Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas mengenai pengaruh lingkungan kerja terhadap pemipetan pada sebuah laboratorium pangan di bagian lab mikrobiologi. Pemipetan merupakan suatu kegiatan/pekerjaan pada sebuah laboratorium untuk mengambil larutan cair dengan jumlah/volume tertentu dan memindahkan larutan cair tersebut ke dalam media yang lainnya. Faktor lingkungan kerja yang dapat mempengaruhi pemipetan antara lain: cahaya, suhu ruang, tingkat kebisingan dari suara blower, dan kelembaban udara yang dapat mempengaruhi akurasi dari pipet tersebut. Penelitian ini menggunakan metode analisis regresi linier berganda. Dari penelitian ini diperoleh persamaan regresi linier Y = 351,099 + 0,696X1 + 0,609X2 - 1,181X3 - 0,274X4 dimana X1 merupakan cahaya dari lampu dengan daya lampu yang berbeda-beda, X2 merupakan suhu ruangan, X3 merupakan tingkat kebisingan yang dihasilkan oleh blower, dan X4 merupakan kelembaban udara. Dimana rumus tersebut diperoleh dari faktor lingkungan kerja sebagai berikut: Untuk faktor cahaya menggunakan lampu 18 W, 30 W, 36 W dan 58 W, sedangkan untuk faktor suhu berada di antara 18°C sampai 25°C, faktor kebisingan berada di antara 23 dB sampai 92 dB, dan faktor kelembaban di antara 51% sampai 84%. Dan dari hasil penelitian menunjukkan model regresi dapat menjelaskan sekitar 97,4% dari total variasi terhadap kinerja analis dalam pemipetan dan sisanya 2,6% dijelaskan oleh hal-hal lain.

---

This thesis discusses the influence of the work environment in a laboratory pipetting food in the microbiology lab. Pipetting is a work in a laboratory to take a liquid solution with the number/specific volume of liquid solution and move into other media. Work environment factors that can affect pipetting, include: light, temperature, noise level of the sound blowers, and air humidity can affect the accuracy of the pipette. This study uses the method of multiple linear regression analysis.

From this study obtained a linear regression equation Y = 351.099 + 0.696 X1 + 0.609 X2 - 1.181 X3 - 0.274 X4, where X1 is the light from the lamp with lamp power different, X2 be an air-conditioning, X3 is the noise level generated by the blower, and X4 is the air humidity. Where the formula is derived from the work environment factors as follows: for the factors of light using lamps 18 W, 30 W, 36 W and 58 W, while for the temperature factor is between 18°C to 25°C, the noise factor is between 23 dB to 92 dB, and the humidity factor of 51% to 84%. And the results showed regression model can explain about 97.4% of the total variation of the analyst's performance in pipetting and the rest 2.6% is explained by other things."

"ABSTRAKDrone adalah pesawat jenis baru yang diterbangkan oleh operator denganmenggunakan kontrol eksternal atau bahkan dengan kemampuanmengendalikan diri secara otonom melalui program yang telah tertanam didalamnya. Drone yang disebut juga Pesawat Tanpa Awak (Unmanned AerialVehicle/UAV) berguna untuk pelayanan sipil, pemerintahan dan banyakdipakai oleh layanan militer. Dengan kegunaan drone yang sangat banyakmaka akan terbuka lapangan pekerjaan baru sebagai operator drone.Mengingat operator drone sebagai pekerjaan profesional, maka akan selaluberkaitan dengan beban kerja. Beban kerja didefinisikan sebagai hal yangdikeluarkan oleh individu, mengingat kapasitas mereka, hingga mencapaitingkat tertentu kinerja pada tugas dengan spesifik tuntutan. Tujuan utamadari penelitian ini adalah untuk menganalisa keterkaitan antara beban kerjaterhadap kinerja agar dapat memberikan evaluasi berupa masukan kepadacalon-calon operator drone ke depannya. Penelitian dilakukan menggunakanMetode NASA-TLX dan Regresi. Penelitian ini dilakukan dengan 30 Pria yangteridiri dari komunitas, industri kreatif dan pengguna drone DJI – Phantom.Metode NASA-TLX diperlukan untuk mengukur beban kerja dan setelahobservasi dilakukan tahap selanjutnya adalah uji Regresi denganmenggunakan tools Statistical Product and Service Solution ( SPSS )

---

ABSTRACTDrone is a new type of aircraft that is flown by an operator using an externalcontrol or using the ability to control themselves autonomously through aprogram that has embedded in it. Drone that is also called Unmanned Aircraft(Unmanned Aerial Vehicle / UAV) is useful for the civil service, governmentand widely used in the military services. With the number of advantages ofdrones, it will give new job opportunity as a drone operator. Since droneoperator is a professional work, it will always be associated with the workload. Workload is defined as a thing that given by an individual, depending onthe capacity, in order to achieve a certain level of performance on specifictasks with the demands. The main objective of this study was to analyze therelation between workload and performance in order to be able to provideevaluation in the form of suggestions and advices for the better future ofdrone operators. The study was conducted using the NASA-TLX andRegression method. It was conducted with 30 men consisting creativeindustries and drone DJI users- Phantom. NASA-TLX method is needed tomeasure the workload. After the observation was done, the next step was touse tools Regression Statistical Product and Service Solutions (SPSS)."

"Pengantar Ekonometriks adalah salah satu mata pelajaran di mana kita bisa menganalisis suatu kegiatan untuk membuktikan apakah pernyataan atau asumsi dari penelitian kami benar atau tidak. Dari data yang kita miliki, kita bisa menggunakan beberapa hipotesis dan atau Asumsi untuk mendukung pernyataan kami dalam rangka menciptakan sebuah data yang valid . Saat ini, banyak orang yang sudah menggunakan perangkat lunak dibandingkan dengan menghitung data secara manual guna efisiensi waktu dan hasil yang lebih maksimal. Eviews adalah salah satu perangkat lunak terbaik dan praktis dalam penggunanya. Dalam tugas ini, saya akan memecahkan 10 pertanyaan dengan analisis tentang cara menggunakan Eviews dalam memecahkan pertanyaan analisis regresi sederhana dan berganda. Saya akan mencantumkan pertanyaan dan menerapkan teori dalam praktek yang telah saya pelajari dalam mata kuliah ini. Laporan ini akan Terdiri 10 pertanyaan dan akan mencakup pemecahan masalah di setiap pertanyaan. Beberapa pertanyaan mungkin memiliki gambar dari perangkat lunak Eviews yang telah saya kerjakan sebelumnya.

---

Introductory Econometrics is one of the subjects where we could analyze an activity to proof whether our statement is valid using a research. From the data we?ve got, we could make several hypothesis and/or assumptions to support our statement in order to create a valid data. Now days, people use software instead of manually computing the data to create a time efficiency and a more valid results. Eviews is one of the best and practical ways to use instead of others software. In this assignment, I am going to solve 10 questions with the analysis on how to use Eviews in solving simple and multiple regression analysis questions. I?m going to state the questions and apply the theory in practice. This report will consist 10 questions and will include the problem solving in each questions. As several questions may have picture from the Eviews software."

"Analisis regresi linier adalah suatu teknik dalam statistika untuk memodelkan dan menganalisis hubungan linier antara variabel respon dengan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam analisis regresi linier berganda, masalah yang sering terjadi adalah multikolinieritas. Multikolinieritas membuat penaksiran dengan menggunakan metode OLS menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain untuk mengatasi permasalahan ini. Metode yang diperkenalkan untuk mengatasi multikolinieritas diantaranya adalah metode GRR yang menghasilkan taksiran generalized ridge. Taksiran ini merupakan taksiran yang bias. Metode ini masih memiliki kekurangan, yaitu bias yang dihasilkan tidak dijamin akan selalu bernilai kecil. Untuk itu, Singh, Chaubey, dan Dwivedi (1986) memperkenalkan metode Jackknife Ridge Regression (JRR) yang menghasilkan taksiran Jackknife Ridge Regression. Taksiran ini akan mereduksi bias yang dihasilkan oleh taksiran generalized ridge sehingga terkait dengan data yang digunakan, nilai mean square error taksiran ini lebih kecil dibanding taksiran generalized ridge maupun taksiran least square.

---

Regression linear analysis is a statistical technique for modeling and investigating the linear relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and yields an estimator named least square estimator. Most frequently occurring problem in multiple linear regression analysis is the presence of multicollinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this undergraduate thesis will explain other method which can solve this problem such as GRR method that yields a bias estimator, named generalized ridge estimator. Unfortunately, this method still has a shortcoming because the bias in resulting estimator is not always guaranteed to be small. To solve this problems, Singh, Chaubey, and Dwivedi (1986) introduced Jackknife Ridge Regression (JRR) method that yields Jackknife Ridge Regression estimator. This estimator will reduce the bias of generalized ridge estimator, thus related to the data used, the resulting mean square error value of this estimator is smaller than the two methods."

"Analisis regresi adalah sebuah teknik dalam statistika untuk menyelidiki dan memodelkan hubungan antara variabel respon dan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul, salah satunya adalah multikolinieritas. Penaksiran dengan menggunakan metode OLS dalam kasus multikolinieritas menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain guna mengatasi permasalahan ini. Metode yang diperkenalkan dapat mengatasi multikolinieritas diantaranya yaitu metode ridge, metode Liu, dan metode GRR. Namun, ketiga metode ini menimbulkan permasalahan lain pada saat dilakukan penaksiran parameter, salah satunya ada pemilihan konstanta optimal yang sulit ditentukan dan nilai PRESS (Prediction Error Sum of Square) yang besar. Untuk itu, Liu dan Gao (2011) memperkenalkan taksiran linearized ridge regression (LRR) yang memiliki kelebihan dibandingkan ketiga metode sebelumnya yaitu pemilihan konstanta optimal yang mudah ditentukan dan juga nilai PRESS yang minimum diantara ketiga metode tersebut.

---

Regression analysis is a statistical technique for investigating and modeling the relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and give an estimator named least square estimator. In regression parameter estimation, there are many problems such as multicolinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this research will explain other methods which can solve this problem such as ridge method, Liu method, and GRR method. Unfortunately, these methods cause another problem when estimation parameter is done, such as hardly obtaining the optimal constants and the large value of PRESS (Prediction Error Sum of Squares). To solve this problems, Liu and Gao (2011) introduced Linearized Ridge Regression (LRR) estimator which has superiority amongs those prior methods which easily obtains the optimal contants and the minimum value of PRESS."

"ABSTRAKPenelitian ini bertujuan untuk memprediksi tingkat konsumsi gas pipa domestik diIndonesia menggunakan metode Neural Network, ARIMAX, dan Multiple LinearRegression (MLR). Peramalan dilakukan hingga periode Desember 2025 denganmenggunakan data historis tingkat konsumsi gas pipa domestik, inflasi, selisihharga minyak dan gas, serta selisih harga batubara dan gas periode Januari 2007sampai dengan September 2012 sebagai prediktor. Hasilnya metode ARIMAXmemberikan hasil yang paling akurat dengan nilai MAPE 3.89%. Metode NeuralNetwork memberikan hasil forecasting dengan nilai MAPE 6.34%, sedangkanmetode MLR mempunyai tingkat error terbesar dengan MAPE 8.39%. Kapasitasproduksi gas Indonesia cukup besar, tetapi jumlah gas yang dikonsumsi untukkeperluan domestik masih tergolong sedikit. Hasil forecasting ketiga metodemenunjukkan ke depannya tingkat konsumsi gas akan terus meningkat.Perbandingan antara hasil forecasting ketiga metode dan Neraca Gas Indonesiacukup besar. Hal ini menunjukkan meskipun Indonesia memiliki potensicadangan gas alam yang sangat melimpah, tetapi permintaan domestik belumterpenuhi secara maksimal.

---

ABSTRACTThis study aims to predict the level of domestic pipeline gas consumption inIndonesia using Neural Network, ARIMAX, and Multiple Linear Regression(MLR). Forecasting is done until the period of December 2025 using historicaldata of domestic pipeline consumption rate, inflation, the difference price of oiland gas, as well as the difference price of coal and gas from the period January2007 until September 2012 as predictor. The result ARIMAX method gives themost accurate results with the value of MAPE 3.89%. Neural Network methodgives forecasting result with MAPE 6.34%, while the MLR method has the largesterror rate with MAPE 8.39%. Indonesia gas production capacity is quite large, butthe amount of gas consumed for domestic use is still relatively small. The thirdmethod of forecasting results indicate the future gas consumption will continue toincrease. Comparison between the results of the three forecasting methods andNeraca Gas Indonesia is quite large. This shows even though Indonesia has veryabundant potential reserves of natural gas, but domestic demand has not been metmaximally."

"Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk menginvestigasi dan memodelkan hubungan antara variabel respon dan variabel regresor. Pada skripsi ini akan dimodelkan hubungan satu variabel respon dengan beberapa variabel regresor menggunakan model regresi linier berganda dimana antar variabel regresor tidak saling bergantung linier. Adanya multikolinieritas menyebabkan taksiran least square tidak stabil dan bisa memberikan informasi yang salah. Taksiran ridge adalah taksiran parameter model regresi yang umumnya digunakan untuk mengatasi hal tersebut. Tetapi ketika terjadi multikolinieritas yang kuat, variansi taksiran ridge tidak berbeda jauh dengan variansi taksiran least square. Masalah lainnya adalah konstanta taksiran ridge yang sulit untuk ditentukan. Untuk mengatasi masalah tersebut, Kejian Liu (1998) memperkenalkan taksiran Liu yang memiliki dua kelebihan dibandingkan taksiran ridge yaitu skalar mean square error (mse) yang lebih kecil dibandingkan mse taksiran ridge dan konstanta taksiran Liu yang mudah ditentukan.

---

Regression analysis is a statistical technique for investigating and modelling the relationship between the response variable and regressor variable. This skripsi modelling the relationship between one response variable and several regressor when there is no linear relationship between the regressors. In presence of multicollinearity, the least square estimator is unstable and may gives misleading information. Ridge estimator is the most common estimator to overcome this problem. But when there exist severe multicollinearity, variance of ridge estimator almost same with variance of least square estimator. The other problem is a constant of ridge estimator is difficult to specified. To solve this problem, Kejian Liu (1998) proposed Liu estimator that have two advantages over the ridge estimator are Liu estimator has less scalar mean square error (mse) than mse of ridge estimator and a constant of Liu estimator can specified easily."

"Analisis regresi linier berganda adalah suatu teknik statistik untuk memodelkan dan menganalisis hubungan antara variabel respon dan variabel-variabel regresor. Pada umumnya, penaksiran parameter pada model regresi linier berganda menggunakan metode OLS (Ordinary Least squares) yang menghasilkan taksiran least squares. Pada model regresi linier berganda dimungkinkan kondisi multikolinieritas yang menyebabkan variansi taksiran least squares menjadi besar sehingga taksiran least squares tidak stabil. Salah satu metode alternatif penaksiran parameter model regresi linier berganda untuk kasus multikolinieritas adalah metode ridge yang menghasilkan taksiran ridge. Taksiran ridge bergantung pada sebuah konstanta bias k yang disebut konstanta bias ridge. Metode generalized ridge merupakan pengembangan dari metode ridge, dengan menerapkan Dekomposisi Spektral untuk memperoleh bentuk kanonik, kemudian ditambahkan beberapa konstanta bias sebanyak jumlah variabel regresor yang diperoleh dari proses iterasi. Taksiran generalized ridge menghasilkan mean square error yang lebih kecil dari mean square error taksiran least squares.

---

Analysis of regression is a statistical technique for modeling and analizing the relationship between the response variable and regressor variables. This skripsi is modeling the relationship between one response variable and several regressor variables when there is no linear relationship among the regressors variable. The ordinary least squares method is used to estimate regression coefficient. Multicollinearity result in large variance for the least squares estimators of the regression coefficient, and the estimators also will be unstable. Ridge method is the most common method to overcome this problem. Ridge estimator depends on biasing parameter k called constant of ridge. Generalized ridge is an extension of the ordinary ridge method by applying spectral decompotition to obtain the canonical form, then adding biasing parameters as many as number of regressor variables that specified by iteration. The advantage of generalized ridge estimator over the least squares estimator is generalized ridge estimator has less scalar mean square error (mse) than mse of least squaress estimator."

"Tanah longsor merupakan salah satu kejadian alam paling merugikan yang terjadi setiap tahun di Kabupaten Pacitan. Penelitian ini bertujuan untuk menganalisis aspek fisik yang berperan sebagai faktor penyebab tanah longsor serta membuat analisis tingkat kerawanan tanah longsor menggunakan metode regresi logistik di Kabupaten Pacitan. Digunakan 468 titik longsor hasil inventarisasi BPBD Kabupaten Pacitan, survei lapang, dan interpretasi citra satelit yang kemudian dibagi menjadi 80% sebagai basis data uji dan 20% sebagai validasi model. Analisis probabilitas kejadian tanah longsor menggunakan nilai koefisien 14 aspek fisik menghasilkan bahwa aspek fisik berupa lereng, aspek/arah hadap lereng, curah hujan, penggunaan tanah, jenis tanah, dan litologi memiliki nilai koefisien positif. Sedangkan pada aspek fisik berupa ketinggian, topographic wetness index (TWI), profile curvature, plan curvature, jarak dari patahan, jarak dari jalan, jarak dari jalan, dan normalized difference vegetation index (NDVI) yang memiliki nilai koefisien negatif. Dihasilkan lima tingkat kerawanan tanah longsor di Kabupaten Pacitan, yaitu; sangat rendah (43,219.8 Ha), rendah (32,256.9 Ha), sedang (24,133.8 Ha), tinggi (20,590.7 Ha), dan sangat tinggi (18,787.6 Ha). Tingkat kerawanan longsor sangat tinggi mendominasi wilayah bagian tengah sampai Timur Kabupaten Pacitan di Kecamatan Kebonagung, Arjosari, Tulakan, dan Pacitan dengan ciri wilayah memiliki rata-rata lereng 23.2°, tersusun atas batuan dalam Formasi Arjosari dengan jenis tanah aluvial dan penggunaan tanah semak belukar, curah hujan rata-rata 2,384.64 mm/tahun, jarak dari patahan rata-rata 693.4 m, jarak dari sungai rata-rata 499.87 m, nilai topographic wetness index (TWI) rata-rata 4.79, dan profile curvature sebesar -0.04 atau cembung. Sementara itu, tingkat kerawanan longsor sangat rendah dominan berada pada pada bagian Barat Kabupaten Pacitan di Kecamatan Donorojo, Punung, dan Pringkuku dengan ciri wilayah memiliki rata-rata lereng 11.05°, tersusun atas batuan sedimen gamping dari Formasi Wonosari dengan jenis tanah litosol dan penggunaan tanah tegalan/ladang, curah hujan rata-rata 2,042.63 mm/tahun, jarak dari patahan 3,222.57 m, jarak dari sungai rata-rata 2,216.60 m, nilai topographic wetness index (TWI) rata-rata 5.5, dan profile curvature 0.06 atau cekung. Validasi model menggunakan data uji dengan AUROC bernilai 0.876. Dihasilkan validasi tingkat kerawanan menggunakan data validasi dengan akurasi sebesar 0.781 dan presisi sebesar 0.755.

---

Landslides are one of the most detrimental natural events that occur every year in the Pacitan Regency. This study analyzes the physical aspects that act as factors causing landslides and the level of landslide susceptibility using the logistic regression method in Pacitan Regency. Four hundred sixty-eight landslide points were used from the BPBD inventory in Pacitan Regency, field surveys, and interpretation of satellite imagery and separated with 80% as test data and 20% as model validation. The probability analysis of landslides using 14 physical aspects coefficient results that slopes, aspects/directions towards the slopes, rainfall, land use, soil types, and lithology have positive coefficients values. Meanwhile, the physical aspects include elevation, topographic wetness index (TWI), profile curvature, plan curvature, distance from fault, distance from road, distance from road, and normalized difference vegetation index (NDVI), have negative coefficients values. Five levels of landslide susceptibility were generated in Pacitan Regency, namely, very low (43.219.8 Ha), low (32.256.9 Ha), medium (24.133.8 Ha), high (20.590.7 Ha), and very high (18.787.6 Ha). Very high level of landslide susceptibility dominates the central to the eastern part of Pacitan Regency in Kebonagung, Arjosari, Tulakan, and Pacitan Districts with regional characteristics having an average slope of 23.2°, composed of rocks in the Arjosari Formation with alluvial soil types, and shrub land use, rainfall the average rainfall is 2,384.64 mm/year, the distance from the fault is 693.4 m, the distance from the river is 499.87 m, the topographic wetness index (TWI) value is 4.79, and the curvature profile is -0.04 or convex. Meanwhile, the very low level of landslide susceptibility is dominated in the western part of Pacitan Regency in Donorojo, Punung, and Pringkuku Subdistricts, with regional characteristics having an average slope of 11.05°, composed of limestone sedimentary rocks from the Wonosari Formation with litosol soil types and dry farming land use. /field, the average rainfall is 2,042.63 mm/year, the distance from the fault is 3,222.57 m, the distance from the river is 2,216.60 m on average, the topographic wetness index (TWI) value is 5.5 on average, and the curvature profile is 0.06 or concave. Validation of the model using test data with AUROC worth 0.876. Vulnerability validation using validation data resulted in an accuracy of 0.781 and a precision of 0.755."