Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini membahas tentang analisis kelayakan operator FWA (Fixed Wireless Access) di Indonesia. Seberapa besar mereka berkontribusi untuk meningkatkan teledensitas jaringan telekomunikasi khususnya pada jaringan fixed. Kepemilikan dua lisensi yaitu jaringan fixed dan seluler oleh suatu perusahaan membuat perusahaan tersebut tidak konsisten dalam mengelola manajemen perusahaan mereka. Bila dilihat secara internal, ketidak konsistenan suatu perusahaan dalam mengelola manajemen perusahaan dinilai sebagai salah satu kelemahan perusahaan yang sekaligus dapat dijadikan sebagai peluang bagi perusahaan lain untuk merebut pelanggannya.Untuk itu, berdasarkan analisis daya saing operator FWA eksisting ini diharapkan mampu memberikan output (keluaran) berupa evaluasi bagi manajemen perusahaan untuk memfokuskan diri agar memilih pangsa pasar mana yang akan dituju guna mempertahankan positioning mereka di pangsa pasar yang sudah tercipta dengan baik.Dalam Tesis ini dengan analisis biplot akan menganalisis persaingan bisnis masing-masing perusahaan dari sisi perkembangan jumlah pelanggan serta positioning mereka di mata pelanggan, selain peran pemerintah dalam membuat regulasi alokasi frekuensi FWA juga dibutuhkan.

---

This tesis discusses about the feasibility analysis of FWA (Fixed Wireless Access) operator in Indonesia. How big they contribute to increase teledensity of telecommunications network especially the fixed network. The ownership of two licenses that is fixed network and cellular by a company made this company inconsistent in carrying out the management of their company. From internally, the inconsistent of a company in carrying out the management of their company was thought as one of the weakness that can be made a opportunity for the other one to seized their customer.So, according this competitive analysis of FWA operator can give an output as an evaluation for the company management to focus their selves in order to choose which market segment will be the aim to maintained their position in the market segment that has been created well.In this tesis, with the biplot analysis will analyze the competition of each company business from the side of the number of customer development and their positioning in the eyes of the customer, besides of the government roles in making the allocation regulation of the FWA frequency also be needed."

"Rencana Pembangunan Jangka Menengah Daerah (RPJMD) merupakan turunan dari sistem perencanaan pembangunan nasional jangka menengah yang dikembangkan berdasarkan potensi dan keunggulan daerah. Penanggulangan kemiskinan dan pengangguran serta peningkatan kualitas sumber daya manusia yang berdaya saing melalui pembangunan pendidikan dan kesehatan merupakan isu strategis dalam RPJMD Provinsi Sulawesi Utara 2016-2021. Karakteristik wilayah Sulawesi Utara yang terdiri dari beberapa pulau dengan tipologi daerah yang berbeda menyebabkan perlunya klasifikasi wilayah agar program pembangunan dapat dioptimalkan. Indikator sosial ekonomi yang dipakai untuk klasifikasi wilayah di Sulawesi Utara antara lain adalah Indeks Pembangunan Manusia (IPM), persentase penduduk miskin, pertumbuhan ekonomi, dan tingkat pengangguran terbuka (TPT). Analisis yang digunakan untuk identifikasi wilayah dalam penelitian ini adalah analisis biplot dan dilanjutkan dengan analisis diskriminan. Analisis biplot digunakan untuk memberikan gambaran keragaman peubah, kedekatan antar objek dan keterkaitan peubah dalam suatu grafik dua dimensi. Analisis diskriminan digunakan untuk mengklasifikasikan suatu observasi ke dalam kelompok yang saling bebas berdasarkan sejumlah variabel penjelas. Hasil penelitian ini menunjukan terbentuknya dua kelompok wilayah. Salah satu kelompok wilayah terdiri dari Kota Manado, Kota Bitung, Kota Tomohon, Kota Kotamubagu,Kabupaten Minahasa, dan Kabupaten Minahasa Utara. Kelompok wilayah ini merupakan kabupaten/ kota dengan kriteria nilai IPM dan pertumbuhan ekonomi yang tinggi, serta persentase penduduk miskin rendah serta tingkat pengangguran terbuka yang tinggi"

"Mayoritas masyarakat Indonesia masih memandang kesehatan mental sebagai hal tabu dan penderita gangguan jiwa diperlakukan seperti suatu aib. Akibatnya penderita kesulitan untuk mendapat pertolongan yang dibutuhkan dan dapat berakhir dengan tindakan bunuh diri. Mengidentifikasi faktor yang dapat menjelaskan tingkat bunuh diri dan mempelajari karakteristiknya merupakan salah satu cara yang dapat dilakukan untuk mencegah bunuh diri. Penelitian ini membahas faktor apa yang dapat menjelaskan angka bunuh diri menggunakan model regresi linear berganda, pengelompokan negara berdasarkan angka bunuh diri dan faktornya menggunakan metode Ward, serta pemetaan hasil kelompok menggunakan metode Biplot. Objek penelitian adalah negara di Benua Asia dan Eropa. Berdasarkan hasil analisis, diperoleh faktor tidak memiliki agama, konsumsi alkohol, dan psikiater memiliki hubungan positif signifikan terhadap angka bunuh diri. Faktor pemasukan dan pengangguran memiliki hubungan negatif signifikan terhadap angka bunuh diri. Faktor tingkat pendidikan tidak memiliki pengaruh signifikan terhadap angka bunuh diri. Terbentuk 2 kelompok negara, yakni kelompok 1 beranggotakan 46 negara dan kelompok 2 beranggotakan 44 negara. Hasil pemetaan kelompok menggunakan metode Biplot dapat menerangkan 63,7% keragaman data. Kelompok 1 adalah kelompok negara yang memiliki nilai persentase pengangguran yang tinggi serta nilai angka bunuh diri, persentase penduduk tanpa agama, konsumsi alkohol, Gross Domestic Product (GDP) per kapita, angka psikiater, tingkat pendidikan yang rendah. Kelompok 2 adalah kelompok negara yang memiliki angka bunuh diri, persentase penduduk tanpa agama, konsumsi alkohol, GDP per kapita, angka psikiater, dan tingkat pendidikan yang tinggi, serta persentase pengangguran yang rendah.......Many Indonesian people still view mental health as a taboo subject and people with mental disorders are treated like a disgrace. As a result, they have difficulty getting the help that they need and can end in suicide. Identifying factors that are able to explain suicide rate and studying their characteristics is one way that can be done to prevent suicide. This research discusses what factors that are able to explain suicide rate using a multiple linear regression model, grouping countries based on suicide rate and its factors using Ward's method, and mapping the group results using the Biplot method. The objects of research are countries in Asia and Europe. Based on the analysis result, it is found that factors of having no religion, alcohol consumption, and psychiatrists’ availability have significant positive relationships with suicide rate. Factors of income and unemployment rate have significant negative relationships with suicide rate. Factor of education level has no significant effect with suicide rates. Two groups of countries are formed, namely group 1 consisting of 46 countries and group 2 consisting of 44 countries. Result of mapping based on the groups using the Biplot method is able explain 63,7% of data diversity. Group 1 is a group of countries that have a high unemployment rate and low values in the suicide rate, proportion of irreligious people, Gross Domestic Product (GDP) per capita, and number of psychiatrists. Group 2 is a group of countries that have high values in the suicide rate, proportion of irreligious people, GDP per capita, number of psychiatrists, and education level while the unemployment rate is low."

"ABSTRAKData konsentrasi rata-rata bulanan NO2, SO2 dan TSP dari tahun 2009 sampai 2012 di tiga stasiun pemantau polusi udara di Jakarta telah dianalisis dengan menggunakan metode Biplot. Tujuannya adalah untuk menentukan hubungan antara polutan, pengaruh musim terhadap polusi udara dan untuk menggambarkan evolusi polusi udara di kota ini. Metode Biplot dipilih untuk menganalisis karena metode ini dapat digunakan untuk menampilkan variabel dan kasus secara bersamaan. Dengan menggunakan metode Biplot, hubungan antar variabel, kesamaan antar kasus dan posisi relatif variabel dan kasus dapat ditunjukkan.Evolusi polusi udara di Jakarta menunjukkan suatu perubahan kecenderungan dalam tingkat polusi selama periode pengamatan, dimana konsentrasi TSP dan NO2 cenderung untuk menurun, sementara itu konsentrasi SO2 cenderung meningkat. Biplot juga menunjukkan bahwa musim tidak mempengaruhi tingkat polusi di Jakarta dan tidak ada korelasi yang signifikan diatara jenis-jenis polutan yang berbeda.

---

ABSTRACTThe data of monthly average concentration of NO2, SO2 and TSP from 2009 to 2012 in three air pollution monitoring stations in Jakarta have been analyzed by using Biplot methods. The objective is to determine the relationship among pollutants, the effect of seasons on air pollution and to describe the evolution of air pollution in the city. Biplot method was chosen to conduct the analysis because it could be used to present the variables and cases simultaneously. By using Biplot method, the relationship among the variables, the similarity among the cases and the relative positions of variables and cases can be shown. Evolution of air pollution in Jakarta shows a change of trend in the pollution levels during the observation periods, where the concentration of TSP and NO2 tends to decrease, while the concentration of SO2 tends to increase. Biplot also shows that seasons do not affect the air pollution level in Jakarta and there was no significant correlation between the different types of pollutants."

"Saat ini internet sudah menjadi kebutuhan bagi seluruh pihak karena kegunaannya di berbagai aspek kehidupan. Hal tersebut memicu bertambahnya jumlah pengguna internet di seluruh dunia, termasuk di Indonesia. Namun, banyaknya jumlah pengguna tersebut tidak dibarengi dengan peningkatan kualitas dan pemerataan akses internet yang baik. Masih ada wilayah di Indonesia yang memiliki kualitas jaringan internet buruk bahkan tidak terjangkau internet. Pada penelitian ini, dilakukan pengelompokan wilayah di Indonesia berdasarkan kualitas jaringan internet menggunakan Algoritma Genetika KMedoids. Pengelompokan ini bertujuan untuk mengumpulkan wilayah dengan karakteristik yang sama berdasarkan kualitas jaringan internet, sehingga dapat dilihat wilayah mana saja yang sudah memiliki kualitas jaringan internet yang baik dan wilayah mana saja yang masih perlu perbaikan. Data yang digunakan adalah data sekunder dari website Speedtest dengan total 84 wilayah. Adapun variabel yang digunakan di antaranya yaitu Mobile Download, Fixed Download, Mobile Upload, Fixed Upload, Mobile Latency, Fixed Latency, Mobile Provider, dan Fixed Provider. Hasil dari penelitian ini didapatkan 6 klaster dengan nilai evaluasi Davies-Bouldien Index sebesar 0,7647. Klaster 1 terdiri dari 19 wilayah dengan kualitas internet kurang baik, klaster 2 terdiri dari 27 wilayah dengan kualitas internet yang standar, klaster 3 terdiri dari 12 wilayah dengan kualitas internet baik, klaster 4 terdiri dari 6 wilayah dengan kualitas internet yang sangat baik, dan klaster 5 terdiri dari 6 wilayah dengan kualitas internet yang cukup baik.......Internet has now become an essential necessity for everyone due to its utility in various aspects of life. This has led to an increase in the number of internet users worldwide, including in Indonesia. However, the growing number of users has not been accompanied by an improvement in the quality and equitable access to internet services. There are still areas in Indonesia with poor internet quality or even lack of internet access. In this study, a clustering of territory in Indonesia based on internet quality was performed using the Genetic Algorithm K-Medoids. The objective of this clustering was to group territories with similar internet quality characteristics, in order to identify territories that already have good internet quality and territories that require improvement. The data used in the study was obtained from the Speedtest website and covered a total of 84 territories. The variables used included Mobile Download, Fixed Download, Mobile Upload, Fixed Upload, Mobile Latency, Fixed Latency, Mobile Provider, and Fixed Provider. The results of the study revealed 6 clusters with a Davies-Bouldin Index evaluation score of 0,647. Cluster 1 consists of 19 territories with poor internet quality, cluster 2 consists of 27 territories with standard internet quality, cluster 3 consists of 12 territories with good internet quality, cluster 4 consists of 6 territories with very good internet quality, and cluster 5 consists of 6 territories with fairly good internet quality."

"Kebahagiaan merupakan istilah yang mengacu pada kasih sayang, kesejahteraan, kepuasan, pengalaman kegembiraan, dan kekaguman. Kebahagiaan diukur berdasarkan indikator subjektif dan objektif. Indikator subjektif mengukur pengalaman emosional manusia mengenai peristiwa yang terjadi dalam kehidupannya. Sedangkan indikator objektif mengukur kesejahteraan materi berdasarkan aspek ekonomi, lingkungan sosial, politik, dan kesehatan. Penelitian ini membahas mengenai pengelompokan negara-negara berdasarkan indikator-indikator dari kebahagiaan dunia tahun 2021. Delapan indikator yang digunakan untuk pengelompokan dalam penelitian ini adalah GDP per kapita, dukungan sosial, harapan hidup sehat, kebebasan hidup, persepsi negatif masyarakat terhadap korupsi, kemurahan hati, indeks kriminalitas, dan biaya hidup. Penelitian ini menggunakan metode K-Means dan Fuzzy C-Means untuk mengelompokkan negara-negara. Dari kedua metode akan dicari metode pengelompokan yang paling optimal. Pemetaan hasil kelompok dari metode yang paling optimal dilakukan dengan metode Biplot. Berdasarkan hasil penelitian, didapatkan jumlah kelompok optimal untuk kedua metode adalah sebanyak 3 menggunakan indeks Silhouette untuk metode K-Means dan modifikasi koefisien partisi untuk metode Fuzzy C-Means. Dengan menggunakan nilai rasio simpangan baku dalam dan antar kelompok, didapatkan metode pengelompokan terbaik menggunakan metode K-Means dengan nilai rasio sebesar 0.4413. Kelompok 1 beranggotakan 35 negara yang didominasi oleh negara-negara di wilayah Sub-Saharan Afrika dan Asia Selatan, kelompok 2 beranggotakan 68 negara yang didominasi oleh negara-negara di wilayah Amerika Latin, Persemakmuran Negara-negara Merdeka (PNM), serta Eropa Timur dan Tengah, serta kelompok 3 beranggotakan 30 negara yang didominasi oleh negara-negara di wilayah Eropa Barat, Amerika Utara, dan Australia. Hasil pemetaan ketiga kelompok dengan metode Biplot mampu menerangkan keragaman data sebesar 64.2 persen. Kelompok 1 cenderung memiliki indeks kriminalitas yang tinggi, kemurahan hati yang tinggi, dan persepsi negatif masyarakat terhadap korupsi yang tinggi. Kelompok 2 cenderung memiliki indeks kriminalitas yang tinggi, persepsi negatif masyarakat terhadap korupsi yang tinggi, GDP per kapita yang tinggi, harapan hidup sehat yang tinggi, dan dukungan sosial yang tinggi. Kelompok 3 cenderung memiliki kebebasan hidup yang tinggi, biaya hidup yang tinggi, indeks kebahagiaan yang tinggi, dukungan sosial yang tinggi, harapan hidup sehat yang tinggi, dan GDP per kapita yang tinggi.......Happiness is a term that refers to affection, well-being, contentment, the experience of joy, and admiration. World happiness is measured based on subjective and objective indicators. The Subjective indicators measure human emotional experiences regarding events that occur in their lives. Meanwhile, objective indicators measure happiness based on economic, social, political, and health aspects. This study discusses the clustering of countries based on indicators of world happiness in 2021. In this study, eight indicators used for clustering are GDP per capita, social support, healthy life expectancy, freedom of life, negative perception of corruption, generosity, index crime, and cost of living. This study uses the K-Means and Fuzzy C-Means methods in clustering countries. From these two methods, the optimal clustering method will be sought. Mapping the cluster results was carried out using the Biplot method. Based on the research study, the optimal number of clusters for the both methods is 3 using the Silhouette index for the K-Means method and the partition modification coefficient for the Fuzzy C-Means method. By using the value of the standard deviation ratio within and between clusters, the best clustering method using the K-Means method is obtained with a ratio of 0.44129. The clustering results consisted of cluster 1 with 35 countries dominated by countries in the Sub-Saharan Africa and South Asia region, cluster 2 with 68 countries dominated by countries in Latin America, Commonwealth of Independent States, and Central and Eastern Europe region, and cluster 3 with 30 countries dominated by countries in the Western European, North America, and Australia region. The results of mapping the three groups using the Biplot method were able to explain the diversity of data by 64.2 percent. Cluster 1 tends to have a high crime index, high generosity, and a high negative perception of corruption. Cluster 2 tends to have a high crime index, high perception of corruption, high GDP per capita, high healthy life expectancy, and high social support. Cluster 3 has high freedom of living, high cost of living, high happiness index, high social support, high healthy life expectancy, and high GDP per capita."