Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tingkat keaktifan dan produktivitas masyarakat perkotaan menyebabkan peningkatan kebutuhan masyarakat akan pemenuhan kebutuhan sehari-hari yang mudah dicapai dan nyaman. Salah satu hal yang menjawab kebutuhan masyarakat adalah minimarket yang berkonsep retail sekaligus restoran, yang mulai tersebar di kota-kota besar di Indonesia. Minimarket restoran tersebut menghadirkan dampak bagi transportasi, oleh karena itu, sebagai langkah awal, analisis mengenai bangkitan perjalanan perlu dilakukan. Penelitian ini ditujukan untuk menganalisis hal-hal apa saja yang mempengaruhi jumlah perjalanan yang dibangkitkan ke minimarket jenis restoran, dan memodelkannya menjadi sebuah persamaan yang menggambarkan pola bangkitan perjalanan tersebut, dengan batasan minimarket berlokasi di kawasan bisnis di Provinsi DKI Jakarta. Data yang diperoleh merupakan jumlah tarikan perjalanan orang, sepeda motor, dan mobil per jam yang diperoleh dari perekaman CCTV selama 12 jam pada tujuh minimarket studi kasus. Penyebaran kuesioner juga dilakukan pada pengungjung minimarket di tempat serta responden via internet untuk mengonfirmasi variabel-variabel yang mempengaruhi tarikan perjalanan ke minimarket jenis restoran. Data dianalisis dengan menggunakan metode regresi linear berganda OLS (Ordinary Least Square). Hasil analisis menunjukkan bahwa tarikan perjalanan orang dipengaruhi oleh luas areal minimarket, luas areal parkir, dan jumlah ATM, sementara tarikan perjalanan sepeda motor dipengaruhi oleh jumlah kursi dan jumlah komoditas, dan tarikan perjalanan mobil dipengaruhi oleh luas areal parkir.

---

The intensive activity and productivity of a city?s citizens make a necessity of a comfort and easy-to-reach stores in order to fulfill their daily needs. They are provided by retail and restaurant concepted mini market, which has been relatively wide scattered in most major cities in Indonesia. The resto-minimarkets cause impacts to the transportation du to the parking activities, so an analysis of their traffic generation is needed. This research is aimed to analyse the factors which affect the trips generated by the resto-minimarket, and to model them as an equation which bestly describes the pattern of the trip generation. The model is the limited to the minimarkets which are located in commercial district in DKI Jakarta. The tripsore was classified in people, motorcycle, and car trip, motorcycle, and car trip attraction, and they were obtained through 12 hours CCTV recording in 7 stores of study cases. Questionnaires were also carried out to the in-site costumers, as well as cyber respondents in order to confirm the variables which influence the trip attraction of resto-minimarket. The data were analyzed by OLS multiple regression method. The results show that people trip attraction of resto-minimarket is affected by the area of resto-minimarket, the size of parking area, and the number of ATM (Automatic Teller Machine), while motorcycles one is by by the number of chairs and commodity types the resto-minimarket sells. Moreover, the car trip attraction is affected by the size of parking area."

"Dalam skripsi ini membahas mengenai model regresi antara variabel penjelas dengan variabel dependent kontinu dimana variabel dependent yang diketahui merupakan variabel dependent ordinal yang dibentuk dari variabel kontinu tersebut, sedangkan nilai dari variabel kontinu tidak diketahui. Penaksiran parameter dalam model dilakukan dengan menggunakan metode maximum likelihood. Pengujian kegunaan model dilakukan dengan uji rasio likelihood. Pengujian terhadap masing-masing koefisien regresi dilakukan dengan uji z. Untuk mengukur kecocokan model digunakan koefisien determinasi 2 R. Metode tersebut diterapkan untuk melihat hubungan antara variabel kemampuan seseorang untuk mengalihkan stress (dinamakan Avoid) yang bersifat kontinu dengan variabel kemampuan seseorang untuk menikmati kegiatan (dinamakan Distract) dan variabel kemampuan seseorang untuk mendapatkan dukungan dari orang lain (dinamakan Social) dimana data variabel Avoid yang diketahui berupa data kategori ordinal yang dibentuk dari data variabel Avoid kontinu yang tidak diketahui nilainya."

"Model regresi ordinal dua level merupakan model yang digunakan untuk menganalisis data respon ordinal tercluster dan longitudinal. Dalam hal ini variabel respon ordinal yang diketahui, dibentuk dari suatu variabel laten kontinu yang tak diketahui nilainya. Nilai batas kategorik (threshold) pada variabel laten perlu diestimasi bersama-sama dengan koefisien regresi ordinal dua level. Untuk mengestimasi parameter-parameter dan threshold pada model regresi ordinal dua level, digunakan metode estimasi maximum marginal likelihood (MMLE) melalui pendekatan numerik dengan metode Fisher scoring. Pada setiap iterasi metode Fisher Scoring, digunakan Gauss-Hermite Quadrature untuk menghitung secara numerik persamaan marginal likelihood. Untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal tercluster, digunakan data TVSFP di mana siswa bersarang dalam kelas. Sedangkan untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal longitudinal, akan digunakan data psikiatrik di mana pasien diklasifikasikan pada beberapa tingkat keparahan penyakit terhadap beberapa titik waktu (time points). Struktur data dua level yang digunakan untuk data longitudinal adalah perulangan observasi bersarang dalam individu (pasien)."

"Penuaan adalah salah satu faktor utama resiko terjadinya penyakit dan kematian. Lajupenuaan individu dengan usia kronologis yang sama terbukti bervariasi. Maka dariitu, muncul kebutuhan untuk alat pengukuran penuaan yang lebih akurat, robust, dandapat diandalkan dibandingkan usia kronologis, yakni usia biologis. Pada penelitianini, penulis membangun model menggunakan Metode Random Forest Regression (RF)dan Metode Support Vector Regression (SVR) untuk memprediksi umur biologis padadata pemeriksaan medis, menilai dan mengevaluasi hasil kinerjanya, serta melakukankomparasi kinerja kedua metode. Terkait metode yang digunakan, Metode RF adalahmetode yang mengaplikasikan Teknik Ensemble Learning dengan cara menggabungkanbeberapa decision tree untuk menghasilkan prediksi. Sedangkan, Metode SVR adalahmetode yang berkerja dengan cara membangun hyperplane atau kumpulan hyperplanedalam ruang berdimensi tinggi yang dapat digunakan untuk regresi linier atau nonlinier.Dataset yang digunakan adalah data medis yang berasal dari Kementrian KesehatanRepublik Indonesia. Pada dataset dilakukan data preprocessing, yakni data diproses padaaspek missing values handling, encoding, dan outliers detection and outliers handling.Kemudian, dilakukan feature selection menggunakan Spearman’s Rank CorrelationCoefficient. Setelah itu, dilakukan pembangunan model dengan Metode RF dan modeldengan Metode SVR secara terpisah untuk masing - masing jenis kelamin. Terakhir,performa model dievaluasi dan dibandingkan kinerjanya menggunakan metrik evaluasiRoot Mean Square Error (RMSE), Coefficient of Determination (R2), Adjusted R2, danrunning time. Metode RF menggunakan hyperparameter terbaik {’max depth’: 15,’n estimators’: 1150} untuk dataset pria, dan {’max depth’: 15, ’n estimators’: 1250}untuk dataset wanita. Sedangkan, Metode SVR menggunakan hyperparameter terbaik{’C’: 2,’epsilon’: 0,2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’tol’: 0,005} untuk dataset pria,dan {’C’: 3, ’epsilon’: 0,2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’tol’: 0,005} untuk datasetwanita. Metode RF memiliki kinerja yang cukup baik, dengan nilai RMSE = 7,532; R2= 0,403; Adjusted R2 = 0,351; running time = 0,154 untuk pria dan RMSE = 6,889;R2 = 0,340; Adjusted R2 = 0,264; running time = 0,179 untuk wanita. Selain itu, SVRjuga memiliki performa yang cenderung sama namun sedikit lebih buruk, dengan nilaiRMSE = 7,692; R2 = 0,376; Adjusted R2 = 0,321; running time = 0,035 untuk pria danRMSE = 6,905; R2 = 0,337; Adjusted R2 = 0,306; running time = 0,080 untuk wanita.Berdasarkan analisis kinerja model yang dilakukan pada penelitian ini model yangdibangun dengan Metode Random Forest Regression lebih unggul dalam memprediksiusia biologis dibandingkan dengan Metode Support Vector Regression.

---

Aging is one of the main risk factors for disease and death. The aging rate of individ- uals of the same chronological age has been shown to vary. So therefore, a need arises for a more accurate, robust, and reliable aging measurement tool than chronological age, namely biological age. In this research, the author build a model using the Random For- est Regression (RF) Method and the Support Vector Regression (SVR) Method to predict biological age from patient clinical data, assess and evaluate the performance results, and compare the performance of the two models. Regarding the method used, the Random Forest Regression Method is a method that applies the Ensemble Learning Technique by combining several decision trees to produce predictions. Meanwhile, the Support Vector Regression Method is a method that works by building a hyperplane or collection of hy- perplane in high-dimensional space which can be used for linear or nonlinear regression. The dataset used is medical data originating from the Ministry of Health of the Republic of Indonesia. On the dataset, data preprocessing is carried out, namely the data is processed in the aspects of missing values handling, encoding, and outliers detection and outliers handling. Then, feature selection is carried out using Spearman’s Rank Correlation Co- efficient. After that, machine learning model using RF Method and machine learning model using SVR Method were created separately for each gender. Finally, the model performance is evaluated and its performance compared using evaluation metrics, namely Root Mean Square Error (RMSE), Coefficient of Determination (R2), and Adjusted R2, as well as running time. The RF Method used best hyperparameters {’max depth’: 15, ’n estimators’: 1150} for the male dataset, and {’max depth’: 15, ’n estimators’: 1250 } for the female dataset. Meanwhile, the SVR Method used best hyperparameters {’C’: 2, ’epsilon’: 0.2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’toll’: 0.005} for the male dataset, and {’C’: 3, ’epsilon’: 0, 2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’toll’: 0.005} for female dataset. The result is that the model built using the RF Method has quite good performance, with an RMSE value of = 7.532; R2 = 0.403; Adjusted R2 = 0.351; running time = 0.154 for men and RMSE = 6.889; R2 = 0.340; Adjusted R2 = 0.264; running time = 0.179 for women. Apart from that, SVR also has performance that tends to be the same but slightly worse, with an RMSE value of = 7,692; R2 = 0.376; Adjusted R2 = 0.321; running time = 0.035 for men and RMSE = 6.905; R2 = 0.337; Adjusted R2 = 0.306; running time = 0.080 for women. Based on the model performance analysis carried out in this research, the model built using the Random Forest Regression Method is superior in predicting biological age compared to the Support Vector Regression Method."

"Perkembangan Teknologi Informasi dan Komunikasi (TIK) telahmemberikan pengaruh terhadap dunia pendidikan khususnya dalam prosespembelajaran. Dalam tugas akhir ini diselidiki variabel yang mempengaruhitingkat perkembangan TIK pada Sekolah Menengah Atas dan Sederajat diBekasi. Untuk memperoleh variabel tingkat perkembangan TIK, dilakukananalisis two step cluster berdasarkan 2 variabel, yaitu kualitas guru dansarana prasarana TIK. Lalu, analisis regresi logistik biner dilakukan untukmengetahui variabel yang mempengaruhi tingkat perkembangan TIK padaSekolah Menengah Atas dan Sederajat di Bekasi. Diperoleh variabel yangmempengaruhi tingkat perkembangan TIK adalah jumlah komputer danjumlah printer dan atau scanner. Setelah itu, dengan menggunakan SistemInformasi Geografis (SIG), diperoleh gambaran penyebaran variabel jumlahkomputer dan jumlah printer dan atau scanner pada Sekolah Menengah Atasdan Sederajat di tiap kecamatan di Bekasi."

"Analisis regresi adalah Suatu teknik statistik yang digunakan untuk nenyelidiki dan menunjukkan hubungan antara variabel-variabel yang diaggap berpengaruh.Hasil analisis, yang disebut model regresi, akan baik jika data pengamatan yang dipakai sudah memenuhi asumsi-asumsi yang ada dan mempunyai pengaruh yang sama pada saat pencocokan regresi, dalam hal ini pada taksiran β. Artinya, tidak ada sebagian atau satu pengamatan yang lebih berpengaruh dibandingkan dengan data pengamatan yang lain. Untuk nengetahui apakah ada data penganatan yang lebih berpengaruh tersebut, dilakukan Pendeteksian terhadap data yang ada dengan nenggunakan pendekatan penghapusan. Pendekatan ini menguji bagaimana suatu Pengamatan dapat mengubah kuantitas yang terlibat dalam analisis regresi.Ada 2 metode pendeteksian penganatan yang berpengaruh pada β, yaitu :1. Berdasarkan jarak titik pada ruang x - y1.1 Elemen diagonal matrik V1.2 Jarak Mahalanobis1.3 WSSD1.4 Elemen diagonal matrik Vz2. Berdasarkan kurva Pengaruh ( pusat elipsoidakeperaayaan)2.1 Cook distance2.2 Welsch distance2.3 Welsch-Kuh dlstance2.4 Modifikasi Cook distance"

"Model regresi logistik dua level merupakan analisis multilevel yang digunakan untuk menganalisis data yang mempunyai struktur hirarki dua level dengan data respon biner (bernilai 0 atau 1). Yang dimaksud dengan data hirarki adalah data dengan unit-unit observasi yang bersarang pada unit yang lebih tinggi. Dalam skripsi ini, bentuk model regresi logistik dua level difokuskan pada model regresi logistik dua level dengan random intercept. Metode penaksiran parameter yang adalah metode Penalized Quasi Likelihood order pertama (PQL-1). Prinsip umum dari metode ini adalah melinierkan bagian yang non-linier dari model regresi logistik dua level dengan perluasan deret Taylor order pertama sehingga didapat model linier 2-level untuk kemudian dilakukan pengestimasian parameter menggunakan Iterative Generalized Least Square (IGLS). Prosedur tersebut dilakukan secara iteratif sampai konvergen. Metode ini diaplikasikan pada data survey di Eropa mengenai faktor-faktor yang mempengaruhi seseorang dalam penggunaan hak pilihnya dalam pemilu. Data terdiri dari 3300 individu yang diambil secara acak dari 20 negara di Eropa."

"Regresi data panel merupakan suatu regresi yang menggabungkan dua jenis data, yaitu data cross section dan data longitudinal. Berdasarkan komponen errornya regresi data panel dibedakan menjadi dua yaitu komponen error satu arah dan dua arah. Pada regresi data panel dibutuhkan beberapa asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan (homoskedastis) serta error antar observasi saling bebas. Dalam analisis regresi data panel, pada saat melakukan pengambilan observasi di suatu lokasi sering ditemui bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spasial antar observasi. Inilah yang disebut dengan spatial dependent. Jika pengaruh spasial ini ada dan tidak dilibatkan dalam model maka asumsi error antar observasi saling bebas tidak terpenuhi. Sehingga model yang diperoleh menjadi kurang baik. Untuk itu dibutuhkan suatu model yang melibatkan pengaruh spasial dalam analisis regresi data panel yang dinamakan spatial panel data model. Dalam tugas akhir ini akan dibahas bagaimana cara menaksir parameter pada model regresi spasial panel satu arah dengan menggunakan metode maksimum likelihood."

"Dalam tugas akhir ini akan dibahas suatu metode pada regresikalibrasi yang berguna untuk estimasi nilai aktual dan interval kepercayaannilai aktual dari nilai observasi yang diberikan. Berdasarkan Vocabulary OfInternational Metrology (VIM), kalibrasi merupakan serangkaian kegiatanyang membentuk hubungan antara nilai yang ditunjukkan oleh instrumen(alat) ukur atau nilai observasi, dengan nilai-nilai yang sudah diketahui ataunilai aktual yang berkaitan dengan besaran yang diukur dalam kondisitertentu. Metode yang digunakan untuk menaksir nilai aktual adalah metodeclassic dan metode inverse, sedangkan metode yang digunakan untukmenaksir interval kepercayaan nilai aktual adalah metode Graybill. Data yangdigunakan dalam penelitian ini adalah data kalibrasi alat pengukur suhu yaituthermocouple yang berasal dari buku Montgomery (2001). Hasil analisis datamenunjukkan bahwa hasil taksiran nilai aktual pada metode inverse lebihdekat dengan rata-rata nilai aktual bila dibandingkan dengan hasil taksirannilai aktual yang diperoleh pada metode classic.Kata kunci : Kalibrasi, Metode Classic, Metode Graybill, Metode Inverse,Regresi Kalibrasix + 74 hlm.; gbr.; tab.; lamp.Bibliografi: 10 (1967 - 2006)"