Statistika Terapan (S2)

Permanent URI for this collection

https://repository.unpad.ac.id/handle/kandaga/273

Browse

Now showing 1 - 20 of 140

ADAPTIVE BOOSTING LOGISTIC REGRESSION DALAM MODEL KLASIFIKASI UNTUK MENGELOMPOKKAN PENERIMA RASKIN DI PROVINSI JAWA BARAT
(2019-02-14) MOHAMAD IBNU RUSDIE; Zulhanif; Yusep Suparman
Kondisi kesejahteraan sosial di Jawa Barat perlu mendapatkan perhatian khusus terutama dari pemerintah daerah Jawa Barat karena dapat berdampak pada penurunan kualitas hidup masyarakat. Salah satu upaya untuk menjamin kesejahteraan sosial masyarakat khususnya dalam hal penanggulangan kemiskinan adalah Program Beras Miskin atau Raskin. Program Subsidi Beras untuk Masyarakat Berpenghasilan Rendah yang populer dengan nama Program Raskin sudah dilaksanakan sejak 2002 di Indonesia. Tujuan utama program Raskin yaitu mengurangi beban pengeluaran Rumah Tangga Sasaran (RTS) melalui pemenuhan sebagian kebutuhan pangan beras. Namun menurut estimasi data survei sosial ekonomi nasional (Susenas) BPS, jumlah rumah tangga penerima Raskin selama pelaksanaan 2002 – 2010 jauh lebih besar daripada jumlah sasaran, bahkan pada 2002 – 2007 mencapai lebih dari dua kali lipat.Dengan adanya permasalahan ini, maka diperlukan suatu klasifikasi agar program tersebut diterima oleh rumah tangga sasaran yang tepat. Variabel yang digunakan untuk pengklasifikasian pada penelitian ini didasarkan pada keadaan sosial ekonomi rumah tangga miskin Jawa Barat. Variabel-variabel tersebut memiliki skala pengukuran kategorik dan kontinu, sehingga metode statistika yang digunkan adalah teknik klasifikasi data mining dengan algoritma Adaptive Boosting Logistic Regression . Dengan menggunakan algoritma Adaptive Boosting Logistic Regression pada penelitian ini didapatkan tingkat akurasi sebesar 89,29% persen.
Analisis Asosiasi dari Tabel Kontingensi dengan Tambahan Variabel Kontinu menggunakan Hybrid Singly Ordered Correspondence Analysis dengan Nilai Korelasi
(2022-04-08) FAJRIATUS SHOLIHAH; Irlandia Ginanjar; Yuyun Hidayat
Data dengan tipe kualitatif sering diubah dalam bentuk tabel kontingensi saat ingin menganalisis objek yang merupakan subpopulasi. Kategori baris dan kolom dari tabel kontingensi secara berurutan dijadikan sebagai objek dan variabel. Selain itu, dari objek seringkali diperoleh data tambahan berupa variabel kontinu. Penelitian ini dilakukan untuk menerapkan metode hybrid Singly Ordered Correspondence Analysis (SOCA) dengan nilai korelasi untuk mengidentifikasi asosiasi antar objek, antar variabel, dan antara objek dengan variabel, dimana variabelnya bersifat campuran antara variabel diskrit yang terbentuk dari tabel kontingensi dengan variabel kategori kolomnya berskala ordinal dengan variabel kontinu. Metode SOCA digunakan untuk mendapatkan koordinat utama variabel diskrit, sedangkan korelasi digunakan untuk mendapatkan koordinat vektor variabel kontinu. Adapun untuk mengidentifikasi kontribusi suatu kategori pada struktur asosiasi antara dua variabel kategori dilakukan perhitungan confidence region dan p-value. Metode tersebut diaplikasikan pada data indikator indeks kebahagiaan dengan kelompok umur berdasarkan jumlah penduduk. Hasil penelitian berdasarkan data studi kasus menunjukkan bahwa semua kategori yang berskala nominal dan ordinal memberikan kontribusi yang signifikan terhadap asosiasi antar variabel kategori. Terdapat 11 provinsi berasosiasi dengan kategori umur 17 – 26 tahun, 17 provinsi berasosiasi dengan kategori umur 27 – 41 tahun, dan 6 provinsi lainnya berasosiasi dengan kategori umur > 62 tahun. Adapun pada variabel ketersediaan waktu luang (X7), perasaan cemas (X12), dan perasaan tidak tertekan (X13) memiliki korelasi yang signifikan dengan koordinat utama pertama, sedangkan variabel keadaan lingkungan (X9) dan kondisi keamanan (X10) memiliki korelasi yang signifikan dengan koordinat utama kedua. Dengan demikian, semua kategori provinsi, kelompok umur, serta variabel X7, X9, X10, X12, dan X13 tersebut layak untuk diperhatikan sebagai dasar pengambilan kebijakan.
Analisis Asosiasi Multivariat untuk Variabel-Variabel Kualitatif dan Kuantitatif Menggunakan Hybrid Korespondensi Berganda dengan Asosiasi Cosinus
(2019-01-15) ADE IRMA NURWAHIDAH; Irlandia Ginanjar; Jadi Suprijadi
Akreditasi sekolah harus dimaknai sebagai upaya meningkatkan mutu, kinerja, dan produktivitas satuan pendidikan. Akreditasi merupakan salah satu bentuk evaluasi yang penting dalam rangka mempertahankan mutu pendidikan. Perlunya evaluasi ketercapaian delapan standar nasional pendidikan untuk jenjang pendidikan dan status sekolah. Berdasarkan hal itu dengan melakukan evaluasi dapat mengelompokkan variabel-variabel berdasarkan karakteristik-karakteristik yang sama. Hasil dari penelompokkan dapat memberikan informasi mengenai prioritas perbaikan pada komponen standar nasional pendidikan yang memerlukan perhatian lebih lanjut berdasarkan peringkat akreditasi untuk di jenjang penddikan dan status sekolah di setiap Provinsi . Hybrid korespondensi berganda dengan asosiasi cosinus akan menjadi alat yang digunakan pada penelitian ini untuk mengelompokkan variabel-variabel berdasarkan karakteristik-karakteristik yang sama pada data akreditasi SMA/ MA di beberapa sekolah di Indonesia. Jarak cosinus dan jarak Mahalanobis menjadi solusi untuk pengelompokkan. Perbaikan penilaian komponen standar akreditasi pada peringkat akreditasi A sebagian besar prioritas perbaikan pada standar penilaian pendidikan dan peringkat akreditasi B, C dan TT sebagian besar perbaikan pada standar sarana dan prasarana untuk di beberapa sekolah di Indonesia.
Analisis Competing Risks dengan Model Non Proportional Subdistribution Hazard untuk Pemodelan Lama Waktu Pasien Berada di IGD
(2018-01-17) DAVID HADI SAPUTRA; Sudartianto; Septiadi Padmadisastra
Model Cox Proportional Hazard merupakan model regresi survival yang paling sering digunakan untuk menganalisis pengaruh kovariat terhadap waktu survival sebagai variabel respon. Namun model ini hanya dapat digunakan jika terdapat hanya satu event of interest. Model competing risk dapat digunakan untuk melakukan analisis pada data survival dengan lebih dari satu penyebab terjadinya event. Pada data LOS pasien IGD RSHS terdapat tiga alasan pasien keluar IGD, yaitu masuk rawat inap, masuk kamar operasi, dan pulang. Pada penelitian ini, analisis competing risks dilakukan dengan menggunakan model regresi subdistribution hazard. Model subdistribution hazard, pada dasarnya merupakan pengembangan dari model Cox sehingga terdapat juga asumsi proportional hazard yang harus diujikan. Berdasarkan analisis pada data LOS bulan Mei 2017 di Instalasi Gawat Darurat RSUP Dr. Hasan Sadikin Bandung, terdapat pelanggaran asumsi proportional hazard sehingga model yang lebih tepat untuk digunakan adalah model non proportional subdistribution hazard. Fungsi waktu yang digunakan dalam penelitian ini adalah fungsi waktu linier g_i (t)=t. Untuk mengevaluasi model, digunakan nilai AIC (Akaike’s Information Criterion). Berdasarkan kriteria tersebut, model non proportional hazard merupakan model yang lebih baik karena memiliki AIC yang lebih kecil yaitu sebesar 3840,822 dibandingkan dengan model proportional subdistribution hazard. Kovariat yang berpengaruh signifikan terhadap lama pasien berada di IGD adalah pasien tidak mampu, bagian bedah, bagian anak, shift sore, shift malam, hari libur, dan jam keputusan dokter.
ANALISIS DATA SPASIAL MENGGUNAKAN METODE BAYESIAN GEOGRAPHICALLY WEIGHTED REGRESSION (Studi Kasus Data PDRB per Kapita di Provinsi Jawa Timur)
(2015-01-27) WAHYU SRI LESTARI; Tidak ada Data Dosen; Tidak ada Data Dosen
PDRB per kapita merupakan salah satu indikator untuk mengukur kesejahteraan masyarakat pada suatu wilayah , sehingga penting untuk mengetahui faktor-faktor yang dapat mempengaruhi PDRB per kapita. Terdapat berbagai metode dalam melakukan analisis tersebut, diantaranya analisis regresi maupun analisis Geographically Weighted Regression (GWR). Analisis regresi adalah suatu metode yang umum digunakan untuk menentukan faktor-faktor yang mempengaruhi PDRB per kapita apabila karakteristik antar daerah bersifat homogen dan independen. Namun pertumbuhan PDRB per kapita pada kabupaten/kota di Provinsi Jawa Timur tentunya memiliki karakteristik yang berbeda-beda, melihat kondisi geografis, potensi wilayah, keadaan sosial-budaya maupun hal-hal lain yang melatarbelakanginya, sehingga muncul heterogenitas spasial, artinya apabila karakteristik antar daerah yang heterogen maka penaksir parameter dari model regresi akan bervariasi secara spasial. Analisis GWR dapat digunakan untuk mengatasi masalah heterogenitas spasial tersebut. GWR merupakan bagian dari analisis spasial yang bersifat lokal dengan pembobotan berdasarkan posisi atau jarak dari satu lokasi pengamatan dengan lokasi pengamatan lainnya. Pendekatan Bayes dalam model GWR yang disebut Bayesian Geographically Weighted Regression (BGWR) adalah analisis yang tepat untuk menangani permasalahan heteroskedastisitas tersebut. Pendekatan ini secara langsung mendeteksi dan memboboti pengamatan yang berpotensi mengandung pencilan, sehingga dapat mengurangi efek pencilan terhadap pendugaan parameter model. Dengan menggunakan BGWR akan menghasilkan nilai penaksir parameter yang lebih smooth dibandingkan dengan GWR.
Analisis Data Spatial Dengan Metode Geographycally Weighted Regression (Studi Kasus Model Output Sektor Industri Menengah Besar)
(2015-01-19) LANI AMALIAH; Tidak ada Data Dosen; Tidak ada Data Dosen
Dalam statistik, jika terdapat heterogenitas dalam data maka untuk mengetahui pengaruh antara variabel dependen dan independen tidak lagi dapat dilakukan dengan analisis regresi biasa, melainkan harus dengan analisis regresi lokal. Pengaruh spatial ini biasanya terjadi pada unit pengamatan yang berupa wilayah/area. Adanya pengaruh spatial ini menyebabkan penaksiran parameter menjadi bias dan variansnya besar. Oleh karena itu dalam mengestimasi parameter dilakukan pembobotan untuk setiap lokasi, sebagai dasar dalam metode Geographically Weighted Regression (GWR). Dalam pembentukan model GWR diperlukan bandwitdh yang optimum untuk menghitung pembobot di setiap lokasi. Kriteria penentuan bandwidth optimum yang akan digunakan adalah Cross Validation (CV) dan Akaike Information Criteria (AIC), sedangkan fungsi pembobot yang akan digunakan dalam penelitian ini adalah pembobot fix dan adaptive. Studi kasus dari penelitian ini adalah model output sektor Industri Menengah Besar pada tataran propinsi. Fungsi pembobotan dan kriteria bandwidth yang optimum yang cocok untuk menentukam model output sektor Industri Menengah Besar adalah fungsi pembobot adaptive dengan kriteria bandwidth optimum CV. Dengan uji kesesuaian model, diperoleh hasil bahwa efek spatial berpengaruh terhadap pembentukan model output. Faktor-faktor yang mempengaruhi output di setiap propinsi pada umumnya hampir sama, yaitu pengeluaran perusahaan untuk bahan baku, bahan bakar, listrik dan pajak. Namun, terdapat 23 propinsi yang memiliki model output yang berbeda.
Analisis Multigroup Structural Equation Modeling (SEM) (Studi Kasus: Pengaruh Modal Sosial terhadap Kesejahteraan Masyarakat)
(2015-01-18) AGUSTINA DWI WARDANI; Tidak ada Data Dosen; Tidak ada Data Dosen
Kompleksitas hubungan antar variabel secara efisien dapat ditangani dengan menggunakan metode multivariat statistik. Untuk mengatasi permasalahan analisis variabel yang tidak dapat diukur secara langsung maka digunakan analisis Structural Equation Modeling (SEM). Dalam pemodelan SEM diperlukan suatu struktur data yang homogen. Adanya keheterogenan dalam data membuat dikembangkannya pendekatan multigroup dalam rangka pengujian invarian dalam pengukuran. Selain itu, analisis multigroup SEM memberikan kerangka yang dapat diandalkan dalam pengujian perbedaan rata-rata kelompok pada variabel laten. Pengujian pengukuran invarian antar kelompok pada suatu struktur data yang memiliki ketidakhomogenan karena adanya perbedaan karakteristik wilayah merupakan hal yang dapat diatasi dengan analisis multigroup. Studi kasus dalam penelitian ini ingin melihat adanya perbedaan rata-rata modal sosial pada karakteristik wilayah yang berbeda yang diklasifikasikan menurut wilayah perkotaan dan perdesaan. Hasil dalam penelitian ini menunjukkan bahwa berdasarkan latent mean terdapat perbedaan rata-rata pengaruh modal sosial terhadap kesejahteraan masyarakat antara kelompok wilayah perkotaan dan perdesaan. Dan rata-rata variabel jejaring dan keanggotaan, aksi bersama, dan kesejahteraan masyarakat pada wilayah perkotaan lebih tinggi dibandingkan wilayah perdesaan.
ANALISIS SPEKTRAL DAN MODEL MARKOV SWITCHING SIKLUS BISNIS INDONESIA
(2017-01-13) MUHAMMAD FAJAR; Sutawanir Darwis; Gumgum Darmawan
Siklus bisnis merupakan suatu fluktuasi yang dapat ditemukan dalam aktivitas ekonomi agregat, dimana terdapat empat tahap dalam pergerakannya, yaitu titik terbawah (trough), ekspansi, puncak (peak), dan resesi. Belum ditemukannya nilai smoothing parameter untuk proses filter Hodrick Prescott yang optimal merupakan hambatan dalam studi siklus bisnis khusus di Indonesia, kemudian belum tersedianya informasi lamanya durasi siklus bisnis Indonesia secara empiris dari domain frekuensi dan bagaimana memodelkan siklus bisnis dari domain waktu dalam periodisasi rezim resesi dan ekspansi serta besaran probabilitas rezim resesi dan ekspansi dalam jangka panjang pada perekonomian. Variabel yang digunakan untuk mengukur siklus bisnis dalam penelitian ini adalah PDB riil dengan pendekatan deviasi. Metode yang digunakan dalam penelitian ini adalah kriteria GCV, analisis spektral, model markov switching, dan limiting distribution dari matrik transisi. Hasil dari penelitian mendapatkan nilai smoothing parameter sebesar 988.474 (memiliki GCV minimum), hasil ini berbeda dengan nilai default yang sering digunakan dalam penelitian tentang siklus bisnis, yaitu 1600. Nilai 988.474 menunjukkan bahwa untuk kasus Indonesia filter HP optimal pada data PDB riil nilai smoothing parameter tersebut. Berdasarkan analisis spektral menunjukkan bahwa siklus bisnis merupakan bukanlah pure component periodic (quasi periodic) dan bersifat recurrent not periodic, hal ini ditunjukkan adanya empat puncak dominan pada plot spektrum sampel dengan karakteristik yang berbeda-beda yang mengindikasikan bahwa siklus bisnis terdiri dari komponen sinusoidal yang memiliki karaketristik berbeda-beda sehingga berimplikasi pada durasi yang bervariasi dan tidak reguler, dimana durasi siklus bisnis Indonesia bervariasi antara 13 sampai 67 quarter (kuartal). Model markov switching untuk siklus bisnis Indonesia adalah MSIV-AR (3). Model tersebut dapat digunakan untuk pemodelan siklus bisnis tetapi tidak cukup akurat dalam periodisasi rezim resesi dan ekspansi karena adanya pengaruh noise yang kuat dalam komponen siklus hasil ekstraksi filter HP. Berdasarkan matriks transisi dapat dibentuk limiting distributions, dimana kolom darinya merupakan probabilitas (peluang) jangka panjang dari rezim resesi dan ekspansi masing-masing sebesar 49.95 dan 50.05 persen. Kedua nilai peluang tersebut sangat kecil perbedaannya kurang lebih sama, artinya dalam jangka panjang perekonomian mempunyai kesempatan yang sama untuk masuk ke dalam rezim ekspansi ataupun ke dalam rezim resesi. Nilai peluang tersebut bersifat tidak mutlak, artinya dapat berubah-ubah tergantung faktor internal dan eksternal perekonomian serta kebijakan dan program yang dibuat pemerintah dalam mengantisipasi berbagai masalah perekonomian.
BAYESIAN CONFIGURAL FREQUENCY ANALYSIS UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR HONDA DI KOTA CIREBON
(2018-01-16) MUHAMAD IQBAL MAWARDI; Bertho Tantular; Septiadi Padmadisastra
Berdasarkan pada laporan PT. Daya Adicipta Mustika mengenai Brand Awareness & Image terhadap user dan non user Honda terjadi penurunan pada indikator Top Of Mind Unit di Kota Cirebon untuk user motor Honda sebesar 30,8% dan untuk non user motor Honda sebesar 9,8%. Penelitian ini bertujuan untuk mengetahui konfigurasi dari karakteristik user dan non user motor Honda di Kota Cirebon dengan menggunakan Bayesian CFA. Informasi awal diperoleh data mengikuti distribusi sampel multinomial, maka prior konjugatnya distribusi dirichlet dan posteriornya mengikuti distribusi dirichlet. Dari hasil analisis data dapat diketahui bahwa terdapat empat konfigurasi dari karakteristik user dan non user motor Honda yang menyimpang dari base model yang terbentuk. Salah satu dari keempat karakteristik yaitu konfigurasi 2212 perlu diperhatikan secara khusus oleh PT. Daya Adicipta Mustika dalam menentukan strategi promosi untuk mempertahankan dan meningkatkan Top Of Mind Unit di Kota Cirebon.
BAYESIAN DAN NON-BAYESIAN TIME SERIES DATA COUNT (Studi Kasus : Banyaknya Pencari Kerja di Provinsi Kalimantan Tengah)
(2019-01-15) MERTHA ENDAH ERVINA; Toni Toharudin; Septiadi Padmadisastra
Model ARIMA telah banyak dipergunakan untuk pemodelan data time series. Namun, ketika memodelkan data bilangan bulat yang tidak pernah bernilai negatif (non-negative integer-valued) model ini mungkin tidak tepat. Hal ini disebabkan karena hasil prediksi model ARIMA yang dapat bernilai negatif. Metode count time series dengan pendekatan GLM dan juga INLA menawarkan solusi alternatif untuk memodelkan data count tersebut. Kriteria model terbaik pada metode count time series pendekatan GLM menggunakan Quasi Information Criterion (QIC), sedangkan pada metode Bayesian dengan INLA digunakan Deviance Information Criterion (DIC) dan Watanabe-Akaike Information Criterion (WAIC). Model terbaik untuk data banyaknya pencari kerja terdaftar di Kalimantan Tengah dengan pendekatan GLM adalah Model dengan orde model P = {1,2}, Q={1}, dan link function identity. Sedangkan pada pendekatan INLA, model terbaiknya adalah Model AR(2) dengan penalized complexity (PC) prior. Berdasarkan nilai MAPE dan RMSE dari hasil prediksi kedua metode, metode count time series pendekatan INLA memiliki nilai MAPE dan RMSE yang lebih kecil dibanding metode count time series pendekatan GLM untuk kasus data banyaknya pencari kerja terdaftar di Kalimantan Tengah. Nilai MAPE pendekatan INLA bahkan kurang dari 10 persen, atau dengan kata lain memberikan hasil prediksi yang sangat akurat.
Center Displacement Fuzzy C-means Clustering dalam Pengelompokkan Kabupaten/Kota di Pulau Jawa Berdasarkan Indikator Kemiskinan
(2018-08-08) FITRI HIDAYAH SUNDAWATI; Titi Purwandari; Jadi Suprijadi
Analisis cluster merupakan suatu teknik multivariat yang bertujuan mengelompokkan unit-unit observasi berdasarkan karakteristik yang dimiliki. Indikator kemiskinan merupakan salah satu indikator untuk mengevaluasi kinerja pemerintah baik pemerintah pusat maupun pemerintah daerah. Karena indikator kemiskinan dalam pengelompokkan kabupaten/kota tidak memiliki batasan yang pasti diperlukan fuzzy clustering, tetapi kelemahan metode fuzzy c-means clustering adalah perhitungannya yang cenderung lebih kompleks (computational complexity) dan lebih lama (time complexity) jika dibandingkan c-means clustering. Karena itu diusulkan metode Center Displacement Fuzzy C-means Clustering (CDFCM) yang mengklasifikasikan pusat cluster menjadi dua ke dalam cluster aktif dan cluster stabil, metode ini melewatkan perhitungan jarak untuk cluster yang stabil dalam proses iterasi sehingga proses komputasi akan bejalan lebih cepat karena tidak semua cluster dilibatkan dalam proses iterasi. Dalam penelitian ini digunakan data 11 indikator kemiskinan kabupaten/kota di Pulau Jawa. Berdasarkan hasil analisis dalam pembahasan digunakan 2 cluster untuk mengelompokkan kabupaten/kota, dimana cluster pertama memiliki tujuh karakteristik dari indikator kemiskinan sedangkan cluster kedua meniliki empat karakteristik dari indikator kemiskinan.
Clustering GSTAR-GLS Kriging pada Data Polutan Udara PM2,5 di DKI Jakarta
(2020-01-15) ADINA ASTASIA; Budi Nurani Ruchjana; I Gede Nyoman Mindra Jaya
Polusi udara merupakan masalah di semua negara terutama kota-kota besar. DKI Jakarta sebagai kota ibukota negara Indonesia juga memiliki masalah polusi udara pada tingkat yang mengkhawatirkan. Menurut laporan AirVisual (2018), Jakarta menempati posisi pertama kota ibukota paling tercemar di Asia Tenggara berdasarkan konsentrasi PM2,5.Oleh karena itu dibutuhkan model untuk memprediksi konsentrasi polutan PM2,5 dari waktu ke waktu. Salah satu model yang dapat digunakan adalah model Generalized Space Time Autoregressive (GSTAR). Dalam penelitian ini digunakan metode Generalized Least Squares (GLS) dalam penaksiran parameter model GSTAR untuk menghilangkan efek korelasi residual yang dihasilkan metode Ordinary Least Squares (OLS). Model GSTAR memiliki keterbatasan yaitu hanya dapat digunakan untuk memprediksi pada lokasi tersampel. Sementara daerah-daerah dengan lokasi tidak tersampel dapat diprediksi nilainya menggunakan kombinasi metode GSTAR dengan Clustering Kriging. Pada taksiran parameter yang diperoleh dari model GSTAR-GLS dilakukan Clustering Kriging sehingga didapatkan taksiran parameter GSTAR pada lokasi-lokasi tidak tersampel. Taksiran parameter GSTAR pada lokasi tidak tersampel kemudian disimulasikan untuk mendapat nilai konsentrasi PM2,5 untuk beberapa periode kedepan.
Constrained Autoregression Structural Equation Model (ASEM) Pada Faktor Kemiskinan di Indonesia
(2015-01-16) MILA ARTATI; Tidak ada Data Dosen; Tidak ada Data Dosen
Kemiskinan merupakan persoalan mendasar di negara manapun, yang dari tahun ke tahun diharapkan terus menurun. Menurut data BPS, target MDG’s dalam menurunkan angka kemiskinan belum tercapai terutama di wilayah kabupaten. Sehingga, penelitian ini bertujuan menaksir kontribusi dari faktor-faktor yang menjadi penyebab kemiskinan di wilayah kabupaten di Indonesia pada tahun 2010-2013. Data kemiskinan bersumber dari agregat data survei yang pasti memiliki kesalahan pengukuran (measurement error). Faktor-faktor penyebab kemiskinan juga merupakan variabel laten (latent variables) yang tidak bisa diukur secara langsung. Keterbatasan data menyebabkan tidak semua faktor-faktor penyebab kemiskinan itu dianalisis dalam model sehingga muncul omitted variables. Permasalahan dalam menaksir kontribusi faktor penyebab kemiskinan ini diatasi dengan constrained autoregression structural equation model (ASEM). Bersumber dari data Survei Sosial Ekonomi Nasional (Susenas) dan Survei Angkatan Kerja Nasional (Sakernas) dari Badan Pusat Statistik (BPS) didapat hasil bahwa tiga dari empat variabel laten yang mempengaruhi kemiskinan di wilayah kabupaten yaitu variabel tingkat pendidikan, kualitas kesehatan, dan partisipasi kerja yang mempunyai kontribusi signifikan. Selain itu diketahui bahwa hasil estimasi dari ASEM jauh lebih baik daripada mean deviant regression yang hanya mengasumsikan time-variant omitted variables.
Deteksi Penyakit COVID-19 Berdasarkan Citra X-Ray Dada Menggunakan Convolutional Neural Network dengan Transfer Learning Method
(2022-05-21) DHITA DIANA DEWI; Jadi Suprijadi; Anindya Apriliyanti Pravitasari
Penyakit COVID-19 adalah penyakit menular akut yang disebabkan oleh virus corona jenis baru. Penyakit ini menyerang sistem pernapasan secara akut dengan gejala seperti demam, kelelahan, batuk kering dan sesak napas. Gejala lainnya dapat berupa nyeri otot, produksi dahak, diare, dan sakit tenggorokan. Salah satu metode untuk mendeteksi COVID-19 adalah dengan menganalisis citra X-ray dada. Kelebihan dari penggunaan analisis citra X-ray dada adalah dapat menggambarkan paru-paru sepenuhnya serta lebih menghemat waktu dan biaya. Kelemahan dari analisis yang dilakukan oleh ahli radiologi adalah COVID-19 memiliki beberapa ciri-ciri yang mirip dengan pneumonia, sehingga menyulitkan ahli radiologi dalam membedakan COVID-19 dan pneumonia. AI yang menggunakan metode deep learning memainkan peran penting dalam bidang citra medis karena kemampuan fitur ekstraksinya yang sangat baik. Kelebihan dari deep learning adalah dapat menganalisis data yang banyak dengan lebih akurat dan cepat, sehingga dapat mengurangi kesalahan dalam mendeteksi. Dengan teknik klasifikasi citra menggunakan input citra X-ray dada dapat diperoleh prediksi penyakit COVID-19 yang diderita pasien. Metode klasifikasi yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet, GoogLeNet, ResNet-50, dan VGG-16. ResNet-50 menunjukkan performa paling tinggi untuk metric akurasi yaitu 92% sedangkan AlexNet, GoogLeNet, dan VGG-16 masing-masing memiliki akurasi 80%, 90% dan 88%. Untuk 3 metric yang lain yaitu sensitivitas, spesifisitas dan KAI, ResNet-50 juga memiliki nilai paling tinggi, disusul oleh GoogLeNet, VGG-16 dan AlexNet. Dengan demikian,urutan performa arsitektur tersebut adalah ResNet-50, GoogLeNet, VGG-16, dan AlexNet.
ESTIMASI AREA KECIL DENGAN PENDEKATAN HIERARCHICAL BAYES UNTUK INSIDEN KEMISKINAN DI KABUPATEN ACEH BARAT
(2017-01-16) MUKTASIM BILLAH; Zulhanif; Septiadi Padmadisastra
Informasi kemiskinan yang reliabel dan detail (mencakup level desa/kelurahan) sangat diperlukan untuk perumusan kebijakan penanggulangan kemiskinan yang efektif dan tepat sasaran. Hanya saja informasi kemiskinan ini hanya tersedia pada level kabupaten/kota saja yang didapat melalui Survei Sosial Ekonomi Nasional (Susenas). Oleh karena itu, penelitian ini bertujuan untuk melakukan estimasi area kecil tentang proporsi rumah tangga miskin pada level desa. Model estimasi area kecil yang digunakan adalah Basic Area Level (Type A). Metode yang digunakan adalah Hierarchical Bayes (HB) karena metode ini yang mampu mengatasi permasalahan unmatched sampling and linking model yang terjadi pada pemodelan proporsi area kecil. Algoritma Gibbs Sampling digunakan untuk menyelesaikan bentuk distribusi posterior yang dihasilkan. Pemilihan model terbaik menggunakan ukuran Deviance Information Criterion (DIC), dimana Model 2 dengan variabel bebas terpilih yaitu persentase keluarga pertanian, jarak desa ke ibukota kecamatan, dan rasio industri kecil dan mikro per 10000 penduduk memiliki nilai DIC terkecil. Ketepatan model HB dibandingkan estimasi langsung dapat dilihat dari nilai Design effect (deff) yang lebih kecil dari satu.
Estimasi Loss Reserve Menggunakan Metode Cape Cod
(2018-01-18) RANI ANDRIANI; Lienda Noviyanti; Achmad Zanbar Soleh
Salah satu permasalahan manajemen asuransi yaitu mengestimasi besar klaim yang harus dipersiapkan dalam menanggulangi klaim-klaim yang akan terjadi di masa mendatang. Pada praktiknya, proses penyelesaian klaim menimbulkan durasi waktu yang disebabkan oleh prosedur yang harus dipenuhi berupa kelengkapan dokumen, penyelidikan terhadap penyebab terjadinya risiko, dan lain-lain. Adanya durasi waktu dalam proses penyelesaian klaim berdampak kepada perusahaan asuransi dalam menyediakan dana berupa besar klaim agregat yang diestimasi untuk klaim-klaim yang akan terjadi pada periode mendatang, yang disebut sebagai loss reserve IBNR. Pada penelitian ini, digunakan metode Cape Cod untuk menentukan estimasi loss reserve. Berdasarkan hasil perhitungan, distribusi yang cocok pada penelitian ini adalah distribusi Weibull dengan prediction error sebesar Rp 77.109.714.049,00, sehingga diperoleh total estimasi loss reserve adalah sebesar Rp 271.050.344.496,00.
Estimasi Loss Reserve menggunakan metode Double Chain Ladder
(2018-01-16) ANNISA LESTARI; Lienda Noviyanti; Achmad Zanbar Soleh
Salah satu permasalahan dalam manajemen asuransi yaitu menetapkan total agregat klaim yang harus dipersiapkan dalam menanggulangi klaim-klaim yang telah terjadi dan dilaporkan tetapi masih dalam proses penyelesaian disebut RBNS/Reported But Not Settled dan klaim-klaim yang sudah terjadi tetapi belum dilaporkan disebut IBNR/Incurred But Not Reported. Durasi waktu yang ditimbulkan dari proses penyelesaian klaim berdampak kepada perusahaan asuransi dalam menganggarkan dana guna memperlancar proses pembayaran klaim. Dalam prakteknya, Perusahaan asuransi mengumpulkan klaim-klaim menjadi besar klaim agregat dan banyak pelaporan klaim agregat berdasarkan periode klaim dan periode penyelesaian klaim (development), sehingga menghasilkan nilai estimasi besar klaim agregat untuk periode mendatang disebut loss reserve. Metode yang banyak digunakan dalam mengestimasi loss reserve yaitu metode Chain Ladder (CL). Dalam menanggulangi kekurangan pada metode CL, peneliti menggunakan metode Double Chain Ladder (DCL) dalam mengestimasi loss reserve. Selanjutnya, peneliti melakukan resampling satu dataset klaim menggunakan metode bootstrap menghasilkan sejumlah sampel bootstrap sehingga dapat mengestimasi rata-rata, prediksi error serta quantiles yang menggambarkan distribusi dari loss reserve.
Estimasi Loss Reserve Menggunakan Pendekatan Gauss Markov Pada General Linear Model
(2018-01-15) ELSA EMELIANA BR SEMBIRING; Achmad Zanbar Soleh; Lienda Noviyanti
Perusahaan asuransi harus menyediakan dana yang digunakan untuk membayar klaim-klaim yang diajukan tertanggung yang disebut sebagai loss reserve. Perusahaan harus memperhitungkan loss reserve peristiwa yang sudah terjadi tetapi belum dilaporkan ke pihak perusahaan asuransi (IBNR). General Linear Model dapat digunakan untuk memodelkan IBNR disertai dengan prediction errornya. Halliwell (1996) menyatakan bahwa dalam mengestimasi loss reserve menggunakan GLM, estimator yang paling baik digunakan adalah Gauss Markov. Gauss Markov tidak hanya dapat mengestimasi parameter, tetapi juga mengestimasi segitiga bawah (future loss) (Ludwig & Schmidt, 2010). Gauss Markov merupakan estimator yang bersifat Best Linear Unbiased Estimator (BLUE) sehingga akan menghasilkan estimasi yang tidak bias, dan konsisten. Dalam penelitian ini, pendekatan estimasi Gauss Markov pada GLM akan digunakan sebagai pendekatan umum terhadap Mack model dan additive model dalam mengestimasi loss reserve.
Estimasi Produktivitas Padi Sawah Per Kecamatan Menggunakan SAE Rao-Yu Model (Estimasi Produksi Beras Per Kecamatan di Kabupaten Wonogiri Tahun 2016)
(2018-01-15) WIDA TIRA TEDRA; Yudhie Andriyana; Bertho Tantular
Data produksi padi sawah pada tingkat kecamatan diperlukan pemerintah daerah sebagai dasar pengambilan kebijakan di bidang pangan. Kendala dalam penyajian data hingga level kecamatan adalah ketidakcukupan sampel. Jumlah sampel yang tidak cukup tersebut dapat diatasi menggunakan estimasi tidak langsung dengan metode small area estimation. Pengumpulan data produktivitas padi sawah yang dilakukan BPS membagi pengumpulan periode data menjadi tiga periode yang disebut sub round. Small area estimation yang mampu menganalisa hubungan antar wilayah dan antar waktu adalah small area estimation Rao-Yu model. Penelitian ini bertujuan melakukan estimasi produktivitas padi sawah pada tingkat kecamatan sebagai dasar untuk menghitung produksi beras tingkat kecamatan. Variabel pembantu yang signifikan mempengaruhi produktivitas padi sawah adalah penggunaan pupuk Urea, NPK, luas serangan hama tanaman dan luas panen pada sawah irigasi. Estimasi menggunakan small area estimation Rao-Yu model mampu mendekati estimasi langsung pada survei. Sehingga, metode ini mampu mengatasi ketidakcukupan sampel pada estimasi langsung di level kecamatan. Hasil perbandingan produksi dan konsumsi beras di masing-masing kecamatan dapat dijadikan dasar untuk mengidentifikasi kecamatan yang surplus beras dan defisit beras. Produksi padi sawah di Kabupaten Wonogiri selama tahun 2016 surplus sebesar 119 ribu ton beras. Kecamatan di Kabupaten Wonogiri yang mengalami surplus beras disepanjang tahun seperti kecamatan Baturetno, Wuryantoro, Selogiri, Ngadirojo, Puhpelem, Jatipurno dan Girimarto. Namun, beberapa kecamatan di Kabupaten Wonogiri yang defisit produksi beras antara lain kecamatan Paranggupito, Giritonto dan Pracimatoro.
ESTIMASI TINGKAT PENGELUARAN PERKAPITA PADA AREA KECIL MENGGUNAKAN MODEL M-QUANTILE GEOGRAPHICALLY WEIGHTED REGRESSION (mqgwr)
(2017-02-14) MUHAMAD SUKIN; Yudhie Andriyana; Anna Chadidjah
Kemiskinan sampai saat ini merupakan masalah kompleks yang dihadapi oleh banyak negara berkembang, termasuk di Indonesia. Tenggara Timur selain sebagai salah satu provinsi kepulauan terbesar di Indonesia, juga merupakan salah satu provinsi dengan tingkat kemiskinan tertinggi. Dalam perencanaan penanggulangan kemiskinan, data yang berkualitas tentunya sangat penting. Sensus yang dilaksanakan di sebagian besar negara berkembang, tidak mengumpulkan data pendapatan atau informasi pengeluaran hingga ke level daerah yang kecil, sehingga angka estimasi biasanya tidak tersedia secara lengkap. Bank Dunia bersama dengan Elbers, Lanjouw, dan Lanjouw mengupayakan metode untuk menghasilkan angka kemiskinan dan ketidaksetaraan untuk estimasi daerah lingkup kecil, yang kemudian disebut metode ELL di mana aturan imputasi, diperkirakan dari survei rumah tangga, digunakan untuk menghitung perkiraan-daerah kecil dari data sensus. Namun, metode ELL telah banyak dikritik karena adanya keharusan memenuhi asumsi mengikuti distribusi tertentu, variabilitas antar daerah diabaikan dalam perhitungan estimasi kemiskinan daerah kecil dan juga nilai Means Square Error (MSE) yang besar. Fenomena kecenderungan munculnya nilai ekstrem (outlier), tentunya menyebabkan analisis regresi klasik, seperti pada metode ELL kurang sesuai jika diterapkan pada analisis poverty mapping di Provinsi Nusa Tenggara Timur. Adanya kendala tersebut, perlu adanya alternatif analisis misalnya dengan menggunakan model M-Quantile Geographically Weighted Regression (MQGWR). Model ini merupakan pendekatan baru untuk estimasi daerah kecil yang didasarkan pada pemodelan regresi M-quantile yang tidak mengharuskan adanya asumsi kenormalan pada sebaran datanya, mengakomodasi adanya heterogenitas spasial dan bersifat tidak mempermasalahkan adanya data ekstrem (bersifat robust).

Browse

Browsing Statistika Terapan (S2) by Title

Results Per Page

Sort Options