Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAngka kematian ibu didefinisikan sebagai jumlah kematian ibu pada saat masa kehamilan atau dalam kurun waktu 42 hari setelah masa kehamilan berhenti setiap seratus ribu kelahiran hidup. Salah satu tujuan dari Millenium Development Goals MGDs Indonesia adalah untuk mengurangi angka kematian ibu. Salah satu faktor yang menentukan angka kematian ibu adalah jumlah kematian ibu. Menurut profil kesehatan Indonesia tahun 2014 provinsi Jawa Barat, Jawa Tengah, dan Jawa Timur berkontribusi 26 persen dari total jumlah kematian ibu di Indonesia. Variabel-variabel yang diduga memengaruhi kematian ibu adalah jumlah tenaga kesehatan, program pemberian beras miskin, ketersediaan air bersih, jumlah penduduk yang buta huruf, dan jumlah kelahiran yang dibantu oleh tenaga kesehatan. Data yang digunakan adalah data spasial yang merupakan data yang memiliki informasi koordinat di dalamnya. Menurut Cressie 1993, kejadian di suatu wilayah cenderung dipengaruhi oleh kejadian di sekitarnya dan ketergantungan spasial seringkali ditemukan di dalam analisis regresi. Oleh karena itu diduga bahwa jumlah kematian ibu di suatu wilayah dipengaruhi oleh jumlah kematian ibu di wilayah lainnya yang berdekatan. Pemodelan jumlah kematian ibu dilakukan dengan pendekatan regresi spasial menggunakan model Spatial Autoregressive dan Spatial Error, sehingga dapat diketahui variabel apa saja yang signifikan serta seberapa besar faktor spasial memengaruhi jumlah kematian ibu di Jawa Barat, Jawa Tengah, dan Jawa Timur. Pada ketiga daerah tersebut, juga akan dideteksi Kabupaten/kota mana saja yang memiliki jumlah kematian ibu tertinggi secara statistik menggunakan metode Spatial Scan Statistics. Hasil pemodelan menunjukkan bahwa jumlah tenaga kesehatan, program pemberian beras miskin, dan jumlah penduduk buta huruf merupakan faktor yang signifikan memengaruhi jumlah kematian ibu dan didapatkan cluster daerah yang memiliki jumlah kematian ibu tertinggi secara statistik.

---

ABSTRACTMaternal mortality is defined as the number of maternal deaths during pregnancy or within 42 days of termination of pregnancy every hundred thousands live births. One of the Millennium Development Goals MGDs of Indonesia was to reduce maternal mortality. One of the factors that determine maternal mortality is the number of maternal deaths. According to Indonesia 39s health profile in 2014, West Java, Central Java and East Java provinces contributed 26 percents of the total number of maternal deaths in Indonesia. The variabels suspected affect maternal deaths are the number of health workers, poor rice programs, the availability to access clean water, the number of illiterate people, and the number of births assisted by health personnel. The data is spatial data which has coordinate information in it. According to Cressie 1993, events in a region tend to be influenced by surrounding events and spatial dependence is often found in spatial data. Therefore it is suspected that the number of maternal deaths in a region is affected by the number of maternal deaths in other surrounding areas. Maternal deaths data was analyzed by spatial regression approach using Spatial Autoregressive and Spatial Error Model to know which variabels are significant and to know whether spatial factor influences the number of maternal deaths in West Java, Central Java, and East Java. In all three areas, the highest number of maternal deaths will also be detected statistically using the Spatial Scan Statistics method. The modeling results showed that the number of health workers, poor rice program, and the number of illiterate people were significant factors that affect the number of maternal deaths and the cluster areas that have highest number of maternal deaths were obtained statistically. "

"Distribusi Lindley diperkenalkan oleh Lindley 1958 dalam konteks inferensi Bayes. Baru-baru ini, perluasan dari distribusi Lindley diusulkan oleh Ghitany 2013 dan disebut distribusi yang dihasilkan disebut distribusi power Lindley. Skripsi ini akan memperkenalkan perluasan dari distribusi power Lindley menggunakan metode Marshall-Olkin dan akan menghasilkan distribusi power Lindley Marshall-Olkin PLMO. Distribusi PLMO dapat lebih fleksibel dalam merepresentasikan data dengan berbagai bentuk. Sifat fleksibilitas ini disebabkan oleh penambahan parameter ke distribusi power Lindley. Beberapa sifat PLMO akan dijelaskan dalam skripsi ini, seperti probability density function pdf, cumulative distribution function cdf, fungsi survival, fungsi hazard, kuantil, dan momen ke-r. Estimasi parameter PLMO dilakukan dengan menggunakan metode maksimum likelihood. Distribusi PLMO diterapkan pada data dan akan dibandingkan dengan distribusi Lindley, power Lindley, Lindley Marshall-Olkin LMO , gamma, dan Weibull. Perbandingan model akan menggunakan nilai log likelihood, AIC, dan BIC.

---

Lindley distribution was introduced by Lindley 1958 in the context of Bayes inference. Recently, a new generalization of the Lindley distribution was proposed by Ghitany et al. 2013 , called power Lindley distribution. This paper will introduce an extension of the power Lindley distribution using the Marshall Olkin method, resulting in Marshall Olkin Extended power Lindley MOEPL distribution. The MOEPL distribution offers a flexibility in representing data with various shapes. This flexibility is due to the addition of a tilt parameter to the power Lindley distribution.

Some properties of the MOEPL were explored, such as probability density function pdf, cumulative distribution function cdd, hazard rate, survival function, and quantiles. Estimation of the MOEPL parameters was conducted using maximum likelihood method. The proposed distribution was applied to data. The results were given which illustrate the MOEPL distribution and were compared to Lindley, power Lindley, Marshall Olkin Extended Lindley MOEL, gamma, and Weibull. Models comparison using the log likelihood, AIC, and BIC showed that MOEPL fit the data better than the other distributions. "

"Tugas akhir ini berisi pembahasan mengenai distribusi Invers Weibull Marshall-Olkin IWMO yang merupakan distribusi probabilitas untuk peubah acak kontinu. Distribusi IWMO dibentuk dari distribusi Invers Weibull IW dengan metode Marshall-Olkin, metode ini adalah metode penambahan parameter yang diperkenalkan oleh Albert W Marshall dan Ingram Olkin pada tahun 1997. Distribusi IW sendiri diperoleh dari distribusi Weibull dengan melakukan tranformasi terhadap peubah acak. Distribusi IWMO mampu menggambarkan bentuk data seperti distribusi asalnya dalam hal ini distribusi IW dan bentuk data dari distribusi invers Eksponensial selain itu distribusi IWMO dapat menjelaskan data outlier lebih baik dibandingkan distribusi IW disebabkan oleh penambahan parameter Marshall-Olkin. Selanjutnya akan dibahas mengenai fungsi kepadatan probabilitas, fungsi distribusi, Moment Generating Function MGF, momen ke-r, mean, variansi, koefisien skewness, koefisien kutrosis, kuantil dan median dari IWMO. Penaksiran parameter menggunakan metode maksimum likelihood. Distribusi Weibull, IW dan IWMO akan diterapkan pada data yang memiliki outlier. Perbandingan model menggunakan log likelihood, AIC, BIC menunjukan distribusi IWMO sesuai dengan data lebih baik dibandingkan Weibull dan IW.

---

This final project contains a discussion of the distribution of Inverse Weibull Marshall Olkin IWMO which is the probability distribution for continuous random variables. The IWMO distribution is formed from the Inverse Weibull IW distribution by Marshall Olkin method, this method is the parameter addition method introduced by Albert W Marshall and Ingram Olkin in 1997. IWull distribution itself is obtained from the Weibull distribution by transforming the random variables. IWMO distribution able to describe data form like its original distribution that is IW distribution and data form from Exponential inverse distribution beside that IWMO distribution can explain data outlier better than IW distribution caused by addition of Marshall Olkin parameter. The next will be discussed about probability density function, distribution function, Moment Generating Function MGF, rth moment, mean, variance, skewness coefficient, coefficient kutrosis, quantitative and median from IWMO. Parameter estimation using likelihood maximum method. Weibull, IW and IWMO distributions will be applied to data that has an outlier. Comparison of models using log likelihood, AIC, BIC shows IWMO distribution in accordance with better data than Weibull and IW. "

"ABSTRAKPenaksiran parameter dalam model regresi memiliki dua pendekatan yaitu pendekatan regresi parametrik dan pendekatan regresi nonparametrik. Dalam regresi parametrik bentuk dari kurva hubungan antara variabel respon dan variabel prediktor sudah ditentukan berdasarkan plot data, sedangkan dalam regresi nonparametrik bentuk dari kurva tidak diketahui. Salah satu regresi nonparametrik yang dapat digunakan adalah regresi spline. Regresi spline adalah suatu piecewise polynomial yang dihubungkan oleh titik-titik bersama yang disebut dengan knot. Regresi spline yang menggunakan fungsi basis B Spline disebut dengan regresi B Spline. Pada umumnya estimasi parameter regresi B Spline dilakukan dengan menggunakan metode OLS Ordinary Least Square. Namun, dengan metode OLS akan menyebabkan plot taksiran kurva regresi menjadi fluktuatif apabila pemilihan jumlah knot terlalu banyak. Untuk itu diperlukan suatu tambahan kendala berupa penalty yang didalamnya mengandung smoothing parameter sehingga diperoleh taksiran ideal. Metode estimasi parameter ini dikenal dengan metode PLS Penalized Least Square . Metode PLS dengan penalty yang merupakan integral kuadrat derivatif kedua dari taksiran kurva disebut juga dengan metode o rsquo;sullivan penalized spline. Pada penerapan contoh data, didapat 23 buah knot dan smoothing parameter sebesar 0.68.

---

ABSTRACTParameter estimation of regression model has two approaches, that is parametric and nonparametric regression approach. In parametric regression, the shape of regression curve is determined based on scatterplot of dependent variable vs independent variable, whereas in the nonparametric regression, the shape of the curve is unknown. One of the nonparametric regression is spline regression. Spline regression is piecewise polynomials that connected by the knots. Spline regression using B Spline basis function is B Spline regression. In B spline regression, parameter estimation were fitted by OLS Ordinary Least Square method. However, the OLS method will lead the plot of estimated regression curve be fluctuative when using too much knots. Therefore, it needs additional constraint of penalty that contain smoothing parameter to obtain ideal fit result. This parameter estimation method known as PLS Penalized Least Square method. The estimate PLS method used penalty which is the integral of the square of second derivative of the estimate curve that called o 39 sullivan penalized spline method. In the application of sample data, 23 is used knots and the smoothing parameters is 0.68. "

"Suatu runtun waktu yang memiliki variabel respon biner disebut runtun waktu biner. Runtun waktu biner dapat dimodelkan menggunakan model umum Autoregressive dengan pendekatan regresi non-linier. Kedem Fokianos 2000 mengenalkan model runtun waktu biner melalui pendekatan Autoregressive dan regresi logistik. Metode yang digunakan untuk penaksiran parameter yaitu metode Partial Likelihood. Metode Partial Likelihood ini dilakukan dengan menentukan fungsi Partial Likelihood yang dibentuk dari probability density function pdf marginal distribusi Bernoulli. Namun, dalam proses penaksiran parameter menggunakan metode Partial Likelihood ditemukan kesulitan untuk mendapatkan solusi secara langsung dikarenakan persamaan yang tidak linier closed form. Oleh karena itu, untuk mengatasi hal tersebut dilakukan iterasi menggunakan metode Fisher Scoring. Aplikasi data pada penaksiran parameter untuk model runtun waktu biner dalam tugas akhir ini menggunakan data kompetisi balap perahu antara Universitas Cambridge dan Universitas Oxford yang dicatat pada tahun 1946 sampai 2011 dengan jumlah data berbeda yaitu 22, 44, dan 66 data. Berdasarkan aplikasi data yang dilakukan, diperoleh hasil bahwa penaksiran parameter untuk model runtun waktu biner menggunakan Partial Likelihood dengan jumlah data yang berbeda menghasilkan penaksir parameter yang relatif sama atau tidak memiliki perbedaan yang signifikan.

---

A time series that has binary respon variable is called a binary time series. Binary time series can be modeled using the Autoregressive general model and nonlinear regression approach. Kedem Fokianos 2000 introduced a binary time series model through the Autoregressive and logistic regression approach. The parameters of binary time series are estimated using the Partial Likelihood method. The Partial Likelihood method is performed by determining the Partial Likelihood function derived from the marginal probability density function pdf of Bernoulli distribution. However, in the process of parameter estimation using this method, the form of final function to obtain parameters is not in the closed form equation. To face this problem, Fisher scoring iterations are perfomed.

The application of parameter estimation of the model uses the data about boat racing competition between the University of Cambridge and Oxford University from 1946 to 2011. Based on the data application, parameter estimation of the binary time series model using partial likelihood with different amounts of data resulting in a relatively same or no significant parameter estimator."

"Model regresi linier berganda adalah model yang dapat digunakan untuk menaksir nilai-nilai suatu variabel terikat berdasarkan lebih dari satu variabel bebas pada data. Metode yang dapat digunakan untuk menaksir model regresi linier berganda adalah maximum likelihood estimator MLE . Namun, MLE memiliki kelemahan, yaitu sensitif terhadap data yang mengandung outlier dan memiliki waktu proses running time yang relative lama. Metode yang digunakan untuk mengatasi kelemahan tersebut adalah metode parallel. Metode parallel adalah metode yang membagi data menjadi beberapa kelompok. Salah satu metode pengelompokan yang sering digunakan untuk mencari banyak atau jumlah cluster adalah k-means clustering. Pada tugas akhir ini, proses MLE dilakukan pada setiap cluster, sehingga metode ini disebut parallel maximum likelihood estimator. Data yang digunakan pada tugas akhir ini berasal dari bankruptcy data bank32nh . Bank32nh adalah data mengenai antrian pada suatu bank XYZ yang terdiri dari 4500 observasi, 1 variabel terikat, dan 31 variabel bebas. Dari hasil aplikasi data, parallel maximum likelihood estimator memiliki waktu proses running time yang lebih singkat dan nilai mean square error MSE yang lebih kecil.

---

Multiple linear regression model can be used to estimate the value between one dependent variable and more than one independent variables on the data. A method that can be used to estimate the parameters of the model is the maximum likelihood estimator MLE. However, MLE has weakness e.i sensitive to the data that contains outlier and has a relatively long running time. To overcome these weaknesses the parallel method is used. In the parallel method, the data is devided into several groups. One of the known clustering methods is "k means clustering".

In this study, the MLE process did on each cluster, so that this method is called the parallel maximum likelihood estimator. The current data used for this research is from bankruptcy data bank32nh . Bank32nh is a dataset about the queue at a XYZ bank which consist of 4500 observations, one dependent variable, and 31 independent variables from experimental results, parallel maximum likelihood estimator the running time is faster and has smaller mean square error MSE."

"Tindak kriminal di Indonesia semakin meningkat, baik variasi maupun jumlahnya setiap tahun. Tindak kriminal dalam penelitian ini termasuk pembunuhan, perkosaan, penganiayaan, perusakan, pencurian, penipuan, dan kasus lain yang membuat masyarakat merasa tidak aman. Penelitian ini bertujuan untuk mengetahui faktor-faktor apa saja yang mempengaruhi jumlah tindak kriminal di Provinsi Sumatera Utara serta mengetahui bagaimana pengaruh waktu dan tempat kejadian di 33 kabupaten/kota di Provinsi Sumatera Utara pada tahun 2016. Penelitian ini menggunakan data sekunder yang dihimpun oleh POLRI, BPS, dan Dinsos di Provinsi Sumatera Utara pada tahun 2013, 2014, 2015 dan 2016. Variabel bebas yang digunakan adalah jumlah pengangguran, jumlah penduduk miskin, kepadatan penduduk, indeks pembangunan manusia, jumlah tempat Ibadah, laju pertumbuhan ekonomi, dan jumlah keluarga bermasalah sosial psikologis. Untuk menjawab tujuan penelitian ini maka dilakukan pemodelan regresi dengan memasukkan unsur spasial sebagai pendekatan analisis data spasial. Variabel Dummy berfungsi untuk mengetahui apakah ada pengaruh waktu terhadap terjadinya tindak kriminal di 33 kabupaten/kota Provinsi Sumatera Utara. Hasil penelitian menunjukkan bahwa variabel jumlah pengangguran, jumlah penduduk miskin, kepadatan penduduk, dan indeks pembangunan manusia signifikan pada model.

---

Crime in Indonesia is increasing, both variation and number every year. Crimes in this research include murder, rape, torture, vandalism, theft, fraud, and other cases that make people feel insecure. This study aims to determine what factors affect the number of criminal acts in North Sumatra Province and find out how the influence of time and place in 33 districts cities in the Province of North Sumatra in 2016. This study uses secondary data collected by POLRI, BPS and Dinsos in North Sumatra Province in 2013, 2014, 2015 and 2016. The independent variables used are the number of unemployed, the number of poor, the population density, the human development index, the number of places of worship, the rate of economic growth, and the number of families with social problems psychologi. To answer the purpose of this study, it is done regression modeling by incorporating spatial elements as a spatial data analysis approach. Dummy variable serves to determine whether there is influence of time to the occurrence of criminal acts in 33 districts cities of North Sumatra Province. The results showed that the variables of unemployment, number of poor, population density, and human development index were significant in model."

"Penilaian tingkat klaim risiko pemohon asuransi merupakan bagian penting dalam asuransi jiwa, sehingga perlu untuk diklasifikasikan. Penentuan tingkat klaim risiko pada asuransi jiwa didasarkan pada data historis pemohon. Pengajuan untuk menjadi anggota suatu asuransi jiwa membutuhkan waktu yang tidak singkat. Namun pengaplikasian suatu model machine learning dapat membantu mengklasifikasikan calon pemohon asuransi berdasarkan tingkat risiko dengan cepat. Salah satu model machine learning yaitu Extreme Gradient Boosting (XGBoost) yang merupakan suatu model berbasis decision tree. Model ini digunakan untuk memprediksi risiko pada asuransi jiwa. Adanya missing values pada data yang digunakan diatasi dengan beberapa strategi pada proses prapengolahan data untuk meningkatkan nilai akurasi model XGBoost. Hasil penelitian ini diperoleh bahwa akurasi model XGBoost sebesar 0,60730 dengan satuan kappa yang menunjukkan bahwa model XGBoost sangat baik dan dapat diterapkan pada masalah prediksi tingkat klaim risiko pemohon asuransi jiwa. Jika dibandingkan dengan model decision tree, random forest dan Bayesian ridge, kinerja model XGoost masih tetap unggul dalam memproses missing values pada data yang digunakan.

---

Risk level assessment for insurance applicants is an important part of life insurance, so it needs to be classified. Determination of the level of risk claims on life insurance is based on the applicants historical data. Submission to become a member of a life insurance requires a short time. But the application of a machine learning model can help classify prospective insurance applicants based on the level of risk quickly. One machine learning model is Extreme Gradient Boosting (XGBoost) which is a decision tree based model. This model is used to predict risk in life insurance. The missing values in the data used are overcome by several strategies in the data processing process to increase the accuracy value of the XGBoost model. The results of this study show that the accuracy of the XGBoost model is 0.60730 with kappa units which indicates that the XGBoost model is very good and can be applied to the problem of predicting the level of risk claims for life insurance applicants. When compared to the decision tree, random forest and Bayesian ridge models, the performance of the XGoost model still excels in processing missing values in the data used."

"Kinerja mahasiswa adalah bagian penting dari suatu perguruan tinggi. Hal ini dikarenakan salah satu kriteria  perguruan tinggi yang berkualitas didasarkan pada  prestasi akademik yang baik. Tahun pertama perkuliahan adalah periode mahasiswa untuk meletakkan dasar atau fondasi yang selanjutnya akan mempengaruhi keberhasilan akademik karena tahun pertama memainkan peran penting dalam membentuk sikap dan kinerja siswa di tahun-tahun berikutnya. Pada Penelitian ini, pendekatan Semi-supevised Learning digunakan dalam mengklasifikasi kinerja mahasiswa tahun pertama di Departemen Matematika, Universitas Indonesia. Kinerja Mahasiswa dibagi menjadi dua kategori, yaitu sedang dan tinggi. Sampel pada penelitian ini adalah 140 mahasiswa tahun pertama dengan menggunakan 27 fitur. Ada dua proses yang digunakan, yaitu proses clustering dan klasifiksi. Pada proses clustering, mahasiswa dibagi menjadi tiga cluster/kelompok menggunakan K-Means Clustering. Sedangkan dalam proses klasifikasinya menggunakan Naïve Bayes Classifier. Kinerja algoritma yang diusulkan menghasilkan nilai akurasi 96.67% dan sensitifitas 94.44%.

---

Students performance is an essential part of a higher learning institution because one of the criteria for a high-quality university is based on its excellent record of academic achievements. The first- year of the lecture is the student period in laying the foundation that will affect academic success because first-year plays an important role in shaping the attitudes and performance of students in the following years. In this study, a semi-supervised learning approach is used to classify the performance of first-year students in the Department of Mathematics, Universitas Indonesia. Student performance will be divided into two categories, namely medium and high. The sample in this study consist of 140 first-year students with 27 features. There are two processes used i.e. clustering and the classification process. In the clustering process, the data is divided into three clusters using K-Means Clustering and the Naïve Bayes Classifier is chosen to classify it. The performance of the proposed algorithms is stated by accuracy and sensitivity value i.e. 96.67% and 94.44% respectively."

"Kemajuan teknologi memicu pertumbuhan industri teknologi dan mendorong masyarakat untuk menggunakan smartphone, terutama untuk berkomunikasi di media sosial. Media sosial merupakan tempat yang efektif untuk mencari berbagai informasi. Oleh karena itu, media sosial menyimpan banyak data, terutama data tekstual. Data tersebut muncul dari para pengguna yang jumlahnya meningkat pesat. Data tekstual bisa digunakan untuk analisis sentimen. Skripsi ini membahas analisis sentimen untuk melihat kecenderungan suatu informasi dari penulisnya. Analisis sentimen mengklasifikasikan data tekstual menjadi kelas sentimen positif dan negatif. CNN merupakan salah satu algoritma deep learning yang dapat mengklasifikasi data tekstual. Model dari algoritma CNN menunjukkan hasil yang cukup baik dalam mengkalsifikasi permasalahan analisis sentimen dengan bantuan lifelong learning. Lifelong learning merupakan machine learning yang menyerupai proses belajar pada otak manusia. Proses yang dijalankan yaitu dengan memanfaatkan hasil pembelajaran dari masa lalu untuk membantu pembelajaran pada masa depan. 4 dataset dengan domain yang berbeda, dijalankan menggunakan model CNN pada proses Lifelong learning dan menghasilkan akurasi yang meningkat, seiring dengan penambahan dataset pada proses training.

---

Technological advances are fueling the growth of the technology industry and encouraging people to use smartphones, especially for surfing on social media. Social media is an effective tool to find information. Therefore, social media stores a lot of data, especially textual data. The data came from users whose numbers had increased rapidly. Textual data can be used for sentiment analysis. Sentiment analysis is conducted in this study to obtain the tendency of the authors about an article. Sentiment analysis classifies textual data into a class of positive and negative sentiments. CNN is one of the deep learning algorithms that can classify textual data into positive, negative and natural classes. The model of the CNN algorithm shows good results in classifying the problem of sentiment analysis with the help of lifelong learning. Lifelong learning is a machine learning that resembles the learning process in the human brain. The process that is carried out is by utilizing learning outcomes from the past to help learning in the future. 4 datasets with different domains had ran using the CNN model in the Lifelong learning process, and produced increased accuracy along with the addition of datasets in the training process."