt). In this study the objects applied to the multivariate transfer function model are rice production (Y) as the output series, harvested area (X1) and rainfall (X2) as the input series. The data used is from January 2010 to December 2020. The purpose of this study is to find out the model and forecast results for rice production in West Sumatra from January 2021 to December 2022 with a multivariate transfer function model. In this study, a multivariate transfer function model was obtained to predict rice production in West Sumatra Yt=-0,83048Yt-1+(6,02681) X1,t-(-0,83048)(6,02681) X2,t-1+0,0079647X2,t-4-(-0,83048)(0,0079647) X2,t-5-(-0,74556)at-1+ et and the highest forecasting results in 2021, namely February of 266,909 tons of dry milled grain (GKG) and the lowest, namely in May, of 266,408 tons of dry milled grain (GKG) while for 2022 the highest production is in January of 266,560 tons of GKG and the lowest was in March with 266.539 tons of GKG. Keywords: Forecasting, ARIMA, Multivariate Transfer Function, Rice Production. Abstrak. Peramalan adalah cara untuk memprediksi kejadian masa depan dengan menggunakan data masa lalu dan sekarang. Salah satu model dalam peramalan adalah model fungsi transfer. Model Fungsi Transfer merupakan gabungan dari karakteristik analisis regrsi berganda dengan karakteristik deret berkala ARIMA (Autoregressive Integrated Moving Average). Pada model fungsi transfer terdapat deret output (yt) yang akan dipengaruhi oleh deret input (xt) dan input-input lainnya digabungkan dalam satu kelompok yang disebut deret gangguan atau noise (nt). Pada penelitian ini objek yang diterapkan pada model fungsi transfer multivariat yaitu produksi padi (Y) sebagai deret output , luas panen (X1) dan curah hujan (X2) sebagai deret inputnya. Dengan data yang digunakan yaitu dari Januari 2010 sampai Desember 2020. Tujuan dari penelitian ini untuk mengetahui model dan hasil ramalan produksi padi di Sumatera Barat dari Januari 2021 sampai dengan Desember 2022 dengan model fungsi transfer multivariat. Dalam penelitian ini diperoleh model fungsi transfer multivariat untuk meramalkan produksi padi di Sumatera Barat adalah Yt=-0,83048Yt-1+(6,02681) X1,t-(-0,83048)(6,02681) X2,t-1+0,0079647X2,t-4-(-0,83048)(0,0079647) X2,t-5-(-0,74556)at-1+ et dan hasil peramalan tertinggi pada tahun 2021 yaitu bulan Februari sebesar 266,909 ton Gabah Kering Giling (GKG) dan terendah yaitu pada bulan Mei yaitu sebesar 266,408 ton Gabah Kering Giling (GKG) sedangkan untuk tahun 2022 produksi tertinggi yaitu pada bulan Januari sebesar 266,560 ton GKG dan terendah yaitu bulan Maret sebesar 266,539 ton GKG. Kata Kunci: Peramalan, ARIMA, Fungsi Transfer Multivariat, Produksi padi.]]>
<![CDATA[Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel ]]>
<![CDATA[Allyaa Putri Asti]]>;
<![CDATA[Sutawanir Darwis]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i1.5471
<![CDATA[Abstract. Various factors can cause bearing damage, this is a major problem because it can cause substansial losses and affect production schedules. It is recommended to control bearing damage in order to provide early information about the damage. The method used in this paper is Hotelling T2 through Kernel Principal Component Analysis (KPCA). The principal component of kernel used to construct Hotelling T2 statistics in order to obtain T2 statistical values for detection bearing damage. The purpose of this paper is to apply KPCA as a statistic to use normal and damaged bearing. Data from NASA Bearing Dataset that contains normal bearing and damage bearing. Data divided into 1153 data for training and 323 data for testing. In this paper, 8 features are used as input for KPCA, reduced to 6 kernel principal component. Training data can obtained eigenvalue as input Hotelling T2, testing is used to detect bearings condition. Bearings are detected to damaged when T2 > 12.6939 with a significance level of 5%, from 323 training data 294 observations detected as damaged bearings and 29 observations detected as normal bearings. After conducting research, KPCA method can use to detect bearing damage. Abstrak. Berbagai faktor dapat menyebabkan kerusakan bearing, hal ini merupakan masalah utama karena dapat menyebabkan kerugian cukup besar dan mempengaruhi jadwal produksi. Dianjurkan mengontrol kerusakan bearing agar dapat memberikan informasi awal kerusakan bearing. Metode digunakan dalam penelitian Hotelling T2 melalui komponen utama kernel. Komponen utama kernel digunakan untuk mengkontruksi statistik Hotelling T2 sehingga diperoleh nilai statistik T2 untuk deteksi kerusakan bearing. Tujuan penelitian adalah menerapkan komponen utama kernel sebagai statistik untuk menggunakan Hotelling T2 bearing normal dan bearing rusak. Data sekunder NASA Bearing Dataset berisikan data bearing normal serta data bearing rusak. Proses deteksi bearing melalui komponen utama kernel dibagi menjadi data training sebanyak 1153 data sedangkan data testing sebanyak 323 data. Berdasarkan hasil penelitian, 8 fitur dijadikan sebagai input komponen utama kernel, direduksi menjadi enam komponen utama kernel. Menggunakan data training diperoleh nilai eigen sebagai input Hotelling T2, data testing digunakan untuk mendeteksi kondisi bearing. Bearing terdeteksi rusak ketika statistik T2 > 12.6939. Dengan taraf signifikansi 5 %, didapatkan sebanyak 294 data pengamatan dari 323 terdeteksi merupakan bearing rusak sedangkan sisanya 29 data pengamatan terdeteksi merupakan bearing normal. Setelah dilakukan penelitian metode komponen utama kernel layak digunakan untuk mendeteksi kerusakan bearing.]]>
<![CDATA[Diagram Kendali X Exponentially Weighted Moving Average yang Meminimalkan Median Run Length pada Data Panjang Pewarna Plastik ]]>
<![CDATA[Shania Wilda Fitris]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/bcss.v3i1.5513
<![CDATA[Abstract. The main purpose of statistical quality control is to quickly investigate whether special causes or process shifts has occurred so that an investigation of the process and corrective action can be taken. One of the tools for statistical quality control is the control chart. The tool that can be used to measure the performance of the control chart is the average run length (ARL). The disadvantage is that the run length distribution is skewed when the process is in control or slightly out of control, thus ARL’s interpretation of the performance of the control chart is less meaningful. You et al. (2016) introduced EWMA control chart based on the median run length (MRL), that is the Xbar EWMA control chart that minimizes the median run length (MRL) and expected median run length (EMRL). This method is more informative and reliable and is not affected by the slope of the run length distribution compared to ARL. In this study we applied the method to the the plastic colorant length data of Company X. From the research conducted, it was concluded that plastic colorant length data of Company X was statistically in control both in phase-I and phase-II data. Abstrak. Tujuan utama dari pengendalian kualitas statistik yaitu menyelidiki dengan cepat apakah terjadi penyebab khusus atau pergeseran proses sedemikian sehingga penyelidikan terhadap proses tersebut dan tindakan perbaikan dapat dilakukan. Salah satu alat untuk pengendalian kualitas statistik yaitu diagram kendali. Alat yang bisa digunakan untuk melihat kinerja diagram kendali adalah average run length (ARL). Kelemahannya adalah distribusi run length miring ketika proses in control atau sedikit out of control, sehingga interpretasi ARL mengenai kinerja dari diagram kendali kurang berarti. Maka You dkk. (2016) memperkenalkan alternatif dari penggunaan diagram kendali EWMA berdasarkan median run length (MRL), yaitu mengunakan diagram kendali Xbar EWMA yang meminimalkan median run length (MRL) dan expected median run length (EMRL), karena metode ini lebih informatif dan reliabel serta tidak dipengaruhi oleh kemiringan distribusi run length dibandingkan menggunakan ARL. Dalam penelitian ini kami menerapkan metode tersebut terhadap data panjang pewarna plastik Perusahaan X. Dari penelitian yang dilakukan disimpulkan bahwa data panjang pewarna plastik Perusahaan X terkendali secara statistik baik pada data fase-I maupun data fase-II.]]>
