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[Visualisasi Prediksi Remaining Useful Life Bearing Menggunakan Regresi Bayesian ]]>
<![CDATA[Marcelia Mutiarani]]>;
<![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.v3i1.6134
<![CDATA[Abstract. Bearing element are prone to failure, which can cause economic losses and even fatalities. Prediction of the remaining age is utilized to see conditions that may occur in order to avoid dissatisfaction. The Bayesian method is a method for estimating parameter distributions that have high accuracy. This thesis aims to apply the estimated parameters of the least squares method and Bayesian regression model to predict Remaining Useful Life (RUL) bearings. The bearing index degradation was obtained using principal components through a dimension reduction process. Time domain features are reduced from the corresponding vibration signals to construct Health Indicators (HI). Bayesian regression index degradation was used to predict RUL. The data used is secondary data on accelerated degradation related to China's XJTU-SY. RUL prediction results were acquired at tp of 60 minutes. For the horizontal direction on the standard deviation feature, RUL prediction values were obtained with KT of 54 minutes and Bayesian of 11 minutes, while for the kurtosis factor feature, RUL prediction values were earned with KT of 46 minutes and Bayesian of 40 minutes. For the vertical direction, the peak value feature with KT is 57 minutes, and Bayesian is 28 minutes. The RUL graph shows that the prediction line has an up or down trend, indicating that predictions using KT bearing degradation are slower than those utilizing Bayesian. It can be concluded that Bayesian predictions are more accurate than KT because, using Bayesian RUL value predictions, the bearing degradation is smaller, meaning that bearing degradation can be predicted more quickly. Maintenance can be carried out immediately to reduce maintenance costs. Abstrak. Elemen bearing rentan terhadap kegagalan yang dapat menyebabkan kerugian secara ekonomi bahkan korban jiwa. Prediksi sisa usia digunakan untuk melihat kondisi kelayakan bearing guna menghindari terjadinya kegagalan. Metode Bayesian merupakan metode untuk mengestimasi parameter distribusi yang memiliki akurasi yang tinggi. Skripsi ini bertujuan untuk menerapkan estimasi parameter model regresi metode kuadrat terkecil dan Bayesian pada prediksi Remaining Useful Life (RUL) bearing. Indeks degradasi bearing diperoleh melalui proses reduksi dimensi menggunakan komponen utama. Fitur domain waktu di reduksi dari sinyal vibrasi bearing untuk membangun Health Indicator (HI). Regresi Bayesian indeks degradasi digunakan untuk memprediksi RUL. Data yang digunakan merupakan data sekunder akselerasi degradasi bearing XJTU-SY China. Didapatkan hasil prediksi RUL pada tp sebesar 60 menit, untuk arah horizontal pada fitur standar deviasi didapatkan nilai prediksi RUL dengan KT sebesar 54 menit dan Bayesian sebesar 11 menit sedangkan pada fitur faktor kurtosis didapatkan nilai prediksi RUL dengan KT sebesar 46 menit dan Bayesian sebesar 40 menit. Untuk arah vertikal pada fitur nilai puncak dengan KT sebesar 57 menit dan Bayesian sebesar 28 menit. Dilihat dari grafik RUL garis prediksi memiliki trend naik atau turun yang menunjukkan prediksi menggunakan KT degradasi bearing lebih lambat daripada menggunakan Bayesian. Dapat disimpulkan bahwa prediksi menggunakan Bayesian lebih akurat daripada KT karena menggunakan Bayesian nilai prediksi RUL degradasi bearing lebih kecil, artinya degradasi bearing dapat diprediksi lebih cepat dan dapat segera dilakukan perawatan untuk mereduksi biaya perawatan.]]>
<![CDATA[Multivariate Statistical Process Control untuk Mendeteksi Kerusakan Bearing ]]>
<![CDATA[Hani Nurhapilah]]>;
<![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.v3i1.6323
<![CDATA[Abstract. Multivariate Statistical Process Control is intended to see the stability of a production process so that it becomes effective. This method was developed to detect bearing damage through the T2 Hotelling control chart. Out-of-control is used as a tool to detect bearing condition. The machine is a unit of various interrelated components, resulting in a series of movements. Bearings are important machine components, supporting the shaft to rotate without experiencing excessive friction. Bearing damage detection is important to ensure optimal performance in an industry. The data used is secondary data from the results of bearing vibration experimental tests from the FEMTO-ST Institute. The vibration data used consists of seven bearings with various conditions, each of which consists of two directions, namely horizontal and vertical. Then, the variance features and RMS bearing1_2 and bearing1_4 are taken for data processing. Furthermore, the data is divided into two phases, namely phase-I which is assumed to be the bearing under normal conditions and phase-II which is assumed to be the bearing to be tested. After that, the calculation of the upper control limit (UCL) is carried out in phase-I, and is used in phase-II to detect bearing conditions. The results of tests carried out in phase-II show that there are points that are out-of-control so that it can be said that there are abnormalities in the bearings which may indicate that there are bearings that are abnormal but not necessarily damaged. Abstrak. Multivariate Statistical Process Control diperuntukkan untuk melihat stabilitas proses dari suatu produksi agar menjadi efektif. Metode ini dikembangkan untuk mendeteksi kerusakan bearing melalui diagram kendali T2 Hotelling. Out-of-control digunakan sebagai alat untuk mendeteksi kondisi bearing. Mesin merupakan kesatuan dari berbagai komponen yang saling berkaitan, sehingga menghasilkan suatu rangkaian gerakan. Bearing merupakan komponen mesin yang penting, menumpu agar poros dapat berputar tanpa mengalami gesekan yang berlebihan. Deteksi kerusakan bearing penting dilakukan untuk menjamin performa optimal sebuah industri. Data yang digunakan adalah data sekunder hasil uji eksperimen vibrasi bearing dari FEMTO- ST Institute. Data vibrasi yang digunakan terdiri dari tujuh bearing berbagai kondisi yang masing-masingnya terdiri dari dua arah yaitu horizontal dan vertikal. Kemudian, diambil fitur variansi dan RMS bearing1_2 dan bearing1_4 untuk pengolahan data. Selanjutnya, data tersebut dibagi menjadi dua fase yaitu fase-I yang diasumsikan sebagai bearing kondisi normal dan fase-II diasumsikan sebagai bearing yang akan diuji. Setelah itu, dilakukan perhitungan batas kendali atas (BKA) pada fase-I, dan digunakan pada fase-II untuk mendeteksi kondisi bearing. Hasil pengujian yang dilakukan pada fase-II menunjukkan bahwa terdapat titik-titik yang berada di luar batas kendali (out-of-control) sehingga dapat dikatakan bahwa terdapat ketidaknormalan pada bearing yang mungkin berindikasi terdapat bearing yang tidak normal namun belum tentu rusak.]]>
<![CDATA[Penerapan Metode Hierarchical Clustering Multiscale Bootstrap untuk Pengelompokan Indikator Indeks Pembangunan Manusia Tahun 2021 di Jawa Barat ]]>
<![CDATA[Sophia Annisa Faisal]]>;
<![CDATA[Nur Azizah Komara Rifai]]>
<![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.v3i1.6327
<![CDATA[Abstract. Cluster analysis is a technique for grouping objects that have the same characteristics into one group and between different groups. In general there are two methods, namely hierarchical and non-hierarchical. The average linkage method is one of the methods in the hierarchical cluster analysis method that can be used to group data, one of which is the Human Development Index (HDI) data. This study uses HDI indicator data in West Java in 2021. The average linkage method only provides solutions based on a measure of proximity, so this study uses the multiscale bootstrap method to obtain the validity of the groups formed. There are four clusters formed by the average linkage method. Of the four groups formed, there is one valid cluster, namely the fourth cluster which consists of the group with the highest average HDI score, namely Bandung City, Bekasi City, and Depok City. Abstrak. Analisis cluster adalah teknik untuk mengelompokkan objek-objek yang memiliki karakteristik sama ke dalam satu kelompok dan antar kelompok berbeda. Secara umum terdapat dua metode yaitu hierarki dan non-hierarki. Metode average linkage merupakan salah satu metode pada analisis cluster metode hierarki yang dapat digunakan untuk mengelompokkan data, salah satunya yaitu data Indeks Pembangunan Manusia (IPM). Penelitian ini menggunakan data indikator IPM di Jawa Barat Tahun 2021. Metode average linkage hanya memberikan solusi berdasarkan ukuran kedekatan jarak, sehingga pada penelitian ini menggunakan metode multiscale bootstrap untuk memperoleh validitas dari kelompok yang terbentuk. Terdapat empat cluster yang terbentuk dengan metode average linkage. Dari keempat kelompok yang terbentuk, terdapat satu cluster yang valid yaitu cluster keempat yang terdiri dari kelompok dengan nilai rata-rata IPM tertinggi yaitu Kota Bandung, Kota Bekasi, dan Kota Depok.]]>
<![CDATA[Pemodelan Generalized Space Time Autoregressive (GSTAR) untuk Meramalkan Indeks Harga Konsumen 7 Kota di Jawa Barat ]]>
<![CDATA[Agnesya Risnandar]]>;
<![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.v3i1.6345
<![CDATA[Abstract. Inflation is an economic problem that often arises in Indonesia. Inflation is a continuous increase in the price of goods and services which can cause a decrease in the value of money. Inflation plays an important role in determining economic conditions, one of the indicators used to measure the inflation rate is the Consumer Price Index (CPI). The CPI is not only influenced by the previous time element, but also influenced by the inter-location element. The Generalized Space Time Autoregressive (GSTAR) method is one of the methods that can be used to analyze data that involves the relationship between time and location. This research will use CPI data for 7 cities in West Java, namely Bogor City, Sukabumi City, Bandung City, Cirebon City, Bekasi City, Depok City, and Tasikmalaya City with monthly period data from January 2014 to December 2019. This study aims to obtain the best GSTAR model and forecasting results for CPI data for 7 cities in West Java. Based on the research results, the GSTAR (5.1)I(1) model with uniform weights has the smallest RMSE value of 0.467767 compared to the distance inverse weight and cross-correlation normalization, so the best model for CPI data for 7 cities in West Java is the GSTAR (5.1)I(1) model with uniform weight. The forecasting results obtained, in general, in 2023 the CPI of 7 cities in West Java will experience a periodic increase. Abstrak. Inflasi merupakan permasalahan ekonomi yang sering muncul di Indonesia. Inflasi adalah kenaikan harga barang dan jasa secara terus menerus yang dapat menyebabkan penurunan nilai uang. Inflasi berperan penting dalam menentukan kondisi perekonomian, salah satu indikator yang digunakan untuk mengukur tingkat inflasi adalah Indeks Harga Konsumen (IHK). IHK tidak hanya dipengaruhi oleh unsur waktu sebelumnya, tetapi juga dipengaruhi oleh unsur antar lokasi. Metode Generalized Space Time Autoregressive (GSTAR) merupakan salah satu metode yang dapat digunakan untuk menganalisis data yang melibatkan keterkaitan antar waktu dan lokasi. Pada penelitian ini akan digunakan data IHK 7 kota di Jawa Barat yaitu Kota Bogor, Kota Sukabumi, Kota Bandung, Kota Cirebon, Kota Bekasi, Kota Depok, dan Kota Tasikmalaya dengan data periode bulanan dari Januari 2014 sampai Desember 2019. Penelitian ini bertujuan untuk mendapatkan model GSTAR terbaik dan hasil peramalan untuk data IHK 7 kota di Jawa Barat. Berdasarkan hasil penelitian model GSTAR (5,1)I(1) dengan bobot seragam memiliki nilai RMSE terkecil yaitu sebesar 0.467767 dibandingkan dengan bobot invers jarak dan normalisasi korelasi silang, sehingga model terbaik untuk data IHK 7 kota di Jawa Barat yaitu model GSTAR (5,1)I(1) dengan bobot seragam. Hasil peramalan yang diperoleh, secara umum pada tahun 2023 IHK 7 kota di Jawa Barat mengalami peningkatan secara periodik.]]>
<![CDATA[Penerapan Metode Autoregressive Distributed Lag terhadap Faktor yang Mempengaruhi Harga Minyak Goreng Kemasan di Indonesia ]]>
<![CDATA[Ratu Dinda Anggraeni]]>;
<![CDATA[Nur Azizah Komara Rifai]]>
<![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.v3i1.6711
<![CDATA[Abstract. A set of ordered data at a certain time is called a time series. Time series analysis is divided into one variable (univariate) time series analysis and more than one variable (multivariate) time series analysis. Autorgeressive Distributed Lag (ARDL) is a multivariate time series analysis that is widely used in economics which applies a regression model with additional lag values from the independent variables and lag values from the dependent variable. This ARDL allows stationary variables at the level and at the first difference, making it easier for researchers to choose the method of analysis. Facts on the ground that there has been an increase in the price of cooking oil in Indonesia from October 2021 to March 2022 and there are factors predicting the cause are crude palm oil (CPO) production, export volume, and export value. The application of the ARDL method to factors affecting the price of packaged cooking oil in Indonesia was examined using monthly data from January 2017 to December 2020 sourced from the publication of the Central Bureau of Statistics of the Republic of Indonesia and the publication of the one data website of the Ministry of Commerce. The result show that the ARDL (2,3,3,1) model is good with an adjusted R-square value of 0.9617 which that the model can explain 96.17% of the variance in the price of packaged cooking oil in Indonesia. The ARDL models are: HRG MYKt = 3048 + 0,6155 HRG MYKt-1 +0,1712 HRG MYKt-2 + 0,00001960 PRODt+ 0,00007471 PRODt-1 - 0,00003302 PRODt-2 - 0,00008025 PRODt-3 + 0,0001933 VLM EKSt - 0,000803 VLM EKSt-1 - 0,0001292 VLM EKSt 2 + 0,0001822 VLM EKSt-3 - 0,0003799 HRG EKSt + 0,001843 HRG EKSt-1 + ut Abstrak. Sekumpulan data terurut pada rentang waktu tertentu disebut time series. Analisis time series terbagi menjadi analisis time series satu variabel (univariat) dan analisis time series lebih dari satu variabel (multivariat). Autorgeressive Distributed Lag (ARDL) merupakan salah satu analisis time series multivariat yang banyak digunakan dalam bidang ekonomi yang mana menerapkan model regresi dengan tambahan nilai lag dari variabel independen dan nilai lag dari variabel dependen. ARDL ini memperbolehkan variabel stasioner pada tingkat level dan pada first difference sehingga memudahkan peneliti dalam pemilihan metode analisis. Fakta di lapangan terjadi peningkatan harga minyak goreng di Indonesia sejak Oktober 2021 hingga Maret 2022 dan terdapat faktor prediksi penyebabnya adalah produksi minyak sawit mentah (CPO), volume ekspor, dan nilai ekspor. Penerapan metode ARDL terhadap faktor yang mempengaruhi harga minyak goreng kemasan di Indonesia diteliti menggunakan data bulanan pada Januari 2017 hingga Desember 2020 yang bersumber dari publikasi Badan Pusat Statistik Republik Indonesia dan publikasi website satu data Kementerian Perdagangan. Hasil penelitian menujukkan model ARDL (2,3,3,1) yang baik dengan nilai adjusted R-square 0,9617 yang berarti model dapat menjelaskan 96,17% varians harga minyak goreng kemasan di Indonesia. Model ARDL tersebut yaitu: HRG MYKt = 3048 + 0,6155 HRG MYKt-1 +0,1712 HRG MYKt-2 + 0,00001960 PRODt+ 0,00007471 PRODt-1 - 0,00003302 PRODt-2 - 0,00008025 PRODt-3 + 0,0001933 VLM EKSt - 0,000803 VLM EKSt-1 - 0,0001292 VLM EKSt 2 + 0,0001822 VLM EKSt-3 - 0,0003799 HRG EKSt + 0,001843 HRG EKSt-1 + ut]]>
<![CDATA[Pemodelan Data Besar Kerugian Asuransi Kendaraan Bermotor di Indonesia Menggunakan Distribusi Weibull-Loss ]]>
<![CDATA[Disa Fauzana]]>;
<![CDATA[Aceng Komarudin Mutaqin]]>
<![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.v3i1.6846
<![CDATA[Abstract. Loss data modelling is one of important stages in predicting future premiums. Modelling distribution loss data with heavy tailed is prominent research topic. Weibull distribution is a heavy tailed distribution, so that it becomes the initial choice to be used in modeling heavy tailed losses in the finance and insurance. However, the Weibull distribution fails to modelling loss data with large loses. To overcome the problems that existed in the previous distributions, it is necessary to propose a new distribution. A new family of distributions is considered to model loss data for heavy tailed. One of the distributions included in the above distribution family is the three-parameter Weibull-Loss distribution. In this article the Weibull-Loss distribution will be applied to loss data on motor vehicle insurance losses in Indonesia. The procedures for modeling loss data using the Weibull-Loss distribution are: (1) formulating the research hypothesis, (2) estimating the parameters of the Weibull-Loss distribution using the maximum likelihood estimation method, (3) testing the fit of the distribution using the Kolmogorov-Smirnov method. The materials used are secondary data obtained from the insurance company PT. XY year 2014, the data contains partial loss data of motor vehicle insurance holders at Category 8 Region 2 which consists of the DKI Jakarta, West Java and Banten areas. The calculation results show the motor vehicle insurance loss data at the insurance company PT. XY year 2014 Category 8 Region 2 in Indonesia comes from a population with a Weibull-Loss distribution. Abstrak. Pemodelan data besar kerugian merupakan salah satu tahapan penting dalam memprediksi premi di masa depan. Pemodelan distribusi besar kerugian dengan heavy tailed (ekor tebal) adalah topik penelitian yang menonjol. Distribusi Weibull termasuk distribusi heavy tailed, sehingga menjadi pilihan awal untuk digunakan dalam memodelkan besar kerugian dengan heavy tailed di bidang keuangan dan asuransi. Namun demikian distribusi Weibull gagal untuk memodelkan data besar kerugian yang nilainya besar-besar. Untuk mengatasi masalah yang ada pada distribusi-distribusi sebelumnya, perlu diusulkan distribusi baru. Keluarga distribusi baru dipertimbangkan untuk memodelkan data besar kerugian untuk heavy tailed. Salah satu distribusi yang termasuk keluarga distribusi di atas adalah distribusi Weibull-Loss tiga parameter. Dalam artikel ini distribusi Weibull-Loss akan diterapkan pada data besar kerugian asuransi kendaraan bermotor di Indonesia. Prosedur pemodelan data besar kerugian menggunakan distribusi Weibull-Loss adalah: (1) merumuskan hipotesis penelitian, (2) menaksir parameter distribusi Weibull-Loss menggunakan metode penaksiran kemungkinan maksimum, (3) uji kecocokan distribusi menggunakan uji Kolmogorov-Smirnov. Bahan yang digunakan merupakan data sekunder yang diperoleh dari perusahaan asuransi PT. XY tahun 2014, data tersebut berisi data besar kerugian Partial Loss pemegang asuransi kendaraan bermotor Kategori 8 yaitu kendaraan jenis Roda dua di Wilayah 2 yang terdiri dari daerah DKI Jakarta, Jawa Barat, dan Banten. Hasil perhitungan menunjukan data besar kerugian asuransi kendaraan bermotor pada perusahaan asuransi PT. XY tahun 2014 Kategori 8 Wilayah 2 di Indonesia berasal dari populasi yang berdistribusi Weibull-Loss.]]>
<![CDATA[Penerapan Metode Regresi Kernel Smoothing untuk Imputasi Data Lama Waktu Terinfeksi Covid-19 ]]>
<![CDATA[Tawangki Sri Fadilah]]>;
<![CDATA[Abdul Kudus]]>
<![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.v3i1.6950
<![CDATA[Abstract. This study aims to explain cases of length of time patients are infected with COVID-19 and apply the kernel smoothing regression method for censored data imputation. The data taken in this study were patients infected with COVID19 which were classified based on the patient's age. The data was taken on the patient information website page for COVID-19 patients issued by the Singapore government. The data analysis method used in this study is the kernel smoothing method. The kernel smoothing method is a smoothing method using the kernel function. This method can be used as an alternative to solving fluctuating data problems. The data used is the length of time the patient is infected with covid-19 until recovered (Y) and the patient's age (X) from the results of the kernel smoothing method, the results of the imputation scatterplot based on case and age show that the dots are a pattern spread from the existing data and does not form a clear pattern. The pattern of data distribution in the form of dots on the scatterplot spread above and below. Then it can also be concluded from the results of the scatterplot above that the results of imputation based on age using the kernel smoothing method tend to produce almost the same estimated values. This may be due to the selection of a relatively large h value or it can be concluded that the estimated value produces a relatively stable value. Abstrak. Penelitian ini bertujuan untuk menjelaskan mengenai kasus lama waktu pasien terinfeksi COVID-19 serta menerapkan metode regresi kernel smoothing untuk imputasi data tersensor. Data yang diambil dalam penelitian ini adalah pasien yang terinfeksi COVID19 yang diklasifikasikan berdasarkan umur pasien. Data tersebut diambil pada laman website informasi penderita pasien COVID-19 yang dikeluarkan oleh pemerintah Singapura. Metode analisis data yang digunakan dalam penelitian ini adalah menggunakan metode kernel smoothing. Metode kernel smoothing merupakan metode pemulusan (smoothing) dengan menggunakan fungsi kernel. Metode ini dapat digunakan sebagai alternatif untuk meyelesaikan permasalahan data yang fluktuatif. Data yang digunakan yaitu lama waktu pasien terinfksi covid-19 sampai sembuh (Y) dan usia pasien (X) dari hasil penelitian metode kernel smoothing, maka hasil scatterplot imputasi berdasarkan case dan usia menunjukkan bahwa titik-titik sebuah pola menyebar dari data yang ada dan tidak membentuk pola tertentu yang jelas. Pola penyebaran data yang berupa titik-titik pada scatterplot menyebar diatas dan dibawah. Lalu dapat disimpulkan pula dari hasil scatterplot diatas merupakan hasil imputasi berdasarkan usia menggunakan metode kernel smoothing dengan cenderung menghasilkan nilai dugaan yang hampir sama. Hal ini mungkin karena pemilihan nilai h yang relatif besar atau dapat disimpulkan bahwa nilai dugaan menghasilkan nilai yang relatif stabil.]]>
<![CDATA[Penerapan Regresi Spasial Panel Random Effect pada Kasus Kemiskinan di Provinsi Jawa Tengah Tahun 2011-2020 ]]>
<![CDATA[Farah Nurul Andini]]>;
<![CDATA[Lisnur Wachidah]]>
<![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.v3i1.6992
<![CDATA[Abstract. Spatial regression is a regression analysis that can be used to model data that focuses on a space or location (region). In spatial data, observations are often found at a location that has a relationship or influence with other adjacent locations. If the classical regression model is used as an analytical tool on spatial data, it can lead to inaccurate conclusions due to the assumption of mutual error (autocorrelation), the assumption of homogeneity is not met (heterogenity). To solve the problem, you can use the spatial regression panel random effect model. In determining the best model of spatial regression of panel data can use the Spatial Autoregressive or Spatial Lag (SAR) Random Effect and Spatial Error Model (SEM) Random effect model. To calculate the spatial effect, a spatial weighting matrix was used, in this study the spatial weighting matrix used was the Queen Contiguity spatial weighting matrix. The data used for the study used data on the percentage of poor people with free variables, namely life expectancy, adjusted per-capita expenditure, and average length of schooling. The results showed that the Spatial Error Model (SEM) Random Effect model is the best model, because it has the smallest AIC (Aikake Information Criterion) value and BIC (Bayessian Information Criterion) value. Based on the results of modeling with the Spatial Error Model (SEM) Random effect, the three factors affect the percentage of poverty in Central Java Province. Abstrak. Regresi spasial adalah analisis regresi yang dapat digunakan untuk memodelkan data yang berfokus pada ruang atau lokasi (region). Pada data spasial sering dijumpai pengamatan pada suatu lokasi yang memiliki hubungan atau pengaruh dengan lokasi lain yang berdekatan. Jika model regresi klasik digunakan sebagai alat analisis pada data spasial, dapat menyebabkan kesimpulan yang kurang tepat karena asumsi error saling bebas (autokorelasi), asumsi homogenitas tidak terpenuhi (heterogeneity). Untuk mengatasi masalah tersebut dapat menggunakan regresi spasial panel random effect model. Dalam menentukan model terbaik regresi spasial data panel dapat menggunakan model Spatial Autoregressive atau Spatial Lag (SAR) Random Effect dan Spatial Error Model (SEM) Random Effect. Untuk menghitung efek spasial digunakan matriks pembobot spasial, dalam penelitian ini matriks pembobot spasial yang digunakan yaitu matriks pembobot spasial Queen Contiguity. Data yang digunakan untuk penelitian menggunakan data persentase penduduk miskin di Provinsi Jawa Tengah tahun 2011-2020 sebagai variabel terikat sedangkan variabel bebas yaitu usia harapan hidup, pengeluaran per-kapita disesuaikan, dan rata-rata lama sekolah. Hasil penelitian menunjukkan bahwa model Spatial Error Model (SEM) Random Effect merupakan model terbaik, sebab memiliki nilai AIC (Aikake Information Criterion) dan nilai BIC (Bayessian Information Criterion) terkecil. Berdasarkan hasil pemodelan dengan Spatial Error Model (SEM) Random effect ketiga faktor berpengaruh terhadap persentase kemiskinan di Provinsi Jawa Tengah.]]>
<![CDATA[Penerapan Diagram Resetting EWMA Scheme (RES) dalam Mengontrol Coefficient Variation (CV) Kadar Asam Lemak Bebas ]]>
<![CDATA[Bella Novia Syabandina]]>;
<![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.v3i1.6998
<![CDATA[Abstract. One of the tools commonly used in monitoring the production process (Quality Control) is a control chart. The chart that is commonly used is the Shewhart control chart with the assumption that the average (μ) and standard deviation (]]>
<![CDATA[Pemodelan Distribusi Poisson-Sujatha pada Data Frekuensi Klaim Asuransi Kendaraan Bermotor di Indonesia ]]>
<![CDATA[Muhammad Rizq Nafisyah Alam]]>;
<![CDATA[Aceng Komarudin Mutaqin]]>
<![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.v3i1.7018
<![CDATA[Abstract. Insurance is an agreement between two or more parties where the insurer promises to the insured by receiving a premium to compensate the insured against loss, damage or loss of profits. There are lots of insurance services or products, one of the insurance services that is widely used is motor vehicle insurance. Vehicle insurance itself is a type of insurance that provides benefits in the form of compensation or damage to the vehicle. Data frequency claims that contain overdispersion problems must be modeled with distributions that are able to handle overdispersion problems. The mixed Poisson distribution is often used as an alternative method for modeling data frequency claims when overdispersion occurs. Some mixed Poisson distributions include Poisson-Lindley, Poisson-Lognormal, and Poisson-weighted Exponential. The Poisson-Sujatha distribution (PSD) was introduced by Shanker in 2016 as one of the mixed Poisson distributions. The strengths of PSD are in getting the moments and the application. The moments of the PSD distribution can be obtained easily by following the simple method introduced by Shanker (2016). This thesis will discuss modeling the Poisson-Sujatha distribution (PSD) on motor vehicle insurance claim frequency data in Indonesia in 2013. The maximum likelihood estimation method is used to estimate the parameters of the PSD distribution. The fit test used in this study was the Chi-Square fit test. The research material used is secondary data on the frequency of motor vehicle insurance claims recorded by PT. X category 3 (passenger transportation whose insured price is more than Rp. 200,000,000 to Rp. 400,000,000) region 25 (North Sumatra Province) in 2013. Based on the results of applying the data on the frequency of motor vehicle insurance claims at PT. X category 3 region 25 in 2013, the PSD distribution is suitable for modeling motor vehicle insurance frequency claims data cases. Abstrak. Asuransi adalah suatu perjanjian antara dua pihak atau lebih dimana penanggung berjanji kepada tertanggung dengan menerima premi untuk mengganti kerugian tertanggung terhadap kerugian, kerusakan, atau kehilangan keuntungan. Ada banyak sekali layanan atau produk asuransi, salah satu layanan asuransi yang banyak digunakan adalah asuransi kendaraan bermotor. Asuransi kendaraan itu sendiri adalah jenis asuransi yang memberikan manfaat berupa pemberian ganti rugi atau kerusakan pada kendaraan bermotor. Data frekuensi klaim yang mengandung masalah overdispersi harus dimodelkan dengan distribusi yang mampu menangani masalah overdispersi. Distribusi campuran Poisson sering digunakan sebagai metode alternatif untuk pemodelan data frekuensi klaim ketika terjadi overdispersi. Beberapa distribusi campuran Poisson diantaranya adalah Poisson-Lindley, Poisson-Lognormal, dan Poisson-weighted Eksponensial. Distribusi Poisson-Sujatha (PSD) diperkenalkan oleh Shanker pada tahun 2016 sebagai salah satu distribusi campuran Poisson. Kelebihan dari PSD adalah dalam hal mendapatkan momen-momennya dan aplikasinya. Momen-momen dari distribusi PSD dapat diperoleh secara mudah dengan mengikuti metode sederhana yang diperkenalkan oleh Shanker (2016). Pada skripsi ini akan dibahas mengenai pemodelan distribusi Poisson-Sujatha (PSD) pada data frekuensi klaim asuransi kendaraan bermotor di Indonesia pada tahun 2013. Metode penaksiran kemungkinan maksimum digunakan untuk menaksir parameter dari distribusi PSD. Uji kecocokan yang digunakan dalam penelitian ini adalah uji kecocokan Chi-Kuadrat. Bahan penelitian yang digunakan berupa data sekunder frekuensi klaim asuransi kendaraan bermotor hasil pencatatan PT. X kategori 3 (angkutan penumpang yang harga pertanggungannya yang lebih dari Rp. 200.000.000 s.d. Rp. 400.000.000) wilayah 25 (Provinsi Sumatera Utara) pada tahun 2013. Berdasarkan hasil penerapan pada data frekuensi klaim asuransi kendaraan bermotor di PT. X kategori 3 wilayah 25 pada tahun 2013, distribusi PSD cocok untuk memodelkan kasus data frekuensi klaim asuransi kendaraan bermotor..]]>
