Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Untuk strategi berildan secara efektif dan efisien, seyogyanya digunakan informasi dan analisis yang akurat berdasarkan data hasil survey pemasaran. Tugas akhir mi menganalisis data PT. Survey Research Indonesia, hasil survey pemilikan 39 barang-barang rumah tangga yang tahan lama secara serental menggunakan met ode komponen utama untuk suratu analisis multivariat. Data pemilikan diperhatikan menurut beberapa segmen berdasarkan kategori pengelompokan pengeluaran rumah tangga per bulan. Analisi komponen utama digunakan untuk menggambarkan struktur variabilitas sekelompok variabel.Data yang digunakan ada!ah data hasil survey pemasaran tahun 1993-1994 pada 830 rumah tangga di DKI Jakarta, dari PT. Survey Research Indonesi. Hasil yang diperoleh adalah profi! konsumsi 39 barang untuk setiap kategori kelompok pengeluaran per bulan."

"Untuk strategi beriklan secara efektif dan efisien, seyogyanya digunakan informasi dan analisis yang akurat berdasarkan data hasil survey pemasaran. Tugas akhir ini menganalisis data PT. Survey Research Indonesia, hasil survey pemilikan 39 barang-barang rumah tangga yang tahan lama secara serental menggunakan metode komponen utama untuk suratu analisis multivariat. Data pemilikan diperhatikan menurut beberapa segmen berdasarkan kategori pengelompokan pengeluaran rumah tangga per bulan. Analisi komponen utama digunakan untuk menggambarkan struktur variabilitas sekelompok variabel. Data yang digunakan adalah data hasil survey pemasaran tahun 1993-1994 pada 830 rumah tangga di DKI Jakarta, dari PT. Survey Research Indonesi. Hasil yang diperoleh adalah profil konsumsi 39 barang untuk setiap kategori kelompok pengeluaran per bulan."

"Kemiskinan adalah suatu masalah yang tidak hanya dipengaruhi oleh dimensi ekonomi, namun juga dapat dipengaruhi oleh dimensi-dimensi lain seperti pendidikan, kesehatan, dan standar hidup yang layak. Kemiskinan dapat diukur dengan Head Count Index, yaitu indeks yang mengukur persentase penduduk miskin di suatu wilayah. Dimensi-dimensi yang menjelaskan kemiskinan biasanya terdiri dari beberapa variabel. Sehingga apabila dalam penelitian akan dilakukan pemodelan menggunakan beberapa dimensi, akan mengandung banyak sekali variabel, yang memungkinkan adanya multikolinearitas antar variabel independen. Kondisi ini menyebabkan pemodelan tidak dapat dilakukan dengan baik. Masalah multikolinearitas pada data yang dimodelkan, dapat diatasi menggunakan metode Analisis Komponen Utama (Principal Component Analysis). Metode Principal Component Analysis (PCA) dilakukan pada variabel-variabel independen, sehingga diperoleh komponen-komponen utama yaitu hasil reduksi dari variabel-variabel independen. Komponen-komponen utama ini tidak lagi saling berkorelasi. Selanjutnya dilakukan analisis regresi dengan komponen-komponen utama tersebut sebagai variabel independen barunya. Model ini disebut Regresi Komponen Utama (RKU). Penelitian ini menggunakan data yang terkait dengan lokasi atau geografis atau dapat disebut dengan data spasial. Setelah dilakukan pemeriksaan asumsi, terdapat multikolinearitas dan heterogenitas spasial pada data. Oleh karena itu, untuk menangani kedua masalah ini, dapat digunakan pemodelan Geographically Weighted Principal Component Regression (GWPCR) atau Regresi Komponen Utama Terboboti Geografis (RKUTG). Sebelum diterapkan metode Regresi Komponen Utama Terboboti Geografis (RKUTG), akan digunakan metode Analisis Komponen Utama menentukan komponen-komponen utama untuk dijadikan variabel independen atau prediktor baru dalam penelitian ini. Didapat tiga komponen utama yang masing-masing komponen menjelaskan Faktor Demografi dan Air Bersih untuk PC1 atau komponen utama pertama, Faktor Kondisi Hidup Layak dan Ketimpangan untuk PC2, dan Faktor Kesejahteraan Anak untuk PC3. Lalu dilakukan Regresi Komponen Utama (RKU) dengan PC1, PC2, dan PC3 sebagai prediktornya dan diperiksa asumsi heterogenitas spasial dari model RKU. Pemeriksaan asumsi mengambil keputusan bahwa terdapat heterogenitas spasial pada model RKU sehingga model GWPCR dapat dilakukan. Berdasarkan hasil pemodelan RKUTG, pengaruh setiap komponen utama bervariasi pada setiap lokasi dan jika dikelompokkan diperoleh 4 kelompok, yaitu kelompok 1 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi oleh PC1 yaitu sebanyak 13 Kabupaten/Kota, kelompok 2 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1 dan PC2 yaitu sebanyak 5 Kabupaten/Kota, kelompok 3 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1 dan PC3 yaitu sebanyak 4 Kabupaten/Kota, dan kelompok 4 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1, PC2 dan PC3 yaitu sebanyak 4 Kabupaten/Kota.

---

Poverty is a problem that is not only influenced by the economic dimension, but can also be influenced by other dimensions such as education, health, and a decent standard of living. Poverty can be measured by the Head Count Index, which is an index that measures the percentage of poor people in a region. The dimensions that explain poverty usually consist of several variables. Therefore, if the research will be modeled using several dimensions, it will contain a large number of variables, which allows for multicollinearity between independent variables. This condition causes the modeling to not be done properly. The problem of multicollinearity in the data being modeled can be overcome using the Principal Component Analysis method. The Principal Component Analysis (PCA) method is performed on the independent variables, so that the main components are obtained, namely the reduction results of the independent variables. These main components are no longer correlated with each other. Furthermore, regression analysis is carried out with these main components as the new independent variables. This model is called Principal Component Regression (RKU). This study uses data related to location or geography or can be called spatial data. After checking the assumptions, there is multicollinearity and spatial heterogeneity in the data. Therefore, to handle these two problems, Geographically Weighted Principal Component Regression (GWPCR) modeling or Geographically Weighted Principal Component Regression (RKUTG) can be used. Before applying the Geographically Weighted Principal Component Regression (RKUTG) method, the Principal Component Analysis method will be used to determine the main components to be used as independent variables or new predictors in this study. There are three main components, each of which explains the Demographic and Clean Water Factors for PC1 or the first main component, the Decent Living Conditions and Inequality Factors for PC2, and the Child Welfare Factor for PC3. Principal Component Regression (RKU) was then conducted with PC1, PC2, and PC3 as predictors and the assumption of spatial heterogeneity of the RKU model was checked. The assumption check makes a decision that there is spatial heterogeneity in the RKU model so that the GWPCR model can be carried out. Based on the results of RKUTG modeling, the influence of each main component varies at each location and if grouped, 4 groups are obtained, namely group 1, namely districts / cities with Head Count Index influenced by PC1, consisting of 13 districts / cities, group 2, namely districts / cities with Head Count Index influenced by PC1 and PC2, consisting of 5 districts / cities, group 3, namely districts / cities with Head Count Index influenced by PC1 and PC3, consisting of 4 districts / cities, and group 4, namely districts / cities with Head Count Index influenced by PC1, PC2 and PC3, consisting of 4 districts / cities."

"Macaca fascicularis merupakan primata yang sering digunakan sebagai hewan uji dalam penelitian, sehingga kondisi fisiologisnya harus diperhatikan karena berpengaruh terhadap hasil penelitian, terutama penelitian tentang pertumbuhan. Standarisasi berat badan dan morfometri membantu penelitian tentang pertumbuhan, namun standarisasi tersebut memerlukan sampel yang banyak agar hasil tidak bias. Penangkaran milik PT Indo Biomedical, Jonggol memiliki banyak M. fascicularis dan belum memiliki standar data morfometri dan berat badan, sehingga dapat dilakukan penelitian penentuan standar data berat badan dan morfometri di penangkaran tersebut. Tujuan penelitian ini untuk mendapatkan standar data karakter morfometri dan berat badan M. fascicularis. Jumlah hewan yang digunakan sebanyak 698 ekor dengan rincian 175 ekor bayi, 248 ekor infan, 209 ekor juvenil, dan 66 ekor pra-dewasa. Parameter yang diukur yakni berat badan, tinggi duduk, panjang ekor, panjang lengan atas, panjang lengan bawah, panjang paha, dan panjang betis. Hasil pengolahan data dengan metode Analisis Komponen Utama (AKU) menunjukkan bahwa individu bayi dan infan M. fascicularis memiliki parameter standar terbaik lengan bawah, sedangkan individu juvenil dan pra-dewasa memiliki parameter standar terbaik lengan atas. Hasil uji-T terhadap rerata data morfometri dan berat badan M. fascicularis menunjukkan bahwa terdapat perbedaan morfologi yang nyata antara individu jantan dan betina M. fascicularis pada kelompok umur pra-dewasa.

---

Macaca fascicularis is a kind of primate that often used as animal model in research, therefore, physiological condition must be considered because the influence of the result of research. Standardization of weight and morphometry assist research on growth, but these standards require that many samples that the results are not biased. Captive owned by PT Indo Biomedical, Jonggol has a lot of M. fascicularis and did not yet had data standard morphometry and weight, therefore it can be done research determination standardization of weight and morphometry in there.

The purpose of this study was to get a M. fascicularis basic standard characteristics of morphometrics and body weight. The number of animals observed were 698 consisting of 175 babies, 248 infants, 209 juveniles, and 66 sub-adults. The parameters were included body weight, body length, tail length, upper arm length, forearm length, thigh length, and calf length.

The Principal Component Analysis (PCA) showed that the individu of M. fascicularis of the babies and the infants age-group had the best forearm length parameter measurement standard, while the juveniles and the sub-adults age-group of M. fascicularis had the best upper arm length as their best parameter measurement standard. The result of processing data used T-test of mean of morphometrics and body weight indicated there was real significance of morphological differences between male and female individuals of M. fascicularis sub-adult age groups."

"Penelitian ini bertujuan untuk mempelajari pengaruh modal sosial terhadap kesejahteraan rumah tangga di Indonesia menggunakan data Susenas Modul Sosial Budaya dan Pendidikan 2012. Modal sosial dan kesejahteraan dihitung menggunakan metode Analisis Komponen Utama atau PCA. Kesejahteraan didekati oleh indeks kekayaan. Hasil penelitian menunjukkan bahwa variabel kontrol: jenis kelamin Kepala Rumah Tangga (KRT), umur KRT, pendidikan KRT, daerah tempat tinggal, dan lapangan pekerjaan KRT signifikan mempengaruhi kesejahteraan rumah tangga. Modal sosial sebagai variabel bebas utama juga signifikan positif mempengaruhi kesejahteraan. Semakin tinggi modal sosialnya maka akan semakin sejahtera.

---

This research aims to study the effect of social capital on household welfare in Indonesia using Susenas data of Socio-cultural and Educational Module 2012. Welfare and social capital calculated using Principal Component Analysis or PCA. Welfare was approached by a wealth index. The results showed that the control variables: gender, age, education of head of household (KRT), area of residence, and employment of KRT significantly affect household welfare. Social capital as the main independent variable was also significantly positively affect welfare. The higher the social capital will be more welfare."

"Penelitian ini bertujuan untuk mengetahui pengaruh modal sosial (trust, network, dan norm), modal manusia, modal finansial, dan faktor sosio demografi terhadap probabilitas seseorang untuk bekerja sebagai wirausaha dengan menggunakan data Susenas 2012. Pembentukan variabel modal sosial menggunakan metode Analisis Komponen Utama. Hasil pengujian probit menunjukan bahwa dari 3 (tiga) variabel modal sosial, variabel network dan norm secara statistik berpengaruh signifikan terhadap probabilitas bekerja sebagai wirausaha, sedangkan variabel trust tidak. Penelitian ini juga menemukan bahwa modal manusia dan modal finansial berpengaruh signifikan terhadap probabilitas bekerja sebagai wirausaha. Ditemukan juga bahwa probabilitas berwirausaha lebih besar pada individu laki-laki, kawin dan di perdesaan.

---

This reasearch aims to study the effect of three variables of social capital (trust, networks, and norm), human capital, financial capital and socio-demographic factors on the probability of/propensity for working as an entrepreneur based on Susenas 2012. Social capital variables are constructed using principal components analysis (PCA). The probit regression results show that of the three social capital variables, only network and norm that statistically have significant effect on the probability of working as an entrepreneur, while trust does not. This study also find that human capital and financial capital have significant effect on the probability of working as an entrepreneur. It is also found that individuals with the characteristics of male, married status and rural residence have higher propensity to work as an entrepreneur."

"Prinsip parsimoni adalah prinsip yang menyatakan bahwa jika terdapat beberapa penjelasan untuk suatu fenomena, maka penjelasan paling sederhanalah yang harus dipilih. Prinsip ini digunakan dalam analisis data untuk memilih model yang paling efisien dalam menjelaskan variabilitas data dengan parameter seminimal mungkin. Namun pada beberapa kondisi, data bisa saja melibatkan pengukuran atau variabel yang cukup banyak. Data berdimensi tinggi dapat menyebabkan kompleksitas dan kesulitan dalam analisis, sehingga reduksi dimensi pada data penting untuk dilakukan. Principal Component Analysis (PCA) adalah salah satu metode yang dapat digunakan untuk melakukan reduksi dimensi, dengan mengekstraksi variabel baru dan mengurangi pengaruh dari variabel yang tidak relevan. Namun, metode PCA tidak toleran terhadap missing value, sehingga algoritma Nonlinear Iterative Partial Least Squares (NIPALS) dapat digunakan dalam mengatasi data yang mengandung missing value. Performa dari algoritma NIPALS dievaluasi menggunakan nilai normalized root mean square error (NRMSE) dan koefisien korelasi Pearson. Kemudian, performa dari algoritma ini dibandingkan dengan dua metode lain, meliputi Probabilistic Principal Component Analysis (PPCA) dan SVDImpute. Setelah dilakukan percobaan sebanyak seratus kali pada data survei COVIDiSTRESS, didapatkan hasil bahwa algoritma NIPALS memiliki performa yang lebih baik dan stabil dalam melakukan reduksi dimensi dibandingkan SVDImpute dan PPCA pada data dengan missing value sebesar 1% hingga 15%.

---

The principle of parsimony, states that if there are multiple explanations for a phenomenon, the simplest explanation should be chosen. This principle is applied in data analysis to select the most efficient model that explains the variability of the data with minimal parameters. However, in some cases, the data may involve a large number of measurements or variables. High-dimensional data can lead to complexity and difficulties in analysis, therefore dimensionality reduction is important. Principal Component Analysis (PCA) is one method that can be used for dimensionality reduction by extracting new variables and reducing the influence of irrelevant variables. However, PCA is not tolerant to missing values, so the Nonlinear Iterative Partial Least Squares (NIPALS) algorithm can be used to handle data with missing values. The performance of the NIPALS algorithm is evaluated using the normalized root mean square error (NRMSE) and Pearson correlation coefficient. Subsequently, the performance of this algorithm is compared with two other methods, including Probabilistic Principal Component Analysis (PPCA) and SVDImpute. After conducting a hundred trials on the COVIDiSTRESS survey data, it was found that the NIPALS algorithm performed better and was more stable in dimension reduction compared to SVDImpute and PPCA algorithms on data with missing values ranging from 1% to 15%."

"Pengkajian variasi morfologi 98 spesimen Bronchocela cristatella(Kuhl, 1820) di Indonesia telah dilakukan menggunakan analisis multivariat.Analisis komponen utama (PCA) terhadap 19 karakter morfologimenghasilkan 5 komponen dari variabel awal. Total variabilitas yang dihitungadalah 81,0 % (Komponen 1 = 55,8 %; Komponen 2 = 8,4 %; Komponen 3 =6,8 %; Komponen 4 = 5,6 %; Komponen 5 = 4,4 %). Komponen skor 2 padaPCA merupakan komponen yang dapat memperlihatkan pengelompokanpopulasi Bronchocela cristatella di Indonesia. Hasil analisis sidik kelompok(CA) yang dapat dilihat pada dendrogram menunjukkan empat clusterterhadap lima populasi B, cristatella di Indonesia. Pola persebaran variasimorfologi B. cristatella di Indonesia berdasarkan hasil analisis sidik kelompok(CA) tidak bersesuaian dengan proses geografis Indonesia. PopulasiSumatera dan Jawa memiliki kekerabatan yang dekat karena membentuksatu cluster, kemudian diikuti oleh populasi Maluku + New Guinea yangmembentuk cluster 2. Populasi Sulawesi dan Kalimantan berkerabat jauhdengan populasi Sumatera dan Jawa karena membentuk cluster 3 dancluster 4 yang terpisah dari populasi yang lain."