Abstract. Forecasting is a process to calculate future estimates based on current values and past values. Many forecasting methods are based on time series data, including the Double Moving Average (DMA) method, which is a part of classical time series methods. However, classical time series methods require certain assumptions to be met, and a significant amount of available data is needed to achieve good accuracy. The Grey model is a forecasting method suitable for limited and fluctuating data. It is then combined with Markov Chains to predict future states based on transition probabilities over several steps. The Grey-Markov (1,1) model is a combination of the Markov Chain with the Grey (1,1) model, which involves a first-order differential and a single variable. This study aims to forecast the number of toddlers with stunting in West Java. Stunting is a growth disorder in children characterized by shorter height for their age. Three forecasting methods are used for the number of toddlers with stunting in West Java: Grey-Markov (1,1), Grey (1,1), and Double Moving Average, to determine the best forecasting model. Based on the calculation results of the three models, it is concluded that the Grey-Markov (1,1) model provides highly accurate results compared to the other two models. The estimated result for the year 2022 is 189,473 cases with model accuracy using MAPE, MAE, and posterior error ratio C are 3.29%, 9415.135, and 0.1829, respectively. The MAPE and posterior error ratio (C) values fall into the category of highly accurate, and the MAE value is smaller compared to the MAE of the Grey (1,1) model and the Double Moving Average model. Abstrak. Peramalan adalah proses untuk menghitung perkiraan masa yang akan datang berdasarkan nilai saat ini dan nilai masa lalu. Banyak metode peramalan didasarkan pada data deret waktu, diantaranya yaitu Double Moving Average (DMA) yang termasuk dalam metode deret waktu klasik. Namun, untuk menggunakan metode deret waktu klasik harus memenuhi asumsi dan data yang tersedia harus banyak untuk menghasilkan akurasi yang baik. Model Grey merupakan metode peramalan untuk data yang terbatas dan berfluktuasi, kemudian model Grey dikombinasikan dengan Rantai Markov untuk meramalkan keadaan di masa yang akan datang berdasarkan probabilitas transisi dalam beberapa langkah. Model Grey-Markov (1,1) adalah kombinasi Rantai Markov dengan model Grey (1,1) yang merupakan model dengan diferensial orde satu serta satu variabel yang digunakan. Pada penelitian ini akan dilakukan peramalan untuk jumlah balita stunting di Jawa Barat. Stunting merupakan gangguan pertumbuhan pada anak yang ditandai dengan tinggi badan anak lebih pendek dari usianya. Digunakan tiga metode untuk peramalan jumlah balita stunting di Jawa Barat yaitu Grey-Markov (1,1), Grey (1,1), dan double moving average sebagai perbandingan untuk menentukan model peramalan terbaik. Berdasarkan hasil perhitungan ketiga model, diperoleh kesimpulan bahwa model Grey-Mar
摘要。预测是一个基于当前值和过去值计算未来估计的过程。许多预测方法都是基于时间序列数据，包括双移动平均线(DMA)方法，它是经典时间序列方法的一部分。然而，经典的时间序列方法需要满足一定的假设，并且需要大量的可用数据才能达到良好的精度。灰色模型是一种适用于有限和波动数据的预测方法。然后将其与马尔可夫链结合起来，根据几个步骤的转移概率来预测未来的状态。灰色-马尔可夫(1,1)模型是马尔可夫链和灰色(1,1)模型的结合，它涉及一个一阶微分和一个单变量。本研究旨在预测西爪哇省发育迟缓幼儿的数量。发育迟缓是儿童的一种生长障碍，其特点是身高低于同龄儿童。采用灰色马尔可夫(1,1)、灰色(1,1)和双移动平均法对西爪哇地区发育迟缓幼儿数量进行预测，确定最佳预测模型。根据三种模型的计算结果，可以得出结论，与其他两种模型相比，Grey-Markov(1,1)模型的结果精度较高。2022年的估计结果为189,473例，使用MAPE、MAE和后验误差率C的模型精度分别为3.29%、9415.135和0.1829。MAPE和后验误差率(C)值属于高度准确的范畴，MAE值比灰色(1,1)模型和双移动平均模型的MAE要小。Abstrak。Peramalan adalah的翻译是:“我的梦，我的梦，我的梦，我的梦，我的梦，我的梦。”Banyak mede peramalan didasarkan数据deret waktu, diantaranya yitu双移动平均线(DMA) yang termasuk dalam mede deret waktu klasik。Namun, untuk menggunakan方法derderet waktu klasik harus memenuhi asumsi数据yang tersedia harus banyak untuk menghasilkan akurasi yang baik。灰色模型merupakan meamalan untuk data yang terbatas dan berfluktui，灰色模型Markov untuk meramalkan dengan Rantai Markov untuk meramalkan keadaan di masa yang akan datang berdasarkan probabilitas transisi dalam beberapa langkah。模型Grey-Markov (1,1) adalah kombinasi Rantai Markov登干模型Grey (1,1) yang merupakan登干模型微分阶satu serta satu变量yang digunakan。在爪哇的巴拉特，帕达·佩尼利特是一名发育迟缓的儿童。发育迟缓的merupakan gangguan pertumbuhan padanak yang ditandan dengan tinggi badan anak lebih pendek dari usianya。Digunakan tiga mede untuk peramalan jumlah balita stunting di java Barat yitu gray - markov (1,1)， Grey(1,1)，双移动平均sebagai perbandingan和untuk menentukan模型peramalan terbaik。gray - markov (1,1) merupakan模型yang memberikan hasil yang sangat akurat dibandingkan dua模型lainnya。Hasil estimasi untuk tahun 2022 yitu 189.473 kasus dengan tingkat akurasi模型menggunakan MAPE, MAE, dan后验误差率C secara berturut-turut yitu 3,29%， 9415,135, dan 0,1829。Nilai MAPE dan后验误差比(C) termasuk dalam kategori sangat akurat dan Nilai MAE yang terkecil dibandingkan Nilai MAE模型灰色(1,1)dan模型双移动平均。
{"title":"Perbandingan Metode Grey-Markov (1,1), Grey (1,1), dan Double Moving Average Untuk Peramalan Jumlah Balita Stunting di Jawa Barat","authors":"Silvi Oktaviani Saridewi, Suwanda","doi":"10.29313/bcss.v3i2.9154","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9154","url":null,"abstract":"Abstract. Forecasting is a process to calculate future estimates based on current values and past values. Many forecasting methods are based on time series data, including the Double Moving Average (DMA) method, which is a part of classical time series methods. However, classical time series methods require certain assumptions to be met, and a significant amount of available data is needed to achieve good accuracy. The Grey model is a forecasting method suitable for limited and fluctuating data. It is then combined with Markov Chains to predict future states based on transition probabilities over several steps. The Grey-Markov (1,1) model is a combination of the Markov Chain with the Grey (1,1) model, which involves a first-order differential and a single variable. This study aims to forecast the number of toddlers with stunting in West Java. Stunting is a growth disorder in children characterized by shorter height for their age. Three forecasting methods are used for the number of toddlers with stunting in West Java: Grey-Markov (1,1), Grey (1,1), and Double Moving Average, to determine the best forecasting model. Based on the calculation results of the three models, it is concluded that the Grey-Markov (1,1) model provides highly accurate results compared to the other two models. The estimated result for the year 2022 is 189,473 cases with model accuracy using MAPE, MAE, and posterior error ratio C are 3.29%, 9415.135, and 0.1829, respectively. The MAPE and posterior error ratio (C) values fall into the category of highly accurate, and the MAE value is smaller compared to the MAE of the Grey (1,1) model and the Double Moving Average model. \u0000Abstrak. Peramalan adalah proses untuk menghitung perkiraan masa yang akan datang berdasarkan nilai saat ini dan nilai masa lalu. Banyak metode peramalan didasarkan pada data deret waktu, diantaranya yaitu Double Moving Average (DMA) yang termasuk dalam metode deret waktu klasik. Namun, untuk menggunakan metode deret waktu klasik harus memenuhi asumsi dan data yang tersedia harus banyak untuk menghasilkan akurasi yang baik. Model Grey merupakan metode peramalan untuk data yang terbatas dan berfluktuasi, kemudian model Grey dikombinasikan dengan Rantai Markov untuk meramalkan keadaan di masa yang akan datang berdasarkan probabilitas transisi dalam beberapa langkah. Model Grey-Markov (1,1) adalah kombinasi Rantai Markov dengan model Grey (1,1) yang merupakan model dengan diferensial orde satu serta satu variabel yang digunakan. Pada penelitian ini akan dilakukan peramalan untuk jumlah balita stunting di Jawa Barat. Stunting merupakan gangguan pertumbuhan pada anak yang ditandai dengan tinggi badan anak lebih pendek dari usianya. Digunakan tiga metode untuk peramalan jumlah balita stunting di Jawa Barat yaitu Grey-Markov (1,1), Grey (1,1), dan double moving average sebagai perbandingan untuk menentukan model peramalan terbaik. Berdasarkan hasil perhitungan ketiga model, diperoleh kesimpulan bahwa model Grey-Mar","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"103 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":"116282696","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. SARMA is one of the spatial regression models that combines the SAR model and the SEM model. The SARMA model is used when there are lag and error dependencies. The SARMA parameter estimator uses the Maximum Likelihood Estimation (MLE) method. To explain the spatial relationship between observation locations, a spatial weighting matrix based on contiguity is used. West Java Province is a province that has the highest open unemployment rate in Indonesia in 2022. The purpose of this study is to model the SARMA regression and find out the factors that significantly influence the open unemployment rate in West Java Province in 2022. The results showed that the data contained lag and error spatial dependencies so that the SARMA model was feasible to use. The model shows that the average length of schooling, labor force participation rate, life expectancy, and GRDP growth rate have a significant effect on the open unemployment rate. The open unemployment rate of the ith districts/cities that are close together has a significant effect on the open unemployment rate of the surrounding districts/cities of -0.5334 and the error between ith adjacent districts/cities has an effect on the open unemployment rate of the surrounding districts/cities of 0.7292. Abstrak. SARMA merupakan salah satu model regresi spasial yang menggabungkan antara model SAR dan model SEM. Model SARMA digunakan apabila terdapat dependensi lag dan dependensi error. Penduga parameter SARMA ini menggunakan metode Maximum Likelihood Estimation (MLE). Untuk menjelaskan hubungan spasial antar lokasi pengamatan digunakan matriks pembobot spasial berdasarkan ketetanggaan (contiguity). Provinsi Jawa Barat merupakan provinsi yang memiliki tingkat pengangguran terbuka tertinggi di Indonesia pada tahun 2022. Tujuan dari penelitian ini yaitu untuk memodelkan regresi SARMA dan mengetahui faktor-faktor yang mempengaruhi tingkat pengangguran terbuka di Provinsi Jawa Barat tahun 2022 secara signifikan. Hasil penelitian menunjukan bahwa data mengandung dependensi spasial lag dan error sehingga model SARMA layak digunakan. Model menunjukan rata-rata lama sekolah, tingkat partisipasi angkatan kerja, angka harapan hidup, dan laju pertumbuhan PDRB berpengaruh secara signifikan terhadap tingkat pengangguran terbuka. Tingkat pengangguran terbuka kabupaten/kota ke-i yang berdekatan berpengaruh secara signifikan terhadap tingkat pengangguran terbuka kabupaten/kota disekitarnya sebesar -0,5334 dan error antar kabupaten/kota ke-i yang berdekatan berpengaruh terhadap tingkat pengangguran terbuka kabupaten/kota disekitarnya sebesar 0,7292.
摘要。SARMA是SAR模型和SEM模型相结合的空间回归模型之一。SARMA模型用于存在滞后和错误依赖关系的情况。SARMA参数估计器使用最大似然估计(MLE)方法。为了解释观测位置之间的空间关系，使用了基于邻近度的空间加权矩阵。到2022年，西爪哇省是印尼公开失业率最高的省份。本研究的目的是建立SARMA回归模型，找出影响2022年西爪哇省公开失业率的显著因素。结果表明，该模型具有较好的时滞性和误差空间依赖性，具有较好的应用前景。模型表明，平均受教育年限、劳动力参与率、预期寿命和gdp增长率对公开失业率有显著影响。相邻的第i个区/市的公开失业率对周边区/市的公开失业率有显著影响，为-0.5334;相邻的第i个区/市之间的误差对周边区/市的公开失业率有显著影响，为0.7292。Abstrak。SARMA merupakan salah satu模型回归，special yang menggabungkan antara模型SAR和模型SEM。SARMA模型对依赖滞后和依赖误差的影响进行了分析。Penduga参数SARMA ini menggunakan方法极大似然估计(MLE)。Untuk menjelaskan hubungan special antar lokasi pengamatan digunakan matriks phembobot special berdasarkan kettetanggaan(连续性)。爪哇，巴拉特，默鲁巴坎，省，阳，memoriliki tingkat, pengangguran terbuka tertinggi di印度尼西亚，padadtahun 2022。图juan dari penelitian ini yyitu untuk memodelkan regresi SARMA dan mengetahui factor - factor for yang mempengaruhi tingkat pengangguran terbuka di province Jawa Barat tahun 2022 secara signfikan。基于特殊滞后和误差的数据分析模型SARMA。Model menunjukan rata-rata lama sekolah, tingkat partisipasi angkatan kerja, angka harapan hidup, dan laju pertumbuhan PDRB berpengaruh secara signfikan terhadap tingkat pengangguran terbuka。【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】【翻译】
{"title":"Pemodelan Tingkat Pengangguran Terbuka Provinsi Jawa Barat Menggunakan Model Spatial Autoregressive Moving Average (SARMA)","authors":"Anisa Fikriani, Nur Azizah komara Rifai","doi":"10.29313/bcss.v3i2.8340","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8340","url":null,"abstract":"Abstract. SARMA is one of the spatial regression models that combines the SAR model and the SEM model. The SARMA model is used when there are lag and error dependencies. The SARMA parameter estimator uses the Maximum Likelihood Estimation (MLE) method. To explain the spatial relationship between observation locations, a spatial weighting matrix based on contiguity is used. West Java Province is a province that has the highest open unemployment rate in Indonesia in 2022. The purpose of this study is to model the SARMA regression and find out the factors that significantly influence the open unemployment rate in West Java Province in 2022. The results showed that the data contained lag and error spatial dependencies so that the SARMA model was feasible to use. The model shows that the average length of schooling, labor force participation rate, life expectancy, and GRDP growth rate have a significant effect on the open unemployment rate. The open unemployment rate of the ith districts/cities that are close together has a significant effect on the open unemployment rate of the surrounding districts/cities of -0.5334 and the error between ith adjacent districts/cities has an effect on the open unemployment rate of the surrounding districts/cities of 0.7292. \u0000Abstrak. SARMA merupakan salah satu model regresi spasial yang menggabungkan antara model SAR dan model SEM. Model SARMA digunakan apabila terdapat dependensi lag dan dependensi error. Penduga parameter SARMA ini menggunakan metode Maximum Likelihood Estimation (MLE). Untuk menjelaskan hubungan spasial antar lokasi pengamatan digunakan matriks pembobot spasial berdasarkan ketetanggaan (contiguity). Provinsi Jawa Barat merupakan provinsi yang memiliki tingkat pengangguran terbuka tertinggi di Indonesia pada tahun 2022. Tujuan dari penelitian ini yaitu untuk memodelkan regresi SARMA dan mengetahui faktor-faktor yang mempengaruhi tingkat pengangguran terbuka di Provinsi Jawa Barat tahun 2022 secara signifikan. Hasil penelitian menunjukan bahwa data mengandung dependensi spasial lag dan error sehingga model SARMA layak digunakan. Model menunjukan rata-rata lama sekolah, tingkat partisipasi angkatan kerja, angka harapan hidup, dan laju pertumbuhan PDRB berpengaruh secara signifikan terhadap tingkat pengangguran terbuka. Tingkat pengangguran terbuka kabupaten/kota ke-i yang berdekatan berpengaruh secara signifikan terhadap tingkat pengangguran terbuka kabupaten/kota disekitarnya sebesar -0,5334 dan error antar kabupaten/kota ke-i yang berdekatan berpengaruh terhadap tingkat pengangguran terbuka kabupaten/kota disekitarnya sebesar 0,7292.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"49 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":"130987956","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 a process to know a picture in the future based on past data. ARIMA Kalman Filter is a forecasting method that combines analysis using the ARIMA model which is then carried out by applying the Kalman Filter algorithm in optimizing the ARIMA model. Kalman Filter is a set of mathematical equations that offer a computationally recursive and efficient way to estimate the state of a process, in such a way as to minimize the average of the squared errors. The purpose of forecasting is to get a picture of the future value that can be used for decision making, one of which is precious metal investment. In this study, forecasting will be carried out on the price of one gram of Antam's precious metal using the ARIMA Kalman Filter method. Precious metals are referred to as “safe heaven” investment instruments, which means that the value of these investment assets will be maintained. Based on the research results from forecasting data for Antam's Precious Metals price of one gram (before tax) per day at the LM Precious Metals Boutique - Bandung using the ARIMA Kalman Filter method, the best forecasting model is the ARIMA Kalman Filter (1,1,0) model with the equation With the implementation of the Kalman Filter algorithm, the results of forecasting data on the Precious Metals price of one gram (before tax) per day at the LM Precious Metals Boutique – Bandung become more accurate. This is indicated by the decrease in the MAPE value from 45.37% using the ARIMA model (1,1,0) to 38.73% after applying the Kalman Filter algorithm to the ARIMA model (1,1,0). Abstrak. Peramalan adalah suatu proses untuk mengetahui suatu gambaran di masa depan berdasarkan data masa lampau. ARIMA Kalman Filter adalah suatu metode peramalan yang menggabungkan analisis menggunakan model ARIMA yang selanjutnya dilakukan penerapan algoritma Kalman Filter dalam optimalisasi model ARIMA. Kalman Filter merupakan sekumpulan persamaan matematik yang menawarkan cara komputasi rekursif dan efisien untuk mengestimasi state dari sebuah proses, sedemikian rupa sehingga meminimumkan rata-rata dari kuadrat galat. Tujuan dari peramalan adalah mengetahui gambaran nilai masa depan yang dapat dimanfaatkan untuk pengambilan keputusan salah satunya investasi logam mulia. Pada penelitian ini akan dilakukan peramalan terhadap harga satu gram logam mulia Antam menggunakan metode ARIMA Kalman Filter. Logam mulia disebut sebagai instrumen investasi “safe heaven” yang artinya aset investasi tersebut akan tetap terjaga nilainya. Berdasarkan hasil penelitian dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM – Bandung menggunakan metode ARIMA Kalman Filter maka didapat model peramalan terbaik adalah model ARIMA Kalman Filter (1,1,0) dengan persamaan . Dengan diterapkannya algoritma Kalman Filter, hasil dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM – Bandung menjadi lebih akurat. Hal
摘要预测是根据过去的数据预测未来的过程。ARIMA Kalman Filter是一种结合ARIMA模型分析，再应用Kalman Filter算法对ARIMA模型进行优化的预测方法。卡尔曼滤波器是一组数学方程，它提供了一种计算递归的有效方法来估计过程的状态，从而使平方误差的平均值最小。预测的目的是获得未来价值的图景，可以用于决策，其中之一是贵金属投资。在本研究中，将使用ARIMA卡尔曼滤波方法对一克安塔姆贵金属的价格进行预测。贵金属被称为“安全天堂”的投资工具，这意味着这些投资资产的价值将保持不变。基于对LM贵金属精品店-万隆每天1克(税前)的Antam贵金属价格使用ARIMA Kalman Filter方法预测数据的研究结果，最佳预测模型是ARIMA Kalman Filter(1,1,0)模型，该模型具有卡尔曼滤波算法的实现，万隆LM贵金属精品店每天1克(税前)的贵金属价格预测数据的结果变得更加准确。这可以通过对ARIMA模型(1,1,0)应用卡尔曼滤波算法后，MAPE值从使用ARIMA模型(1,1,0)的45.37%下降到使用ARIMA模型(1,1,0)后的38.73%来表示。Abstrak。Peramalan adalah suatu processes untuk mengetahui suatu gambaran di masa depan berdasarkan data masa lampau。ARIMA Kalman Filter adalah suatu method peramalan yang menggabongkan分析menggunakan模型ARIMA yang selanjutnya dilakukan penerapan算法Kalman Filter dalam optimalisasi模型ARIMA。卡尔曼滤波(Kalman Filter): Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter: Kalman Filter。我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是，我想说的是。Pada penelitian ini akan dilakukan peramalan terhadap harga satu gram logam mulam menggunakan方法ARIMA Kalman滤波。Logam mulia disbut sebagai仪器投资是“平安天堂”，yang artiya资产投资是“平安天堂”，但akan tetap terjaga nilainya。Berdasarkan hasil penelitian dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM - Bandung menggunakan方法ARIMA Kalman Filter maka didapat模型peramalan terbaik adalah模型ARIMA Kalman Filter (1,1,0) dengan persamaan。Dengan diterapkannya算法Kalman滤波，hail - dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM - Bandung menjadi lebih akurat。Hal ini ditunjukan dengan menurunnya nilai MAPE dari 45,37% menggunakan模型ARIMA (1,1,0) menjadi 38,73% setelah diiterapkan算法卡尔曼滤波帕达模型ARIMA(1,1,0)。
{"title":"Peramalan Harga Logam Mulia Antam Satu Gram Menggunakan Metode Arima Kalman Filter","authors":"Wulan Milanka Lestari, Teti Sofia Yanti","doi":"10.29313/bcss.v3i2.8496","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8496","url":null,"abstract":"Abstract. Forecasting is a process to know a picture in the future based on past data. ARIMA Kalman Filter is a forecasting method that combines analysis using the ARIMA model which is then carried out by applying the Kalman Filter algorithm in optimizing the ARIMA model. Kalman Filter is a set of mathematical equations that offer a computationally recursive and efficient way to estimate the state of a process, in such a way as to minimize the average of the squared errors. The purpose of forecasting is to get a picture of the future value that can be used for decision making, one of which is precious metal investment. In this study, forecasting will be carried out on the price of one gram of Antam's precious metal using the ARIMA Kalman Filter method. Precious metals are referred to as “safe heaven” investment instruments, which means that the value of these investment assets will be maintained. Based on the research results from forecasting data for Antam's Precious Metals price of one gram (before tax) per day at the LM Precious Metals Boutique - Bandung using the ARIMA Kalman Filter method, the best forecasting model is the ARIMA Kalman Filter (1,1,0) model with the equation With the implementation of the Kalman Filter algorithm, the results of forecasting data on the Precious Metals price of one gram (before tax) per day at the LM Precious Metals Boutique – Bandung become more accurate. This is indicated by the decrease in the MAPE value from 45.37% using the ARIMA model (1,1,0) to 38.73% after applying the Kalman Filter algorithm to the ARIMA model (1,1,0). \u0000Abstrak. Peramalan adalah suatu proses untuk mengetahui suatu gambaran di masa depan berdasarkan data masa lampau. ARIMA Kalman Filter adalah suatu metode peramalan yang menggabungkan analisis menggunakan model ARIMA yang selanjutnya dilakukan penerapan algoritma Kalman Filter dalam optimalisasi model ARIMA. Kalman Filter merupakan sekumpulan persamaan matematik yang menawarkan cara komputasi rekursif dan efisien untuk mengestimasi state dari sebuah proses, sedemikian rupa sehingga meminimumkan rata-rata dari kuadrat galat. Tujuan dari peramalan adalah mengetahui gambaran nilai masa depan yang dapat dimanfaatkan untuk pengambilan keputusan salah satunya investasi logam mulia. Pada penelitian ini akan dilakukan peramalan terhadap harga satu gram logam mulia Antam menggunakan metode ARIMA Kalman Filter. Logam mulia disebut sebagai instrumen investasi “safe heaven” yang artinya aset investasi tersebut akan tetap terjaga nilainya. Berdasarkan hasil penelitian dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM – Bandung menggunakan metode ARIMA Kalman Filter maka didapat model peramalan terbaik adalah model ARIMA Kalman Filter (1,1,0) dengan persamaan . Dengan diterapkannya algoritma Kalman Filter, hasil dari peramalan data harga Logam Mulia antam satu gram (sebelum pajak) per hari di Butik Logam Mulia LM – Bandung menjadi lebih akurat. Hal","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"34 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":"122765112","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. Tujuan dari pengendalian kualitas statistik adalah untuk mencapai, mempertahankan serta meningkatkan suatu alat kualitas. Alat yang biasa digunakan adalah diagram kendali shewart, namum diagram tersebut kurang efektif dalam mendeteksi pergeseran rata-rata yang relatif kecil. Salah satu alternatifnya yakni menggunakan diagram kendali EWMA (Exponentially Weighted Moving Average) yang memiliki asumsi data berdistribusi normal. Pada praktiknya terkadang variabel terikat mengikuti distribusi poisson dan karakteristik kualitas proses dicirikan sebagai fungsi linier atau non-linier yang dimodelkan menggunakan Generalized Linear Model (GLM). Sehingga diagram kendali berbasis residu diusulkan oleh beberapa peneliti karena menghasilkan kinerja yang lebih baik. Residu yang akan digunakan pada penelitian kali ini adalah pearson residual yang didapat dari model regresi poisson. Pearson residual akan digunakan sebagai nilai statistik pemantauan dalam diagram kendali EWMA. Diagram kendali EWMA berbasis pearson residual ini akan diaplikasikan pada data jumlah penundaan pesawat terbang dengan rute bandara Soekarno Hatta - I Gusti Ngurah Rai sebagai variabel terikat dan kecepatan angin serta suhu sebagai variabel bebas. Hasil pengujian pada Fase I diperoleh nilai λ = 0.05 sebagai λ yang efektif dalam mendeteksi pergeseran proses yang kecil. Kemudian dengan nilai σ ̂_r^P = 0.7527 dan L = 2.615 dihasilkan diagram terkendali secara statistik. Serta pada Fase II dengan menggunakan nilai batas kendali pada Fase I dihasikan bahwa diagram sudah terkendali secara statistik. Abstract. The purpose of statistical quality control is to achieve, maintain and improve a quality tool. A commonly used tool is the shewart control chart, but the diagram is less effective in detecting relatively small average shifts. One alternative is to use the EWMA (Exponentially Weighted Moving Average) control chart which assumes normally distributed data. In practice, sometimes dependent variables follow the poisson distribution and process quality characteristics are characterized as linear or non-linear functions modeled using the Generalized Linear Model (GLM). So the residue-based control diagram was proposed by some researchers because it produces better performance. The residue that will be used in this study is pearson residual obtained from the Poisson regression model. Pearson residuals will be used as monitoring statistical values in the EWMA control chart. This residual pearson-based EWMA control diagram will be applied to data on the number of aircraft delays with the Soekarno Hatta - I Gusti Ngurah Rai airport route as a bound variable and wind speed and temperature as independent variables. The test results in Phase I obtained a value of λ = 0.05 as λ which is effective in detecting small process shifts. Then with a value of σ ̂_r^P = 0.7527 and L = 2.615 a statistically controlled diagram is produced. And in Phase II using the control limit value in Phase I, it was
抽象。统计质量控制的目的是实现、维持和改进一种质量工具。通常使用的工具是shewart控制图，但该图在检测相对较小的平均变化方面则不太有效。另一种选择是使用EWMA控制图，它假设数据是正常分布的。在实践中，有时绑定变量遵循泊逊的分布和过程质量特征，其特征是线性或非线性功能，利用线性模型(GLM)进行模型模型。因此，基于残留物的控制图被一些研究人员提出，因为它能更好地表现。这次研究中使用的残留物是泊松回归模型中发现的皮尔逊残余。皮尔森剩余将作为EWMA控制图中的统计价值监控。这张以皮尔森为基础的EWMA控制图将应用于有关飞机因自由变量限制、风速和温度而延误的数据。测试阶段我结果价值作为有效的λλ= 0。05中探测到小的过程转变。然后和σ值̂_r ^ P = 0 . 7527和L = 2.615产生控制据统计图表。在第二阶段，使用控制值在第一阶段产生的图表已经在统计上得到了控制。抽象。统计能力的目的是实现、维护和植入一种质量工具。正常使用的工具是有限的图表，但图表缺乏对小规模平均轮班的有效检测。另一种选择是用EWMA来控制assumes正常分配数据的图表。在实际操作中，有时会有不同的变量遵循poisson分布和流程characteristics是线性或非线性功能的模型模型模型模型。所以剩余的控制图表是由一些研究人员提供的，因为它能更好地表现。这项研究将使用的剩余余款来自泊森回归模式。皮尔森的剩余人口将作为EWMA控制图上的统计数据利用。这些剩余的珍珠- EWMA控制图将应用于飞机尾号的数据，与索卡诺哈塔-我宁愿跳过机场路线，就像独立变量一样。test results in l我获得一个价值》美国λλ= 0。05,这是有效在detecting小过程班次。然后用σ的a价值̂_r ^ P = 0 . 7527和洛杉矶= 2.615 statistically controlled是由图表。在相位中，我使用控制极限在我的相位中，它发现图表是有数据控制的。
{"title":"Penerapan Diagram Kendali EWMA (Exponentially Weighted Moving Average) Berbasis Pearson Residual pada Data Jumlah Penundaan Keberangkatan Pesawat","authors":"Aulia Yasmin, Suwanda","doi":"10.29313/bcss.v3i2.8264","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8264","url":null,"abstract":"Abstrak. Tujuan dari pengendalian kualitas statistik adalah untuk mencapai, mempertahankan serta meningkatkan suatu alat kualitas. Alat yang biasa digunakan adalah diagram kendali shewart, namum diagram tersebut kurang efektif dalam mendeteksi pergeseran rata-rata yang relatif kecil. Salah satu alternatifnya yakni menggunakan diagram kendali EWMA (Exponentially Weighted Moving Average) yang memiliki asumsi data berdistribusi normal. Pada praktiknya terkadang variabel terikat mengikuti distribusi poisson dan karakteristik kualitas proses dicirikan sebagai fungsi linier atau non-linier yang dimodelkan menggunakan Generalized Linear Model (GLM). Sehingga diagram kendali berbasis residu diusulkan oleh beberapa peneliti karena menghasilkan kinerja yang lebih baik. Residu yang akan digunakan pada penelitian kali ini adalah pearson residual yang didapat dari model regresi poisson. Pearson residual akan digunakan sebagai nilai statistik pemantauan dalam diagram kendali EWMA. Diagram kendali EWMA berbasis pearson residual ini akan diaplikasikan pada data jumlah penundaan pesawat terbang dengan rute bandara Soekarno Hatta - I Gusti Ngurah Rai sebagai variabel terikat dan kecepatan angin serta suhu sebagai variabel bebas. Hasil pengujian pada Fase I diperoleh nilai λ = 0.05 sebagai λ yang efektif dalam mendeteksi pergeseran proses yang kecil. Kemudian dengan nilai σ ̂_r^P = 0.7527 dan L = 2.615 dihasilkan diagram terkendali secara statistik. Serta pada Fase II dengan menggunakan nilai batas kendali pada Fase I dihasikan bahwa diagram sudah terkendali secara statistik. \u0000 \u0000Abstract. The purpose of statistical quality control is to achieve, maintain and improve a quality tool. A commonly used tool is the shewart control chart, but the diagram is less effective in detecting relatively small average shifts. One alternative is to use the EWMA (Exponentially Weighted Moving Average) control chart which assumes normally distributed data. In practice, sometimes dependent variables follow the poisson distribution and process quality characteristics are characterized as linear or non-linear functions modeled using the Generalized Linear Model (GLM). So the residue-based control diagram was proposed by some researchers because it produces better performance. The residue that will be used in this study is pearson residual obtained from the Poisson regression model. Pearson residuals will be used as monitoring statistical values in the EWMA control chart. This residual pearson-based EWMA control diagram will be applied to data on the number of aircraft delays with the Soekarno Hatta - I Gusti Ngurah Rai airport route as a bound variable and wind speed and temperature as independent variables. The test results in Phase I obtained a value of λ = 0.05 as λ which is effective in detecting small process shifts. Then with a value of σ ̂_r^P = 0.7527 and L = 2.615 a statistically controlled diagram is produced. And in Phase II using the control limit value in Phase I, it was ","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"41 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":"121343978","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. Population mobility or population movement exists because the needs of human life cannot always be met by the capabilities of the area where they live. Population mobility occurs partly due to differences in the potential and ability of one region to another in meeting the needs of the population. In this study, population density that occurred in West Java Province and DKI Jakarta Province occurred due to large migration flows and unequal population distribution. Due to the large economic contribution that occurred in the Province of West Java and the Province of DKI Jakarta, it encouraged residents to migrate to these areas to meet economic needs. Therefore this research was conducted to determine the value of the net migration rate per age group between West Java Province and DKI Jakarta Province in 2021. Based on the results obtained, the total net migrants per age group between West Java Province and DKI Jakarta Province in 2021 was 117,078 people, which means that the number of residents of West Java Province and DKI Jakarta Province who migrated in and out migrated was 117,078 people. West Java Province and DKI Jakarta Province in 2021 will produce a positive net migration rate which can be categorized as West Java Province and DKI Jakarta Province as migrant receiving areas for the last five years. The magnitude of the economic contribution that occurs in the province encourages residents to migrate to the area to meet economic needs. Abstrak. Mobilitas penduduk atau perpindahan penduduk ada karena kebutuhan hidup manusia tidak selalu dapat terpenuhi oleh kemampuan wilayah dimana ia bertempat tinggal. Mobilitas penduduk terjadi antara lain karena adanya perbedaan potensi dan kemampuan wilayah yang satu dengan yang lain di dalam memenuhi kebutuhan hidup penduduknya. Dalam penelitian ini kepadatan penduduk yang terjadi di Provinsi Jawa Barat dengan Provinsi DKI Jakarta terjadi karena adanya arus migrasi yang besar dan distribusi penduduk yang tidak merata. Disebabkan karena besarnya kontribusi ekonomi yang terjadi di Provinsi Jawa Barat dengan Provinsi DKI Jakarta tersebut mendorong penduduk melakukan migrasi ke daerah tersebut untuk memenuhi kebutuhan ekonomi. Oleh karena itu penelitian ini dilakukan untuk mengetahui nilai angka migrasi neto perkelompok umur antar Provinsi Jawa Barat dengan Provinsi DKI Jakarta tahun 2021. Berdasarkan hasil yang diperoleh bahwa total migran neto perkelompok umur antar Provinsi Jawa Barat dengan Provinsi DKI Jakarta tahun 2021 sebesar 117.078 jiwa yang artinya banyaknya penduduk Provinsi Jawa Barat dengan Provinsi DKI Jakarta yang melakukan migrasi masuk dan migrasi keluar sebanyak 117.078 orang. Provinsi Jawa Barat dengan Provinsi DKI Jakarta pada tahun 2021 menghasilkan angka migrasi neto bernilai positif yang dapat dikategorikan bahwa Provinsi Jawa Barat dengan Provinsi DKI Jakarta sebagai daerah penerima migran selama lima tahun terakhir. Besarnya kontribusi ekonomi yang terjadi di provinsi t
摘要人口流动或人口流动之所以存在，是因为人们生活的需要并不总是由他们所居住地区的能力来满足。人口流动的部分原因是一个区域与另一个区域在满足人口需要方面的潜力和能力不同。在本研究中，西爪哇省和雅加达大省的人口密度是由于大量移民流动和人口分布不均造成的。由于西爪哇省和雅加达DKI省对经济的巨大贡献，它鼓励居民迁移到这些地区以满足经济需求。因此，本研究旨在确定2021年西爪哇省和雅加达大省之间每个年龄组的净移民率值。根据所获得的结果，2021年西爪哇省和雅加达大省之间每个年龄组的净移民总数为117,078人，这意味着西爪哇省和雅加达大省的居民迁入和迁出的人数为117,078人。到2021年，西爪哇省和雅加达DKI省将实现正的净移民率，可以将其归类为西爪哇省和雅加达DKI省，作为过去五年的移民接收地区。该省对经济的巨大贡献鼓励居民迁移到该地区以满足经济需求。Abstrak。Mobilitas penduduk atau perpindahan penduduk ada karena kebutuhan hidup manusia tidak selalu dapat terpenuhi oleh kemampuan wilayah dimana ia bertempat tinggal。Mobilitas penduduk terjadi antara lain karena adanya perbedaan potential dan kemampuan wilayah yang satu dengan yang lain di dalam memenuhi kebutuhan hidup penduduknya。杨Dalam penelitian ini kepadatan penduduk terjadi di Provinsi Jawa强烈阵雨dengan Provinsi DKI雅加达terjadi林嘉欣adanya阿鲁migrasi杨大的丹distribusi penduduk杨有些merata。Disebabkan karena besarya kontribusi ekonomi yang terjadi di province爪哇巴拉登甘省DKI雅加达tererdo penduduk melakukan migrasi ke daerah tereras untuk memenuhi kebutuhan economi。Oleh karena itu penelitian ini dilakukan untuk mengetahui nilai angka migrasi neto perkelompok umar province爪哇巴拉特登干省DKI雅加达tahun 2021。Berdasarkan hasil yang diperoleh bahwa总迁移neto perkelompok umur antar省爪哇Barat dengan省DKI雅加达tahun 2021 sebesar 117.078 jiwa yang artinya banyaknya penduduk省爪哇Barat dengan省DKI雅加达melakukan migrasi masuk dan migrasi keluar sebanyak 117.078橙子。爪哇巴拉特登干省DKI雅加达paada tahun 2021 menghasilkan angka migrasi neto bernilai正阳dapat dikategorikan bahwa省爪哇巴拉特登干省DKI雅加达sebagai daerah penerima migran selama lima tahun terakhir。我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是，我的意思是。
{"title":"Perkiraan Migrasi Neto Perkelompok Umur antar Provinsi Jawa Barat dengan Provinsi DKI Jakarta Tahun 2021","authors":"Ferdi Herdiansyah, Yayat Karyana","doi":"10.29313/bcss.v3i2.8321","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8321","url":null,"abstract":"Abstract. Population mobility or population movement exists because the needs of human life cannot always be met by the capabilities of the area where they live. Population mobility occurs partly due to differences in the potential and ability of one region to another in meeting the needs of the population. In this study, population density that occurred in West Java Province and DKI Jakarta Province occurred due to large migration flows and unequal population distribution. Due to the large economic contribution that occurred in the Province of West Java and the Province of DKI Jakarta, it encouraged residents to migrate to these areas to meet economic needs. Therefore this research was conducted to determine the value of the net migration rate per age group between West Java Province and DKI Jakarta Province in 2021. Based on the results obtained, the total net migrants per age group between West Java Province and DKI Jakarta Province in 2021 was 117,078 people, which means that the number of residents of West Java Province and DKI Jakarta Province who migrated in and out migrated was 117,078 people. West Java Province and DKI Jakarta Province in 2021 will produce a positive net migration rate which can be categorized as West Java Province and DKI Jakarta Province as migrant receiving areas for the last five years. The magnitude of the economic contribution that occurs in the province encourages residents to migrate to the area to meet economic needs. \u0000Abstrak. Mobilitas penduduk atau perpindahan penduduk ada karena kebutuhan hidup manusia tidak selalu dapat terpenuhi oleh kemampuan wilayah dimana ia bertempat tinggal. Mobilitas penduduk terjadi antara lain karena adanya perbedaan potensi dan kemampuan wilayah yang satu dengan yang lain di dalam memenuhi kebutuhan hidup penduduknya. Dalam penelitian ini kepadatan penduduk yang terjadi di Provinsi Jawa Barat dengan Provinsi DKI Jakarta terjadi karena adanya arus migrasi yang besar dan distribusi penduduk yang tidak merata. Disebabkan karena besarnya kontribusi ekonomi yang terjadi di Provinsi Jawa Barat dengan Provinsi DKI Jakarta tersebut mendorong penduduk melakukan migrasi ke daerah tersebut untuk memenuhi kebutuhan ekonomi. Oleh karena itu penelitian ini dilakukan untuk mengetahui nilai angka migrasi neto perkelompok umur antar Provinsi Jawa Barat dengan Provinsi DKI Jakarta tahun 2021. Berdasarkan hasil yang diperoleh bahwa total migran neto perkelompok umur antar Provinsi Jawa Barat dengan Provinsi DKI Jakarta tahun 2021 sebesar 117.078 jiwa yang artinya banyaknya penduduk Provinsi Jawa Barat dengan Provinsi DKI Jakarta yang melakukan migrasi masuk dan migrasi keluar sebanyak 117.078 orang. Provinsi Jawa Barat dengan Provinsi DKI Jakarta pada tahun 2021 menghasilkan angka migrasi neto bernilai positif yang dapat dikategorikan bahwa Provinsi Jawa Barat dengan Provinsi DKI Jakarta sebagai daerah penerima migran selama lima tahun terakhir. Besarnya kontribusi ekonomi yang terjadi di provinsi t","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"33 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":"128108499","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 aim of study is to explain the case. Regression analysis is used to model or look for patterns of relationship between one or more independent variables and one or more response variables. Since the data often does not follow a specific formulation pattern, a more flevible model is required, namely nonparametric regression model approach is an approachused when the shape of the shape of the relationship between the response variable and the independent variable is unknown or information about the shape of the regression function is not available. The nonparametric spline regression model with optimal noodes was applied to patient age and time to recovery after hospitalization in patients with type 2 diabetes mellitus containing right-censored data in a variable containing the right sensor. In this study, the generalized cross-validation (GCV) method was applied to nonparametric smoothing spline regression to determine the optimal smoothing parameter. In order to obtain the GCV value, parameter estimasi must be available to form a hat matriz formed form . Parameter estimation for the smoothing spline from the function f(.) by minimized PRSS (Penalized Residual Sum of Square). Once the optimal GCV value has been determined, it froms the best estimate of the regression function. Optimal Smoothing parameter by choosing with a minimum GCV value. According to the research result, the minimum GCV value is 0.0378 at and the GCV value with Kaplan Meier weights is 30.4773. Abstrak. Penelitian ini bertujuan untuk menjelaskan mengenai kasus Analisis regresi digunakan untuk memodelkan atau mencari pola hubungan antara satu atau lebih variabel bebas dengan satu atau lebih variabel respons. Seringkali data tidak mengikuti pola rumusan tertentu, sehingga diperlukan model yang lebih fleksibel, yaitu regresi nonparametrik. Pendekatan model regresi nonparametrik yaitu merupakan suatu pendekatan yang digunakan apabila bentuk hubungan antara variabel respon dan variabel bebasnya tidak diketahui atau tidak adanya informasi mengenai bentuk fungsi regresinya. Model regresi nonparametrik spline dengan titik knot optimal diaplikasikan pada usia pasien terhadap lamanya waktu kesembuhan rawat inap pada pasien yang menyandang penyakit diabetes melitus tipe-2 yang di dalamnya mengandung data tersensor kanan menjadi variabel yang berisi sensor kanan. Dalam penelitian ini diterapkannya metode GCV (Generalized Cross-Validation) pada regresi nonparametrik smoothing spline untuk menentukan parameter smoothing yang optimal. Untuk mendapatkan nilai GCV, Maka perlu adanya nilai estimasi parameter untuk membentuk hat matrix yang dibentuk dari . Estimasi parameter untuk smoothing spline dari fungsi f(.) dengan meminimumkan PRSS (Penalized Residual Sum of Square). Ketika nilai GCV yang optimal sudah didapatkan maka akan membentuk estimasi fungsi regresi yang terbaik. Parameter penghalus optimal dengan cara memilih yang memiliki nilai GCV minimum. Dari hasil penelitia
摘要研究的目的是解释这个案例。回归分析用于对一个或多个自变量与一个或多个响应变量之间的关系模式进行建模或寻找。由于数据往往不遵循特定的公式模式，因此需要更灵活的模型，即当响应变量与自变量之间关系的形状形状未知或无法获得回归函数形状的信息时，采用非参数回归模型方法。将带最优节点的非参数样条回归模型应用于2型糖尿病患者的患者年龄和住院后恢复时间，该模型在包含右传感器的变量中包含右截尾数据。本研究将广义交叉验证(GCV)方法应用于非参数平滑样条回归，以确定最优平滑参数。为了获得GCV值，必须有参数估计，以形成帽矩阵形式。用最小化PRSS(惩罚残差平方和)对函数f(.)的光滑样条参数进行估计。一旦确定了最优GCV值，它就来自回归函数的最佳估计。通过选择最小GCV值来优化平滑参数。根据研究结果，最小GCV值为0.0378,Kaplan Meier加权GCV值为30.4773。Abstrak。Penelitian ini bertujuan untuk menjelaskan mengenai kasus分析回归i digunakan untuk memodelkan ataumenencari pola hubungan antara状态ataulebih变量的行为和状态ataulebih变量的响应。Seringkali数据，mengikuti pola rumusan tertenti, sehinga diperlukan模型，yang lebih fleksibel, yitu回归非参数。Pendekatan模型回归，非参数yitu merupakan suatu Pendekatan yang digunakan abilabila bentuk hubungan antara变量响应，变量bebasnya tidak diketahui atau tidak adanya信息，mengeni bentuk真菌回归。模型回归非参数样条dengan titik结最优diplikasikan pada usia pasen terhahapa lamanya waktu kesembuhan rawat inap pada pasen yang menyanandang penyakit diabetes tipe2 yang di dalamnya mengandung数据tersensor kanan menjadi变量yang berisi sensor kanan。Dalam penelitian ini diiterapkannya方法GCV (Generalized Cross-Validation) pagadarei非参数平滑样条法untuk menentukan参数平滑杨最优。Untuk mendapatkan nilai GCV, Maka perlu adanya nilai估计参数Untuk membentuk，矩阵yang dibentuk dari。用平滑样条函数估计参数，得到了最小最小的PRSS(惩罚残差平方和)。Ketika nilai GCV yang最优sudah didapatkan maka akan membentuk估计真菌回归yang terbaik。参数最优的彭海勒斯(dengan - cara - memiliki - yang - memiliki - nilai) GCV最小。Dari hasil penelitian, nilai GCV paling minimum bernilai 0.0378 paada saat danuntuk nilai GCV dengan phembobot Kaplan-Meier bernilai 30.4773。
{"title":"Penerapan Regresi Nonparametrik Smooting Spline untuk Data Tersensor dalam Memodelkan Hubungan Antara Lamanya Waktu Kesembuhan Rawat Inap Pada Pasien Diabetes Melitus Tipe-2 dengan Usia Pasien","authors":"Dea Sri Mulyani, Abdul Kudus","doi":"10.29313/bcss.v3i2.8966","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8966","url":null,"abstract":"Abstract. The aim of study is to explain the case. Regression analysis is used to model or look for patterns of relationship between one or more independent variables and one or more response variables. Since the data often does not follow a specific formulation pattern, a more flevible model is required, namely nonparametric regression model approach is an approachused when the shape of the shape of the relationship between the response variable and the independent variable is unknown or information about the shape of the regression function is not available. The nonparametric spline regression model with optimal noodes was applied to patient age and time to recovery after hospitalization in patients with type 2 diabetes mellitus containing right-censored data in a variable containing the right sensor. In this study, the generalized cross-validation (GCV) method was applied to nonparametric smoothing spline regression to determine the optimal smoothing parameter. In order to obtain the GCV value, parameter estimasi must be available to form a hat matriz formed form . Parameter estimation for the smoothing spline from the function f(.) by minimized PRSS (Penalized Residual Sum of Square). Once the optimal GCV value has been determined, it froms the best estimate of the regression function. Optimal Smoothing parameter by choosing with a minimum GCV value. According to the research result, the minimum GCV value is 0.0378 at and the GCV value with Kaplan Meier weights is 30.4773. \u0000Abstrak. Penelitian ini bertujuan untuk menjelaskan mengenai kasus Analisis regresi digunakan untuk memodelkan atau mencari pola hubungan antara satu atau lebih variabel bebas dengan satu atau lebih variabel respons. Seringkali data tidak mengikuti pola rumusan tertentu, sehingga diperlukan model yang lebih fleksibel, yaitu regresi nonparametrik. Pendekatan model regresi nonparametrik yaitu merupakan suatu pendekatan yang digunakan apabila bentuk hubungan antara variabel respon dan variabel bebasnya tidak diketahui atau tidak adanya informasi mengenai bentuk fungsi regresinya. Model regresi nonparametrik spline dengan titik knot optimal diaplikasikan pada usia pasien terhadap lamanya waktu kesembuhan rawat inap pada pasien yang menyandang penyakit diabetes melitus tipe-2 yang di dalamnya mengandung data tersensor kanan menjadi variabel yang berisi sensor kanan. Dalam penelitian ini diterapkannya metode GCV (Generalized Cross-Validation) pada regresi nonparametrik smoothing spline untuk menentukan parameter smoothing yang optimal. Untuk mendapatkan nilai GCV, Maka perlu adanya nilai estimasi parameter untuk membentuk hat matrix yang dibentuk dari . Estimasi parameter untuk smoothing spline dari fungsi f(.) dengan meminimumkan PRSS (Penalized Residual Sum of Square). Ketika nilai GCV yang optimal sudah didapatkan maka akan membentuk estimasi fungsi regresi yang terbaik. Parameter penghalus optimal dengan cara memilih yang memiliki nilai GCV minimum. Dari hasil penelitia","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"6 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":"121830804","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. Autoregressive model as a classic time series model which is often used in modeling time series data has not been able to explain changes in structure. In addition, other time series models that often deal with structural changes, such as TAR, SETAR, ARCH, and so on, have not been able to overcome the transition opportunities that also often occur in time series data. Thus, the Markov Switching Autoregressive method was introduced which not only addresses structural changes but also pays attention to and explains transition opportunities. This method is applied in modeling inflation rate data in West Java Province, where the inflation rate is an important right to pay attention to because it is related to economic stability and structural changes often occur. Especially in the West Java region as one of the largest provinces in Indonesia. The MS(2)AR(1) model is said to be the best model because it has the smallest BIC value with a BIC value of -91.31212. The MAPE value for the MS(2)AR(1) model is 15% which is said to be good for forecasting. Forecasting is done for the next 12 months. As well as the state duration, it was obtained that the inflation rate remained in an increasing condition for approximately 11 months while it remained in a declining condition for approximately 9 months. Abstrak. Model Autoregressive sebagai model deret waktu klasik yang seringkali digunakan dalam pemodelan data deret waktu belum mampu menjelaskan adanya perubahan struktur. Selain itu, model deret waktu lain yang seringkali mengatasi perubahan struktur seperti TAR, SETAR, ARCH, dan lain sebagainya belum mampu juga mengatasi peluang transisi yang juga seringkali terjadi pada data deret waktu. Dengan demikian, diperkenalkanlah metode Markov Switching Autoregressive yang tidak hanya mengatasi perubahan struktur tapi juga memperhatikan dan menjelaskan adanya peluang transisi. Metode ini diterapkan dalam pemodelan data tingkat Inflasi di Provinsi Jawa Barat, yang dimana tingkat inflasi menjadi suatu hak yang penting untuk diperhatikan karena berkaitan dengan stabilitas perekonomian serta seringkali terjadi perubahan struktur. Terutama di wilayah Jawa Barat sebagai salah satu Provinsi terbesar di Indonesia.Model MS(2)AR(1) dikatakan sebagai model terbaik karena memiliki nilai BIC terkecil dengan nilai BIC sebesar -91,31212. Nilai MAPE untuk model MS(2)AR(1) sebesar 15% yang dikatakan baik untuk peramalan. Peramalan dilakukan untuk 12 bulan kedepan. Serta Durasi state yang diperoleh bahwa tingkat inflasi bertahan dalam kondisi peningkatan kurang lebih 11 bulan sedangkan bertahan pada kondisi penurunan selama kurang lebih 9 bulan.
摘要。自回归模型作为一种经典的时间序列模型，经常用于时间序列数据的建模，但它不能很好地解释结构的变化。此外，其他经常处理结构变化的时间序列模型，如TAR、SETAR、ARCH等，无法克服时间序列数据中也经常出现的过渡机会。因此，引入了马尔可夫切换自回归方法，该方法不仅解决了结构变化，而且关注并解释了过渡机会。该方法在西爪哇省的通货膨胀率数据建模中得到了应用。在西爪哇省，通货膨胀率是一项重要的关注权，因为它关系到经济的稳定和经常发生的结构变化。特别是在西爪哇地区作为印度尼西亚最大的省份之一。MS(2)AR(1)模型被认为是最佳模型，因为它的BIC值最小，BIC值为-91.31212。MS(2)AR(1)模型的MAPE值为15%，据说对预测很好。对未来12个月的预测已经完成。除了状态持续时间外，我们还发现通货膨胀率在大约11个月的时间里一直处于上升状态，而在大约9个月的时间里一直处于下降状态。Abstrak。自回归sebagai模型deret waktu klasik yang seringkali digunakan dalam pemodelan数据deret waktu belum mampu menjelaskan adanya perubahan构造。Selain itu, model deret waktu lain yang seringkali mengatasi peruang, SETAR, ARCH, danlain sebagainya belum mampu juga mengatasi peruang transisi yang juga seringkali terjadi pada data deret waktu。邓干demikian, diperkenalkanlah方法马尔可夫开关自回归杨达克汉尼亚蒙加塔斯秘鲁巴罕构造，tapi juga成员哈提坎丹menjelaskan adanya peluang transisi。Metode ini diterapkan dalam deldelan数据，以印度尼西亚省(Jawa Barat)为例，以印度尼西亚省(Jawa Barat)为例，以印度尼西亚省(Jawa Barat)为例，以印度尼西亚省(Jawa Barat)为例，以印度尼西亚省(Jawa Barat)为例，以印度尼西亚省(Jawa Barat)为例。印尼语:印尼语:印尼语:印尼语:印尼语模型MS(2)AR(1) dikatakan sebagai模型terbaik karena memiliki nilai BIC terkecil dengan nilai BIC sebesar -91,31212。Nilai MAPE untuk模型MS(2)AR(1) sebesar 15% yang dikatakan baik untuk peramalan。Peramalan dilakukan untuk 12 bulan kedepan。州有两个州，一个州有两个州，一个州有两个州，一个州有两个州，一个州有两个州，一个州有两个州，一个州有两个州，一个州有两个州，一个州有两个州。
{"title":"Pemodelan Markov Switching Autoregressive untuk Peramalan Data Tingkat Inflasi di Provinsi Jawa Barat Tahun 2009-2022","authors":"Choerunnisa, Suwanda","doi":"10.29313/bcss.v3i2.9239","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9239","url":null,"abstract":"Abstract. Autoregressive model as a classic time series model which is often used in modeling time series data has not been able to explain changes in structure. In addition, other time series models that often deal with structural changes, such as TAR, SETAR, ARCH, and so on, have not been able to overcome the transition opportunities that also often occur in time series data. Thus, the Markov Switching Autoregressive method was introduced which not only addresses structural changes but also pays attention to and explains transition opportunities. This method is applied in modeling inflation rate data in West Java Province, where the inflation rate is an important right to pay attention to because it is related to economic stability and structural changes often occur. Especially in the West Java region as one of the largest provinces in Indonesia. The MS(2)AR(1) model is said to be the best model because it has the smallest BIC value with a BIC value of -91.31212. The MAPE value for the MS(2)AR(1) model is 15% which is said to be good for forecasting. Forecasting is done for the next 12 months. As well as the state duration, it was obtained that the inflation rate remained in an increasing condition for approximately 11 months while it remained in a declining condition for approximately 9 months. \u0000Abstrak. Model Autoregressive sebagai model deret waktu klasik yang seringkali digunakan dalam pemodelan data deret waktu belum mampu menjelaskan adanya perubahan struktur. Selain itu, model deret waktu lain yang seringkali mengatasi perubahan struktur seperti TAR, SETAR, ARCH, dan lain sebagainya belum mampu juga mengatasi peluang transisi yang juga seringkali terjadi pada data deret waktu. Dengan demikian, diperkenalkanlah metode Markov Switching Autoregressive yang tidak hanya mengatasi perubahan struktur tapi juga memperhatikan dan menjelaskan adanya peluang transisi. Metode ini diterapkan dalam pemodelan data tingkat Inflasi di Provinsi Jawa Barat, yang dimana tingkat inflasi menjadi suatu hak yang penting untuk diperhatikan karena berkaitan dengan stabilitas perekonomian serta seringkali terjadi perubahan struktur. Terutama di wilayah Jawa Barat sebagai salah satu Provinsi terbesar di Indonesia.Model MS(2)AR(1) dikatakan sebagai model terbaik karena memiliki nilai BIC terkecil dengan nilai BIC sebesar -91,31212. Nilai MAPE untuk model MS(2)AR(1) sebesar 15% yang dikatakan baik untuk peramalan. Peramalan dilakukan untuk 12 bulan kedepan. Serta Durasi state yang diperoleh bahwa tingkat inflasi bertahan dalam kondisi peningkatan kurang lebih 11 bulan sedangkan bertahan pada kondisi penurunan selama kurang lebih 9 bulan.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"214 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":"132591688","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. Random Forest is a supervised learning algorithm developed from decision trees with the application of boostrap aggregating (bagging). This method grows trees from decision trees to produce a forest or the best model called the random forest model. Tree growth is done with randomly selected data with returns through the bagging process. Random forest is considered to provide better performance results for diabetes data among other supervised learning methods, because random forest and has the lowest error rate compared to other methods. Random forest is also an important technique for medical data classification, especially for diagnosing diabetics. In this study, classification was carried out using Pima Indian Diabetes data, which is an American tribe that lives in Arizona and Mexico. Classification analysis was carried out using an algorithm to see the level of accuracy in random forest classification on Pima Indian diabetes data. The results show that the accuracy value of random forest classification is 74.78%, this value is in the accuracy category at the fair classification level. In this random forest classification, there are three main variables that become importance variables, namely glucose then BMI, and age. Abstract. Random Forest is a supervised learning algorithm developed from decision trees with the application of boostrap aggregating (bagging). This method grows trees from decision trees to produce a forest or the best model called the random forest model. Tree growth is done with randomly selected data with returns through the bagging process. Random forest is considered to provide better performance results for diabetes data among other supervised learning methods, because random forest and has the lowest error rate compared to other methods. Random forest is also an important technique for medical data classification, especially for diagnosing diabetics. In this study, classification was carried out using Pima Indian Diabetes data, which is an American tribe that lives in Arizona and Mexico. Classification analysis was carried out using an algorithm to see the level of accuracy in random forest classification on Pima Indian diabetes data. The results show that the accuracy value of random forest classification is 74.78%, this value is in the accuracy category at the fair classification level. In this random forest classification, there are three main variables that become importance variables, namely glucose then BMI, and age.
{"title":"Metode Random Forest untuk Klasifikasi Penyakit Diabetes","authors":"Dhea Agustina Hadi, Dwi Agustin Nuraini Sirodj","doi":"10.29313/bcss.v3i2.8354","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8354","url":null,"abstract":"Abstract. Random Forest is a supervised learning algorithm developed from decision trees with the application of boostrap aggregating (bagging). This method grows trees from decision trees to produce a forest or the best model called the random forest model. Tree growth is done with randomly selected data with returns through the bagging process. Random forest is considered to provide better performance results for diabetes data among other supervised learning methods, because random forest and has the lowest error rate compared to other methods. Random forest is also an important technique for medical data classification, especially for diagnosing diabetics. In this study, classification was carried out using Pima Indian Diabetes data, which is an American tribe that lives in Arizona and Mexico. Classification analysis was carried out using an algorithm to see the level of accuracy in random forest classification on Pima Indian diabetes data. The results show that the accuracy value of random forest classification is 74.78%, this value is in the accuracy category at the fair classification level. In this random forest classification, there are three main variables that become importance variables, namely glucose then BMI, and age. \u0000Abstract. Random Forest is a supervised learning algorithm developed from decision trees with the application of boostrap aggregating (bagging). This method grows trees from decision trees to produce a forest or the best model called the random forest model. Tree growth is done with randomly selected data with returns through the bagging process. Random forest is considered to provide better performance results for diabetes data among other supervised learning methods, because random forest and has the lowest error rate compared to other methods. Random forest is also an important technique for medical data classification, especially for diagnosing diabetics. In this study, classification was carried out using Pima Indian Diabetes data, which is an American tribe that lives in Arizona and Mexico. Classification analysis was carried out using an algorithm to see the level of accuracy in random forest classification on Pima Indian diabetes data. The results show that the accuracy value of random forest classification is 74.78%, this value is in the accuracy category at the fair classification level. In this random forest classification, there are three main variables that become importance variables, namely glucose then BMI, and age.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"1 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":"133113879","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 an important aid in planning and decision-making. One of the forecasting methods that is often used is the time series method. Time series are often influenced by a particular event or other variable, so it can cause the data to have a different repeating pattern each period. The ARIMAX Model is thought to be able to capture certain patterns by including certain event information as additional variables, or so-called exogenous variables. The tendency of data to show patterns at certain times based on dates in the calendar is called calendar variation, and the effect of calendar variation can appear on certain events such as Eid al-Fitr. Special treatment is needed for time series data with a calendar variation effect, where the ARIMAX model is well applied to the series data in that case, so that the model formed is ARIMAX with calendar variation. In this thesis, I conducted a study on forecasting the price of cayenne pepper in West Java province using the ARIMAX model with a variation of the calendar in which to include information on Eid al-Fitr events as an additional variable. The best ARIMAX model for forecasting is ARIMAX (0, 1, 1) with accuracy using a MAPE value of 11%, which is based on the criteria of forecasting ability. It can be concluded that the model ARIMAX (0, 1, 1) has good forecasting ability. Abstrak. Peramalan merupakan bantuan penting dalam perencanaan dan pengambilan keputusan. Salah satu metode peramalan yang sering digunakan adalah metode deret waktu (time series). Pada deret waktu seringkali dipengaruhi oleh suatu peristiwa tertentu atau variabel lain, sehingga dapat menyebabkan data memiliki pola berulang berbeda setiap periodenya. Model ARIMAX diduga mampu menangkap pola tertentu dengan memasukkan informasi peristiwa tertentu sebagai variabel tambahan atau disebut variabel eksogen. Adanya kecenderungan data untuk menampilkan pola pada waktu tertentu berdasarkan penanggalan di dalam kalender disebut variasi kalender, dimana efek variasi kalender dapat muncul pada peristiwa tertentu seperti Idul Fitri. Diperlukan perlakuan khusus untuk data deret waktu dengan efek variasi kalender, dimana model ARIMAX baik diterapkan untuk data deret dengan kasus tersebut, sehingga model yang terbentuk adalah ARIMAX dengan variasi kalender. Dalam skripsi ini melakukan penelitian pada peramalan harga cabai rawit di Provinsi Jawa Barat menggunakan model ARIMAX dengan variasi kalender dimana memasukkan informasi peristiwa Idul Fitri sebagai variabel tambahan. Didapatkan model ARIMAX terbaik untuk melakukan peramalan yaitu ARIMAX(0,1,1) dengan akurasi menggunakan nilai MAPE sebesar 11%, dimana berdasarkan kriteria kemampuan peramalan bahwa dapat disimpulkan model ARIMAX(0,1,1) memiliki kemampuan peramalan yang baik.
摘要预测是计划和决策的重要辅助手段。常用的预测方法之一是时间序列法。时间序列经常受到特定事件或其他变量的影响，因此它可能导致每个周期的数据具有不同的重复模式。ARIMAX模型被认为能够通过将某些事件信息作为附加变量或所谓的外生变量来捕获某些模式。数据根据日历上的日期在特定时间显示模式的趋势被称为日历变化，日历变化的影响可能出现在某些事件上，如开斋节。对于具有日历变化效应的时间序列数据需要进行特殊处理，在这种情况下，ARIMAX模型很好地应用于该系列数据，从而形成具有日历变化的ARIMAX模型。在这篇论文中，我使用ARIMAX模型对西爪哇省辣椒的价格进行了预测，该模型采用不同的日历，其中包括开斋节事件的信息作为附加变量。以预测能力为标准，最佳的ARIMAX模型为ARIMAX (0,1,1)， MAPE值为11%，预测精度最高。结果表明，模型ARIMAX(0,1,1)具有较好的预测能力。Abstrak。Peramalan merupakan bantuan penting dalam perencanan dan pengambilan keputusan。Salah satu metode peramalan yang sering digunakan adalah metode deret waktu(时间序列)。在不同的时间段里，不同的时间段里，不同的时间段里，不同的时间段里，不同的时间段里，不同的时间段里，不同的时间段里，不同的时间段里，不同的时间段里，不同的时间段里。模型ARIMAX diduga mampu menangkap pola tertentenu dendenan mamasukkan信息，tertentenu, sebagai变量，tambahan变量，疾病变量，eksogen。Adanya kemenderungan data untuk menampilkan pola pada waktu tertentu berdasarkan penanggalan di dalam kalender disebut variasi kalender, dimana efek variasi kalender dapat munl pada peristiwa tertentu perperti Idul Fitri。Diperlukan perlakuan khusus untuk数据deret waktu dengan efek variaskalender, dimana模型ARIMAX baik diterapkan untuk数据deret dengan kasustersebut, sehinga模型yang terbentuk adalah ARIMAX dengan variaskalender。Dalam skripsi ini melakukan penelitian pada peramakan harga cabai rawit i javawa Barat menggunakan模型ARIMAX dengan variaskalender dimana memasukkan informasi peristiwa Idul Fitri sebagai variabel tambahan。Didapatkan模型ARIMAX terbaik untuk melakukan peramalan yitu ARIMAX(0,1,1) dengan akurasi menggunakan nilai MAPE sebesar 11%， dimana berdasarkan kriteria kemampuan peramalan bahwa dapat dis冲量模型ARIMAX(0,1,1) memiliki kemampuan peramalan yang baik。
{"title":"Penerapan Metode ARIMAX dengan Efek Variasi Kalender pada Peramalan Harga Komoditas Cabai Rawit di Provinsi Jawa Barat","authors":"Rara Hera Silvia, Anneke Iswani Achmad","doi":"10.29313/bcss.v3i2.9180","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.9180","url":null,"abstract":"Abstract. Forecasting is an important aid in planning and decision-making. One of the forecasting methods that is often used is the time series method. Time series are often influenced by a particular event or other variable, so it can cause the data to have a different repeating pattern each period. The ARIMAX Model is thought to be able to capture certain patterns by including certain event information as additional variables, or so-called exogenous variables. The tendency of data to show patterns at certain times based on dates in the calendar is called calendar variation, and the effect of calendar variation can appear on certain events such as Eid al-Fitr. Special treatment is needed for time series data with a calendar variation effect, where the ARIMAX model is well applied to the series data in that case, so that the model formed is ARIMAX with calendar variation. In this thesis, I conducted a study on forecasting the price of cayenne pepper in West Java province using the ARIMAX model with a variation of the calendar in which to include information on Eid al-Fitr events as an additional variable. The best ARIMAX model for forecasting is ARIMAX (0, 1, 1) with accuracy using a MAPE value of 11%, which is based on the criteria of forecasting ability. It can be concluded that the model ARIMAX (0, 1, 1) has good forecasting ability. \u0000Abstrak. Peramalan merupakan bantuan penting dalam perencanaan dan pengambilan keputusan. Salah satu metode peramalan yang sering digunakan adalah metode deret waktu (time series). Pada deret waktu seringkali dipengaruhi oleh suatu peristiwa tertentu atau variabel lain, sehingga dapat menyebabkan data memiliki pola berulang berbeda setiap periodenya. Model ARIMAX diduga mampu menangkap pola tertentu dengan memasukkan informasi peristiwa tertentu sebagai variabel tambahan atau disebut variabel eksogen. Adanya kecenderungan data untuk menampilkan pola pada waktu tertentu berdasarkan penanggalan di dalam kalender disebut variasi kalender, dimana efek variasi kalender dapat muncul pada peristiwa tertentu seperti Idul Fitri. Diperlukan perlakuan khusus untuk data deret waktu dengan efek variasi kalender, dimana model ARIMAX baik diterapkan untuk data deret dengan kasus tersebut, sehingga model yang terbentuk adalah ARIMAX dengan variasi kalender. Dalam skripsi ini melakukan penelitian pada peramalan harga cabai rawit di Provinsi Jawa Barat menggunakan model ARIMAX dengan variasi kalender dimana memasukkan informasi peristiwa Idul Fitri sebagai variabel tambahan. Didapatkan model ARIMAX terbaik untuk melakukan peramalan yaitu ARIMAX(0,1,1) dengan akurasi menggunakan nilai MAPE sebesar 11%, dimana berdasarkan kriteria kemampuan peramalan bahwa dapat disimpulkan model ARIMAX(0,1,1) memiliki kemampuan peramalan yang baik.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"20 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":"127010655","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 Weibull distribution is a development of the exponential distribution. The Weibull distribution consists of 3 parameters, namely scale parameters, shape parameters and location parameters. Another form of 3-parameter distribution is the Weibull 2-parameter distribution consisting of scale parameters and shape parameters. Weibull distribution parameter estimation uses Maximum Likelihood Estimation (MLE) and is solved by Newton-Raphson iterations due to nonlinear results. The data used in this study is data on cervical cancer patients at RSUD Kota Makassar in 2017-2019. From this study it can be concluded that the Weibull distribution parameters for survival time variables are 7,8383 for scale parameters and 1,5140 for shape parameters. Abstrak. Distribusi Weibull merupakan pengembangan dari distribusi eksponensial. Distribusi Weibull terdiri dari 3 parameter, yaitu parameter skala, parameter bentuk dan parameter lokasi. Bentuk lain dari dsitribusi 3 paramater yaitu distribusi Weibull 2 parameter yang terdiri dari parameter skala dan parameter bentuk. Estimasi parameter dsitribusi Weibull menggunakan Maximum Likelihood Estimation (MLE) dan diselesaikan oleh iterasi Newton-Raphson sebab hasil yang nonliear atau tidak closed form. Data yang digunakan pada penelitian ini merupakan data pasien kanker serviks RSUD Kota Makassar tahun 2017-2019. Dari penelitian ini dapat disimpulkan bahwa parameter distribusi Weibull untuk variabel waktu survival adalah 7,8383 untuk parameter skala dan 1,5140 untuk parameter bentuk.
摘要威布尔分布是指数分布的发展。威布尔分布由3个参数组成，分别是尺度参数、形状参数和位置参数。三参数分布的另一种形式是由尺度参数和形状参数组成的Weibull二参数分布。威布尔分布参数估计采用极大似然估计(Maximum Likelihood estimation, MLE)，由于结果非线性，采用Newton-Raphson迭代求解。本研究中使用的数据是2017-2019年望加锡RSUD的宫颈癌患者数据。由本研究可知，生存时间变量的尺度参数和形状参数的威布尔分布参数分别为7,8383和1,5140。Abstrak。分发业务Weibull merupakan pengembangan dari分发业务响应。分布Weibull terdiri dari参数3,yyitu参数skala，参数bentuk参数dan参数lokasi。Bentuk lain dari dsitribusi 3参数yaitu distribubusi Weibull 2参数yang terdiri dari参数skala dan参数Bentuk。估计参数分布Weibull - menggunakan极大似然估计(MLE)和离散似然估计(diselesaikan)，基于Newton-Raphson sebab - hasil yang非线性非对称封闭形式。Data yang digunakan pada penelitian ini merupakan Data pasien kanker services RSUD Kota Makassar tahun 2017-2019。Dari penelitian ini dapat dispulpulkan bahwa参数分布Weibull untuk变量waktu生存adalah 7,8383 untuk参数skala dan 1,5140 untuk参数bentuk。
{"title":"Estimasi Parameter Weibull pada Waktu Survival Pasien Kanker Serviks RSUD Kota Makassar Tahun 2017-2019","authors":"Aulia Khairunnisa, Dwi Agustin Nuriani Sirodj","doi":"10.29313/bcss.v3i2.8459","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8459","url":null,"abstract":"Abstract. The Weibull distribution is a development of the exponential distribution. The Weibull distribution consists of 3 parameters, namely scale parameters, shape parameters and location parameters. Another form of 3-parameter distribution is the Weibull 2-parameter distribution consisting of scale parameters and shape parameters. Weibull distribution parameter estimation uses Maximum Likelihood Estimation (MLE) and is solved by Newton-Raphson iterations due to nonlinear results. The data used in this study is data on cervical cancer patients at RSUD Kota Makassar in 2017-2019. From this study it can be concluded that the Weibull distribution parameters for survival time variables are 7,8383 for scale parameters and 1,5140 for shape parameters. \u0000Abstrak. Distribusi Weibull merupakan pengembangan dari distribusi eksponensial. Distribusi Weibull terdiri dari 3 parameter, yaitu parameter skala, parameter bentuk dan parameter lokasi. Bentuk lain dari dsitribusi 3 paramater yaitu distribusi Weibull 2 parameter yang terdiri dari parameter skala dan parameter bentuk. Estimasi parameter dsitribusi Weibull menggunakan Maximum Likelihood Estimation (MLE) dan diselesaikan oleh iterasi Newton-Raphson sebab hasil yang nonliear atau tidak closed form. Data yang digunakan pada penelitian ini merupakan data pasien kanker serviks RSUD Kota Makassar tahun 2017-2019. Dari penelitian ini dapat disimpulkan bahwa parameter distribusi Weibull untuk variabel waktu survival adalah 7,8383 untuk parameter skala dan 1,5140 untuk parameter bentuk.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"105 12S1 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":"122017116","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：