Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam penelitian tertentu, seringkali alat tes digunakan untuk mengurutkan nilai murni sejumlah responden, sehingga alat tes diharapkan dapat memprediksi urutan nilai murni dengan tepat. Reliabilitas ordinal adalah ketepatan prediksi urutan berdasarkan suatu alat tes. Reliabilitas ordinal dipertimbangkan berdasarkan agreement (ketepatan) antara urutan nilai pengamatan dan urutan nilai murni. Koefisien korelasi Kendall Tau digunakan untuk mengukur agreement tersebut. Karena nilai murni tidak bisa diketahui maka digunakan test-retest untuk penaksiran. Reliabilitas ordinal dapat ditaksir dengan koefisien korelasi Kendall Tau dari urutan skor test-retest. Dapat dibuktikan bahwa ekspektasi taksiran koefisien korelasi Kendall Tau dari skor test-retest lebih kecil dari koefisien reliabilitas ordinal. Contoh penerapan diberikan untuk melihat gambaran dari penggunaan reliabilitas ordinal.

---

In certain studies, tests are often used to rank the true score of respondents, so the test is expected to predict the exact rank of true score. Ordinal reliability is the correctness prediction of true scores rank by a test. Ordinal reliability considered by agreement between the order of observed scores and the order of true scores. Kendall Tau correlation coefficient is used to measure the agreement. Because true scores can not be known then test-retest is used for estimation. Ordinal reliability can be estimated with Kendall Tau correlation coefficient of test-retest ordered score. It can be proved that the expectation of the estimated Kendall Tau correlation coefficient of test-retest scores less than the coefficient of ordinal reliability. Examples of application are given to see an overview of the use of ordinal reliability."

"Meningkatnya harga tanah dan harga bangunan membuat para pengembang properti terpaksa mengeluarkan biaya yang cukup besar dalam pembangunan suatu proyek perumahan. Sehingga diperlukan pemilihan kontraktor yang memiliki efisiensi tinggi, yaitu dengan biaya yang seoptimal mungkin, beserta perencanaan dan pelaksanaan waktu yang optimal, mampu menghasilkan kualitas kerja yang baik yang sesuai dengan konsep serta spesifikasi proyek perumahan yang dipersyaratkan. Pemilihan kontraktor terdiri dari dua proses, yaitu proses prakualifikasi, proses penyeleksian awal, dan proses tender, proses lanjutan dari prakualifikasi.Pada penelitian ini, metode multivariate discrimininant analysis digunakan untuk proses prakualifikasi dan metode analytical hierarchy process digunakan untuk proses tender. Multivariate discriminant analysis merupakan analisis statistika yang digunakan untuk mengklasifikasikan kasus-kasus pada variabel independen ke dalam gmp atau kategori variabel dependen sedangkan analytical hierarchy process adalah suatu metodologi yang komprehensif, yang menyediakan kemampuan untuk menggambungkan faktor kuantitatif dan kualiitatif dalam pengambilan keputusan bagi individu maupun grup.Dari hasil penelitian, untuk proses prakualifikasi, diperoleh suatu model atau fungsi diskriminan yang dapat mengklasifikasikan suatu kontraktor apakah layak atau tidak untuk dilanjutkan ke dalam proses tender berdasarkan kriteria-kriteria penentu. Dan pada proses tender diperoleh nilai bobot untuk setiap kriteria dan subkriteria yang berpengaruh dalam pemilihan kontraktor.

---

The increasing prices of land and housing properties makes developing housing projects more expensive for developer. To overcome this problem, selection of contractor which has high efficiency, optimizing cost to meet concepts and specifications of housing project with well planned time, is essential. There are two process of contractor selection which are pre-qualification and tendering process as follow up from pre-qualification process.

In this paper, writer use multivariate discriminant analysis method for pre-qualification and analytical hierarchy process method for tendering process. Multivariate discriminant analysis method use statistical analysis to classify cases from the independent variable into a group or dependent variable. Analytical hierarchy process method is a comprehensive method which is provides the ability to unite quantitative and qualitative factors in decision making for individual or group.

From the results of this paper, from the pre-qualification process a model or a discriminant function is generated which can classify qualified contractor so that this contractor can move on to the next process (tendering) based on determining criterions. From the tendering process, every criterions and sub criterions are given a weight which will affect in contractor selection."

"Dalam skripsi ini akan dibahas pengendalian terhadap dua karakteristik yang mempengaruhi kualitas baut, yaitu diameter dan panjang ulir. Untuk pengendalian tersebut, digunakan pengendalian kualitas secara multivariat dengan teknik grafik pengendali Hotelling T2. Data yang dipakai adalah data rolling check sheet PT. Nitto Alam Indonesia - Tangerang, bulan Maret dan April 1992."

"Pada setiap analisis statistik memungkinkan berhadapan dengan missing values atau missing data karena pada saat survei kemungkinan ada responden yang tidak dapat menjawab pertanyaan atau tidak ingin menjawab pertanyaan pada saat wawancara survei. Missing values tidak dapat langsung dilakukan analisis menggunakan analisis data lengkap, oleh karena itu missing values telah menjadi masalah yang sering dihadapi oleh para peneliti. Dataset survei biasanya terdiri dari sejumlah besar variabel kontinu salah satunya berdistribusi multivariat normal. Salah satu cara untuk menangani missing values dapat dilakukan dengan imputasi, yaitu proses pengisian atau penggantian missing values pada dataset dengan nilai-nilai yang mungkin berdasarkan informasi yang didapatkan pada dataset tersebut. Penelitian ini akan menerapkan metode sequence regression multivariate imputation (SRMI) untuk imputasi missing values pada data multivariat normal. SRMI merupakan metode imputasi ganda yang nilai imputasinya didapatkan dari model sequence of regression yaitu setiap variabel yang mengandung missing values diregresikan terhadap semua variabel lain yang tidak mengandung missing values sebagai variabel prediktor. Cara mendapatkan nilai imputasi digunakan pendekatan iterasi untuk menarik nilai dari distribusi posterior prediktif pada missing values di bawah masing-masing model regresi secara beruntun. Penelitian ini menggunakan data multivariat normal yang telah dibangkitkan sebanyak 500 observasi dengan menggunakan lima nilai imputasi ganda dan hasil evaluasi kualitas imputasi menggunakan Root Mean Square Error (RMSE). Hasil evaluasi kualitas imputasi dapat dikatakan baik jika nilai RMSE semakin kecil, maka eror semakin kecil atau nilai estimasi mendekati nilai sebenarnya (Chai & Draxler, 2014) dan hasil yang didapatkan nilai RMSE kecil sehingga SRMI dapat diterapkan untuk melakukan imputasi terhadap data multivariat normal.

---

Missing values are the absence of data items for an observation or more observations that can result in the loss of certain information. During surveys, there are often missing values or missing data because there are likely respondents who cannot answer the question or do not want to answer the question. That is a problem for researchers because, with missing values, the results of observation cannot be analyzed properly. Survey datasets usually consist of continuous variables, one of which is a normal multivariate distribution. One way to deal with missing values ​​can be done by imputation, which is the process of filling or replacing missing values ​​in a dataset with possible values ​​based on the information obtained in the dataset. This study will apply the sequence regression multivariate imputation (SRMI) method for missing values ​​imputation in normal multivariate data.

SRMI is a multiple imputation method whose implication value is obtained from the sequence of regression model, that is, every variable containing missing values ​​is regressed on all other variables that do not contain missing values ​​as predictor variables. The method of obtaining imputation values ​​is used by the iterative approach to drawing values ​​from the predictive posterior distribution in the missing values ​​below each successive regression model. This study uses multivariate normal data that has been generated a total of 500 observations using five multiple imputation values ​​and the evaluation results using Root Mean Square Error (RMSE) which have little value in applying to normal multivariate data so SRMI can be applied to impute normal multivariate data."

"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)."

"Analysis data"

"Proses pengendalian mutu statistik berperan penting dalam pemantauan proses produksi. Pemantauan proses yang melibatkan beberapa peubah secara bersama-sama disebut dengan pengendalian mutu statistik multivariat. Pemantauan proses dapat dilakukan dengan menggunakan bagan kendali multivariate. Tujuan dari bagan kendali multivariat adalah untuk mengetahui apakah proses yang dilakukan terkendali atau tidak dan salah satu bagan yang sering digunakan dalam pengendalian mutu statistik multivariat adalah bagan kendali Hotelling T 2 . Pada skripsi ini akan membahas bagan kendali Hotelling T 2 yang digunakan untuk memantau proses pada fase I dan fase II. Namun bagan kendali Hotelling T 2 tidak dapat mengidentifikasi penyebab masalah jika pada bagan terdapat outlier. Oleh karena itu digunakan dekomposisi dari T 2 ( dekomposisi MYT ) untuk mengidentifikasi peubah mana yang secara signifikan menyebabkan proses tidak terkendali. "

"Pada tahun 2020, Indonesia berencana akan mengoperasikan Kereta Api Cepat (High Speed Train) antara Jakarta-Surabaya yang akan dinamakan Argo Cahaya. Penelitian ini membahas tentang pengaruh beroperasinya High Speed Train terhadap permintaan moda pesawat udara. Model pemilihan moda yang dikembangkan menggunakan pendekatan logit biner yang berbasis data stated preference (SP). Dari fungsi utilitas yang dibangun, dapat diketahui probabilitas calon penumpang yang akan berpindah dari moda pesawat ke High Speed Train. Berdasarkan analisa sensitivitas terhadap faktor-faktor yang diduga berpengaruh terhadap pemilihan moda, disimpulkan bahwa faktor yang paling mempengaruhi calon penumpang dalam memilih High Speed Train adalah tarif.

---

In 2020, Indonesia are planning to operate High Speed Train between Jakarta and Surabaya, it will be called Argo Cahaya. This study analyzes the impact of high speed train in comparison on air transport demand. By applying quantitative research logit binary and using stated preferences survey method. From the utility function that is produced, the prospective passenger that shifted from aircraft to high speed train could be defined. Based on sensitivity analysis of the factor?s that suspect to affected the mode selections, the result on traveler?s perceptions show that fare are most significant factor that affected passenger choice."

"Analisis faktor dengan metode Komponen Utama dikerjakan pada data multivariat, dengan tujuan untuk: meringkas data dan menampakkan faktor-faktor yang ada, yang merupakan gabungan peubah-peubah yang saling bergantungan. Data hasil penelitian dengan banyak peubah, dapat diringkas menjadi data dengan beberapa faktor yang cukup mewakili. Metode Komponen Utama adalah salah suatu metode dari beberapa metode yang ada dalam Analisis Faktor. Faktor yang terbentuk melalui rnetode ini, adalah kombinasi linier dari peubah semula yang banyak itu. Peubah acak, yang banyak itu dapat diekspresikan dalam beberapa faktor, dengan aturan-aturan dan asumsi-asumsi tertentu. Banyak eigenvalue terbesar, yang diambiI dari matriks variansi-kovariansi, menentukan jurmlah faktor yang akan diperhatikan. Sedangkan loading-loading yang memberikan kontribursi besar, yang akan rnenentukan peubah-peubah mana yang bergabung membentuk faktor tersebut."