Abstract. The cluster method is a method in multivariate analysis for data that has many variables, its function is to group objects based on their characteristics. The cluster method is divided into two, namely the hierarchical method and the non-hierarchical partitioning method. The non-hierarchical partitioning method is a method where the objects in the data are grouped into k clusters with k that have been determined by the researcher. A non-hierarchical partitioning cluster method similar to K-means is K-medoids. K-medoids clustering is a modification of K-means, where K-medoids is present to overcome deficiencies in the K-means clustering algorithm, because K-means is sensitive to outliers. Therefore, this thesis will discuss the K-medoids cluster to classify 27 regions in West Java Province in 2021 based on health facilities using the K-medoids cluster, because the data used contains outliers. The data used includes data on health facilities in the form of hospitals, polyclinic maternity hospitals, health centers, auxiliary health centers, and pharmacies. By taking 3 clusters, it is found that, for cluster 1 there are 6 areas with complete health facilities, for cluster 3 there are 11 areas with moderate health facilities and for cluster 2 there are 10 areas with incomplete health facilities. Abstrak. Metode cluster merupakan salah satu metode dalam analisis multivariat untuk data yang mempunyai variabel banyak, berfungsi untuk mengelompokan objek-objek berdasarkan karakteristik yang dimilikinya. Metode cluster terbagi menjadi dua, yaitu metode hierarki dan metode non hierarki partitioning. Metode non hierarki partitioning merupakan metode dimana objek-objek dalam data dikelompokan ke dalam k cluster dengan k yang telah ditentukan oleh peneliti. Metode cluster non hierarki partitioning yang mirip dengan K-means, adalah K-medoids. K-medoids clustering merupakan modifikasi dari K-means, dimana K-medoids hadir untuk mengatasi kekurangan pada algoritma K-means clustering, karena K-means sensitif terhadap pencilan. Oleh karena itu, dalam skripsi ini akan membahas K-medoids cluster untuk mengelompokkan 27 wilayah di Provinsi Jawa Barat tahun 2021 berdasarkan fasilitas kesehatan menggunakan K-medoids cluster, karena dalam data yang dipakai terdapat pencilan. Data yang digunakan meliputi data fasilitas kesehatan berupa rumah sakit, rumah sakit bersalin poliklinik, puskesmas, puskesmas pembantu, dan apotek. Dengan mengambil 3 cluster diperoleh bahwa, untuk cluster 1 terdapat 6 wilayah dengan fasilitas kesehatan yang lengkap, cluster 3 terdapat 11 wilayah dengan fasilitas kesehatan yang sedang dan cluster 2 terdapat 10 wilayah dengan fasilitas kesehatan yang kurang lengkap.
摘要聚类方法是对多变量数据进行多变量分析的一种方法，其作用是根据数据的特征对数据进行分组。聚类方法分为两种，即分层划分法和非分层划分法。非分层划分法是将数据中的对象分成k个簇，每k个簇由研究人员确定。与K-means类似的一种非分层划分聚类方法是K-medoids。K-medoids聚类是对K-means的改进，其中K-medoids的存在是为了克服K-means聚类算法的不足，因为K-means对离群值敏感。因此，由于使用的数据包含异常值，因此本文将讨论K-medoids聚类，根据使用K-medoids聚类的卫生设施对2021年西爪哇省的27个地区进行分类。所使用的数据包括医院、妇产综合医院、保健中心、辅助保健中心和药房等形式的保健设施数据。选取3个聚类，发现聚类1有6个卫生设施完备的区域，聚类3有11个卫生设施中等的区域，聚类2有10个卫生设施不完备的区域。Abstrak。方法聚类merupakan salah satu方法dalam分析多元untuk数据yang mempunyai变量banyak, berfungsi untuk mengelompokan对象-objek berdasarkan karakteristik yang dimilikinya。方法簇terbagi menjadi dua, yaitu方法分层次但方法非分层次划分。方法非层次划分merupakan方法dimana object - object - dalam data dikelompokan ke dalam k cluster dengan k yang telah ditentukan oleh peneliti。方法簇非分层划分yang mirip dengan K-means, adalah K-medoids。K-medoids聚类merupakan modifikasi dari K-means, dimana K-medoids hadir untuk mengatasi kekurangan pada算法K-means聚类，karena K-means sensitif terhadap pencilan。【参考翻译】:Oleh karena itu, dalam skripsi ini akan membahas k - mediids cluster untuk mengelompokkan 27 wilayah di province, java Barat tahun 2021 berdasarkan fasilitas kesehatan menggunakan k - mediids cluster, karena dalam data yang dipakai terdapat pencilan。数据yang digunakan meliputi数据fasilitas kesehatan berupa rumah sakit, rumah sakit bersalin poliklinik, puskesmas, puskesmas pembantu, dan apotek。登安梦梦3集群diperoleh bahwa, untuk 1集群tdapat 6集群Dengan fasilitas kesehatan yang lengkap, 3集群tdapat 11集群Dengan fasilitas kesehatan yang seddang集群2集群10集群Dengan fasilitas kesehatan yang kurang lengkap。
{"title":"Penerapan Analisis K-Medoids Cluster untuk Mengelompokkan Wilayah di Provinsi Jawa Barat Berdasarkan Fasilitas Kesehatan Tahun 2021","authors":"Elly Nur Fitriyani, Anneke Iswani Achmad","doi":"10.29313/bcss.v3i2.8080","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8080","url":null,"abstract":"Abstract. The cluster method is a method in multivariate analysis for data that has many variables, its function is to group objects based on their characteristics. The cluster method is divided into two, namely the hierarchical method and the non-hierarchical partitioning method. The non-hierarchical partitioning method is a method where the objects in the data are grouped into k clusters with k that have been determined by the researcher. A non-hierarchical partitioning cluster method similar to K-means is K-medoids. K-medoids clustering is a modification of K-means, where K-medoids is present to overcome deficiencies in the K-means clustering algorithm, because K-means is sensitive to outliers. Therefore, this thesis will discuss the K-medoids cluster to classify 27 regions in West Java Province in 2021 based on health facilities using the K-medoids cluster, because the data used contains outliers. The data used includes data on health facilities in the form of hospitals, polyclinic maternity hospitals, health centers, auxiliary health centers, and pharmacies. By taking 3 clusters, it is found that, for cluster 1 there are 6 areas with complete health facilities, for cluster 3 there are 11 areas with moderate health facilities and for cluster 2 there are 10 areas with incomplete health facilities. \u0000Abstrak. Metode cluster merupakan salah satu metode dalam analisis multivariat untuk data yang mempunyai variabel banyak, berfungsi untuk mengelompokan objek-objek berdasarkan karakteristik yang dimilikinya. Metode cluster terbagi menjadi dua, yaitu metode hierarki dan metode non hierarki partitioning. Metode non hierarki partitioning merupakan metode dimana objek-objek dalam data dikelompokan ke dalam k cluster dengan k yang telah ditentukan oleh peneliti. Metode cluster non hierarki partitioning yang mirip dengan K-means, adalah K-medoids. K-medoids clustering merupakan modifikasi dari K-means, dimana K-medoids hadir untuk mengatasi kekurangan pada algoritma K-means clustering, karena K-means sensitif terhadap pencilan. Oleh karena itu, dalam skripsi ini akan membahas K-medoids cluster untuk mengelompokkan 27 wilayah di Provinsi Jawa Barat tahun 2021 berdasarkan fasilitas kesehatan menggunakan K-medoids cluster, karena dalam data yang dipakai terdapat pencilan. Data yang digunakan meliputi data fasilitas kesehatan berupa rumah sakit, rumah sakit bersalin poliklinik, puskesmas, puskesmas pembantu, dan apotek. Dengan mengambil 3 cluster diperoleh bahwa, untuk cluster 1 terdapat 6 wilayah dengan fasilitas kesehatan yang lengkap, cluster 3 terdapat 11 wilayah dengan fasilitas kesehatan yang sedang dan cluster 2 terdapat 10 wilayah dengan fasilitas kesehatan yang kurang lengkap.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"7 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126944978","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. Rice production in districts / cities in West Java often differences between districts / cities. The West Java regional government needs to conduct a study to determine the rice production groups in West Java Districts / Cities in order to meet the food needs of the people of West Java through policies related to increasing rice production by grouping districts / cities based on rice production. Rice production factors include planting area, harvest area, and productivity. Rice production groups are determined into 3 categories, namely low production, medium production, and high production. The grouping of districts/cities based on rice production uses non-hierarchical cluster analysis using the K-Means method. This study uses West Java rice production data in 2021. Based on the results of the study, three clusters were obtained, namely cluster 1 showing areas with low rice production with the characteristics of low planting area, low harvest area, and low productivity containing 11 districts/cities. Cluster 2 shows areas with medium rice production with the characteristics of low planting area, low harvest area, and high productivity containing 7 districts/cities. Cluster 3 shows areas with high rice production with high planting area, high harvest area, and high productivity containing 9 districts/cities. Abstrak. Produksi padi pada kabupaten/kota di Jawa Barat sering terjadi perbedaan antar kabupaten/kota. Pemerintah daerah Jawa Barat perlu melakukan sebuah kajian untuk mengetahui kelompok produksi padi di Kabupaten/Kota Jawa Barat agar dapat terpenuhinya kebutuhan pangan masyarakat Jawa Barat melalui kebijakan yang berhubungan dengan peningkatan produksi padi dengan cara mengelompokkan kabupaten/kota berdasarkan produksi padi. Faktor produksi padi diantaranya adalah luas tanam, luas panen, dan produktivitas. Kelompok produksi padi ditentukan menjadi 3 kategori yaitu produksi rendah, produksi sedang, dan produksi tinggi. Pengelompokkan kabupaten/kota berdasarkan produksi padi tersebut menggunakan analisis klaster non hierarki dengan metode K-Means. Penelitian ini menggunakan data produksi padi Jawa Barat Tahun 2021. Berdasarkan hasil penelitian diperoleh tiga klaster, yaitu klaster 1 menunjukkan daerah dengan produksi padi rendah dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas rendah yang berisi 11 kabupaten/kota. Klaster 2 menunjukkan daerah dengan produksi padi sedang dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas tinggi yang berisi 7 kabupetn/kota. Klaster 3 menunjukkan daerah dengan produksi padi tinggi dengan luas tanam tinggi, luas panen tinggi, dan produktivitas tinggi yang berisi 9 kabupeten/kota.
摘要西爪哇地区/城市的稻米产量经常在地区/城市之间存在差异。西爪哇地区政府需要进行一项研究，以确定西爪哇地区/城市的大米生产群体，以便通过根据大米产量对地区/城市进行分组来增加大米产量的相关政策，满足西爪哇人民的粮食需求。水稻生产要素包括种植面积、收获面积和生产力。水稻生产组分为低产量、中产量和高产3类。根据水稻产量对地区/城市进行分组，采用K-Means方法进行非分层聚类分析。本研究使用2021年西爪哇水稻生产数据。在研究结果的基础上，得到了3个集群，即集群1为具有低种植面积、低收获面积和低生产力特征的水稻低产区，包含11个区市。集群2为具有低种植面积、低收获面积、高生产力特征的中等水稻产区，共7个区(市)。集群3为水稻高产区，种植面积大、收获面积大、生产力高，包含9个区(市)。Abstrak。Produksi padi pada kabupaten/kota di java Barat sering terjadi perbedaan antar kabupaten/kota。Pemerintah daerah Jawa Barat perlu melakukan sebuah kajian untuk mengetahui kelompoksi padi di kabupten /Kota Jawa Barat agar terpenuhinya kebutuhan pangan masyarakat Jawa Barat melalui kebijakan berhubungan dengan peningkatan produksi padi dengan cara mengelompokkan kabupten /Kota berdasarkan produksi padi。生产要素:生产要素:生产要素、生产要素、生产要素、生产要素。龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品:龙柏木产品penelompokkan kabupaten/kota berdasarkan produksi padi tersean，但menggunakan分析采用K-Means方法。Penelitian ini menggunakan数据产品，padi java Barat Tahun 2021。Berdasarkan hasil penelitian diperoleh tiga klaster, yitu klaster 1 menunjukkan daerah dengan produksi padi rendah dengan karakteristik luas tanam rendah, luas panen rendah, dan producktivitas rendah yang berisi 11 kabupaten/kota。Klaster 2 menunjukkan daerah dengan produksi padi sedang dengan karakteristik luas tanam rendah, luas panen rendah, dan producktivitas tinggi yang berisi 7 kabupetn/kota。Klaster 3 menunjukkan daerah灯根产品duduksi padi tinggi灯根产品duduksi padi tinggi, luas panen tinggi, danproductivitas tinggi yang berisi 9 kabupeten/kota。
{"title":"Penerapan Metode Non-Hierarchical Clustering K-Means untuk Pengelompokkan Kabupaten/Kota di Provinsi Jawa Barat Berdasarkan Faktor Produksi Padi Tahun 2021","authors":"Syahla Anisah, Lisnur Wachidah","doi":"10.29313/bcss.v3i2.8148","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8148","url":null,"abstract":"Abstract. Rice production in districts / cities in West Java often differences between districts / cities. The West Java regional government needs to conduct a study to determine the rice production groups in West Java Districts / Cities in order to meet the food needs of the people of West Java through policies related to increasing rice production by grouping districts / cities based on rice production. Rice production factors include planting area, harvest area, and productivity. Rice production groups are determined into 3 categories, namely low production, medium production, and high production. The grouping of districts/cities based on rice production uses non-hierarchical cluster analysis using the K-Means method. This study uses West Java rice production data in 2021. Based on the results of the study, three clusters were obtained, namely cluster 1 showing areas with low rice production with the characteristics of low planting area, low harvest area, and low productivity containing 11 districts/cities. Cluster 2 shows areas with medium rice production with the characteristics of low planting area, low harvest area, and high productivity containing 7 districts/cities. Cluster 3 shows areas with high rice production with high planting area, high harvest area, and high productivity containing 9 districts/cities. \u0000Abstrak. Produksi padi pada kabupaten/kota di Jawa Barat sering terjadi perbedaan antar kabupaten/kota. Pemerintah daerah Jawa Barat perlu melakukan sebuah kajian untuk mengetahui kelompok produksi padi di Kabupaten/Kota Jawa Barat agar dapat terpenuhinya kebutuhan pangan masyarakat Jawa Barat melalui kebijakan yang berhubungan dengan peningkatan produksi padi dengan cara mengelompokkan kabupaten/kota berdasarkan produksi padi. Faktor produksi padi diantaranya adalah luas tanam, luas panen, dan produktivitas. Kelompok produksi padi ditentukan menjadi 3 kategori yaitu produksi rendah, produksi sedang, dan produksi tinggi. Pengelompokkan kabupaten/kota berdasarkan produksi padi tersebut menggunakan analisis klaster non hierarki dengan metode K-Means. Penelitian ini menggunakan data produksi padi Jawa Barat Tahun 2021. Berdasarkan hasil penelitian diperoleh tiga klaster, yaitu klaster 1 menunjukkan daerah dengan produksi padi rendah dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas rendah yang berisi 11 kabupaten/kota. Klaster 2 menunjukkan daerah dengan produksi padi sedang dengan karakteristik luas tanam rendah, luas panen rendah, dan produktivitas tinggi yang berisi 7 kabupetn/kota. Klaster 3 menunjukkan daerah dengan produksi padi tinggi dengan luas tanam tinggi, luas panen tinggi, dan produktivitas tinggi yang berisi 9 kabupeten/kota.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"69 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125684819","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 International Trade Price Index [IHPI] measures changes in the components of the aggregate price of trade in goods and services between residents of an economy and the rest of the world. The index that measures the average change in commodity prices over time at the wholesale level is known as the International Trade Price Index [IHPI]. Based on data obtained from BPS publications in the form of International Trade Price Index [IHPI] data for January 2021 - May 2022. Based on these data the author will forecast for the next 7 months for June - December 2022 using the Double Brown Exponential Smoothing method, based on the research results obtained International Trade Price Index [IHPI] with the smallest or best Mean Square Error results at α = 0.6 of 0.089. Based on the results of forecasting for the next 7 months, for the International Trade Price Index [IHPI] the forecast results for the 18th period are obtained, namely for June 2022 of 111.061. The forecast result for the 19th period for July 2022 is 111.683. The forecast result for the 20th period for August 2022 is 112.305. The forecast result for the 21st period for September 2022 is 112.927. The forecast result for the 22nd period for October is 113.549. The forecast result for the 23rd period for November is 114.171. The forecast result for the 24th period for December 2022 is 114,793. The forecasting results are expected to assist the government in predicting the International Trade Price Index [IHPI] earlier so that the government is able to anticipate and control the prices of goods and services. Abstrak. Indeks Harga Perdagangan Internasional [IHPI] mengukur perubahan komponen harga agregat perdagangan barang dan jasa antara penduduk suatu perekonomian dan seluruh dunia. Indeks yang mengukur rata-rata perubahan harga komoditas dari waktu ke waktu di tingkat grosir yang dikenal sebagai Indeks Harga Perdagangan Internasional [IHPI]. Berdasarkan data yang diperoleh dari hasil publikasi BPS berupa data Indeks Harga Perdagangan Internasional [IHPI] pada bulan Januari 2021 – Mei 2022. Berdasarkan data tersebut penulis akan melakukan peramalan selama 7 bulan ke depan untuk bulan Juni – Desember 2022 dengan menggunakan metode Double Brown Exponential Smoothing, berdasarkan hasil penelitian didapatkan Indeks Harga Perdagangan Internasional [IHPI] dengan hasil Mean Square Error terkecil atau yang terbaik pada α = 0,6 sebesar 0,089. Berdasarkan hasil dari peramalan selama 7 bulan ke depan, untuk Indeks Harga Perdagangan Internasional [IHPI] diperoleh hasil ramalan untuk periode ke-18 yaitu untuk bulan Juni 2022 sebesar 111,061. Hasil ramalan untuk periode ke-19 untuk bulan Juli 2022 sebesar 111,683. Hasil ramalan untuk periode ke-20 untuk bulan Agustus 2022 sebesar 112,305. Hasil ramalan untuk periode ke-21 untuk bulan September 2022 sebesar 112,927. Hasil ramalan untuk periode ke-22 untuk bulan Oktober sebesar 113,549. Hasil ramalan untuk periode ke-23 untuk bulan November sebes
摘要。国际贸易价格指数(IHPI)衡量一个经济体的居民与世界其他地区之间的商品和服务贸易总价格组成部分的变化。衡量大宗商品批发价格随时间平均变化的指数被称为国际贸易价格指数(IHPI)。基于BPS出版物中以国际贸易价格指数(IHPI)形式提供的2021年1月至2022年5月数据。基于这些数据，作者将使用双布朗指数平滑法预测2022年6月至12月的未来7个月，根据研究结果获得最小或最佳均方误差结果为α = 0.6(0.089)的国际贸易价格指数[IHPI]。根据对未来7个月的预测结果，对于国际贸易价格指数[IHPI]，得到第18期的预测结果，即2022年6月的111.061。第19期(2022年7月)的预测结果为111.683。2022年8月第20期的预测结果是112.305。2022年9月第21期的预测结果为112.927。10月22期的预测结果是113.54911月23期的预测结果是114.1712022年12月第24期的预测结果是114,793。预测结果有望帮助政府更早地预测国际贸易价格指数，从而使政府能够预测和控制商品和服务的价格。Abstrak。国际经济合作与发展[IHPI] mengukur perubahan komponen Harga agregat Perdagangan barang dan jasa antara penduduk suatu perekonomian dan seluruuh dunia。索引yang mengukur rata-rata perubahan harga komoditas dari waktu ke waktu di tingkat grosir yang dikenal sebagai索引harga Perdagangan international [IHPI]。Berdasarkan数据yang diperoleh dari hasil publiclikasi BPS Berdasarkan数据索引Harga Perdagangan international [IHPI] pada bulan 2021年1月- 2022年5月。Berdasarkan数据tersebut penulis akan melakukan peramalan selama 7 bulan ke depan untuk bulan Juni -十二月2022 . dengan menggunakan方法双布朗指数平滑，Berdasarkan hasil penelitian didapatkan Indeks Harga Perdagangan international [hpi] dengan hasil均方误差terkecil atau yang terbaik pada α = 0,6 sebesar 0,089。Berdasarkan hasil dari peramalan selama 7 bulan ke depan, untuk Indeks Harga Perdagangan international [IHPI] diperoleh hasil ramalan untuk perioke -18 yitu untuk bulan june 2022 sebesar 111,061。Hasil ramalan untuk时期ke-19 untuk bulan七月2022雪州111,683。Hasil ramalan untuk时期ke-20 untuk bulan Agustus 2022 sebesar 112,305。Hasil ramalan untuk时期ke-21 untuk bulan九月2022雪州112,927。Hasil ramalan untuk时期ke-22 untuk bulan十月sebesar 113,549。Hasil ramalan untuk时期ke-23 untuk bulan November sebesar 114,171。Hasil ramalan untuk时期ke-24 untuk bulan 2022年12月雪州114,793。[英文][中文]halil peramalan tersebut diharapkan dapat membantu pemerintah dalam memprediksi Indeks Harga Perdagangan international [hpi]
{"title":"Peramalan Indeks Harga Perdagangan Internasional Berdasarkan Data Bulan Januari 2021 – Mei 2022 Menggunakan Metode Double Brown Exponential Smoothing","authors":"Edwardo Muraema, Lisnur Wachidah","doi":"10.29313/bcss.v3i2.8423","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8423","url":null,"abstract":"Abstract. The International Trade Price Index [IHPI] measures changes in the components of the aggregate price of trade in goods and services between residents of an economy and the rest of the world. The index that measures the average change in commodity prices over time at the wholesale level is known as the International Trade Price Index [IHPI]. Based on data obtained from BPS publications in the form of International Trade Price Index [IHPI] data for January 2021 - May 2022. Based on these data the author will forecast for the next 7 months for June - December 2022 using the Double Brown Exponential Smoothing method, based on the research results obtained International Trade Price Index [IHPI] with the smallest or best Mean Square Error results at α = 0.6 of 0.089. Based on the results of forecasting for the next 7 months, for the International Trade Price Index [IHPI] the forecast results for the 18th period are obtained, namely for June 2022 of 111.061. The forecast result for the 19th period for July 2022 is 111.683. The forecast result for the 20th period for August 2022 is 112.305. The forecast result for the 21st period for September 2022 is 112.927. The forecast result for the 22nd period for October is 113.549. The forecast result for the 23rd period for November is 114.171. The forecast result for the 24th period for December 2022 is 114,793. The forecasting results are expected to assist the government in predicting the International Trade Price Index [IHPI] earlier so that the government is able to anticipate and control the prices of goods and services. \u0000Abstrak. Indeks Harga Perdagangan Internasional [IHPI] mengukur perubahan komponen harga agregat perdagangan barang dan jasa antara penduduk suatu perekonomian dan seluruh dunia. Indeks yang mengukur rata-rata perubahan harga komoditas dari waktu ke waktu di tingkat grosir yang dikenal sebagai Indeks Harga Perdagangan Internasional [IHPI]. Berdasarkan data yang diperoleh dari hasil publikasi BPS berupa data Indeks Harga Perdagangan Internasional [IHPI] pada bulan Januari 2021 – Mei 2022. Berdasarkan data tersebut penulis akan melakukan peramalan selama 7 bulan ke depan untuk bulan Juni – Desember 2022 dengan menggunakan metode Double Brown Exponential Smoothing, berdasarkan hasil penelitian didapatkan Indeks Harga Perdagangan Internasional [IHPI] dengan hasil Mean Square Error terkecil atau yang terbaik pada α = 0,6 sebesar 0,089. Berdasarkan hasil dari peramalan selama 7 bulan ke depan, untuk Indeks Harga Perdagangan Internasional [IHPI] diperoleh hasil ramalan untuk periode ke-18 yaitu untuk bulan Juni 2022 sebesar 111,061. Hasil ramalan untuk periode ke-19 untuk bulan Juli 2022 sebesar 111,683. Hasil ramalan untuk periode ke-20 untuk bulan Agustus 2022 sebesar 112,305. Hasil ramalan untuk periode ke-21 untuk bulan September 2022 sebesar 112,927. Hasil ramalan untuk periode ke-22 untuk bulan Oktober sebesar 113,549. Hasil ramalan untuk periode ke-23 untuk bulan November sebes","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"24 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115061673","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: Discriminant analysis is used for the purpose of classifying an object based on certain criteria and predicting groups for new objects. This study will classify pregnant women affected by GDM and not who are evaluated using stratified k-fold cross validation. In the analysis, several assumptions are needed that must be met, including independent variables must be multivariate normal distributed, homogeneous covariance matrices, and there are average vector differences. The stages of analysis are data exploration, testing discriminant analysis assumptions, determining the number of k-folds, randomizing into training data and testing data gradually (stratified), conducting experiments as many as k times, estimating the discriminant model of each experiment, testing the accuracy of classification and determining the best model. The results of this study the best model was found in the first experiment with the model with a cut off value of 0.0001739. That is, if there is a new object with a value of ≥ 0.0001739 then the pregnant woman falls into the category of not affected by GDM, and vice versa if < 0.0001739 then pregnant women fall into the category affected by GDM. Abstrak: Analisis diskriminan digunakan untuk tujuan mengklasifikasikan sebuah objek berdasarkan kriteria tertentu dan memprediksi kelompok untuk objek baru. Penelitian ini akan mengklasifikasikan ibu hamil yang terkena GDM dan tidak yang dievaluasi menggunakan stratified k-fold cross validation. Dalam analisisnya, diperlukan beberapa asumsi yang harus dipenuhi diantaranya variabel independen harus berdistribusi normal multivariat, matriks varians kovarian yang homogen, dan ada perbedaan vektor rata-rata. Tahapan analisisnya yaitu eksplorasi data, menguji asumsi analisis diskriminan, menentukan banyaknya k-fold, melakukan pengacakan menjadi data latih dan data uji secara bertahap (stratified), melakukan eksperimen sebanyak k kali, mengestimasi model diskriminan dari masing-masing eksperimen, menguji ketepatan klasifikasi dan menentukan model terbaiknya. Hasil dari penelitian ini model terbaik terdapat pada eksperimen pertama dengan model dengan nilai cut off sebesar 0.0001739. Artinya, jika ada objek baru dengan nilai 0.0001739 maka ibu hamil tersebut masuk ke dalam kategori tidak terkena GDM, dan sebaliknya apabila 0.0001739 maka ibu hamil masuk ke dalam kategori terkena GDM.
摘要:判别分析的目的是根据一定的标准对对象进行分类，并预测新对象的类别。本研究将对受GDM影响的孕妇进行分类，而不是使用分层k-fold交叉验证进行评估。在分析中，需要满足几个假设，包括自变量必须是多元正态分布，协方差矩阵齐次，并且存在平均向量差。分析阶段为数据挖掘、检验判别分析假设、确定k次折叠数、随机化训练数据和逐步检验数据(分层)、进行多达k次的实验、估计每次实验的判别模型、检验分类的准确性、确定最佳模型。本研究的结果是在第一次实验中找到了最佳模型，该模型的截断值为0.0001739。也就是说，如果有一个新的对象值≥0.0001739，则孕妇属于未受GDM影响的类别，反之，如果< 0.0001739则孕妇属于受GDM影响的类别。摘要/ abstract摘要:本文分析了云南龙山药材药材的鉴定标准，并对云南龙山药材的鉴定标准进行了分析。Penelitian, ini akan, mengklasifikasikan, ibu hamil yang, terkena, GDM, didiak yang, dievaluacan分层k-fold交叉验证。Dalam分析，diperlukan beberapa假定，haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus, haus。Tahapan analysisnya yitu eksplorasi数据，menmenukan banyaknya k-fold, melakukan pengacakan menjadi数据latih data uji secara bertahap(分层)，melakukan eksperimen sebanyak kkali, mengestimasi模型diskriminan - masing-masing eksperen, menkuji ketepatan klasifikasi dan menentukan模型terbaiknya。Hasil dari penelitian ini模型，terbaik terdapat pata，实验，perama dengan模型，dengan nilai，截止日期:0.0001739。Artinya, jika ada objek baru dengan nilai 0.0001739 maka ibu hamil tersebut masuk ke dalam kategori tidak terkena GDM, dan sebaliknya apabila 0.0001739 maka ibu hamil masuk ke dalam kategori terkena GDM。
{"title":"Analisis Diskriminan Menggunakan Stratified K-Fold Cross Validation pada Klasifikasi Gestational Diabetes Mellitus (GDM) Ibu Hamil di Rumah Sakit XYZ","authors":"S. Aisyah, Nur Azizah Komara Rifai","doi":"10.29313/bcss.v3i2.8366","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8366","url":null,"abstract":"Abstract: Discriminant analysis is used for the purpose of classifying an object based on certain criteria and predicting groups for new objects. This study will classify pregnant women affected by GDM and not who are evaluated using stratified k-fold cross validation. In the analysis, several assumptions are needed that must be met, including independent variables must be multivariate normal distributed, homogeneous covariance matrices, and there are average vector differences. The stages of analysis are data exploration, testing discriminant analysis assumptions, determining the number of k-folds, randomizing into training data and testing data gradually (stratified), conducting experiments as many as k times, estimating the discriminant model of each experiment, testing the accuracy of classification and determining the best model. The results of this study the best model was found in the first experiment with the model with a cut off value of 0.0001739. That is, if there is a new object with a value of ≥ 0.0001739 then the pregnant woman falls into the category of not affected by GDM, and vice versa if < 0.0001739 then pregnant women fall into the category affected by GDM. \u0000Abstrak: Analisis diskriminan digunakan untuk tujuan mengklasifikasikan sebuah objek berdasarkan kriteria tertentu dan memprediksi kelompok untuk objek baru. Penelitian ini akan mengklasifikasikan ibu hamil yang terkena GDM dan tidak yang dievaluasi menggunakan stratified k-fold cross validation. Dalam analisisnya, diperlukan beberapa asumsi yang harus dipenuhi diantaranya variabel independen harus berdistribusi normal multivariat, matriks varians kovarian yang homogen, dan ada perbedaan vektor rata-rata. Tahapan analisisnya yaitu eksplorasi data, menguji asumsi analisis diskriminan, menentukan banyaknya k-fold, melakukan pengacakan menjadi data latih dan data uji secara bertahap (stratified), melakukan eksperimen sebanyak k kali, mengestimasi model diskriminan dari masing-masing eksperimen, menguji ketepatan klasifikasi dan menentukan model terbaiknya. Hasil dari penelitian ini model terbaik terdapat pada eksperimen pertama dengan model dengan nilai cut off sebesar 0.0001739. Artinya, jika ada objek baru dengan nilai 0.0001739 maka ibu hamil tersebut masuk ke dalam kategori tidak terkena GDM, dan sebaliknya apabila 0.0001739 maka ibu hamil masuk ke dalam kategori terkena GDM.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"16 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128802773","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. Multilevel ordinal logistic regression analysis is a regression analysis for discrete-scale responses, especially with a hierarchical ordinal scale. The hierarchical structure indicates that the data analyzed comes from several levels, where lower levels are nested in higher levels. This article will discuss the application of multilevel ordinal logistic regression using the Maximum Likelihood Estimation (MLE) method in the field of education, namely regarding the quality letter of the Basic Statistics course of 2019 Bandung Islamic University students at the Faculty of Engineering, Faculty of Business Economics, and Faculty of Psychology. The results showed that the multilevel ordinal logistic regression model can be used. From the results of testing the significance of parameters partially using the Wald test statistic, it is found that the student gender variable, the student regional origin variable, and the student GPA variable before taking the Basic Statistics course have an influence on the quality letter of the Basic Statistics course. Abstrak. Analisis regresi logistik ordinal multilevel merupakan analisis regresi untuk respon berskala diskrit khususnya dengan skala ordinal yang bersifat hierarki. Struktur hierarki mengindikasikan bahwa data yang dianalisis berasal dari beberapa level, di mana level yang lebih rendah tersarang pada level yang lebih tinggi. Dalam skripsi ini akan dibahas mengenai pengaplikasian regresi logistik ordinal multilevel dengan menggunakan metode Maximum Likelihood Estimation (MLE) di bidang pendidikan yaitu mengenai huruf mutu mata kuliah Statistika Dasar mahasiswa Universitas Islam Bandung 2019 di Fakultas Teknik, Fakultas Ekonomi Bisnis, dan Fakultas Psikologi. Hasil penelitian menghasilkan bahwa model regresi logistik ordinal multilevel dapat digunakan. Dari hasil pengujian signifikansi parameter secara parsial menggunakan statistik uji Wald didapatkan bahwa variabel jenis kelamin mahasiswa, variabel asal daerah mahasiwa, dan variabel IPK mahasiswa sebelum mengambil mata kuliah Statistika Dasar memiliki pengaruh terhadap huruf mutu mata kuliah Statistika Dasar
摘要多水平有序逻辑回归分析是一种针对离散尺度响应的回归分析，特别是针对层次有序尺度的回归分析。层次结构表明分析的数据来自多个级别，其中较低的级别嵌套在较高的级别中。本文将讨论使用最大似然估计(MLE)方法的多层有序逻辑回归在教育领域的应用，即关于万隆伊斯兰大学工程学院、商业经济学院和心理学院2019年学生基础统计课程的质量信。结果表明，多级有序逻辑回归模型是可行的。从采用Wald检验统计量部分检验参数显著性的结果来看，学生性别变量、学生地域出身变量和学生在学习基础统计学课程前的GPA变量对基础统计学课程质量信有影响。Abstrak。分析回归逻辑序数多水平merupakan分析回归untuk响应berskala diskrit khususnya dengan skala序数yang bersifat hierarki。strucktur hierarki menginkasikan bahwa数据yang dianalal dal beberapa level, dimana level yang lebih rendah tersarang paada level yang lebih tinggi。大连大学学报(自然科学版)，2019，复旦大学，复旦大学，复旦大学，复旦大学，复旦大学，复旦大学。Hasil penelitian menghasilkan bahwa模型回归logistic有序多层模型。达里哈西企鹅显著性参数secara parsial menggunakan统计uji Wald didapatkan bahwa变量jenis kelamin mahasiswa，变量asal daerah mahasiswa，变量IPK mahasiswa sebelum mengambil mata kuliah statisticka Dasar memiliki pengaruh terhadap huruf mutu mata kuliah statisticka Dasar
{"title":"Aplikasi Regresi Logistik Ordinal Multilevel untuk Pemodelan Huruf Mutu Mata Kuliah Statistika Dasar Mahasiswa Universitas Islam Bandung Tahun 2019/2020","authors":"Erfina Agustin Hidayat, Nusar Hajarisman","doi":"10.29313/bcss.v3i2.8096","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8096","url":null,"abstract":"Abstract. Multilevel ordinal logistic regression analysis is a regression analysis for discrete-scale responses, especially with a hierarchical ordinal scale. The hierarchical structure indicates that the data analyzed comes from several levels, where lower levels are nested in higher levels. This article will discuss the application of multilevel ordinal logistic regression using the Maximum Likelihood Estimation (MLE) method in the field of education, namely regarding the quality letter of the Basic Statistics course of 2019 Bandung Islamic University students at the Faculty of Engineering, Faculty of Business Economics, and Faculty of Psychology. The results showed that the multilevel ordinal logistic regression model can be used. From the results of testing the significance of parameters partially using the Wald test statistic, it is found that the student gender variable, the student regional origin variable, and the student GPA variable before taking the Basic Statistics course have an influence on the quality letter of the Basic Statistics course. \u0000Abstrak. Analisis regresi logistik ordinal multilevel merupakan analisis regresi untuk respon berskala diskrit khususnya dengan skala ordinal yang bersifat hierarki. Struktur hierarki mengindikasikan bahwa data yang dianalisis berasal dari beberapa level, di mana level yang lebih rendah tersarang pada level yang lebih tinggi. Dalam skripsi ini akan dibahas mengenai pengaplikasian regresi logistik ordinal multilevel dengan menggunakan metode Maximum Likelihood Estimation (MLE) di bidang pendidikan yaitu mengenai huruf mutu mata kuliah Statistika Dasar mahasiswa Universitas Islam Bandung 2019 di Fakultas Teknik, Fakultas Ekonomi Bisnis, dan Fakultas Psikologi. Hasil penelitian menghasilkan bahwa model regresi logistik ordinal multilevel dapat digunakan. Dari hasil pengujian signifikansi parameter secara parsial menggunakan statistik uji Wald didapatkan bahwa variabel jenis kelamin mahasiswa, variabel asal daerah mahasiwa, dan variabel IPK mahasiswa sebelum mengambil mata kuliah Statistika Dasar memiliki pengaruh terhadap huruf mutu mata kuliah Statistika Dasar","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129173287","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. Regression analysis is an analysis that predicts the functional relationship between the dependent variable and the independent variable and is then expressed in the form of a mathematical equation. Then regression analysis is divided into two based on the number of variables, namely linear regression analysis and multiple regression analysis. Multiple regression analysis explains the relationship between one dependent variable and two or more independent variables. To find out how much the relationship requires parameter estimation which can be explained using the Ordinary Least Squares (OLS) method or the Least Squares Method. Then in addition to using these two methods, another method that can be used is the Bayesian Regression method which is based on the Bayes Theorem. The Bayesian Regression method is a method required to estimate the parameters to be estimated by utilizing prior information from a population. This information is then combined with information from the sample used in estimating population parameters. In this method, the researcher needs to determine the prior distribution of the estimated parameters. This distribution is based on the researcher's intuition so it is objective. After the information from the data obtained from sampling is combined with the prior information of the parameter, the posterior distribution of the parameter will be obtained. Then this Bayesian method treats all unknown parameters as random variables and has a distribution. In this case it is very helpful in predicting weather, one of which is predicting rainfall. In this thesis, the method is applied to predict rainfall in Bandung City in 2022. The results show that the prediction of rainfall is greater in January, May, June, July, August, and December. But for the months of February, April, September, and November, the predicted data is close to the actual data. Abstrak. Analisis regresi merupakan analisis yang memprediksi hubungan fungsional antara variabel terikat dengan variabel bebas lalu dinyatakan dalam bentuk persamaan matematik. Lalu analisis regresi dibagi menjadi dua berdasarkan jumlah variabelnya, yaitu analisis regresi linier dan analisis regresi berganda. Analisis regresi berganda menjelaskan adanya hubungan antara satu variabel terikat dengan dua atau lebih variabel bebas. Untuk mengetahui seberapa besarnya hubungan tersebut memerlukan estimasi parameter yang dapat dijelaskan menggunakan metode Ordinary Least Squares (OLS) atau Metode Kuadat Terkecil. Lalu selain menggunakan kedua metode tersebut, metode lainnya yang dapat dipakai adalah metode Regresi Bayesian yang didasari dari Teorema Bayes. Metode Regresi Bayesian merupakan metode yang diperlukan untuk menaksir parameter yang akan diestimasi dengan memanfaatkan informasi awal (prior) dari suatu populasi. Informasi ini kemudian digabungkan dengan informasi dari sampel yang digunakan dalam mengestimasi parameter populasi. Pada metode ini, peneliti perlu menentukan distri
摘要回归分析是预测因变量和自变量之间的函数关系，然后用数学方程的形式表示出来的一种分析。然后根据变量的数量将回归分析分为线性回归分析和多元回归分析。多元回归分析解释了一个因变量与两个或多个自变量之间的关系。要找出多少关系需要参数估计，可以用普通最小二乘法(OLS)或最小二乘法来解释。那么除了使用这两种方法之外，另一种可以使用的方法是基于贝叶斯定理的贝叶斯回归方法。贝叶斯回归方法是利用总体的先验信息估计待估计参数的一种方法。然后将这些信息与用于估计总体参数的样本信息结合起来。在这种方法中，研究人员需要确定估计参数的先验分布。这种分布是基于研究者的直觉，所以它是客观的。将采样得到的数据信息与参数的先验信息相结合，得到参数的后验分布。这种贝叶斯方法将所有未知参数作为随机变量，并具有分布。在这种情况下，它对预测天气非常有帮助，其中之一就是预测降雨量。本文将该方法应用于2022年万隆市的降雨预测。结果表明:1月、5月、6月、7月、8月和12月的降水预报效果较好;但在2月、4月、9月和11月，预测数据与实际数据接近。Abstrak。分析-回归分析-回归分析-回归分析-回归分析-回归分析-回归分析-回归分析-回归分析-回归分析-回归分析Lalu analysis regression i dibagi menjadi dua berdasarkan jumlah variabelnya, yyitu analysis regression i linier and analysis regression berganda。回归分析:回归分析，回归分析，回归分析，回归分析，回归分析。Untuk mengetahui seberapa besarya hubungan tersebut memerlukan估计参数yang dapat dijelaskan menggunakan方法普通最小二乘(OLS)方法Kuadat Terkecil。Lalu selain menggunakan kedua method tersebut, method lainnya yang dapat dipakai adalah method Regresi Bayes yang didasari dari Teorema Bayes。方法回归:贝叶斯merupakan方法，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值，杨分值。资料分析，资料分析，资料分析，资料分析，资料分析，资料分析，资料分析，资料分析，资料分析。帕达方法，peneliti permenentukan分布的先验参数yang ditaksir。分布商业是一种基于直觉的商业模式，是一种基于直觉的商业模式。Setelah informasi dari数据yang didapat dari pengambilan样本digabungkan dengan informasi awal(先验)dari参数，akan didapat分布在后验dari参数。Lalu方法贝叶斯系数、参数、参数、参数、随机和记忆分布。Dalam hal tersebut sangat membantu Dalam memprediksi cuaca, salah satunya yitu memprediksi curah hujan。帕达斯基里夫斯基是一名高级官员，他说:“我不知道他是谁。”Didapatkan hasilnya bahwa prediksi curah hujan lebih besar pada bulan january, Mei, Juni, juuli, Agustus, and december。今年2月、4月、9月和11月的数据将比实际数据更容易预测。
{"title":"Prediksi Curah Hujan Menggunakan Metode Regresi Bayesian di Kota Bandung pada Tahun 2022","authors":"Gilang Utama Auliarahman, Suwanda","doi":"10.29313/bcss.v3i2.7968","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7968","url":null,"abstract":"Abstract. Regression analysis is an analysis that predicts the functional relationship between the dependent variable and the independent variable and is then expressed in the form of a mathematical equation. Then regression analysis is divided into two based on the number of variables, namely linear regression analysis and multiple regression analysis. Multiple regression analysis explains the relationship between one dependent variable and two or more independent variables. To find out how much the relationship requires parameter estimation which can be explained using the Ordinary Least Squares (OLS) method or the Least Squares Method. Then in addition to using these two methods, another method that can be used is the Bayesian Regression method which is based on the Bayes Theorem. The Bayesian Regression method is a method required to estimate the parameters to be estimated by utilizing prior information from a population. This information is then combined with information from the sample used in estimating population parameters. In this method, the researcher needs to determine the prior distribution of the estimated parameters. This distribution is based on the researcher's intuition so it is objective. After the information from the data obtained from sampling is combined with the prior information of the parameter, the posterior distribution of the parameter will be obtained. Then this Bayesian method treats all unknown parameters as random variables and has a distribution. In this case it is very helpful in predicting weather, one of which is predicting rainfall. In this thesis, the method is applied to predict rainfall in Bandung City in 2022. The results show that the prediction of rainfall is greater in January, May, June, July, August, and December. But for the months of February, April, September, and November, the predicted data is close to the actual data. \u0000Abstrak. Analisis regresi merupakan analisis yang memprediksi hubungan fungsional antara variabel terikat dengan variabel bebas lalu dinyatakan dalam bentuk persamaan matematik. Lalu analisis regresi dibagi menjadi dua berdasarkan jumlah variabelnya, yaitu analisis regresi linier dan analisis regresi berganda. Analisis regresi berganda menjelaskan adanya hubungan antara satu variabel terikat dengan dua atau lebih variabel bebas. Untuk mengetahui seberapa besarnya hubungan tersebut memerlukan estimasi parameter yang dapat dijelaskan menggunakan metode Ordinary Least Squares (OLS) atau Metode Kuadat Terkecil. Lalu selain menggunakan kedua metode tersebut, metode lainnya yang dapat dipakai adalah metode Regresi Bayesian yang didasari dari Teorema Bayes. Metode Regresi Bayesian merupakan metode yang diperlukan untuk menaksir parameter yang akan diestimasi dengan memanfaatkan informasi awal (prior) dari suatu populasi. Informasi ini kemudian digabungkan dengan informasi dari sampel yang digunakan dalam mengestimasi parameter populasi. Pada metode ini, peneliti perlu menentukan distri","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"32 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115853356","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. This study discusses the comparison of Holt-Winters Exponential Smoothing method with Artificial Neural Networks in forecasting large chili production, Garut Regency, West Java Province. The Holt-Winters Exponential Smoothing method is a forecasting method on time series data with trend and seasonal data patterns based on three equations, one for stationary, one for trend and one for seasonal. There are two methods in Holt-Winters Exponential Smoothing, namely multiplicative and additive.Artificial Neural Networks is a method inspired by human central neural networks. One method that can be used for forecasting in ANN is Neural Network Autoregression or NNAR. NNAR can be used to forecast forecasting through pattern recognition from inputs by utilizing lag values as inputs and then refined through the learning process using Backpropagation Algorithms. This method comparison uses RMSE (Root Mean Squared Error) to see the accuracy of forecasting accuracy. The data used is secondary data from the large chili production of Garut Regency in 2016 – 2022. Analysis of both methods resulted in the smallest RMSE value or forecasting accuracy on NNAR with RMSE Testing of 39,490.91. So to forecast m future period, you can use the Artificial Neural Networks method with Neural Network Autoregression because it has a smaller RMSE value. Abstrak. Penelitian ini membahas mengenai perbandingan metode Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam peramalan produksi cabai besar Kabupaten Garut Provinsi Jawa Barat. Metode Holt-Winters Exponential Smoothing merupakan metode peramalan pada data deret waktu dengan pola data trend dan musiman yang didasarkan pada tiga persamaan yaitu satu untuk stasioner, satu untuk trend dan satu untuk musiman. Terdapat dua metode dalam Holt-Winters Exponential Smoothing yaitu multiplikatif dan aditif. Artificial Neural Networks merupakan metode yang terinspirasi dari jaringan saraf pusat manusia. Salah satu metode yang dapat digunakan untuk peramalan dalam ANN adalah Neural Network Autoregression atau NNAR. NNAR dapat digunakan untuk memperkirakan peramalan melalui pengenalan pola dari input dengan memanfaatkan nilai lag sebagai input dan kemudian disempurnakan melalui proses pembelajaran menggunakan Algoritma Backpropagation. Perbandingan metode ini menggunakan RMSE (Root Mean Squared Error) untuk melihat akurasi ketepatan peramalan. Data yang digunakan adalah data sekunder dari produksi cabai besar Kabupaten Garut tahun 2016 – 2022. Analisis kedua metode tersebut menghasilkan nilai RMSE atau ketepatan peramalan terkecil pada NNAR dengan RMSE Pengujian sebesar 39.490,91. Sehingga untuk meramalkan m periode kedepan dapat menggunakan metode Artificial Neural Networks dengan Neural Network Autoregression karena memiliki nilai RMSE lebih kecil.
摘要。本研究探讨了霍尔特-温特斯指数平滑法与人工神经网络在西爪哇省Garut Regency辣椒大产量预测中的比较。霍尔特-温特斯指数平滑法是一种基于平稳性、趋势性和季节性三个方程对具有趋势和季节数据模式的时间序列数据进行预测的方法。在Holt-Winters指数平滑中有两种方法，即乘法法和加法法。人工神经网络是一种受人类中枢神经网络启发的方法。一种可用于人工神经网络预测的方法是神经网络自回归或NNAR。NNAR可以利用滞后值作为输入，通过模式识别对输入进行预测，然后通过反向传播算法的学习过程进行细化。这种方法比较使用RMSE(均方根误差)来查看预测精度的准确性。使用的数据是Garut Regency在2016 - 2022年大量辣椒生产的二次数据。两种方法在NNAR上的RMSE值最小，RMSE检验值为39,490.91。因此，为了预测未来的m个时期，您可以使用带有神经网络自回归的人工神经网络方法，因为它具有较小的RMSE值。Abstrak。Penelitian ini memenmenmenetperbanding和方法Holt-Winters指数平滑和人工神经网络dalam peramalan产品，cabai, Kabupaten Garut省，爪哇巴拉。方法:冬至指数平滑法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法。基于霍尔特-温特斯指数平滑法的三角双方法。人工神经网络在人工智能研究中的应用。神经网络自回归(NNAR)。NNAR dapat digunakan untuk memperkirakan peramalan melalan pengenalan polalan输入dengan memanfaatkan nilai滞后sebagai输入dan kemudian disempurnakan melalan算法反向传播。Perbandingan metode ini menggunakan RMSE(均方根误差)untuk melihat akurasi ketepatan peramalan。数据yang digunakan adalah数据sekunder dari产品cabai besar Kabupaten Garut tahun 2016 - 2022。分析方法:基于RMSE的企鹅种群数量分析，企鹅种群数量分析，39(9)，91。孟古那坎方法:人工神经网络，神经网络，自回归，孟古那坎方法，孟古那坎方法。
{"title":"Perbandingan Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam Peramalan Produksi Cabai Besar di Kabupaten Garut Provinsi Jawa Barat","authors":"Ihram Adi Pratama, Anneke Iswani Achmad","doi":"10.29313/bcss.v3i2.7900","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7900","url":null,"abstract":"Abstract. This study discusses the comparison of Holt-Winters Exponential Smoothing method with Artificial Neural Networks in forecasting large chili production, Garut Regency, West Java Province. The Holt-Winters Exponential Smoothing method is a forecasting method on time series data with trend and seasonal data patterns based on three equations, one for stationary, one for trend and one for seasonal. There are two methods in Holt-Winters Exponential Smoothing, namely multiplicative and additive.Artificial Neural Networks is a method inspired by human central neural networks. One method that can be used for forecasting in ANN is Neural Network Autoregression or NNAR. NNAR can be used to forecast forecasting through pattern recognition from inputs by utilizing lag values as inputs and then refined through the learning process using Backpropagation Algorithms. This method comparison uses RMSE (Root Mean Squared Error) to see the accuracy of forecasting accuracy. The data used is secondary data from the large chili production of Garut Regency in 2016 – 2022. Analysis of both methods resulted in the smallest RMSE value or forecasting accuracy on NNAR with RMSE Testing of 39,490.91. So to forecast m future period, you can use the Artificial Neural Networks method with Neural Network Autoregression because it has a smaller RMSE value. \u0000Abstrak. Penelitian ini membahas mengenai perbandingan metode Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam peramalan produksi cabai besar Kabupaten Garut Provinsi Jawa Barat. Metode Holt-Winters Exponential Smoothing merupakan metode peramalan pada data deret waktu dengan pola data trend dan musiman yang didasarkan pada tiga persamaan yaitu satu untuk stasioner, satu untuk trend dan satu untuk musiman. Terdapat dua metode dalam Holt-Winters Exponential Smoothing yaitu multiplikatif dan aditif. Artificial Neural Networks merupakan metode yang terinspirasi dari jaringan saraf pusat manusia. Salah satu metode yang dapat digunakan untuk peramalan dalam ANN adalah Neural Network Autoregression atau NNAR. NNAR dapat digunakan untuk memperkirakan peramalan melalui pengenalan pola dari input dengan memanfaatkan nilai lag sebagai input dan kemudian disempurnakan melalui proses pembelajaran menggunakan Algoritma Backpropagation. Perbandingan metode ini menggunakan RMSE (Root Mean Squared Error) untuk melihat akurasi ketepatan peramalan. Data yang digunakan adalah data sekunder dari produksi cabai besar Kabupaten Garut tahun 2016 – 2022. Analisis kedua metode tersebut menghasilkan nilai RMSE atau ketepatan peramalan terkecil pada NNAR dengan RMSE Pengujian sebesar 39.490,91. Sehingga untuk meramalkan m periode kedepan dapat menggunakan metode Artificial Neural Networks dengan Neural Network Autoregression karena memiliki nilai RMSE lebih kecil.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"12 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134544732","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. Geologically, the area of Indonesia is prone to earthquakes, including the province of West Java, because it is located in the ring of fire and can cause severe damage, so Indonesia needs earthquake insurance. The Bayesian PSHA (Probabilistic Seismic Hazard Analysis) method can provide an assessment of the uncertainty of future earthquakes, by utilizing the prior distribution at the start of the analysis and the likelihood function is formulated into a posterior distribution to measure future observed data with uncertain parameters. The uncertainty in this research is time, taking into account the Bayesian Change Point (potential change in the rate of seismicity at that point in time). This Bayesian PSHA will produce seismic hazard values and combined with the Mean Damage Ratio (MDR) using the Yucemen method to generate insurance premiums. There were 25 earthquake events in West Java province in 2006-2021 around Kertajati Airport with coordinates 6.39'02° S, 108.10'10°E, depth of 100 km and radius of 300 km and there is a Bayesian factor of 0.0035 so that a change in the earthquake rate was identified between the 3rd and 4th incident, and the change in the earthquake rate occurred the day before the 4th incident, namely on July 17 2006 with an incident ratio rate of 0.7769. The seismic hazard value or earthquake hazard involving a Change Point for an intensity scale of 11 is 0.23%. Abstrak. Secara geologi wilayah Indonesia rawan gempa bumi, termasuk provinsi Jawa Barat karena terletak pada kawasan cincin api (ring of fire) dan dapat menimbulkan kerusakan yang sangat parah sehingga Indonesia memerlukan asuransi gempa bumi. Metode Bayesian PSHA (Probabilistic Seismic Hazard Analysis) dapat memberikan penilaian ketidakpastian gempa di masa depan, dengan memanfaatkan distribusi prior pada awal analisis dan fungsi likelihood diformulasikan menjadi distribusi posterior untuk mengukur data yang diamati di masa depan dengan parameter yang tidak pasti. Ketidakpastiaan pada peneilitian ini yaitu waktu, dengan memperhitungkan Bayesian Change Point (potensi perubahan laju kegempaan pada titik waktu). Bayesian PSHA ini akan menghasilkan nilai seismic hazard dan dikombinasikan dengan Mean Damage Ratio (MDR) menggunakan metode Yucemen untuk menghasilkan premi asuransi. Terdapat 25 kejadian gempa bumi provinsi Jawa Barat tahun 2006-2021 yang berada di sekitar Bandara Kertajati dengan titik koordinat 6.39’02° S, 108.10’10°E, kedalaman 100 km dan radius 300 km dan terdapat faktor Bayesian sebesar 0,0035 sehingga terindentifikasi perubahan laju gempa antara kejadian ke-3 dan ke-4, dan perubahan laju gempa tersebut terjadi sehari sebelum kejadian ke-4 yaitu pada tanggal 17 Juli 2006 dengan tingkat rasio kejadian sebesar 0,7769. Nilai seismic hazard atau bahaya gempa melibatkan Change Point untuk skala intensitas 11 yaitu 0,23%.
摘要从地质上讲，印尼的地区容易发生地震，包括西爪哇省，因为它位于火山带，可能造成严重的破坏，所以印尼需要地震保险。贝叶斯PSHA(概率地震灾害分析)方法可以对未来地震的不确定性进行评估，该方法利用分析开始时的先验分布，并将似然函数表示为后验分布，以测量具有不确定参数的未来观测数据。考虑到贝叶斯变点(该时间点地震活动率的潜在变化)，本研究的不确定性在于时间。该贝叶斯PSHA将产生地震危险性值，并与平均损失率(MDR)结合使用yuucemen方法产生保险费。2006-2021年，西爪哇省在Kertajati机场附近共发生25次地震，坐标6.39′02°S, 108.10′10°E，地震深度100 km，地震半径300 km，贝叶斯系数为0.0035，因此确定了第3次和第4次地震之间的地震率变化，地震率变化发生在第4次地震的前一天，即2006年7月17日，事故率为0.7769。地震危险性值或涉及11级烈度变化点的地震危险性为0.23%。Abstrak。印尼喀拉拉邦地质勘探局，印尼特马苏克省，爪哇巴拉特karena terletak帕达kawasan cincinapi(火环)dan dapat menimbulkan kerusakan yang sangat parah sehinga印度尼西亚成员，印度尼西亚asuransi gempa bumi。方法:贝叶斯概率地震危险性分析(PSHA)、概率概率分析、概率概率分析、概率概率分析、概率概率分析、概率概率分析、概率概率分析、概率概率分析、概率概率分析、概率概率分析、概率概率分析等。Ketidakpastiaan pada peneilitian ini yyitu waktu, denan member perhitungkan贝叶斯变化点(potensi perubahan laju kegempaan pada titik waktu)。基于贝叶斯PSHA的地震危险性预测方法(MDR)研究了孟古纳坎地震危险性预测方法(MDR)。新疆新疆自治区，2006-2021年，新疆新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，2006年7月17日，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，新疆自治区，尼莱地震危险度为11月1日至2009年，占地震危险度的23%。
{"title":"Penerapan Metode Bayesian Change Point dalam Menentukan Bahaya Gempa di Jawa Barat","authors":"Iqbal Arya Ramadhan, Sutawanir Darwis","doi":"10.29313/bcss.v3i2.8162","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8162","url":null,"abstract":"Abstract. Geologically, the area of Indonesia is prone to earthquakes, including the province of West Java, because it is located in the ring of fire and can cause severe damage, so Indonesia needs earthquake insurance. The Bayesian PSHA (Probabilistic Seismic Hazard Analysis) method can provide an assessment of the uncertainty of future earthquakes, by utilizing the prior distribution at the start of the analysis and the likelihood function is formulated into a posterior distribution to measure future observed data with uncertain parameters. The uncertainty in this research is time, taking into account the Bayesian Change Point (potential change in the rate of seismicity at that point in time). This Bayesian PSHA will produce seismic hazard values and combined with the Mean Damage Ratio (MDR) using the Yucemen method to generate insurance premiums. There were 25 earthquake events in West Java province in 2006-2021 around Kertajati Airport with coordinates 6.39'02° S, 108.10'10°E, depth of 100 km and radius of 300 km and there is a Bayesian factor of 0.0035 so that a change in the earthquake rate was identified between the 3rd and 4th incident, and the change in the earthquake rate occurred the day before the 4th incident, namely on July 17 2006 with an incident ratio rate of 0.7769. The seismic hazard value or earthquake hazard involving a Change Point for an intensity scale of 11 is 0.23%. \u0000Abstrak. Secara geologi wilayah Indonesia rawan gempa bumi, termasuk provinsi Jawa Barat karena terletak pada kawasan cincin api (ring of fire) dan dapat menimbulkan kerusakan yang sangat parah sehingga Indonesia memerlukan asuransi gempa bumi. Metode Bayesian PSHA (Probabilistic Seismic Hazard Analysis) dapat memberikan penilaian ketidakpastian gempa di masa depan, dengan memanfaatkan distribusi prior pada awal analisis dan fungsi likelihood diformulasikan menjadi distribusi posterior untuk mengukur data yang diamati di masa depan dengan parameter yang tidak pasti. Ketidakpastiaan pada peneilitian ini yaitu waktu, dengan memperhitungkan Bayesian Change Point (potensi perubahan laju kegempaan pada titik waktu). Bayesian PSHA ini akan menghasilkan nilai seismic hazard dan dikombinasikan dengan Mean Damage Ratio (MDR) menggunakan metode Yucemen untuk menghasilkan premi asuransi. Terdapat 25 kejadian gempa bumi provinsi Jawa Barat tahun 2006-2021 yang berada di sekitar Bandara Kertajati dengan titik koordinat 6.39’02° S, 108.10’10°E, kedalaman 100 km dan radius 300 km dan terdapat faktor Bayesian sebesar 0,0035 sehingga terindentifikasi perubahan laju gempa antara kejadian ke-3 dan ke-4, dan perubahan laju gempa tersebut terjadi sehari sebelum kejadian ke-4 yaitu pada tanggal 17 Juli 2006 dengan tingkat rasio kejadian sebesar 0,7769. Nilai seismic hazard atau bahaya gempa melibatkan Change Point untuk skala intensitas 11 yaitu 0,23%.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"3 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132765864","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. Export is a trade activity carried out between countries by carrying or sending goods originating from domestic areas abroad with the aim of being sold or marketed. Exports as a source of state revenue are needed for the Indonesian economy, because exports can make a major contribution to Indonesia's economic stability and growth. The value of exports that have decreased or increased for the future needs to be considered. The purpose of this study is to determine the ARIMA model and get the forecast results from the Hierarchical Time Series approach for Indonesian export value data. This forecasting method is used because Indonesia's export value data is a hierarchical time series data with two levels, namely level 0 (total export value of Indonesia) and level 1 (data on Indonesia's export value to ASEAN countries). The forecasting model used is ARIMA (Autoregressive Integrated Moving Average). For the selection of the best ARIMA model using the Mean Absolute Percentage Error (MAPE) value. The results showed that the forecast results of Indonesia's export value in June 2023 for Thailand amounted to 591 million USD, Singapore country amounted to 1,090 billion USD, for Malaysia country amounted to 712 million USD, for the Philippines country 981 million USD, for Myanmar country 83 million USD and the total export value of Indonesia amounted to 3,361 billion USD. Abstrak. Ekspor merupakan kegiatan perdagangan yang dilakukan antar negara dengan cara membawa atau mengirimkan barang yang berasal dari daerah dalam negeri ke luar negeri dengan tujuan dijual atau dipasarkan. Ekspor sebagai salah satu sumber pendapatan negara sangat dibutuhkan bagi perekonomian Indonesia, karena ekspor dapat memberikan kontribusi yang besar terhadap stabilitas dan pertumbuhan ekonomi Indonesia. Nilai ekspor yang mengalami penurunan atau peningkatan untuk masa yang akan datang perlu diperhatikan. Tujuan dari penelitian ini adalah mengetahui model ARIMA dan mendapatkan hasil ramalan dari pendekatan Hierarchical Time Series untuk data nilai ekspor Indonesia. Metode peramalan ini digunakan karena data nilai ekspor Indonesia merupakan data deret waktu hierarki dengan dua tingkatan, yaitu level 0 (total nilai ekspor Indonesia) dan level 1 (data nilai ekspor Indonesia ke negara-negara ASEAN). Model peramalan yang digunakan adalah ARIMA (Autoregressive Integrated Moving Average). Untuk pemilihan model ARIMA terbaik menggunakan nilai Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa hasil ramalan nilai ekspor Indonesia pada bulan Juni 2023 untuk negara Thailand sebesar 591 Juta USD, negara Singapura sebesar 1.090 Miliar USD, untuk negara Malaysia sebesar 712 Juta USD, untuk negara Filipina 981 Juta USD, untuk negara Myanmar 83 Juta USD dan total nilai ekspor Indonesia sebesar 3.361 miliar USD.
摘要。出口是国家之间进行的一种贸易活动，将来自国内地区的货物运往国外，目的是销售或营销。印尼经济需要出口作为国家收入的来源，因为出口可以为印尼的经济稳定和增长做出重大贡献。未来需要考虑已减少或增加的出口价值。本研究的目的是确定ARIMA模型，并利用层次时间序列方法对印尼出口值数据进行预测。之所以采用这种预测方法，是因为印度尼西亚的出口值数据是一个分层时间序列数据，有两个层次，即0级(印度尼西亚的出口总额)和1级(印度尼西亚对东盟国家的出口值数据)。使用的预测模型是ARIMA(自回归综合移动平均)。为了选择最佳的ARIMA模型，使用平均绝对百分比误差(MAPE)值。结果表明，2023年6月印尼对泰国出口额预测结果为5.91亿美元，对新加坡出口额预测结果为1.09万亿美元，对马来西亚出口额预测结果为7.12亿美元，对菲律宾出口额预测结果为9.81亿美元，对缅甸出口额预测结果为8300万美元，对印尼出口总额预测结果为3.3610亿美元。Abstrak。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。Ekspor sebagai salah sumu pendapatan negara sangat dibutuhkan bagi pertumbuhan economian Indonesia, karena Ekspor dapat成员kan kontribusi yang besar terhadap stabilitas dan pertumbuhan economian Indonesia。Nilai ekspor yang mengalami penurunan atau peningkatan untuk masa yang akan datang perlu diperhatikan。Tujuan dari penelitian ini adalah mengetahui模型ARIMA dan mendapatkan hasil ramalan dari pendekatan分层时间序列untuk数据，印度尼西亚。Metode peramalan ini digunakan karena data nilai ekspor Indonesia merupakan data deret waktu hierarki dengan dua tingkatan, yitu 0级(印尼总数据)和1级(数据nilai ekspor印尼ke negara-negara ASEAN)。模型peramalan yang digunakan adalah ARIMA(自回归综合移动平均)Untuk pemilihan模型ARIMA terbaik menggunakan nilai平均绝对百分比误差(MAPE)Hasil penelitian menunjukkan bahwa Hasil ramalan nilai ekspor Indonesia pada bulan Juni 2023 untuk negara Thailand sebesar 591澳元，negara singapore sebesar 1.090澳元，untuk negara Malaysia sebesar 712澳元，untuk negara philippines 981澳元，untuk negara Myanmar 83澳元，合计nilaik ekspor Indonesia sebesar 3361澳元。
{"title":"Hierarchical Time Series dengan ARIMA dalam Meramalkan Nilai Ekspor Indonesia","authors":"Hilmi Azzam Robbani, Marizsa Herlina","doi":"10.29313/bcss.v3i2.8107","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8107","url":null,"abstract":"Abstract. Export is a trade activity carried out between countries by carrying or sending goods originating from domestic areas abroad with the aim of being sold or marketed. Exports as a source of state revenue are needed for the Indonesian economy, because exports can make a major contribution to Indonesia's economic stability and growth. The value of exports that have decreased or increased for the future needs to be considered. The purpose of this study is to determine the ARIMA model and get the forecast results from the Hierarchical Time Series approach for Indonesian export value data. This forecasting method is used because Indonesia's export value data is a hierarchical time series data with two levels, namely level 0 (total export value of Indonesia) and level 1 (data on Indonesia's export value to ASEAN countries). The forecasting model used is ARIMA (Autoregressive Integrated Moving Average). For the selection of the best ARIMA model using the Mean Absolute Percentage Error (MAPE) value. The results showed that the forecast results of Indonesia's export value in June 2023 for Thailand amounted to 591 million USD, Singapore country amounted to 1,090 billion USD, for Malaysia country amounted to 712 million USD, for the Philippines country 981 million USD, for Myanmar country 83 million USD and the total export value of Indonesia amounted to 3,361 billion USD. \u0000Abstrak. Ekspor merupakan kegiatan perdagangan yang dilakukan antar negara dengan cara membawa atau mengirimkan barang yang berasal dari daerah dalam negeri ke luar negeri dengan tujuan dijual atau dipasarkan. Ekspor sebagai salah satu sumber pendapatan negara sangat dibutuhkan bagi perekonomian Indonesia, karena ekspor dapat memberikan kontribusi yang besar terhadap stabilitas dan pertumbuhan ekonomi Indonesia. Nilai ekspor yang mengalami penurunan atau peningkatan untuk masa yang akan datang perlu diperhatikan. Tujuan dari penelitian ini adalah mengetahui model ARIMA dan mendapatkan hasil ramalan dari pendekatan Hierarchical Time Series untuk data nilai ekspor Indonesia. Metode peramalan ini digunakan karena data nilai ekspor Indonesia merupakan data deret waktu hierarki dengan dua tingkatan, yaitu level 0 (total nilai ekspor Indonesia) dan level 1 (data nilai ekspor Indonesia ke negara-negara ASEAN). Model peramalan yang digunakan adalah ARIMA (Autoregressive Integrated Moving Average). Untuk pemilihan model ARIMA terbaik menggunakan nilai Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa hasil ramalan nilai ekspor Indonesia pada bulan Juni 2023 untuk negara Thailand sebesar 591 Juta USD, negara Singapura sebesar 1.090 Miliar USD, untuk negara Malaysia sebesar 712 Juta USD, untuk negara Filipina 981 Juta USD, untuk negara Myanmar 83 Juta USD dan total nilai ekspor Indonesia sebesar 3.361 miliar USD.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"6 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"122319315","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. Poisson regression is usually used to model count data. one assumption in Poisson regression is equidispersion that meanS the mean equals to the variance. However, in real data it is often this assumption does not meet. One way to overcome overdispersion is the Conway-Maxwell-Poisson (COM-Poisson) regression. This study applied the COM-Poisson regression to model the effect of Pregnant women who receive a minimum of 4 antenatal care visits (X1), Active Integrated Health Post (X2), Delivery assisted by Healthcare Professional (X3), Provision of Iron Supplement Tablets to Pregnant Women (X4), Pregnant women who received Td2+ Immunization (X5) and Poverty Rate (X6) to Maternal Mortality Rate (Y) for East Java Province data of 2020. The obtained model is with dispersion parameter 0,35044. Meanwhile, the factors that influence the maternal mortality rate are pregnant women who get at least 4 checkups or check-ups at the end of their pregnancy (X1) and pregnant women who receive health services, especially at posyandu (X2). Abstrak. Regresi Poisson digunakan dalam memodelkan data cacahan. Salah satu asumsi dalam regresi Poisson adalah equdispersi yang berarti rata-rata sama dengan varians. Namun, pada data rill seringkali asumsi ini tidak terpenuhi. Salah satu cara untuk mengatasi overdispersi adalah dengan menggunakan regresi Conway-Maxwell-Poisson (COM-Poisson). Penelitian regresi COM-Poisson ini diterapkan untuk memodelkan pengaruh dari pemeriksaan akhir masa kehamilan (K4) (X1), keberadaan posyandu aktif (X2), persalinan yang ditolong tenaga kesehatan (X3), pemberian tablet penambah darah pada ibu hamil (X4), pemberian imunisasi td2+ pada ibu hamil (X5) dan persentase penduduk miskin (X6) terhadap Angka Kematian Ibu(Y) di Provinsi Jawa Timur pada data tahun 2020 Diperoleh model Conway-Maxwell-Poisson adalah dengan parameter dispersi 0,35044. Sememtara itu, faktor-faktor yang mempengaruhi angka kematian ibu adalah ibu hamil yang mendapatkan pemeriksaan minimal 4 kali (K4) atau pemeriksaan akhir masa kehamilan (X1) dan ibu hamil yang menerima pelayanan kesehatan terutama di posyandu (X2).
摘要。泊松回归通常用于计数数据的建模。泊松回归的一个假设是等分散，即均值等于方差。然而，在实际数据中，这种假设往往不符合。克服过分散的一种方法是康威-麦克斯韦-泊松(com -泊松)回归。本研究采用COM-Poisson回归模型，对东爪哇省2020年数据中接受至少4次产前保健检查(X1)、主动综合卫生站(X2)、医疗保健专业人员协助分娩(X3)、向孕妇提供铁补充剂(X4)、接受Td2+免疫接种(X5)和贫困率(X6)的孕妇对孕产妇死亡率(Y)的影响进行了建模。得到的模型色散参数为0,35044。与此同时，影响孕产妇死亡率的因素是至少接受4次检查或在妊娠结束时进行检查的孕妇(X1)和接受保健服务的孕妇，特别是在医院接受保健服务的孕妇(X2)。Abstrak。回归Poisson digunakan dalam memodelkan data cacahan。Salah satu asumsi dalam regresi Poisson adalah等量分布(equdisi) yang berarti rata-rata samengan varians。纳蒙，帕达的数据收集服务，以kali假设为基础，并在此基础上进行分析。康威-麦克斯韦-泊松(com -泊松)。Penelitian regression COM-Poisson ini diiterapkan untuk memodelkan pengaruh dari peremeriksaan akhir masa kehamilan (K4) (X1)， keberadaan posyandu aktif (X2)， persalinan yang ditolong tenaga kesehatan (X3)， pemberian tablet penambah darah pada ibu hamil (X4)， pemberian imunisasi td2+ pada ibu hamil (X5)和perberian penduduk miskin (X6) terhadap Angka Kematian ibu (Y) di provinjiawa Timur pada数据[j] . 2020 Diperoleh模型Conway-Maxwell-Poisson adalah dengan参数分布。Sememtara itu, factor - factor for yang mempengaruhi angka kematian ibu adalah ibu hamil yang mendapatkan pemeriksaan minimal 4 kali (K4) atau pemeriksaan akhir masa kehamilan (X1) dan ibu hamil yang menerima pelayanan kesehatan terutama di posyandu (X2)。
{"title":"Pemodelam Regresi Conway-Maxwell-Poisson untuk Mengatasi Overdispersi pada Data Angka Kematian Ibu di Provinsi Jawa timur","authors":"Deri Dzikria Khofiyandi, Suliadi","doi":"10.29313/bcss.v3i2.7865","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7865","url":null,"abstract":"Abstract. Poisson regression is usually used to model count data. one assumption in Poisson regression is equidispersion that meanS the mean equals to the variance. However, in real data it is often this assumption does not meet. One way to overcome overdispersion is the Conway-Maxwell-Poisson (COM-Poisson) regression. This study applied the COM-Poisson regression to model the effect of Pregnant women who receive a minimum of 4 antenatal care visits (X1), Active Integrated Health Post (X2), Delivery assisted by Healthcare Professional (X3), Provision of Iron Supplement Tablets to Pregnant Women (X4), Pregnant women who received Td2+ Immunization (X5) and Poverty Rate (X6) to Maternal Mortality Rate (Y) for East Java Province data of 2020. The obtained model is with dispersion parameter 0,35044. Meanwhile, the factors that influence the maternal mortality rate are pregnant women who get at least 4 checkups or check-ups at the end of their pregnancy (X1) and pregnant women who receive health services, especially at posyandu (X2). \u0000Abstrak. Regresi Poisson digunakan dalam memodelkan data cacahan. Salah satu asumsi dalam regresi Poisson adalah equdispersi yang berarti rata-rata sama dengan varians. Namun, pada data rill seringkali asumsi ini tidak terpenuhi. Salah satu cara untuk mengatasi overdispersi adalah dengan menggunakan regresi Conway-Maxwell-Poisson (COM-Poisson). Penelitian regresi COM-Poisson ini diterapkan untuk memodelkan pengaruh dari pemeriksaan akhir masa kehamilan (K4) (X1), keberadaan posyandu aktif (X2), persalinan yang ditolong tenaga kesehatan (X3), pemberian tablet penambah darah pada ibu hamil (X4), pemberian imunisasi td2+ pada ibu hamil (X5) dan persentase penduduk miskin (X6) terhadap Angka Kematian Ibu(Y) di Provinsi Jawa Timur pada data tahun 2020 Diperoleh model Conway-Maxwell-Poisson adalah dengan parameter dispersi 0,35044. Sememtara itu, faktor-faktor yang mempengaruhi angka kematian ibu adalah ibu hamil yang mendapatkan pemeriksaan minimal 4 kali (K4) atau pemeriksaan akhir masa kehamilan (X1) dan ibu hamil yang menerima pelayanan kesehatan terutama di posyandu (X2).","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"14 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"114249848","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：