Abstract. To model discrete data related to Poisson events, one way is to use Poisson Regression. If a data contains many zero values, the data can experience overdispersion. This overdispersion problem will increase type I errors, to model the overdispersion data, Hurdle Poisson Regression modeling is needed. Transmission of HIV/AIDS is caused by receiving HIV positive blood donors, through the mother's placenta to her fetus, and sexually transmitted infections. AIDS causes the human body's ability to fight infection to disappear, which can lead to someone's death. However, AIDS-related deaths do not always occur, especially in the districts/cities of West Java Province. So it is necessary to model Hurdle Poisson Regression in cases of death from AIDS. Data obtained through the official website of Open Data Jabar. The processed data includes: Number of AIDS-related Death Cases (Y), Number of HIV Positive Blood Donor Cases (X1), and Number of Syphilis Disease Cases (X2). Based on the research results, two models were formed, for the truncated model and for the logit model, but in the truncated model, HIV Positive Blood Donors (X1) and Syphilis Disease Cases (X2) have an effect on Death Cases due to AIDS in West Java Province, while in the logit model is only Cases of Syphilis (X2) which affect Cases of AIDS-related Deaths in West Java Province. Abstrak. Untuk memodelkan data diskrit yang menyangkut pada kejadian Poisson, salah satunya ialah menggunakan Regresi Poisson. Apabila suatu data mengandung banyak nilai nol, data tersebut dapat mengalami overdispersi. Permasalahan overdispersi ini akan memperbesar kesalahan jenis I, untuk memodelkan data yang mengalami overdispersi tersebut perlu pemodelan Hurdle Poisson Regression. Penularan HIV/AIDS disebabkan oleh penerimaan donor darah positif HIV, melalui plasenta Ibu ke janinnya, dan Penyakit Infeksi Menular Seksual. AIDS menyebabkan kemampuan tubuh manusia untuk melawan infeksi hilang, sehingga dapat menyebabkan kematian seseorang. Akan tetapi kematian akibat AIDS tidak selalu terjadi khususnya di Kabupaten/Kota Provinsi Jawa Barat. Maka perlu pemodelan Hurdle Poisson Regression pada kasus kematian akibat AIDS ini. Data diperoleh melalui website resmi Open Data Jabar. Data yang diolah tersebut antara lain: Jumlah Kasus Kematian Akibat AIDS (Y), Jumlah Kasus Donor Darah Positif HIV ( ), dan Jumlah Kasus Penyakit Sifilis ( ). Berdasarkan hasil penelitian dimana terbentuk dua model, yakni untuk model truncated dan untuk model logit. Akan tetapi pada model truncated, Donor Darah Positif HIV ( ) dan Kasus Penyakit Sifilis ( ) berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat, sedangkan pada model logit hanya Kasus Penyakit Sifilis ( ) yang berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat).
摘要。要对与泊松事件相关的离散数据建模，一种方法是使用泊松回归。如果数据包含许多零值，则数据可能会出现过分散。这种过分散问题会增加I类误差，为了对过分散数据进行建模，需要采用跨栏泊松回归模型。艾滋病毒/艾滋病的传播是由接受艾滋病毒阳性献血者的血液，通过母亲的胎盘传给胎儿，以及性传播感染引起的。艾滋病会导致人体抵抗感染的能力消失，从而导致死亡。然而，与艾滋病有关的死亡并不总是发生，特别是在西爪哇省的地区/城市。因此，有必要在艾滋病死亡病例中建立障碍泊松回归模型。通过Open Data Jabar官方网站获取的数据。处理的数据包括:艾滋病相关死亡人数(Y)、HIV阳性献血者人数(X1)、梅毒病例人数(X2)。根据研究结果，形成截断模型和logit模型两个模型，截断模型中，HIV阳性献血者(X1)和梅毒病例(X2)对西爪哇省艾滋病死亡病例有影响，而logit模型中只有梅毒病例(X2)影响西爪哇省艾滋病相关死亡病例。Abstrak。Untuk memordelkan数据磁盘yang menyangkut padkejadian Poisson, salah satunya ialah menggunakan Regresi Poisson。对数据进行了分析，并对数据的过度分散进行了研究。本文采用栅格泊松回归法分析了鄂尔多斯盆地的二叠纪冰川过分散现象，分析了鄂尔多斯盆地的二叠纪冰川过分散现象。Penyakit Infeksi Menular seseks: Penyakit HIV/AIDS患者、Penyakit HIV/AIDS供体、HIV阳性、melalui plasenta ibuke janinya、Penyakit Infeksi Menular seseks。艾滋病:menyebabkan kemampuan tubuh, menyebabkan kemampuan tubuh, tubuh, menyebabkan kematian seseorang。Akan tetapi kematian akibat AIDS tidak selalu terjadi khususnya di Kabupaten/哥打省爪哇巴拉。Maka perlu peemodelan障碍泊松回归模型研究艾滋病的诊断。开放数据网站(Open Data Jabar)。数据yang diolah tersebut antara lain: Jumlah Kasus Kematian Akibat艾滋病(Y)， Jumlah Kasus捐赠者Darah HIV阳性()，dan Jumlah Kasus Penyakit Sifilis()。Berdasarkan hasil penelitian dimana terbentuk dua模型，yakni untuk模型截断dan untuk模型logit。Akan tetapi pada模型截断，捐赠者Darah阳性HIV () dan Kasus Penyakit Sifilis () berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat, sedangkan pada模型logit hanya Kasus Penyakit Sifilis () yang berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat)。
{"title":"Pemodelan Hurdle Poisson Regresion pada Jumlah Kasus Kematian Akibat Penyakit HIV/AIDS di Provinsi Jawa Barat","authors":"Adinda Zahrotul Rizkiah, Nusar Hajarisman","doi":"10.29313/bcss.v3i2.9487","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9487","url":null,"abstract":"Abstract. To model discrete data related to Poisson events, one way is to use Poisson Regression. If a data contains many zero values, the data can experience overdispersion. This overdispersion problem will increase type I errors, to model the overdispersion data, Hurdle Poisson Regression modeling is needed. Transmission of HIV/AIDS is caused by receiving HIV positive blood donors, through the mother's placenta to her fetus, and sexually transmitted infections. AIDS causes the human body's ability to fight infection to disappear, which can lead to someone's death. However, AIDS-related deaths do not always occur, especially in the districts/cities of West Java Province. So it is necessary to model Hurdle Poisson Regression in cases of death from AIDS. Data obtained through the official website of Open Data Jabar. The processed data includes: Number of AIDS-related Death Cases (Y), Number of HIV Positive Blood Donor Cases (X1), and Number of Syphilis Disease Cases (X2). Based on the research results, two models were formed, for the truncated model and for the logit model, but in the truncated model, HIV Positive Blood Donors (X1) and Syphilis Disease Cases (X2) have an effect on Death Cases due to AIDS in West Java Province, while in the logit model is only Cases of Syphilis (X2) which affect Cases of AIDS-related Deaths in West Java Province. \u0000Abstrak. Untuk memodelkan data diskrit yang menyangkut pada kejadian Poisson, salah satunya ialah menggunakan Regresi Poisson. Apabila suatu data mengandung banyak nilai nol, data tersebut dapat mengalami overdispersi. Permasalahan overdispersi ini akan memperbesar kesalahan jenis I, untuk memodelkan data yang mengalami overdispersi tersebut perlu pemodelan Hurdle Poisson Regression. Penularan HIV/AIDS disebabkan oleh penerimaan donor darah positif HIV, melalui plasenta Ibu ke janinnya, dan Penyakit Infeksi Menular Seksual. AIDS menyebabkan kemampuan tubuh manusia untuk melawan infeksi hilang, sehingga dapat menyebabkan kematian seseorang. Akan tetapi kematian akibat AIDS tidak selalu terjadi khususnya di Kabupaten/Kota Provinsi Jawa Barat. Maka perlu pemodelan Hurdle Poisson Regression pada kasus kematian akibat AIDS ini. Data diperoleh melalui website resmi Open Data Jabar. Data yang diolah tersebut antara lain: Jumlah Kasus Kematian Akibat AIDS (Y), Jumlah Kasus Donor Darah Positif HIV ( ), dan Jumlah Kasus Penyakit Sifilis ( ). Berdasarkan hasil penelitian dimana terbentuk dua model, yakni untuk model truncated dan untuk model logit. Akan tetapi pada model truncated, Donor Darah Positif HIV ( ) dan Kasus Penyakit Sifilis ( ) berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat, sedangkan pada model logit hanya Kasus Penyakit Sifilis ( ) yang berpengaruh terhadap Kasus Kematian akibat AIDS di Provinsi Jawa Barat).","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128229193","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. In statistics, one of the tools that can be used in process control is the control diagram. A control diagram is a graph that gives an idea of the behavior of a process. On the control diagram can detect any changes in the process that may affect the quality of the product. Product quality characteristics measured numerically or numerically are called variables. If there are more than two quality characteristics, simultaneous control of the related variables is required using a multivariate control diagram. The multivariate Shewhart control diagram (T2-Hotelling) is a frequently used multivariate control diagram. This control diagram will quickly detect if there is a large shift from the average vector of the process. Multivariate control diagrams that can quickly detect small average vector shifts include the multivariate cumulative sum control diagram (MCUSUM). There are some MCUSUM statistics. In this thesis, we will discuss MCUSUM statistics made by Healy and Crosiers, namely SH and SC. Application to control the aluminum turning pin manufacturing process with five quality characteristics shows an uncontrolled process with an out of control signal given in the 4th period by the MCUSUM SH control diagram, while according to MCUSUM SC it was detected in the 5th period, and for the application of the control graph T2 Hotteling was detected in the observation period 6. Abstrak. Dalam statistika, salah satu alat yang dapat digunakan dalam pengendalian proses adalah diagram kontrol. Diagram kontrol adalah sebuah grafik yang memberi gambaran tentang perilaku sebuah proses. Pada diagram kontrol dapat mendeteksi setiap perubahan dalam proses yang dapat mempengaruhi kualitas produk. Karakteristik kualitas produk yang diukur secara numerik atau angka disebut variabel. Jika terdapat lebih dari dua buah karakteristik mutu, pengendalian secara simultan terhadap variabel-variabel terkait tersebut diperlukan dengan menggunakan diagram kontrol multivariat. Diagram kontrol Shewhart multivariat (T2-Hotelling) adalah diagram kontrol multivariat yang sering digunakan. Diagram kontrol ini akan cepat mendeteksi jika terjadi pergeseran besar dari vektor rata-rata proses. Diagram kontrol multivariat yang dapat dengan cepat mendeteksi pergeseran vektor rata-rata yang kecil salah satunya adalah diagram kontrol multivariate cumulative sum (MCUSUM). Terdapat beberapa statistik MCUSUM. Dalam skripsi ini akan dibahas statistik MCUSUM yang dibuat oleh Healy dan Crosier yaitu SH dan SC. Aplikasi pada pengontrolan proses pembuatan turning pin aluminium dengan lima karakteristik mutu menununjukkan proses tidak terkendali dengan sinyal out of kontrol diberikan pada periode ke-4 oleh diagram kontrol MCUSUM SH, sedangkan menurut MCUSUM SC terdeteksi pada periode ke-5, dan untuk penerapan grafik pengendali T2 Hotteling terdeteksi pada pengamatan periode 6.
摘要。在统计学中，可以用于过程控制的工具之一是控制图。控制图是一种图形，它给出了过程行为的概念。在控制图上可以检测到过程中可能影响产品质量的任何变化。用数值或数值方法测量的产品质量特性称为变量。如果有两个以上的质量特征，则需要使用多变量控制图同时控制相关变量。多元Shewhart控制图(T2-Hotelling)是一种常用的多元控制图。这个控制图将快速检测到是否有很大的偏离过程的平均向量。多元控制图，可以快速检测小的平均矢量位移包括多元累积和控制图(MCUSUM)。这里有一些mccusum的统计数据。在本文中,我们将讨论MCUSUM统计由希利和权杖,即SH和SC。应用程序控制铝将销制造过程有5个质量特征显示了一个不受控制的过程中给出控制信号的第四期MCUSUM SH控制图,同时根据MCUSUM SC在第五期,发现和T2控制图的应用•豪特尔在观察期间检测到6。Abstrak。Dalam statisticka, salah satu alat yang dapat digunakan Dalam pengendalian处理adalah图控制。图控制adalah sebuah grafik yang成员gambaran tenttanperaku sebuah过程。帕达图控制帕达图门达图，帕达图门达图，帕达图门达图，帕达图，帕达图，帕达图。Karakteristik kalitas product yang diukur secara numerik atau angka disbut variable。Jika terdapat lebih dari dua buah karakteristik mutu, pengendalian secara simulhap变量-变量terkat terhap，但diperlukan dengan menggunakan图控制多变量。图控Shewhart多变量(T2-Hotelling) adalah图控多变量yang sering digunakan。图的控制是一种基于向量逐次处理的方法。图控多变量杨控邓控，杨控邓控，杨控邓控，杨控邓控，杨控邓控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控，杨控Terdapat beberapa统计。Dalam skripsi ini akan dibahas统计MCUSUM yang dibuoleh Healy dan Crosier yitu SH danan SC. plplkasi padoncontrollan处理pembuatan turn pin铝dengan lima karakteristik mutu menununjukkan处理tidak terkendali dengan sinal失控diberikan pada周期ke-4 oleh图控制MCUSUM SH, sedangkan menuut MCUSUM SC terdeteksi pada周期ke-5, dan untuk pengendali T2 Hotteling terdeteksi pada pengamatan周期6。
{"title":"Implementasi Diagram Kontrol Multivariate Cumulative Sum (MCUSUM) untuk Pengendalian Proses Pembuatan Turning Pin Aluminium","authors":"Iqbal fadhilah, Suwanda","doi":"10.29313/bcss.v3i2.9369","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9369","url":null,"abstract":"Abstract. In statistics, one of the tools that can be used in process control is the control diagram. A control diagram is a graph that gives an idea of the behavior of a process. On the control diagram can detect any changes in the process that may affect the quality of the product. Product quality characteristics measured numerically or numerically are called variables. If there are more than two quality characteristics, simultaneous control of the related variables is required using a multivariate control diagram. The multivariate Shewhart control diagram (T2-Hotelling) is a frequently used multivariate control diagram. This control diagram will quickly detect if there is a large shift from the average vector of the process. Multivariate control diagrams that can quickly detect small average vector shifts include the multivariate cumulative sum control diagram (MCUSUM). There are some MCUSUM statistics. In this thesis, we will discuss MCUSUM statistics made by Healy and Crosiers, namely SH and SC. Application to control the aluminum turning pin manufacturing process with five quality characteristics shows an uncontrolled process with an out of control signal given in the 4th period by the MCUSUM SH control diagram, while according to MCUSUM SC it was detected in the 5th period, and for the application of the control graph T2 Hotteling was detected in the observation period 6. \u0000Abstrak. Dalam statistika, salah satu alat yang dapat digunakan dalam pengendalian proses adalah diagram kontrol. Diagram kontrol adalah sebuah grafik yang memberi gambaran tentang perilaku sebuah proses. Pada diagram kontrol dapat mendeteksi setiap perubahan dalam proses yang dapat mempengaruhi kualitas produk. Karakteristik kualitas produk yang diukur secara numerik atau angka disebut variabel. Jika terdapat lebih dari dua buah karakteristik mutu, pengendalian secara simultan terhadap variabel-variabel terkait tersebut diperlukan dengan menggunakan diagram kontrol multivariat. Diagram kontrol Shewhart multivariat (T2-Hotelling) adalah diagram kontrol multivariat yang sering digunakan. Diagram kontrol ini akan cepat mendeteksi jika terjadi pergeseran besar dari vektor rata-rata proses. Diagram kontrol multivariat yang dapat dengan cepat mendeteksi pergeseran vektor rata-rata yang kecil salah satunya adalah diagram kontrol multivariate cumulative sum (MCUSUM). Terdapat beberapa statistik MCUSUM. Dalam skripsi ini akan dibahas statistik MCUSUM yang dibuat oleh Healy dan Crosier yaitu SH dan SC. Aplikasi pada pengontrolan proses pembuatan turning pin aluminium dengan lima karakteristik mutu menununjukkan proses tidak terkendali dengan sinyal out of kontrol diberikan pada periode ke-4 oleh diagram kontrol MCUSUM SH, sedangkan menurut MCUSUM SC terdeteksi pada periode ke-5, dan untuk penerapan grafik pengendali T2 Hotteling terdeteksi pada pengamatan periode 6.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124394337","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. In the current modern era, the need for quality products has become an important criterion for consumers when purchasing a product, as the increasing competition in a product market demands companies to produce high-quality products. Quality control is necessary in the production process. Process capability is a quality control technique aimed at estimating the capability of a production process. Statistical quality control can be achieved using control charts, which are diagrams that represent observations of a production process over a specific period of time with Upper Control Limits (UCL) and Lower Control Limits (LCL) that define the pattern of dispersion. Control charts are used to quickly identify products experiencing defects. Control charts are divided into two types: attribute and variable. Attribute control charts are used for discrete data types, such as the number of defects in a product. In real-life situations, there are many cases where monitoring statistical control processes involves attribute data derived from quality characteristics that cannot be measured numerically or quantitatively. To address this type of data, there is a method used for monitoring Poisson processes called the Progressive Mean Attribute Poisson Control Chart (PPM). This research was conducted to examine how much and how quickly the detection of defective products occurred in the production of packaged cooking oil at PT. XY in 2017 using the PPM control chart. After analyzing the PPM control chart, it was concluded that the performance of this control chart was good because it could detect a significant number of data points that were out of control or in an unstable state. Abstrak. Di era modern saat ini, kebutuhan akan produk yang berkualitas menjadi ukuran penting bagi konsumen dalam membeli sebuah produk, karena semakin banyaknya persaingan pada suatu produk membuat perusahaan diminta untuk menghasilkan suau produk yang berkualitas. Pengendalian kualitas perlu dilakukan dalam suatu proses produksi. Kapabilitas proses merupakan sebuah teknik pengendalian kualitas yang bertujuan untuk memperkirakan kemampuan suatu proses produksi. Pegendalian kulitas secara statistik yang dapat digunakan yaitu diagram kendali, diagram kendali merupakan suatu diagram yang menggambarkan pengamatan suatu prosess produksi dalam periode waktu tertentu dengan Batas Kendali Atas (BKA) dan Batas Kendali Bawah (BKB) yang mengatur pola penyebaran. Diagram kendali ini dilakukan dengan tujuan dapat mengidentifikasi secepat mungkin pada produk yang mengalami kerusakan. Diagram kendali dibagi menjadi dua jenis yaitu atribut dan variabel, diagram kendali atribut digunakan untuk tipe data diskrit seperti jumlah kerusakan pada suatu produk. Dalam kehidupan nyata, ada banyak situasi di mana pemantauan proses pengendalian statistik melibatkan data atribut yang berasal dari karakteristik kualitas yang tidak dapat diukur secara numerik atau kuantitatif. Untuk mengatasi jenis data
摘要在当今的现代时代，对高质量产品的需求已经成为消费者购买产品的重要标准，因为产品市场的竞争日益激烈，要求企业生产高质量的产品。质量控制在生产过程中是必要的。过程能力是一种质量控制技术，旨在评估生产过程的能力。统计质量控制可以使用控制图来实现，控制图是在特定时期内对生产过程的观察结果的图表，其上控制限(UCL)和下控制限(LCL)定义了分散模式。控制图用于快速识别遇到缺陷的产品。控制图分为属性图和变量图两种类型。属性控制图用于离散的数据类型，例如产品中缺陷的数量。在实际情况中，在许多情况下，监视统计控制过程涉及从不能用数字或定量度量的质量特征派生的属性数据。为了处理这种类型的数据，有一种用于监测泊松过程的方法，称为渐进平均属性泊松控制图(PPM)。本研究是为了使用PPM控制图检查PT. XY在2017年包装食用油生产中发现缺陷产品的数量和速度。在对PPM控制图进行分析后，得出的结论是该控制图的性能很好，因为它可以检测到大量失控或处于不稳定状态的数据点。Abstrak。Di时代现代saat ini, kebutuhan akan produk yang berkualitas menjadi ukuran penting bagi konsumen dalam membeli sebuah produk, karena semakin banyaknya persingan和pada suatu produk perusahaan diminta untuk menghasilkan suau produk yang berkualitas。Pengendalian kualitas perlu dilakukan dalam suatu加工产品。Kapabilitas加工merupakan sebuah teknik pengendalian kualitas yang bertujuan untuk memberperkirakan kemampuan suatu加工产品。Pegendalian kulitas secara统计yang dapat digunakan yitu图kendali，图kendali merupakan suatu图yang menggambarkan pengamatan suatu process produksi dalam时期waktu tertentu dengan Batas kendali Atas (BKA) dan Batas kendali Bawah (BKB) yang mengatur pola penyebaran。图kendali ini dilakukan dengan tujuan dapat mengidentifikasi special mungkin padas产品yang mengalami kerusakan。图kendali dibagi menjadi dua jenis yiti atribut dan variable，图kendali atribut digunakan untuk type数据diskrti jumlah kerusakan paada suatu product。【翻译】Dalam kehidupan nyata, ada banyak sitasi di mana penantauan progengendalian统计数据，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性，数据属性。Untuk mengatasi jenis数据tersebut, terdapat mede yang dapat digunakan Untuk pemantauan处理泊松杨分布图kendali atribut泊松渐进平均(PPM)。中国农业大学学报(自然科学版)，2017。Setelah melakukan分析帕达图kendali PPM ini diperoleh kespulan bahwa kinerja帕达图kendali ini sudah baik karena dapat mendeteksi banyaknya数据杨失控atau dalam keadaand tidak terkendali。
{"title":"Diagram Kendali Poisson Progressive Mean (PPM) dalam Pengendalian Kualitas Produksi Kemasan Minyak Goreng di PT. XY","authors":"Wildan Nur Ramadlan, Teti Sofia Yanti","doi":"10.29313/bcss.v3i2.9390","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9390","url":null,"abstract":"Abstract. In the current modern era, the need for quality products has become an important criterion for consumers when purchasing a product, as the increasing competition in a product market demands companies to produce high-quality products. Quality control is necessary in the production process. Process capability is a quality control technique aimed at estimating the capability of a production process. Statistical quality control can be achieved using control charts, which are diagrams that represent observations of a production process over a specific period of time with Upper Control Limits (UCL) and Lower Control Limits (LCL) that define the pattern of dispersion. Control charts are used to quickly identify products experiencing defects. Control charts are divided into two types: attribute and variable. Attribute control charts are used for discrete data types, such as the number of defects in a product. In real-life situations, there are many cases where monitoring statistical control processes involves attribute data derived from quality characteristics that cannot be measured numerically or quantitatively. To address this type of data, there is a method used for monitoring Poisson processes called the Progressive Mean Attribute Poisson Control Chart (PPM). This research was conducted to examine how much and how quickly the detection of defective products occurred in the production of packaged cooking oil at PT. XY in 2017 using the PPM control chart. After analyzing the PPM control chart, it was concluded that the performance of this control chart was good because it could detect a significant number of data points that were out of control or in an unstable state. \u0000Abstrak. Di era modern saat ini, kebutuhan akan produk yang berkualitas menjadi ukuran penting bagi konsumen dalam membeli sebuah produk, karena semakin banyaknya persaingan pada suatu produk membuat perusahaan diminta untuk menghasilkan suau produk yang berkualitas. Pengendalian kualitas perlu dilakukan dalam suatu proses produksi. Kapabilitas proses merupakan sebuah teknik pengendalian kualitas yang bertujuan untuk memperkirakan kemampuan suatu proses produksi. Pegendalian kulitas secara statistik yang dapat digunakan yaitu diagram kendali, diagram kendali merupakan suatu diagram yang menggambarkan pengamatan suatu prosess produksi dalam periode waktu tertentu dengan Batas Kendali Atas (BKA) dan Batas Kendali Bawah (BKB) yang mengatur pola penyebaran. Diagram kendali ini dilakukan dengan tujuan dapat mengidentifikasi secepat mungkin pada produk yang mengalami kerusakan. Diagram kendali dibagi menjadi dua jenis yaitu atribut dan variabel, diagram kendali atribut digunakan untuk tipe data diskrit seperti jumlah kerusakan pada suatu produk. Dalam kehidupan nyata, ada banyak situasi di mana pemantauan proses pengendalian statistik melibatkan data atribut yang berasal dari karakteristik kualitas yang tidak dapat diukur secara numerik atau kuantitatif. Untuk mengatasi jenis data ","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"8 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129905688","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. Forecasting is useful for predicting future events covering the short, medium and long term with data that is usually used is time series data which is a collection of data compiled at a certain time continuously. Forecasting techniques for time series data analysis are divided into two models, namely forecasting models based on statistical mathematical models (ARIMA, exponential smoothing, moving average, and regression) and forecasting models based on artificial intelligence (neural networks, classification, and genetic algorithms). To improve forecast accuracy, the Box Cox Transformation is used when the time series data contains the problems of data non-stationarity and cyclical problems in the data, so there must be a process of checking for these two problems which can be checked using ADF statistics and ACF calculations. If non-stationary data occurs and there is a periodic or cyclical pattern, it is overcome by doing this Box Cox transformation. This study uses secondary data, namely agricultural exports in Indonesia in 2017-2022 from the website satudata.kemenag.go.id. The best model is SARIMA (1,0,1)(1,0,0)12 is the result of Box Cox transformation with the smallest MAPE and MAE values. The results of this study Box-Cox transformation can be used on data that was previously non-stationary can become stationary, but it cannot change the previously periodic data pattern into a stationary data pattern on the data used. Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang dengan data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Teknik peramalan analisis data deret waktu terbagi menjadi dua model yaitu model peramalan berdasarkan model matematika statistik (ARIMA, exponential smoothing, moving average, dan regresi) dan model peramalan berdasarkan kecerdasan buatan (neural network, klasifikasi, dan algoritma genetika). Untuk meningkatkan akurasi perkiraan, Transformasi Box Cox digunakan ketika data deret waktunya mengandung masalah adanya ketidakstasioneran data dan masalah siklus dalam data, sehiggga harus ada proses pemeriksaan dari kedua masalah tadi yg dapat diperiksa menggunakan statistik ADF dan perhitungan ACF. Jika terjadi data yg tidak stasioner dan terdapat pola periodik atau siklus maka diatasi dengan melalukan transformasi Box Cox ini. Penelitian ini menggunakan data sekunder yaitu ekpor bidang pertanian di Indonesia tahun 2017-2022 dari website satudata.kemenag.go.id. Didapat model terbaik yaitu SARIMA (1,0,1)(1,0,0)12 merupakan hasil dari transformasi Box Cox dengan nilai MAPE dan MAE terkecil.Hasil dari penelitian ini transformasi Box-Cox dapat digunakan pada data yang sebelumnya tidak stasioner dapat menjadi stasioner, namun tidak dapat mengubah pola data yang sebelumnya periodik menjadi pola data yang stasioner pada data yang dipakai pada penelitian ini. Hasil pe
摘要预测对于预测短期、中期和长期的未来事件是有用的，通常使用的数据是时间序列数据，它是在某一特定时间连续编制的数据集合。时间序列数据分析的预测技术分为两种模型，即基于统计数学模型的预测模型(ARIMA、指数平滑、移动平均和回归)和基于人工智能的预测模型(神经网络、分类和遗传算法)。为了提高预测精度，当时间序列数据中包含数据的非平稳性问题和周期性问题时，使用Box Cox变换，这两个问题必须有一个检验的过程，可以通过ADF统计和ACF计算进行检验。如果出现非平稳数据并且存在周期性或周期性模式，则可以通过进行Box - Cox变换来克服它。本研究使用二手数据，即来自satudata.kemenag.go.id网站的2017-2022年印度尼西亚的农产品出口。最佳模型为SARIMA(1,0,1)(1,0,0)。12为Box - Cox变换的结果，MAPE和MAE值最小。本研究的结果可以将Box-Cox变换用于以前是非平稳的数据，但它不能将以前的周期性数据模式改变为所使用数据的平稳数据模式。Abstrak。Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah danpanjang dengan数据yang biasanya digunakan adalah数据deret waktu yang merupakan kumpulan数据yang disusun pada waktu tertentu secara terus meneru。Teknik peramalan分析数据deret waktu terbagi menjadi dua模型yitu模型peramalan berdasarkan模型数理统计(ARIMA，指数平滑，移动平均，dan regression)模型peramalan berdasarkan kecerdasan buatan(神经网络，klasifikasi, dan算法遗传)。Untuk。Jika terjadi的数据是基于数据周期的，是基于数据周期的，是基于数据周期的，是基于数据周期的，是基于数据周期的。Penelitian ini menggunakan数据检索于yyitu ekpor bidang pertanian di Indonesia tahun 2017-2022 dari网站satudata.kemenag.go.id。Didapat模型terbaik yitu SARIMA (1,0,1)(1,0,0)12 merupakan hasil - dari transformasbox Cox dengan nilai MAPE dan MAE terkeecil。Hasil dari penelitian ini transformasi Box-Cox dapat digunakan pada data yang sebelumnya tidak stasoner dapat mengubah pola data yang sebelumnya periodik menjadi pola data yang stasoner pada data yang dipakai pada penelitian iniHasil peramalan nilai ekspor pertanian indonesia padtahun 2023 bergerak stabil。
{"title":"Penerapan Transformasi Box Cox untuk Mengatasi Masalah Ketidakstasioneran dan Pola Periodik dalam Data Deret Waktu pada Ekspor Bidang Pertanian di Indonesia","authors":"Chandra Maulana, Nusar Hajarisman","doi":"10.29313/bcss.v3i2.9371","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9371","url":null,"abstract":"Abstract. Forecasting is useful for predicting future events covering the short, medium and long term with data that is usually used is time series data which is a collection of data compiled at a certain time continuously. Forecasting techniques for time series data analysis are divided into two models, namely forecasting models based on statistical mathematical models (ARIMA, exponential smoothing, moving average, and regression) and forecasting models based on artificial intelligence (neural networks, classification, and genetic algorithms). To improve forecast accuracy, the Box Cox Transformation is used when the time series data contains the problems of data non-stationarity and cyclical problems in the data, so there must be a process of checking for these two problems which can be checked using ADF statistics and ACF calculations. If non-stationary data occurs and there is a periodic or cyclical pattern, it is overcome by doing this Box Cox transformation. This study uses secondary data, namely agricultural exports in Indonesia in 2017-2022 from the website satudata.kemenag.go.id. The best model is SARIMA (1,0,1)(1,0,0)12 is the result of Box Cox transformation with the smallest MAPE and MAE values. The results of this study Box-Cox transformation can be used on data that was previously non-stationary can become stationary, but it cannot change the previously periodic data pattern into a stationary data pattern on the data used. \u0000Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang dengan data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Teknik peramalan analisis data deret waktu terbagi menjadi dua model yaitu model peramalan berdasarkan model matematika statistik (ARIMA, exponential smoothing, moving average, dan regresi) dan model peramalan berdasarkan kecerdasan buatan (neural network, klasifikasi, dan algoritma genetika). Untuk meningkatkan akurasi perkiraan, Transformasi Box Cox digunakan ketika data deret waktunya mengandung masalah adanya ketidakstasioneran data dan masalah siklus dalam data, sehiggga harus ada proses pemeriksaan dari kedua masalah tadi yg dapat diperiksa menggunakan statistik ADF dan perhitungan ACF. Jika terjadi data yg tidak stasioner dan terdapat pola periodik atau siklus maka diatasi dengan melalukan transformasi Box Cox ini. Penelitian ini menggunakan data sekunder yaitu ekpor bidang pertanian di Indonesia tahun 2017-2022 dari website satudata.kemenag.go.id. Didapat model terbaik yaitu SARIMA (1,0,1)(1,0,0)12 merupakan hasil dari transformasi Box Cox dengan nilai MAPE dan MAE terkecil.Hasil dari penelitian ini transformasi Box-Cox dapat digunakan pada data yang sebelumnya tidak stasioner dapat menjadi stasioner, namun tidak dapat mengubah pola data yang sebelumnya periodik menjadi pola data yang stasioner pada data yang dipakai pada penelitian ini. Hasil pe","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"46 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132156226","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. The Autoregressive Integrated Moving Average (ARIMA) time series model is usually used to predict the value of time series data in the future. This method will be optimal if the underlying assumptions are met. One of the assumptions that must be fulfilled is homogeneity in variance. This study discusses the handling of heteroscedasticity in time series data, namely by hybridizing the ARIMA model and the GARCH model in general written ARIMA(p,d,q)-GARCH(p',q'). This model is applied to data on the rupiah exchange rate against the dollar which is based on the Jakarta Interbank Spot Dollar Rate for the period January 2022 to June 2023. The results show that from the ARIMA model, the variance of the error is not homogeneous. After analyzing the data using the hybrid model, the best model for forecasting this exchange rate data is the ARIMA(0,1,1)-GARCH(1,1) hybrid with an AIC value of -8.682784, a SIC of -8.628699 and a MAPE of 1.809280 Abstrak. Model deret waktu Autoregressive Intergrated Moving Average (ARIMA) biasanya digunakan untuk meramalkan nilai data deret waktu pada masa yang akan datang. Metode ini akan optimal apabila asumsi yang mendasarinya terpenuhi. Salah satu asumsi yang harus dipenuhi adalah kehomogenan dalam varians. Penelitian ini membahas mengenai penanganan apabila terjadi heteroskedastisitas pada data deret waktu, yaitu dengan cara hybridizing model ARIMA dan model GARCH secara umum ditulis . Model ini diaplikasikan pada data kurs rupiah terhadap dollar yang berlandaskan pada Jakarta Interbank Spot Dollar Rate pada periode Januari 2022 hingga Juni 2023. Hasilnya menunjukkan bahwa dari model ARIMA, varians dari kekeliruan tidak homogen. Setelah dilakukan analisis data dengan model hybrid, didapatkan model terbaik untuk peramalan data kurs ini adalah hybrid ARIMA(0,1,1)-GARCH(1,1) dengan nilai AIC sebesar -8.682784, SIC sebesar -8.628699 dan MAPE sebesar 1.809280.
摘要。自回归综合移动平均(ARIMA)时间序列模型通常用于预测时间序列数据的未来值。如果基本假设得到满足，这种方法将是最优的。其中一个必须满足的假设是方差的同质性。本研究讨论了时间序列数据异方差的处理，即将ARIMA模型与GARCH模型杂交，一般写成ARIMA(p,d,q)-GARCH(p'，q')。该模型应用于2022年1月至2023年6月期间基于雅加达银行间美元即期汇率的印尼盾兑美元汇率数据。结果表明，从ARIMA模型来看，误差的方差不是齐次的。利用混合模型对数据进行分析后，预测该汇率数据的最佳模型是ARIMA(0,1,1)-GARCH(1,1)混合模型，其AIC值为-8.682784,SIC值为-8.628699,MAPE值为1.809280。模型deret waktu自回归综合移动平均(ARIMA) biasanya digunakan untuk meramalkan nilai数据deret waktu pada masa yang akan datang。Metode ini是一种最优的方法，它可以假定为一种最优的方法。Salah satu asumsi yang harus dipenuhi adalah kehomogenan dalam varians。Penelitian的杂交模型ARIMA与GARCH的杂交模型ARIMA与GARCH的杂交模型分别采用了waktu、ARIMA和GARCH杂交模型。雅加达银行间即期美元汇率变动周期为2022年1月至2023年6月。哈希尔尼亚曼努朱克坎巴瓦达里模型ARIMA，变种达里克克里鲁达里同质。Setelah dilakukan分析数据dengan模型混合，didapatkan模型terbaik untuk peramalan数据dengan模型混合ARIMA(0,1,1)-GARCH(1,1) dengan nilai AIC sebesar -8.682784, SIC sebesar -8.628699和MAPE sebesar 1.809280。
{"title":"Peramalan Data Kurs Jakarta Interbank Spot Dollar Rate (JISDOR) Menggunakan Model Hybrid ARIMA-GARCH","authors":"Tasya Noor Octa Melana, Suwanda","doi":"10.29313/bcss.v3i2.9165","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9165","url":null,"abstract":"Abstract. The Autoregressive Integrated Moving Average (ARIMA) time series model is usually used to predict the value of time series data in the future. This method will be optimal if the underlying assumptions are met. One of the assumptions that must be fulfilled is homogeneity in variance. This study discusses the handling of heteroscedasticity in time series data, namely by hybridizing the ARIMA model and the GARCH model in general written ARIMA(p,d,q)-GARCH(p',q'). This model is applied to data on the rupiah exchange rate against the dollar which is based on the Jakarta Interbank Spot Dollar Rate for the period January 2022 to June 2023. The results show that from the ARIMA model, the variance of the error is not homogeneous. After analyzing the data using the hybrid model, the best model for forecasting this exchange rate data is the ARIMA(0,1,1)-GARCH(1,1) hybrid with an AIC value of -8.682784, a SIC of -8.628699 and a MAPE of 1.809280 \u0000Abstrak. Model deret waktu Autoregressive Intergrated Moving Average (ARIMA) biasanya digunakan untuk meramalkan nilai data deret waktu pada masa yang akan datang. Metode ini akan optimal apabila asumsi yang mendasarinya terpenuhi. Salah satu asumsi yang harus dipenuhi adalah kehomogenan dalam varians. Penelitian ini membahas mengenai penanganan apabila terjadi heteroskedastisitas pada data deret waktu, yaitu dengan cara hybridizing model ARIMA dan model GARCH secara umum ditulis . Model ini diaplikasikan pada data kurs rupiah terhadap dollar yang berlandaskan pada Jakarta Interbank Spot Dollar Rate pada periode Januari 2022 hingga Juni 2023. Hasilnya menunjukkan bahwa dari model ARIMA, varians dari kekeliruan tidak homogen. Setelah dilakukan analisis data dengan model hybrid, didapatkan model terbaik untuk peramalan data kurs ini adalah hybrid ARIMA(0,1,1)-GARCH(1,1) dengan nilai AIC sebesar -8.682784, SIC sebesar -8.628699 dan MAPE sebesar 1.809280.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"45 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125157208","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. Sample data that containing outliers have a large distorting effect on the sample mean and sample variance. Some statistics are also affected by the presence of outliers. These statistics include skewness and kurtosis. Robust statistics are needed to deal with this problem. One way is to use the Decile Mean (DM) or the average decile. In this thesis, robust skewness and kurtosis statistics will be applied using the Decile Mean (DM). This method will be applied to non-special case data at the Bandung state administrative court in 2019-2022 with the variable used, namely the length of the trial process. The results obtained are, the value of skewness is 8.97 and kurtosis is 11.11. As well as the results of the calculation of robust skewness of 0.1005 and robust kurtosis of 2.23. So, it can be concluded that by using the robust skewness and robust kurtosis methods, the distribution of non-special case data at the Bandung State Administrative Court in 2019-2022 is slightly skewed to the left, and is platykurtic or has a flat peak. Abstrak. Data sampel yang mengandung outlier memiliki pengaruh distorsi yang besar pada rata-rata sampel dan varians sampel. Beberapa statistik juga terpengaruh oleh adanya outlier. Statistik tersebut diantaranya yaitu skewness dan kurtosis. Diperlukan statistik yang robust untuk menangani masalah ini. Salah satu caranya yaitu dengan memanfaatkan Decile Mean (DM) atau rata-rata desil. Dalam skripsi ini akan diterapkan statistik skewness dan kurtosis yang robust dengan memanfaatkan Decile Mean (DM). Metode ini akan diterapkan pada data perkara non khusus di pengadilan tata usaha negara Bandung tahun 2019-2022 dengan variabel yang digunakan yaitu lamanya proses persidangan. Hasil yang diperoleh yaitu, nilai dari skewness sebesar 8,97 dan kurtosis sebesar 11,11. Serta hasil perhitungan robust skewness sebesar 0,1005 dan robust kurtosis 2,23. Maka, dapat disimpulkan bahwa dengan menggunakan metode robust skewness dan robust kurtosis, distribusi data perkara nonkhusus di pengadilan tata usaha negara Bandung tahun 2019-2022 sedikit condong kearah kiri, dan platikurtik atau memiliki puncak datar.
抽象的。包含异常值的样本数据对样本均值和样本方差有很大的扭曲作用。一些统计数据也会受到异常值的影响。这些统计包括偏度和峰度。处理这个问题需要可靠的统计数据。一种方法是使用十分位数平均值(DM)或平均十分位数。在本文中，稳健偏度和峰度统计将使用十分位数均值(DM)进行应用。该方法将适用于2019-2022年万隆国家行政法院的非特殊案件数据，使用的变量是审判过程的长度。结果表明，偏度值为8.97，峰度值为11.11。以及鲁棒偏度为0.1005、鲁棒峰度为2.23的计算结果。因此，利用稳健偏度和稳健峰度方法，可以得出万隆国家行政法院2019-2022年非特殊案件数据分布偏左，呈平峰或平峰分布的结论。Abstrak。数据样本杨孟东离群值记忆样本杨孟东扭曲数据样本杨孟东按比例样本方差样本。Beberapa统计juga terpengaruh oleh adanya异常。统计结果显示，偏度和峰度均不均匀。Diperlukan统计杨稳健untuk menangani masalah ini。Salah satu caranya yitu dengan memanfaatkan十分位数平均值(DM)是按比例计算的。Dalam skripsi ini akan diiterapkan统计偏度和峰度杨稳健性邓甘曼法肯十分位平均值(DM)。Metode ini akan diterapkan pada数据perkara non khusus di pengadilan tata usaha negara万隆tahun 2019-2022邓干变量yang digunakan yitu lamanya处理persidangan。Hasil yang diperoleh yitu, nilai dari偏态sebesar 8,97，峰度sebesar 11,11。鲁棒偏度sebesar为1005，鲁棒峰度2,23。Maka, dapat dis脉冲kan bahwa dengan menggunakan方法稳健偏度和稳健峰度，分布数据perkara nonkhusus di pengadilan tata usaha negara万隆峰，2019-2022年，sedikit condong kearah kiri, dan platikurtik atmeiliki脉冲数据。
{"title":"Penerapan Robust Skewness dan Kurtosis pada Data yang Mengandung Outlier","authors":"Thiflan Farhan Atqan, Abdul Kudus","doi":"10.29313/bcss.v3i2.8691","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8691","url":null,"abstract":"Abstract. Sample data that containing outliers have a large distorting effect on the sample mean and sample variance. Some statistics are also affected by the presence of outliers. These statistics include skewness and kurtosis. Robust statistics are needed to deal with this problem. One way is to use the Decile Mean (DM) or the average decile. In this thesis, robust skewness and kurtosis statistics will be applied using the Decile Mean (DM). This method will be applied to non-special case data at the Bandung state administrative court in 2019-2022 with the variable used, namely the length of the trial process. The results obtained are, the value of skewness is 8.97 and kurtosis is 11.11. As well as the results of the calculation of robust skewness of 0.1005 and robust kurtosis of 2.23. So, it can be concluded that by using the robust skewness and robust kurtosis methods, the distribution of non-special case data at the Bandung State Administrative Court in 2019-2022 is slightly skewed to the left, and is platykurtic or has a flat peak. \u0000Abstrak. Data sampel yang mengandung outlier memiliki pengaruh distorsi yang besar pada rata-rata sampel dan varians sampel. Beberapa statistik juga terpengaruh oleh adanya outlier. Statistik tersebut diantaranya yaitu skewness dan kurtosis. Diperlukan statistik yang robust untuk menangani masalah ini. Salah satu caranya yaitu dengan memanfaatkan Decile Mean (DM) atau rata-rata desil. Dalam skripsi ini akan diterapkan statistik skewness dan kurtosis yang robust dengan memanfaatkan Decile Mean (DM). Metode ini akan diterapkan pada data perkara non khusus di pengadilan tata usaha negara Bandung tahun 2019-2022 dengan variabel yang digunakan yaitu lamanya proses persidangan. Hasil yang diperoleh yaitu, nilai dari skewness sebesar 8,97 dan kurtosis sebesar 11,11. Serta hasil perhitungan robust skewness sebesar 0,1005 dan robust kurtosis 2,23. Maka, dapat disimpulkan bahwa dengan menggunakan metode robust skewness dan robust kurtosis, distribusi data perkara nonkhusus di pengadilan tata usaha negara Bandung tahun 2019-2022 sedikit condong kearah kiri, dan platikurtik atau memiliki puncak datar.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"63 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116148990","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. Association measure is a statistic that can be used to measure relationship between two variables. There are various methods to assess the association between paired data variables IS usually designed for one particular type of measurement scale. Two numerical variables can use Pearson correlation. Two ordinal variables can use Spearman's Rank correlation or Kendall . However, if both variables are categorical (ordinal and nominal), then contingency table analysis can be used. In this study, we applied contingency table analysis in looking at the relationship between socioeconomic status and children's Body Mass Index based on data from Kober Nuurul Falaah. Several characteristics of socioeconomic status were studied, namely parents' education and parents' occupation and family income. It was found that there was no significant relationship between socioeconomic characteristics and children's BMI. Abstrak. Ukuran asosiasi merupakan statistik yang dapat digunakan untuk mengukur keerataan hubungan di antara dua variabel. Terdapat berbagai metode untuk meninjau asosiasi antara variabel data berpasangan. Namun, suatu metode asosiasi biasanya dirancang untuk satu jenis skala pengukuran tertentu. Dua variabel numerik dapat menggunakan korelasi Pearson. Dua variabel ordinal dapat menggunakan korelasi Rank Spearman atau Kendall . Namun, jika kedua variabel berskala kategorik (ordinal dan nominal), maka dapat menggunakan analisis tabel kontingensi. Dalam penelitian ini, kami menerapkan analisis tabel kontingensi dalam melihat hubungan status sosial ekonomi dengan Indeks Massa Tubuh anak berdasarkan data dari Kober Nuurul Falaah. Beberapa karakteristik status sosial ekonomi yang diteliti, yaitu pendidikan orang tua dan pekerjaan orang tua serta pendapatan keluarga. Diperoleh hasil bahwa tidak terdapat hubungan antara karakteristik sosial ekonomi dengan Indeks Massa Tubuh (IMT) anak secara signifikan.
摘要关联度量是一种用于度量两个变量之间关系的统计量。有各种各样的方法来评估配对数据变量之间的关联，通常是为一种特定类型的测量量表设计的。两个数值变量可以使用Pearson相关。两个有序变量可以使用斯皮尔曼秩相关或肯德尔。但是，如果两个变量都是分类的(有序的和名义的)，则可以使用列联表分析。在本研究中，我们基于Kober Nuurul Falaah的数据，运用列联表分析来研究社会经济地位与儿童体重指数的关系。研究了社会经济地位的几个特征，即父母的受教育程度、父母的职业和家庭收入。研究发现，社会经济特征与儿童BMI之间无显著关系。Abstrak。统计数据:1 .统计数据:1 .统计数据:1 .统计数据:用一种新的方法，对不同的数据进行分析。Namun, suatu mede asassia biasanya dirancang untuk satu jenis skala penguin和tertentu。Dua变量数值分析，mongunakan korelasi Pearson。Dua变量序数dapat menggunakan korelasi Rank Spearman atau Kendall。Namun, jika kedua variabel berskala kategorik(序数标称)，maka dapat menggunakan分析表，kontingensi。社会经济发展指数，社会经济发展指数，社会经济发展指数，社会经济发展指数，社会经济发展指数，社会经济发展指数，社会经济发展指数，社会经济发展指数。Beberapa karakteristik状态社会经济学yang diteliti, yitu pendidikan orang tua dan pekerjaan orang tua serta pendapatan keluarga。社会经济发展指数(IMT)对我国社会经济发展具有重要意义。
{"title":"Hubungan Status Sosial Ekonomi dengan Indeks Massa Tubuh Anak","authors":"Silmi Nur Husnayaini, Suliadi","doi":"10.29313/bcss.v3i2.7695","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7695","url":null,"abstract":"Abstract. Association measure is a statistic that can be used to measure relationship between two variables. There are various methods to assess the association between paired data variables IS usually designed for one particular type of measurement scale. Two numerical variables can use Pearson correlation. Two ordinal variables can use Spearman's Rank correlation or Kendall . However, if both variables are categorical (ordinal and nominal), then contingency table analysis can be used. In this study, we applied contingency table analysis in looking at the relationship between socioeconomic status and children's Body Mass Index based on data from Kober Nuurul Falaah. Several characteristics of socioeconomic status were studied, namely parents' education and parents' occupation and family income. It was found that there was no significant relationship between socioeconomic characteristics and children's BMI. Abstrak. Ukuran asosiasi merupakan statistik yang dapat digunakan untuk mengukur keerataan hubungan di antara dua variabel. Terdapat berbagai metode untuk meninjau asosiasi antara variabel data berpasangan. Namun, suatu metode asosiasi biasanya dirancang untuk satu jenis skala pengukuran tertentu. Dua variabel numerik dapat menggunakan korelasi Pearson. Dua variabel ordinal dapat menggunakan korelasi Rank Spearman atau Kendall . Namun, jika kedua variabel berskala kategorik (ordinal dan nominal), maka dapat menggunakan analisis tabel kontingensi. Dalam penelitian ini, kami menerapkan analisis tabel kontingensi dalam melihat hubungan status sosial ekonomi dengan Indeks Massa Tubuh anak berdasarkan data dari Kober Nuurul Falaah. Beberapa karakteristik status sosial ekonomi yang diteliti, yaitu pendidikan orang tua dan pekerjaan orang tua serta pendapatan keluarga. Diperoleh hasil bahwa tidak terdapat hubungan antara karakteristik sosial ekonomi dengan Indeks Massa Tubuh (IMT) anak secara signifikan.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"73 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128792929","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. Multiple linear regression analysis is a method for predicting the value of the dependent variable based on more than one independent variable. If in the multiple linear regression analysis there is a violation of the classical assumption, then the Least Squares Method (MKT) is not appropriate to use. In this study, the assumption of homoscedasticity was not met because there were outliers that affected the regression model. The right solution to overcome this is using robust regression without removing outlier data. Therefore, the author will discuss the robust regression of S-estimation using Tukey Bisquare and Welsch weighting on the human development index data for Central Java Province in 2021. The data includes the human development index as the dependent variable (Y), the net enrollment rate as the 1st independent variable (X1), the number of health facilities as the 2nd independent variable (X2), and the open unemployment rate as the 3rd independent variable (X3). Based on the results of the study, it was found that Tukey Bisquare's weighted S-estimation produces the best robust regression model because the Adjusted R-Square value of Tukey Bisquare's weighting is greater than Welsch's weighting (89.83% > 89.05%) and the Residual Standard Error (RSE) value of Tukey Bisquare's weighting is smaller than Welsch's weighting (2.783 <2.860). Abstrak. Analisis regresi linear berganda adalah metode untuk memprediksi nilai variabel terikat berdasarkan lebih dari satu variabel bebas. Jika dalam analisis regresi linear berganda terdapat pelanggaran asumsi klasik maka Metode Kuadrat Terkecil (MKT) tidak tepat digunakan. Pada penelitian ini, asumsi homoskedastisitas tidak terpenuhi karena ada outlier yang mempengaruhi model regresi. Solusi yang tepat untuk mengatasinya digunakan regresi robust tanpa menghapus data pencilan. Maka dari itu, penulis akan membahas mengenai regresi robust estimasi-S menggunakan pembobotan Tukey Bisquare dan Welsch pada data indeks pembangunan manusia Provinsi Jawa Tengah tahun 2021. Data tersebut meliputi indeks pembangunan manusia sebagai variabel tak bebas (Y), angka partisipasi murni sebagai variabel bebas ke-1 (X1), jumlah sarana kesehatan sebagai variabel bebas ke-2 (X2), dan tingkat pengangguran terbuka sebagai variabel bebas ke-3 (X3). Berdasarkan hasil penelitian diperoleh bahwa estimasi-S pembobotan Tukey Bisquare menghasilkan model regresi robust terbaik karena nilai Adjusted R-Square dari pembobotan Tukey Bisquare lebih besar daripada pembobotan Welsch (89,83% > 89,05%) dan nilai Residual Standard Error (RSE) dari pembobotan Tukey Bisquare lebih kecil daripada pembobotan Welsch (2,783 < 2,860).
摘要。多元线性回归分析是一种基于多个自变量预测因变量值的方法。如果在多元线性回归分析中存在违反经典假设的情况，那么最小二乘法(MKT)就不适合使用。在本研究中，由于存在异常值影响回归模型，所以不满足异方差假设。克服这一问题的正确解决方案是在不删除异常数据的情况下使用稳健回归。因此，作者将对2021年中爪哇省人类发展指数数据使用Tukey bissquared和Welsch加权来讨论s估计的稳健回归。数据以人类发展指数为因变量(Y)，净入学率为第一自变量(X1)，卫生设施数量为第二自变量(X2)，公开失业率为第三自变量(X3)。根据研究结果，结果发现，Tukey Bisquare的加权s估计产生了最好的稳健回归模型，因为Tukey Bisquare的权重的Adjusted R-Square值大于Welsch的权重(89.83% > 89.05%)，而Tukey Bisquare的权重的残差标准误差(RSE)值小于Welsch的权重(2.783 89.05%)，但nilai残差标准误差(RSE) dari pembobotan Tukey Bisquare lebih kecil daripada pembobotan Welsch(2,783 < 2,860)。
{"title":"Penerapan Regresi Rebust Menggunakan Estimasi-S dengan Pembobotan Tukey Bisquare dan Welsch dalam Mengatasi Outlier","authors":"Mutia Salsabila, N. Rifai","doi":"10.29313/bcss.v3i2.8475","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8475","url":null,"abstract":"Abstract. Multiple linear regression analysis is a method for predicting the value of the dependent variable based on more than one independent variable. If in the multiple linear regression analysis there is a violation of the classical assumption, then the Least Squares Method (MKT) is not appropriate to use. In this study, the assumption of homoscedasticity was not met because there were outliers that affected the regression model. The right solution to overcome this is using robust regression without removing outlier data. Therefore, the author will discuss the robust regression of S-estimation using Tukey Bisquare and Welsch weighting on the human development index data for Central Java Province in 2021. The data includes the human development index as the dependent variable (Y), the net enrollment rate as the 1st independent variable (X1), the number of health facilities as the 2nd independent variable (X2), and the open unemployment rate as the 3rd independent variable (X3). Based on the results of the study, it was found that Tukey Bisquare's weighted S-estimation produces the best robust regression model because the Adjusted R-Square value of Tukey Bisquare's weighting is greater than Welsch's weighting (89.83% > 89.05%) and the Residual Standard Error (RSE) value of Tukey Bisquare's weighting is smaller than Welsch's weighting (2.783 <2.860). \u0000Abstrak. Analisis regresi linear berganda adalah metode untuk memprediksi nilai variabel terikat berdasarkan lebih dari satu variabel bebas. Jika dalam analisis regresi linear berganda terdapat pelanggaran asumsi klasik maka Metode Kuadrat Terkecil (MKT) tidak tepat digunakan. Pada penelitian ini, asumsi homoskedastisitas tidak terpenuhi karena ada outlier yang mempengaruhi model regresi. Solusi yang tepat untuk mengatasinya digunakan regresi robust tanpa menghapus data pencilan. Maka dari itu, penulis akan membahas mengenai regresi robust estimasi-S menggunakan pembobotan Tukey Bisquare dan Welsch pada data indeks pembangunan manusia Provinsi Jawa Tengah tahun 2021. Data tersebut meliputi indeks pembangunan manusia sebagai variabel tak bebas (Y), angka partisipasi murni sebagai variabel bebas ke-1 (X1), jumlah sarana kesehatan sebagai variabel bebas ke-2 (X2), dan tingkat pengangguran terbuka sebagai variabel bebas ke-3 (X3). Berdasarkan hasil penelitian diperoleh bahwa estimasi-S pembobotan Tukey Bisquare menghasilkan model regresi robust terbaik karena nilai Adjusted R-Square dari pembobotan Tukey Bisquare lebih besar daripada pembobotan Welsch (89,83% > 89,05%) dan nilai Residual Standard Error (RSE) dari pembobotan Tukey Bisquare lebih kecil daripada pembobotan Welsch (2,783 < 2,860).","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"109 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128593745","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. Relative risk is the ratio of odds between binary exposures or the ratio of odds between the exposed and unexposed groups. The concept of relative risk is often introduced in a simple way, using a 2 x 2 cross tabulation of binary exposure and binary outcome. Then go further with the use of regression to estimate relative risk. A log-binomial regression model has been recommended which can directly estimate relative risk. The data used is data on credit debtors for Bhakti to determine the ratio of the risk of credit default based on the characteristics of the debtor using a log-binomial regression model. The results of this study obtained a log-binomial regression model is π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6). The relative risk outcomes using the log-binomial regression model based on significant interval estimates were the number of dependents (RR=3.00; 95%Cl 1.68-5.36), employment status ( RR=0.28; 95%Cl 0.16-0.48), debtor type (RR =5.68; 95%Cl 3.47-9.31) and length of working (RR =2.79; 95%Cl 1.46-5.33) meaning that if the number of group members compared is the same, then, 1) in the group of dependents ≤ 2 people there are 300 debtors who experience credit missed payment, while in the group of dependents > 2 there are only 100 debtors who are in missed payment, 2) in the group of permanent employees there are 28 who are in missed payment, while in the CPNS group there are 100 who are in missed payment, 3) in the group of new debtors there are 568 who are in missed payment, while in the group of repeat debtors there are only 100 debtors who are in missed payment, and 4 ) in the group of debtors who worked ≤ 2 years there were 279 missed payment, while those who had worked > 2 years there were 100 missed payment debtors. Abstrak. Risiko relatif adalah perbandingan peluang antara paparan biner atau perbandingan peluang antara kelompok yang terpapar dan kelompok yang tidak terpapar. Konsep risiko relatif sering kali diperkenalkan dengan menggunakan cara yang sederhana yaitu menggunakan tabulasi silang dari paparan biner dan hasil biner. Lalu lebih lanjut lagi dengan menggunakan penggunaan dari regresi untuk menduga risiko relatif. Model regresi log-binomial telah direkomendasikan yang secara langsung dapat menduga risiko relatif. Data yang digunakan adalah data debitur kredit Guna Bhakti untuk mengetahui perbandingan risiko kemacetan kredit berdasarkan karakteristik debitur menggunakan model regresi log-binomial. Adapun hasil penelitian ini diperoleh model regresi log-binomial yaitu π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6). Hasil risiko relatif menggunakan model regresi log-binomial berdasarkan taksiran interval yang signifikan adalah jumlah tanggungan (RR =3,00 ; 95%Cl 1,68-5,36), status kepegawaian ( RR=0,28; 95%Cl 0,16-0,48), tipe debitur ( RR=5,68; 95%Cl 3,47-9,31) dan lama kerja ( RR=2,79; 95%Cl 1,46-5,33
摘要相对危险度是指两次接触的几率比或接触组与未接触组的几率比。相对风险的概念通常以一种简单的方式引入，使用二元暴露和二元结果的2 × 2交叉表。然后进一步使用回归来估计相对风险。提出了一种对数-二项回归模型，可以直接估计相对风险。所使用的数据是信用债务人的数据，为巴克蒂确定信用违约风险的比例基于债务人的特点，使用对数二项回归模型。本研究得到的对数二项回归模型为π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6)。基于显著区间估计的对数二项回归模型的相对风险结果为:受赡养者人数(RR=3.00;95%Cl 1.68-5.36)，就业状况(RR=0.28;95%Cl = 0.16-0.48)，债务人型(RR =5.68;95%Cl = 3.47 ~ 9.31)、工作时长(RR =2.79;95%氯1.46 - -5.33)相比,这意味着如果群体成员的数量是相同的,那么,1)的家属≤2人有300名债务人信用错过付款的经验,而在群家属> 100只有债务人在错过了付款,2)的永久雇员有28人在错过了付款,而在尼共组有100人错过了付款,3)的新债务人有568人错过了付款,4)在工作≤2年的债务人组中，有279人未付款，而在工作≤2年的债务人组中，有100人未付款。Abstrak。我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说，我是说。Konsep risiko相对服务kali diperkenalkan dengan menggunakan cara yang sederhana yitu menggunakan tabulasi silang dari paparan biner dan hasil biner。Lalu lebih lanjut lagi dengan menggunakan penggunaan dari regresi untuk menduga risiko亲戚。模型回归:对数-二项回归模型;模型回归模型;模型回归模型;数据yang digunakan adalah数据debitur credit Guna Bhakti untuk mengetahui perbandingand risiko kemacetan credit berdasarkan karakteristik debitur menggunakan模型回归对数二项。Adapun hasil penelitian ini diperoleh模型回归对数二项yyitu π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6)。回归对数二项berdasarkan taksiran区间杨显著性(RR = 3000;95%Cl(1,68-5,36)，状态保持良好(RR=0,28;95%Cl = 0,16-0,48)，型负债(RR=5,68;95%Cl 3,47-9,31)，但喇嘛kerja (RR=2,79;95%Cl 1,46-5,33) artinya jika jumlah anggota kelompok yang dibandingkan besarya sama maka, 1) padpadkelompok jumlah tanggungan≤2,orang terdapat 300 debitur yang mengalami kemacetan信用，sedangkan padkelompok jumlah tanggungan bbb20, hanya ada 100 debitur yang市场，2)padpadkelompok pegawai tetap terdapat 28 yang市场，sedangkan padkelompok CPNS terdapat 100 yang市场，3)padkelompok debitur baru terdapat 568 yang市场，Sedangkan pakadkelompok debitur Yang mengulang hanya terdapat 100 debitur Yang macet, Dan 4) padkelompok debitur Yang bekerja≤2 tahunterdapat 279 Yang macet, Sedangkan Yang sudah bekerja bbb20 tahunterdapat 100 debitur Yang macet。
{"title":"Penerapan Model Regresi Log-Binomial untuk Menduga Risiko Relatif Kemacetan Kredit Berdasarkan Karakteristik Debitur","authors":"Risma Nur Ismayani, Abdul Kudus","doi":"10.29313/bcss.v3i2.8215","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8215","url":null,"abstract":"Abstract. Relative risk is the ratio of odds between binary exposures or the ratio of odds between the exposed and unexposed groups. The concept of relative risk is often introduced in a simple way, using a 2 x 2 cross tabulation of binary exposure and binary outcome. Then go further with the use of regression to estimate relative risk. A log-binomial regression model has been recommended which can directly estimate relative risk. The data used is data on credit debtors for Bhakti to determine the ratio of the risk of credit default based on the characteristics of the debtor using a log-binomial regression model. The results of this study obtained a log-binomial regression model is π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6). The relative risk outcomes using the log-binomial regression model based on significant interval estimates were the number of dependents (RR=3.00; 95%Cl 1.68-5.36), employment status ( RR=0.28; 95%Cl 0.16-0.48), debtor type (RR =5.68; 95%Cl 3.47-9.31) and length of working (RR =2.79; 95%Cl 1.46-5.33) meaning that if the number of group members compared is the same, then, 1) in the group of dependents ≤ 2 people there are 300 debtors who experience credit missed payment, while in the group of dependents > 2 there are only 100 debtors who are in missed payment, 2) in the group of permanent employees there are 28 who are in missed payment, while in the CPNS group there are 100 who are in missed payment, 3) in the group of new debtors there are 568 who are in missed payment, while in the group of repeat debtors there are only 100 debtors who are in missed payment, and 4 ) in the group of debtors who worked ≤ 2 years there were 279 missed payment, while those who had worked > 2 years there were 100 missed payment debtors. \u0000Abstrak. Risiko relatif adalah perbandingan peluang antara paparan biner atau perbandingan peluang antara kelompok yang terpapar dan kelompok yang tidak terpapar. Konsep risiko relatif sering kali diperkenalkan dengan menggunakan cara yang sederhana yaitu menggunakan tabulasi silang dari paparan biner dan hasil biner. Lalu lebih lanjut lagi dengan menggunakan penggunaan dari regresi untuk menduga risiko relatif. Model regresi log-binomial telah direkomendasikan yang secara langsung dapat menduga risiko relatif. Data yang digunakan adalah data debitur kredit Guna Bhakti untuk mengetahui perbandingan risiko kemacetan kredit berdasarkan karakteristik debitur menggunakan model regresi log-binomial. Adapun hasil penelitian ini diperoleh model regresi log-binomial yaitu π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6). Hasil risiko relatif menggunakan model regresi log-binomial berdasarkan taksiran interval yang signifikan adalah jumlah tanggungan (RR =3,00 ; 95%Cl 1,68-5,36), status kepegawaian ( RR=0,28; 95%Cl 0,16-0,48), tipe debitur ( RR=5,68; 95%Cl 3,47-9,31) dan lama kerja ( RR=2,79; 95%Cl 1,46-5,33","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"36 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133352501","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstrak. Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan antara variabel bebas dan variabel respon. Dalam sebuah analisis regresi dengan variabel respon yang bersifat diskrit, dapat menggunakan analisis regresi Poisson. Pada regresi Poisson harus memenuhi asumsi equisdispersi. Namun dalam pengaplikasiannya tak jarang mengalami pelanggaran asumsi, dimana nilai varians lebih besar dari nilai rata – ratanya atau bisa disebut dengan overdispersi. Salah satu penyebab overdispersi adalah adanya nilai nol yang berlebih (excess zeros) pada data variabel respon. Metode yang tepat untuk memodelkan kasus dengan data excess zeros dan terjadi overdispersi yaitu dengan menggunakan metode Zero Inflated Negative Binomial (ZINB). Tujuan penelitian ini adalah untuk memperoleh hasil dari penerapan regresi Zero Inflated Negative Binomial dalam memodelkan kasus campak di Provinsi Jawa Barat tahun 2020 serta mengetahui faktor apa saja yang berpengaruh signifikan terhadap kasus campak di Provinsi Jawa Barat tahun 2020. Dari hasil analisis, pada model regresi Poisson data mengalami kondisi overdispersi dan data mengalami excess zeros maka harus dilanjutkan analisis menggunakan regresi Zero Inflated Negative Binomial (ZINB). Pada analisis regresi ZINB diperoleh hasil pengujian bahwa faktor – faktor yang berpengaruh signifikan terhadap besarnya nilai harapan kasus campak di Provinsi Jawa Barat tahun 2020 yaitu persentase pemberian vitamin A, persentase pemberian ASI ekslusif dan persentase balita kurang gizi. Sedangkan faktor yang berpengaruh signifikan terhadap besarnya peluang terjadi campak di Provinsi Jawa Barat tahun 2020 persentase balita kurang gizi. Abstract. Regression analysis is a method used to determine the relationship between independent variables and response variables. In a regression analysis with discrete response variables, Poisson regression analysis can be used. In regression Poisson must satisfy the assumption of equisdispersion. However, in its application, it is not uncommon to experience violations of assumptions, where the variance value is greater than the average value or can be called overdispersion. One of the causes of overdispersion is the presence of excess zeros in the response variable data. The right method to model cases with excess zeros data and overdispersion is to use the Zero Inflated Negative Binomial (ZINB) method. The purpose of this study is to obtain results from the application of Zero Inflated Negative Binomial regression in modeling measles cases in West Java Province in 2020 and find out what factors have a significant influence on measles cases.
{"title":"Penerapan Model Regresi Zero Inflated Negative Binomial pada Kasus Campak di Provinsi Jawa Barat Tahun 2020","authors":"Isma Amarita, Nusar Hajarisman","doi":"10.29313/bcss.v3i2.9311","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9311","url":null,"abstract":"Abstrak. Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan antara variabel bebas dan variabel respon. Dalam sebuah analisis regresi dengan variabel respon yang bersifat diskrit, dapat menggunakan analisis regresi Poisson. Pada regresi Poisson harus memenuhi asumsi equisdispersi. Namun dalam pengaplikasiannya tak jarang mengalami pelanggaran asumsi, dimana nilai varians lebih besar dari nilai rata – ratanya atau bisa disebut dengan overdispersi. Salah satu penyebab overdispersi adalah adanya nilai nol yang berlebih (excess zeros) pada data variabel respon. Metode yang tepat untuk memodelkan kasus dengan data excess zeros dan terjadi overdispersi yaitu dengan menggunakan metode Zero Inflated Negative Binomial (ZINB). Tujuan penelitian ini adalah untuk memperoleh hasil dari penerapan regresi Zero Inflated Negative Binomial dalam memodelkan kasus campak di Provinsi Jawa Barat tahun 2020 serta mengetahui faktor apa saja yang berpengaruh signifikan terhadap kasus campak di Provinsi Jawa Barat tahun 2020. Dari hasil analisis, pada model regresi Poisson data mengalami kondisi overdispersi dan data mengalami excess zeros maka harus dilanjutkan analisis menggunakan regresi Zero Inflated Negative Binomial (ZINB). Pada analisis regresi ZINB diperoleh hasil pengujian bahwa faktor – faktor yang berpengaruh signifikan terhadap besarnya nilai harapan kasus campak di Provinsi Jawa Barat tahun 2020 yaitu persentase pemberian vitamin A, persentase pemberian ASI ekslusif dan persentase balita kurang gizi. Sedangkan faktor yang berpengaruh signifikan terhadap besarnya peluang terjadi campak di Provinsi Jawa Barat tahun 2020 persentase balita kurang gizi. \u0000Abstract. Regression analysis is a method used to determine the relationship between independent variables and response variables. In a regression analysis with discrete response variables, Poisson regression analysis can be used. In regression Poisson must satisfy the assumption of equisdispersion. However, in its application, it is not uncommon to experience violations of assumptions, where the variance value is greater than the average value or can be called overdispersion. One of the causes of overdispersion is the presence of excess zeros in the response variable data. The right method to model cases with excess zeros data and overdispersion is to use the Zero Inflated Negative Binomial (ZINB) method. The purpose of this study is to obtain results from the application of Zero Inflated Negative Binomial regression in modeling measles cases in West Java Province in 2020 and find out what factors have a significant influence on measles cases.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"76 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124516605","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：