cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Aceng Komarudin Mutaqin
Contact Email
uptpublikasi@unisba.ac.id
Phone
+6285294008040
Journal Mail Official
jrs@unisba.ac.id
Editorial Address
Gedung Rektorat Lantai 4, Jl. Tamansari No. 20 Bandung 40116
Location
Kota bandung,
Jawa barat
INDONESIA
Jurnal Riset Statistika
Published by Universitas Islam Bandung
ISSN : 28083148     EISSN : 27986578     DOI : https://doi.org/10.29313/jrs.v1i2
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Mathematics
Jurnal Riset Statistika (JRS) adalah jurnal peer review dan dilakukan dengan double blind review yang mempublikasikan kajian teoritik dan hasil riset terhadap isu-isu empirik dalam sub kajian statistika. JRS ini dipublikasikan pertamanya 2021 dengan eISSN 2798-6578 yang diterbitkan oleh UPT Publikasi Imiah, Universitas Islam Bandung. Semua artikel diperiksa plagiasinya dengan perangkat lunak anti plagiarisme. Jurnal ini ter-indeks di Google Schoolar, Garuda, Crossref, dan DOAJ. Terbit setiap Juli dan Desember.
Arjuna Subject : Matematika - Statistik dan Probabilitas
Articles 10 Documents
 1 
Search results for , issue "Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)" : 10 Documents clear
Pemodelan Spatial Autoregressive (SAR-X) pada Perkawinan Usia Anak di Indonesia Nur Azizah
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1643

Abstract

Abstract. The proportion of women aged 20-24 who were married or lived together before the age of 15 and before the age of 18 is defined as child marriage. Eliminating child marriage is one of the targets listed in SDGs 2030. In 2021, Indonesia will be the 2nd-ranked country for child marriage cases in ASEAN. Various studies related to child marriage in Indonesia have been conducted within the scope of individuals or households, but not much has been researched regarding child marriage in a spatially analysis. The results of the study show that there is a spatial dependency for provinces in Indonesia in cases of child marriage. Therefore, to find out more about the factors that influence child marriage in Indonesia, spatial modeling using the spatial autoregressive model (SAR-X). The variables that are influence child marriage are APS (16–18 years), the percentage of poor people, and per capita expenditure. Abstrak. Perkawinan anak didefinisikan sebagai proporsi perempuan umur 20-24 tahun yang berstatus kawin atau berstatus hidup bersama sebelum umur 15 tahun dan sebelum umur 18 tahun. Penghapusan perkawinan anak merupakan salah satu target yang tercantum dalam Tujua Pada tahun 2021 Indonesia merupakan Negara peringkat ke-2 untuk kasus perkawinan anak di ASEAN. Berbagai penelitian terkait perkawinan anak di Indonesia telah dilakukan dalam lingkup individu atau rumah tangga, akan tetapi belum banyak yang meneliti terkait perkawinan anak dalam lingkup berbasis spasial. Hasil penelitian menunjukkan adanya dependency spatial untuk wilayah propinsi di Indonesia dalam kasus perkawinan anak. Oleh karena itu, untuk mengetahui lebih lanjut faktor-faktor yang mempengaruhi perkawinan anak di Indonesia dilakukan pemodelan spasial dengan model Spatial autoregressive (SAR-X). Adapun variabel independen yang diduga memengaruhi perkawinan anak adalah APS 16-18 tahun, Persentase penduduk miskin dan pengeluaran perkapita.
Rekomendasi Destinasi Wisata di Indonesia Menggunakan Metode Item2Vec Aisha Kusuma Putri; Suliadi
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1770

Abstract

Abstract. Everyone choosing an item can be different, thus recommendations will be difficult to be given when many peoples have their own preferences. Hence, we need a method that can provide recommendations to many peoples, one of them is Item2Vec. Item2Vec is an item recommendation method that only uses user rating data in its algorithm. The items recommended to users are items that are similar to items previously liked. In its algorithm, Item2Vec is built with collaborative filtering (CF) and Word2Vec Skip Gram with Negative Sampling (SGNS). Through Word2Vec SGNS, it represents items into a vector of numbers through a neural network process, that is feedforward, that minimizing the objective function and backpropagation. Through CF, the vector for each item will be calculated using cosine similarity as the similarity value between items. The highest cosine similarity value results are interpreted as the most recommended items for each item and otherwise. Item2Vec has greater accuracy and more effective performance than recommendation systems built by Singular Value Decomposition (SVD) with CF. The objective of this research is to provide recommendation for tourist destination in Indonesia, by using Item2Vec method. This method makes it easier for tourists to choose tourist destinations and also makes it easier for travel agents to offer tourist destinations for promotion purposes. The Item2Vec method produces recommendations for tourist destinations in Indonesia with an accuracy of 61% and is considered to be performing quite well. Abstrak. Keinginan setiap orang dalam memilih suatu item dapat berbeda-beda, sehingga rekomendasi akan sulit diberikan ketika banyak orang memiliki keinginannya masing-masing. Maka, diperlukannya metode yang dapat memberikan rekomendasi kepada banyak orang salah satunya yaitu Item2Vec. Item2Vec merupakan sistem rekomendasi item yang hanya menggunakan data rating pengguna dalam algoritmanya. Item yang direkomendasikan kepada pengguna yaitu item yang memiliki kemiripan dengan item yang disukai sebelumnya. Dalam algoritmanya, Item2Vec dibangun dengan collaborative filtering (CF) dan Word2Vec Skip Gram with Negative Sampling (SGNS). Melalui Word2Vec SGNS, direpresentasikannya item ke dalam vektor angka melalui proses neural network yaitu feedforward, meminimumkan fungsi objektif dan backpropagation. Melalui CF, vektor setiap item dihitung menggunakan cosine similarity sebagai nilai kemiripan antar item. Hasil nilai cosine similarity tertinggi diartikan sebagai item yang paling direkomendasikan untuk setiap item dan juga sebaliknya. Item2Vec memiliki akurasi lebih besar dan kinerja lebih efektif dibandingkan sistem rekomendasi yang dibangun oleh Singular Value Decompotion (SVD) dengan CF. Tujuan dari penelitian ini adalah memberikan rekomendasi destinasi wisata di Indonesia, dengan menggunakan metode Item2Vec. Metode ini mempermudah wisatawan dalam memilih destinasi wisata dan juga mempermudah biro perjalanan dalam menawarkan destinasi wisata untuk keperluan promosi. Metode Item2Vec menghasilkan rekomendasi destinasi wisata di Indonesia dengan akurasi sebesar 61% dan termasuk ke dalam performa cukup baik.
Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel Allyaa Putri Asti; Sutawanir Darwis
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1771

Abstract

Abstract. Various factors can cause bearing damage, this is a major problem because it can cause substansial losses and affect production schedules. It is recommended to control bearing damage in order to provide early information about the damage. The method used in this paper is Hotelling T2 through Kernel Principal Component Analysis(KPCA). The principal component of kernel used to construct Hotelling T2 statistics in order to obtain T2 statistical values for detection bearing damage. The purpose of this paper is to apply KPCA as a statistic to use normal and damaged bearing. Data from NASA Bearing Dataset that contains normal bearing and damage bearing. Data divided into 1153 data for training and 323 data for testing. In this paper, 8 features are used as input for KPCA, reduced to 6 kernel principal component. Training data can obtained eigenvalue as input Hotelling T2, testing is used to detect bearings condition. Bearings are detected to damaged when T2 > 12.6939 with a significance level of 5%, from 323 training data 294 observations detected as damaged bearings and 29 observations detected as normal bearings. After conducting research, KPCA method can use to detect bearing damage. Abstrak. Berbagai faktor dapat menyebabkan kerusakan bearing, hal ini merupakan masalah utama karena dapat menyebabkan kerugian cukup besar dan mempengaruhi jadwal produksi. Dianjurkan mengontrol kerusakan bearing agar dapat memberikan informasi awal kerusakan bearing. Metode digunakan dalam penelitian Hotelling T2 melalui komponen utama kernel. Komponen utama kernel digunakan untuk mengkontruksi statistik Hotelling T2 sehingga diperoleh nilai statistik T2 untuk deteksi kerusakan bearing. Tujuan penelitian adalah menerapkan komponen utama kernel sebagai statistik untuk menggunakan Hotelling T2 bearing normal dan bearing rusak. Data sekunder NASA Bearing Dataset berisikan data bearing normal serta data bearing rusak. Proses deteksi bearing melalui komponen utama kernel dibagi menjadi data training sebanyak 1153 data sedangkan data testing sebanyak 323 data. Berdasarkan hasil penelitian, 8 fitur dijadikan sebagai input komponen utama kernel, direduksi menjadi enam komponen utama kernel. Menggunakan data training diperoleh nilai eigen sebagai input Hotelling T2, data testing digunakan untuk mendeteksi kondisi bearing. Bearing terdeteksi rusak ketika statistik T2 > 12.6939. Dengan taraf signifikansi 5 %, didapatkan sebanyak 294 data pengamatan dari 323 terdeteksi merupakan bearing rusak sedangkan sisanya 29 data pengamatan terdeteksi merupakan bearing normal. Setelah dilakukan penelitian metode komponen utama kernel layak digunakan untuk mendeteksi kerusakan bearing.
Penerapan Metode Generalized Structure Component Analysis pada Pengguna Dompet Digital Menggunakan Model UTAUT 2 Wian Fadila; Marizsa Herlina
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1772

Abstract

Abstract. Structural Equation Modeling (SEM) is a multivariate analysis method that combines factor analysis, path analysis, and regression analysis. Structural Equation Modeling (SEM) aims to measure the relationship between latent variables and their indicators. Component-based SEM has two methods, namely Partial Least Square (PLS) and Generalized Structure Component Analysis (GSCA). In this study the focus is on component-based SEM analysis, namely the Generalized Structure Component Analysis (GSCA) method. Generalized Structure Component Analysis (GSCA) is a method that does not require multivariate normal distribution assumptions and has an overall goodness of fit measure. The parameters used are factor loading, parameter coefficients, weight of indicators and estimation with Alternating Least Square (ALS). This study aims to determine what factors in the UTAUT 2 modification model influence the intention and behavior of using digital wallets (e-wallets) in Rajamandala Kulon village. The results of this study are that habit and security factors are felt to have the highest influence on usage intentions and habit factors and usage intentions have the highest influence on digital wallet usage behavior in Rajamandala Kulon Village. Abstrak. Structural Equation Modeling (SEM) merupakan salah satu metode analisis multivariat (multivariate analysis) yang menggabungkan antara analisis factor, analisis jalur, dan analisis regresi. Structural Equation Modeling (SEM) bertujuan untuk mengukur hubungan antara peubah laten dan indikatornya. SEM berbasis komponen memiliki dua metode yaitu Partial Least Square (PLS) dan Generalized Structure Component Analysis (GSCA). Pada penelitian ini fokus pada analisis SEM berbasis komponen yaitu metode Generalized Structure Component Analysis (GSCA). Generalized Structure Component Analysis (GSCA) merupakan metode yang tidak memerlukan asumsi distribusi normal multivariat dan memiliki ukuran overall goodness of fit. Parameter yang digunakan adalah factor loading, coefficients parameter, weight of indicators dan estimasi dengan Alternating Least Square (ALS). Penelitian ini bertujuan untuk mengetahui factor -faktor apa saja dalam model modifikasi UTAUT 2 yang berpengaruh kepada niat dan perilaku penggunaan dompet digital (e-wallet) di desa Rajamandala Kulon. Hasil dari penelitian ini adalah faktor kebiasaan dan keamanan yang dirasakan memiliki pengaruh tertinggi terhadap niat penggunaan serta faktor kebiasaan dan niat penggunaan memiliki pengaruh tertinggi terhadap perilaku penggunaan dompet digital di Desa Rajamandala kulon.
Perkiraan Angka Migrasi Neto Perkelompok Umur Provinsi Jawa Barat Tahun 2020 dan 2021 Ilma Diana Rosa; Yayat Karyana
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1773

Abstract

Abstract. Population dynamics in an area are influenced by factors of mortality, fertility and migration. In the study of population dynamics between regions in Indonesia, the migration factor has an important position based on a spatial and temporal approach to examine the accumulation and distribution of population in an area. Population migration is an integral part of the entire development process, as well as a cause and recipient of the impact of changes in the economic and social structure of a region. The research method to be used is a literature study or case study. Case study, namely a comparison of net migration of the population of West Java Province per age group in 2020-2021 using the Population Growth Rate (LPP) of West Java Province and Indonesia's Population Growth Rate (LPP) of 2020-2021, population of West Java Province per age group in 2020- 2021 from the results of the 2020-2021 Population Census (SP) portrait, West Java Province's Age Specific Net Migration Rate (ASNMR) in 2015. Literature study is studying basic theories related to migration. The Population Growth Rate (LPP) in West Java Province in 2020 is 1.11 percent per year, and the Population Growth Rate (LPP) in West Java Province in 2021 is 1.41 percent per year. the Covid-19 Virus outbreak and the Central Statistics Agency (BPS) find it difficult to retrieve this data. With a National Population Growth Rate of 1.25 percent per year, it is considered higher because of the difference in natural growth with the difference in the population's death rate and birth rate. Abstrak. Dinamika kependudukan di suatu daerah dipengaruhi oleh faktor-faktor mortalitas, fertilitas, dan migrasi. Kajian dinamika kependudukan antar wilayah di Indonesia, faktor migrasi penting kedudukannya berdasarkan pendekatan spasial dan temporal untuk mencermati akumulasi dan persebaran penduduk pada suatu wilayah. Migrasi penduduk merupakan bagian integral dari keseluruhan proses pembangunan, serta sebagai penyebab dan penerima dampak perubahan struktur ekonomi dan sosial suatu wilayah. metode penelitian yang akan digunakan adalah studi lietratur atau studi kasus. Studi kasus, yaitu perbandingan migrasi neto penduduk Provinsi Jawa Barat perkelompok umur tahun 2020-2021 menggunakan Laju Pertumbuhan Penduduk (LPP) Provinsi Jawa Barat dan Laju Pertumbuhan Penduduk (LPP) Indonesia tahun 2020-2021, penduduk Provinsi Jawa Barat per kelompok umur tahun 2020-2021 dari hasil potret Sensus Penduduk (SP) tahun 2020-2021, Age Specific Net Migration Rate (ASNMR) Provinsi Jawa Barat tahun 2015. Studi literatur yaitu mempelajari teori-teori dasar yang berkaitan dengan migrasi. Pada Laju Pertumbuhan Penduduk (LPP) di Provinsi Jawa Barat tahun 2020 sebesar 1,11 persen pertahun, serta pada Laju Pertumbuhan Penduduk (LPP) di Provinsi Jawa Barat tahun 2021 sebesar 1,41 persen pertahun data tersebut lebih besar dari tahun sebelumnya, dikarenakan adanya wabah Virus Covid-19 serta Badan Pusat Statistika (BPS) sulit untuk mengambil data tersebut. Dengan Laju Pertumbuhan Penduduk Nasional sebesar 1,25 persen pertahun, dianggap lebih besar karena perbedaan pertumbuhan alamiah dengan selisih penduduk angka kematian dan angka kelahiran.
Pemodelan Generalized Space Time Autoregressive untuk Meramalkan Indeks Harga Konsumen Agnesya Risnandar; Anneke Iswani Achmad
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1792

Abstract

Abstract. Inflation is an economic problem that often arises in Indonesia. Inflation is a continuous increase in the price of goods and services which can cause a decrease in the value of money. Inflation plays an important role in determining economic conditions, one of the indicators used to measure the inflation rate is the Consumer Price Index (CPI). The CPI is not only influenced by the previous time element, but also influenced by the inter-location element. The Generalized Space Time Autoregressive (GSTAR) method is one of the methods that can be used to analyze data that involves the relationship between time and location. This research will use CPI data for 7 cities in West Java, namely Bogor City, Sukabumi City, Bandung City, Cirebon City, Bekasi City, Depok City, and Tasikmalaya City with monthly period data from January 2014 to December 2019. This study aims to obtain the best GSTAR model and forecasting results for CPI data for 7 cities in West Java. Based on the research results, the GSTAR (5.1)I(1) model with uniform weights has the smallest RMSE value of 0.467767 compared to the distance inverse weight and cross-correlation normalization, so the best model for CPI data for 7 cities in West Java is the GSTAR (5.1)I(1) model with uniform weight. The forecasting results obtained, in general, in 2023 the CPI of 7 cities in West Java will experience a periodic increase. Abstrak. Inflasi merupakan permasalahan ekonomi yang sering muncul di Indonesia. Inflasi adalah kenaikan harga barang dan jasa secara terus menerus yang dapat menyebabkan penurunan nilai uang. Inflasi berperan penting dalam menentukan kondisi perekonomian, salah satu indikator yang digunakan untuk mengukur tingkat inflasi adalah Indeks Harga Konsumen (IHK). IHK tidak hanya dipengaruhi oleh unsur waktu sebelumnya, tetapi juga dipengaruhi oleh unsur antar lokasi. Metode Generalized Space Time Autoregressive (GSTAR) merupakan salah satu metode yang dapat digunakan untuk menganalisis data yang melibatkan keterkaitan antar waktu dan lokasi. Pada penelitian ini akan digunakan data IHK 7 kota di Jawa Barat yaitu Kota Bogor, Kota Sukabumi, Kota Bandung, Kota Cirebon, Kota Bekasi, Kota Depok, dan Kota Tasikmalaya dengan data periode bulanan dari Januari 2014 sampai Desember 2019. Penelitian ini bertujuan untuk mendapatkan model GSTAR terbaik dan hasil peramalan untuk data IHK 7 kota di Jawa Barat. Berdasarkan hasil penelitian model GSTAR (5,1)I(1) dengan bobot seragam memiliki nilai RMSE terkecil yaitu sebesar 0.467767 dibandingkan dengan bobot invers jarak dan normalisasi korelasi silang, sehingga model terbaik untuk data IHK 7 kota di Jawa Barat yaitu model GSTAR (5,1)I(1) dengan bobot seragam. Hasil peramalan yang diperoleh, secara umum pada tahun 2023 IHK 7 kota di Jawa Barat mengalami peningkatan secara periodik.
Penerapan Metode Regresi Kernel Smoothing untuk Imputasi Data Lama Waktu Terinfeksi Covid-19 Tawangki Sri Fadilah; Abdul Kudus
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1802

Abstract

Abstract. This study aims to explain cases of length of time patients are infected with COVID-19 and apply the kernel smoothing regression method for censored data imputation. The data taken in this study were patients infected with COVID19 which were classified based on the patient's age. The data was taken on the patient information website page for COVID-19 patients issued by the Singapore government. The data analysis method used in this study is the kernel smoothing method. The kernel smoothing method is a smoothing method using the kernel function. This method can be used as an alternative to solving fluctuating data problems. The data used is the length of time the patient is infected with covid-19 until recovered (Y) and the patient's age (X) from the results of the kernel smoothing method, the results of the imputation scatterplot based on case and age show that the dots are a pattern spread from the existing data and does not form a clear pattern. The pattern of data distribution in the form of dots on the scatterplot spread above and below. Then it can also be concluded from the results of the scatterplot above that the results of imputation based on age using the kernel smoothing method tend to produce almost the same estimated values. This may be due to the selection of a relatively large h value or it can be concluded that the estimated value produces a relatively stable value. Abstrak. Penelitian ini bertujuan untuk menjelaskan mengenai kasus lama waktu pasien terinfeksi COVID-19 serta menerapkan metode regresi kernel smoothing untuk imputasi data tersensor. Data yang diambil dalam penelitian ini adalah pasien yang terinfeksi COVID19 yang diklasifikasikan berdasarkan umur pasien. Data tersebut diambil pada laman website informasi penderita pasien COVID-19 yang dikeluarkan oleh pemerintah Singapura. Metode analisis data yang digunakan dalam penelitian ini adalah menggunakan metode kernel smoothing. Metode kernel smoothing merupakan metode pemulusan (smoothing) dengan menggunakan fungsi kernel. Metode ini dapat digunakan sebagai alternatif untuk meyelesaikan permasalahan data yang fluktuatif. Data yang digunakan yaitu lama waktu pasien terinfksi covid-19 sampai sembuh (Y) dan usia pasien (X) dari hasil penelitian metode kernel smoothing, maka hasil scatterplot imputasi berdasarkan case dan usia menunjukkan bahwa titik-titik sebuah pola menyebar dari data yang ada dan tidak membentuk pola tertentu yang jelas. Pola penyebaran data yang berupa titik-titik pada scatterplot menyebar diatas dan dibawah. Lalu dapat disimpulkan pula dari hasil scatterplot diatas merupakan hasil imputasi berdasarkan usia menggunakan metode kernel smoothing dengan cenderung menghasilkan nilai dugaan yang hampir sama. Hal ini mungkin karena pemilihan nilai h yang relatif besar atau dapat disimpulkan bahwa nilai dugaan menghasilkan nilai yang relatif stabil.
Penerapan Regresi Spasial Panel Random Effect pada Kasus Kemiskinan di Provinsi Jawa Tengah Tahun 2011-2020 Farah Nurul Andini; Lisnur Wachidah
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1885

Abstract

Abstract. Spatial regression is a regression analysis that can be used to model data that focuses on a space or location (region). In spatial data, observations are often found at a location that has a relationship or influence with other adjacent locations. If the classical regression model is used as an analytical tool on spatial data, it can lead to inaccurate conclusions due to the assumption of mutual error (autocorrelation), the assumption of homogeneity is not met (heterogenity). To solve the problem, you can use the spatial regression panel random effect model. In determining the best model of spatial regression of panel data can use the Spatial Autoregressive or Spatial Lag (SAR) Random Effect and Spatial Error Model (SEM) Random effect model. To calculate the spatial effect, a spatial weighting matrix was used, in this study the spatial weighting matrix used was the Queen Contiguity spatial weighting matrix. The data used for the study used data on the percentage of poor people with free variables, namely life expectancy, adjusted per-capita expenditure, and average length of schooling. The results showed that the Spatial Error Model (SEM) Random Effect model is the best model, because it has the smallest AIC (Aikake Information Criterion) value and BIC (Bayessian Information Criterion) value. Based on the results of modeling with the Spatial Error Model (SEM) Random effect, the three factors affect the percentage of poverty in Central Java Province. Abstrak. Regresi spasial adalah analisis regresi yang dapat digunakan untuk memodelkan data yang berfokus pada ruang atau lokasi (region). Pada data spasial sering dijumpai pengamatan pada suatu lokasi yang memiliki hubungan atau pengaruh dengan lokasi lain yang berdekatan. Jika model regresi klasik digunakan sebagai alat analisis pada data spasial, dapat menyebabkan kesimpulan yang kurang tepat karena asumsi error saling bebas (autokorelasi), asumsi homogenitas tidak terpenuhi (heterogeneity). Untuk mengatasi masalah tersebut dapat menggunakan regresi spasial panel random effect model. Dalam menentukan model terbaik regresi spasial data panel dapat menggunakan model Spatial Autoregressive atau Spatial Lag (SAR) Random Effect dan Spatial Error Model (SEM) Random Effect. Untuk menghitung efek spasial digunakan matriks pembobot spasial, dalam penelitian ini matriks pembobot spasial yang digunakan yaitu matriks pembobot spasial Queen Contiguity. Data yang digunakan untuk penelitian menggunakan data persentase penduduk miskin di Provinsi Jawa Tengah tahun 2011-2020 sebagai variabel terikat sedangkan variabel bebas yaitu usia harapan hidup, pengeluaran per-kapita disesuaikan, dan rata-rata lama sekolah. Hasil penelitian menunjukkan bahwa model Spatial Error Model (SEM) Random Effect merupakan model terbaik, sebab memiliki nilai AIC (Aikake Information Criterion) dan nilai BIC (Bayessian Information Criterion) terkecil. Berdasarkan hasil pemodelan dengan Spatial Error Model (SEM) Random effect ketiga faktor berpengaruh terhadap persentase kemiskinan di Provinsi Jawa Tengah.
Pemodelan Distribusi Poisson-Sujatha pada Data Frekuensi Klaim Asuransi Kendaraan Bermotor di Indonesia Muhammad Rizq Nafisyah Alam; Aceng Komarudin Mutaqin
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1944

Abstract

Abstract. Insurance is an agreement between two or more parties where the insurer promises to the insured by receiving a premium to compensate the insured against loss, damage or loss of profits. There are lots of insurance services or products, one of the insurance services that is widely used is motor vehicle insurance. Vehicle insurance itself is a type of insurance that provides benefits in the form of compensation or damage to the vehicle. Data frequency claims that contain overdispersion problems must be modeled with distributions that are able to handle overdispersion problems. The mixed Poisson distribution is often used as an alternative method for modeling data frequency claims when overdispersion occurs. Some mixed Poisson distributions include Poisson-Lindley, Poisson-Lognormal, and Poisson-weighted Exponential. The Poisson-Sujatha distribution (PSD) was introduced by Shanker in 2016 as one of the mixed Poisson distributions. The strengths of PSD are in getting the moments and the application. The moments of the PSD distribution can be obtained easily by following the simple method introduced by Shanker (2016). This thesis will discuss modeling the Poisson-Sujatha distribution (PSD) on motor vehicle insurance claim frequency data in Indonesia in 2013. The maximum likelihood estimation method is used to estimate the parameters of the PSD distribution. The fit test used in this study was the Chi-Square fit test. The research material used is secondary data on the frequency of motor vehicle insurance claims recorded by PT. X category 3 (passenger transportation whose insured price is more than Rp. 200,000,000 to Rp. 400,000,000) region 25 (North Sumatra Province) in 2013. Based on the results of applying the data on the frequency of motor vehicle insurance claims at PT. X category 3 region 25 in 2013, the PSD distribution is suitable for modeling motor vehicle insurance frequency claims data cases. Abstrak. Asuransi adalah suatu perjanjian antara dua pihak atau lebih dimana penanggung berjanji kepada tertanggung dengan menerima premi untuk mengganti kerugian tertanggung terhadap kerugian, kerusakan, atau kehilangan keuntungan. Ada banyak sekali layanan atau produk asuransi, salah satu layanan asuransi yang banyak digunakan adalah asuransi kendaraan bermotor. Asuransi kendaraan itu sendiri adalah jenis asuransi yang memberikan manfaat berupa pemberian ganti rugi atau kerusakan pada kendaraan bermotor. Data frekuensi klaim yang mengandung masalah overdispersi harus dimodelkan dengan distribusi yang mampu menangani masalah overdispersi. Distribusi campuran Poisson sering digunakan sebagai metode alternatif untuk pemodelan data frekuensi klaim ketika terjadi overdispersi. Beberapa distribusi campuran Poisson diantaranya adalah Poisson-Lindley, Poisson-Lognormal, dan Poisson-weighted Eksponensial. Distribusi Poisson-Sujatha (PSD) diperkenalkan oleh Shanker pada tahun 2016 sebagai salah satu distribusi campuran Poisson. Kelebihan dari PSD adalah dalam hal mendapatkan momen-momennya dan aplikasinya. Momen-momen dari distribusi PSD dapat diperoleh secara mudah dengan mengikuti metode sederhana yang diperkenalkan oleh Shanker (2016). Pada skripsi ini akan dibahas mengenai pemodelan distribusi Poisson-Sujatha (PSD) pada data frekuensi klaim asuransi kendaraan bermotor di Indonesia pada tahun 2013. Metode penaksiran kemungkinan maksimum digunakan untuk menaksir parameter dari distribusi PSD. Uji kecocokan yang digunakan dalam penelitian ini adalah uji kecocokan Chi-Kuadrat. Bahan penelitian yang digunakan berupa data sekunder frekuensi klaim asuransi kendaraan bermotor hasil pencatatan PT. X kategori 3 (angkutan penumpang yang harga pertanggungannya yang lebih dari Rp. 200.000.000 s.d. Rp. 400.000.000) wilayah 25 (Provinsi Sumatera Utara) pada tahun 2013. Berdasarkan hasil penerapan pada data frekuensi klaim asuransi kendaraan bermotor di PT. X kategori 3 wilayah 25 pada tahun 2013, distribusi PSD cocok untuk memodelkan kasus data frekuensi klaim asuransi kendaraan bermotor..
Klasifikasi Penyakit Diabetes Retinopati Menggunakan Support Vector Machine dengan Algoritma Grid Search Cross-validation Fatmawati; Nur Azizah Komara Rifai
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1945

Abstract

Abstract. Accuracy in determining the object in the appropriate class is a challenge in the classification method. Support Vector Machine is a classification method that is capable of classifying data that does not go through the learning stage and is able to produce a classification model even though there is relatively little data training while still producing good accuracy. The classification performance improvement produced by the SVM method is determined from the parameter settings. Therefore, the grid search algorithm is used to find the optimal parameters. The problem of diabetic retinopathy is important because it is one of the causes of total blindness in several countries. This study aims to apply the SVM method by applying the grid search cross-validation algorithm. Grid search is a method of financing combination models and hyperparameters by testing a single combination of models and validating each combination. The grid search method is paired with cross-validation to obtain the best model in classifying disease status in diabetic retinopathy patients. By using a linear kernel and 5-fold cross-validation, the results obtained for 30 models. The best model for cases of diabetes retinopathy classification is obtained from the cost parameter 10 of 74.8%. Abstrak. Ketepatan dalam menentukan objek pada kelas yang sesuai merupakan tantangan pada metode klasifikasi. Support Vector Machine menjadi metode klasifikasi yang mampu melakukan klasifikasi untuk data yang tidak melewati tahap pembelajaran dan mampu menghasilkan model klasifikasi meskipun data training relatif sedikit dengan tetap menghasilkan akurasi yang baik. Peningkatan performa klasifikasi yang dihasilkan oleh metode SVM ditentukan dari pengaturan parameter. Oleh karena itu, algoritma grid search digunakan untuk melihat parameter yang optimal. Masalah diabetes retinopati menjadi penting karena menjadi salah satu penyebab kebutaan total di beberapa negara. Penelitian ini bertujuan untuk menerapkan metode SVM dengan menerapkan algoritma grid search cross-validation. Grid search merupakan metode penentuan kombinasi model dan hyperparameter dengan melakukan uji coba satu persatu kombinasi model dan melakukan validasi pada setiap kombinasi. Metode grid search dipasangkan dengan cross-validation untuk mendapatkan model terbaik dalam mengklasifikasikan status penyakit pada pasien diabetes retinopati. Dengan menggunakan kernel linear serta 5-fold cross-validation diperoleh hasil sebanyak 30 model. Model terbaik untuk kasus klasifikasi penyakit diabetes retinopati ini didapatkan dari parameter cost 10 sebesar 74,8%.

Page 1 of 1 | Total Record : 10

 1 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue Volume 3, No. 2, Desember 2023, Jurnal Riset Statistika (JRS) Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS) Volume 2, No. 2, Desember 2022, Jurnal Riset Statistika (JRS) Volume 2, No. 1, Juli 2022, Jurnal Riset Statistika (JRS) Volume 1, No. 2, Desember 2021, Jurnal Riset Statistika (JRS) Volume 1, No. 1, Juli 2021, Jurnal Riset Statistika (JRS)