Bandung Conference Series: Statistics
Bandung Conference Series: Statistics (BCSS) menerbitkan artikel penelitian akademik tentang kajian teoritis dan terapan serta berfokus pada Statistika dengan ruang lingkup sebagai berikut: Alternating Least Square, Analisis Konjoin, Autoregressive, Auxiliary Variabel, Baby Birth, Block Maxima, Churn Distribusi Skellam, Cox Regression, Data spasial, DBD Ordinal Logistic Regression, Diagram kendali, Discrete Choice Experiment Method, Discrete Time Logistic, empirical likelihood, Fisher Scoring, Generalized Structured Component Analysis, Geographically Weighted Regression, GEV, GJR GARCH, Infant Mortality Preferensi, Insurance Claim, Kaplan-Meier, Kernel Bi-Square, Gaussian, Logistic Regression, Maternal Mortality, Mixed Geographically Weighted Regression Model GSTAR, MLE, Model ARIMAX, MSE. Multiple linear regression analysis, Nadaraya Watson, Newton Raphson Method, Nonparametrik Spline Confidence Interval, Optimasi Multi-Objek, orde Spasial, Outlier, Pareto Optimal, Partial Proportional Odds Model, Pemodelan Indeks Pembangunan Manusia. Penduga Rasio dan Produk Tipe Eksponensial, Peramalan, Poisson Bivariate Regression, Poisson Regression, Rata-rata Populasi berhingga, Regresi, Return Period Exogenous Variable, RMSE, Structural Equation Modeling, Survival Analysis, Threshold, Vibrasi Bearing, zero-inflated. Prosiding ini diterbitkan oleh UPT Publikasi Ilmiah Unisba. Artikel yang dikirimkan ke prosiding ini akan diproses secara online dan menggunakan double blind review minimal oleh dua orang mitra bebestari.
Articles
4 Documents
Search results for
, issue
"Vol. 1 No. 1 (2021): Bandung Conference Series: Statistics"
:
4 Documents
clear
<![CDATA[Pengujian Hipotesis untuk Dua Sampel Saling Bebas dengan Menggunakan Pendekatan Bayesian ]]>
<![CDATA[Fithri Amalia Rahma]]>;
<![CDATA[Suliadi]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 1 No. 1 (2021): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (260.626 KB)
|
DOI: 10.29313/bcss.v1i1.35
<![CDATA[Abstract. In this thesis, we will discuss hypothesis testing for two independent samples using the Bayesian approach. One of the alternative bayesian methods for classical hypothesis testing is the Bayesian factor. Wang & Liu (2015) proposed a two-sample testing method with a bayesian approach. Where the Bayes factor used is simple, and free from the Bartlett paradox and the information paradox. The data used for the application of this method is the Human Development Index (IPM) data based on the province of West Java and Central Java in 2020. The results of the two independent sample test using the Bayesian approach are that there is no difference in the average Student Development Index (IPM). between West Java and Central Java provinces in 2020. Abstrak. Dalam skripsi ini akan dibahas pengujian hipotesis untuk dua sampel saling bebas dengan menggunakan pendekatan bayesian. Salah satu metode alternatif bayesian untuk pengujian hipotesis klasik adalah faktor bayes. Wang & Liu (2015) mengajukan metode pengujian dua sampel dengan pendekatan bayesian. Dimana faktor bayes yang digunakan sederhana, serta terbebas dari paradoks Bartlett dan paradoks informasi. Data yang digunakan untuk penerapan metode ini adalah data Indeks Pembangunan Manusia (IPM) berdasarkan provinsi Jawa Barat dengan provinsi Jawa Tengah pada tahun 2020. Hasil dari uji dua sampel saling bebas menggunakan pendekatan bayesian adalah tidak ada perbedaaan rata-rata Indeks Pembangunan Mahasiswa (IPM) antara provinsi Jawa Barat dengan provinsi Jawa Tengah pada tahun 2020.]]>
<![CDATA[Kasus Multiproduk dan Multivariabel Toko Kain Avtex Menggunakan Diagram Kontrol Short-Run ]]>
<![CDATA[Vega Rochwani Putri]]>;
<![CDATA[Siti Sunendiari]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 1 No. 1 (2021): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (334.584 KB)
|
DOI: 10.29313/bcss.v1i1.36
<![CDATA[Abstract. A method for quality control that can provide an overview of the ongoing process by taking samples for analysis using statistical techniques so that variability in the process can be reduced is called Statistica Process Control (SPC), which has the aim of quickly detecting the presence of the cause of cases of shifting a process. so that improvements can be made to the process before too many processes are not in accordance with running standards. The design and implementation of a production must be observed sequentially from the state of the mass product for this to be effective. In short production run (Short Production Run) usually do not have sufficient data sufficient to carry out SPC using classical diagrams due to different products. To find out whether the process is controlled or not, it is presented in the Short-Run Control Diagram for X and R. In making a short-run control diagram R and X for multi-products that are measured are one item. Then determine the Upper Control Limit (UCL) and Lower Control Limit (LCL). Short-Run R and X Kontrol control diagrams for multiproduct and multivariable are discussed in this thesis. The data used are pieces of cordura and shabet fabrics at the AVTEX Fabric Store. Abstrak. Metode untuk mengendalikan kualitas yang dapat memberikan gambaran tentang proses yang sedang berjalan dengan mengambil sampel untuk dianalisa dengan menggunakan tehnik statistik sehingga variabilitas dalam proses dapat dikurangi disebut Statistica Proses Control (SPC), yang memiliki tujuan untuk mendeteksi secara cepat kehadiran penyebab kasus dari pergeseran suatu proses sehingga dapat dilakukan perbaikan terhadap proses tersebut sebelum terlalu banyak proses yang tidak sesuai dengan standar berjalan. Rancang dan implementasikan suatu produksi harus diamati berurutan dari kondisi produk massal agar hal ini dapat efektif. Pada produksi jangka pendek (ShortProduction Run) biasanya tidak memiliki data yang cukup memadai untuk melaksanakan SPC dengan menggunakan diagram klasik karena produk yang berbeda. Untuk mengetahui proses terkendali atau tidak maka disajikan pada Diagram KontrolShort-Run untuk X ̅ dan R. Dalam membuat diagram kontrol short-run R dan X ̅ untuk multiproduk yang diukur adalah satu item. Kemudian ditentukan Upper Control Limit ( UCL) dan Lower Control Limit ( LCL). Diagram KontrolShort-Run R dan X ̅ untuk multiproduk dan multivariabel dibahas dalam skripsi ini. Data yang digunakan yaitu potongan kain cordura dan shabet di Toko Kain AVTEX.]]>
<![CDATA[Analisis Survival pada Tungsten dan Degradasi Bearing Menggunakan Regresi Weibull ]]>
<![CDATA[Gimma Sefira Alamsya]]>;
<![CDATA[Sutawanir Darwis]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 1 No. 1 (2021): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (247.066 KB)
|
DOI: 10.29313/bcss.v1i1.37
<![CDATA[Abstract. Many products are needed by humans in various industries that’s why the selection of materials must be in accordance with the needs because it will affect the quality of the machine. Tungsten carbide is one of the working materials used because of its strong. Bearing is one of the results of the manufacture of tungsten carbide material that acts as a support for a shaft so that it always rotates without friction. Survival analysis will be used to determine the resistance of a machine's strength. The Weibull distribution has a small functional sample size for failure accuracy. We will discuss the application of Weibull regression with the Maximum Likelihood Estimation (MLE) as parameter estimates. This study uses data from the University of Durham, by Braiden, Green and Wright (1982) from experimental results of the stress level test of tungsten carbide cobalt alloy which produces data on stress rates and failure stresses. Tests on 5 different stress rates against twelve observations and it is proven that the stress rate has a significant effect on failure stresses. Then the next data is bearing vibration data from Prognostics and Health Management, FEMTO ST-Institute which consists of 17 bearings with horizontal and vertical directions so that in total there are 34 observations. With time to failure data as the dependent variable and speed and load as independent variables. The result is that only variable speed has a significant effect on time to failure. Abstrak. Banyak produk yang dibutuhkan manusia di berbagai industri itulah mengapa pemilihan bahan harus sesuai dengan kebutuhan karena akan mempengaruhi kualitas mesin. Tungsten karbida merupakan salah satu material kerja yang digunakan karena sifatnya yang kuat. Bearing adalah salah satu hasil pembuatan material tungsten karbida yang berperan sebagai tumpuan sebuah poros agar selalu berputar tanpa adanya gesekan. Akan digunakan analisis survival untuk mengetahui ketahanan kekuatan suatu mesin. Distribusi weibull memiliki bentuk fungsional sampel yang kecil untuk keakuratan kegagalan. Akan dibahas penerapan regresi weibull dengan metode Maximum Likelihood Estimation (MLE) sebagai taksiran parameter. Penelitian ini menggunakan data sekunder University of Durham, oleh Braiden, Green and Wright (1982) hasil eksperimen uji tingkat tekanan paduan tungsten karbida kobalt alloy yang menghasilkan data stress rates dan failure stresses. Pengujian pada 5 stress rates berbeda terhadap dua belas observasi dan terbukti bahwa stress rate berpengaruh secara signifikan terhadap failure stresses. Lalu data selanjutnya adalah data vibrasi bearing dari Prognostics and Health Management, FEMTO ST-Institute yang terdiri dari 17 bearing dengan arah horizontal dan vertikal sehingga ditotalkan ada 34 observasi. Dengan data time to failure sebagai variabel dependen serta speed dan load sebagai variabel independent. Dihasilkan bahwa hanya variabel speed berpengaruh seccara signifikan terhadap time to failure.]]>
<![CDATA[Regresi Nonparametrik Kernel dalam Pemodelan Jumlah Kelahiran Bayi di Jawa Barat Tahun 2017 ]]>
<![CDATA[Safni Chusnaifah Junianingsih]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 1 No. 1 (2021): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (285.122 KB)
|
DOI: 10.29313/bcss.v1i1.39
<![CDATA[Abstract. Regression analysis is one of the analytical tools used to determine the effect of multiple predictor variables (X) on response variables (Y). The approach in regression analysis is divided into two, parametric approaches and nonparametric approaches. On nonparametric regression analysis, the shape of the regression curve is unknown, the data arega expected to look for its own estimation form so that it has high flexibility. Estimation of regression functions is performed with the Nadaraya Watson kernel estimator using Gaussian kernel functions. In this method requires bandwidth (h) or finer parameters as a balance controller between the smoothness of the function and the suitability of the function of the data. Optimum bandwidth (h) is obtained by minimizing the Generalized Cross Validation (GCV) value. Based on the analysis, obtained in a simple linear regression model obtained a Mean Square Error (MSE) value of 552976772 and a Standard Error (SE) of 24437,98. While in the kernel nonparametric regression model, the optimum bandwidth (h) is 0,50, Mean Square Error (MSE) is 96832714, and the Standard Error (SE) value is 10226,4. So it can be concluded that the kernel nonparametric regression model is better than a simple linear regression model. Abstrak. Analisis regresi merupakan salah satu alat analisis yang digunakan untuk mengetahui pengaruh dari beberapa variabel prediktor (X) terhadap variabel respon (Y). Pendekatan dalam analisis regresi dibagi menjadi dua, yaitu pendekatan parametrik dan pendekatan nonparametrik. Pada analisis regresi nonparametrik bentuk kurva regresi tidak diketahui, data diharapkan mencari sendiri bentuk estimasinya sehingga memiliki fleksibilitas yang tinggi. Estimasi fungsi regresi dilakukan dengan estimator kernel Nadaraya Watson menggunakan fungsi kernel Gaussian. Metode ini membutuhkan bandwidth (h) atau parameter penghalus sebagai pengontrol keseimbangan antara kemulusan fungsi dan kesesuaian fungsi terhadap data. Bandwidth (h) optimum diperoleh dengan meminimumkan nilai Generalized Cross Validation (GCV). Berdasarkan analisis diperoleh pada model regresi linear sederhana diperoleh nilai Mean Square Error (MSE) sebesar 552976772 dan niai Standard Error (SE) sebesar 24437,98. Sedangkan pada model regresi nonparametrik kernel diperoleh bandwidth (h) optimum sebesar 0,50, Mean Square Error (MSE) sebesar 96832714, dan nilai Standard Error (SE) sebesar 10226,4. Sehingga dapat disimpulkan bahwa model regresi nonparametrik kernel lebih baik daripada model regresi linear sederhana.]]>
