Abstract. In this study, the response variable is assumed to be Poisson-distributed enumeration data. However, in the Poisson regression model, the enumerated data often deviates from the Poisson distribution because of the proportion of excess zero values in the response variable (excess zero), resulting in a larger variance than the average of the observed variables (overdispersion). Therefore, this study aims to model the data with Zero Inflated Poisson (ZIP) and Hurdle Poisson regression. Based on the results of the study by comparing the ZIP and Hurdle Poisson regression models using the Akaike Information Criterion (AIC) and Bayesian Information Criteria (BIC) values, it is found that the Hurdle Poisson regression model is more appropriate for modeling child mortality data in the city of Bandung in 2021 or in other words the Hurdle Poisson regression model is better at dealing with overdispersion and excess zeros problems compared to the Zero Inflated Poisson (ZIP) regression model. Abstrak. Pada penelitian ini variabel respon diasumsikan merupakan data cacahan yang berdistribusi Poisson. Namun, pada model regresi Poisson data cacah seringkali menyimpang dari distribusi Poisson karena proporsi nilai nol yang berlebih pada variabel respon (excess zero), sehingga menghasilkan varian yang lebih besar dari rata-rata variabel yang diamati (overdispersi). Maka dari itu, penelitian ini bertujuan untuk memodelkan data dengan regresi Zero Inflated Poisson (ZIP) dan Hurdle Poisson. Berdasarkan hasil penelitian dengan membandingkan model regresi ZIP dan Hurdle Poisson menggunakan nilai Akaike Information Criterion (AIC) dan Bayesian Information Criteria (BIC), maka diperoleh bahwa model regresi Hurdle Poisson lebih tepat digunakan untuk memodelkan data kematian balita di Kota Bandung tahun 2021 atau dengan kata lain model regresi Hurdle Poisson lebih baik dalam menangani masalah overdispersi dan excess zeros dibandingkan dengan model regresi Zero Inflated Poisson (ZIP).
摘要。在本研究中，假设响应变量为泊松分布枚举数据。然而，在泊松回归模型中，由于响应变量中超零值的比例(超零)，枚举数据往往偏离泊松分布，导致方差大于观测变量的平均值(过分散)。因此，本研究旨在利用零膨胀泊松(ZIP)和跨栏泊松回归对数据进行建模。基于使用赤池信息准则(AIC)和贝叶斯信息准则(BIC)值的ZIP和跨栏泊松回归模型的比较研究结果，研究发现，跨栏泊松回归模型更适合于2021年万隆市儿童死亡率数据的建模，或者说，与零膨胀泊松(Zero Inflated Poisson, ZIP)回归模型相比，跨栏泊松回归模型更擅长于处理过离散和过零问题。Abstrak。Pada penelitian - i变量响应与merupakan数据。Namun，帕达模型回归泊松数据cacah seringkali menyimpang dari分布泊松karena比例是nilai nol yang berlebih帕达变量响应(超零)，sehinga menghasilkan varian yang lebih besar dari rata-rata变量yang diamati(过分散)。零膨胀泊松(ZIP)和障碍泊松。Berdasarkan hasil penelitian dengan membandingkan模型回归ZIP，但障碍泊松menggunakan nilai Akaike信息准则(AIC)和贝叶斯信息准则(BIC)， maka diperoleh bahwa模型回归，障碍泊松lebih tepat digunakan untuk memodelkan数据kematian balita di Kota万隆tahun 2021 atau dengan kata模型回归，障碍泊松lebih baik dalam menangani masalah过度分散和过度零dibandingkan dengan模型回归零膨胀泊松(ZIP)。
{"title":"Perbandingan Model Regresi Zero Inflated Poisson (ZIP) dan Hurdle Poisson (HP) pada Kasus Kematian Balita di Kota Bandung Tahun 2021","authors":"Ani Ressa Nuryaningsih, Nusar Hajarisman","doi":"10.29313/bcss.v3i2.8522","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.8522","url":null,"abstract":"Abstract. In this study, the response variable is assumed to be Poisson-distributed enumeration data. However, in the Poisson regression model, the enumerated data often deviates from the Poisson distribution because of the proportion of excess zero values in the response variable (excess zero), resulting in a larger variance than the average of the observed variables (overdispersion). Therefore, this study aims to model the data with Zero Inflated Poisson (ZIP) and Hurdle Poisson regression. Based on the results of the study by comparing the ZIP and Hurdle Poisson regression models using the Akaike Information Criterion (AIC) and Bayesian Information Criteria (BIC) values, it is found that the Hurdle Poisson regression model is more appropriate for modeling child mortality data in the city of Bandung in 2021 or in other words the Hurdle Poisson regression model is better at dealing with overdispersion and excess zeros problems compared to the Zero Inflated Poisson (ZIP) regression model. \u0000Abstrak. Pada penelitian ini variabel respon diasumsikan merupakan data cacahan yang berdistribusi Poisson. Namun, pada model regresi Poisson data cacah seringkali menyimpang dari distribusi Poisson karena proporsi nilai nol yang berlebih pada variabel respon (excess zero), sehingga menghasilkan varian yang lebih besar dari rata-rata variabel yang diamati (overdispersi). Maka dari itu, penelitian ini bertujuan untuk memodelkan data dengan regresi Zero Inflated Poisson (ZIP) dan Hurdle Poisson. Berdasarkan hasil penelitian dengan membandingkan model regresi ZIP dan Hurdle Poisson menggunakan nilai Akaike Information Criterion (AIC) dan Bayesian Information Criteria (BIC), maka diperoleh bahwa model regresi Hurdle Poisson lebih tepat digunakan untuk memodelkan data kematian balita di Kota Bandung tahun 2021 atau dengan kata lain model regresi Hurdle Poisson lebih baik dalam menangani masalah overdispersi dan excess zeros dibandingkan dengan model regresi Zero Inflated Poisson (ZIP).","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"4 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":"125786346","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. Earthquake insurance is insurance that guarantees loss or damage to insured property and/or interests that are directly caused by an earthquake. The purpose of this study was to determine the suitability of the earthquake magnitude distribution model with the theoretical distribution using the goodness of fit method, as well as to know the calculation steps and the amount of earthquake insurance premiums for 3 regions in West Java. The method used in this research is goodness of fit (GOF) based on empirical distribution function with five types of test statistics, and the following method is used probabilistic seismic hazard analysis (PSHA). The data used in this study is secondary data in the form of historical data on earthquake events in the 3 research areas for 10 years, 2013-2022. The results of this study are that the model on the distribution of earthquake magnitudes is in accordance with the theoretical distribution, namely the exponential distribution, as well as the model for the distribution of earthquake hypocenter distances which is in accordance with the theoretical distribution that has been determined. As well as Obtained the total amount of insurance premiums for Garut Regency is Rp. 206,610, - for a house that has a total tax object of Rp. 14,681,468, - for Tasikmalaya Regency is Rp. 274,630, - for a house that has a total tax object of Rp. 15,121,366, - and for Sukabumi Regency it is Rp. 228,610, - for a house that has a total tax object of Rp. 14,969,526, - the total premium is the amount of money that must be paid by the insured to the insurance company every month. Abstrak. Asuransi gempa bumi adalah asuransi yang menjamin kerugian atau kerusakan harta benda dan/atau kepentingan yang dipertanggungkan yang secara langsung disebabkan oleh gempa bumi. Tujuan dari penelitian adalah untuk mengetahui kesesuaian model distribusi magnitude gempa dengan distribusi teoritisnya menggunakan metode goodness of fit, dan mengetahui langkah perhitungan dan besarnya premi asuransi gempa bumi untuk 3 wilayah di Jawa Barat. Metode yang digunakan yaitu goodness of fi (GOF) berdasarkan distribusi fungsi empiris dengan lima jenis statistik uji, dan probabilistic seismic hazard analysis (PSHA). Data yang digunakan pada penelitian ini adalah data sekunder berupa data historis kejadian gempa bumi di 3 wilayah penelitian selama 10 tahun yaitu 2013-2022. Hasil dari penelitian ini adalah model pada distribusi magnitude gempa sudah sesuai dengan distribusi teoritisnya yaitu distribusi eksponensial, begitu juga untuk model distribusi jarak hiposenter gempa yang sudah sesuai dengan distribusi teoritisnya yang sudah ditentukan. Serta Diperoleh besarnya total premi asuransi untuk Kabupaten Garut adalah sebesar Rp. 206.610,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 14.681.468,- untuk Kabupaten Tasikmalaya adalah sebesar Rp. 274.630,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 15.121.366,- dan untuk Ka
摘要地震保险是保证因地震直接造成的被保险财产和/或利益的损失或损害的保险。本研究的目的是利用拟合优度法确定地震震级分布模型与理论分布的适宜性，并了解西爪哇3个地区地震保险费的计算步骤和金额。本研究采用的方法是基于经验分布函数的五种检验统计量的拟合优度(GOF)，以下方法是概率地震危险性分析(PSHA)。本研究使用的数据为辅助数据，为3个研究区2013-2022年10年的地震事件历史数据。研究结果表明，地震震级分布模型符合理论分布即指数分布，震源距离分布模型也符合已确定的理论分布。以及获得的保险费总额加鲁特摄政Rp。206610年,一所房子,总税收Rp的对象。14681468年,为摄政的Tasikmalaya是Rp -。274630年,——房子,总税收Rp的对象。15121366年,——Sukabumi摄政Rp。228610年,一所房子,总税收Rp的对象。14969526年,总保费的金额,必须由被保险人支付保险公司每个月。Abstrak。Asuransi gempa bumi adalah Asuransi yang menjamin kerugian atau kerusakan harta benda dan/atau kepentingan yang dipertanggungkan yang secara langsung disebabkan oleh gempa bumi。Tujuan dari penelitian adalah untuk mengetahui kesesaian模型分布、量级分布、dengan分布、teoritisya menggunakan方法拟合优度，dan mengetahui langkah perhitungan dan besarya premi asuransi genpa bumi untuk 3 wilayah di javabarat。方法yang digunakan yaitu good of fi (GOF) berdasarkan分布;真菌经验;dengan;数据yang digunakan padpenelitian ini adalah数据查找berupa数据历史kejadian genpa bumi di 3 wilayah penelitian selama 10 tahunyitu 2013-2022。Hasil dari penelitian ini adalah model pada distribution busi magnitude gempa sudah sesuai distribution busi yyitu distribution busi eksponsponal, begitu juga untuk model distribution busi jarak hiposenter gempa yang sudah sesuai denan distribution busi teoriya yang sudah dientukan。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -Dibayar pihat tertanggung kepada pihak perusahaan asuranisseap bulannya。
{"title":"Kesesuaian Distribusi Magnitude Gempa dengan Distribusi Teoritis Gempa dalam Perhitungan Premi Asuransi Gempa Bumi","authors":"Nadya Chaerunisa Apriani, Sutawanir Darwis","doi":"10.29313/bcss.v3i2.7872","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7872","url":null,"abstract":"Abstract. Earthquake insurance is insurance that guarantees loss or damage to insured property and/or interests that are directly caused by an earthquake. The purpose of this study was to determine the suitability of the earthquake magnitude distribution model with the theoretical distribution using the goodness of fit method, as well as to know the calculation steps and the amount of earthquake insurance premiums for 3 regions in West Java. The method used in this research is goodness of fit (GOF) based on empirical distribution function with five types of test statistics, and the following method is used probabilistic seismic hazard analysis (PSHA). The data used in this study is secondary data in the form of historical data on earthquake events in the 3 research areas for 10 years, 2013-2022. The results of this study are that the model on the distribution of earthquake magnitudes is in accordance with the theoretical distribution, namely the exponential distribution, as well as the model for the distribution of earthquake hypocenter distances which is in accordance with the theoretical distribution that has been determined. As well as Obtained the total amount of insurance premiums for Garut Regency is Rp. 206,610, - for a house that has a total tax object of Rp. 14,681,468, - for Tasikmalaya Regency is Rp. 274,630, - for a house that has a total tax object of Rp. 15,121,366, - and for Sukabumi Regency it is Rp. 228,610, - for a house that has a total tax object of Rp. 14,969,526, - the total premium is the amount of money that must be paid by the insured to the insurance company every month. \u0000Abstrak. Asuransi gempa bumi adalah asuransi yang menjamin kerugian atau kerusakan harta benda dan/atau kepentingan yang dipertanggungkan yang secara langsung disebabkan oleh gempa bumi. Tujuan dari penelitian adalah untuk mengetahui kesesuaian model distribusi magnitude gempa dengan distribusi teoritisnya menggunakan metode goodness of fit, dan mengetahui langkah perhitungan dan besarnya premi asuransi gempa bumi untuk 3 wilayah di Jawa Barat. Metode yang digunakan yaitu goodness of fi (GOF) berdasarkan distribusi fungsi empiris dengan lima jenis statistik uji, dan probabilistic seismic hazard analysis (PSHA). Data yang digunakan pada penelitian ini adalah data sekunder berupa data historis kejadian gempa bumi di 3 wilayah penelitian selama 10 tahun yaitu 2013-2022. Hasil dari penelitian ini adalah model pada distribusi magnitude gempa sudah sesuai dengan distribusi teoritisnya yaitu distribusi eksponensial, begitu juga untuk model distribusi jarak hiposenter gempa yang sudah sesuai dengan distribusi teoritisnya yang sudah ditentukan. Serta Diperoleh besarnya total premi asuransi untuk Kabupaten Garut adalah sebesar Rp. 206.610,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 14.681.468,- untuk Kabupaten Tasikmalaya adalah sebesar Rp. 274.630,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 15.121.366,- dan untuk Ka","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"29 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134103260","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 two-parameter exponential distribution is a probability model associated with observed unit failure time data. Investigating the estimation characteristics of the Signal to Noise Ratio (SNR) difference between two populations with a two-parameter exponential distribution is intriguing. SNR represents the ratio between the mean and standard deviation. For more accurate results in estimating the SNR difference between two populations, confidence intervals can be utilized. One of the methods suitable for constructing confidence intervals is the parametric bootstrap method, particularly effective for small sample sizes with distribution assumptions. The confidence intervals built are based on bootstrap percentiles. The data used in this study consists of small-sized samples of failure times of mylar-polyurethane lamination in High Voltage Direct Current (HVDC) insulation structures, subjected to voltage loads of 100.3 kV/mm and 361.4 kV/mm. Based on the calculations, it was found that with a 95% confidence level, the parametric bootstrap confidence interval for the SNR difference of the two-parameter exponential distribution of failure times in mylar-polyurethane lamination under electric voltage loads of 100.3 kV/mm and 361.4 kV/mm falls within the range of [-0.29; 0.93]. Abstrak. Distribusi eksponensial dua parameter adalah model probabilitas yang terkait dengan data waktu kegagalan unit yang diamati. Karakteristik dari estimasi perbedaan Signal to Noise Ratio (SNR) dari dua populasi berdistribusi eksponensial dua parameter menarik untuk diteliti. SNR adalah rasio antara rata-rata dengan simpangan baku. Untuk hasil yang lebih akurat dalam memperkirakan estimasi perbedaan SNR dari dua populasi yaitu menggunakan selang kepercayaan. Salah satu metode yang dapat digunakan dalam membangun selang kepercayaan yaitu dengan metode bootstrap parametrik yang cocok untuk ukuran data sampel yang kecil dan memiliki asumsi distribusi. Selang kepercayaan yang dibangun didasarkan pada bootstrap persentil. Data yang digunakan adalah data sampel berukuran kecil yaitu waktu kegagalan laminasi mylar-poliuretana pada struktur isolasi High Voltage Direct Current (HVDC) dengan beban tegangan 100,3 kV/mm dan 361,4 kV/mm. Berdasarkan hasil perhitungan diperoleh bahwa dengan tingkat kepercayaan 95% selang kepercayaan bootstrap parametrik untuk perbedaan SNR dari distribusi eksponensial dua parameter pada data waktu kegagalan laminasi mylar-poliuretana dengan beban tegangan listrik 100,3 kV/mm dan 361,4 kV/mm adalah berada di dalam rentang [–0,29; 0,93].
摘要双参数指数分布是与观测到的机组故障时间数据相关的概率模型。研究具有双参数指数分布的两个种群之间信噪比差的估计特性是一个有趣的问题。信噪比代表均值与标准差之比。为了更准确地估计两个种群之间的信噪比差异，可以使用置信区间。参数自举法是构造置信区间的一种方法，对具有分布假设的小样本量特别有效。建立的置信区间基于自举百分位数。本研究中使用的数据包括高压直流(HVDC)绝缘结构中聚酯聚氨酯层合材料在100.3 kV/mm和361.4 kV/mm电压载荷作用下失效次数的小样本。计算结果表明:在95%置信水平下，100.3 kV/mm和361.4 kV/mm电压载荷下，聚酯-聚氨酯复合材料失效次数双参数指数分布信噪比差的参数自举置信区间在[-0.29];0.93]。Abstrak。分布-自发双参数adalah模型概率是杨terkai邓根数据waktu kegagalan单位杨diamati。Karakteristik达里估计、信噪比(SNR)达里估计、普遍分布达里估计、随机参数达里估计。信噪比数据分析:数据分析，数据分析，数据分析，数据分析。Untuk hasil yang lebih akurat dalam成员perkirakan estimasi perbedaan和SNR dari dua populasi yitu menggunakan selang keperayan。Salah satu方法yang dapat digunakan dalam membangunan selang keperayaan yitu dengan方法自举参数yang cocok untuk ukuran数据样本yang kecil dan memiliki假设分布。Selang keperayaan yang dibangun didasarkan pada bootstrap。数据yang digunakan adalah数据样本berukuran kecil yitu waktu kegagalan laminasi mylar-poliuretana pada struktor isolasi高压直流(HVDC) dengan beban tegangan 100,3 kV/mm但361,4 kV/mm。Berdasarkan hasil perhitungan diperoleh bahwa kepercayaan和95% selang kepercayaan自举参数化untuk perbedaan和信噪比分布，自发双参数化数据waktu kegagalan laminasi -poliuretana dengan beban tegangan listrik 100,3 kV/mm和361,4 kV/mm adalah berada di dalam rentang [0,29];0, 93]。
{"title":"Selang Kepercayaan Bootstrap Parametrik untuk Perbedaan Signal to Noise Ratio dari Distribusi Eksponensial Dua Parameter pada Data Waktu Kegagalan Laminasi Mylar-Poliuretana","authors":"Amirul Mukminin, Abdul Kudus","doi":"10.29313/bcss.v3i2.7627","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7627","url":null,"abstract":"Abstract. The two-parameter exponential distribution is a probability model associated with observed unit failure time data. Investigating the estimation characteristics of the Signal to Noise Ratio (SNR) difference between two populations with a two-parameter exponential distribution is intriguing. SNR represents the ratio between the mean and standard deviation. For more accurate results in estimating the SNR difference between two populations, confidence intervals can be utilized. One of the methods suitable for constructing confidence intervals is the parametric bootstrap method, particularly effective for small sample sizes with distribution assumptions. The confidence intervals built are based on bootstrap percentiles. The data used in this study consists of small-sized samples of failure times of mylar-polyurethane lamination in High Voltage Direct Current (HVDC) insulation structures, subjected to voltage loads of 100.3 kV/mm and 361.4 kV/mm. Based on the calculations, it was found that with a 95% confidence level, the parametric bootstrap confidence interval for the SNR difference of the two-parameter exponential distribution of failure times in mylar-polyurethane lamination under electric voltage loads of 100.3 kV/mm and 361.4 kV/mm falls within the range of [-0.29; 0.93]. \u0000Abstrak. Distribusi eksponensial dua parameter adalah model probabilitas yang terkait dengan data waktu kegagalan unit yang diamati. Karakteristik dari estimasi perbedaan Signal to Noise Ratio (SNR) dari dua populasi berdistribusi eksponensial dua parameter menarik untuk diteliti. SNR adalah rasio antara rata-rata dengan simpangan baku. Untuk hasil yang lebih akurat dalam memperkirakan estimasi perbedaan SNR dari dua populasi yaitu menggunakan selang kepercayaan. Salah satu metode yang dapat digunakan dalam membangun selang kepercayaan yaitu dengan metode bootstrap parametrik yang cocok untuk ukuran data sampel yang kecil dan memiliki asumsi distribusi. Selang kepercayaan yang dibangun didasarkan pada bootstrap persentil. Data yang digunakan adalah data sampel berukuran kecil yaitu waktu kegagalan laminasi mylar-poliuretana pada struktur isolasi High Voltage Direct Current (HVDC) dengan beban tegangan 100,3 kV/mm dan 361,4 kV/mm. Berdasarkan hasil perhitungan diperoleh bahwa dengan tingkat kepercayaan 95% selang kepercayaan bootstrap parametrik untuk perbedaan SNR dari distribusi eksponensial dua parameter pada data waktu kegagalan laminasi mylar-poliuretana dengan beban tegangan listrik 100,3 kV/mm dan 361,4 kV/mm adalah berada di dalam rentang [–0,29; 0,93].","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"177 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115590608","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. In this research, we will calculate the estimated net migration figures for male and female population age groups in the year 2020 for the Province of Banten based on data from the 2020 Population Census. The data analysis technique used is by comparing the Population Growth Rate (PGR) of Indonesia with that of the Province of Banten. By obtaining the difference between the PGR of Indonesia and the PGR of the Province of Banten, we can determine the estimated population change due to migration, or the number of net migrants in the Province of Banten in the year 2020. According to the results of the 2020 Population Census (SP 2020), the PGR of Indonesia is 1.25% per year, while the PGR of the Province of Banten is 1.10% per year, resulting in a difference of -0.15% or -0.015. From the calculations, the estimated number of net migrants in the Province of Banten is -17,875 people. To break down the data into age groups, we use the Age Specific Net Migration Rate (ASNMR) of the Province of Banten based on data from the 2015 Inter-Census Population Survey adjusted to produce negative ASNMR values for the year 2020. This results in the Net Migration Index for males and females, which are -127 and -281 times, respectively. Abstrak. Dalam penelitian ini akan menghitung perkiraan angka migrasi neto perkelompok umur penduduk laki-laki dan penduduk perempuan tahun 2020 Provinsi Banten berdasarkan data hasil Sensus Penduduk tahun 2020. Teknik analisis data yang digunakan adalah dengan membandingkan Laju Pertumbuhan Penduduk (LPP) Indonesia dengan LPP Provinsi Banten. Dengan didapatkannya nilai selisih antara LPP Indonesia dengan LPP Provinsi Banten, dapat diketahui perkiraan perubahan penduduk karena migrasi, atau dapat diketahui jumlah migran neto penduduk Provinsi Banten tahun 2020. Hasil Sensus Penduduk (SP) 2020, LPP Indonesia adalah 1,25 % pertahun sedangkan LPP Provinsi Banten adalah 1,10% pertahun, sehingga ada selisih sebesar -0,15% atau sebesar -0,015. Dari hasil perhitungan didapat perkiraan jumlah migrasi neto penduduk Provinsi Banten adalah -17.875 orang. Untuk memecah menjadi kelompok umur digunakan Age Specific Net Migration Rate (ASNMR) Provinsi Banten berdasarkan data Survei Penduduk Antar Sensus (SUPAS) 2015 yang disesuaikan, sehingga menghasilkan perkiraan nilai ASNMR tahun 2020 bernilai negatif, dan menghasilkan Indeks Migrasi Neto untuk penduduk laki-laki dan perempuan masing-masing adalah -127 dan -281 kali.
摘要在本研究中，我们将根据2020年人口普查的数据，计算万丹省2020年男女人口年龄组的估计净移民数字。所使用的数据分析技术是通过比较印度尼西亚的人口增长率(PGR)与万丹省的人口增长率。通过获得印度尼西亚人口增长率与万丹省人口增长率的差异，我们可以确定2020年万丹省因移民而导致的人口变化，或净移民人数。根据2020年人口普查(SP 2020)的结果，印度尼西亚的人口增长率为每年1.25%，而万丹省的人口增长率为每年1.10%，差异为-0.15%或-0.015。根据计算，万丹省的净移民人数估计为-17,875人。为了将数据分解为年龄组，我们使用了万丹省的年龄特定净迁移率(ASNMR)，该数据基于2015年人口普查间人口调查的数据，经调整后产生了2020年的负ASNMR值。这导致男性和女性的净移民指数分别为-127倍和-281倍。Abstrak。Dalam penelitian ini akan menghitung perkiraan angka migrasi neto perkelompok umur penduduk laki-laki dan penduduk perempuan tahun 2020省数据hasil Sensus penduduk tahun 2020。技术分析数据yang digunakan adalah dengan membandingkan Laju Pertumbuhan Penduduk (LPP)印度尼西亚dengan LPP省万丹。Dengan didapatkannya nilai selisih antara LPP印度尼西亚Dengan LPP省万丹，dapat diketahui perkiraan perubahan penduduk karena migrasi, atau dapat diketahui jumlah migran neto penduduk省万丹塔洪2020。Hasil Sensus Penduduk (SP) 2020, LPP印度尼西亚adalah 1,25% pertahun sedangkan LPP省Banten adalah 1,10% pertahun, sehinga ada selisih sebesar -0,15% atau sebesar -0,015。Dari hasil perhitungan didapat perkiraan jumlah migrasi neto penduduk province Banten adalah -17.875猩猩。Untuk memecah menjadi kelompok umur digunakan省省数据调查(SUPAS) 2015 yang disessuaikan, sehinga menghasilkan perkiraan nilai ASNMR tahun 2020 bernilai为负值，dan menghasilkan Indeks Migrasi Neto Untuk Penduduk laki-laki dan perempuan masing adalah -127 dan -281 kali。
{"title":"Perkiraan Migrasi Perkelompok Umur Provinsi Banten Tahun 2020","authors":"Ageng Roro Dwi Utamy, Yayat Karyana","doi":"10.29313/bcss.v3i2.7669","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7669","url":null,"abstract":"Abstract. In this research, we will calculate the estimated net migration figures for male and female population age groups in the year 2020 for the Province of Banten based on data from the 2020 Population Census. The data analysis technique used is by comparing the Population Growth Rate (PGR) of Indonesia with that of the Province of Banten. By obtaining the difference between the PGR of Indonesia and the PGR of the Province of Banten, we can determine the estimated population change due to migration, or the number of net migrants in the Province of Banten in the year 2020. According to the results of the 2020 Population Census (SP 2020), the PGR of Indonesia is 1.25% per year, while the PGR of the Province of Banten is 1.10% per year, resulting in a difference of -0.15% or -0.015. From the calculations, the estimated number of net migrants in the Province of Banten is -17,875 people. To break down the data into age groups, we use the Age Specific Net Migration Rate (ASNMR) of the Province of Banten based on data from the 2015 Inter-Census Population Survey adjusted to produce negative ASNMR values for the year 2020. This results in the Net Migration Index for males and females, which are -127 and -281 times, respectively. \u0000Abstrak. Dalam penelitian ini akan menghitung perkiraan angka migrasi neto perkelompok umur penduduk laki-laki dan penduduk perempuan tahun 2020 Provinsi Banten berdasarkan data hasil Sensus Penduduk tahun 2020. Teknik analisis data yang digunakan adalah dengan membandingkan Laju Pertumbuhan Penduduk (LPP) Indonesia dengan LPP Provinsi Banten. Dengan didapatkannya nilai selisih antara LPP Indonesia dengan LPP Provinsi Banten, dapat diketahui perkiraan perubahan penduduk karena migrasi, atau dapat diketahui jumlah migran neto penduduk Provinsi Banten tahun 2020. Hasil Sensus Penduduk (SP) 2020, LPP Indonesia adalah 1,25 % pertahun sedangkan LPP Provinsi Banten adalah 1,10% pertahun, sehingga ada selisih sebesar -0,15% atau sebesar -0,015. Dari hasil perhitungan didapat perkiraan jumlah migrasi neto penduduk Provinsi Banten adalah -17.875 orang. Untuk memecah menjadi kelompok umur digunakan Age Specific Net Migration Rate (ASNMR) Provinsi Banten berdasarkan data Survei Penduduk Antar Sensus (SUPAS) 2015 yang disesuaikan, sehingga menghasilkan perkiraan nilai ASNMR tahun 2020 bernilai negatif, dan menghasilkan Indeks Migrasi Neto untuk penduduk laki-laki dan perempuan masing-masing adalah -127 dan -281 kali.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129972767","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. Multivariate regression analysis is a statistical tool that is concerned with describing and evaluating the relationship between a given set of responses and a set of predictors. This analysis involves many variables, making difficulty to analyze and interpret. Therefore, we need a method that can visualize the regression model in a comprehensive manner to facilitate interpretation. The multivariate regression biplot aims to graphically visualize the effect of the predictor variable on the response variable and to display the regression result. This multivariate regression biplot is well suited for solving problems in multivariate regression analysis. This research uses biplot multivariate regression to analyze data on factors that influence health status indicators in West Java. The results of applying multivariate regression biplot show that the Y1 variable has a positive correlation with the variables X2, X3, and X4 and has a negative correlation with the variables X1, and X5. The variable Y2 has a positive correlation with the variables X1, X2, X3, and X5 and has a negative correlation with the variable X4. The variable Y3 has a positive correlation with the variable X4 and has a negative correlation with the variable X1, X2, X3, and X5. The overall quality of the multivariate regression biplot visualization result is 98.7%. This means that the information provided by the multivariate regression biplot in the form of visualization can explain 98.7% of all the information contained in the data. Abstrak. Analisis regresi multivariat adalah alat statistik yang berkaitan dengan menggambarkan dan mengevaluasi hubungan antara satu set respon yang diberikan dan satu set prediktor. Analisis tersebut melibatkan banyak variabel, sehingga dalam menganalisis dan menginterpretasikannya menjadi sulit. Oleh karena itu diperlukan metode yang dapat memvisualisasikan model regresi secara komprehensif, sehingga memudahkan interpretasi. Biplot regresi multivariat bertujuan untuk memvisualisasikan pengaruh variabel prediktor terhadap variabel respon secara grafis dan untuk menampilkan hasil regresi. Biplot regresi multivariat ini sangat cocok digunakan untuk mengatasi permasalahan dalam analisis regresi multivariat. Penelitian ini akan membahas biplot regresi multivariat dan penerapannya pada data faktor-faktor yang mempengaruhi indikator derajat kesehatan di Jawa Barat. Hasil penerapan biplot regresi multivariat menunjukkan bahwa variabel Y1 berkorelasi positif dengan variabel X2, X3, dan X4 serta berkorelasi negatif dengan variabel X1, dan X5. Variabel Y2 berkorelasi positif dengan variabel X1, X2, X3, dan X5 serta berkorelasi negatif dengan variabel X4. Variabel Y3 berkorelasi positif dengan variabel X4 dan berkorelasi negatif dengan variabel X1, X2, X3, dan X5. Kualitas keseluruhan dari hasil visualisasi biplot regresi multivariat sebesar 98,7%. Artinya informasi yang diberikan oleh biplot regresi multivariat dalam bentuk visualisasi mampu menerang
摘要多元回归分析是一种统计工具，用于描述和评估一组给定的反应和一组预测因子之间的关系。这一分析涉及很多变量，分析和解释都很困难。因此，我们需要一种能够将回归模型全面可视化的方法，以便于解释。多元回归双标图旨在以图形方式可视化预测变量对响应变量的影响，并显示回归结果。这种多元回归双标图非常适合解决多元回归分析中的问题。本研究使用双标图多元回归分析影响西爪哇健康状况指标因素的数据。应用多元回归双标图的结果表明，变量Y1与变量X2、X3、X4呈正相关，与变量X1、X5呈负相关。变量Y2与变量X1、X2、X3、X5呈正相关，与变量X4呈负相关。变量Y3与变量X4正相关，与变量X1、X2、X3、X5负相关。多元回归双标图可视化结果的总体质量为98.7%。这意味着多元回归双标图以可视化的形式提供的信息可以解释数据中包含的98.7%的全部信息。Abstrak。回归分析多变量adalalalalalalalalstatistical杨伯开坦邓安孟甘巴坎丹孟孟评估胡邦干安托拉状态集响应杨伯开坦丹状态集预测器。分析tersebut melibatkan banyak变量，sehinga dalam menganalis dan menginterprettasikannya menjadi sulit。Oleh karena itu diperlukan方法，yang dapat memvisualisiskan模型回归与时空综合，seinga memudahkan解释。双图回归、多变量回归、多变量预测、多变量响应、多变量响应、多变量响应、多变量响应、多变量响应、多变量响应、多变量响应、多变量响应、多变量响应、多变量回归。多变量双图回归分析。Penelitian ini akan成员双图回归多变量和penerapannya数据因子-因子yang mempenpenaruhi指标研究了Jawa Barat。Hasil penerapan双图回归多元menunjukkan bahawa变量Y1 berkorela正登甘变量X2, X3, dan X4 berkorela负登甘变量X1, dan X5变量Y2是正变量X1 X2 X3，而变量X5是负变量X4。变量Y3是正的，变量X4是负的，变量X1 X2 X3和X5。Kualitas keseluruhan dari hasil visualisasi双图回归多变量sebesar 98.7%。杨志强，杨志强，杨志强，杨志强，杨志强，杨志强，杨志强，等。
{"title":"Biplot Multivariate Regression dan Penerapannya dalam Menganalisis Faktor-Faktor yang Mempengaruhi Indikator Derajat Kesehatan di Jawa Barat","authors":"Thania Indra Mutiara, Suliadi Suliadi","doi":"10.29313/bcss.v3i2.7569","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7569","url":null,"abstract":"Abstract. Multivariate regression analysis is a statistical tool that is concerned with describing and evaluating the relationship between a given set of responses and a set of predictors. This analysis involves many variables, making difficulty to analyze and interpret. Therefore, we need a method that can visualize the regression model in a comprehensive manner to facilitate interpretation. The multivariate regression biplot aims to graphically visualize the effect of the predictor variable on the response variable and to display the regression result. This multivariate regression biplot is well suited for solving problems in multivariate regression analysis. This research uses biplot multivariate regression to analyze data on factors that influence health status indicators in West Java. The results of applying multivariate regression biplot show that the Y1 variable has a positive correlation with the variables X2, X3, and X4 and has a negative correlation with the variables X1, and X5. The variable Y2 has a positive correlation with the variables X1, X2, X3, and X5 and has a negative correlation with the variable X4. The variable Y3 has a positive correlation with the variable X4 and has a negative correlation with the variable X1, X2, X3, and X5. The overall quality of the multivariate regression biplot visualization result is 98.7%. This means that the information provided by the multivariate regression biplot in the form of visualization can explain 98.7% of all the information contained in the data. \u0000Abstrak. Analisis regresi multivariat adalah alat statistik yang berkaitan dengan menggambarkan dan mengevaluasi hubungan antara satu set respon yang diberikan dan satu set prediktor. Analisis tersebut melibatkan banyak variabel, sehingga dalam menganalisis dan menginterpretasikannya menjadi sulit. Oleh karena itu diperlukan metode yang dapat memvisualisasikan model regresi secara komprehensif, sehingga memudahkan interpretasi. Biplot regresi multivariat bertujuan untuk memvisualisasikan pengaruh variabel prediktor terhadap variabel respon secara grafis dan untuk menampilkan hasil regresi. Biplot regresi multivariat ini sangat cocok digunakan untuk mengatasi permasalahan dalam analisis regresi multivariat. Penelitian ini akan membahas biplot regresi multivariat dan penerapannya pada data faktor-faktor yang mempengaruhi indikator derajat kesehatan di Jawa Barat. Hasil penerapan biplot regresi multivariat menunjukkan bahwa variabel Y1 berkorelasi positif dengan variabel X2, X3, dan X4 serta berkorelasi negatif dengan variabel X1, dan X5. Variabel Y2 berkorelasi positif dengan variabel X1, X2, X3, dan X5 serta berkorelasi negatif dengan variabel X4. Variabel Y3 berkorelasi positif dengan variabel X4 dan berkorelasi negatif dengan variabel X1, X2, X3, dan X5. Kualitas keseluruhan dari hasil visualisasi biplot regresi multivariat sebesar 98,7%. Artinya informasi yang diberikan oleh biplot regresi multivariat dalam bentuk visualisasi mampu menerang","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129211905","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 a statistical method used to describe and model cause-and-effect relationships between variables. In applying regression analysis methods, there are often problems of violating normal assumptions or asymmetrical response variable data. The gamma distribution is a flexible distribution that can model continuous data with positive values. Gamma regression is a regression model that can describe cause-and-effect relationships between predictor variables and gamma-distributed response variables. The maximum likelihood method is used in estimating the parameters of gamma regression models. Education index data can be positive or negative, it is known from the Central Bureau of Statistics of West Java Province that the education index data of West Java Province in 2021 has a positive value, so this study will discuss the application of the gamma regression model in the 2021 West Java Province education index data. Based on the results of the tests conducted, the education index data is not normally distributed and has a graph of functions that form positive skewness so that modeling can be continued using gamma regression. Factors that are thought to affect the education index of West Java Province are the poverty line, open unemployment rate, and per capita expenditure in West Java Province in 2021. From the results of hypothesis testing that has been carried out, it is concluded that per capita expenditure has a significant effect on the education index in West Java Province in 2021. The following gamma regression model is selected using AIC value criteria: Abstrak. Analisis regresi merupakan suatu metode statistik yang digunakan untuk mendeskripsikan dan memodelkan hubungan sebab-akibat antar variabel. Dalam melakukan penerapan metode analisis regresi sering terjadi masalah pelanggaran asumsi kenormalan atau data variabel respon yang tidak simetris. Distribusi gamma merupakan distribusi yang fleksibel sehingga dapat memodelkan data kontinu yang bernilai positif. Regresi gamma merupakan model regresi yang dapat menggambarkan hubungan sebab-akibat antara variabel prediktor dengan variabel respon yang berdistribusi gamma. Metode maximum likelihood digunakan dalam menaksir parameter model regresi gamma. Data indeks pendidikan dapat bernilai positif atau negatif, diketahui dari Badan Pusat Statistik Provinsi Jawa Barat bahwa data indeks pendidikan Provinsi Jawa Barat Tahun 2021 memiliki nilai yang positif, sehingga dalam penelitian ini akan dibahas terkait penerapan model regresi gamma pada data indeks pendidikan Provinsi Jawa Barat Tahun 2021. Berdasarkan hasil pengujian yang dilakukan, data indeks pendidikan tidak berdistribusi normal dan memiliki grafik fungsi yang membentuk positive skewness sehingga dapat dilanjutkan pemodelan menggunakan regresi gamma. Faktor yang diduga berpengaruh terhadap indeks pendidikan Provinsi Jawa Barat adalah garis kemiskinan, tingkat pengangguran terbuka, dan pengeluaran per kapita di P
摘要。回归分析是一种用于描述和模拟变量之间因果关系的统计方法。在应用回归分析方法时，经常会遇到违反正态假设或响应变量数据不对称的问题。伽马分布是一种灵活的分布，可以对具有正值的连续数据进行建模。回归是一种描述预测变量与分布响应变量之间因果关系的回归模型。用极大似然法估计回归模型的参数。教育指数数据可以是正的，也可以是负的，从西爪哇省中央统计局得知，2021年西爪哇省教育指数数据为正值，因此本研究将探讨伽玛回归模型在2021年西爪哇省教育指数数据中的应用。根据所进行的测试结果，教育指数数据不是正态分布的，并且具有形成正偏度的函数图，因此可以继续使用伽马回归进行建模。被认为影响西爪哇省教育指数的因素是2021年西爪哇省的贫困线、公开失业率和人均支出。从已经进行的假设检验结果来看，人均支出对西爪哇省2021年的教育指数有显著影响。采用AIC值准则选择以下gamma回归模型:分析回归merupakan suatu方法统计杨digunakan untuk mendeskripsikan dan memodelkan hubungan sebaba -akibat antar变量。Dalam melakukan penpen日本方法分析回归服务terjadi masalah pelanggaran假设kenormalan数据变量响应yang dalakakukan。分布γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ γ。回归伽玛merupakan模型回归杨达帕特孟甘巴坎hubungan sebab-akibat antara变量预测器邓根变量响应杨分布busi伽玛。方法最大似然digunakan dalam menaksir参数模型回归伽玛。数据指标pendidikan dapat berilai正与负，diketahui dari Badan Pusat statistics Provinsi爪哇巴拉特巴哈数据指标pendidikan Provinsi爪哇巴拉特巴哈2021 memiliki nilai yang正，sehinga dalam penelitian ini akan dibahas terkait penerapan模型回归gamma帕数据指标pendidikan Provinsi爪哇巴拉特巴哈2021。Berdasarkan hasil penguin yang dilakukan，数据指标pendidikan tidak berdistribution业务正态dan memiliki grafik fungsi yang membentuk正偏态sehinga dapat dilanjutkan peemodelan menggunakan回归gamma。2021年，爪哇省人口普查数据显示，爪哇省人口普查数据显示，爪哇省人口普查数据显示，爪哇省人口普查数据显示。印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚，印度尼西亚。Berikut模型回归γ yang dipilie dengan menggunakan准则[j]。
{"title":"Model Regresi Gamma pada Data Indeks Pendidikan Kabupaten/Kota di Provinsi Jawa Barat Tahun 2021","authors":"Natasya, Nusar Hajarisman","doi":"10.29313/bcss.v3i2.7834","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7834","url":null,"abstract":"Abstract. Regression analysis is a statistical method used to describe and model cause-and-effect relationships between variables. In applying regression analysis methods, there are often problems of violating normal assumptions or asymmetrical response variable data. The gamma distribution is a flexible distribution that can model continuous data with positive values. Gamma regression is a regression model that can describe cause-and-effect relationships between predictor variables and gamma-distributed response variables. The maximum likelihood method is used in estimating the parameters of gamma regression models. Education index data can be positive or negative, it is known from the Central Bureau of Statistics of West Java Province that the education index data of West Java Province in 2021 has a positive value, so this study will discuss the application of the gamma regression model in the 2021 West Java Province education index data. Based on the results of the tests conducted, the education index data is not normally distributed and has a graph of functions that form positive skewness so that modeling can be continued using gamma regression. Factors that are thought to affect the education index of West Java Province are the poverty line, open unemployment rate, and per capita expenditure in West Java Province in 2021. From the results of hypothesis testing that has been carried out, it is concluded that per capita expenditure has a significant effect on the education index in West Java Province in 2021. The following gamma regression model is selected using AIC value criteria: \u0000Abstrak. Analisis regresi merupakan suatu metode statistik yang digunakan untuk mendeskripsikan dan memodelkan hubungan sebab-akibat antar variabel. Dalam melakukan penerapan metode analisis regresi sering terjadi masalah pelanggaran asumsi kenormalan atau data variabel respon yang tidak simetris. Distribusi gamma merupakan distribusi yang fleksibel sehingga dapat memodelkan data kontinu yang bernilai positif. Regresi gamma merupakan model regresi yang dapat menggambarkan hubungan sebab-akibat antara variabel prediktor dengan variabel respon yang berdistribusi gamma. Metode maximum likelihood digunakan dalam menaksir parameter model regresi gamma. Data indeks pendidikan dapat bernilai positif atau negatif, diketahui dari Badan Pusat Statistik Provinsi Jawa Barat bahwa data indeks pendidikan Provinsi Jawa Barat Tahun 2021 memiliki nilai yang positif, sehingga dalam penelitian ini akan dibahas terkait penerapan model regresi gamma pada data indeks pendidikan Provinsi Jawa Barat Tahun 2021. Berdasarkan hasil pengujian yang dilakukan, data indeks pendidikan tidak berdistribusi normal dan memiliki grafik fungsi yang membentuk positive skewness sehingga dapat dilanjutkan pemodelan menggunakan regresi gamma. Faktor yang diduga berpengaruh terhadap indeks pendidikan Provinsi Jawa Barat adalah garis kemiskinan, tingkat pengangguran terbuka, dan pengeluaran per kapita di P","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"6 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130406053","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 rapid development of Science and Technology (IPTEK) in the digital age has caused competition in several sectors of the economy to increase, this makes companies required to produce quality products. In a production, the quality of a product needs to be controlled so that it always meets the targets set by the company. Statistical quality control is needed to detect as early as possible any problems in a production. Control charts are often used to control statistical quality control in a production process. Variable control diagrams are usually used when the quality characteristics can be measured using the same unit, which is different from the variable control charts, attribute control charts are usually used when the data is in the form of proportions. Several statistical quality control chart methods used to control product quality are the Decision On Belief (DOB), Cumulative SUM (CUSUM), Exponentially Weighted Moving Average (EWMA) and Progressive Mean (PM) control chart methods. In this study, we will look at the performance comparison of the Decision On Belief (DOB) control chart with the Progressive Mean (PM) control chart applied to defective product data on plywood production at PT. XYZ in September 2021. After comparing the two control charts, it is concluded that the Decision On Belief (DOB) control chart is a control chart that is better and faster in detecting data that is out of control or is in an out of control state. Abstrak. Semakin pesatnya perkembangan Ilmu dan Teknologi (IPTEK) di era digital, menyebabkan persaingan di beberapa sektor perekonomian mengalami kenaikan, hal tersebut membuat perusahaan dituntut untuk menghasilkan produk yang berkualitas. Dalam suatu produksi, kualitas dari suatu produk perlu dikendalikan agar selalu sesuai dengan target yang telah ditetapkan oleh perusahaan. Pengendalian kualitas statistik sangat diperlukan guna mendeteksi sedini mungkin adanya permasalahan dari suatu produksi. Diagram kendali sering digunakan untuk mengontrol pengendalian kualitas statistika dalam suatu proses produksi. Diagram kendali variabel biasa digunakan apabila karakteristik kualitasnya dapat diukur menggunakan satuan yang sama berbeda dengan diagram kendali variabel, diagram kendali atribut biasa digunakan apabila datanya berbentuk proporsi. Beberapa metode diagram pengendali kualitas statistik yang digunakan dalam mengontrol kualitas produk adalah metode diagram kendali Decision On Belief (DOB), Cumulative SUM (CUSUM), Exponentially Weighted Moving Average (EWMA) dan diagram kendali Progressive Mean (PM). Pada penelitian ini akan dilihat perbandingan performa dari diagram kendali Decision On Belief (DOB) dengan diagram kendali Progressive Mean (PM) yang diterapkan pada data produk cacat produksi kayu lapis di PT. XYZ bulan September 2021. Setelah membandingkan kedua diagram kendali tersebut diperoleh kesimpulan bahwa diagram kendali Decision On Belief (DOB) merupakan diagram kendali yang lebih baik dan
摘要科技(IPTEK)在数字时代的快速发展导致了经济中几个部门的竞争加剧，这使得公司需要生产高质量的产品。在生产中，需要控制产品的质量，使其始终达到公司设定的目标。为了尽早发现生产中的任何问题，需要进行统计质量控制。控制图通常用于控制生产过程中的统计质量控制。变量控制图与变量控制图不同的是，当数据是比例形式时，通常使用属性控制图。几种用于控制产品质量的统计质量控制图方法是信念决策(DOB)，累积和(CUSUM)，指数加权移动平均(EWMA)和渐进平均(PM)控制图方法。在本研究中，我们将研究决策可信度(DOB)控制图与应用于2021年9月PT. XYZ胶合板生产缺陷产品数据的渐进均值(PM)控制图的性能比较。通过对两种控制图的比较，得出结论:DOB (Decision On Belief)控制图是一种能够更好更快地检测数据失控或处于失控状态的控制图。Abstrak。新加坡电讯科技有限公司(IPTEK)是一家数字科技公司，是印度电讯科技有限公司，是印度电讯科技有限公司，是印度电讯科技有限公司，是印度电讯科技有限公司，是印度电讯科技有限公司，是印度电讯科技有限公司。Dalam suatu产品，kualitas dari suatu产品perlu dikendalikan agar selalu sesuai dengan目标yang telah ditetapkan oleh perusaan。彭根大连国家统计局统计数据显示，中国的人口增长率为6.1%，中国的人口增长率为6.1%，中国的人口增长率为6.1%。图肯达里服务，迪库纳坎，untuk，孟山都，孟山都，大连，kalitas，统计，dalam, suatu，加工产品。图kendali variabel biasa digunakan apabila karakteristik kualitasnya dapat diukur menggunakan satuan yang samama berbeda dengan图kendali variabel，图kendali atribut biasa digunakan apabila datanya berbentuk proporsi。Beberapa方法图pengendali kualitas统计杨digunakan dalam控制kualitas产品adalah方法图kendali Decision On Belief (DOB)、Cumulative SUM (CUSUM)、exponential Weighted Moving Average (EWMA)和diagram kendali Progressive Mean (PM)。Pada penelitian ini akan dillihat perbandand perbandand perbandand perbandand perbandand perbandan diagram kendali Decision On Belief (DOB) dengan diagram kendali Progressive Mean (PM) yang diterapkan Pada data product caat producksi kayu lapis di PT. XYZ bulan 2021年9月。Setelah membandingkan kedua diagram kendali tersebut diperoleh kespulpulan bahwa diagram kendali Decision On Belief (DOB) merupakan diagram kendali yang lebih baik dan lebih cepat dalam mendeteksi adanya data yang tidak terkendali atau berada dalam keadan失控。
{"title":"Diagram Kendali Decision On Belief (DOB) dan Diagram Kendali Progressive Mean (PM) dalam Pengendalian Kualitas Produksi Kayu Lapis di PT. XYZ","authors":"Akmal Athallah Mutakin, Nur Azizah komara Rifai","doi":"10.29313/bcss.v3i2.7791","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7791","url":null,"abstract":"Abstract. The rapid development of Science and Technology (IPTEK) in the digital age has caused competition in several sectors of the economy to increase, this makes companies required to produce quality products. In a production, the quality of a product needs to be controlled so that it always meets the targets set by the company. Statistical quality control is needed to detect as early as possible any problems in a production. Control charts are often used to control statistical quality control in a production process. Variable control diagrams are usually used when the quality characteristics can be measured using the same unit, which is different from the variable control charts, attribute control charts are usually used when the data is in the form of proportions. Several statistical quality control chart methods used to control product quality are the Decision On Belief (DOB), Cumulative SUM (CUSUM), Exponentially Weighted Moving Average (EWMA) and Progressive Mean (PM) control chart methods. In this study, we will look at the performance comparison of the Decision On Belief (DOB) control chart with the Progressive Mean (PM) control chart applied to defective product data on plywood production at PT. XYZ in September 2021. After comparing the two control charts, it is concluded that the Decision On Belief (DOB) control chart is a control chart that is better and faster in detecting data that is out of control or is in an out of control state. \u0000Abstrak. Semakin pesatnya perkembangan Ilmu dan Teknologi (IPTEK) di era digital, menyebabkan persaingan di beberapa sektor perekonomian mengalami kenaikan, hal tersebut membuat perusahaan dituntut untuk menghasilkan produk yang berkualitas. Dalam suatu produksi, kualitas dari suatu produk perlu dikendalikan agar selalu sesuai dengan target yang telah ditetapkan oleh perusahaan. Pengendalian kualitas statistik sangat diperlukan guna mendeteksi sedini mungkin adanya permasalahan dari suatu produksi. Diagram kendali sering digunakan untuk mengontrol pengendalian kualitas statistika dalam suatu proses produksi. Diagram kendali variabel biasa digunakan apabila karakteristik kualitasnya dapat diukur menggunakan satuan yang sama berbeda dengan diagram kendali variabel, diagram kendali atribut biasa digunakan apabila datanya berbentuk proporsi. Beberapa metode diagram pengendali kualitas statistik yang digunakan dalam mengontrol kualitas produk adalah metode diagram kendali Decision On Belief (DOB), Cumulative SUM (CUSUM), Exponentially Weighted Moving Average (EWMA) dan diagram kendali Progressive Mean (PM). Pada penelitian ini akan dilihat perbandingan performa dari diagram kendali Decision On Belief (DOB) dengan diagram kendali Progressive Mean (PM) yang diterapkan pada data produk cacat produksi kayu lapis di PT. XYZ bulan September 2021. Setelah membandingkan kedua diagram kendali tersebut diperoleh kesimpulan bahwa diagram kendali Decision On Belief (DOB) merupakan diagram kendali yang lebih baik dan ","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"59 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133913881","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. Classification is the systematic division of an individual into a group or category according to established rules or standards. There are several classification algorithms that can be used to classify data, including logistic regression, discriminant analysis, and Artificial Neural Network (ANN). This study uses an Artificial Neural Network (ANN) classification algorithm because the data used is not normally distributed. ANN is a classification algorithm that is widely used for character recognition problems and is a strong classifier because of its high calculation rate and accuracy. In this thesis, ANN is implemented on air quality classification data for DKI Jakarta in 2021 with particulate (PM10), sulfide (SO2), carbon monoxide (CO), Ozone (O3), and nitrogen dioxide (NO2) variables. This method will be calculated based on the accuracy, precision, and recall values obtained from the confused matrix. The most optimal classification results are obtained from the network architecture, which consists of 5 input layers, 4 hidden layers, and 2 output layers with an epoch value of 5000 and a learning rate of 0.001. The network architecture produces an accuracy value of 94%, a precision of 90%, and a recall of 100%. Abstrak. Klasifikasi adalah pembagian sistematis dari sebuah individu ke dalam suatu kelompok atau kategori menurut aturan atau standar yang ditetapkan. Terdapat beberapa algoritma klasifikasi yang dapat digunakan dalam mengklasifikasi data, diantaranya regresi logistik, analisis diskriminan, dan Artificial Neural Network (ANN). Penelitian ini menggunakan algoritma klasifikasi Artificial Neural Network (ANN) karena data yang digunakan tidak berdistribusi normal. ANN merupakan salah satu algoritma klasifikasi yang banyak digunakan untuk masalah pengenalan karakter dan merupakan classifier yang kuat karena tingkat perhitungan dan keakuratannya yang tinggi. Pada skripsi ini, ANN diimplementasikan pada data klasifikasi kualitas udara DKI Jakarta Tahun 2021 dengan variabel partikulat (PM10), sulfida (SO2), karbon monoksida (CO), Ozon (O3), dan nitrogen dioksida (NO2). Metode tersebut akan dihitung berdasarkan ukuran nilai accuracy, precision, dan recall yang didapat dari confusion matrix. Hasil pengklasifikasian yang paling optimal didapat dari arsitektur jaringan yang terdiri dari 5 input layer, 4 hidden layer, dan 2 output layer dengan nilai epoch 5000 dan learning rate 0.001. Arsitektur jaringan tersebut menghasilkan nilai accuracy sebesar 94%, precision sebesar 90%, dan recall sebesar 100%.
摘要。分类是根据既定的规则或标准将个人系统地划分为一个群体或类别。有几种分类算法可用于对数据进行分类，包括逻辑回归、判别分析和人工神经网络(ANN)。由于使用的数据不是正态分布，本研究使用了人工神经网络(ANN)分类算法。ANN是一种广泛应用于字符识别问题的分类算法，由于其较高的计算率和准确率，是一种强分类器。本文将人工神经网络应用于2021年雅加达DKI的空气质量分类数据，其中包括颗粒物(PM10)、硫化物(SO2)、一氧化碳(CO)、臭氧(O3)和二氧化氮(NO2)变量。该方法将根据从混淆矩阵中获得的准确度、精密度和召回值进行计算。该网络由5个输入层、4个隐藏层和2个输出层组成，epoch值为5000，学习率为0.001，得到了最优的分类结果。该网络架构产生的准确率值为94%，精密度为90%，召回率为100%。Abstrak。Klasifikasi adalah pembagian sistematis dari sebuah个人，dalam suatu kelompok atatu kategori menurut atu atau standard yang dietapkan。Terdapat beberapa算法klasifikasi yang dapat digunakan dalam mengklasifikasi数据，diantaranya回归逻辑，分析diskriminan，人工神经网络(ANN)。Penelitian ini mongunakan算法、klasifikasi人工神经网络(ANN) karena数据杨地gunakan分布正态分布。ANN merupakan salah satu算法klasifikasi yang banyak digunakan untuk masalah pengenalan karakan分类器yang kuat karena tingkat perhitungan dan keakuratannya yang tinggi。[1] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j] [j]。方法简洁明了，但能准确、精密度高、召回率低、混淆矩阵少。Hasil pengklasifikasian yang paling最优didapat dari arsitektjaringan yang terdiri dari 5个输入层，4个隐藏层，丹丹2个输出层，丹丹nilai epoch 5000丹学习率0.001。该方法的准确度为94%，精密度为90%，召回率为100%。
{"title":"Implementasi Metode Artificial Neural Network (ANN) Algoritma Backpropagation untuk Klasifikasi Kualitas Udara di Provinsi DKI Jakarta Tahun 2021","authors":"Lutfiah Anindya Putri, Suwanda","doi":"10.29313/bcss.v3i2.7826","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7826","url":null,"abstract":"Abstract. Classification is the systematic division of an individual into a group or category according to established rules or standards. There are several classification algorithms that can be used to classify data, including logistic regression, discriminant analysis, and Artificial Neural Network (ANN). This study uses an Artificial Neural Network (ANN) classification algorithm because the data used is not normally distributed. ANN is a classification algorithm that is widely used for character recognition problems and is a strong classifier because of its high calculation rate and accuracy. In this thesis, ANN is implemented on air quality classification data for DKI Jakarta in 2021 with particulate (PM10), sulfide (SO2), carbon monoxide (CO), Ozone (O3), and nitrogen dioxide (NO2) variables. This method will be calculated based on the accuracy, precision, and recall values obtained from the confused matrix. The most optimal classification results are obtained from the network architecture, which consists of 5 input layers, 4 hidden layers, and 2 output layers with an epoch value of 5000 and a learning rate of 0.001. The network architecture produces an accuracy value of 94%, a precision of 90%, and a recall of 100%. \u0000Abstrak. Klasifikasi adalah pembagian sistematis dari sebuah individu ke dalam suatu kelompok atau kategori menurut aturan atau standar yang ditetapkan. Terdapat beberapa algoritma klasifikasi yang dapat digunakan dalam mengklasifikasi data, diantaranya regresi logistik, analisis diskriminan, dan Artificial Neural Network (ANN). Penelitian ini menggunakan algoritma klasifikasi Artificial Neural Network (ANN) karena data yang digunakan tidak berdistribusi normal. ANN merupakan salah satu algoritma klasifikasi yang banyak digunakan untuk masalah pengenalan karakter dan merupakan classifier yang kuat karena tingkat perhitungan dan keakuratannya yang tinggi. Pada skripsi ini, ANN diimplementasikan pada data klasifikasi kualitas udara DKI Jakarta Tahun 2021 dengan variabel partikulat (PM10), sulfida (SO2), karbon monoksida (CO), Ozon (O3), dan nitrogen dioksida (NO2). Metode tersebut akan dihitung berdasarkan ukuran nilai accuracy, precision, dan recall yang didapat dari confusion matrix. Hasil pengklasifikasian yang paling optimal didapat dari arsitektur jaringan yang terdiri dari 5 input layer, 4 hidden layer, dan 2 output layer dengan nilai epoch 5000 dan learning rate 0.001. Arsitektur jaringan tersebut menghasilkan nilai accuracy sebesar 94%, precision sebesar 90%, dan recall sebesar 100%.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"297 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"121825023","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. Widyaiswara is a functional position for a Civil Servant (PNS) who is in charge of teaching, training and full education in educational programs from government agencies. In order to find out whether a widyaiswara is able to realize the competency development of a CPNS, it is necessary to know what factors are assessed by LATSAR CPNS participants regarding widyaiswara so that it can become an evaluation for a widyaiswara. Based on these problems, the problems in this study are formulated as follows: (1) Can the aspects that the LATSAR CPNS participants evaluate for Widyaiswara be factored? (2) How many factors are formed in the assessment of the Widyaiswara LATSAR CPNS participants? (3) What is the variance that can be explained by the factors formed in the LATSAR CPNS participants' assessment of the Widyaiswara?. Researchers used secondary data sourced from PPSDM Geominerba. The data consists of Widyaiswara (teachers), learning materials and 10 aspects of assessment that are filled in by each CPNS LATSAR participant. Researchers used the method of factor analysis techniques on 10 aspects of the CPNS LATSAR participant assessment. The results of this study are: All aspects are feasible to be factored and the factors formed are one factor. In addition, the factors formed have eigenvalues of 8.378 which means that these factors are able to explain 83.8% of the variability of the original ten aspects. The remaining 16.2% of the variability is influenced by other variability not examined. Abstrak. Widyaiswara merupakan jabatan fungsional bagi seorang Pegawai Negeri Sipil (PNS) yang bertugas mengajar, melatih dan mendidik secara penuh pada program pendidikan dari instansi pemerintah. Untuk mengetahui apakah seorang widyaiswara mampu mewujudkan pengembangan kompetensi seorang CPNS maka perlu diketahui faktor-faktor apa saja yang menjadi penilaian peserta LATSAR CPNS mengenai widyaiswara agar dapat menjadi evaluasi bagi seorang widyaiswara. Berdasarkan masalah tersebut, maka permasalahan dalam penelitian ini dirumuskan sebagai berikut: (1) Apakah aspek-aspek yang menjadi penilaian peserta LATSAR CPNS terhadap Widyaiswara dapat difaktorkan? (2) Berapakah faktor yang terbentuk pada penilaian peserta LATSAR CPNS terhadap Widyaiswara? (3) Berapakah variansi yang dapat dijelaskan oleh faktor yang terbentuk pada penilaian peserta LATSAR CPNS terhadap Widyaiswara?. Peneliti menggunakan data sekunder yang bersumber dari PPSDM Geominerba. Data terdiri dari Widyaiswara (pengajar), materi pembelajaran dan 10 aspek penilaian yang diisi oleh setiap peserta LATSAR CPNS. Peneliti menggunakan metode teknik analisis faktor pada 10 aspek-aspek penilaian peserta LATSAR CPNS. Hasil dari penelitian ini adalah: Semua aspek layak untuk difaktorkan dan faktor yang terbentuk sebanyak satu faktor. Selain itu, faktor yang terbentuk memiliki angka eigenvalues sebesar 8,38 yang berarti bahwa faktor tersebut mampu menjelaskan 83,78% dari variabilitas kesepuluh aspek asli
摘要。Widyaiswara是公务员(PNS)的职能职位，负责政府机构教育项目的教学、培训和全面教育。为了了解widyaiswara是否能够实现CPNS的能力发展，有必要了解LATSAR CPNS参与者对widyaiswara的评估因素，从而使其成为对widyaiswara的评估。基于这些问题，本研究的问题表述如下:(1)LATSAR CPNS参与者对Widyaiswara的评价能否被因子化?(2) Widyaiswara LATSAR CPNS参与者的评估形成了多少因素?(3)在LATSAR CPNS参与者对Widyaiswara的评估中形成的因素可以解释什么方差?研究人员使用了来自PPSDM Geominerba的辅助数据。数据由Widyaiswara(教师)、学习材料和10个方面的评估组成，由每个CPNS LATSAR参与者填写。研究人员采用因子分析技术对CPNS LATSAR参与者的10个方面进行评估。本研究的结果是:各方面因素都是可行的，形成的因素是一个因素。此外，所形成的因子特征值为8.378，即这些因子能够解释原十个方面的83.8%的变异。其余16.2%的变异性受到其他未检查的变异性的影响。Abstrak。Widyaiswara merupakan jabatan功能bagi seorang Pegawai Negeri Sipil (PNS) yang bertugas mengajar, melatih dan mendidik secara penuh pada程序pendidikan dari即时pemerintah。Untuk mengetahui apakah seorang widyaiswara mampu mewujudkan pengembangan kompetensi seorang CPNS maka perlu diketahui factor - factor - factor - apja yang menjadi penaierta LATSAR CPNS mengenai widyaiswara agar dapat menjadi evaluasi bagi seorang widyaiswara。(1) Apakah aspermasalah tersebut, maka permasalahan dalam penelitian ini dirumuskan sebagai berikut;(2)印尼国家安全委员会主席、印尼国家安全委员会主席、印尼国家安全委员会主席、印尼国家安全委员会主席?(3) Berapakah varansi yang dapat dijelaskan oleh faktor yang terbentuk pada penilaierta LATSAR CPNS terhadap Widyaiswara?Peneliti menggunakan数据集，隶属于yang bersumber dari PPSDM Geominerba。数据terdiri dari Widyaiswara (pengajar)，材料penbelajaran和10月10日发言，朝鲜半岛的杨迪迪在LATSAR CPNS中设置了设置。Peneliti menggunakan方法技术分析因子对10个说话-说话的Peneliti pengunakan方法技术分析因子。Hasil dari penelitian ini adalah: Semua说layak untuk difaktorkan dan faktor为yang terbentuk sebanyak satu faktor。Selain itu, factor of yang terbentuk memoriliki angka的特征值sebesar为8,38,yang berarti为bahwa，而mampu menjelaskan为83,78%，变异率为kesepulu askli。Sisanya 16.2%的dari variabilitas dipengaruhi oleh variabilitas lain yang tidak diteliti。
{"title":"Analisis Faktor Pengaruh Penilaian Peserta Latsar CPNS terhadap Widyaiswara Angkatan IV Pemkab Banjarnegara Tahun 2022","authors":"Sinta Asanah, Ilham Faishal Mahdy","doi":"10.29313/bcss.v3i2.7677","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7677","url":null,"abstract":"Abstract. Widyaiswara is a functional position for a Civil Servant (PNS) who is in charge of teaching, training and full education in educational programs from government agencies. In order to find out whether a widyaiswara is able to realize the competency development of a CPNS, it is necessary to know what factors are assessed by LATSAR CPNS participants regarding widyaiswara so that it can become an evaluation for a widyaiswara. Based on these problems, the problems in this study are formulated as follows: (1) Can the aspects that the LATSAR CPNS participants evaluate for Widyaiswara be factored? (2) How many factors are formed in the assessment of the Widyaiswara LATSAR CPNS participants? (3) What is the variance that can be explained by the factors formed in the LATSAR CPNS participants' assessment of the Widyaiswara?. Researchers used secondary data sourced from PPSDM Geominerba. The data consists of Widyaiswara (teachers), learning materials and 10 aspects of assessment that are filled in by each CPNS LATSAR participant. Researchers used the method of factor analysis techniques on 10 aspects of the CPNS LATSAR participant assessment. The results of this study are: All aspects are feasible to be factored and the factors formed are one factor. In addition, the factors formed have eigenvalues of 8.378 which means that these factors are able to explain 83.8% of the variability of the original ten aspects. The remaining 16.2% of the variability is influenced by other variability not examined. Abstrak. Widyaiswara merupakan jabatan fungsional bagi seorang Pegawai Negeri Sipil (PNS) yang bertugas mengajar, melatih dan mendidik secara penuh pada program pendidikan dari instansi pemerintah. Untuk mengetahui apakah seorang widyaiswara mampu mewujudkan pengembangan kompetensi seorang CPNS maka perlu diketahui faktor-faktor apa saja yang menjadi penilaian peserta LATSAR CPNS mengenai widyaiswara agar dapat menjadi evaluasi bagi seorang widyaiswara. Berdasarkan masalah tersebut, maka permasalahan dalam penelitian ini dirumuskan sebagai berikut: (1) Apakah aspek-aspek yang menjadi penilaian peserta LATSAR CPNS terhadap Widyaiswara dapat difaktorkan? (2) Berapakah faktor yang terbentuk pada penilaian peserta LATSAR CPNS terhadap Widyaiswara? (3) Berapakah variansi yang dapat dijelaskan oleh faktor yang terbentuk pada penilaian peserta LATSAR CPNS terhadap Widyaiswara?. Peneliti menggunakan data sekunder yang bersumber dari PPSDM Geominerba. Data terdiri dari Widyaiswara (pengajar), materi pembelajaran dan 10 aspek penilaian yang diisi oleh setiap peserta LATSAR CPNS. Peneliti menggunakan metode teknik analisis faktor pada 10 aspek-aspek penilaian peserta LATSAR CPNS. Hasil dari penelitian ini adalah: Semua aspek layak untuk difaktorkan dan faktor yang terbentuk sebanyak satu faktor. Selain itu, faktor yang terbentuk memiliki angka eigenvalues sebesar 8,38 yang berarti bahwa faktor tersebut mampu menjelaskan 83,78% dari variabilitas kesepuluh aspek asli","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"257 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132215818","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Abstract. Forecasting is useful for predicting future events which include the short, medium and long term. The data commonly used is time series data which is a collection of data that is arranged at a certain time continuously. There are several methods in the analysis of time series data, namely the traditional method (ARIMA) and Fuzzy time series. The fuzzy times series method is proven to be able to improve traditional methods such as handling data fluctuations, uncertainty of data subjectivity. With the privilege of not requiring the fulfillment of the assumption test. This thesis will discuss the Fuzzy time series cheng which is the development of the fuzzy time series chen and yu which can minimize forecasting errors. The Cheng's Fuzzy time series method has been applied to the value of Indonesia's oil and gas exports based on data for 1975-2022 with the forecast model obtained with a MAPE of 19.7668%. From the results of the forecasting model obtained in 2023 it is estimated that the value of Indonesia's oil and gas exports will be 15,215.9182 (million US$), experiencing a decrease of 803,7818 (million US$) when compared to the export value in 2022 of 16,019.7 (million US$) . Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang. Data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Ada beberapa metode dalam analisis data deret waktu yaitu metode tradisional (ARIMA) dan Fuzzy time series. Metode fuzzy times series telah terbukti dapat memperbaiki metode tradisional seperti menangani fluktuasi data, ketidakpastian subjektivitas dalam data. Dengan keistimewaan tidak membutuhkan pemenuhan uji asumsi. Dalam skripsi ini akan di bahas Fuzzy time series cheng yang merupakan pengembangan dari Fuzzy time series chen dan yu yang dapat memperkecil kekeliruan peramalan. Metode Fuzzy time series cheng telah di terapkan pada nilai ekspor migas Indonesia berdasarkan data dari tahun 1975-2022 dengan diperoleh model ramalan dengan MAPE sebesar 19.7668%. Dari hasil model peramalan yang diperoleh pada tahun 2023 diperkirakan nilai ekspor migas Indonesia sebesar 15,215.9182(juta US$), mengalami penurunan sebesar 803.7818 (juta US$) jika dibandingkan dengan nilai ekspor tahun 2022 sebesar 16,019.7 (juta US$).
摘要。预测有助于预测未来事件，包括短期、中期和长期事件。常用的数据是时间序列数据，它是在一定时间连续排列的数据集合。时间序列数据的分析有几种方法，即传统的ARIMA方法和模糊时间序列方法。事实证明，模糊时间序列方法能够改进传统方法处理数据波动、数据主观性不确定性等问题。其特权是不需要完成假设测试。本文将讨论模糊时间序列cheng，它是模糊时间序列chen和yu的发展，可以最小化预测误差。基于1975-2022年的数据，将Cheng的模糊时间序列方法应用于印度尼西亚的石油和天然气出口值，得到的预测模型的MAPE为19.7668%。根据2023年获得的预测模型结果，估计印度尼西亚的石油和天然气出口价值将为15,21,59182(百万美元)，与2022年的出口价值16,0197(百万美元)相比，减少了803,7818(百万美元)。Abstrak。Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang。数据yang biasanya digunakan adalah数据deret waktu yang merupakan kumpulan数据yang disusun pada waktu tertentu secara terus meneras。Ada beberapa方法dalam分析数据采用waktu yitu方法传统(ARIMA)和模糊时间序列。方法采用模糊时间序列法，采用传统离散时间序列法，采用离散时间序列法，采用离散时间序列法，采用离散时间序列法，采用离散时间序列法，采用离散时间序列法。邓安，中国，中国，中国，中国，中国，中国，中国。模糊时间序列cheng yang merupakan pengembangan dari chen dan yu yang dapat memperkecil kekeliruan peramalan。方法模糊时间序列cheng telah di terapkan pada nilai ekspor miga印度尼西亚berdasarkan数据达达1975-2022年dengan diperoleh模型ramalan dengan MAPE sebesar 19.7668%。Dari hasil模型peramalan yang diperoleh pada tahun 2023 diperkirakan nilai ekspor migas Indonesia sebesar 15,215.9182(juta US$)， mengalami penurunan sebesar 803.7818 (juta US$) jika dibandingkan dengan nilai ekspor tahun 2022 sebesar 16,019.7 (juta US$)。
{"title":"Pemodelan Fuzzy Time Series Cheng untuk Meramalkan Nilai Ekspor Migas di Indonesia","authors":"Engki Dulfitri Eha, Suwanda","doi":"10.29313/bcss.v3i2.7604","DOIUrl":"https://doi.org/10.29313/bcss.v3i2.7604","url":null,"abstract":"Abstract. Forecasting is useful for predicting future events which include the short, medium and long term. The data commonly used is time series data which is a collection of data that is arranged at a certain time continuously. There are several methods in the analysis of time series data, namely the traditional method (ARIMA) and Fuzzy time series. The fuzzy times series method is proven to be able to improve traditional methods such as handling data fluctuations, uncertainty of data subjectivity. With the privilege of not requiring the fulfillment of the assumption test. This thesis will discuss the Fuzzy time series cheng which is the development of the fuzzy time series chen and yu which can minimize forecasting errors. The Cheng's Fuzzy time series method has been applied to the value of Indonesia's oil and gas exports based on data for 1975-2022 with the forecast model obtained with a MAPE of 19.7668%. From the results of the forecasting model obtained in 2023 it is estimated that the value of Indonesia's oil and gas exports will be 15,215.9182 (million US$), experiencing a decrease of 803,7818 (million US$) when compared to the export value in 2022 of 16,019.7 (million US$) . \u0000Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang. Data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Ada beberapa metode dalam analisis data deret waktu yaitu metode tradisional (ARIMA) dan Fuzzy time series. Metode fuzzy times series telah terbukti dapat memperbaiki metode tradisional seperti menangani fluktuasi data, ketidakpastian subjektivitas dalam data. Dengan keistimewaan tidak membutuhkan pemenuhan uji asumsi. Dalam skripsi ini akan di bahas Fuzzy time series cheng yang merupakan pengembangan dari Fuzzy time series chen dan yu yang dapat memperkecil kekeliruan peramalan. Metode Fuzzy time series cheng telah di terapkan pada nilai ekspor migas Indonesia berdasarkan data dari tahun 1975-2022 dengan diperoleh model ramalan dengan MAPE sebesar 19.7668%. Dari hasil model peramalan yang diperoleh pada tahun 2023 diperkirakan nilai ekspor migas Indonesia sebesar 15,215.9182(juta US$), mengalami penurunan sebesar 803.7818 (juta US$) jika dibandingkan dengan nilai ekspor tahun 2022 sebesar 16,019.7 (juta US$).","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"74 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"123500710","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：