https://journals.unisba.ac.id/index.php/JRS/issue/feed Jurnal Riset Statistika 2024-07-31T16:51:38+08:00 Aceng Komarudin Mutaqin uptpublikasi@unisba.ac.id Open Journal Systems <p><a title="JRS" href="https://journals.unisba.ac.id/index.php/JRS" target="_blank" rel="noopener"><strong>Jurnal Riset Statistika </strong>(JRS)</a> adalah jurnal <em>peer review</em>&nbsp;dan dilakukan dengan&nbsp;<em>double blind review</em>&nbsp; yang mempublikasikan kajian teoritik dan hasil riset terhadap isu-isu empirik dalam sub kajian statistika.&nbsp; <a title="Jurnal Riset Statistika" href="https://journals.unisba.ac.id/index.php/JRS" target="_blank" rel="noopener">JRS</a><strong>&nbsp;</strong>ini dipublikasikan pertamanya 2021 dengan eISSN <a title="eISSN JRS" href="https://issn.lipi.go.id/terbit/detail/20210714572080400" target="_blank" rel="noopener">2798-6578</a> yang diterbitkan oleh <a title="UPT Publikasi" href="https://publikasi.unisba.ac.id/" target="_blank" rel="noopener"><strong>UPT Publikasi Imiah</strong></a>,&nbsp;<a title="unisba" href="https://www.unisba.ac.id/" target="_blank" rel="noopener">Universitas Islam Bandung</a>. Semua artikel diperiksa plagiasinya dengan perangkat lunak anti plagiarisme. Jurnal ini ter-<em>indeks</em>&nbsp;di&nbsp;<a title="GS JRS" href="https://scholar.google.com/citations?hl=id&amp;authuser=2&amp;user=wt_C63YAAAAJ" target="_blank" rel="noopener">Google Schoolar</a>,&nbsp;<a title="Id Garuda" href="https://garuda.kemdikbud.go.id/journal/view/25663" target="_blank" rel="noopener">Garuda</a>,&nbsp;<a title="doi" href="https://search.crossref.org/?q=unisba&amp;from_ui=yes" target="_blank" rel="noopener">Crossref</a>, dan&nbsp;<a title="DOAJ" href="https://doaj.org/search/journals?ref=quick-search&amp;source=%7B%22query%22%3A%7B%22filtered%22%3A%7B%22filter%22%3A%7B%22bool%22%3A%7B%22must%22%3A%5B%7B%22terms%22%3A%7B%22bibjson.publisher.name.exact%22%3A%5B%22Universitas%20Islam%20Bandung%22%5D%7D%7D%5D%7D%7D%2C%22query%22%3A%7B%22query_string%22%3A%7B%22query%22%3A%22universitas%20islam%20bandung%22%2C%22default_operator%22%3A%22AND%22%2C%22default_field%22%3A%22bibjson.publisher.name%22%7D%7D%7D%7D%7D" target="_blank" rel="noopener">DOAJ.</a>&nbsp; Terbit setiap <strong>Juli</strong> dan <strong>Desember</strong>.</p> https://journals.unisba.ac.id/index.php/JRS/article/view/3834 Diagram Kendali Multivariate Exponentially Weighted Moving Variance pada Produksi Kertas Koran 2024-07-01T11:33:51+08:00 Ervana Nurmelia Ramdhani Firmansyah ervananrf@gmail.com Suwanda idris1000358@gmail.com <p><strong>Abstract. </strong>In the multivariate process there are two parameters that must be controlled, namely the average vector and multivariate variability. During this time, the Generalize Variance control diagram, which requires a subgroup size (n) greater than the number of quality characteristics (p), is used to control the variability of multivariate processes. This study discusses the control diagram of multivariate process variability for a single subgroup size. The control diagram used is the Multivariate Exponentially Weighted Moving Variance (MEWMV) control chart. This MEWMV control diagram is implemented to control the production process of PRIMA 48.8 newspaper produced by PT. Adiprima Suraprinta (Jawa Pos Group). The results of the study found that to obtain a controlled process using a combination of weighting values each ω = 0.1; 0.5; 0.9 and λ = 0.1; 0.5; 0.9, 6 observation points were ignored and the remaining data were used as many as 30 observations. The simulated MEWMV control diagram was performed using data from the newly generated process with an average shift of 1.25sigma and 125% variance. The result shows that the weighting value ω = 0.1; λ = 0.1 simulated MEWMV diagram is more sensitive to shift variance in controlling the PRIMA 48.8 newsprint production process.</p> <p><strong>Abstrak. </strong>Pada proses multivariat terdapat dua parameter yang harus dikendalikan, yaitu vektor rata-rata dan variabilitas multivariat. Selama ini, diagram kendali Generalize Variance yang memerlukan ukuran subgroup (n) lebih besar daripada banyaknya karakteristik kualitas (p), digunakan untuk pengendalian variabilitas proses multivariat. Penelitian ini membahas diagram kendali variabilitas proses multivariat untuk ukuran subgroup tunggal. Diagram kendali yang digunakan adalah diagram kendali Multivariate Exponentially Weighted Moving Variance (MEWMV). Diagram</p> <p>kendali MEWMV ini diimplementasikan untuk mengendalikan proses produksi koran PRIMA 48.8 yang diproduksi oleh PT. Adiprima Suraprinta (Jawa Pos Group). Hasil penelitian didapatkan bahwa untuk mendapatkan proses terkendali dengan menggunakan kombinasi nilai pembobot masing-masing 2024-07-31T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika https://journals.unisba.ac.id/index.php/JRS/article/view/3835 Pemodelan ARFIMA dengan Estimasi Parameter Pembeda Menggunakan Metode Geweke Porter-Hudak 2024-07-18T13:28:01+08:00 Nur Kamilah Oktaviani nurkamilahokt@gmail.com Nur Azizah Komara Rifai nur.azizah@unisba.ac.id <p><strong>Abstract. </strong>Forecasting is an analysis related to the use of historical data to find relationships, trends, and structured data patterns. The commonly used forecasting method is ARIMA. The ARIMA model can only explain time series data with short-term memory. The ARFIMA model has been developed from the ARIMA model, offering the advantage of explaining both short-term and long-term time series, with differencing values being real numbers. This study aims to model using the Autoregressive Fractionally Integrated Moving Average (ARFIMA) method, estimating the differencing parameters used, namely Geweke and Porter-Hudak (GPH). The data used in this study was the volume of oil and gas imports from 2012 to 2023. Based on the research, it was concluded that the model chosen for forecasting the volume of oil and gas imports was ARFIMA (0;0.421;1) with an AIC value of 1795,294<em>.</em></p> <p><strong>Abstrak. </strong>Peramalan adalah analisis yang berkaitan dengan penggunaan data historis untuk menemukan hubungan, kecenderungan, dan pola data yang terstruktur. Metode peramalan yang umum digunakan yaitu ARIMA, Model ARIMA hanya dapat menjelaskan data deret waktu dengan memori jangka pendek. Model ARFIMA merupakan pengembangan dari model ARIMA yang memiliki kelebihan dapat menjelaskan deret waktu jangka pendek (<em>short memory</em>) maupun jangka panjang (<em>long memory</em>), dengan nilai <em>differencing</em> merupakan bilangan riil. Penelitian ini bertujuan untuk memodelkan menggunakan metode <em>Autoregressive Fractionally Integrated Moving Average</em> (ARFIMA), dengan estimasi parameter pembeda yang digunakan yaitu Geweke dan Porter-Hudak (GPH). Data yang digunakan dalam penelitian ini adalah Volume Impor Migas pada tahun 2012 hingga 2023. Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa model yang terpilih untuk peramalan volume impor migas, yaitu ARFIMA (0;0,421;1) dengan nilai AIC sebesar 1795,294.</p> 2024-07-31T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika https://journals.unisba.ac.id/index.php/JRS/article/view/3854 Kepercayaan The Bootstrap Percentile Confidence Interval untuk Koefisien Variasi 2024-07-01T16:49:10+08:00 Alya Salsabilla Suherman alyasalsabillas3@gmail.com Abdul Kudus abdulkudus@unisba.ac.id <p><strong>Abstract. </strong>The Inverse Gaussian (IG) distribution is used to model data that has a positively skewed or right-skewed distribution. The coefficient of variation (CV) is the ratio of the standard deviation to the mean value. It reflects a good measure of dispersion used when comparing two or more groups of data. One method for estimating the coefficient of variation (CV) confidence interval is The Bootstrap Percentile Confidence Interval (BPCI) method. In this thesis, the BPCI method will be applied to the coefficient of variation of the IG distribution on PM 2.5 air quality data. In the research process, the stages of analysis carried out include calculating the estimated parameters of the IG distribution using the maximum likelihood method, conducting the Kolmogorov-Smirnov fit test, generating data with parameters as estimated and estimating the parameters 1000 times, then calculating the 95% confidence interval with the BPCI method. Based on the calculation results, it is obtained that the PM 2.5 air quality data in Semarang City in 2023 is suitable to be modeled with IG distribution and BPCI confidence interval with 95% confidence level for KV of the data is between the range [0.31 ;0.42].</p> <p><strong>Abstrak. </strong>Distribusi Invers Gaussian (IG) digunakan untuk memodelkan data yang memiliki distribusi kemiringan positif atau condong kekanan. Koefisien variasi (KV) merupakan perbandingan antara standar deviasi dengan nilai rata-rata. KV mencerminkan ukuran penyebaran yang baik digunakan ketika membandingkan dua atau lebih kelompok data. Salah satu metode untuk menaksir selang kepercayaan koefisien variasi (KV) yaitu metode The Bootstrap Percentile Confidence Interval (BPCI). Dalam skripsi ini akan dilakukan penerapan metode BPCI untuk koefisien variasi dari distribusi IG pada data kualitas udara PM 2.5. Dalam proses penelitian tahapan analisis yang dilakukan meliputi menghitung taksiran parameter dari distribusi IG menggunakan metode maksimum likelihood, melakukan uji kecocokan Kolmogorov-Smirnov, membangkitkan data dengan parameter sebagaimana taksirannya dan menaksir parameternya sebanyak 1000 kali, kemudian menghitung selang kepercayaan 95% dengan metode BPCI. Berdasarkan hasil perhitungan diperoleh bahwa data kualitas udara PM 2.5 di Kota Semarang tahun 2023 cocok dimodelkan dengan distribusi IG dan selang kepercayaan BPCI dengan tingkat kepercayaan 95% untuk KV dari data tersebut berada diantara rentang [0,31 ;0,42].</p> 2024-07-31T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika https://journals.unisba.ac.id/index.php/JRS/article/view/3860 Analisis Mediasi Multipel Paralel Kausal Step pada Data Stunting menurut Kabupaten/Kota 2024-07-18T14:44:50+08:00 Aulia Sabila Budiman auliasabila038@gmail.com Nusar Hajarisman nusarhajarisman@unisba.ac.id <p><strong>Abstract. </strong>In linear regression analysis, the relationship between the independent variable X and the dependent variable Y may not always have a direct effect. A third variable, called mediator variable M, can act as an intermediary between the two variables, explaining the cause-and-effect process. Mediator variables serve as intermediaries connecting the independent variable to the dependent variable, allowing for mutual influence. Baron and Kenny's causal step mediation analysis method, introduced in 1986, is used to determine if a variable acts as a mediator. This method is applied to stunting data from the Health Profile of West Java Province in 2022. Previous research indicates that the number of low birth weight (LBW) babies and cases of diarrhea in toddlers can serve as mediator variables in the relationship between sanitation adequacy and toddler stunting cases. Regression coefficient testing and Sobel Test on West Java's stunting data for 2022 show that the relationship between sanitation adequacy and toddler stunting cases can be mediated by the number of LBW cases and diarrhea in toddlers simultaneously. However, the LBW variable can only partially mediate, as sanitation adequacy can still directly affect the number of stunting cases without going through the LBW or diarrhea variables first.</p> <p><strong>Abstrak.</strong> Dalam analisis regresi linier, hubungan antara variabel bebas X dan variabel tak bebas Y tidak selalu memiliki efek langsung. Dalam praktiknya, mungkin muncul variabel ketiga yang bertindak sebagai perantara antara kedua variabel tersebut. Variabel ini disebut variabel mediasi M, yang menjelaskan proses sebab akibat di antara kedua variabel tersebut. Variabel mediasi berperan sebagai perantara dalam menghubungkan variabel bebas dengan variabel tak bebas, memungkinkan terjadinya pengaruh timbal balik. Metode analisis mediasi langkah kausal Baron dan Kenny, yang diperkenalkan pada tahun 1986, digunakan untuk menentukan apakah suatu variabel berperan sebagai mediator. Metode ini diterapkan pada data stunting dari Profil Kesehatan Provinsi Jawa Barat tahun 2022. Penelitian terdahulu menunjukkan bahwa jumlah bayi berat badan rendah lahir (BBLR) dan kasus diare pada balita dapat berperan sebagai variabel mediator dalam hubungan antara kelayakan sanitasi dan kasus stunting balita. Pengujian koefisien regresi dan Uji Sobel pada data stunting Jawa Barat tahun 2022 menunjukkan bahwa hubungan antara kelayakan sanitasi dan kasus stunting balita dapat dimediasi oleh jumlah kasus BBLR dan diare pada balita secara bersamaan. Namun, variabel BBLR hanya dapat memediasi sebagian, karena kelayakan sanitasi masih dapat memengaruhi jumlah kasus stunting secara langsung tanpa melalui variabel BBLR atau diare terlebih dahulu.</p> 2024-07-31T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika https://journals.unisba.ac.id/index.php/JRS/article/view/3864 Clustering Probabilistic Seismic Hazard Analysis Temporal Epidemic-Type Aftershock Sequence untuk Premi Asuransi 2024-07-01T17:53:16+08:00 Arsyi Fatiha Nurfauzan arsyi.fatihanurfauzan@gmail.com Sutawanir Darwis std.darwis@gmail.com <p><strong>Abstract. </strong>An earthquake is an event that releases energy in the earth's crustal rocks, which can trigger aftershocks. The economic losses caused by earthquakes can be mitigated through earthquake insurance. However, conventional premium calculations only take into account the main earthquake (mainshock), while aftershocks are excluded through a declustering process. This article presents the development of Clustering Probabilistic Seismic Hazard Analysis (CPSHA) to evaluate earthquake risk by incorporating aftershock effects using a temporal Epidemic-Type Aftershock Sequence (ETAS) model. The approach is an improvement on traditional earthquake insurance premium calculations, which generally only consider the main earthquake. The ETAS model, with parameters θ=(μ,K,c,α,p), is estimated through Maximum Likelihood Estimation (MLE). This analysis combines seismic hazard ETAS with structural damage data to determine the pure premium of earthquake insurance with aftershock. The study uses West Java earthquake data from 21 November 2022 to 18 February 2023, sourced from the BMKG catalogue. The results indicate that customers in the Cianjur area must pay a total insurance premium (TP) of Rp 28.263.945,00 per year for clusters. This approach enhances the comprehension of earthquake risk and can aid in the calculation of more precise insurance premiums.</p> <p><strong>Abstrak. </strong>Gempa bumi merupakan peristiwa pelepasan sejumlah energi pada batuan kerak bumi yang dapat memicu gempa susulan (<em>aftershock</em>). Dampak dari gempa bumi dapat menyebabkan kerugian ekonomi. Salah satu cara untuk menanggulangi hal tersebut dengan asuransi gempa bumi. Perhitungan premi konvensional hanya memperhitungkan gempa utama (<em>mainshock</em>) sementara <em>aftershock</em> disisihkan melalui proses <em>declustering</em>. Artikel ini menyajikan pengembangan <em>Clustering Probabilistic Seismic Hazard Analysis</em> (CPSHA) untuk mengevaluasi risiko gempa bumi dengan memasukkan efek <em>aftershock</em> menggunakan model <em>Epidemic-Type Aftershock Sequence</em> (ETAS) secara temporal. Perhitungan premi asuransi gempa bumi umumnya hanya mempertimbangkan gempa utama, namun pendekatan ini menyertakan <em>aftershock</em> dalam estimasi premi. Model ETAS dengan parameter θ=(μ,K,c,α,p) diestimasi melalui <em>Maximum Likelihood Estimation</em> (MLE). Analisis ini menggabungkan <em>seismic hazard</em> ETAS dengan data kerusakan struktur untuk menentukan premi murni asuransi gempa bumi dengan <em>aftershock</em>. Data yang digunakan adalah data gempa bumi Jawa Barat 21 November 2022 sampai 18 Februari 2023 melalui katalog BMKG. Hasil yang diperoleh menunjukkan total premi (TP) asuransi yang harus dibayarkan oleh nasabah untuk <em>cluster</em> di wilayah Cianjur sebesar Rp 28.263.946,00 per tahun. Pendekatan ini memberikan kontribusi pada pemahaman risiko gempa bumi dan dapat digunakan dalam perhitungan premi asuransi yang lebih akurat.</p> 2024-07-31T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika https://journals.unisba.ac.id/index.php/JRS/article/view/3876 Algoritma Pemilihan Variabel untuk Klasifikasi dan Penerapannya pada Klasifikasi Desa-Kelurahan 2024-07-31T16:51:38+08:00 Desi Permatasari desipermataaa22@gmail.com Suliadi suliadi@gmail.com <p><strong>ABSTRAK</strong>. K-Nearest Neighbor (KNN) adalah salah satu metode klasifikasi non-parametrik yang prinsip pengerjaannya dengan mengklasifikasikan suatu objek dalam data testing berdasarkan kelas mayoritas dari k tetangga terdekatnya (neighbor) pada data training. Salah satu permasalahan yang utama pada KNN yaitu banyak variabel yang harus digunakan dalam pelaksanaannya, terlebih terdapat kasus dimana banyaknya variabel lebih besar dibanding dengan banyaknya pengamatan. Maka dari itu, Beuren &amp; Anzanello (2019) membuat kerangka kerja baru untuk pemilihan variabel dengan menggabungkan beberapa metode, yaitu Mutual Information (MI), Algoritma Kennard Stone (KS), Statistik Anderson Darling (AD), Statistik Kruskal Wallis (KW), K-Nearest Neighbor (KNN), Leave One Out Cross Validation (LOOCV), dan Confusion Matrix. Pada penelitian ini menerapkan metode Beuren &amp; Anzanello (2019) untuk memilih variabel untuk mengklasifikasikan desa/kelurahan ke dalam status perdesaan dan perkotaan di wilayah Bandung Raya. Dengan menggunakan algoritma K-Nearest Neighbor (KNN) dan k = 5 tetangga terdekat dari 24 variabel diperoleh kombinasi variable independent, yaitu Kepadatan Penduduk (X_8) dan Banyaknya Penduduk (X_5) adalah kombinasi yang paling cocok dalam mengklasifikasikan status perdesaan dan perkotaan pada desa/kelurahan yang ada di wilayah Bandung Raya, diperoleh hasil akurasi sebesar 80.72%.</p> 2024-07-31T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika https://journals.unisba.ac.id/index.php/JRS/article/view/3877 Penerapan Support Vector Machine untuk Klasifikasi Opini Masyarakat Terhadap Isu Bullying 2024-07-01T17:54:30+08:00 Farras Rachmanisa Noor frachmanisa@gmail.com Dwi Agustin Nuriani Sirodj dwi.agustinnuriani@unisba.ac.id <p><strong>Abstract.</strong> Support Vector Machine (SVM) concept is explained as an attempt to find the best hyperplane (separation function) that serves as a separator of two classes in the input space by maximizing the distance between classes (Alhaq, et al., 2021). This algorithm has proven to have good performance as a classification method, by producing a fairly good model accuracy value. This analysis process uses the Python programming language, the keywords used for crawling tweet data are a combination of the words bully/bullying and school/elementary school/junior high/high school, with a data retrieval period from November 1, 2022 to June 30, 2023, the results obtained are 13,918 tweets. Then preprocessing is carried out, at this stage the data that passes the classification process is 2,519 tweets with the number of positive sentiments 1,268 tweets and negative sentiments 1,251 tweets. Furthermore, the division of training and testing data with a ratio of 80:20. The application of the SVM algorithm produces an accuracy value of 84.5%, meaning that this method can predict the sentiment of the bullying issue tweet sentence with the category of good classification (Gorunescu, 2011), precision 84.7%, recall 82.9% and F1-score 83.8%. Overall, this model works well and consistently for the case of tweet data.</p> <p><strong>Abstrak.</strong> Support Vector Machine (SVM) dijelaskan sebagai usaha mencari hyperplane (fungsi pemisah) terbaik yang berfungsi sebagai pemisah dua buah kelas pada input space dengan memaksimalkan jarak antar kelas (Alhaq, et al., 2021). Algoritma ini sudah terbukti memiliki kinerja yang baik sebagai metode klasifikasi, dengan menghasilkan nilai akurasi model yang cukup baik. Proses analisis ini menggunakan bahasa pemrograman Python, kata kunci yang digunakan untuk crawling data tweet yaitu kombinasi kata bully/bullying dan sekolah/SD/SMP/SMA, dengan periode pengambilan data dari 1 November 2022 hingga 30 Juni 2023, hasilnya diperoleh 13.918 tweet. Kemudian dilakukan preprocessing, pada tahap ini data yang lolos dilanjutkan proses klasifikasi sebanyak 2.519 tweet dengan jumlah sentimen positif 1.268 tweet dan sentimen negatif 1.251 tweet. Selanjutnya pembagian data training dan testing dengan perbandingan 80:20. Penerapan algoritma SVM menghasilkan nilai accuracy sebesar 84.5%, artinya metode ini dapat melakukan prediksi sentimen dari kalimat tweet isu bullying dengan kategori good classification (Gorunescu, 2011), precision 84.7%, recall 82.9% dan F1-score 83.8%. Secara keseluruhan model ini bekerja dengan baik dan konsisten untuk kasus data tweet.</p> 2024-07-31T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika https://journals.unisba.ac.id/index.php/JRS/article/view/3892 Pemodelan Intervensi untuk Meramalkan Jumlah Penumpang Pesawat Domestik Bandara Internasional Sultan Hasanuddin Makassar 2024-07-01T16:50:07+08:00 Ghina Salma ghinasalma05@gmail.com Teti Sofia Yanti tetisofiayanti@unisba.ac.id <p><strong>Abstract. </strong>SARIMA is a time series method designed for data with seasonal components, assuming stationarity. When data is non-stationary due to shocks, it may involve interventions. In March 2020, the first case of Covid-19 was detected in Indonesia, causing data to contain interventions due to a sharp decline in data patterns. Intervention events occurred because the Indonesian government implemented the Large-Scale Social Restrictions policy to control the virus's spread and protect public health, involving various aspects, including restricting air transportation. The purpose of this research is to determine the appropriate model between SARIMA and Intervention, evaluated based on the Akaike Information Criterion (AIC). The data used is the actual number of domestic flight passengers departing from Sultan Hasanuddin Airport. From the testing results of both methods, the SARIMA model obtained is ARIMA (1, 1, 0)(0, 1, 0)<sup>12</sup> with an AIC value of 1.673, while the Intervention model is ARIMA (1, 1, 0)(0, 1, 0)<sup>12</sup>, b = 0, s = 5, and r = 1 with an AIC value of 1.662. Thus, the intervention method is better suited for forecasting the number of domestic flight passengers at Sultan Hasanuddin Airport due to its lower AIC value.</p> <p><strong>Abstrak. </strong>SARIMA adalah data deret waktu yang mengandung unsur musiman dengan asumsi yang harus dipenuhi yaitu asumsi stasioneritas. Ketika data tidak stasioner karena adanya <em>shock</em> pada data, maka data tersebut mengandung intervensi. Pada bulan Maret 2020, kasus <em>Covid-19</em> pertama kali terdeteksi di Indonesia yang menyebabkan data mengandung intervensi karena pola data mengalami penurunan yang sangat tajam. Kejadian intervensi terjadi karena Pemerintah Indonesia mengeluarkan kebijakan terhadap PPKM yang diterapkan untuk mengendalikan penyebaran virus dan melindungi kesehatan masyarakat, yang melibatkan berbagai aspek salah satunya membatasi perjalanan transportasi udara. Tujuan penelitian ini adalah mengetahui model yang tepat antara SARIMA dan Intervensi yang dihitung berdasarkan <em>Akaike Information Criterion</em> (AIC). Data yang digunakan yaitu data aktual jumlah penumpang pesawat domestik yang berangkat dari Bandara Sultan Hasanuddin. Dari hasil pengujian kedua metode, diperoleh model SARIMA yaitu ARIMA (1, 1, 0)(0, 1, 0)<sup>12</sup> dengan nilai AIC sebesar 1.673, sedangkan model intervensi yaitu ARIMA (1, 1, 0)(0, 1, 0)<sup>12</sup>, b = 0, s = 5, dan r = 1 dengan nilai AIC sebesar 1.662. Sehingga metode intervensi lebih baik digunakan untuk meramalkan jumlah penumpang pesawat domestik di Bandara Sultan Hasanuddin karena memiliki nilai AIC yang lebih kecil.</p> 2024-08-01T00:00:00+08:00 Copyright (c) 2024 Jurnal Riset Statistika