cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Nusar Hajarisman
Contact Email
statistika@unisba.ac.id
Phone
+628124569091
Journal Mail Official
statistika@unisba.ac.id
Editorial Address
Program Studi Statistika Universitas Islam Bandung Jl. Ranggagading No. 8 Bandung 40116 Phone: 081572198581 Email: nusarhajarisman@unisba.ac.id
Location
Kota bandung,
Jawa barat
INDONESIA
STATISTIKA
Published by Universitas Islam Bandung
ISSN : 14115891     EISSN : 25992538     DOI : https://doi.org/10.29313/statistika.v23i1.1628
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Mathematics
STATISTIKA published by Department of Statistics, Faculty of Mathematics and Natural Sciences, Bandung Islamic University as pouring media and discussion of scientific papers in the field of statistical science and its applications, both in the form of research results, discussion of theory, methodology, computing, and review books. Published biannually in May and November each.
Arjuna Subject : -
Articles 48 Documents
 1   2   3   4   5 
Pendekatan Regresi Nonparametrik Kernel pada Data IHSG Periode Januari 2020 – Desember 2021 William Yulius Karimuse; Darnah Andi Nohe; Meiliyani Siringoringo
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1628

Abstract

ABSTRAK Pendekatan regresi nonparametrik Kernel digunakan untuk memperkirakan harapan bersyarat dari variabel dependen terhadap variabel independen tanpa mengasumsikan bentuk parametrik tertentu. Pendekatan ini menggunakan fungsi Kernel sebagai alat untuk melakukan estimasi. Dalam penelitian ini, digunakan fungsi Kernel Gaussian dan estimator Nadaraya-Watson. Estimator Nadaraya-Watson adalah metode yang mengestimasi fungsi regresi sebagai rata-rata tertimbang secara lokal, dengan menggunakan fungsi Kernel sebagai pembobot. Pendekatan regresi nonparametrik Kernel ini juga efektif dalam mengestimasi data yang memiliki pola runtun waktu, seperti indeks Dow Jones dan Indeks Harga Saham Gabungan (IHSG). Tujuan penelitian ini adalah untuk melakukan estimasi regresi nonparametrik Kernel dan memprediksi IHSG yang dipengaruhi variabel indeks Dow Jones. Model terbaik adalah yang mempunyai bandwidth optimal yang ditentukan berdasarkan Generalized Cross Validation (GCV) minimum. Berdasarkan hasil penelitian diperoleh model regresi nonparametrik Kernel dengan nilai bandwidth optimal sebesar 0,332 dan nilai GCV minimum sebesar 0,2455519. Hasil prediksi mengalami fluktuasi pada interval Rp6.100,00 sampai dengan Rp6.400,00 yang terjadi pada bulan Maret 2021 hingga Desember 2021. ABSTRACT The Kernel nonparametric regression approach is used to estimate the conditional expectations of the dependent variable on the independent variable without assuming a particular parametric form. This approach uses the Kernel function as a tool for estimating. In this study, the Gaussian kernel function and the Nadaraya-Watson estimator are used. The Nadaraya-Watson estimator is a method that estimates the regression function as a locally weighted average, using the Kernel function as the weight. The Kernel nonparametric regression approach is also effective in estimating data that has a time series pattern, such as the Dow Jones index and the Jakarta Composite Index (JCI). The purpose of this study was to estimate the nonparametric regression of the Kernel model and predict the JCI which was influenced by the Dow Jones index variable. The best model is the one that has the optimal bandwidth determined based on the minimum Generalized Cross Validation (GCV). Based on the results of the research, the Kernel nonparametric regression model was obtained with the optimal bandwidth value of 0.332 and the minimum GCV value of 0.2455519. The prediction results fluctuated at the interval of Rp. 6,100.00 to Rp. 6,400.00 which occurred in March 2021 to December 2021.
Perbandingan Performa Metode Berbasis Support Vector Machine untuk Penanganan Klasifikasi Multi Kelas Tidak Seimbang Qorry Meidianingsih; Devi Eka Wardani; Ellis Salsabila; Lina Nafisah; Afifah Nur Mutia
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1660

Abstract

ABSTRAK Permasalahan data multi kelas tidak seimbang mulai mendapatkan perhatian dari komunitas peneliti dalam beberapa tahun terakhir. Permasalahan klasifikasi pada kasus multi kelas tidak seimbang menjadi lebih rumit karena sebagian besar teknik klasifikasi multi kelas diterapkan pada kondisi kelas yang seimbang, sedangkan dalam realisasinya data yang ditemukan lebih sering memiliki kelas tidak seimbang. Penelitian ini fokus pada membandingkan performa tiga metode klasifikasi berbasis support vector machine, yaitu SVM standar, SVM-SMOTE, dan granular support vector machines–repetitive undersampling (GSVM-RU) dimana metode dekomposisi one-versus-one (OVO) diterapkan. Terdapat tiga jenis data hasil bangkitan software R yang dirancang berdasarkan kombinasi jumlah kelas mayoritas dan minoritas yang mungkin terjadi. Hasil penelitian menunjukkan bahwa ketiga model klasifikasi menunjukkan tingkat akurasi tertinggi pada data simulasi yang memiliki perbandingan persentase antara jumlah amatan kelas mayoritas dan minoritasnya paling tinggi. Berdasarkan kriteria sensitivitas dan spesifisitas, model klasifikasi SVM standar dan SVM-SMOTE memberikan performa yang sama baiknya pada kelas mayoritas, sedangkan model klasifikasi GSVM-RU memiliki performa yang baik dalam mendeteksi kelas minoritas. ABSTRACT The problem of data with imbalances in multi-class has begun to receive attention from the research community in recent years. Classification problems in imbalanced multi-class cases become more complicated because most of the classification techniques in multi-class are applied to balanced class conditions, whereas in reality, the data found more often have unbalanced classes. This study focuses on comparing the performance of three support vector machine-based classification methods, namely standard SVM, SVM-SMOTE, and granular support vector machines–repetitive undersampling (GSVM-RU) where the one-versus-one (OVO) decomposition method is applied. There are three types of data generated by R software that are designed based on a combination of the number of possible majority and minority classes. The results showed that the three classification models showed the highest level of accuracy in the simulation data which had the highest percentage comparison between the number of observations of the majority and minority classes. Based on the sensitivity and specificity criteria, the standard SVM and SVM-SMOTE classification models provide equally good performance in the majority class, while the GSVM-RU classification model has good performance in detecting the minority class.
Analisis Jumlah Kedatangan Kapal terhadap Hasil Tangkapan Ikan di Pelabuhan Perikanan Samudera Kutaraja Banda Aceh Rizwan Thaib; Edi Saputra; Muhammad Shiddiq; Zulfan; Rasudin; Nazaruddin; Munawar; Marzuki
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1686

Abstract

ABSTRAK Tujuan dari penelitian ini adalah melakukan analisis deskriptif terhadap 2 variabel yaitu jumlah kedatangan kapal dan hasil tangkapan ikan serta melihat korelasi antara kedua variabel tersebut. Tujuan lainnya adalah memprediksi hasil tangkapan ikan di PPS Kutaraja dengan metode ARIMA. Penelitian ini menggunakan 2 variabel, yaitu jumlah kedatangan kapal dan hasil tangkapan ikan selama 84 bulan (Tahun 2015 hingga 2021). Hasil penelitian menunjukkan bahwa korelasi antara hasil tangkapan ikan dan jumlah kapal berangkat di PPS Kutaraja Banda Aceh adalah sebesar 53,16%. Hubungan linier sederhana tidak terjadi antara kedua variabel ini sebab ada faktor-faktor lain yang mempengaruhi hasil tangkapan ikan. Ramalan hasil tangkapan ikan di PPS Kutaraja Banda Aceh dapat mengunakan model ARIMA (2,1,1) sedangkan ramalan jumlah kedatangan kapan bulanan dapat menggunakan model ARIMA (1,1,1). Ramalan dilakukan untuk 24 bulan (Tahun 2022 hingga 2023). ABSTRACT The purpose of this study is to conduct descriptive analysis of 2 variables, namely the number of boat arrivals and fish catches and see the correlation between the two variables. Another goal is to predict fish catch at PPS Kutaraja using the ARIMA method. This study uses 2 variables, namely the number of boat arrivals and fish catches for 84 months (Years 2015 to 2021). The results showed that the correlation between fish catch and the number of vessels departing at PPS Kutaraja Banda Aceh was 53.16%. A simple linear relationship does not exist between these two variables because there are other factors that affect fish catch. Forecasting fish catch at PPS Kutaraja Banda Aceh can use the ARIMA (2,1,1) model while forecasting the number of arrivals when monthly can use the ARIMA (1,1,1) model. Forecasting is done for 24 months (Year 2022 to 2023).
Penentuan Jumlah Cluster Optimum Menggunakan Davies Bouldin Index dalam Pengelompokan Wilayah Kemiskinan di Indonesia Nanda Shalsadilla; Shantika Martha; Hendra Perdana; Neva Satyahadewi; Evy Sulistianingsih
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1743

Abstract

Abstrak Kemiskinan merupakan suatu permasalahan yang sampai saat ini masih menjadi fokus pemerintah terutama pasca pandemi Covid-19. Permasalahan terkait kemiskinan dapat diatasi apabila pemerintah mengusung program pengentasan kemiskinan yang direalisasikan secara efektif dan efisien. Tujuan penelitian ini adalah mengelompokkan provinsi di Indonesia berdasarkan indikator kemiskinan serta menentukan jumlah cluster optimum yang terbentuk. Analisis cluster merupakan teknik multivariat yang dapat digunakan untuk tujuan pengelompokan. Dengan analisis cluster seluruh provinsi yang ada di Indonesia dapat dikelompokkan berdasarkan kesamaan karakteristik yang dimiliki sehingga kedaruratan dan kebutuhan tiap cluster dapat diketahui. Ward merupakan salah satu metode dalam analisis cluster yang mengelompokkan objek dengan meminimalisir variasi antar objek dalam satu cluster. Selanjutnya, penentuan jumlah cluster optimum penting dilakukan agar seluruh provinsi di Indonesia dapat dikelompokkan dengan tepat. Davies Bouldin Index (DBI) merupakan suatu metode yang menentukan banyaknya cluster optimum berdasarkan kedekatan objek terhadap centroidnya dalam satu cluster dan jarak antar centroid cluster. Data yang digunakan merupakan data 10 indikator kemiskinan untuk setiap provinsi di Indonesia tahun 2021. Berdasarkan penelitian yang telah dilakukan banyaknya cluster optimum yang terbentuk untuk mengelompokkan provinsi di Indonesia berdasarkan indikator kemiskinan adalah berjumlah 5 cluster dengan nilai validitas DBI yang diperoleh sebesar 1,1420 yang merupakan nilai validitas terkecil dari jumlah cluster lainnya. Cluster 1 dengan tingkat kemiskinan tertinggi beranggotakan 3 provinsi yaitu Nusa Tenggara Timur, Papua Barat, dan Papua, cluster 2 beranggotakan 10 provinsi, cluster 3 beranggotakan 11 provinsi, cluster 4 beranggotakan 9 provinsi, dan cluster 5 dengan tingkat kemiskinan terendah beranggotakan 1 provinsi yaitu DKI Jakarta. Abstract Poverty has been an issue that received significant government attention, particularly in response to the Covid-19 pandemic. The study aimed to classify Indonesian provinces based on poverty indicators and determine the optimal number of clusters. Cluster analysis, a multivariate technique, was employed to group provinces based on their similaritycharacteristics, facilitating the identification of specific needs and emergencies within each cluster. The Ward method, a clustering technique, minimized variations between objects within a cluster during the grouping process. Determining the correct number of clusters was crucial to ensure accurate provincial classification. The Davies Bouldin Index (DBI) was used to determine the optimum number of clusters by assessing the proximity of objects to their centroids and the inter-centroid distances. The dataset consisted of 10 poverty indicators for each province in Indonesia in 2021. The research findings revealed that the optimum number of clusters for classifying provinces based on poverty indicators was five, with a DBI value of 1.1420, the lowest among other cluster configurations. Cluster 1, characterized by the highest poverty rate, comprised three provinces: East Nusa Tenggara, Papua, and West Papua. Cluster 2encompassed ten provinces, while cluster 3 consisted of eleven provinces. Cluster 4 comprised nine provinces, and cluster 5, characterized by the lowest poverty rate, consisted of a single province: DKI Jakarta.
Pemilihan Model Terbaik pada Generalized Poisson Regression Menggunakan Akaike Information Criterion Rut Esra; Darnah Andi Nohe; M Fathurahman
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1925

Abstract

ABSTRAK Poisson regression merupakan salah satu model regresi yang dapat digunakan untuk menganalisis hubungan antara variabel respon yang berupa data count dengan variabel prediktor berupa data count, kontinu, kategorik atau campuran dengan syarat terjadi equidispersion yaitu nilai variansi dari variabel respon harus sama dengan nilai rata-ratanya. Namun yang sering terjadi adalah pelanggaran terhadap equidispersion. Generalized Poisson Regression (GPR) adalah suatu model regresi yang digunakan untuk menganalisis hubungan antara variabel respon yang berupa data count dengan satu atau lebih variabel prediktor dan mengalami underdispersion, equidispersion, atau overdispersion. Data tuberkulosis paru (TB paru) di Indonesia tahun 2020 mengalami overdispersion, sehingga GPR adalah metode yang cocok untuk memodelkan data tersebut. Tujuan penelitian ini adalah untuk mendapatkan model GPR terbaik pada data jumlah kasus TB paru di Indonesia tahun 2020 dan mengetahui faktor-faktor yang memengaruhinya. Hasil analisis menunjukkan bahwa terdapat lima belas model GPR yang terbentuk dari empat variabel prediktor yang berpengaruh terhadap jumlah kasus TB paru di Indonesia tahun 2020. Model GPR terbaik berdasarkan nilai Akaike Information Criterion (AIC) terkecil adalah model dengan empat variabel yang berpengaruh yaitu kepadatan penduduk, jumlah penduduk miskin, persentase lantai rumah tidak kedap air, dan persentase tempat pengelolaan pangan yang memenuhi syarat. ABSTRACT Poisson regression is a regression model that can be used to analyze the relationship between response variables in the form of count data and predictor variables in the form of count, continuous, categorical or mixed data with the condition that equidispersion occurs, namely the variance value of the response variable must be equal to the average value. However, what often happens is that the variance value is greater than the average value or is called overdispersion. Generalized Poisson Regression (GPR) is a regression model used to analyze the relationship between response variables in the form of count data and one or more predictor variables and occure underdispersion, equidispersion or overdispersion. Data for pulmonary tuberculosis in Indonesia in 2020 occured overdispersion, so GPR is a suitable method to model the data. The purpose of this study was to obtain the best GPR model and to obtain the factors that significantly influence the number of pulmonary tuberculosis cases in Indonesia in 2020. The results of the analysis show that there are fifteen GPR models formed from four predictor variables that affect the number of pulmonary tuberculosis cases in Indonesia in 2020. The best GPR model based on the smallest Akaike Information Criterion (AIC) value is a model with four influential variables, namely population density, number of poor people, percentage of house floors that are not waterproof, and percentage of food management places that meet the requirements.
Premarital Sex Behavior Model with Lasso Generalized Linear Mixed Model and Group Lasso Generalized Linear Mixed Model Khalilah Nurfadilah; Asfar; Khairil A. Notodiputro; Bagus Sartono; Azlam Nas
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1953

Abstract

ABSTRACT Premarital sexual behavior is sexual behavior that is carried out between men and women without legal marriage. As the number of premarital sex increases, efforts need to take. One that can do is to identify the main factors contributing to reducing or increasing premarital sex behavior by a Regression model. In the context of sexual behavior, environmental influences cannot be ignored. GLMM is used to model data that is grouped into certain Groups, include environment effect that is modeled as mixed effect in GLMM. In terms of parsimony, the LASSO method can do selection variables. This research uses GLMM LASSO and GLMM Group LASSO as a model to approach the data. The best model that describes premarital sex behavior in South Sulawesi is the GLMM Group LASSO model based on the greatest AUC value. The variables that significantly influence the model are Type of Residence (X_1), Education Level (X_2), Literacy (X_3), Internet use (X_4), Knowledge of Contraceptive Methods (X_6), Health Insurance Ownership (X_7), Employment Status (X_8), Knowledge of Sexually Transmitted Diseases (X_9). By knowing the factors that influence premarital sex behavior, the government is expected to take the appropriate action for handling it.
Penggunaan Metode Double Exponential Smoothing pada Peramalan Kasus COVID-19 di Provinsi Sumatera Selatan Nadya Amalia Yulianti; Dian Cahyawati; Eka Susanti
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.2108

Abstract

ABSTRAK Metode Double Exponential Smoothing Tipe Holt dapat digunakan pada data yang mengalami trend. Metode ini menggunakan dua parameter yaitu parameter nilai pemulusan eksponensial dan parameter pemulusan nilai trend. Data COVID-19 tumbuh secara eksponensial dan memiliki model penyebaran mengikuti Double Exponential Smoothing. Tujuan dari penelitian ini adalah untuk memperoleh model peramalan dan hasil peramalan dari kasus data COVID-19. Penelitian ini menggunakan kasus data COVID-19 pada periode 1 Januari 2021 – 28 Februari 2022 yaitu sebanyak 424 hari. Hasil penelitian ini memperoleh model peramalan untuk lima kategori kasus COVID-19 yaitu Kontak Erat Discarded, Kasus Asimptomatik, Kasus Simptomatik, Konfirmasi Meninggal, dan Konfirmasi Sembuh. Kelima model peramalan tersebut dapat digunakan untuk menentukan jumlah kasus data COVID-19 untuk hari ke-425 dan seterusnya. Ukuran kesalahan peramalan model ditentukan berdasarkan nilai MAPE (Mean Absolute Percentage Error) dengan nilai yang diperoleh untuk semua kategori kasus COVID-19 menunjukkan bahwa semua model peramalan menghasilkan nilai MAPE dibawah 10%, artinya model peramalan tersebut memiliki kemampuan yang sangat baik untuk melakukan peramalan kasus data COVID-19. ABSTRACT Holt Type Double Exponential Smoothing Method can be used for trending data. This method uses two parameters, the parameters are exponential smoothing value parameter and the trend value smoothing parameter. COVID-19 data grows exponentially and has distribution model follow to Double Exponential Smoothing model. The purpose of this study are to obtain forecasting model and forecasting results from COVID-19 data cases. This study uses COVID-19 data cases on period 01 January 2021 – 28 February 2022, which is 424 days. The result of this research obtained forecasting models for five categories of COVID-19, namely Discarded Close Contacts, Asymptomatic Cases, Symptomatic Cases, Death Confirmation, and Recovered Confirmation. The five forecasting models are used to determine total of COVID-19 data cases on 425th day period onwards. The forecast error size of model is determined based on MAPE (Mean Absolute Percentage Error) value with obtained MAPE values for all categories are lower than 10%, which means that forecasting models has a very good performance for forecasting COVID-19 data cases.
Analisis Clustering Time Series untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indeks Pembangunan Manusia Jenis Kelamin Perempuan Dwi Agustin Nuriani Sirodj; I Made Sumertajaya; Anang Kurnia
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.2181

Abstract

ABSTRAK Indeks Pembangunan Manusia (IPM) mencerminkan bagaimana kualitas dari pembangunan suatu wilayah tertentu. Selain adanya ketimpangan nilai IPM antar wilayah provinsi di Indonesia, jika dilihat dari sudut pandang gender, maka kesenjangan IPM laki-laki dan perempuan pun tidak bisa dihindari. Peningkatan pertumbuhan pembangunan di setiap wilayah tentu harus mendorong peningkatan kesetaraan gender pula, dalam hal ini kesenjangan pembangunan antara laki-laki dan perempuan harus mampu diminimalisir sehingga penting untuk melihat bagaimana kondisi IPM perempuan perwilayah provinsi di Indonesia agar dapat dilakukan langkah-langkah intervensi untuk meminimalisir isu ketimpangan yang harapannya dapat mendorong indeks pembangunan di wilayah tersebut. Metode analisis yang digunakan untuk mengelompokkan daerah berdasarkan nilai IPM perempuan adalah Clustering time series. Hasil analisis memperlihatkan metode clustering time series dengan menggunakan jarak dynamic time-warping (DTW) menghasilkan dua kelompok yaitu kelompok 1 (daerah dengan IPM perempuan rendah): daerah Papua dan kelompok 2 (daerah dengan IPM perempuan tinggi): daerah lain selain Papua. Pengelompokan yang dibentuk menghasilkan nilai koefisien Silhouette sebesar 0,74. Nilai tersebut menandakan bahwa kelompok yang dibentuk berada dalam kategori kuat dalam artian bahwa dua kelompok tersebut mempunyai karakteristik yang jelas berbeda sehingga metode pengelompokan dengan jarak DTW dapat digunakan dalam pengelompokan provinsi-provinsi di Indonesia berdasarkan nilai IPM Perempuan. ABSTRACT The Human Development Index (HDI) reflects the quality of development in a particular region. In addition to the inequality of HDI values between provinces in Indonesia, when viewed from a gender perspective, the gap between the HDI of men and women is inevitable. Increased development growth in each region must certainly encourage an increase in gender equality as well; in this case, the development gap between men and women must be able to be minimized, so it is important to see how the condition of the women's HDI per region in Indonesia so that intervention steps can be taken to minimize the issue of inequality. The analysis method used in this paper is Time Series Clustering. The analysis results show that the time series clustering method using dynamic time-warping (DTW) distance produces two groups: group 1 (regions with low female HDI): Papua region and group (2 regions with high female HDI): all provinces except Papua. The grouping formed produced a Silhouette coefficient value of 0.74. This value indicates that the groups formed are in a strong category, so the clustering method with DTW distance can be used in grouping provinces in Indonesia based on the value of Women's HDI.
Optimasi Golden Section pada Metode Double Exponential Smoothing untuk Meramalkan Indeks Harga Konsumen di Indonesia Zumrotul Muallifah; Wika Dianita Utami; Hani Khaulasari; M. Lail Kurniawan
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.2183

Abstract

ABSTRAK Indeks Harga Konsumen (IHK) dapat digunakan sebagai indikator ekonomi dan ukuran tingkat biaya produksi, serta berguna dalam memantau tingkat kenaikan harga dan pendapatan. Pemerintah perlu secara berkala menyesuaikan kebijakan inflasi IHK untuk menjaga stabilitas situasi ekonomi rakyat, mengingat tingkat inflasi IHK berubah setiap bulan. Penelitian ini bertujuan untuk mengoptimalkan parameter dan melakukan peramalan IHK untuk periode November 2022 hingga Oktober 2023 menggunakan metode Double Exponential Smoothing Holt dengan optimasi parameter menggunakan metode Golden Section. Hasil penelitian menunjukkan bahwa MAPE (Mean Absolute Percentage Error) sebesar 0,8140406%, dengan nilai parameter optimal sebesar 0,9957141 dan 0,0127842. Peramalan menunjukkan tingkat stabilitas yang baik dari bulan November 2022 hingga Oktober 2023. ABSTRACT The Consumer Price Index (CPI) can be used as an economic index and a measure of production costs, and it is useful for examining price increases and income levels. The government needs to periodically adjust CPI inflation policies to ensure the stability of the people's economy since the CPI inflation rate changes every month. The research aims to obtain optimized parameter results and forecasts for the CPI from November 2022 to October 2023 using the Golden Section parameter optimization in Double Exponential Smoothing Holt. The research results using the Double Exponential Smoothing Holt method and Golden Section parameter optimization show an MAPE value of 0.8140406% and parameter values of 0.9957141 and 0.0127842. The forecasted results indicate a stable trend from November 2022 to October 2023.
Efek Besaran Simpangan Baku Sampel terhadap Nilai Residu dalam Analisis Regresi Berganda Tiga Variabel Bebas Ikhsanudin; Edi Istiyono; Syaiful Syamsuddin
Statistika Vol. 23 No. 2 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i2.1661

Abstract

ABSTRACT Multiple regression is a statistical data analysis technique that is often used to find models of relationships between variables. Regression analysis can explain causal relationships, where the value of the independent variable predicts the value of the dependent variable. This research aims to describe the effect of the sample standard deviation to the residual value in multiple regression analysis for three independent variables and one dependent variable. This research is descriptive research using simulation data of 110 respondents. Variations in standard deviation values ​​are obtained from increasing the observed scores on the variables. The variation of standard deviation in this study are calculated from observed scores that increase by the same multiple. Next, the regression residual values ​​were analyzed using the SPSS program. The results of the analysis show that there is an influence of the standard deviation value of sample on the residual value. When the sample standard deviation value increases A times, the residual value also becomes A times larger. This indicates that the greater the variation in the data, the greater the residual value in regression analysis. In multiple regression of three independent variables on one dependent variable, the effect of the deviation value in the sample which changes the residual value only applies to the dependent variable, changes in the standard deviation of the independent variable do not affect the residual value. The conclusion of this research is a simple description so further studies are needed specifically. ABSTRAK Regresi berganda merupakan salah satu teknik analisis data statistik yang sering digunakan untuk mencari model hubungan antar variabel. Analisis regresi dapat menjelaskan hubungan sebab-akibat, dimana nilai variabel bebas memprediksi nilai variabel terikat. Penelitian ini bertujuan untuk mendeskripsikan keterkaitan antara besaran simpangan baku sampel terhadap nilai residu pada analisis model regresi berganda untuk tiga variabel bebas dengan satu variabel terikat. Penelitian ini merupakan penelitian deskriptif dengan menggunakan data simulasi. Sampel simulasi sebanyak 110 responden. Variasi nilai simpangan baku diperoleh dari memperbesar skor amatan pada variabel yang dianalisis regresi dengan kelipatan tertentu. Oleh karena itu, batasan simpangan baku dalam penelitian ini dihitung dari skor-skor amatan yang bertambah besar dengan kelipatan sama. Selanjutnya, nilai residu regresi dianalisis menggunakan program SPSS. Hasil analisis menunjukkan bahwa ada pengaruh besaran simpangan baku sampel terhadap nilai residu. Ketika nilai simpangan baku sampel bertambah besar A kali maka nilai residu juga semakin besar A kali pula. Hal ini mengindikasikan bahwa semakin besar variasi data maka semakin besar pula nilai residu dalam analisis regresi. Pada regresi berganda tiga variabel bebas terhadap satu variabel terikat, efek besaran nilai simpangan pada sampel yang mengubah besaran nilai residu hanya berlaku pada variabel terikat saja, perubahan simpangan baku pada variabel bebas tidak mempengaruhi besaran nilai residu. Kesimpulan penelitian ini merupakan deskripsi sederhana sehingga diperlukan kajian lebih lanjut secara khusus memperdalam bahasan pada topik yang sama.

Page 4 of 5 | Total Record : 48

 1   2   3   4   5 

Filter by Year

2021 2023


Reset
Filter By Issues
All Issue Vol. 23 No. 2 (2023): Statistika Vol. 23 No. 1 (2023): Statistika Vol. 22 No. 2 (2022): Statistika Vol. 22 No. 1 (2022): Statistika Vol. 21 No. 2 (2021): Statistika