Bandung Conference Series: Statistics

Pengelompokan Data Jenis Kejahatan di Indonesia Menggunakan Metode Agglomerative Hierarchical Clustering (AHC) pada Tahun 2021

2024-03-19T09:19:56+08:00

Abstract. The development of technology makes it easier for the public to receive information, one of which is news abour crimes tha are occurring. This causes public unrest because many lives have been lost so people feel unsafe. This research aims to make it easier for law enforcement and the public to anticipate criminal acts. To find out the results of these objectives, the Agglomerative Hierarchical Clustering (AHC) method is used, where grouping is caried out to determine crime-prone areas. The data source used is the result of publications issued by the Central Statistics Agency. The data used is data on the number of crimes in 2021 consisting of 34 regional police forces in Indonesia where the data used is carried out by simple imputation first using the average due to missing data. Based on the results of cluster analysis of single linkage, complete linkage, average linkage, ward’s method and centroid method, 2 clusters were obtained each. The results of the cluster analysis were compared eith the k-means method which esulted in the AHC method being the best mehod eith better index values compared to k-means.

Abstrak. Berkembangnya teknologi memudahkan masyarakat dalam menerima informasi, salah satunya adalah pemberitaan mengenai tindakan kejahatan yang sedang terjadi. Hal tersebut membuat keresahan masyarakat dikarenakan banyaknya nyawa yang hilang sehingga masyarakat merasa tidak aman. Tujuan dari penelitian ini adalah untuk memudahkan penegak hukum dan masyarakat dalam melakukan antisipasi tindakan kejahatan. Untuk mengetahui hasil dari tujuan tersebut digunakanlah metode Agglomerative Hierarchical Clustering (AHC) dimana dilakukan pengelompokan dalam menentukan daerah rawan kejahatan. Sumber data yang digunakan merupakan hasil publikasi yang dikeluarkan oleh Badan Pusat Statistik. Data yang digunakan adalah data jumlah kejahatan tahun 2021 ynag terdiri dari 34 kepolisian daerah di Indonesia dimana data yang digunakan dilakukan imputasi sederhana terlebih dahulu menggunakan rata-rata dikarenakan adanya data missing. Berdasarkan hasil analisis cluster single linkage, complete linkage, average linkage, ward’s method dan centroid method masing-masing diperoleh 2 cluster. Hasil analisis cluster tersebut dibandingkan dengan metode k-means yang menghasilkan bahwa metode AHC merupakan metode terbaik dengan nilai indeks yang lebih baik dibandingkan dengan k-means.

Penerapan Algoritma Backpropagation Neural Network dalam Memprediksi Curah Hujan Harian Kota Bandung

2024-03-19T09:19:55+08:00

Abstract. Rain is a common natural phenomenon that is very difficult to predict. Many factors can affect the occurrence of rain, ranging from temperature, humidity, sunlight intensity, and rainfall. Rainfall itself is a natural phenomenon that is the most important part for life on earth because when rainfall is categorized as high, it can cause disasters such as floods and other things. Therefore it is very important to do rainfall prediction in an area to anticipate disasters that will occur. In this research, daily rainfall prediction has been carried out using Artificial Neural Network (ANN) with Backpropagation approach method. The data used comes from the Bandung Metrology, Climatology and Geophysics Agency (BMKG) regarding temperature, humidity and daily rainfall from 2021-2023 (January 1 to March 28). This study aims to determine the best Artificial Neural Network architecture and also predict rainfall in Bandung City. From this study, it was found that the best architecture result was 10_32_1 using a learning rate of 0.01 with a MAPE value obtained of 0.537%. Thus it can be concluded that the backpropagation method can be used for daily rainfall prediction in Bandung City, where the results of rainfall prediction for the next 30 days state that there are 8 days of no rain where the highest rainfall intensity is on 04/26/2023 amounting to 0.537%.

Abstrak. Hujan merupakan suatu fenomena alam yang umum terjadi namun sangat sulit untuk diprediksi. Banyak faktor yang dapat mempengaruhi terjadinya hujan, mulai dari suhu, kelembaban, intensitas sinar matahari, dan curah hujan. Curah hujan sendiri merupakan gejala alam yang menjadi bagian terpenting bagi kehidupan di bumi karena saat curah hujan dikategorikan tinggi, dapat menyebabkan bencana seperti banjir dan hal lainnya. Karena itu sangatlah penting untuk melalukukan prediksi curah hujan pada suatu daerah untuk pengantisipasian bencana yang akan terjadi. Pada penelitian ini telah dilakukan prediksi curah hujan harian menggunakan Artificial Neural Network (ANN) dengan metode pendekatan Backpropagation. Data yang digunakan berasal dari Badan Metrologi, Klimatalogi dan Geofisika (BMKG) Kota Bandung tentang suhu, kelembapan dan curah hujan harian dari tahun 2021-2023 (1 Januari sampai 28 Maret). Penelitian ini bertujuan untuk menentukan arsitektur Artificial Neural Network terbaik dan juga memprediksi curah hujan di Kota Bandung. Dari penelitian ini ditemukan hasil arsitektur terbaik yaitu 10_32_1 menggunakan learning rate 0.01 dengan niali MAPE yang didapat sebesar 0.537%. Dengan demikian dapat disimpulkan metode backpropagation dapat digunakan untuk prediksi curah hujan harian di Kota Bandung, dimana pada hasil prediksi curah hujan untuk 30 hari kedepan menyatakan terdapat 8 hari tidak terjadi hujan dimana intensitas curah hujan paling tinggi berada pada tanggal 26/04/2023 sebesar 32.9826.

Hubungan antara Inflasi, Jakarta Islamic Index (JII), dan Indeks Harga Saham Gabungan (IHSG) Menggunakan Metode Vector Error Correction Model (VECM)

2024-03-19T09:19:55+08:00

Abstract. Stock indices are very important as a benchmark for capital market performance and investment products. The index that describes the performance of the capital market is the Jakarta Composite Index (IHSG). Apart from the IHSG, there is also a sharia-based stock price index. One of the sharia stock indexes is the Jakarta Islamic Index (JII). The stock price index is fluctuating, where the fluctuation can be influenced by internal factors, one of which is inflation. The Vector Autoregressive (VAR) method was introduced as an alternative model in macroeconomic analysis. The VAR method is a multivariate time series analysis for time series data that will be modeled stationary. If the data is not stationary, then the method used is the Vector Error Correction Model (VECM). With VECM (1) it can be seen that in inflation there is a long-term relationship that is positive. However, there is no short-term relationship. For the IHSG and JII variables, these two variables do not have a long-term or short-term relationship. Then the Impulse Response Function (IRF) results show that the response to the IHSG and JII variables for 12 months has a tendency to move steadily. The inflation variable response to the three variables tends to experience a positive trend. However, the inflation response to the IHSG and JII variables increased while the inflation variable decreased.

Abstrak. Indeks saham adalah hal yang sangat penting sebagai tolak ukur kinerja pasar modal dan produk investasi. Indeks yang menggambarkan kinerja pasar modal adalah Indeks Harga Saham Gabungan (IHSG). Selain IHSG, ada pula indeks harga saham berbasis syariah. Salah satu indeks saham syariah adalah Jakarta Islamic Index (JII). Indeks harga saham bersifat fluktuatif, dimana fluktuasi tersebut dapat dipengaruhi oleh faktor internal, salah satunya inflasi. Metode Vector Autoregressive (VAR) dikenalkan sebagai model alternatif dalam analisis ekonomi makro. Metode VAR adalah analisis deret waktu multivariat untuk data deret waktu yang akan dimodelkan stasioner. Bila data tersebut tidak stasioner, maka metode yang digunakan adalah Vector Error Correction Model (VECM). Dengan VECM (1) dapat diketahui bahwa pada Inflasi terdapat hubungan jangka panjang yang bernilai positif. Akan tetapi, tidak terdapat hubungan jangka pendek. Untuk variabel IHSG dan JII, kedua variabel tersebut tidak memiliki hubungan jangka panjang serta jangka pendek. Kemudian hasil Impulse Response Function (IRF), menunjukkan bahwa untuk respon variabel IHSG dan JII selama 12 bulan memiliki kecenderungan bergerak stabil. Untuk respon variabel inflasi terhadap ketiga variabel cenderung mengalami trend positif. Akan tetapi respon inflasi terhadap variabel IHSG dan JII bergerak meningkat sedangkan terhadap variabel Inflasi menurun.

Penentuan Industri Unggulan Provinsi Papua dan Daya Saingnya di Tingkat Nasional Menggunakan Metode Lagrange dan Analisis Shift-Share

2024-03-19T09:19:55+08:00

Abstract. The analysis of input output is an analysis based on economic outcomes in country or region, including examining the interconnection among economic sectors in country or region as whole, where it can depicted potential economic that contribute significant. Papua Province is one of the regions experiencing positive economic growth. The research will examine changes in the economic structure and identify priority sectors in the economic development of Papua Province using input-output analysis. Two analyses are employed: multiplier analysis, and shift-share analysis. When compared to the economic growth of each sector in Papua Province with that of Indonesia, as many as 9 economic sectors in Papua Province have competitive at the national level.

Abstrak. Analisis input output merupakan analisis yang didasarkan pada hasil perekonomian di suatu negara atau wilayah, diantaranya dapat melihat keterkaitan antar sektor ekonomi di suatu negara atau wilayah secara keseluruhan sehingga dapat menggambarkan potensi sektor ekonomi yang memberikan kontribusi yang besar. Provinsi Papua merupakan salah satu wilayah dengan pertumbuhan ekonomi yang mengalami peningkatan positif. Dalam penelitian ini akan dilihat perubahan struktur perekonomian dan melihat sektor mana yang menjadi prioritas dalam pembangunan ekonomi di Provinsi Papua dengan menggunakan analisis input output. Terdapat dua analisis yang penulis gunakan yaitu analisis angka pengganda dan analisis shift-share. Jika dibandingkan dengan pertumbuhan ekonomi setiap sektor yang ada di Provinsi Papua dengan di Indonesia, maka sebanyak 9 sektor ekonomi Provinsi Papua mempunyai daya saing di tingkat nasional.

Penerapan Spatial Autoregressive Model (SAR) untuk Menentukan Faktor-Faktor Penyebab Kemiskinan di Jawa Barat

2024-03-19T09:19:54+08:00

Abstract. Spatial Autoregressive Model (SAR) is an approach model for spatial regression analysis. Spatial regression analysis is used to determine a relationship based on attribute information and location or geographic location information. The estimator of the SAR model uses the Maximum Likeli hood Estimation (MLE) method. The aim of this research is to model SAR spatial regression to determine the factors that influence the occurrence of poverty in West Java. To explain the spatial relationship between observation locations, a spatial weighting matrix based on neighborhood (contiguity) is used, namely the Queen Contiguity matrix. A total of 27 districts/cities were used as observation units with the dependent variable (Y) being the number of poverty cases from each district/city in West Java. The independent variables used are suspected factors related to poverty cases. The independent variables (X) are the average wage of formal workers, the percentage of the population without a diploma, the percentage of population health, the population, total expenditure per capita, the percentage of open unemployment rate, and the West Java UMR. The independent variables that have a significant effect on the number of poverty cases in West Java based on the SAR model are the percentage of the population without a diploma, the amount of expenditure per capita, and the percentage of open unemployment.

Abstrak. Spatial Autoregressive Model (SAR) merupakan model pendekatan dari analisis regresi spasial. Analisis regresi spasial digunakan untuk mengetahui suatu hubungan berdasarkan informasi atribut dan informasi lokasi atau letak geografis. Penduga dari model SAR menggunakan metode penduga kemungkinan maksimum atau Maximum Likelihood Estimation (MLE). Tujuan dari penelitian ini adalah memodelkan regresi spasial SAR untuk mengetahui faktor-faktor yang mempengaruhi terjadinya kemiskinan di Jawa Barat. Untuk menjelaskan hubungan spasial antar lokasi pengamatan digunakan matriks pembobot spasial berdasarkam ketetanggaan (contiguity) yaitu matriks Queen Contiguity. Sebanyak 27 kabupaten/kota digunakan sebagai unit pengamatan dengan variabel dependennya (Y) adalah jumlah kasus kemiskinan dari setiap kabupaten/kota di Jawa Barat. Variabel independen yang digunakan merupakan faktor dugaan yang berhubungan dengan kasus kemiskinan. Variabel independennya (X) yaitu rata-rata upah pekerja formal, persentase penduduk tidak memiliki ijazah, persentase kesehatan penduduk, jumlah penduduk, jumlah pengeluaran per kapita, persentase tingkat pengangguran terbuka, dan UMR Jawa Barat. Variabel independen yang berpengaruh signifikan terhadap jumlah kasus kemiskinan di Jawa Barat berdasarkan model SAR, yaitu variabel persentase penduduk tidak memiliki ijazah, jumlah pengeluaran per kapita, dan persentase tingkat pengangguran terbuka.

Pemodelan Degradasi Bearing Menggunakan Proses Wiener

2024-03-19T09:19:54+08:00

Abstract. Bearing are important driving parts in mechanical systems. Therefore, degradation modeling can predict future performance declines. Degradation modeling is a nonlinear pattern, some of the models are the gamma process and the Wiener process. This research aims to model bearing degradation using the Wiener process. The data used is bearing data set 1_1 from XJTU-SY. By carrying out a distribution fit test, the features used are the peak value features in the horizontal and vertical directions. Parameter estimation using the MLE method produces parameter estimates and , for the peak values in the horizontal direction and vertical . Degradation modeling, namely carrying out the equation with being tested 2 times. Modeling accuracy can be seen through the best MAPE, value, namely 21%. The accuracy of is better than . This proves that the Wiener process is random, so the accuracy of the Wiener process simulation for predicting degradation models will vary.

Abstrak. Bearing adalah bagian penggerak yang penting dalam sistem mekanis. Maka dari itu pemodelan degradasi dapat memprediksi penurunan kinerja di masa depan. Pemodelan degradasi merupakan pola nonlinear, beberapa modelnya yaitu proses gamma dan proses Wiener. Penelitian ini bertujuan melakukan pemodelan degradasi bearing menggunakan proses Wiener. Data yang digunakan yaitu data set bearing 1_1 dari XJTU-SY. Dengan melakukan uji kecocokan distribusi diperoleh fitur yang digunakan yaitu fitur nilai puncak arah horizontal dan vertikal. Estimasi parameter dengan metode MLE menghasilkan taksiran parameter dan , untuk nilai puncak arah horizontal dan vertikal . Pemodelan degradasi yaitu melakukan persamaan dengan dilakukan pengujian 2 kali. Akurasi pemodelan dilihat melalui nilai MAPE, yang paling baik yaitu 21%. Keakurasian lebih baik dibanding . Hal ini membuktikan proses Wiener bersifat acak, maka akurasi simulasi proses Wiener untuk prediksi model degradasi akan berbeda-beda.

Peramalan Jumlah Penumpang Kereta Api di Pulau Jawa Menggunakan Model BATS dan Model TBATS

2024-03-19T09:19:54+08:00

Abstract. Time series forecasting aims to find patterns in historical data series and extrapolate these patterns into the future. The success of a forecast depends on the use of forecasting methods, which must be adapted to the available data. Time series data that contains several seasonalities or has a dual-calendar effect is called data with complex seasonality, but not all forecasting methods can handle seasonal complexity. The methods that are able to handle seasonal complexity are the BATS (Box-Cox transform, ARMA errors, Trend, and Seasonal components) and TBATS (Trigonometric, Box-Cox transform, ARMA errors, Trend, and Seasonal components) models. Based on the results of the analysis carried out, it was found that the BATS model was better at predicting the number of train passengers on the island of Java compared to the TBATS model, as evidenced by the AIC value of 4318,364 and the RMSE of 1875,887 which were smaller than the AIC and RMSE values of the TBATS model. The results of forecasting using the BATS model showed that the highest number of train passengers was in December, namely 31,107,740 people and the lowest was in February 27,959,460 people.

Abstrak. Peramalan deret waktu bertujuan untuk menemukan pola dalam deret data historis dan mengekstrapolasikan pola tersebut ke masa depan. Keberhasilan suatu peramalan bergantung pada penggunaan metode peramalan yang harus disesuaikan dengan data yang tersedia. Data deret waktu yang mengandung beberapa musiman atau terdapat efek dual-calendar disebut data dengan musiman yang kompleks, namun tidak semua metode peramalan dapat menangani kompleksitas musiman. Adapun metode yang mampu menangani kompleksitas musiman adalah model BATS (Box-Cox transform, ARMA errors, Trend, and Seasonal components) dan TBATS (Trigonometric, Box-Cox transform, ARMA errors, Trend, and Seasonal components). Berdasarkan hasil analisis yang dilakukan didapati hasil bahwa model BATS lebih baik dalam meramalkan jumlah penumpang kereta api di pulau jawa dibandingkan dengan model TBATS dibuktikan dengan nilai AIC sebesar 4318.364 dan RMSE sebesar 1875.887 yang lebih kecil dibandingkan dengan nilai AIC dan RMSE dari model TBATS. Adapun hasil peramalan menggunakan model BATS didapat bahwa jumlah penumpang kereta api tertinggi adalah pada bulan Desember yaitu sebanyak 31.107.740 orang dan terendah pada bulan Februari 27.959.460 orang.

Pengaruh Pembiayaan Bagi Hasil (Mudharabah dan Musyarakah) pada Total Aset Bank Central Asia Syariah dengan Metode Error Correction Model (ECM)

2024-03-19T09:19:54+08:00

Abstract. Econometrics is a modeling approach that explains the relationship between economic measurements to understand the impact of price values on the demand for goods. This model is a combination of several applied sciences such as economic theory, mathematics, and inferential statistics. In econometrics, one of the methods used is the Error Correction Model (ECM), which aims to depict the relationship between analyzed variables, revealing phenomena in both the long and short term and seeking solutions in the presence of non-stationary data to achieve equilibrium. In its application, this method is employed in various economic aspects, including the calculation of the total assets of banks, both conventional and Sharia. Sharia banks emerged in Indonesia in 1983 with the goal of implementing the profit-sharing concept in their lending activities. With the rapid growth of the Sharia banking industry, PT. Bank Central Asia Tbk (BCA) acquired PT Bank Utama Internasional Bank (UIB), transforming it into PT. Bank BCA Syariah in 2009, which began operating the following year under Sharia principles. The purpose of this research is to examine the influence of profit-sharing (mudharabah and musyarakah) on the total assets of Bank BCA Syariah using the Error Correction Model (ECM). The study, based on monthly data from January 2015 to March 2019 from the Bank BCA Syariah website, reveals that in the long-term model, both mudharabah and musyarakah variables have a significant impact on total assets. However, in the short-term ECM model, the mudharabah variable shows no significant effect, while musyarakah significantly influences total assets.

Abstrak. Ekonometrika adalah model yang menjelaskan hubungan dari pengukuran ekonomi untuk melihat pengaruh nilai harga pada sejumlah permintaan barang untuk mengetahui pengaruh nilai harga pada permintaan barang tersebut. Model ini gabungan dari beberapa ilmu terapan seperti ilmu teori ekonomi, matematika, dan statistik inferensial. Dalam pengerjaan ekonometrika salah satunya menggunakan metode Error Correction Model (ECM), bertujuan untuk menggambarkan adanya hubungan dari beberapa variabel yang dianalisis untuk diketahuinya fenomena pada jangka panjang dan jangka pendek serta mencari solusi bila adanya data yang tidak stasioner untuk mencapai keseimbangan. Dalam penggunaannya, metode ini digunakan berbagai aspek perekonomian, seperti perhitungan nilai total aset bank konvesional hingga syariah. Bank syariah hadir di Indonesia pada tahun 1983 yang bertujuan terbentuknya konsep “bagi hasil” bank pada pengkreditannya. Seiring pesatnya industri bank syariah, PT. Bank Central Asia Tbk (BCA) melakukan akuisisi pada salah satu bank yaitu PT Bank Utama Internasional Bank (UIB) yang diubah menjadi PT. Bank BCA Syariah pada tahun 2009 serta beroperasional ditahun berikutnya dengan sistem syariah. Tujuan dari penelitian ini untuk melihat pengaruh bagi hasil (mudharabah dan musyarakah) terhadap total aset Bank BCA Syariah dengan metode Error Correction Model (ECM), pada penelitian ini menggunakan data bulanan dari Januari 2015 hingga Maret 2019 bersumber pada situs Bank BCA Syariah. Maka, penelitian ini untuk model jangka panjang pada variabel mudharabah dan musyarakah memiliki pengaruh signifikan terhadap total aset, berbeda model ECM atau model jangka pendek bahwa variabel mudharabah tidak pengaruh signifikan sedangkan musyarakah berpengaruh signifikan terhadap total aset.

Diagram Kendali Wilcoxon Triple Exponential Weighted Moving Average dengan IMFIR dalam Pengendalian Kualitas Produksi Celana PT. XYZ

2024-03-19T09:19:53+08:00

Abstract. Control diagrams are Statistical Process Control which are used to control the production process. In the case of control charts, there are parametric and non-parametric control charts. One of the SPCs is the EWMA control chart which is capable of detecting small shifts, assuming the data is normally distributed. Then the Wilcoxon EWMA nonparametric control diagram was proposed which can detect small shifts with data that is not normally distributed, then W EWMA was developed into Wilcoxon TEWMA so that it can detect smaller shifts by carrying out the shifting process three times. Control charts have a common problem, namely that shifts at the beginning of time are not quickly detected. To overcome this weakness, Fast Initial Response was implemented to increase sensitivity in the initial period, Letshedi et al. (2021) proposed this feature by developing FIR, becoming IMFIR which is able to produce better out of control performance than the previous feature. In this research, we apply the W TEWMA control chart with IMFIR to the waist circumference data of PT cargo pants production. XYZ. The results of the nonparametric Shewhart control diagram in phase I showed that there were no observation points that were outside the control limits. Next, in phase II, using the W TEWMA IMFIR control diagram with the values λ=0.5, L=2.937, f=0.5 and a=0.3, the W TEWMA control diagram with IMFIR is statistically uncontrolled.

Abstrak. Diagram kendali merupakan Statistic Process Control yang digunakan untuk mengontrol proses produksi. Pada kasus diagram kendali terdapat diagram kendali parametrik dan nonparametrik, Salah satu SPC yaitu diagram kendali EWMA yang mampu mendeteksi pergeseran yang kecil, dengan asumsi data berdistribusi normal. Kemudian diusulkanlah diagram kendali nonparametrik Wilcoxon EWMA yang dapat mendeteksi pergeseran kecil dengan data yang tidak berdistribusi normal, lalu W EWMA dikembangkan menjadi Wilcoxon TEWMA sehingga dapat mendeteksi pergeseran lebih kecil dengan melakukan proses pergeseran sebanyak tiga kali. Diagram kendali memiliki permasalahan umum yaitu pergeseran pada awal waktu tidak cepat terdeteksi. Untuk mengatasi kelemahan tersebut, diterapkanlah Fast Initial Response untuk meningkatkan kepekaan pada periode awal, Letshedi et al. (2021) mengusulkan fitur ini dengan mengembangkan FIR, menjadi IMFIR yang mampu menghasilkan kinerja out of control lebih baik dari fitur yang sebelumnya. Dalam penelitian ini menerapkan diagram kendali W TEWMA dengan IMFIR pada data panjang lingkar pinggang produksi celana cargo PT. XYZ. Hasil diagram kendali Shewhart nonparametrik pada fase I, diperoleh bahwa tidak ada titik pengamatan yang berada diluar batas kendali. Selanjutnya pada fase II, menggunakan diagram kendali W TEWMA IMFIR dengan nilai , , dan diperoleh diagram kendali W TEWMA dengan IMFIR tidak terkendali secara statistik.

Penerapan Metode Robust Harmonic Mean – Standard Deviation Harmonic Mean (HM-SDHM) untuk Deteksi Pencilan dalam Data Lama Waktu sampai Keputusan Sidang di PTUN Bandung pada Tahun 2019-2021

2024-03-19T09:19:55+08:00

Abstract. One important aspect for describing data distribution is the central value of the observation data. When conducting research, especially in analyzing a set of data, we often find outlier data. Outliers are observations that have values that are very far from the general value, or in other words, these observations are located far from the distribution of other data, so they have a negative effect on the results of drawing conclusions. The factors that cause this outlier data to appear are data input errors, sampling errors and so on. The existence of outliers can affect the central value of the data set. Therefore it is necessary to detect outliers. Of the several outlier detection methods that have been developed previously, in this research the robust Harmonic Mean - Standard Deviation Harmonic Mean (HM-SDHM) method will be used. This method was applied to data on the length of time until the trial decision at the Bandung State Administrative Court (PTUN) in 2019-2021. There are several sub-groups in the data on the length of time from daylight until the trial decision at PTUN Bandung in 2019-2021, namely: conventional sub-group, electronic sub-group, personnel sub-group, auction sub-group, licensing sub-group, land sub-group, and sub-group other. The application of the robust method (HM-SDHM) was carried out on all subgroups and produced several outlier data in each group. It was found that there were 34 outlier data in the overall data, 15 outlier data in the conventional data sub-group, 19 outlier data in the electronic data sub-group, 6 outlier data in the personnel data sub-group, no outlier data in the auction data sub-group, 1 outlier data in the licensing data sub-group, 13 outlier data in the land data sub-group, and 14 outlier data in the other data sub-group.

Abstrak. Salah satu aspek yang penting untuk menggambarkan distribusi data adalah nilai pusat data pengamatan. Dalam melakukan penelitian khususnya dalam menganalisis sekumpulan data sering kali kita temukan data pencilan. Pencilan adalah pengamatan yang memiliki nilai yang sangat jauh dari nilai umumnya, atau dengan kata lain pengamatan tersebut terletak jauh dari sebaran data yang lainnya, sehingga berpengaruh buruk terhadap hasil penarikan kesimpulan. Faktor-faktor yang menyebabkan munculnya data pencilan ini yaitu pada kesalahan input data, kesalahan pengambilan sampel dan lain sebagainya. Keberadaan pencilan dapat mempengaruhi nilai pusat dari kumpulan data. Oleh karena itu perlu untuk mendeteksi pencilan. Dari beberapa metode deteksi pencilan yang telah dikembangkan sebelumnya, pada penelitian kali ini akan digunakan metode robust Harmonic Mean – Standard Deviation Harmonic Mean (HM-SD_HM). Metode tersebut diterapkan pada data lama waktu sampai keputusan sidang di pengadilan tata usaha negara (PTUN) Bandung pada tahun 2019-2021. Terdapat beberapa sub kelompok pada data lama waktu siang sampai keptusan sidang di PTUN Bandung pada tahun 2019-2021, yaitu: sub kelompok konvensional, sub kelompok elektronik, sub kelompok kepegawaian, sub kelompok lelang, sub kelompok perizinan, sub kelompok pertanahan, dan sub kelompok lainnya. Penerapan metode robust (HM-SD_HM) dilakukan terhadap semua sub kelompok dan menghasilkan beberapa data pencilan di setiap kelompoknya. Diperoleh bahwa ada 34 data pencilan pada data keseluruhan, 15 data pencilan pada sub kelompok data konvensional, 19 data pencilan pada sub kelompok data elektronik, 6 data pencilan pada sub kelompok data kepegawaian, tidak ada data pencilan pada sub kelompok data lelang, 1 data pencilan pada sub kelompok data perizinan, 13 data pencilan pada sub kelompok data pertanahan, dan 14 data pencilan pada sub kelompok data lainnya.

Pemodelan Data Curah Hujan dan Suhu Rata-Rata dengan Model Seasonal Vector Autoregressive Moving Average (Seasonal VARMA) di Kota Bandung

2024-03-19T09:19:53+08:00

Abstract. Seasonal VARMA is able to produce precise forecasts, because it is used through multivariate time series modeling, but does not also ignore any seasonal events that are part of the nature of time series data. This model is used on data that has a two-way relationship, in this case time series with seasonal patterns that have a two-way relationship are data from rainfall and average temperature. In this study, researchers modeled time series data from rainfall and average temperature data in Bandung City using the Seasonal VARMA model and obtained the Seasonal VARMA〖(2,0,2)(1,1,0)〗_12 model. In addition to modeling, researchers also conducted forecasting of rainfall time series data and average temperature for the next 12 months. The results of the forecasting show that the highest rainfall forecast is in March 2023 at 254,394 mm and November 2023 at 382,937 mm, in which month the rainy season is predicted. While the lowest rainfall forecast results are in August 2023 amounting to 56,480 mm, where in August it is predicted that there will be a dry season.

Abstrak. Seasonal VARMA mampu menghasilkan ramalan yang tepat, karena digunakan telahaan melalui pemodelan deret waktu multivariat, namun tidak juga mengabaikan pada setiap kejadian musiman yang merupakan bagian dari sifat data deret waktu. Model ini digunakan pada data yang memiliki hubungan dua arah, dalam hal ini deret waktu dengan pola musiman yang memiliki hubungan dua arah adalah data dari curah hujan dan suhu rata-rata. Pada penelitian ini, peneliti melakukan pemodelan data deret waktu dari data curah hujan dan suhu rata-rata di Kota Bandung menggunakan model Seasonal VARMA dan didapatkan model Seasonal VARMA. Selain melakukan pemodelan, peneliti pun melakukan peramalan dari data deret waktu curah hujan dan suhu rata-rata 12 bulan ke depan. Hasil dari peramalan didapatkan jika ramalan curah hujan tertinggi ada pada bulan Maret 2023 sebesar 254.394 mm dan bulan November 2023 sebesar 382.937 mm, pada bulan tersebut diramalkan terjadi musim hujan. Sedangkan hasil ramalan curah hujan terendah ada pada bulan Agustus 2023 sebesar 56.480 mm, dimana pada bulan agustus diramalkan bahwa akan terjadi musim kemarau.

Model Bayesian Median Autoregressive (BayesMAR) untuk Meramalkan Ekspor Barang di Indonesia

2024-03-19T09:19:53+08:00

Abstract. Time series data is data derived from an observation taken sequentially in a certain time with the same interval. The goal is to estimate or to forecast future time series values. One of the robust time series models is Bayesian Median Autoregressive (BayesMAR). The advantage of the BayesMAR model is that it is more flexible and robust to outliers. Because the Bayesian framework itself includes the prior distribution of the median, where the median is robust to outliers and does not need to fulfill classical assumptions. This article applied BayesMAR model to forecast goods exports in Indonesia using data from 1990 to July 2023. The order p is selected by BICp and the minimum value is obtained at order 5 with the obtained model was y_t= 1,17432 + 1,18786y_t-1- 0,3124y_t-2+ 0,06306y_t-3+ 0,38462y_t-4- 0,51256y_t-5+ 0,18942y_t-6. Based on the model, the forecasting of goods exports in Indonesia for the next four periods is obtained, namely the 136th period (October 01, 2023) of 972.16619 trillion rupiah, the 137th period (January 01, 2024) of 946.23121 trillion rupiah, the 138th period (April 01, 2024) of 924.93310 trillion rupiah, and in the 139th period (July 01, 2024) of 962.05450 trillion rupiah.

Abstrak. Data deret waktu adalah data yang berasal dari suatu pengamatan yang diambil secara berurutan dalam waktu tertentu dengan interval yang sama. Tujuannya untuk memperkirakan atau meramalkan nilai deret waktu yang akan datang. Salah satu model deret waktu yang robust yaitu Bayesian Median Autoregressive (BayesMAR). Kelebihan model BayesMAR yaitu model ini lebih fleksibel. Karena kerangka kerja Bayesian itu sendiri yaitu memasukkan distribusi awal (prior) dari median, dimana median memiliki sifat robust terhadap pencilan dan tidak perlu memenuhi asumsi klasik. Dalam skripsi ini akan dibahas mengenai penerapan model Bayesian Median Autoregressive untuk meramalkan ekspor barang di Indonesia dengan menggunakan data dari tahun 1990 sampai Juli tahun 2023. Orde p dipilih dengan BIC_p dan diperoleh nilai yang paling minimum antara orde 1 sampai 10 yaitu orde 5. Maka model peramalan yang paling baik adalah menggunakan BayesMAR orde 5 dengan differencing satu kali sehingga modelnya y_t= 1,17432 + 1,18786y_t-1- 0,3124y_t-2+ 0,06306y_t-3+ 0,38462y_t-4- 0,51256y_t-5+ 0,18942y_t-6. Berdasarkan model tersebut diperoleh peramalan ekspor barang di Indonesia untuk empat periode ke depan yaitu periode ke-136 (01 Oktober 2023) sebesar 972,16619 triliun rupiah, periode ke-137 (01 Januari 2024) sebesar 946,23121 triliun rupiah, periode ke-138 (01 April 2024) sebesar 924,93310 triliun rupiah, dan pada periode ke-139 (01 Juli 2024) sebesar 962,05450 triliun rupiah.

Regresi Ridge Menggunakan Metode Dorugade untuk Memodelkan Kemisikinan di Jawa Barat

2024-03-19T09:19:53+08:00

Abstract. Linear regression analysis is a statistical method for forming a relationship model between a dependent variable and one or more independent variables. There are several assumptions that must be met in multiple linear regression, one of which is multicollinearity. One method to overcome multicollinearity problems is to use the ridge regression method. Dorugade (2016) developed a ridge parameter estimator for regression models based on the average MSE value which resulted in the Dorugade parameter estimator being able to overcome multicollinearity problems. This research applies that method to model the level of poverty in districts/cities in West Java in 2022 with the dependent variable poverty level and the independent variables gross regional domestic product, open unemployment, number of labor force, human development index, and average years of schooling. It was found that there was a multicollinearity problem and ridge regression using the Dorugade method was used. Obtained bias constant , the ridge equation model and the equation model . It is obtained that (number of labor force) is significan with negative effect on the poverty level.

Abstrak. Analisis regresi linier adalah suatu metode statistika untuk membentuk model hubungan antara variabel dependent dengan satu atau lebih variabel independent. Ada beberapa asumsi yang harus terpenuhi dalam regresi linier berganda salah satunya adalah multikolinearitas. Salah satu metode untuk mengatasi masalah multikolinieritas adalah menggunakan metode regresi ridge. Dorugade (2016) mengembangkan estimator parameter Ridge pada model regresi berdasarkan nilai rata-rata MSE yang menghasilkan estimator parameter Dorugade mampu mengatasi masalah multikolinieritas. Skripsi ini menerapkan metode tersebut untuk memodelkan tingkat kemiskinan di Kabupaten/Kota di Jawa Barat Tahun 2022 dengan variabel dependent tingkat kemiskinan dan variabel independent produk domestik regional bruto, pengangguran terbuka, jumlah angkatan kerja, indeks pembangunan manusia, dan rata-rata lama sekolah. Pada pemeriksaan asumsi, diperoleh ada masalah multikolinieritas sehingga digunakan regresi ridge dengan metode dorugade. Diperoleh tetapan bias . Sehingga model persamaan ridge dan model persamaan . Diperoleh (jumlah angkatan kerja) yang signifikan. Dimana jumlah angkatan kerja berpengaruh negatif terhadap tingkat kemiskinan.

Analisis Volatilitas Return Ethereum Menggunakan Model Threshold GARCH

2024-03-19T09:19:52+08:00

Abstract. Volatility is a fluctuation or random change in return prices, in time series data volatility can cause heteroscedasticity or variance that is not constant where in general time series data must have a constant variance (homogeneous). Analysis that can be used in handling data with non-constant (heterogeneous) variance is using the Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model. Return data is also identical to asymmetric changes in terms of negative and positive changes, it can also be analyzed with a special model, namely the Threshold GARCH model, where the TGARCH model considers positive and negative changes in return data to have different effects. The return data used in this study is Ethereum return data taken from the investment website and will be modeled using the TGARCH model. The first model estimated is the ARIMA (2,1,1) model. After testing the residual data, it was found that the ARIMA(2,1,1) model had an ARCH effect (heteroscedasticity), the second model estimated was the GARCH(1,1) model. After testing the residual data, it is found that the GARCH(1,1) model has an asymmetric effect, so the TGARCH model can be estimated. The best TGARCH model is the TGARCH(1,1) model. From the results of the research conducted, it can be concluded that the influence of positive allowances (good news) has a greater influence on the return value of ethereum than negative allowances (bad news). When there is a positive allowance, it will have an impact on the volatility of the Ethereum return value of 0.0006212. Meanwhile, when there is a negative allowance, it will have an impact on the volatility of the Ethereum return value of -0.32753.

Abstrak. Volatilitas adalah fluktuasi atau perubahan harga return secara acak, dalam data time series volatilitas dapat menyebabkan terjadinya heteroskedastisitas atau varians yang tidak konstan dimana pada umumnya data time series harus memiliki varians yang konstans (homogen). Analisis yang dapat digunakan dalam menangani data dengan varians yang tidak konstans (heterogen) yaitu menggunakan model Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Data return pun identik dengan perubahan asimetris dalam hal perubahan negatif dan positif, hal tersebut juga dapat dianalisis dengan model khusus yaitu model Threshold GARCH, dimana model TGARCH menganggap perubahan positif dan negatif pada data return memiliki efek yang berbeda. Data return yang digunakan dalam penelitian ini adalah data return Ethereum yang diambil dari website investasi dan akan dimodelkan menggunakan model TGARCH. Model pertama yang diestimasi adalah model ARIMA(2,1,1). Setelah dilakukan pengujian pada residual data, didapatkan hasil bahwa model ARIMA(2,1,1) memiliki efek ARCH (heteroskedastisitas), model kedua yang diestimasi adalah model GARCH(1,1). Setelah dilakukan pengujian pada residual data, didapatkan bahwa model GARCH(1,1) memiliki efek asimetris, maka model TGARCH dapat diestimasikan. Model TGARCH yang terbaik adalah model TGARCH(1,1). Dari hasil penelitian yang dilakukan dapat disimpulkan bahwa pengaruh gunjangan positif (good news) memiliki pengaruh yang lebih besar pada nilai return ethereum dibandingkan gunjangan negatif (bad news). Ketika terdapat gunjangan positif, maka akan berdampak pada volatilitas nilai return Ethereum sebesar 0.0006212. Sedangkan ketika terdapat gunjangan negatif, maka akan berdampak pada volatilitas nilai return Ethereum sebesar -0.32753.

Pengaruh Pertumbuhan Ekonomi, Kemiskinan, Indeks Pembangunan Manusia (IPM) dan Pengangguran terhadap Ketimpangan Pendapatan Kabupaten/Kota di Pulau Kalimantan Tahun 2022

2024-03-19T09:19:52+08:00

Abstract. Income inequality is still a problem in Indonesian economic development. Particularly Borneo Island still faces this problem among regions. This study aims to analyze the effect of several factors such as Economic Growth Rate (, Poverty Level (, Human Development Index (HDI) (, and Open Unemployment Rate ( to income inequality, Gini Ratio ( of Regency/City in Borneo Island. Multiple linear regression analysis was used to understand the complex relationship between those factors and the Gini index to see the influence of existing factors on income inequality. The result showed that economic growth rate and unemployment have a negative effect on income inequality of districts/cities in Borneo Island in 2022, at the same time HDI and poverty have a positive effect. The regression model obtained was dengan 30,1%.

Abstrak. Di Indonesia, terdapat ketimpangan pendapatan yang masih menjadi masalah dalam pembangunan ekonomi. Pulau Kalimantan khususnya masih menghadapi ketidakmerataan pendapatan antarwilayah. Penelitian ini bertujuan untuk menganalisis Faktor-faktor seperti Laju Pertumbuhan Ekonomi (, Tingkat Kemiskinan (, Indeks Pembangunan Manusia (IPM) (, dan Tingkat Pengangguran Terbuka ( terhadap ketimpangan pendapatan, Gini Ratio (Kabupaten/Kota di Pulau Kalimantan. Analisis regresi linier berganda digunakan untuk memahami hubungan kompleks antara faktor-faktor dengan indeks gini untuk melihat pengaruh dari faktor-faktor yang ada terhadap ketimpangan pendapatan. Hasil penelitian menunjukan bahwa laju pertumbuhan ekonomi dan pengangguran berpengaruh negatif terhadap ketimpangan pendapatan Kabupaten/Kota di Pulau Kalimantan, pada saat yang sama IPM dan kemiskinan berpengaruh positif terhadap ketimpangan pendapatan Kabupaten/Kota di Pulau Kalimantan tahun 2022. Model regresi yang diperoleh adalah dengan 30,1%.

Pemodelan Jumlah Kematian Ibu dan Bayi di Kota Bandung pada Tahun 2021 dengan Menggunakan Regresi Bivariate Poisson Inverse Gaussian

2024-03-19T09:19:51+08:00

Abstract. Poisson Regression is one of the regression models that involves count data with the assumption of equidispersion, meaning that the mean and variance have the same value. However, in practice, Poisson regression methods often encounter the problem of overdispersion, where the variance is greater than the mean. To address overdispersion, the mixed Poisson distribution is employed. Bivariate Poisson Inverse Gaussian regression is suitable for modeling paired count data that experiences overdispersion. The data used in this thesis consists of the number of maternal and infant deaths. Maternal and infant deaths are two interconnected aspects because they relate to the nutritional and health status of the infant during the mother's pregnancy. Therefore, both variables can be modeled using a bivariate distribution. With five predictor variables: the percentage of K1 visits during pregnancy (X1), the percentage of K4 visits by pregnant women (X2), the percentage of pregnant women receiving Fe+ tablets (X3), the percentage of obstetric complication management (X4), and the percentage of mothers and infants receiving Vitamin A (X5). This study utilized data from the health profile of Bandung City in 2021. In this thesis, I will apply Bivariate Poisson Inverse Gaussian regression to the data on maternal and infant deaths in Bandung City in 2021.

Abstrak. Regresi Poisson merupakan salah satu dari regresi yang dapat memodelkan data cacahan dengan memiliki asumsi equidispersion yaitu nilai rata-rata dan varians memiliki nilai yang sama. Namun dalam prakteknya metode regresi poisson sering terjadi masalah overdispersi yaitu nilai varians lebih besar daripada rata-rata. Untuk mengatasi data overdispersi yaitu dengan menggunakan distribusi mixed poisson. Regresi Bivariate Poisson Inverse Gaussian cocok untuk pemodelan data cacahan berpasangan dengan mengalami overdispersi. Data yang digunakan dalam skripsi ini adalah data jumlah kematian ibu dan kematian bayi. Kematian ibu dan kematian bayi termasuk dua hal yang saling berhubungan karena dari status gizi dan kesehatan bayi pada masa kandungan ibu. Oleh karena itu kedua variabel tersebut dapat dimodelkan menggunakan distribusi bivariate. Dengan terdapat 5 variabel prediktor yaitu persentase kunjungan K1 pada ibu hamil (X₁), persentase kunjungan K4 ibu hamil (X₂), persentase ibu hamil mendapatkan tablet Fe+ (X₃), persentase penanganan komplikasi kebidanan (X₄), dan persentase ibu dan bayi mendapatkan Vitamin A (X₅). Penelitian ini mengambil data dari profil kesehatan Kota Bandung pada tahun 2021. Pada skripsi ini saya akan menerapkan regresi Bivariate Poisson Inverse Gaussian pada data kematian ibu dan kematian bayi di Kota Bandung pada tahun 2021.

Penerapan Metode Three-Stage Least Square pada Persamaan Simultan Indeks Pembangunan Manusia dan Jumlah Penduduk Miskin

2024-03-19T09:19:51+08:00

Abstract. Regression analysis is a method used to determine the influence between dependent variables and one or more independent variables. The OLS method is employed to estimate a single equation. In simultaneous equations, the OLS method cannot be utilized due to the correlation between independent variables and errors. Several OLS estimates are in simultaneous equations, including the Two-Stage Least Squares (2SLS) method and the Three-Stage Least Squares (3SLS) method. The 3SLS method combines the 2SLS method with the Seemingly Unrelated Regression (SUR) method. The first stage involves estimating the reduced-form equation using the OLS method. In the second stage, the results of this estimation are used to estimate the structural equation of the model. Finally, in the third stage, the SUR method is applied with Generalized Least Squares (GLS) estimation. This study uses the 3SLS method to simultaneous equations of the Human Development Index (HDI) and the number of poor populations. The estimation results for the HDI concurrent equation model indicate that population density has a positive and significant impact on HDI, and the poverty line has a positive and significant effect on HDI. In contrast, the simultaneous equation for the number of poor populations shows that the open unemployment rate (OUR) has a positive and significant effect on the number of poor populations. Therefore, there is no reciprocal relationship or simultaneous relationship between the HDI variable and the variable of the number of poor populations.

Abstrak. Analisis regresi merupakan analisis yang digunakan untuk mengetahui pengaruh antara variabel tak bebas dengan satu atau lebih variabel bebas. Metode OLS digunakan untuk mengestimasi persamaan tunggal. Pada persamaan simultan metode OLS tidak dapat digunakan karena adanya korelasi antara variabel bebas dengan galat. Terdapat beberapa estimasi OLS dalam persamaan simultan yang dapat digunakan diantaranya metode Two-Stage Least Square (2SLS) dan metode Three-Stage Least Squares (3SLS). Metode 3SLS merupakan metode gabungan 2SLS dengan metode Seemingly Unrelated Regression (SUR). Tahap pertama estimasi persamaan reduksi dengan metode OLS, tahap kedua hasil estimasi tersebut digunakan untuk mengestimasi persamaan struktural dari model, kemudian tahap ketiga menggunakan metode SUR dengan estimasi Generalized Least Square (GLS). Penelitian ini menerapkan metode 3SLS pada persamaan simultan indeks pembangunan manusia (IPM) dan jumlah penduduk miskin. Hasil estimasi yang diperoleh pada model persamaan simultan IPM menunjukkan bahwa kepadatan penduduk berpengaruh positif dan signifikan terhadap IPM dan garis kemiskinan berpengaruh positif dan signifikan terhadap IPM. Sedangkan, pada persamaan simultan jumlah penduduk miskin menunjukkan bahwa tingkat pengangguran terbuka (TPT) berpengaruh positif dan signifikan terhadap jumlah penduduk miskin. Oleh karena itu, variabel IPM dan variabel jumlah penduduk miskin tidak ada hubungan timbal balik atau hubungan simultan.

Peramalan Jumlah Penumpang Kereta Api Jabodetabek Menggunakan Feed Forward Neural Network dengan Algoritma Backpropagation

2024-03-19T09:19:51+08:00

Abstract. Train is one of the land transportation who has quite a lot of interest for public because train’s tickets has a relatively cheap price. From year to year, train passengers has increases and may also decrease. The number of passengers is arranged in order time and that number of passengers who arranged in order time named time series. One method for analyzing time series is a feed-forward neural network. This method does not require assumptions in carrying out the analysis and the backpropagation algorithm is a simple algorithm that is most often used with weight adjustments so the models of feed-forward neural network have a small error. Therefore, the time series data on the number of train passengers in the Jabodetabek area in January 2006-October 2023 sourced from BPS has low complexity and is therefore applied for forecasting for the next 6 months using a feed-forward neural network with the backpropagation algorithm. Based on the results, the best neural network model was produced with a learning rate of 0.1 and the optimal model is model 5-10-1. Model 5-10-1 had an MSE value at the training stage is 0.00178 and a MAPE value at the training stage is 19%, which means the model is good for performing forecasting using training data. The optimal model was continued at the testing stage and have a MAPE value 36%, which means the model has a moderate ability to forecast when using testing data. The results of forecasting using the optimal model, each month in the next 6 months will have an increase and 2 times decrease but the decrease is not drastic.

Abstrak. Salah satu sarana transportasi darat yaitu kereta api memiliki peminat yang cukup banyak di kalangan masyarakat dikarenakan kereta api merupakan transportasi darat yang memiliki harga relatif murah. Tahun ke tahun penumpang kereta api mengalami kenaikan dan bisa juga mengalami penurunan, jumlah penumpang tersebut disusun sesuai urutan kejadiannya dan menjadikan jumlah penumpang tersebut termasuk kedalam data time series. Metode dalam menganalisis time series salah satunya adalah feed forward neural network. Metode ini tidak membutuhkan asumsi dalam melakukan analisisnya serta algoritma backpropagation merupakan algoritma sederhana yang paling sering digunakan dengan penyesuaian bobot sehingga mampu menghasilkan tingkat error yang kecil. Maka dari itu, data time series jumlah penumpang kereta api wilayah Jabodetabek pada Januari 2006-Oktober 2023 yang bersumber dari BPS memiliki kompleksitas yang kecil maka diterapkan untuk peramalan 6 bulan kedepan menggunakan feed forward neural network dengan algortima backpropagation. Berdasarkan hasil yang diperoleh, model terbaik neural network dihasilkan dengan learning rate sebesar 0,1 yaitu diperoleh model 5-10-1 yang memiliki nilai MSE tahap training sebesar 0,00178 serta nilai MAPE pada tahap training sebesar 19% yang mengartikan model baik untuk melakukan peramalan menggunakan data training. Model optimal yang diperoleh dilanjutkan pada tahap testing dan menghasilkan nilai MAPE sebesar 36% yang mengartikan model memiliki kemampuan yang sedang untuk melakukan peramalan jika menggunakan data testing. Hasil peramalan menggunakan model optimal, tiap bulan dalam 6 bulan kedepan memiliki kenaikan dan mengalami penurunan sebanyak 2 kali namun penurunan tidak drasits.

Klasifikasi Pemakaian Alat Kontrasepsi Modern Berdasarkan Faktor Pemberdayaan Perempuan dan Sosial Demografi di Jawa Barat dengan Menggunakan Metode Support Vector Machine (SVM)

2024-03-19T09:19:50+08:00

Abstract. The use of women's contraceptive methods is closely related to a decrease in fertility. The International Conference on Population and Development (1995) stated that women absorb more information about contraceptive use and are involved in its utilization, in line with the increased empowerment of women. In this study, the Support Vector Machine (SVM) method is employed to classify the usage of modern contraceptives. The SVM algorithm is a linear classification method and requires the use of a kernel to handle non-linear data. There are empowerment and social demographic factors suspected to determine the classification of modern contraceptive usage. It includes nine social demographic variables and three women's empowerment variables. Social demographic factors consist of age, women's education, employment status, husband's education, number of living children, desired number of children, wealth index, area of residence, and exposure to family planning information. Women's empowerment factors include economic decision-making, household decision-making, and physical mobility. Analysis of modern contraceptive use based on women's empowerment and social demographics will be conducted using the SVM method. This research, using the SVM method, aims to generate a classification model with high accuracy or low error in classifying modern contraception in West Java. The data used is derived from the 2007 Indonesia Demographic and Health Survey (IDHS). In this study, the variable used is the use of contraceptives against the fertility rate of women aged 14-49. The accuracy result of the classification of modern contraceptive use using the SVM method with a polynomial kernel, parameters C = 1000, and degree = 3 shows a good value of 81.17%.

Abstrak. Penggunaan alat kontrasepsi wanita sangat erat kaitannya dengan penurunan fertilitas. International Conference on Population and Development (1995) menyatakan bahwa wanita menyerap lebih banyak informasi tentang penggunaan kontrasepsi dan terlibat dalam penggunaan kontrasepsi, seiring dengan peningkatan status pemberdayaan perempuan. Dalam penelitian ini menggunakan metode Support Vector Machine (SVM) untuk mengklasifikasikan pemakaian alat kontrasepsi modern. Algoritma SVM adalah metode klasifikasi linier dan harus menggunakan kernel untuk mengatasi data yang bersifat nonlinier. Terdapat faktor pemberdayaan perempuan dan sosial demografi yang diduga menentukan klasifikasi pemakaian alat kontrasepsi modern. Di dalamnya ada sembilan variabel sosial demografi dan tiga variabel pemberdayaan perempuan. Faktor sosial demografi yang terdiri dari umur, pendidikan wanita, status bekerja, pendidikan suami, jumlah anak hidup, jumlah anak ideal, indeks kekayaan, daerah tempat tinggal, dan keterpaparan infomasi KB. Faktor pemberdayaan perempuan yang terdiri dari keputusan ekonomi, keputusan rumah tangga dan mobilitas fisik. Analisis pengunaan alat kontrasepsi modern berdasarkan faktor pemberdayaan perempuan dan sosial demografi akan dilakukan dengan metode SVM. Penelitian ini dengan menggunakan metode SVM bertujuan untuk menghasilkan model klasifikasi dengan akurasi tinggi atau error yang kecil dalam melakukan klasifikasi kontrasepsi modern di Jawa Barat. Data yang digunakan berasal dari Survei Demografi dan Kesehatan Indonesia (SDKI) tahun 2007. Dalam penelitian ini variabel menggunakan alat kontrasepsi terhadap tingkat kesuburan wanita 14-49 tahun. Hasil akurasi dari klasifikasi pemakaian kontrasepsi modern menggunakan metode SVM dengan kernel polynomial, parameter C = 1000 dan degree = 3 menunjukkan nilai yang baik yaitu sebesar 81,17%.

Kekuatan Hubungan Rata-Rata Lama Sekolah dan Indeks Keparahan Kemiskinan dari Kabupaten/Kota di Indonesia Tahun 2022 Menggunakan Metode Taba (T)

2024-03-19T09:19:50+08:00

Abstract. Correlation analysis is a technique used to determine the strength of relationship between two quantitative variables (numerical values). A common correlation used for numerical data is Pearson's Product Moment correlation. It is suitable for data from bivariate normal distribution without outlier. Tabatabai, et al (2021) proposed a new correlation method that is robust to outliers, namely Taba (T), TabWil (TW), and TabWil rank (TWR). Taba (T) and Tabwill (TW) correlations measure the linear association between two continuous or ordinal variables, while the TabWil rank (TWR) measures the monotonic association. The new correlation method is very competitive compared to Pearson and Spearman, and Quadrant, Median, and Minimum Coavariance Determinant (MCD) measures. Spearman, Quadrant, Median, and MCD correlations have limitations in dealing with outliers and normality deviations in the data. This study applied Taba correlation (T) to masure the strength of the relationship between the average years of schooling variable and the poverty severity index in districts / cities in Indonesia in 2022, since there were outliers on the data. It was found that the strength of the relationship between both variables was negative and very low, with a value of rTaba(X,Y) = -0.2584861.

Abstrak. Analisis korelasi adalah teknik yang digunakan untuk menentukan kekuatan hubungan antara dua variabel kuantitatif (nilai numerik). Korelasi yang umum digunakan untuk data numerik adalah korelasi Product Moment Pearson. Korelasi ini cocok untuk data yang berdistribusi normal bivariat tanpa pencilan. Tabatabai, dkk (2021) mengusulkan metode korelasi baru yang robust terhadap pencilan, yaitu Taba (T), TabWil (TW), dan TabWil rank (TWR). Korelasi Taba (T) dan TabWil (TW) mengukur hubungan linier antara dua variabel kontinu atau ordinal, sedangkan peringkat TabWil (TWR) mengukur hubungan monotonik. Metode korelasi baru ini sangat kompetitif dibandingkan dengan Pearson dan Spearman, serta ukuran Kuadran, Median, dan Minimum Coavariance Determinant (MCD). Korelasi Spearman, Kuadran, Median, dan MCD memiliki keterbatasan dalam menangani pencilan dan penyimpangan normalitas pada data. Penelitian ini menggunakan korelasi Taba (T) untuk mengukur kekuatan hubungan antara variabel rata-rata lama sekolah dengan indeks keparahan kemiskinan di kabupaten/kota di Indonesia pada tahun 2022, karena terdapat pencilan pada data. Ditemukan bahwa kekuatan hubungan antara kedua variabel tersebut adalah negatif dan sangat rendah, dengan nilai rTaba(X,Y) = -0,2584861.

Diagram Kendali Nonparametrik Sintetis Exponentially Weighted Moving Average dalam Memantau Rata-Rata Proses dan Penerapannya pada Data Pengukuran Core 4st PT. ABCD

2024-03-19T09:19:50+08:00

Abstract. Control chart is a tools in statistical process control (SPC) used to monitor whether the the production process is stable or not. Control chrat was first developed by Shewhart. However, the Swehart type chart is not sensitive in detecting small shifts and the alternative is the EWMA control chart which is capable of detecting small shifts, but this chart assumming the observation process comes from normal distribution. The altervative is nonparametric EWMA Sign control chart that is appropriate for non normal data. To increase its power, Haq et al. (2018) proposed a synthetic chart that combines EWMA chart and conforming run length (CRL) sub-chart, called SynEWMA chart. This chart has better performance compared to control charts in general. This research applied the SynEWMA nonparametric control diagram to the core 4st data. Core 4st is one of the components in the motor starter dynamo and starter coil whose function is to strengthen the magnetic field and act as a fastener for the motor frame mount. In the phase I, it used non-parametric Shewhart control chart, it was obtained the mean process is µ₀ = 485150. Using the SynEWMA control chart in phase II and L=10, a value of k = 1,4679, the control limits obtained were as follows: UCL= 0.8380 and LCL=0.7854. There were several points outside of the control limits or nonconforming. From these points, by comparing them with the L value, it can be concluded that there were out of control processes in observations 2, 3, 4, 5, 18, and 19.

Abstrak. Diagram kendali merupakan suatu alat dalam pengendalian proses statistik (SPC) yang digunakan untuk memantau apakah suatu proses produksi stabil atau tidak. Diagram kendali pertama kali dikembangkan oleh Shewhart. Namun diagram kendali tipe Swehart kurang sensitif dalam mendeteksi pergeseran kecil dan alternatifnya adalah peta kendali EWMA yang mampu mendeteksi pergeseran kecil, namun diagram kendali ini mengasumsikan proses pengamatan berasal dari distribusi normal. Alternatifnya adalah diagram kendali Tanda EWMA nonparametrik yang sesuai untuk data non normal. Untuk meningkatkan kekuatannya, Haq et al. (2018) mengusulkan diagram kendali sintetis yang menggabungkan diagram kendali EWMA dan sub-grafik run length (CRL) yang sesuai, yang disebut diagram kendali SynEWMA. Grafik ini mempunyai kinerja yang lebih baik dibandingkan dengan diagram kendali pada umumnya. Penelitian ini menerapkan diagram kendali nonparametrik SynEWMA pada data core 4st. Core 4st merupakan salah satu komponen pada dinamo starter motor dan koil starter yang fungsinya untuk memperkuat medan magnet dan berfungsi sebagai pengikat dudukan rangka motor. Pada tahap I menggunakan diagram kendali Shewhart non parametrik diperoleh rata-rata proses µ = 4,8515. Dengan menggunakan diagram kendali SynEWMA tahap II dan L=10 diperoleh nilai k = 1,4679 batas kendali diperoleh sebagai berikut: BKA=0.8380 dan BKB=0.7854. Terdapat beberapa titik di luar batas kendali atau tidak sesuai. Dari poin-poin tersebut, jika dibandingkan dengan nilai L maka dapat disimpulkan bahwa terjadi proses diluar kendali pada pengamatan ke-2, 3, 4, 5, 18, dan 19.

Penerapan Metode Simple K-Medoid (SKM) dalam Mengklasterkan SMA di Kabupaten Karanganyar Tahun 2023

2024-03-19T09:19:50+08:00

Abstract. Cluster analysis is an analysis that classifies objects that have similar characteristics into the same group. One of the most common cluster analysis methods is the non-hierarchical method where the number of clusters is determined by the researcher. Some of the methods included in non-hierarchical methods are k-means and k-medoid. The k-means method is a clustering method used for numeric variable data, while the k-medoid method can be used for mixed variable data (numeric and categorical data). The k-medoid method used for mixed variable data is the Simple K-Medoid (SKM) method. The cluster results obtained in the SKM method must be validated using the Medoid Shadow Value (MSV) to see the best number of clusters. The data used in this study comes from the Sekolah Kita website and the Basic Education Data which is mixed data consisting of 14 numerical variables and 3 binary and categorical variables. Based on the results of the SKM method clustering and cluster validation using MSV, it was found that there were 2 clusters of high schools in Karanganyar District. Cluster 1 consists of 15 high schools from 18 high schools with more complete facilities and infrastructure than cluster 2 which consists of 3 high schools from 18 high schools.

Abstrak. Analisis klaster adalah analisis yang mengklasifikasikan objek yang memiliki kesamaan karakteristik ke dalam kelompok yang sama. Salah satu metode analisis klaster yang paling umum adalah metode non hierarki di mana jumlah klaster ditentukan oleh peneliti. Beberapa metode yang termasuk ke dalam metode non hierarki adalah k-means dan k-medoid. Metode k-means adalah metode klaster yang digunakan untuk data bervariabel numerik, sedangkan metode k-medoid dapat digunakan untuk data bervariabel campuran (data numerik dan kategorik). Metode k-medoid yang digunakan untuk data bervariabel campuran adalah metode Simple K-Medoid (SKM). Hasil klaster yang didapat pada metode SKM harus divalidasi menggunakan Medoid Shadow Value (MSV) untuk melihat jumlah klaster yang terbaik. Data yang digunakan pada penelitian ini berasal dari website Sekolah Kita dan Data Pokok Pendidikan yang merupakan data campuran yakni terdiri dari 14 variabel numerik dan 3 variabel biner dan kategorik. Berdasarkan hasil dari pengelompokkan metode SKM dan validasi klaster menggunakan MSV didapatkan pengelompokkan SMA di Kabupaten Karanganyar sebanyak 2 klaster. Klaster 1 beranggotakan 15 SMA dari 18 SMA dengan memiliki sarana dan prasarana yang lebih lengkap dibandingkan klaster 2 yang beranggotakan 3 SMA dari 18 SMA.

Premi Asuransi Gempa Bumi di Zona Seismic Gap Selatan Jawa Bagian Barat Tahun 1958-2022

2024-03-19T09:19:49+08:00

Abstract. Seismic gaps are areas of potential for large earthquakes. Indonesia is tectonically unstable and is the most active continental margin in the world and is included in seismically active regions. The United States Geological Survey (USGS) records Indonesia as the country with the most earthquakes in the world (USGS, 2022). Earthquakes can cause many losses such as casualties, traumatic effects experienced by victims after an earthquake, as well as property losses, damage to residential buildings, public facilities, office buildings or other infrastructure. This study aims to examine the Seismic Gap in Indonesia in the southern zone of western Java and calculate insurance premiums to determine the amount of losses incurred in the event of an earthquake. The results showed that from 20 mainshock earthquake events there were 5 intensity scales, namely scales 12 to 16, which had impacts such as cracked roads and cracked walls, and the earthquake hazard value or the largest earthquake exceedance level was on scale 16. 3. The total premium rate that must be paid by the customer as the insured party to the insurance company every year is at Rp87,975,000 to Rp437,362,500. Future research is expected to have more linear data. In this study, it is expected that future research can use other approaches in calculating the possibility of the amount of insurance premiums caused by natural disasters such as earthquakes.

Abstrak. Seismic gap merupakan daerah berpotensi terjadinya gempa bumi besar. Indonesia secara tektonik bersifat labil dan merupakan kawasan pinggir benua yang paling aktif di dunia dan termasuk dalam daerah seismik aktif. The United States Geological Survey (USGS) mencatat Indonesia sebagai negara dengan gempa bumi terbanyak di dunia (USGS, 2022). Gempa bumi dapat menimbulkan banyak kerugian seperti korban jiwa, efek traumatik yang dialami korban pasca gempa, serta kerugian harta benda, kerusakan bangunan tempat tinggal, fasilitas-fasilitas umum, gedung perkantoran atau infrastruktur lainnya. Penelitian ini bertujuan untuk meneliti Seismic Gap di Indonesia pada zona selatan jawa bagian barat dan menghitung premi asuransi untuk mengetahui besar kerugian yang timbul jika terjadi gempa bumi. Hasil penilitian menunjukkan dari 20 kejadian gempa bumi mainshock terdapat 5 skala intensitas yaitu skala 12 sampai 16 yang dampaknya seperti jalanan retak dan tembok retak, dan nilai bahaya gempa atau tingkat pelampauan gempa bumi terbesar ada di skala 16. 3. Tarif total premi yang harus dibayarkan oleh nasabah sebagai pihak tertanggung kepada pihak asuransi setiap tahunnya berada di angka Rp87.975.000 sampai dengan Rp437.362.500. Penelitian selanjutnya diharapkan memiliki data yang lebih linear. Dalam penelitian ini diharapkan untuk penelitian selanjutnya dapat menggunakan pendekatan lain dalam menghitung kemungkinan besaran premi asuransi yang diakibatkan oleh terjadinya bencana alam seperti gempa bumi.

Pengelompokkan Desa di Jawa Barat Berdasarkan Variabel Penyusun Indeks Desa Membangun

2024-03-19T09:19:49+08:00

Abstract. The development and improvement of the quality of life at the village level is a crucial aspect of a country's development. The Village Development Index (IDM) is one of the important indicators that describe the development of villages from various aspects. The IDM measurement contains three constituent indices, namely the Social Resilience Index (IKS), Economic Resilience Index (IKE), and Environmental Resilience Index (IKL). IDM data in 2023 for West Java Province have significant variations in the values of the three constituent indices. Therefore, a clustering method is required to determine groups consisting of several villages in West Java. The clustering method that is often used is the K-Means method, but K-Means has a weakness, which is sensitive to outliers. Therefore, K-Medoids is present to overcome these shortcomings. The results of research with the Silhouette method obtained the optimal number of clusters is as many as 2. So that clustering is carried out with a number of clusters of 2. The results of clustering with the K-Medoids method were: (1) Cluster 1 had an average values of IKS, IKE, and IKL variables that were below the population average. So that cluster 1 had a lower IDM value category compared to cluster 2. (2) Cluster 2 had an average values of the IKS, IKE, and IKL variables that are above the population average. Therefore, cluster 2 has a higher IDM category than cluster 1.

Abstrak. Pembangunan dan peningkatan kualitas kehidupan di tingkat desa merupakan aspek krusial dalam pembangunan suatu negara. Indeks Desa Membangun (IDM) menjadi salah satu indikator penting yang menggambarkan perkembangan desa dari berbagai aspek. Pengukuran IDM memuat tiga indeks penyusun, yakni Indeks Ketahanan Sosial (IKS), Indeks Ketahanan Ekonomi (IKE), dan Indeks Ketahanan Lingkungan (IKL). Berdasarkan data IDM tahun 2023, terlihat bahwa desa-desa di Provinsi Jawa Barat memiliki variasi nilai yang cukup signifikan dalam ketiga indeks penyusunnya. Untuk itu, diperlukan metode klasterisasi untuk menentukan kelompok yang terdiri dari beberapa desa di Jawa Barat. Metode klastering yang sering digunakan adalah metode K-Means Namun K-Means memiliki kelemahan, yaitu sensitif terhadap outlier. Maka dari itu, K-Medoids hadir untuk mengatasi kekurangan tersebut. Adapun hasil penelitian dengan metode Silhouette diperoleh jumlah klaster optimal adalah sebanyak 2. Sehingga klasterisasi dilakukan dengan jumlah klaster sebanyak 2. Hasil klasterisasi dengan metode K-Medoids adalah : (1) Klaster 1 memiliki nilai rata-rata untuk variabel IKS, IKE, dan IKL yang berada di bawah rata-rata populasi. Sehingga klaster 1 memiliki kategori nilai IDM yang lebih rendah dibandingkan dengan klaster 2. (2) Klaster 2 memiliki nilai rata-rata untuk variabel IKS, IKE, dan IKL yang berada di atas rata-rata populasi. Sehingga klaster 2 memiliki kategori IDM yang lebih tinggi dibandingkan dengan klaster 1.

Prediksi Sisa Usia Pakai Bearing Menggunakan Ekstraksi Fitur dan Regresi Kuadratik

2024-03-19T09:19:48+08:00

Abstract. Rotating machinery plays an important role in the production process in various industrial fields in the world. The condition of the engine components is of particular concern to the company so that the engine can operate properly which results in stability in engine productivity. One of the most damaged machine components is the bearing. To minimize bearing damage, monitoring is carried out through prognostics and health management (PHM) activities. Based on this explanation, the purpose of this study is to determine the prediction of the remaining useful life (RUL) of bearings on experimental data of FEMTO-ST Institute bearings using feature extraction and quadratic regression. The data used in this study are secondary data in the form of bearing vibration data from FEMTO-ST Institut with time series data type, especially in the horizontal direction bearing1_1 data. The methods used in this research are Principal Compenent Analysis (PCA), Friedman super smoother, quadratic regression and Remaining Useful Life (RUL). The results of this study indicate that the PCA and quadratic regression methods can work well in predicting the remaining useful life (RUL) of bearing1_1 vibration data in the horizontal direction. At tp = 25240 seconds, the actual value of RUL and RUL prediction is 1930 seconds and 1810 seconds, respectively, so that bearing damage in the actual event (actual RUL) is slower to occur for 120 seconds (2 minutes) than the predicted RUL, tp = 25240 seconds has the closest remaining useful life (RUL) bearing difference between the actual event results and the predicted RUL results, the RMSE value at tp = 25240 seconds is 0,215577 this is the best model quality in predicting the remaining useful life (RUL) of the bearing.

Abstrak. Rotating machinery memegang peranan penting pada proses produksi di berbagai bidang industri di dunia. Kondisi komponen-komponen mesin menjadi perhatian khusus bagi pihak perusahaan agar mesin dapat beroperasi dengan baik yang mengakibatkan kestabilan pada produktivitas mesin. Salah satu komponen mesin yang paling banyak mengalami kerusakan adalah bearing. Untuk meminimalisir kerusakan bearing dilakukan pemantauan melalui aktivitas prognostik dan manajemen kesehatan (Prognostics and Health Management -PHM). Berdasarkan penjelasan tersebut, tujuan penelitian ini adalah mengetahui prediksi sisa usia pakai (RUL) bearing pada data eksperimental bearing FEMTO-ST Institut dengan menggunakan ekstraksi fitur dan regresi kuadratik. Data yang digunakan dalam penelitian ini yaitu data sekunder berupa data vibrasi bearing dari FEMTO-ST Institut dengan tipe data time series, khususnya pada data bearing1_1 arah horizontal. Metode yang digunakan dalam penelitian ini adalah Principal Compenent Analysis (PCA), Friedman super smoother, regresi kuadratik dan Remaining Useful Life (RUL). Hasil penelitian ini menunjukkan bahwa metode PCA dan regresi kuadratik dapat bekerja dengan baik dalam meprediksi sisa usia pakai (RUL) pada data vibrasi bearing1_1 arah horizontal. Pada tp=25240 detik menghasilkan nilai aktual RUL dan prediksi RUL masing-masing adalah 1930 detik dan 1810 detik, sehingga kerusakan bearing pada kejadian sebanarnya (aktual RUL) lebih lambat terjadi selama 120 detik (2 menit) dari hasil prediksi RUL, tp=25240 detik memiliki selisih sisa usia pakai (RUL) bearing paling dekat antara hasil kejadian sebenarnya dengan hasil prediksi RUL, nilai RMSE pada tp=25240 detik adalah 0,215577 ini merupakan kualitas model terbaik dalam memprediksi sisa usia pakai (RUL) bearing.

Penerapan Diagram Kontrol Multivariate Exponentially Weighted Mean Squared (MEWMS) pada Pengendalian Dispersi Kualitas Proses Produksi Air PDAM

2024-03-19T09:19:48+08:00

Abstract. The availability of clean and suitable for consumption water is one of the efforts to improve the welfare of the community and is the responsibility of the government. Therefore, in order to ensure that the quality of distributed water meets the standards, it is very important to carry out regular water quality control. Control chart are one of the satatistic tools used in statistical quality control that have been useful for practitioners to produce quality goods and services. If there are more than two quality characteristics, control of these variables needs to use a multivariate control chart. In many practical applications, only individual observations are available n = 1. For these conditions, a Multivariate Exponentially Weighted Mean Squared (MEWMS) control chart can be used to control multivariate dispersions. In this study, the MEWMS control diagram was applied to the quality data of the water production process of PDAM Hazora, Jember Regency consisting of 7 water quality variables. The results of the analysis show that the MEWMS control diagram of the actual data, for each of its observational data is within the control limits at the weighting ω = 0.1; 0,5; 0.9 then, it can be concluded that the process is in control. The simulation results are based on mean vector parameters and data covariance matrix in control, showing that the MEWMS control chart that detects the fastest shift is the diagram using ω = 0.1 with the mean vector shift detected at the time of the 61st observation and for its dispersion at the 115th observation.

Abstrak. Tersedianya air bersih dan layak konsumsi merupakan salah satu upaya peningkatan kesejahteraan hidup masyarakat dan menjadi tanggung jawab pemerintah. Oleh karena itu, demi memastikan kualitas air yang terdistribusikan telah memenuhi standar, sangat penting untuk melakukan pengendalian kualitas air secara berkala. Diagram kontrol adalah salah satu alat satatistik yang digunakan pada pengendalian kualitas statistik yang telah berguna bagi praktisi untuk menghasilkan barang dan jasa yang berkualitas. Jika terdapat lebih dari dua buah karakteristik kualitas, pengendalian terhadap variabel-variabel tersebut perlu menggunakan diagram kontrol multivariat. Dalam banyak penerapan praktis, hanya pengamatan individual yang tersedia yaitu n sama dengan 1. Untuk kondisi ini, diagram kontrol Multivariate Exponentially Weighted Mean Squared (MEWMS) dapat digunakan untuk mengendalikan dispersi multivariat. Pada penelitian ini diagram kontrol MEWMS diaplikasikan pada data kualitas proses produksi air PDAM Hazora Kabupaten Jember yang terdiri atas 7 variabel kualitas air. Hasil analisis menunjukkan bahwa diagram kontrol MEWMS data aktual, untuk setiap data pengamatannya berada dalam batas-batas kendali pada pembobot

Hubungan antara Pergerakan Beberapa Indeks Harga Saham di Indonesia Menggunakan Metode Statistik Gerber

2024-03-19T09:19:49+08:00

Abstract. Correlation analysis is a statistical analysis used to measure the strength reslationship between two variables. For the non-parametric one, Kendall τ is suitable when there are outliers or at least ordinal/ranking scale data or for non normal data. The Gerber statistic is similar to Kendall τ, introduced by Gerber, et al., (2021) which is suitable for looking at the strength of relationships of variables that move quickly over time such as hours or days as in stock data. This statistic measures the correlation between two variables as the ratio of the difference between the number of concordant and discordant pairs. The Gerber statistic has robust properties that are not sensitive large movements (outlier) and departure from normality. It also ignores the small movement, since it can be only a noise (s). Hence, it is useful to measure the strength of relationship of rapid and extreme movement of two variables. This study applied the Gerber statistics to stock price index return data to measure the strength of the relationship between the movements of several stock price index returns, namely the Composite Stock Price Index (CSPI), LQ45 Index, IDX30 Index, Kompas100 Index, BISNIS-27 Index, Investor33 Index, and MNC36 Index for the period 2018-2022. It is found that the strength of the relationship between the movements of several stock price index returns is generally positive with a significant strength of the relationship.

Abstrak. Analisis korelasi adalah analisis statistik yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Untuk non-parametrik, Kendall τ cocok digunakan ketika terdapat outlier atau minimal data berskala ordinal/ranking atau data tidak berdistrubusi normal. Statistik Gerber mirip dengan Kendall τ, diperkenalkan oleh Gerber, dkk., (2021) yang cocok untuk melihat kekuatan hubungan variabel yang bergerak cepat dari waktu ke waktu seperti jam atau hari seperti pada data saham. Statistik ini mengukur korelasi antara dua variabel sebagai rasio perbedaan antara jumlah pasangan konkordandan diskordan. Statistik Gerber memiliki sifat kuat yang tidak sensitif terhadap pergerakan besar (outlier) dan penyimpangan dari normalitas. Statistik ini juga mengabaikan pergerakan kecil, karena hal tersebut hanya berupa noise. Oleh karena itu, statistik ini berguna untuk mengukur kekuatan hubungan pergerakan cepat dan ekstrem dari dua variabel.Penelitian ini mengaplikasikan Statistik Gerber pada data return indeks harga saham untuk mengukur kekuatan hubungan antara pergerakan beberapa indeks harga saham, yaitu Indeks Harga Saham Gabungan (IHSG), Indeks LQ45, Indeks IDX30, Indeks Kompas100, Indeks BISNIS-27, Indeks Investor33, dan Indeks MNC36 periode 2018-2022. Hasil penelitian menunjukkan bahwa kekuatan hubungan antara pergerakan beberapa return indeks harga saham secara umum adalah positif dengan kekuatan hubungan yang signifikan.

Pengaruh Pendidikan dan Pelatihan terhadap Kinerja Karyawan Melalui Variabel Mediator Kompetensi Karyawan LPKL PERUMDA Tirtawening Kota Bandung

2024-03-19T09:19:49+08:00

Abstract. Regression analysis is an analysis carried out on two variables, namely the independent variable (predictor) and the dependent variable (response) which aims to determine whether there is an influence of the independent variable on the dependent variable. The variables that act as intermediaries in the relationship between the independent and dependent variables, so that the independent variables do not directly influence the change or emergence of the dependent variable are called mediating or intervening variables. In this thesis, we will discuss the influence of education and research on employee performance through the mediator variable of LPKL PERUMDA Tirtawening Bandung City employee competency using regression analysis. In this research, data was obtained by distributing questionnaires and data used by all LPKL PERUMDA Tirtawening Bandung City employees, totaling 45 employees. This research aims to determine the effect of service quality. Data analysis in this research uses regression analysis of mediating variables and tests hypotheses using the t test. The research results show that education and training have an effect on employee performance, education and training on competence, competence on employee performance, and there is no effect between education and training variables on employee performance by including competence as an intervening variable.

Abstrak. Analisis regresi merupakan analisis yang dilakukan pada dua variabel yaitu variabel bebas (prediktor) dan variabel terikat (respon) yang bertujuan untuk mengetahui apakah terdapat pengaruh variabel bebas terhadap variabel terikat. Adapun variabel yang berperan sebagai perantara hubungan antara variabel independen dan dependen, sehingga variabel independen tidak langsung mempengaruhi berubahnya atau timbulnya variabel dependen yang disebut sebagai variabel mediasi atau intervening. Dalam skripsi ini akan dibahas mengenai pengaruh pendidikan dan penelitian terhadap kinerja karyawan melalui variabel mediator kompetensi karyawan LPKL PERUMDA Tirtawening Kota Bandung menggunakan analisis regresi. Pada penelitian ini diperoleh data dengan cara menyebar kuisioner dan data yang digunakan semua karyawan LPKL PERUMDA Tirtawening Kota Bandung yang berjumlah 45 pegawai. Pada penelitian ini bertujuan untuk mengetahui pengaruh kualitas pelayanan Analisis data pada penelitian ini menggunakan analisis regresi variabel mediasi serta melakukan uji hipotesis menggunakan uji t. Hasil penelitian menunjukan bahwa pendidikan dan pelatihan berpengaruh pada kinerja karyawan, pendidikan dan pelatiahan terhadap kompetensi, kompetensi terhadap kinerja karyawan, dan tidak berpengaruh antara variabel pendidikan dan pelatihan terhadap kinerja karyawan dengan memasukan kompetensi sebagai variabel intervening.

Peramalan Inflasi Provinsi Jawa Barat Selama Tahun 2024 Menggunakan Standard Theta Method (STM)

2024-03-19T09:19:48+08:00

Abstract. Forecasting is a method used to predict the future as accurately as possible using past information. Standard Theta Method (STM) is one of the forecasting methods, where time series data is decomposed resulting in short-term and long-term components. These components are identified using the Theta model and extrapolated separately, and then combined in the final forecasting stage. Inflation forecasting is important in order to formulate an early monetary policy. Inflation needs to be monitored to keep it stable. This is done to prevent economic instability in Indonesia. In this study, forecasting will be carried out using the STM method for the inflation value of West Java Province. The STM method is applied to data that does not contain seasonality. In this research data, seasonal detection is carried out with the Autocorrelation Function (ACF), the results show that the data contains seasonal elements in every six periods. Therefore, multiplicative deseasonalization is performed to remove the seasonality. After this process, an STM analysis was performed which resulted in a constant b of -0.0086 and a parameter a of 0.4098. These parameters were used to calculate the two Theta lines. Then, data is extrapolated to the two lines, which are finally combined to obtain forecasting results. The forecasting results show the same seasonal pattern.

Keywords: Forecasting, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflation.

Abstrak. Peramalan adalah metode yang digunakan untuk memprediksi masa depan seakurat mungkin menggunakan informasi masa lalu. Standard Theta Method (STM) adalah salah satu metode peramalan, dimana data deret waktu akan diuraikan yang menghasilkan komponen jangka pendek dan jangka panjang. Komponen-komponen ini diidentifikasi dengan menggunakan model Theta dan diekstrapolasi secara terpisah, lalu akan dikombinasikan pada tahap peramalan akhir. Peramalan inlflasi merupakan hal yang penting untuk dilakukan agar dapat merumuskan kebijakan moneter yang lebih dini. Inflasi perlu diawasi perkembangannya agar tetap stabil. Hal tersebut dilakukan agar mencegah ketidakstabilan perekonomian di Indonesia. Pada penelitian ini akan dilakukan peramalan menggunakan metode STM untuk nilai inflasi Provinsi Jawa Barat. Metode STM diaplikasikan pada data yang tidak mengandung musiman. Pada data penelitian ini dilakukan pendeteksian musiman dengan Autocorrelation Function (ACF), diperoleh hasil bahwa data mengandung unsur musiman di setiap enam periode. Oleh karena itu, dilakukan multiplicative deseasonalization untuk menghilangkan musimannya. Setelah proses tersebut, dilakukan analisis STM yang menghasilkan konstanta b sebesar -0.0086 dan parameter a sebesar 0.4098. Parameter tersebut digunakan untuk mengitung kedua garis Theta. Lalu, dilakukan ekstrapolasi data terhadap kedua garis yang pada akhirnya dikombinasikan untuk mendapat hasil peramalan. Hasil peramalan menunjukkan pola musiman yang sama.

Kata Kunci: Peramalan, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflasi.

Pemodelan Regresi Binomial Negatif pada Kasus Jumlah Kematian Bayi di Indonesia Tahun 2021

2024-03-19T09:19:48+08:00

Abstrak. Regresi Poisson memiliki asumsi equidispersi dimana nilai rata-rata pada data sama dengan nilai variansnya. Akan tetapi permasalahan overdispersi bisa terjadi ketika nilai varians pada data lebih besar daripada nilai rata-ratanya. Salah satu penanganan overdispersi yaitu dengan menggunakan regresi binomial negatif. Tujuan penelitian ini untuk memodelkan regresi binomial negatif pada data jumlah kematian bayi di Indonesia tahun 2021 dan mengetahui faktor-faktor yang mempengaruhinya. Data diperoleh dari Kementerian Kesehatan Republik Indonesia pada Laporan Profil Kesehatan Indonesia tahun 2021 dengan unit penelitian yaitu 34 Provinsi di Indonesia. Variabel terikat yang digunakan yaitu jumlah kematian bayi (jumlah kematian bayi yang meninggal sebelum usia satu tahun per 1000 kelahiran hidup pada satu tahun tertentu) dan variabel bebas yang digunakan pada penelitian ini yaitu persentase kunjungan neonatal lengkap (KN3), persentase kunjungan ibu hamil K4, jumlah berat badan lahir (BBLR), persentase pemberian ASI ekslusif, dan persentase bayi di imunisasi dasar lengkap. Berdasarkan hasil analisis pada pemodelan regresi Poisson data mengalami kondisi overdispersi, sehingga alternatif model yang digunakan yaitu regresi binomial negatif. Pada regresi binomial negatif diperoleh model dengan nilai estimasi parameter yang berbeda dan menunjukan bahwa faktor-faktor yang berpengaruh terhadap jumlah kematian bayi di Indonesia tahun 2021 yaitu variabel persentase kunjungan ibu hamil K4, jumlah berat badan lahir rendah dan persentase bayi diberi asi ekslusif berpengaruh secara signifikan terhadap jumlah kematian bayi di Indonesia tahun 2021.

Abstract, Poisson regression has an equidispersion assumption where the average value of the data is equal to the variance value. However, overdispersion problems can occur when the variance value in the data is greater than the average value. One way to handle overdispersion is by using negative binomial regression. The purpose of this study is to model negative binomial regression on data on the number of infant deaths in Indonesia in 2021 and determine the factors that influence it. Data was obtained from the Ministry of Health of the Republic of Indonesia in the 2021 Indonesian Health Profile Report with the research unit being 34 provinces in Indonesia. The dependent variable used is the number of infant deaths (the number of deaths of infants who died before the age of one year per 1000 live births in a given year) and the independent variable used in this study is the percentage of complete neonatal visits (KN3), percentage of K4 maternal visits, total birth weight (LBW), percentage of exclusive breastfeeding, and percentage of infants in complete basic immunization. Based on the results of the analysis on Poisson regression modeling, the data experienced overdispersion conditions, so the alternative model used was negative binomial regression. In negative binomial regression, a model with different parameter estimation values is obtained and shows that the factors that affect the number of infant deaths in Indonesia in 2021, namely the variable percentage of K4 pregnant women visits, the number of low birth weight and the percentage of babies given exclusive breastfeeding, have a significant effect on the number of infant deaths in Indonesia in 2021.

Estimasi Regresi Kuantil untuk Data Biner Longitudinal dengan Pendekatan Bayesian-Gibbs Sampling pada Kasus TBC dan Stunting pada Anak di RSUD Lembang Tahun 2022

2024-03-19T09:19:47+08:00

Abstract. Quantile regression models the quantiles of the dependent variable as a function of independent variables. This method is robust to ourlier and heterscedasticity and allows modeling the influence of independent variables at various quantile points, providing a more comprehensive insight into the relationship between dependent and independent variables. Recently Rahman & Vosmeyer (2019) proposed a method named “quantile binary longitudinal data” (QBLD) to analyze longitudinal binary data for quantile regression based on Bayesian approach. This study applied QBLD to analyze the effect of predictor variables (x1-age, x2-Weight, x3-Height and x4-stunting status) to the probability of children tuberculosis (TB) status for different quantiles (0.25, 0.50, 0.75). In all three quantile regressions, based on Gelman-Rubin statistics, it was found that all regression coefficients have converged. The models for quantiles 0.25, 0.50, and 0.75 were: ; respectively. For all three quantile regressions, variables x1 (age), x2 (Weight), x3 (Height) significantly influenced the response, while x4 (stunting status) did not.

Abstrak. Model regresi kuantil menggambarkan kuantil variabel dependen sebagai fungsi dari variabel independen. Metode ini tahan terhadap pencilan dan heteroskedastisitas, serta memungkinkan pemodelan pengaruh variabel independen pada berbagai titik kuantil, memberikan wawasan yang lebih komprehensif tentang hubungan antara variabel dependen dan independen. Rahman & Vosmeyer (2019) mengusulkan metode "quantile binary longitudinal data" (QBLD) untuk menganalisis data biner longitudinal untuk regresi kuantil berdasarkan pendekatan Bayesian. Penelitian ini menerapkan QBLD untuk menganalisis pengaruh variabel prediktor (x1-umur, x2-Berat, x3-Tinggi, dan x4-status stunting) terhadap probabilitas status tuberkulosis (TBC) pada anak-anak untuk kuantil yang berbeda (0,25, 0,50, 0,75). Pada ketiga regresi kuantil, berdasarkan statistik Gelman-Rubin, ditemukan bahwa semua koefisien regresi telah konvergen. Model untuk masing-masing kuantil adalah ; . Pada ketiga regresi kuantil, x1 (umur), x2 (Berat Badan), x3 (Tinggi Badan) berpengaruh siginifikan terhadap respon, sedangkan x4 (status stunting) tidak berpengaruh signifikan.

Peramalan Nilai Ekspor di Indonesia Dengan Hierarchical Time Series Menggunakan Fungsi Transfer

2024-03-19T09:19:47+08:00

Abstract. Hierarchical forecasting is a breakdown of forecasting that allows joint forecasting at all levels of the hierarchy. There are two approaches used, namely the top-down and bottom-up approaches. This research uses a bottom-up approach, top-down historical proportions, and top-down forecasting proportions. Hierarchical forecasting can be applied to several time series models. The transfer function model is used in this research. This research aims to model the export value in Indonesia with a transfer function and export value based on export sector disaggregation. The data is divided into two levels, namely level 0 for data on export values for all sectors in Indonesia, and level 1 for data on export values per sector (oil and non-oil and gas). Based on the sMAPE value, the best hierarchical forecasting for level 0 is the bottom up approach with the smallest value, namely 30.18. Meanwhile, for level 1 with the oil and gas sector variable, it is a top down approach based on forecast proportions with the smallest value, namely 14.119, and for the non-oil and gas sector variable, it is a bottom up approach with the smallest value, namely 31.66. The research results show that for March 2023 the export value for the oil and gas sector was 1155.93 USD and for the non-oil and gas sector it was 16349.71 USD.

Keywords: Export value in Indonesia, Hierarchical Forecasting, transfer function

Abstrak. Peramalan hirarki adalah perincian peramalan yang memungkinkan peramalann bersama di semua tingkat hirarki. Ada dua pendekatan yang digunakan, yaitu pendekatan top-down dan bottom-up. Penelitian ini menggunakan pendekatan bottom-up, top-down proporsi historis, dan top-down proporsi peramalan. Peramalan hirarki dapat diterapkan ke beberapa model deret waktu. Model fungsi transfer digunakan dalam penelitian ini. Penelitian ini bertujuan untuk memodelkan nilai ekspor di Indonesia dengan fungsi transfer serta nilai ekspor berdasarkan disagregasi sektor ekspor. Data terbagi menjadi dua level, yaitu level 0 untuk data nilai ekspor seluruh sektor di Indonesia, serta level 1 untuk data nilai ekspor per sektor (migas dan non-migas). Berdasarkan nilai sMAPE, peramalan hirarki terbaik untuk level 0 adalah pendekatan bottom up dengan nilai terkecil yaitu 30.18. sedangkan untuk level 1 dengan variabel sektor Migas adalah pendekatan top down berdasarkan proprosi ramalan dengan nilai terkecil yaitu 14.119 dan untuk variabel sektor non Migas adalah pendekatan bottom up dengan nilai terkecil yaitu 31.66. Hasil penelitian menunjukan bahwa untuk bulan Maret 2023 nilai ekspor untuk sektor migas sebesar 1155.93 USD dan untuk sektor non migas sebesar 16349.71 USD.

Kata Kunci : Nilai ekspor di Indonesia, Peramalan Hirarki, fungsi transfer

Perbandingan Metode Fuzzy Time Series Chen dan Singh untuk Kunjungan Wisatawan yang Masuk ke Indonesia pada Tahun 2018-2023

2024-03-19T09:19:46+08:00

Abstract. Time series data is a collection of observations whose variables are measured according to the order of their periods. For example monthly, quarterly, yearly, etc. The goal is to find patterns in the data and apply these patterns to forecasting. Time series forecasting is based on historical data (past data). There are several methods for time series, one of which is fuzzy time series and has several models including the Chen and Singh model. Fuzzy time series is a concept proposed by Song (1997) and Chissom (1997), to solve forecasting problems if the historical data is in the form of linguistic values. Forecasting will use the Fuzzy Time Series method as one of the forecasting methods with better forecasting results compared to several other methods. Chen's model uses simple operation and Singh's model uses Simple Computation. In December 2023 Chen's model produces 23,926 tourists and forecasters using the Singh model produce 13,914 tourists. With the Chen model MAPE value is 7.578%. Meanwhile, the MAPE value for the Singh model is 2.06249%. Singh's model is a better model in predicting tourist visits to Indonesia.

Abstrak. Data deret waktu merupakan kumpulan pengamatan yang variabelnya diukur menurut urutan periodenya. Misalnya bulanan, triwulanan, tahunan, dll. Tujuannya adalah untuk menemukan pola dalam data dan menerapkan pola tersebut pada prakiraan (peramalan). Peramalan deret waktu didasarkan pada data historis (data masa lalu). Terdapat beberapa metode dari deret waktu salah satunya fuzzy time series dan memiliki beberapa model diantaranya model Chen dan Singh. Fuzzy time series merupakan sebuah konsep yang diusulkan oleh Song (1997) dan Chissom (1997), untuk menyelesaikan masalah peramalan apabila data historisnya berupa nilai-nilai linguistic. Peramalan akan menggunakan metode Fuzzy Time Series sebagai salah satu metode peramalan dengan hasil peramalan lebih baik dibandingkan dengan beberapa metode lainnya. Model Chen menggunakan operasi sederhana dan model Singh menggunakan Komputasi Sederhana. Pada bulan Desember 2023 model Chen menghasilkan wisatawan sebesar 23.926 orang dan hasil peramal menggunakan model Singh menghasilkan wisatawan sebesar 13.914 orang. Dengan nilai MAPE model Chen adalah sebesar 7.578%. Sedangkan nilai MAPE model Singh adalah sebesar 2.06249%. Model Singh merupakan model yang lebih baik dalam meramalkan kunjungan wisatawan yang masuk ke Indonesia.

Analisis Fuzzy Time Series Pada Jumlah Penumpang Kereta Api di Wilayah Sumatera Menggunakan Metode Marcov Chain dan Lee

2024-03-19T09:19:46+08:00

Abstract. Forecasting is a process of estimating future events based on past events. In determining forecasting, of course there are many methods that can be used, such as ARIMA, Exponential Smoothing and others. However, not all methods can be used in certain conditions and must fulfill assumptions that must be met, so a method was developed to overcome this problem, namely Fuzzy Time Series (FTS). This research aims to predict the number of train passengers in the Sumatra region for the next period using two methods, namely the fuzzy time series Marcov chain and the fuzzy time series Lee using Sturgess' rules. The difference between the two methods is during the forecast defuzzification process. The results of this research are comparing the level of model accuracy by looking at the error value through the Mean Absolute Percentage Error (MAPE). The research results from these two methods obtained a MAPE of 0.29% for the fuzzy Marcov chain time series while the fuzzy time series Lee was 0.38%. This shows that the fuzzy Marcov chain time series is better for forecasting the number of train passengers in the Sumatra region because it produces smaller error values.

Abstrak. Peramalan adalah suatu proses memperkirakan kejadian dimasa yang akan datang berdasarkan kejadian dimasa lampau. Dalam menentukan peramalan tentunya banyak sekali metode yang dapat digunakan seperti ARIMA, Exponential Smoothing dan lain-lain. Namun, tidak semua metode bisa digunakan pada kondisi tertentu dan harus memenuhi asumsi-asumsi yang harus terpenuhi, sehingga dikembangkan suatu metode untuk mengatasi masalah tersebut yaitu Fuzzy Time Series (FTS). Penelitian ini bertujuan untuk meramalkan jumlah penumpang kereta api di wilayah Sumatera untuk periode berikutnya dengan menggunakan dua metode yaitu fuzzy time series marcov chain dan fuzzy time series lee dengan menggunakan aturan sturgess. Perbedaan dari kedua metode tersebut yaitu pada saat proses defuzifikasi peramalan. Hasil dari penelitian ini yaitu membandingkan tingkat ketepatan model dengan melihat nilai error melalui Mean Absolute Percentage Error (MAPE). Hasil Penelitian dari kedua metode tersebut diperoleh MAPE sebesar 0,29% untuk fuzzy time series marcov chain sedangkan fuzzy time series lee yaitu sebesar 0,38%. Hal ini menunjukkan bahwa fuzzy time series marcov chain lebih baik untuk peramalan jumlah penumpang kereta api di wilayah Sumatera karena menghasilkan nilai error yang lebih kecil.

Pemodelan Spatial Autoregressive Model (SAR) dengan Pendekatan Mean Shift Outlier Model (MSOM) Pada Indeks Pembangunan Manusia (IPM) Provinsi Jawa Tengah Tahun 2022

2024-03-19T09:19:45+08:00

Abstract. Spatial Regression is a method that considers data with location effects. The existence of outliers will affect the results of parameter estimation and model accuracy. This also occurs in spatial regression models, especially Spatial Autoregressive (SAR) models. SAR is a spatial regression model with an area approach that considers the spatial influence of lag on dependent variables only. Therefore, it is necessary to modify the SAR model, especially by giving special treatment to observations that can potentially become outliers. This study developed data modeling of the Human Development Index in Central Java in 2022 using a modified SAR model with the Mean Shift Outlier Model (MSOM) approach. MSOM will detect outliers, and then the results are used to modify the SAR model. Data include the Human Development Index as dependent variable (Y), Number of Health Facilities as 1st independent variable (X1), Percentage of population who do not have diplomas as 2nd independent variable (X2), and Gross Regional Domestic Product (GDP) per capita as independent variable 3rd (X3). Based on the results of the study, it was obtained that the modified model can increase the accuracy of the model compared to the original SAR model. This can be proven by increasing the value of the coefficient of determination and decreasing the value of the Akaike Information Criterion (AIC) of the modified model. Factors that influence the Human Development Index (HDI) in Central Java are the Number of Health Facilities, the Percentage of the Population that doesn't have a diploma, and the Gross Regional Domestic Product per capita.

Abstrak. Regresi Spasial adalah metode yang mempertimbangkan data dengan efek lokasi.. Keberadaan outlier akan mempengaruhi hasil estimasi parameter dan akurasi model. Hal ini juga terjadi pada model regresi spasial, khususnya model Spatial Autoregressive (SAR). SAR merupakan model regresi spasial dengan pendekatan area yang memperhitungkan pengaruh spasial lag pada variabel dependent saja. Oleh karena itu, diperlukan untuk memodifikasi model SAR, terutama dengan memberikan perlakuan khusus pada pengamatan yang berpotensi menjadi outlier. Penelitian ini mengembangkan pemodelan data Indeks Pembangunan Manusia di Jawa Tengah tahun 2022 menggunakan model SAR yang dimodifikasi dengan pendekatan Mean Shift Outlier Model (MSOM). MSOM akan mendeteksi outlier kemudian hasilnya dijadikan dasar untuk memodifikasi model SAR. Data meliputi Indeks Pembangunan Manusia sebagai variabel dependent (Y), Jumlah Sarana Kesehatan sebagai variabel independent ke-1 (X₁), Persentase penduduk yang tidak memiliki ijazah sebagai variabel independent ke-2 (X₂), dan Produk Domestik Regional Bruto (PDRB) perkapita sebagai variabel independent ke-3 (X₃). Berdasarkan hasil penelitian diperoleh bahwa model yang telah dimodifikasi dapat meningkatkan akurasi model dibandingkan dengan model SAR asli. Hal ini dapat dibuktikan dengan meningkatnya nilai koefisien determinasi dan menurunnya nilai Akaike Information Criterion (AIC) dari model yang telah dimodifikasi. Faktor yang berpengaruh terhadap Indeks Pembangunan Manusia (IPM) di Jawa Tengah yaitu Jumlah Sarana Kesehatan, Persentase Penduduk yang tidak memiliki ijazah dan PDRB perkapita.

Penerapan Metode Geographically and Temporally Weighted Regression pada Persentase Penduduk Miskin di Papua Tahun 2019-2020

2024-03-19T09:19:45+08:00

Abstract. Linear regression analysis is a method used to model the relationship between the dependent variable and the independent variable. The parameters of the resulting regression model will have the same value (global). In data that contains spatial heterogeneity, linear regression analysis is not appropriate to use because there is variation between observation locations. A suitable method is Geographically Weighted Regression (GWR). However, GWR is only limited to cross-section data. If the data used is panel data, a more appropriate method is Geographically and Temporally Weighted Regression (GTWR). GTWR takes into account time variability (temporal heterogeneity), so that the resulting parameters will be different for each location and time of observation. Estimating regression parameters in this method uses Weighted Least Square (WLS). This research will discuss the application of the GTWR method to the Percentage of Poor Population in Papua, with the dependent variable used being the Percentage of Poor Population, while the independent variables used are School Enrollment Rate (16-18 Years), Labor Force Participation Rate, Morbidity Rate, Ratio Gini in Papua Province in 2019-2020. The results of applying GTWR produced 58 models and grouping of significant factors to form 6 groups in 2019 and 1 group in 2020.

Abstrak. Analisis regresi linear adalah metode yang digunakan untuk memodelkan hubungan antara variabel dependen dengan variabel independen. Parameter model regresi yang dihasilkan akan bernilai sama (global). Pada data yang mengandung heterogenitas spasial, analisis regresi linear kurang tepat digunakan karena terdapat keragaman antar lokasi pengamatan. Metode yang cocok adalah Geographically Weighted Regression (GWR). Namun, GWR hanya terbatas pada data cross-section. Apabila data yang digunakan adalah data panel, metode yang lebih tepat adalah Geographically and Temporally Weighted Regression (GTWR). GTWR ini memperhatikan adanya keragaman waktu (heterogenitas temporal), sehingga parameter yang dihasilkan akan berbeda untuk setiap lokasi dan waktu pengamatan. Pendugaan parameter regresi pada metode ini menggunakan Weighted Least Square (WLS). Pada penelitian ini akan membahas penerapan metode GTWR pada Persentase Penduduk Miskin di Papua, dengan variabel dependen yang digunakan adalah Persentase Penduduk Miskin, sedangkan variabel independen yang digunakan adalah Angka Partisipasi Sekolah (16-18 Tahun), Tingkat Partisipasi Angkatan Kerja, Angka Kesakitan, Rasio Gini di Provinsi Papua pada tahun 2019-2020. Hasil penerapan GTWR menghasilkan 58 model dan pengelompokkan faktor-faktor yang signifikan membentuk 6 kelompok pada tahun 2019 dan 1 kelompok pada tahun 2020.