Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pembukaan kelas merupakan salah satu bagian terpenting pada institusi pendidikan disaat awalpembelajaran yang akan dimulai. Dalam melakukan pembukaan kelas harus didukung dengan analisadata yang kuantitatif dengan hasil yang terukur sehingga menghasilkan jumlah kelas yang akurat. Padapenelitian ini bertujuan untuk mengetahui jumlah pembukaan kelas diperiode berikutnya dengan carameramalkan, dimana metode peramalan yang digunakan adalah metode regresi linear. Di dalam metoderegresi ini menggambarkan hubungan antara paling tidak satu/lebih variabel bebas (independentvariable) dan satu variabel bergantung (dependent variable) dengan tujuan untuk meramalkan nilaivariabel bergantung dalam hubungan dengan nilai variabel bebas tertentu. Penelitian ini menggunakanperiode waktu sebagai variabel bergantung dan data jumlah mahasiswa default serta mahasiswa yangkemungkinan mengulang dan yang belum mengambil sebagai variabel bebasnya. Data yang digunakanadalah data history pada 3 tahun yang lalu. Dengan mengimplementasikan regresi linear kedalam sistempembukaan kelas ini memberikan kemudahan dalam melakukan perhitungan serta mengurangi terjadinyadrop kelas. "

"Tugas akhir ini bertujuan untuk mencari taksiran parameter pada Generalized Linear Mixed Model (GLMM). Parameter-parameter dalam GLMM merupakan parameter untuk melihat efek fixed dan efek random dari variabel-variabel prediktor terhadap variabel respon. Hal ini yang membedakan dengan Generalized Linear Regression Model (GLRM), yang hanya memperhatikan efek fixed. GLRM merupakan perluasan dari model regresi linier berganda dalam hal asumsi variansi errornya tidak konstan. Pada tugas akhir ini, metode yang digunakan untuk mencari taksiran parameter pada GLMM adalah metode Best Linear Unbiased Prediction (BLUP). Teori dasar yang dibutuhkan pada metode BLUP ini adalah metode Lagrange dan teorema invers matriks partisi. "

"Penelitian ini bertujuan untuk melihat pengaruh variabel makroekonomi dan instrumen keuangan yaitu sukuk, inflasi, kurs rupiah terhadap US dollar dan harga emas terhadap perhimpunan dana pihak ketiga (DPK) perbankan syariah di Indonesia periode Januari 2008 sampai dengan Desember 2010. Metode penelitian yang digunakan adalah dengan regresi linier berganda.Dari hasil penelitian, variabel tersebut mempunyai pengaruh cukup besar terhadap DPK yaitu sebesar 86,4%. Hasil penelitian ini menunjukkan bahwa sukuk, inflasi, kurs rupiah dengan US Dollar dan harga emas secara simultan signifikan berpangaruh terhadap DPK. Akan tetapi secara parsial dari variabelvariabel tersebut secara siginifikan variabel kurs Rupiah dan harga emas yang berpengaruh terhadap DPK perbankan syariah. Kurs memberikan pengaruh yang negatif dan harga emas berpengaruh positif terhadap DPK perbankan syariah di Indonesia.Penelitian ini menyarankan emas dijadikan sebagai inovasi produk di perbankan syariah di Indonesia. penelitian selanjutnya diharapkan agar peneliti menambahkan variabel makro yang lain dan metode penelitian guna mencari hasil penelitian yang lebih signifikan.

---

This research aimed to analyze the effect of macro economic and finance instrument : sukuk, inflation, kurs and gold value to Syariah Bank Funding in Indonesia between 2008 January until 2010 December. This study uses Multiple Linear Regression analysis.The result of model shows that variables have big impact to Syariah Bank in Indonesia funding until 86,9%. The result of study shows the impact that sukuk, inflation, kurs and gold value impact simultan significantly to funding. But, only kurs and gold value have partial impact to funding. Kurs have negatif impact and gold value have positif impact to Syariah Bank Funding in Indonesia.The research suggested gold to make inovation produc in Indonesian Syariah Banking. In the next research, the researcher get to add macro economic and research method to search significant result."

"Saat ini peramalan beban listrik hanya menggunakan acuan data historis sebagai masukan pada metode peramalan beban. Berbagai jenis metode digunakan untuk menghasilkan peramalan beban yang akurat dan presisi dengan harapan daya yang disalurkan tepat ukuran sesuai dengan kebutuhan beban listrik konsumen. Skripsi ini membahas teknik kombinasi metode permodelan Auto Regressive Integrated Moving Average (ARIMA) yang dikaitkan dengan metode regresi linear dari hubungan suhu dan beban listrik untuk menghasilkan metode peramalan yang lebih akurat dan presisi dari sekedar peramalan beban yang mengacu pada data historis saja. Berdasarkan hasil, terlihat bahwa MAPE kombinasi peramalan (4,19%) lebih baik dibanding menggunakan metode ARIMA (5,16%) dan Regresi Linear (5,28%) saja.

---

Nowadays electrical load forecasting uses historical data as a reference input on load forecasting method. Various types of this methods used to produce an accurate load forecasting and precision in the hope that appropriate resources are distributed according to the size of electrical load demand of consumers.

This research will discuss combination technique of Auto Regressive Integrated Moving Average (ARIMA), which is associated with linear regression method from the relationship of temperature and electrical load to produce a more accurate and precise than a load forecasting based on historical data only. The final results show that combination technique gives MAPE 4,19%, better than ARIMA (5,16) and Linear Regression (5,28%)."

"This was a non-reactive research using secondary data (n = 30). The objective of this study was to investigate the linear regression in dentistry using data analysis with computer programs MINITAB 13 and SPSS 13. Research in dentristry often employs simple or multiple linear regression. A researcher should have adequate comprehension on linear regression analysis in order to gain valid and applicable regression equation. This study used multiple linear regression analysis with independent variable (age and oral hygiene) and dependent variable (tooth caries). It was found that all assumptions of the multiple linear regression analysis were fulfilled. However, the result of t test showed that the variable of age revealed insignificant result (p = 0.932), so that the variable of age should be excluded from the analysis. Subsequently, simple linear regression analysis was performed to the independent variable (oral hygiene) and the dependent variable (tooth caries). It was found that all assumptions of the multiple linear regression analysis were fulfilled. The result of t test showed that oral hygiene variable was significant (p = 0.000). F test revealed p = 0.000, indicating the validity of the result. The obtained regression equation was found to be applicable. The regression equation obtained was as follows: 1.56 + 2.62 OHI-S, indicating that in any increase of one OHI-S unit, the caries increased 2.62 unit."

"Suatu perusahaan seringkali memerlukan tambahan modal untuk mengembangkan bisnisnya. Oleh karena itu, perusahaan perlu meminjam kepada bank. Besar pinjaman yang diberikan sangat bergantung pada karakteristik perusahaan. Penelitian ini bertujuan untuk menentukan faktor-faktor yang signifikan mempengaruhi besar pinjaman dan karakteristik suatu perusahaan berdasarkan faktor-faktor tersebut. Karakteristik suatu perusahaan dilihat dari kategori setiap faktor yang dimiliki oleh perusahaan tersebut. Metode yang digunakan dalam penelitian ini adalah Multiple Linear Regression dan Multiple Correspondence Analysis. Berdasarkan data, didapat bahwa faktor-faktor yang signifikan mempengaruhi besar pinjaman adalah profit, CEV total dan CCR. Karakteristik perusahaan yang didapat berdasarkan faktor-faktor tersebut yaitu perusahaan dengan besar pinjaman kecil, memiliki total jaminan bernilai kurang dari Rp.1 milyar dan kemungkinan gagal dalam memenuhi kewajiban kepada bank pada tingkat batas peminjaman (marginal risk). Perusahaan dengan besar pinjaman sedang, memiliki tingkat keuntungan 6,5% - 11,5%, total jaminan bernilai Rp.1 milyar - Rp.4 milyar dan kemungkinan gagal dalam memenuhi kewajiban kepada bank pada tingkat yang diperbolehkan (allowable risk). Dan perusahaan dengan besar pinjaman besar, memiliki tingkat keuntungan lebih dari 11,5%, total jaminan bernilai lebih dari Rp. 4 milyar dan iv"

"Dalam rangka menghindarkan perusahaan asuransi dari adverse selection, aktuaris perlu memprediksi tingkat risiko pada individu tertanggung. Adapun tingkat risiko individu dapat dipandang sebagai variabel ordinal. Pada penelitian ini, tingkat risiko pada skala ordinal diprediksi melalui pendekatan model linear terampat/generalized linear model (GLM), yaitu ordered stereotype model (OSM) yang merupakan salah satu jenis regresi logistik ordinal. OSM memungkinkan estimasi jarak (spacing) yang berbeda-beda antartingkat risiko ordinal dengan adanya penambahan parameter skor, di mana fitur unik ini tidak ditemukan pada model regresi ordinal lainnya. Pengetahuan akan spacing yang berbeda-beda antartingkat risiko membuka jalan untuk melakukan evaluasi terkait struktur pengelompokan tingkat risiko pada data asuransi yang seharusnya bersesuaian dengan pola faktor-faktor risikonya. Mengingat implementasi OSM yang masih jarang khususnya di bidang asuransi umum, penelitian ini mengaplikasikan model tersebut pada data klaim asuransi kendaraan bermotor di Prancis yang diakses dari CASdatasets pada perangkat lunak RStudio. Adapun tingkat risiko sebagai variabel respon disusun berdasarkan severitas klaim yang dipartisi menjadi beberapa kelompok secara ordinal. Penelitian ini pertama-tama menjelaskan terlebih dahulu bagaimana OSM dikonstruksi dari model dasarnya yaitu baseline-category logit model. Parameter model diestimasi dengan metode maximum likelihood, yang kemudian dibantu dengan metode iteratif dua langkah dan metode Newton-Raphson. Selanjutnya, hasil pengujian asumsi ordinal model menggunakan statistik uji rasio likelihood menunjukkan bahwa pengadaan tren ordinal pada OSM yang merupakan modifikasi dari baseline-category logit model adalah suatu langkah yang signifikan. Terakhir, dengan membandingkan hasil perhitungan Akaike’s information criterion (AIC) dan Bayesian information criterion (BIC) antara OSM dengan model regresi logistik ordinal lain (pada penelitian ini dipilih proportional odds model), diperoleh kesimpulan bahwa OSM adalah model terbaik.

---

In the context of mitigating adverse selection in insurance companies, actuaries are required to predict the risk levels associated with insured individuals. The ordered stereotype model (OSM) facilitates the estimation of distinct spacings between ordinal risk levels by introducing an additional score parameter. This feature distinguishes OSM from other ordinal logistic regression models. Knowledge of non-equal spacings among ordinal risk levels provides a basis for evaluating the structure of risk level groupings in insurance data, which should align with the patterns of its risk factors. In this research, OSM is applied to a French motor claims data sourced from CASdatasets and processed using the RStudio software. OSM is initially constructed through the modification of the baseline-category logit model. Model parameters are then estimated using the maximum likelihood method, supplemented by iterative two-step and Newton-Raphson methods. Likelihood ratio test statistics demonstrate that the incorporation of ordinal trends in OSM, as a modification of the baseline-category logit model, represents a statistically significant advancement. Finally, through a comparative analysis of Akaike's Information Criterion (AIC) and Bayesian Information Criterion (BIC) calculations between OSM, the baseline-category logit model, and the proportional odds model, it is deduced that OSM stands out as the superior model for predicting the risk levels of insured individuals."

"Kota Depok mengalami pertumbuhan demografi dan ekonomi yang pesat pada setiap tahunnya sehingga menyebabkan tingginya tingkat permintaan transportasi. Apabila hal ini tidak didukung oleh perencanaan yang sesuai dapat menyebabkan permasalahan transportasi. Penulisan ini bertujuan untuk melihat karakteristik perjalanan dan membangun model bangkitan perjalanan yang mampu menggambarkan banyaknya permintaan transportasi di masa mendatang. Model bangkitan perjalanan dibangun dengan menggunakan metode regresi linier berbasis zona kelurahan dengan menggunakan data sampel hasil survei wawancara rumah tangga dan data sampel yang diekspansi.Dengan menggunakan uji korelasi, uji t, dan uji F didapat variabel bebas yang digunakan adalah populasi (X1) dan jumlah pekerja atau pelajar (X2) sedangkan variabel terikatnya adalah jumlah perjalanan per kelurahan (Y). Model bangkitan perjalanan yang didapatkan untuk perjalanan bekerja kategori pendapatan rendah, menengah, tinggi, dan tanpa kategori adalah Y = 0.992X2 + 1.054, Y = 0.379X1 + 3.309, Y = 1.086X2 ? 1.080, dan Y = 0.392X1 + 0.111. Sedangkan untuk perjalanan sekolah adalah Y = X2 + 0.239, Y = 1.003X2 + 0.416, Y = 1.012X2 ? 0.008, dan Y = 1.002X2 + 0.052.

---

Depok experienced economic and demographic growth in every year, so that the demand for transportation became very high. If this is not supported by proper planning can cause transportation problems. This research is aiming to look at the characteristics of the journey and developing model of trip generation that is able to describe the number of transportation demand in the future. The trip generation model is developed with linear regression method using sampling data from household interview survey and also the expanded sampling data.

Correlation test, t-test, and F-Test are used to determine the variables where independent variable used is the population (X1) and total workers or students (X2); for dependent variable is the number of trips each zone (Y). The best models obtained for working trip for the low, middle, and high income categorys and also uncategorized respectively are Y = 0.992X2 + 1.054, Y = 0.379X1 + 3.309, Y = 1.086X2 ? 1.080, dan Y = 0.392X1 + 0.111. And for education trip are Y = X2 + 0.239, Y = 1.003X2 + 0.416, Y = 1.012X2 ? 0.008, dan Y = 1.002X2 + 0.052."

"Semakin meningkatnya kebutuhan masyarakat pada energi semakin mendorong berkembangnya teori manajemen permintaan energi. Indonesia sebagai negarayang mengalami peningkatan kebutuhan konsumsi premium masih membutuhkan perbaikan dalam tata kelolakebijakan energinya. Salahsatunya dalam melakukan peramalan. Oleh karena itu,Dibutuhkan suatu cara agar dapat melakukan peramalan konsumsi BBM premium di Indonesia.Dalam penelitian ini, peramalan dilakukandengan dua cara. Yaitu dengan menggunakan Multi Linear Regrresi dan Neural network. Hasil yang didapat menunjukkan bahwa metode Multi linear regresi memperoleh keakuratan yang lebih baik dibanding Neural network.

---

The increasing of energy consumption encouraging the development of energy demand management theory. Indonesia as a country which have increasing consumption premium fuel in few years is need to improve their energy policy, especially in forecasting. Therefore, there are need a methode to forecast premium demand in Indonesia. In this research, forecasting is done with using Multi Linear Regression and Neural Network. The result is the accuration of Multi Linear Regression methode better than the accuration of Neural network methode."