Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kualitas hidup adalah suatu payung yang melingkupi variasi konsep fungsional, status kesehatan, persepsi, kondisi kehidupan, gaya hidup, dan kebahagiaan. Indikator dalam mengukur kualitas hidup terbagi menjadi dua, yakni indikator subjektif dan indikator objektif. Indikator subjektif berkaitan langsung dengan berbagai pengalaman yang seseorang alami dalam hidupnya. Di sisi lain, indikator objektif dikaitkan dengan wujud kepemilikan berbagai material atau faktor eksternal yang mempengaruhi berbagai pengalaman seseorang dalam menjalani kehidupannya. Pada penelitian ini, indikator objektif dipilih sebagai alat ukur kualitas hidup yang mencakup karakteristik sosial, ekonomi, kesehatan, dan lingkungan. Data yang digunakan dalam penelitian terdiri dari dua jenis data, yakni data numerik dan kategorik. Data yang digunakan merupakan data sekunder berisikan indikator objektif kualitas hidup di 82 negara pada tahun 2020. Adapun metode yang digunakan adalah algoritma K-prototypes dan Two Step Cluster (TSC) yang merupakan bagian dari metode pengelompokan nonhierarki dan hierarki serta dapat menangani data bertipe campuran (numerik dan kategorik). Hasil dari penelitian ini menunjukkan bahwa algoritma K-prototypes merupakan metode yang memberikan hasil lebih baik dalam mengelompokkan data penelitian dibandingkan algoritma TSC dengan nilai koefisien Silhouette sebesar 0,577, yang bermakna bahwa kelompok yang terbentuk telah memiliki struktur yang baik. Kelompok optimal yang terbentuk adalah sebanyak 2 kelompok yang disusun oleh 40 negara pada Kelompok 1 dan 42 negara pada Kelompok 2. Kelompok 2 cenderung memiliki profil kualitas hidup yang lebih baik dibandingkan Kelompok 1. ......Quality of life is a phrase that covers a variety of functional concepts, health status, perception, living conditions, lifestyle, and happiness. Indicators in measuring quality of life are divided into two, namely subjective indicators and objective indicators. Subjective indicators are measured based on various experiences that people went through in life. On the other hand, objective indicators are measured based on various materials or external factors that affect a person's experiences in everyday life. In this study, objective indicators were chosen as quality measurement tools based on social, economic, health, and environmental characteristics. The data used in the study consisted of two types of data, namely numerical and categorical data. The data is secondary data containing objective indicators of quality of life in 82 countries in 2020. The method used in this research is the K-prototypes and Two Step Cluster (TSC) algorithm which is part of the non-hierarchical and hierarchical grouping method and can handle mixed-type data. The results of this study indicate that the K-prototypes algorithm is a method that gives better results than the TSC algorithm with a silhouette coefficient value of 0.577, which means that the formed group already has a good structure. The optimal groups formed are 2 groups composed of 40 countries in Group 1 and 42 countries in Group 2. Group 2 tends to have a better quality of life profile than Group 1.

Abstrak :
Penyakit kronis merupakan salah satu permasalahan bidang kesehatan yang cukup serius di seluruh dunia. Menurut WHO tahun 2017, 70 penyebab kematian di seluruh dunia diakibatkan oleh penyakit kronis.Pemerintah telah membuat beberapa kebijakan seperti kebijakan yang diatur dalam Peraturan Menteri Kesehatan Republik Indonesia nomor 71 tahun 2017 untuk mengatasi masalah penyakit kronis tersebut. Data dan informasi terkait banyaknya pegidap penyakit kronis diperlukan untuk menginformasikan keberhasilan dari pelaksanaan kebijakan tersebut. Tujuan dari penelitian ini adalah untuk mengetahui proporsi pengidap penyakit kronis pada kecamatan Duren Sawit. Data yang digunakan dalam penelitian ini adalah data primer berupa data survei secara langsung serta data sekunder berupa data sensus dari Dinas Kesehatan Dinkes 2017 dan Badan Pusat Statistika BPS 2017. Metode sampling yang digunakan adalah probability sampling, yaitu simple random sampling dengan ukuran sampel sebesar 1 dari total kepala keluarga yang tinggal di kecamatan Duren Sawit, yaitu sebanyak1229 kepala keluarga. Pada penaksiran langsung, menduga suatu parameter hanya berdasarkan data survei dari subpopulasi merupakan tindakan yang kurang tepat, dikarenakan ukuran sampel yang didapat relatif sedikit atau terdapat subpopulasi yang tidak terpilih menjadi sampel. Untuk mengatasi hal tersebut, akan dilakukan penaksiran tidak langsung dengan metode small area estimation SAE, yaitu meminjam informasi tambahan seperti data administratif atau data sensus dari area lain atau area itu sendiri serta adanya penambahan pengaruh acak area ke dalam model. Pada penelitian ini, akan dicari taksiran proporsi pengidap penyakit kronis di kecamatan Duren Sawit menggunakan penaksiran langsung dan penaksiran tidak langsung dengan metode hierarchical Bayes pada SAE. Hasil taksiran yang didapat dari penaksiran langsung dan penaksiran tidak langsung akan dibandingkan nilai variansinya untuk menentukan taksiran mana yang lebih reliable. ...... Chronic disease is one of the health problems that are serious enough in the rest of the world. According to WHO 2017, 70 of the causes of deaths worldwide are caused by chronic disease. The Government has made some policies such as the policy that is set in a regulation of the Minister of health of the Republic of Indonesia number 71 years 2017 to control problem of chronic disease. Data and information related to the chronic diseases sufferer are required to inform the success of the implementation of the policy. The purpose of this research is to know the proportion of chronic disease sufferer in the subdistrict Duren Sawit. The data used in this research is the primary data in the form of survey data directly as well as secondary data in the form of census data from Dinas Kesehatan Dinkes 2017 and Badan Pusat Statistik BPS 2017. The sampling method used is probability sampling, thesimple random sampling with a sample size is 1 of the total heads of families living in the subdistrict Duren Sawit, that is 1229 heads of families. On direct estimation, estimating a parameter only based on survey data of subpopulations is inappropriate action, because the sample size that obtained from subpopulations relatively few or there is a subpopulation that is not selected as the sample. To overcome this, indirect estimation will be carried out with small area estimation SAE methods, which borrowed extra information such as administrative data or census data from other areas or area itself and there rsquo s an addition random area effect into the model. In this study, will look estimation of proportion for people with chronic diseasein subdistrict Duren Sawit use direct estimation and indirect estimation with hierarchical Bayes at SAE method. The results of the estimates obtained from the valuation of the direct and indirect estimation will be compared to the value of variance to determine which estimates are more reliable.

Abstrak :
Indonesia adalah negara dengan peringkat keempat di dunia dalam segi jumlah populasi, dan salah satu negara yang paling rawan bencana. Salah satu bencana yang dihadapi saat ini adalah pandemi COVID-19, yang sangat berdampak pada perguruan tinggi di seluruh tanah air. 834 dari institusi perguruan tinggi terpaksa beralih ke platform pembelajaran online namun tidak siap. Mempelajari faktor kesiapsiagaan mereka dapat bermanfaat untuk bencana lainnya di masa depan yang mungkin terjadi karena negara ini merupakan bagian dari Ring of Fire. Kesiapsiagaan direpresentasikan lebih baik dibawah istilah resiliensi. Resiliensi adalah kemampuan sistem untuk bertahan dari sebuah gangguan besar dan kemampuannya untuk pulih dalam jangka waktu yang dapat diterima. Sebuah sistem dinyatakan resilien jika sistem tersebut mampu melanjutkan kegiatan operasional dengan baik pada saat menghadapi peristiwa yang dianggap bencana. Penelitian ini mencoba untuk menemukan faktor-faktor yang berkontribusi terhadap resiliensi krisis untuk institusi perguruan tinggi. Metode Analytical Hierarchical Process (AHP) digunakan untuk mensintesis data yang didapat berdasarkan sejumlah pakar, mulai dari yang merupakan rektor universitas hingga yang merupakan penguji di Badan Akreditasi Nasional Perguruan Tinggi (BAN-PT). Hasilnya menunjukkan bahwa 50 kriteria merupakan bagian dari ketahanan institusi perguruan tinggi, dimana kriteria tersebut dibagi kedalam 6 dimensi berbeda. Dimensi "informasi" lah yang memiliki bobot paling tinggi dalam skala kepentingan. ......Indonesia is the fourth most populated country in the world, and one of the most prone to disasters. One of the disasters faced is the global COVID-19 pandemic, which heavily affects higher education institutions (HEIs) throughout the nation. 834 of them are forced to switch to online learning platforms but are unprepared. Studying the factors on their preparedness can be beneficial for future disasters that may occur as the country is part of the Ring of Fire. The preparedness is represented under the term resilience. Resilience is a system’s ability to survive a major disruption and recover within an acceptable time frame. A system is resilient if it is able to continue its operations in the face of an event considered to be disastrous. This research attempts to find the factors that contribute to the crisis resilience of HEIs. The analytical hierarchical process (AHP) is used to synthesize data based on several experts, ranging from university rectorates to being an assessor at the National Accreditation Board for Higher Education (BAN-PT). The result shows that 50 criterions are part of HEI resilience divided across a total of 6 dimensions and that the dimension of “information” weights the highest in terms of importance.

Abstrak :
Hierarchical time series adalah sejumlah data time series yang mengikuti struktur penggabungan hierarki, dimana data time series pada level lebih tinggi adalah hasil penggabungan dari level yang lebih rendah. Fokus utama dari penelitian ini adalah untuk mem-forecast data berjenis hierarchical time series ini. Forecasting dapat dilakukan dengan menggunakan model hierarchical forecasting. Model ini bekerja dengan memforecast semua time series yang ada pada hierarki, secara individual, masing-masing dengan menggunakan model terbaiknya. Akan tetapi, hasil forecast yang didapat dengan menggunakan model ini masih tidak koheren, yaitu penjumlahan hasil forecast pada level yang lebih bawah tidak sama dengan hasil forecast di level lebih atasnya. Hasil forecast ini dapat diperbaiki dengan merekonsiliasi hasil forecast yang telah didapat agar hasilnya koheren. Metode rekonsiliasi umum yang biasa digunakan adalah metode bottom-up atau top-down. Walau demikian, penelitian ini menggunakan metode rekonsiliasi minimum trace untuk mendapatkan hasil forecast koheren. Metode rekonsiliasi ini bekerja dengan meminimumkan variansi residual, dengan syarat hasil forecast koheren yang didapat bersifat tidak bias. Metode hierarchical forecasting dengan rekonsiliasi minimum trace ini akan diimplementasikan untuk mem-forecast jumlah pengangguran di Australia dan di setiap provinsinya pada tahun 2020, dengan menggunakan data pengangguran tahun 1979 hingga 2019. Nantinya, hasil forecast yang didapat di berbagai jenjang pada hierarki akan koheren. ......Hierarchical time series is a collection of time series that follows a hierarchical aggregation structure, where the time series collection at the higher level is a result of lower leveled time series aggregation. The focus of this research is to forecast this hierarchical time series data. The forecasting can be done using the hierarchical forecasting model. This model works by forecasting each time series in the hierarchy individually using its best model. However, the forecast result from using this model is not coherent. It means that the forecast result summation of the lower level is not equal to the corresponding upper level forecast result. This forecast result can be improved with the help of reconciliation method, that makes the forecast coherent. Basic reconciliation method that’s widely used is the bottom-up or top-down method. Even so, this research will use the minimum trace reconciliation method to get that coherent forecasts. This reconciliation method works by minimizing the residual variance, with the condition that the coherent forecast results are already unbiased. This hierarchical forecasting with minimum trace reconciliation method will then be implemented to forecast the unemployment number in Australia and its provinces on year 2020, using the unemployment number data from year 1979 until 2019. Later on, the forecast resulted on each level of the hierarchy will be coherent.

Abstrak :
Penelitian ini bertujuan untuk mengidentifikasi segmentasi RFM pada toko kosmetik online di Indonesia. Penelitian ini menggunakan analisis RFM (Recency, Frequency, dan Monetary) yang dilanjutkan dengan K-Means Clustering dengan menggunakan Hiearchical Clustering untuk mencari nilai k. Penelitian ini menggunakan data transaksi penjualan Makeupuccino sepanjang tahun 2017 untuk segmentasi RFM. Hasilnya menunjukkan bahwa jumlah segmentasi yang paling tepat untuk toko kosmetik online adalah 4, yang dibagi menjadi Platinum, Gold, Iron, dan Lead. Keempat segmentasi tersebut memiliki marketing objective dan program marketing yang berbeda. ...... This research aims to identify RFM segmentation on makeup online store in Indonesia. This research uses RFM (Recency, Frequency, and Monetary) analysis and then uses K-Means Clustering with Hierarchical Clustering as the way to finds k values. This study uses transaction on Makeupuccino (one of makeup online store in Indonesia) during 2017 to get RFM segmentation. The result shows that the best RFM segmentation for makeup online store in Indonesia is 4, that divided into Platinum, Gold, Iron, and Lead. Each of segmentation has different marketing objective and marketing program.

Abstrak :

Model kredibilitas hierarki merupakan model yang dapat mengakomodir lebih dari satu faktor risiko. Model ini lebih sesuai untuk kondisi suatu data asuransi yang kompleks. Hypothetical mean digunakan sebagai besaran yang menjadi tolok ukur perhitungan premi. Proses menaksir nilai hypothetical mean dapat dilakukan dengan menggunakan proyeksi ortogonal pada salah satu ruang Hilbert yang berisi kombinasi linier dari observasi masa lampau. Taksiran hypothetical mean adalah fungsi dari parameter struktural model, yang ditaksir langsung dari data. Jika taksiran parameter struktural yang mendefinisikan variansi pada tingkat atas struktur hierarki adalah nol, maka parameter struktural variansi tingkat selanjutnya masih dapat dihitung dengan menggunakan limit. Metode yang dapat digunakan untuk mengestimasi parameter struktural tersebut adalah metode Ohlsson dan metode Bühlmann-Gisler. Dalam penelitian ini, dilakukan perbandingan pada taksiran hypothetical mean menggunakan model kredibilitas hierarki dan model Bühlmann-Straub. Hasilnya adalah terdapat perbedaan hasil antara penggunaan kedua metode tersebut ketika diterapkan pada model kredibilitas hierarki dibandingkan dengan model Bühlmann-Straub dan taksiran dengan model kredibilitas hierarki mendefinisikan situasi secara lebih realistis.

---

The hierarchical credibility model is a model that can accommodate more than one risk factor. This model can better describe the condition of a complex insurance data. Hypothetical mean is used as a quantity to be used for a benchmark of premium calculation. The process of estimating value of hypothetical mean can be done by using the orthogonal projection on one of Hilbert spaces that contains a linear combination of past observations. The estimation of hypothetical mean is a function of structural parameters of the model, which are estimated directly from the data. If the estimation of structural parameters that defines the variance on the upper levels of the hierarchical structure is zero, then that next structural parameters can still be counted with the limit. The method that can be used to estimate these structural parameters are the Ohlsson method and Bühlmann-Gisler method. In this research, the estimation of hypothetical mean using the hierarchical credibility model and the Bühlmann-Straub model are compared. The result is there is a difference between the usage of both method when applied on the hierarchical credibility model compared to the Bühlmann-Straub model and the estimation with the hierarchical credibility model defines the situation more realistically.

Abstrak :
Demi meningkatkan okupansi atau dengan kata lain mengoptimumkan penggunaan kapasitas kendaraan pribadi, ridesharing hadir sebagai solusi akan hal ini. Ridesharing adalah sebuah model berkendara dengan prinsip berbagi tumpangan. Permasalahannya adalah bagaimana cara mengoptimumkan pencocokan antara pengemudi (driver) dan penumpang (rider) dengan jumlah partisipan (driver dan rider) yang besar dalam waktu optimasi yang singkat. Pada skripsi ini akan diterapkan metode Agglomerative Hierarchical Clustering (AHC) untuk mengoptimalkan matching antara driver dan rider dengan fungsi objektif yaitu memaksimumkan total penghematan jarak (Distance Savings / DS). DS adalah selisih total jarak yang ditempuh driver dan rider tanpa ridesharing dengan jarak yang ditempuh pasangan tersebut dengan ridesharing. Metode AHC adalah metode clustering dimana setiap titik data dijadikan sebagai satu cluster, kemudian secara berturut-turut menggabungkan cluster yang mempunyai kemiripan sehingga semua cluster tergabung menjadi satu cluster yang berisikan semua objek pada data. Data yang di-input berupa data koordinat lokasi keberangkatan dan kedatangan partisipan. Output dari metode AHC adalah sebuah dendogram yang menggambarkan iterasi pembentukan cluster. Berdasarkan hasil clustering tersebut diperoleh sebuah himpunan kombinasi driver-rider yang kemudian akan diperiksa kelayakannya untuk melakukan ridesharing. Dari himpunan kombinasi yang layak untuk melakukan ridesharing akan dipilih pasangan yang paling optimum untuk melakukan ridesharing dengan menggunakan algoritma Hungarian sehingga menghasilkan total distance savings maksimum. Berdasarkan hasil simulasi program pada data percobaan, diperoleh maksimum total DS sebesar 244.78 kilometer yang dihasilkan dari 13 kombinasi driver-rider. Penggunaan clustering mampu mereduksi 257 dari 400 kombinasi driver-rider yang akan diuji kelayakannya untuk melakukan ridesharing. ......To increase the occupancy rate, ridesharing is an alternative solution. Ridesharing is a mode of transportation in which individual travelers share a vehicle for a trip. The problem is how to optimize the matching problem of drivers and riders with a large number of participants in a short optimization time. This thesis purposed Agglomerative Hierarchical Clustering (AHC) method to be applied in optimizing the matching between drivers and riders with an objective function maximizing the total distance savings (DS). DS is obtained from the difference in the total distance of individual trip with the distance of ridesharing trip. AHC method is a clustering method which each data point is made as one cluster, then successively combines clusters that have similarities until all clusters are merged into one cluster which containing all data points. The input data are the coordinates of the participants' departure and arrival location. The output of AHC is dendogram that illustrates the iteration of cluster formation. Based on clustering results, a set of driver-rider combination was obtained which were then examined for their eligibility to do ridesharing. Next, from the set of driver-rider combination which feasible to do ridesharing, we will determine driver-rider combination that generates maximum total DS by using Hungarian Algorithm. Based on simulation program results on experimental data, maximum total DS is 244.78 kilometers that was obtained from 13 driver-rider combinations. The use of clustering was able to reduce 257 out of 400 pair combinations that were tested for their feasibility to do ridesharing.

Abstrak :
One of ways to facilitate process of information retrieval is by performing clustering toward collection of the existing documents. The existing text documents are often unstructured. The forms are varied and their groupings are ambiguous. This cases cause difficulty on information retrieval process. More-over, every second new documents emerge and need to be clustered. Generally, static document clus-tering method performs clustering of document after whole documents are collected. However, per-forming re-clustering toward whole documents when new document arrives causes inefficient clus-tering process. In this paper, we proposed a new method for document clustering with dynamic hierar-chy algorithm based on fuzzy set type-II from frequent item set. To achieve the goals, there are three main phases, namely: determination of keyterm, the extraction of candidates clusters and cluster hierar-chical construction. Based on the experiment, it resulted the value of F-measure 0.40 for Newsgroup, 0.62 for Classic and 0.38 for Reuters. Meanwhile, time of computation when addition of new document is lower than to the previous static method. The result shows that this method is suitable to produce so-lution of clustering with hierarchy in dynamical environment effectively and efficiently. This method also gives accurate clustering result. Salah satu cara untuk mempermudah proses information retieval adalah dengan melakukan peng-klasteran terhadap koleksi dokumen yang ada. Dokumen teks yang ada seringkali tidak terstruktur, formatnya bervariasi, dan pengelompokannya ambigu. Hal ini menimbulkan kesulitan dalam proses information retrieval. Selain itu, setiap detik dokumen baru bartambah dan perlu untuk dikelompokkan. Pada umumnya, metode pengklasteran dokumen statis melakukan pengklasteran dokumen setelah kese-luruhan dokumen terkumpul. Namun, melakukan pengklasteran ulang terhadap keseluruhan dokumen ketika dokumen baru tiba mengakibatkan proses pengklasteran menjadi tidak efisien. Penelitian ini mengusulkan metode baru untuk pengklasteran dokumen dengan algoritma hierarki dinamis berbasis fuzzy set type-II dari frequent itemset. Untuk mencapai tujuan tersebut, terdapat 3 tahapan utama yang akan dilakukan, yaitu; ekstraksi keyterm, ekstraksi kandidat klaster dan pembangunan hirarki klaster. Berdasarkan eksperimen yang telah dilakukan diperoleh nilai F-Measure 0,40 untuk Newsgroup, 0,62 untuk Classic, dan 0,38 untuk Reuters. Sedangkan waktu komputasi pada saat penambahan dokumen dapat direduksi dibanding dengan metode statis sebelumnya. Hasil percobaan terhadap beberapa dataset koleksi dokumen menunjukkan bahwa metode ini tidak hanya sesuai untuk menghasilkan solusi peng-klasteran secara hirarki dalam lingkungan yang dinamis secara efektif dan efisien, tetapi juga membe-rikan hasil pengklasteran yang akurat.