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
60 Documents
Search results for
, issue
"Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics"
:
60 Documents
clear
<![CDATA[Regresi Robust Estimasi-M dengan Pembobot Huber dan Tukey Bisquare pada Data Tingkat Pengangguran di Indonesia Menurut Provinsi Tahun 2020 ]]>
<![CDATA[Ranty Julianti Azizah]]>;
<![CDATA[Lisnur Wachidah]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (248.887 KB)
|
DOI: 10.29313/bcss.v2i2.2648
<![CDATA[Abstract. Regression analysis is a method to predict the value of dependent variable (Y) based on independent variable ( ), for that a regression model is needed. Regression model with Ordinary Least Square (OLS) is can’t be used if assumptions is violated. Unfulfilled assumptions can be caused by outliers that affect the regression model, both outliers in the independent variable ( ) and outliers in the dependent variable (Y). Robust regression is used so that the resulting regression model is Robust against outliers. One of the estimates from Robust regression is M-Estimator. The weights in the M-Estimator include of Huber and Tukey Bisquare. In this article, will discuss the M-Estimator Robust regression with Huber and Tukey Bisquare weighting on the unemployment rate data in Indonesia by province in 2020. The data includes the unemployment rate as the dependent variable (Y), the provincial minimum wage as the 1st independent variable. (X1), and the labor force as the 2nd independent variable (X2). Based on the research, it can be concluded that the M-Estimator with Tukey Bisquare weighting produces the best Robust regression model because the Adjusted R-square value of the Tukey Bisquare weighting is greater than the Huber weighting (45.88% > 44.34%) and the Residual Standard Error value (RSE) of the Tukey Bisquare weighting is smaller than the Huber weighting (1,214 < 1,345). Abstrak. Analisis regresi merupakan suatu metode untuk memprediksi nilai variabel tak bebas (Y) berdasarkan variabel bebasnya ( ), untuk itu diperlukan model regresi. Model regresi dengan Metode Kuadrat Terkecil (MKT) kurang tepat apabila terdapat pelanggaran asumsi. Asumsi yang tidak terpenuhi dapat disebabkan oleh adanya pencilan yang mempengaruhi model regresi, baik pencilan dalam variabel bebas ( ) maupun pencilan dalam variabel tak bebas (Y). Regresi Robust digunakan agar model regresi yang dihasilkan kekar (Robust) terhadap adanya pencilan. Salah satu estimasi dari regresi Robust yaitu Estimasi-M. Pembobot dalam Estimasi-M diantaranya pembobot Huber dan Tukey Bisquare. Dalam artikel ilmiah ini akan dibahas mengenai regresi Robust Estimasi-M dengan pembobot Huber dan Tukey Bisquare pada data tingkat pengangguran di Indonesia menurut provinsi tahun 2020. Data meliputi tingkat pengangguran terbuka sebagai variabel tak bebas (Y), upah minimum provinsi sebagai variabel bebas ke-1 (X1), dan angkatan kerja sebagai variabel bebas ke-2 (X2). Berdasarkan penelitian yang dilakukan dapat disimpulkan bahwa Estimasi-M dengan pembobot Tukey Bisquare menghasilkan model regresi Robust terbaik karena nilai Adjusted R-square dari pembobot Tukey Bisquare lebih besar daripada pembobot Huber (45,88% > 44,34%) dan nilai Residual Standard Error (RSE) dari pembobot Tukey Bisquare lebih kecil daripada pembobot Huber (1,214 < 1,345).]]>
<![CDATA[Penggunaan Small Area Estimation dengan Fay-Herriot pada Angka Partisipasi Kasar Perguruan Tinggi di Provinsi Jawa Barat Tahun 2019. ]]>
<![CDATA[Putri Alifia Azzahra]]>;
<![CDATA[Nusar Hajarisman]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (283.642 KB)
|
DOI: 10.29313/bcss.v2i2.3031
<![CDATA[Abstract. Education is one of the sustainable development goals (SDGs). To find out whether education can be said to be good, it can be calculated using one of the indicators, namely the Gross Enrollment Rate (GER). GER in Higher Education can show that people can take higher education. The Gross Higher Education Enrollment Rate (APK-PT) only reaches 30.28% of the 19-23 year old school-age population (BPS, 2019). If viewed according to province, West Java province has a fairly low value of the Higher Higher Education Gross Enrollment Rate (APK-PT) of 25.15%. In this study, the Small Area Estimation (SAE) method with the Fay Herriot method will be used. The Small Area Estimation method is used because this study only uses a small area. The purpose of this study was to determine the APK-PT equation model using SAE Fay Herriot, to know the comparison of estimates directly or indirectly, and to know the comparison of the coefficient of variation values to evaluate the predicted results. In conducting the research, the data to be used is secondary data obtained from the Central Statistics Agency (BPS). The results of this study indicate that the model of SAE Fay Herriot is Y = 15.659257+0.288636 (Number of Universities in West Java) with the coefficient of variation of the direct estimator being greater than the coefficient of variation of the indirect estimator. Abstrak. Pendidikan merupakan salah satu tujuan pembangunan berkelanjutan atau Suistainable Development Goals (SDGs). Untuk mengetahui apakah pendidikan dapat dikatakan dengan baik, maka dapat dihitung menggunakan salah satu indikator yaitu Angka Partisipasi Kasar (APK). APK pada Perguruan Tinggi dapat menunjukkan bahwa masyarakat dapat menempuh pendidikan tinggi. Angka Partisipasi Kasar Perguruan Tinggi (APK-PT) hanya mencapai 30.28% dari populasi penduduk usia sekolah 19-23 tahun (BPS, 2019). Jika dilihat sesuai provinsi, provinsi Jawa Barat memiliki nilai Angka Partisipasi Kasar Perguruan Tinggi (APK-PT) cukup rendah yaitu 25.15%. Dalam penelitian ini akan menggunakan metode Small Area Estimation (SAE) dengan metode Fay Herriot. Digunakannya metode Small Area Estimation ini karena penelitian ini hanya menggunakan suatu area kecil. Tujuan dari penelitian ini adalah untuk mengetahui model persamaan APK-PT dengan menggunakan SAE Fay Herriot, dapat mengetahui perbandingan pendugaan secara langsung maupun tidak langsung, dan dapat mengetahui perbandingan nilai koefisien variasi untuk mengevaluasi terhadap hasil dugaan. Dalam melakukan penelitian, data yang akan dipakai merupakan data sekunder yang didapat dari Badan Pusat Statistik (BPS). Hasil dari penelitian ini menunjukkan bahwa, model dari SAE Fay Herriot adalah Y ̂= 15.659257+0.288636 (Jumlah Perguruan Tinggi di Jawa Barat) dengan nilai koefisien variasi penduga langsung lebih besar dari koefisien variasi penduga tidak langsung.]]>
<![CDATA[Metode Classification And Regression Trees untuk Pengklasifikasian Faktor-Faktor yang Mempengaruhi Pengangguran Terbuka di Provinsi Jawa Barat Tahun 2020 ]]>
<![CDATA[Seruni Purwanti Djuniar]]>;
<![CDATA[Anneke Iswani Achmad]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (187.193 KB)
|
DOI: 10.29313/bcss.v2i2.3038
<![CDATA[Abstract. CART (Classification And Regression Trees) is a classification method that uses historical data to build decision trees. The CART method is used to form a classification tree using the gini index value obtained from the probability value of each node candidate. The CART method used aims to look at the factors that influence open unemployment in West Java Province in 2020. In this study, the independent variables that affect open unemployment are gender (X1), age (X2), education (X3), and marital status (X4), while for the status variable in the household (X5) from the classification tree results indicate that this variable is not a differentiating variable. From the results of the classification tree research formed, the results obtained for respondents with low and high levels of education who are male, both married and unmarried are included in the working classification, while for respondents with low and high education levels, If a woman is not married, then she works, while if she is married, she is considered unemployed. And for respondents with secondary education level, both male and female, who are married or not included in the unemployment classification. In this study, the classification of open unemployment resulted in an accuracy of classification on the testing data of 69.79%. Abstrak. CART (Classification And Regression Trees) adalah metode klasifikasi yang menggunakan data historis untuk membangun pohon keputusan. Metode CART digunakan untuk membentuk pohon klasifikasi dengan menggunakan nilai indeks gini yang didapat dari nilai probabilitas setiap calon simpul. Metode CART yang digunakan bertujuan untuk melihat faktor-faktor yang mempengaruhi pengangguran terbuka di Provinsi Jawa Barat tahun 2020. Dalam penelitian ini, variabel bebas yang berpengaruh terhadap pengangguran terbuka yaitu jenis kelamin (X1), usia (X2), pendidikan (X3), dan status pernikahan (X4), sementara untuk variabel status dalam rumah tangga (X5) dari hasil pohon klasifikasi menunjukkan bahwa variabel tersebut bukanlah sebagai variabel pembeda. Dari hasil penelitian pohon klasifikasi yang terbentuk, maka didapatkan hasil untuk responden dengan tingkat pendidikan rendah serta tinggi yang berjenis kelamin laki-laki, baik yang sudah menikah maupun yang belum menikah termasuk ke dalam klasifikasi bekerja, sedangkan untuk responden dengan tingkat pendidikan rendah dan tinggi, yang berjenis kelamin perempuan jika belum menikah maka ia bekerja, sedangkan yang sudah menikah maka ia termasuk pengangguran. Dan untuk responden dengan tingkat pendidikan menengah dengan jenis kelamin laki-laki maupun perempuan, yang sudah menikah maupun belum termasuk ke dalam klasifikasi pengangguran. Dalam penelitian ini pula, pengklasifikasian pengangguran terbuka menghasilkan ketepatan klasifikasi pada data testing sebesar 69,79%.]]>
<![CDATA[Fixed Effect Panel Spatial Durbin Error Model pada Indeks Pembangunan Manusia di Jawa Barat Tahun 2017-2020 ]]>
<![CDATA[Tika Amalia]]>;
<![CDATA[Lisnur Wachidah]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (301.73 KB)
|
DOI: 10.29313/bcss.v2i2.3050
<![CDATA[Abstract. The statistical method used to determine the causal relationship of the independent variable to the dependent variable that has a dependency relationship between observations or regions is the spatial regression method. One approach in Spatial Regression Analysis is the Spatial Durbin Error Model (SDEM). Spatial Durbin Error Model (SDEM) is a regression model that has a spatial lag on the error variable (ɛ) and also on the independent variable (X). In addition, because the data used consists of cross-sectional units and time series, a panel data model is used with one approach, namely the fixed effect. In this study, the data used is the Human Development Index (HDI) data in West Java Province by Regency/City in 2017-2020. The variable used in this study is the Human Development Index (Y) as the dependent variable. Average Length of School (X1), Poor Population (X2), Life Expectancy (X3), Per capita Expenditure (X4), and Number of Health Facilities (X5) as independent variables. Based on the analysis, the Adjusted R-Square value is 99.99% and the five independent variables directly affect the Human Development Index, while the variables that have a spatial effect are Average Length of School, Number of Poor Population, and Number of Health Facilities. Abstrak. Metode statistika yang digunakan untuk menentukan hubungan sebab-akibat dari peubah bebas terhadap peubah tak bebas yang memiliki hubungan ketergantungan antar pengamatan atau wilayah adalah metode regresi spasial. Salah satu pendekatan dalam Analisis Regresi Spasial yaitu Spatial Durbin Error Model (SDEM). Spatial Durbin Error Model (SDEM) merupakan model regresi yang memiliki spasial lag pada variabel error (ɛ) dan juga pada variabel bebas (X). Selain itu, karena data yang digunakan terdiri dari unit cross-section dan time-series maka digunakan model data panel dengan salah satu pendekatan yaitu fixed effect. Dalam penelitian ini, data yang digunakan adalah data Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Barat menurut Kabupaten/Kota tahun 2017-2020. Variabel yang digunakan pada penelitian ini yaitu Indeks Pembangunan Manusia (Y) sebagai variabel tak bebas. Rata-rata Lama Sekolah (X1), Penduduk Miskin (X2), Angka Harapan Hidup (X3), Pengeluaran Perkapita (X4), dan Jumlah Fasilitas Kesehatan (X5) sebagai variabel bebas. Berdasarkan analisis diperoleh nilai Adjusted R-Square sebesar 99,99% dan kelima variabel bebas tersebut berpengaruh secara langsung terhadap Indeks Pembangunan Manusia, sedangkan variabel yang memiliki spatial effect yaitu Rata-rata Lama Sekolah, Jumlah Penduduk Miskin, dan Jumlah Fasilitas Kesehatan.]]>
<![CDATA[Analisis Pengaruh Penerimaan Aplikasi E-Commerce Menggunakan Multigroup-Partial Least Square (MGA-PLS) ]]>
<![CDATA[Gita Yantika Sari]]>;
<![CDATA[Marizsa Herlina]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (426.955 KB)
|
DOI: 10.29313/bcss.v2i2.3051
<![CDATA[Abstract. The existence of technology has affected society and the surrounding environment, because technology can help in various things such as improving the economy. In the economic field, technological developments can be in the form of the development of the financial system used, for example electronic commerce or better known as Electronic Commerce/E-Commerce. After the Covid-19 outbreak, the development of E-Commerce began to increase because it could reduce the spread of the epidemic, until it began to develop in rural areas. Technology Acceptance Model (TAM) is one of the models built to analyze and understand the factors that influence the acceptance of the use of computer technology. In addition, in understanding the factors that influence the acceptance of the use of computer technology, Multigroup Structural Equation Model analysis with Partial Least Square (MGA-PLS) is used which aims to predict and analyze determinant factors in measuring the influence of independent variables on the dependent variable and to find out whether or not there is a difference in influence between two or more groups/groups. Based on the analysis, the factors that influence user interest in accepting E-Commerce applications among the people of Karangsari Village, Garut Regency are Perceived Usefulness, Trust, and Attitude Towards Using. In addition, by using Multigroup analysis, it can be concluded that there is no difference in the effect on the income group, which means that the views or responses of the respondents of each income group to the factors that influence the acceptance of E-Commerce applications are the same. Abstrak. Keberadaan teknologi telah mempengaruhi masyarakat dan lingkungan sekitar, karena teknologi dapat membantu dalam berbagai hal seperti memperbaiki ekonomi. Dalam bidang ekonomi perkembangan teknologi dapat berupa perkembangan sistem keuangan yang digunakan, contohnya perdagangan elektronik atau lebih dikenal dengan istilah Electronic Commerce/E-Commerce. Setelah adanya wabah Covid-19, perkembangan E-Commerce mulai meningkat karena dapat mengurangi penyebaran wabah, hingga hal tersebut pun mulai berkembang di pedesaan. Technology Acceptance Model (TAM) adalah salah satu model yang dibangun untuk menganalisis dan memahami faktor-faktor yang mempengaruhi diterimanya penggunaan teknologi komputer. Selain itu, dalam memahami faktor-faktor yang mempengaruhi diterimanya penggunaan teknologi komputer tersebut digunakan analisis Multigroup Structural Equation Model dengan Partial Least Square (MGA-PLS) yang bertujuan untuk memprediksi maupun analisis faktor determinan dalam mengukur besarnya pengaruh variabel bebas terhadap variabel terikat serta untuk mengetahui ada atau tidaknya perbedaan pengaruh antara dua atau lebih kelompok/grup. Berdasarkan analisis diperoleh faktor-faktor yang mempengaruhi minat pengguna dalam penerimaan aplikasi E-Commerce di kalangan masyarakat Desa Karangsari Kabupaten Garut adalah Perceived Usefulness (Kegunaan/Manfaat), Kepercayaan, dan Attitude Towards Using (Sikap Terhadap Penggunaan). Selain itu, dengan menggunakan analisis Multigroup didapat kesimpulan bahwa tidak ada perbedaan pengaruh pada kelompok pendapatan yang artinya pandangan atau tanggapan responden setiap kelompok pendapatan terhadap faktor yang menjadi pengaruh dalam penerimaan aplikasi E-Commerce adalah sama.]]>
<![CDATA[Pemodelan Quantile Regression untuk Menentukan Faktor-Faktor Penyebab Penyakit Tuberkulosis Paru di Kabupaten Tasikmalaya ]]>
<![CDATA[Hasni Khotimah]]>;
<![CDATA[Suwanda]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (366.154 KB)
|
DOI: 10.29313/bcss.v2i2.3068
<![CDATA[Abstract. In regression analysis there are classical assumptions that must be met, namely normality, homoscedasticity, and non-autocorrelation, while in this case there are outliers. The existence of outliers in the data will result in a large and inhomogeneous error variance, so that the estimator generated on data containing outliers will not be Best Linear Unbiased Estimator (BLUE). However, if there are outliers or other assumptions are violated, the good nature of this estimator will be disturbed. In this study, it is known that there are outliers in the tuberculosis data and the factors that influence it. To overcome this outlier problem, robust regression can be used, one of which is the Quantile Regression method. The data used in this study were secondary data obtained from the report of the Puskesmas to the Health Office and Population Control in Tasikmalaya Regency in 2019. The area used as the object of research was 39 sub-districts in Tasikmalaya Regency. In this study, modeling was carried out using 2 quantile levels, namely Quantile Regression (0.33th and 0.67). So as to provide information when cases of Tuberculosis in Tasikmalaya Regency are at risk (low, medium and high). In this study, it was found that at the level of the 0.33 quantile only the clean water variable (X_2) affected the pulmonary TB incident rate, while at the 0.67 quantile level there was no significant variable. Quantile Regression can be applied to determine the relationship between the number of cases of pulmonary tuberculosis with the percentage of proper sanitation (healthy latrines), the percentage of clean water availability and the percentage of non-smoking habits in Tasikmalaya Regency in 2019. Abstrak. Dalam analisis regresi terdapat asumsi klasik yang harus dipenuhi yaitu normalitas, homoskedastisitas, dan non autokorelasi, sedangkan dalam kasus ini terdapat data pencilan (outlier). Adanya pencilan/outlier pada data akan mengakibatkan varians error yang besar dan tidak homogen, sehingga estimator yang dihasilkan pada data yang mengandung outlier tidak akan bersifat Best Linear Unbiased Estimator (BLUE). Akan tetapi jika terdapat outlier atau ada asumsi lain yang dilanggar, sifat baik dari penaksir ini akan terganggu. Pada penelitian ini diketahui adanya outlier dalam data penyakit tuberkulosis dan faktor-faktor yang mempengaruhi nya Untuk mengatasi masalah outlier ini dapat menggunakan regresi yang robust, salah satunya metode regresi kuantil. Data yang digunakan dalam penelitian ini data sekunder yang diperoleh dari laporan Puskesmas kepada Dinkes dan Pengendalian Penduduk di Kabupaten Tasikmalaya tahun 2019. Wilayah yang dijadikan sebagai objek penelitian 39 kecamatan di Kab Tasikmalaya. Pada penelitian ini, pemodelan dilakukan dengan menggunakan 2 level kuantil, yaitu regresi kuantil (ke-0.33 dan ke-0.67). Sehingga memberikan informasi kapan kasus Tuberkulosis di Kabupaten Tasikmalaya beresiko (rendah, sedang dan tinggi). Pada penelitian ini diperoleh bahwa pada level kuantil ke-0.33 hanya variabel air bersih ( ) yang mempengaruhi incident rate TB paru, sedangkan pada level kuantil ke 0.67 tidak ada variabel yang signifikan. Regresi kuantil dapat diaplikasikan untuk menentukan hubungan antara jumlah kasus tuberkulosis paru dengan persentase sanitasi yang layak (jamban sehat), persentase ketersediaan air bersih dan persentase kebiasaan tidak merokok di Kabupaten Tasikmalaya tahun 2019.]]>
<![CDATA[Penerapan Penduga Area Kecil untuk Menduga Pengeluaran Per Kapita di Provinsi Jawa Barat melalui Metode Empirical Best Linear Unbiased Prediction ]]>
<![CDATA[Giatri Divianis]]>;
<![CDATA[Nusar Hajarisman]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (248.73 KB)
|
DOI: 10.29313/bcss.v2i2.3165
<![CDATA[Abstract. A research small sample will lead to errors which gets unexpected stats and precision. So as be solved by direct estimation. However, direct estimation provides insufficient accuracy resulting in large variance. But, can be overcome by estimating small area using Empirical Best Linear Unbiased Prediction (EBLUP) method by borrowing information data from surrounding area. Output evaluation’s by comparing Relative Root Mean Square Error (RRMSE). It’s used in Per Capita Expenditure in West Java. Presentation of Expenditure Per Capita data by BPS still limited in district/city level. The data’s obtained from National Socio-Economic Survey (SUSENAS) of BPS 2021 with household-based information Expenditures as a response variable and companion variables from BPS West Java in Figures 2022, namely Health Facilities, Motorcycle Users, Education Participants, Beneficiary Families, Education Facilities , and Manpower in Micro and Small Industries. With analysis stage, normality test and homoscedasticity test of Per Capita Expenditure then Correlation Test of Per Capita Expenditure value with companion variables, estimating , random effect ( ) and random effect variance ( ), then normality test and homoscedasticity test of influence random ( ), estimates value of EBLUP ( ), calculate RRMSE of two estimators. The RRMSE results from EBLUP estimator are smaller, RRMSE average of 0.23566 compared Direct Estimator's RRMSE average of 0.27016. So, Small Area Estimator of the EBLUP method in Per Capita Expenditure in West Java is better than the result of the Direct Estimator. Abstrak. Suatu penelitian jika memiliki sampel sedikit akan menimbulkan kesalahan dimana memperoleh statistik dan presisi yang tidak diharapkan. Sehingga dapat diatasi dengan pendugaan secara langsung namun, pendugaan langsung memberikan ketelitian yang tidak cukup sehingga menghasilkan varian besar. Tetapi dapat diatasi dengan pendugaan area kecil metode Empirical Best Linear Unbiased Prediction (EBLUP) dengan meminjam data informasi di area sekitar. Evaluasi output dilakukan dengan membandingkan nilai Relative Root Mean Square Error (RRMSE). Hal ini dimanfaatkan pada Pengeluaran Per Kapita di Provinsi Jawa Barat. Penyajian data Pengeluaran Per Kapita oleh BPS masih terbatas pada level kabupaten/kota. Data yang diperoleh dari Survei Sosial Ekonomi Nasional (SUSENAS) BPS 2021 dengan variabel respon Pengeluaran,Per Kapita informasi berbasis Rumah Tangga serta variabel penyerta dari BPS Jawa Barat dalam Angka 2022 yakni Sarana Kesehatan, Pengguna Sepeda Motor, Penempuh Pendidikan, Keluarga Penerima Manfaat, Fasilitas Pendidikan, dan Tenaga Kerja pada Industri Mikro dan Kecil. Dengan tahapan analisis melakukan uji normalitas dan uji homoskedastis Pengeluaran Per Kapita lalu Uji Korelasi nilai Pengeluaran Per Kapita dengan variabel penyerta, pendugaan , pengaruh acak ( ) dan varian pengaruh acak ( ), kemudian uji normalitas dan uji homoskedastisitas pengaruh acak ( ), menduga nilai EBLUP ( ), menghitung RRMSE dari kedua penduga, lalu membandingkannya. Hasil RRMSE penduga EBLUP lebih kecil dengan rata-rata RRMSE sebesar 0,23566 dibandingkan Penduga Langsung diperoleh rata-rata RRMSE sebesar 0,27016. Maka, Penduga Area Kecil metode EBLUP dalam Pengeluaran Per Kapita di Provinsi Jawa Barat lebih baik dibandingkan hasil Penduga Langsung.]]>
<![CDATA[Penerapan Model Pembangkit Curah Hujan Stokastik untuk Simulasi Curah Hujan Harian di Stasiun Badan Meteorologi Klimatologi dan Geofisika (BMKG) Kertajati Jawa Barat ]]>
<![CDATA[Agung Muhammad Fikri]]>;
<![CDATA[Aceng Komarudin Mutaqin]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (273.25 KB)
|
DOI: 10.29313/bcss.v2i2.3220
<![CDATA[Abstract. Optimal management of water resources can have big implications for a country. The main input source in the water resources system is rainfall. Rainfall data is an important component in determining water resource planning. However, in the recording there is often an unavailability of rainfall data. This unavailability of rainfall data can be generated by stochastic analysis. One of the stochastic methods that is often used by other researchers is the stochastic rainfall generator model. This model is a stochastic model that uses historical meteorology and the nature of the stochastic rainfall generator model allows it to generate missing rainfall data on a certain time scale. This thesis applies a stochastic rainfall generator model for daily rainfall simulation. The data to be carried out in this thesis is daily rainfall data at the Kertajati Meteorological Station, Majalengka Regency, West Java which was obtained from the Meteorology, Climatology and Geophysics Agency online data website for 41 years, from January 1980 to August 2021. The results show that the Stochastic Rainfall Generator Model is able to produce rainfall data and represent historical meteorological data with good results. It can be proven that the correlation coefficient between historical data and simulation data is r=0.982 or 98.2%. Abstrak. Pengelolaan sumber daya air yang dilakukan secara optimal dapat memberikan implikasi besar bagi suatu negara. Sumber input utama dalam sistem sumber daya air adalah curah hujan. Data curah hujan merupakan salah satu komponen penting dalam menentukan perencanaan sumber daya air. Namun, dalam pencatatan sering terjadi ketidaksediaan data curah hujan. Ketidaksediaan data curah hujan ini dapat dibangkitkan dengan analisis stokastik. Salah satu metode stokastik yang sering digunakan peneliti lain adalah model pembangkit curah hujan stokastik. Model ini merupakan model stokastik yang menggunakan meteorologi historis dan sifat model pembangkit curah hujan stokastik memungkinkan untuk menghasilkan data curah hujan yang hilang pada skala waktu tertentu. Skripsi ini menerapkan model pembangkit curah hujan stokastik untuk simulasi curah hujan harian. Data yang akan dilakukan dalam skripsi ini adalah data curah hujan harian di di Stasiun Meteorologi Kertajati Kabupaten Majalengka Jawa Barat yang diperoleh dari website data online Badan Meteorologi, Klimatologi dan Geofisika selama 41 tahun, mulai Januari 1980 - Agustus 2021. Hasilnya menunjukkan bahwa model pembangkit curah hujan stokastik mampu menghasilkan data curah hujan dan mewakili data meteorologi historis dengan hasil yang baik. Hal tersebut dapat dibuktikan bahwa nilai koefisien korelasi antara data historis dengan data hasil simulasi sebesar atau sebesar 98,2%.]]>
<![CDATA[Penerapan Regresi Binomial Negatif dalam Memodelkan Angka Kelahiran Remaja Usia 15-19 Tahun di Indonesia pada Tahun 2017 ]]>
<![CDATA[Zahra Tiara Aini]]>;
<![CDATA[Anneke Iswani Achmad]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (157.801 KB)
|
DOI: 10.29313/bcss.v2i2.3233
<![CDATA[Abstract. Poisson regression is a method to analyze the relationship between the independent variable and the dependent variable, which is discrete. In Poisson regression, it must meet the assumption of equidispersion, namely the assumption that the variance and average values of the data are the same. However, discrete data often experiences overdispersion conditions, namely a situation where the variance value is greater than the average. A good alternative regression model for data experiencing overdispersion conditions is a negative binomial regression model that can model data experiencing overdispersion without having to eliminate the overdispersion condition originating from the data. The purpose of this study is to obtain results from the application of negative binomial regression in modeling the birth rate of adolescents aged 15–19 years in Indonesia in 2017 and to find out what factors significantly influence the birth rate of adolescents aged 15–19 years in Indonesia in 2017. From the analysis results, the negative binomial regression model is = exp(5,075 – 4,187×10-2X1 + 8,994×10-3X2 – 3,223×10-7X3 – 4,722X4 + 5,935×10-2X5) and the best negative binomial regression model is = exp(4,750808 + 0,012731X2 – 5,088598X4 + 0,066272X5). Based on the test results, it was found that the Gini index and the percentage of the female population aged 15–19 years who were ever married had a significant effect on the birth rate of adolescents aged 15–19 years in Indonesia in 2017. Abstrak. Regresi Poisson adalah suatu metode untuk menganalisis hubungan antara variabel bebas dengan variabel terikat yang bersifat diskrit. Pada regresi Poisson harus memenuhi asumsi equidispersi yaitu asumsi nilai varians serta rata-rata dari data adalah sama. Namun, pada data diskrit tak jarang mengalami kondisi overdispersi yaitu keadaan dimana nilai varians lebih besar dari rata-rata. Model regresi alternatif yang baik untuk data yang mengalami kondisi overdispersi adalah model regresi binomial negatif yang dapat memodelkan data yang mengalami overdispersi tanpa harus menghilangkan kondisi overdispersi yang berasal dari data. Tujuan dari penelitian ini adalah memperoleh hasil dari penerapan regresi binomial negatif dalam memodelkan angka kelahiran remaja usia 15-19 tahun di Indonesia pada tahun 2017 serta mengetahui faktor apa saja yang berpengaruh secara signifikan terhadap angka kelahiran remaja usia 15-19 tahun di Indonesia pada tahun 2017. Dari hasil analisis diperoleh model regresi binomial negatif nya adalah = exp(5,075 – 4,187×10-2X1 + 8,994×10-3X2 – 3,223×10-7X3 – 4,722X4 + 5,935×10-2X5) dan model regresi binomial negatif terbaik nya adalah = exp(4,750808 + 0,012731X2 – 5,088598X4 + 0,066272X5). Berdasarkan hasil pengujian, diperoleh indeks gini dan persentase penduduk perempuan berusia 15-19 tahun yang pernah kawin berpengaruh secara signifikan terhadap angka kelahiran remaja usia 15-19 tahun di Indonesia pada tahun 2017.]]>
<![CDATA[Multigroup SEM-PLS untuk Pemodelan Kemampuan Literasi Digital Masyarakat Desa ]]>
<![CDATA[Erdanisa Aghnia Ilmani]]>;
<![CDATA[Marizsa Herlina]]>
<![CDATA[ Bandung Conference Series: Statistics Vol. 2 No. 2 (2022): Bandung Conference Series: Statistics ]]>
Publisher : <![CDATA[UNISBA Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (416.02 KB)
|
DOI: 10.29313/bcss.v2i2.3279
<![CDATA[Abstract. SEM-PLS (Partial Least Square) aims to test the predictive relationship between constructs by seeing whether there is a relationship or influence between constructs. Based on real data in the field, it often shows that the data pattern is not normally distributed, so a free and flexible distribution method is needed, namely SEM-PLS. One of the SEM-PLS approach methods is MGA-PLS (Multigroup-PLS) to compare data analysis based on sample data because it has different characteristics with 2 or more characters. Due to the development gap between cities and villages, the government has created a digital village program. The smooth running of the digital village program is also supported by the digital literacy capabilities of the community in the village. Then in this period there is still a digital divide between men and women, meaning that the digital use of men and women is still not balanced. The purpose of this study is to identify and model the factors that influence digital literacy skills, and to see whether or not there are differences in characteristics based on gender using the Multigroup Analysis - Partial Least Square (MGA-PLS) method. The exogenous variables are family environment, intensity of online media use, socioeconomic conditions. The endogenous variable used is digital literacy ability. Meanwhile, the moderating variable is gender. The results of the study using bootstrap estimation show that the three variables of the intensity of online media use, socio-economic conditions, and family environment affect digital literacy skills with an R-Square value of 66%. Then the results of research from Multigroup Analysis - Partial Least Square (MGA-PLS) showed that between male and female groups there was no difference in digital literacy ability. Abstrak. SEM-PLS (Partial Least Square) bertujuan untuk menguji hubungan prediktif antar konstruk dengan melihat apakah ada hubungan atau pengaruh antar konstruk. Berdasarkan data real di lapangan seringkali menunjukkan pola data yang tersebar tidak normal, sehingga diperlukan suatu metode yang bebas distribusi (free distribution) dan fleksibel yaitu SEM-PLS. Salah satu metode pendekatan SEM-PLS adalah MGA-PLS (Multigroup-PLS) untuk membandingkan analisis data berdasarkan data sampel karena memiliki karakteristik yang berbeda dengan 2 atau lebih karakter. Akibat adanya kesenjangan pembangunan antara kota dan desa, maka pemerintah membuat program desa digital. Kelancaran jalannya program desa digital didukung juga oleh kemampuan literasi digital masyarakat di desa tersebut. Kemudian dalam masa ini masih terjadi kesenjangan digital antara pria dan wanita, artinya penggunaan digital pria dan wanita masih tidak seimbang. Tujuan dari penelitian ini adalah mengetahui dan memodelkan faktor- faktor yang berpengaruh terhadap kemampuan literasi digitial, serta melihat ada atau tidak perbedaan karakteristik berdasarkan jenis kelamin menggunakan metode Multigroup Analysis - Partial Least Square (MGA-PLS). Variabel eksogen nya adalah lingkungan keluarga, intensitas penggunaan media online, kondisi sosial ekonomi. Variabel endogen yang digunakan adalah kemampuan literasi digital. Sedangkan untuk variabel moderasinya adalah jenis kelamin. Hasil penelitian menggunakan estimasi bootstrap menunjukkan bahwa ketiga variabel intensitas penggunaan media online, kondisi sosial ekonomi, lingkungan keluarga berpengaruh terhadap kemampuan literasi digital dengan nilai R-Square sebesar 66%. Kemudian hasil penelitan dari Multigroup Analysis - Partial Least Square (MGA-PLS) menunjukan bahwa antara kelompok pria dan wanita tidak memiliki perbedaan terhadap kemampuan literasi digital.]]>
