Articles
115 Documents
<![CDATA[Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) ]]>
<![CDATA[Zuhairini Azzahra]]>;
<![CDATA[Suyono Suyono]]>;
<![CDATA[Ria Arafiyah]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.01102
<![CDATA[Analisis intervensi merupakan salah satu analisis time series untuk memodelkan data time series yang dipengaruhi oleh adanya penurunan atau kenaikan secara ekstrim. Secara umum, ada dua macam fungsi intervensi yaitu fungsi step dan pulse. Indeks harga konsumen merupakan salah satu jenis data ekonomi dimana datanya ditemukan penurunan secara ekstrim. Data dalam penelitian ini adalah data indeks harga konsumen Indonesia dari bulan Januari 2009 sampai dengan Juli 2016. Pada data tersebut terdapat data yang turun secara signifikan pada bulan Januari 2014 (T=61). Intervensi yang terjadi pada data indeks harga konsumen di Indonesia tersebut berlangsung dalam kurun waktu yang lama yaitu dari Januari 2014 hingga Juli 2016 (T=61 hingga T=91), sehingga model intervensi yang diduga adalah fungsi step. Berdasarkan hasil dan analisis, model intervensi terbaik yang dihasilkan adalah ARIMA (2,1,0) dengan orde intervensi b=0, s=1, dan r=0 yang selanjutnya dapat digunakan untuk peramalan indeks harga konsumen Indonesia untuk beberapa bulan ke depan.]]>
<![CDATA[ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) PADA KASUS PNEUMONIA BALITA DI PROVINSI JAWA BARAT ]]>
<![CDATA[Meila Nadya]]>;
<![CDATA[Widyanti Rahayu]]>;
<![CDATA[Vera Maya Santi]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.01103
<![CDATA[Pneumonia adalah salah satu penyakit Infeksi Saluran Pernapasan Akut (ISPA) yang disebabkan oleh bakteri atau virus. Di Indonesia, pneumonia merupakan penyebab kematian balita tertinggi kedua setelah diare. Kasus pneumonia pada balita terbanyak yang ditemukan di Indonesia adalah di provinsi Jawa Barat. Untuk mengatasi pneumonia balita perlu dianalisis faktor penyebab pneumonia balita. Salah satu cara untuk menganalisis faktor tersebut adalah dengan menggunakan analisis Geographically Weighted Regression (GWR). Analisis GWR merupakan pengembangan dari analisis regresi linier berganda yang dapat mengatasi keragaman wilayah/heterogenitas spasial sehingga menghasilkan model dan pendugaan parameter berbeda untuk setiap wilayah amatan. Hasil analisis GWR dengan menggunakan pembobot spasial \textit{Fixed Kernel Gaussian} menunjukkan bahwa model GWR lebih baik daripada model regresi linier berganda. Hal ini berdasarkan nilai R2, nilai R2 dari model GWR (88.34%) lebih besar dari R2 dari model regresi linier berganda (71.86%). Sementara, Jumlah Kuadrat Galat (JKG) untuk model GWR diperoleh 3.031 lebih kecil bila dibandingkan dengan nilai JKG dari regresi linier berganda yang sebesar 7.317. Secara umum, terdapat tiga faktor yang berpengaruh signifikan terhadap kasus pneumonia balita di provinsi Jawa Barat tahun 2014 yaitu jumlah balita gizi buruk, persentase bayi yang diimunisasi dasar lengkap dan jumlah puskesmas.]]>
<![CDATA[Metode Regresi Poisson Terboboti Geografis pada Pemodelan Data Spasial ]]>
<![CDATA[Yohana Enggar Setyarini]]>;
<![CDATA[Suyono Suyono]]>;
<![CDATA[Widyanti Rahayu]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.01104
<![CDATA[Data spasial adalah data yang memiliki informasi geografis. Data spasial dapat memiliki pengaruh spasial terhadap variabel terikat dalam bentuk heterogenitas spasial atau dependensi spasial. Oleh karena itu, diperlukan pemodelan spasial yang dapat digunakan untuk menampung pengaruh spasial tersebut. Jika variabel terikat berdistribusi Poisson maka pemodelan spasial yang tepat digunakan adalah model Regresi Poisson Terboboti Geografis (RPTG). Model RPTG merupakan bentuk spasial dari regresi Poisson global. Model RPTG diestimasi menggunakan metode maksimum likelihood dan dilanjutkan dengan metode Newton-Raphson. Model RPTG menghasilkan estimasi parameter yang tidak stasioner atau berbeda-beda untuk setiap wilayah. Model RPTG dalam penelitian ini digunakan untuk memodelkan angka kematian penderita DBD di Jawa Timur tahun 2013. Hasil yang diperoleh menunjukkan bahwa terdapat perbedaan variabel-variabel yang berpengaruh signifikan terhadap variabel terikat antara wilayah yang satu dengan wilayah yang lain. Model RPTG lebih baik dalam memodelkan angka kematian penderita DBD dibanding regresi Poisson global. Model RPTG memiliki nilai AIC=53.205 dan =74.16, sedangkan model regresi Poisson global memiliki nilai AIC=59.6301 dan =64.83.]]>
<![CDATA[PROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA ]]>
<![CDATA[Rianiati Monica]]>;
<![CDATA[Suyono Suyono]]>;
<![CDATA[Vera Maya Santi]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.01105
<![CDATA[Model-model runtun waktu konvensional, seperti model-model ARIMA, mengasumsikan bahwa variansi dari galat adalah konstan. Namun, pada kenyataannya dalam data keuangan, contohnya data inflasi, variansi galatnya berubah dari waktu ke waktu. Fenomena tersebut disebut sebagai heteroskedastisitas. Model autoregressive conditional heteroscedasticity (ARCH) seperti yang diperkenalkan oleh Engle (1982) mengakomodasikan fenomena ini. Model ARCH adalah model variansi dari suatu runtun waktu. Tujuan dari penulisan ini adalah untuk memperkenalkan model autoregressive conditional heteroscedasticity (ARCH). Teori ARCH kemudian diaplikasikan untuk menganalisis data inflasi Indonesia mulai dari Januari 2003 sampai Nopember 2015. Data diperoleh dari situs Bank Indonesia.]]>
<![CDATA[Penentuan Model Terbaik untuk Peramalan Data Saham Closing PT. CIMB Niaga Indonesia Menggunakan Metode Arch-Garch ]]>
<![CDATA[Gatri Eka]]>;
<![CDATA[Vebriani Safitry]]>;
<![CDATA[Yesika Kristin]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 1 No 1 (2017): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.01101
<![CDATA[This study explains about forecasting model stock closing price data PT. CIMB Niaga Indonesia on June 2017. The goal of this research is to formulated forecasting model stock data of PT. CIMB Niaga Indonesia specially is that stock closing price data by using ARCH/GARCH model. The result that got is that ARCH(1) model is the suitable model to forecasting stock closing price data. Result of forecasting for daily later so that stock data specially stock closing price is being increase.]]>
<![CDATA[Penerapan Imputasi Ganda dengan Metode Predictive Mean Matching (PMM) untuk Pendugaan Data Hilang pada Model Regresi Linear ]]>
<![CDATA[Wilsen Wilsen]]>;
<![CDATA[Widyanti Rahayu]]>;
<![CDATA[Vera Maya Santi]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 2 No 1 (2018): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.02102
<![CDATA[Permasalahan data hilang pada analisis regresi linear telah menjadi hal yang umum. Meskipun demikian, beberapa peneliti mengabaikan masalah data hilang. Akibatnya, tingkat ketepatan model yang diperoleh akan menurun. Bahkan, dugaan parameter yang dihasilkan cenderung bias. Salah satu teknik yang digunakan untuk mengatasi masalah data hilang pada model regresi linear adalah imputasi ganda dengan metode Predictive Mean Matching (PMM). Kajian dalam tulisan ini difokuskan untuk mengatasi permasalahan data hilang yang terdapat pada variabel bebas dengan pola monoton dan mekanisme Missing At Random (MAR). Imputasi ganda dengan metode PMM diterapkan pada kasus tingkat efisiensi bahan bakar (City mpg). Variabel bebas yang digunakan dalam kasus tersebut adalah Compression ratio, Bore, dan Stroke. Persentase data hilang sebesar 2% yang tersebar di variabel Bore dan Stroke. Hasil data imputasi memenuhi batas toleransi dari nilai efisiensi relatif sebesar 5%. Bahkan, Compression ratio, Bore, dan Stroke memberikan pengaruh yang signifikan terhadap tingkat efisiensi bahan bakar (City mpg) berdasarkan Uji Wald dan Uji t dengan taraf signfikansi sebesar 5% (α=5%).]]>
<![CDATA[Perbandingan Keragaman Galat Percobaan dengan Menggunakan Rancangan Acak Kelompok Lengkap dan Analisis Interblok ]]>
<![CDATA[Besse Arnawisuda Ningsi]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 2 No 1 (2018): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.02101
<![CDATA[Penelitian ini bertujuan untuk memperoleh data mengenai hasil produksi padi beberapa varietas, mengidentifikasi keragaman galat percobaan dalam model campuran untuk percobaan multi lokasi dengan menggunakan rancangan acak kelompok lengkap (RAKL), mengidentifikasi keragaman galat percobaan dalam model campuran untuk percobaan multi lokasi dengan menggunakan analisis interblok, dan membandingkan hasil metode RAKL dengan analisis interblok dalam mereduksi keragaman galat percobaan. Data yang digunakan dalam penelitian ini adalah data tanaman padi dari Konsorsium Padi Nasional Kerjasama antara Balai Besar Penelitian Tanaman Padi dengan Batan, Bb Biogen, dan IPB Tahun 2008. Tahapan analisis yaitu melakukan analisis ragam dengan menggunakan rancangan acak kelompok lengkap untuk melihat keragaman galat dalam kelompok, kemudian melakukan penelusuran pengaruh interblok dengan memasukkan unsur baris dan kolom yang tersarang pada blok Kemudian dilakukan analisis ragam dengan mengikuti model interblok. Dari kedua analisis ragam yang digunakan, genotipe/galur memberikan pengaruh yang signifikan baik terhadap peubah respon hasil gabah tanaman padi maupun tinggi tanaman padi pada taraf 5%. Dari hasil perhitungan diperoleh nilai KTG untuk RAKL sebesar 1,513 dan nilai KTG untuk Interblok sebesar 1,544. KTG RAKL < KTG Interblok, sehingga dapat disimpulkan bahwa model rancangan RAKL lebih efisien dari Interblok. Model RAKL lebih mampu mereduksi keragaman galat lebih besar daripada rancangan Interblok.]]>
<![CDATA[Analisis Persepsi Biaya Kuliah Perguruan Tinggi dengan Menggunakan Metode Regresi Logistik Ordinal ]]>
<![CDATA[Irvana Arofah]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 2 No 1 (2018): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.02103
<![CDATA[Penelitian ini bertujuan untuk memperoleh informasi tentang karakteristik siswa sebagai responden dalam penelitian ini, mengetahui persepsi biaya pendidikan Perguruan Tinggi dengan menggunakan metode regresi logistik ordinal. Penelitian ini dilakukan pada siswa kelas XII SMU Negeri 8 Kota Tangerang Selatan. Pengambilan sampel ini dilakukan dengan acak sederhana (Simple Random Sampling). Sampel yang diambil berjumlah 80 siswa. Data dianalisis dengan menggunakan analisis regresi logistik ordinal dan untuk uji nyata parameternya menggunakan uji rasio kemungkinan (likelihood ratio test). Berdasarkan hasil analisis yang telah dilakukan menunjukkan bahwa terdapat 4 variabel yang signifikan yaitu Program studi yang ditawarkan, Kelengkapan fasilitas perkuliahan, Kualitas perguruan tinggi, dan Reputasi perguruan tinggi dengan nilai p-value masing-masing sebesar 0,043; 0,014; 0,000; 0,001. Hasil pengujian secara serentak menunjukkan bahwa model telah signifikan berdasarkan factor-faktor yang berpengaruh terhadap biaya pendidikan. Pengujian secara serentak diperoleh keputusan tolak H0 yang artinya bahwa koefisien nilai signifikan terhadap model regresi logistik ordinal dengan nilai p-value 0,001.]]>
<![CDATA[Analisis Distribusi Gamma Bivariat ]]>
<![CDATA[Jadid Irtakhoiri]]>;
<![CDATA[Suyono Suyono]]>;
<![CDATA[Vera Maya Santi]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 2 No 1 (2018): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.02104
<![CDATA[Skripsi ini membahas mengenai distribusi Gamma bivariat khususnya tentang konstruksi dan karakteristik dari distribusi Gamma bivariat. Gamma bivariat dikonstruksi berdasarkan karakteristik dari distribusi Gamma dan distribusi Beta, serta membangun p.d.f bersama, dan p.d.f bersyarat. Gamma bivariat dibentuk dengan mendefinisikan variabel acak X = UW dan Y = VW, dimana U dan V berdistribusi Gamma dan W berdistribusi Beta. Konstruksi dilakukan dengan memanfaatkan fungsi Whittaker untuk membantu proses pengintegralan dalam membentuk p.d.f bersama distribusi Gamma bivariat. Karakteristik distribusi Gamma bivariat yang dibahas adalah product moment, kovariansi, dan korelasi.]]>
<![CDATA[Pengembangan Model Regresi Logistik Multinomial untuk Klasifikasi Politik pada Pemilihan Umum ]]>
<![CDATA[Vera Maya Santi]]>
<![CDATA[ Jurnal Statistika dan Aplikasinya Vol 2 No 1 (2018): Jurnal Statistika dan Aplikasinya ]]>
Publisher : <![CDATA[Program Studi Statistika FMIPA UNJ ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21009/JSA.02105
<![CDATA[Untuk memenuhi semua persyaratan pemerintah dari rakyat, oleh rakyat, dan untuk rakyat sepenuhnya, politik demokrasi memerlukan pemilihan umum. Berbagai partai politik dalam pemilihan umum menunjukkan keragaman minat dan ideologi. Jumlah fluktuasi partai dalam pemilihan umum dan perilaku pemilih mempengaruhi fluktuasi jumlah pemilih. Analisis regresi logistik multinomial adalah salah satu metode yang dapat digunakan untuk mengklasifikasikan partai politik berdasarkan perilaku pemilih. Dalam penelitian ini, variabel respon berdasarkan ideologi partai pemilu memiliki tiga kategori: Partai Nasionalis-Agama (PNR), Partai Nasional-Sekuler (PNS), dan Partai Islam (PI). Variabel penjelasnya adalah perilaku pemilih pemula. Berdasarkan uji signifikansi model dengan tingkat signifikansi 0,05, terdapat 11 variabel yang menunjukkan pengaruh signifikan terhadap klasifikasi partai politik dalam pemilu secara bersamaan.]]>
