Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Nasionalisme merupakan elemen penting yang perlu dimiliki oleh seluruh rakyat Indonesia. Hal ini perlu dibina sejak remaja sebagai kader masa depan bangsa. Nasionalisme dibentuk oleh enam dimensi, yaitu cinta tanah air, keinginan untuk berpartisipasi dalam pembangunan nasional, keinginan untuk mengejar prestasi, keinginan untuk memanfaatkan ilmu pengetahuan dan teknologi, keinginan untuk menegakkan hukum dan keinginan untuk berpartisipasi dalam kompetisi internasional. Tinggi rendahnya tingkat dimensi nasionalisme pada remaja dapat sangat dipengaruhi oleh faktor keluarga seperti jenis kelamin, pendidikan orang tua, pekerjaan orang tua, status perkawinan orang tua dan waktu bersama orang tua. Penelitian ini merupakan studi kasus yang dilaksanakan di SMAN 3 Tambun Selatan. Pengambilan sampel dilakukan dengan kombinasi stratified sampling dan cluster sampling. Dalam penelitian ini akan dilihat dimensi mana yang mempengaruhi tingkat nasionalisme mahasiswa dan profil mahasiswa yang memiliki dimensi tingkat tinggi berdasarkan faktor keluarga. Metode analisis data yang digunakan adalah metode PLS, K-means Cluster dan CRT. Dari hasil penelitian diketahui bahwa dimensi yang mempengaruhi tingkat nasionalisme adalah rasa cinta tanah air, keinginan untuk berpartisipasi dalam pembangunan, keinginan untuk mengejar prestasi dan keinginan untuk mengikuti kompetisi internasional. Faktor keluarga yang mempengaruhi cinta tanah air adalah pendidikan terakhir ayah dan ibu. Faktor keluarga yang mempengaruhi keinginan untuk terlibat dalam pembangunan adalah jenis kelamin, pekerjaan ayah dan ibu. Faktor keluarga yang mempengaruhi keinginan mengejar prestasi adalah pekerjaan ibu. Faktor keluarga yang mempengaruhi keinginan untuk memasuki kompetisi internasional adalah pekerjaan ayah.
ABSTRACT
Nationalism is an important element that all Indonesian people need to have. This needs to be nurtured from adolescence as a cadre for the future of the nation. Nationalism is formed by six dimensions, namely the love of the country, the desire to participate in national development, the desire to pursue achievements, the desire to take advantage of science and technology, the desire to enforce the law and the desire to participate in international competitions. The level of nationalism dimension in adolescents can be greatly influenced by family factors such as gender, parental education, parental work, parental marital status and time with parents. This research is a case study conducted at SMAN 3 Tambun Selatan. Sampling was done by a combination of stratified sampling and cluster sampling. In this study, it will be seen which dimensions affect the level of student nationalism and the profile of students who have high-level dimensions based on family factors. The data analysis methods used are PLS, K-means Cluster and CRT methods. From the research results, it is known that the dimensions that influence the level of nationalism are the love of the country, the desire to participate in development, the desire to pursue achievements and the desire to participate in international competitions. The family factor that affects the love of the motherland is the last education of the father and mother. Family factors that influence the desire to be involved in development are gender, father's and mother's occupation. The family factor that affects the desire to pursue achievement is the mother's job. The family factor that influences the desire to enter international competition is the job of the father.

Abstrak :

Model runtun waktu yang paling umum digunakan adalah runtun waktu diskrit yang mengasumsikan peubah yang diuji bersifat kontinu dan menghasilkan nilai kontinu. Padahal dalam banyak penerapan, diperlukan model runtun waktu diskrit yang dapat menangani peubah diskrit dan menghasilkan nilai diskrit juga. Salah satu model runtun waktu yang menangani data count atau bilangan bulat nonnegatif adalah model runtun waktu Integer-valued Autoregressive dengan order p yaitu INAR(p). Model ini dibangun dengan binomial thinning operator yang menerapkan operasi probabilistik dengan distribusi diskrit yang cocok memodelkan data count seperti Poisson dan Binomial. Parameter model akan diestimasi dengan metode Yule-Walker. Dalam penelitian ini, akan dibahas dan dijabarkan karakteristik dari model INAR(p) menggunakan operator binomial thinning. Spesifikasi INAR(p) mengikuti model Autoregressive dengan order p, AR(p). Peramalan INAR(p) menggunakan metode peramalan nilai tengah dengan menghitung probabilitas bersyarat dari setiap bilangan bulat nonnegatif yang mungkin menjadi nilai ramalan, lalu memilih nilai ramalan yang memiliki probabilitas bersyarat kumulatif lebih besar sama dengan 0,5. Model runtun waktu INAR(p) akan diaplikasikan pada data simulasi berjumlah 120 data yang bernilai bilangan bulat nonnegatif.

---

The most commonly used time series model is the discrete time series which assumes the variables being tested are continuous and produces continuous values. Whereas in many applications, a discrete time series model is needed to handle discrete variables and produce discrete values as well. Time series model that handles count or non-negative integer data is the Integer-valued Autoregressive model with the pth-order or INAR(p). This model is built with binomial thinning operator which implements probabilistic operations with discrete distribution that are suitable to model count data such as Poisson and Binomial. Model parameters will be estimated using the Yule-Walker method. In this research, we will discuss and describe the characteristics of the INAR(p) model using the binomial thinning operator. The INAR(p) specification follows the Autoregressive model with the p-th order, AR(p). Forecasting in INAR(p) uses median forecasting by calculating the conditional probability of each possible nonnegative integer value, then selecting a forecast value with a cumulative conditional probability greater than 0.5. The INAR(p) time series model will be applied to the 120 simulated data with nonnegative integer values.

Abstrak :
Distribusi Weibull-Poisson merupakan distribusi kontinu yang dapat memodelkan beberapa macam bentuk hazard yaitu monoton naik, monoton turun dan increasing upside-down bathtub shape yang mempunyai bentuk bathtub shape terbalik dan monoton naik. Distribusi ini merupakan suatu distribusi lifetime yang dapat memodelkan kegagalan dalam suatu sistem seri dan merupakan pengembangan dari distribusi EksponensialPoisson. Distribusi ini diperoleh dengan melakukan metode compounding terhadap distribusi Weibull dan distribusi ZT-Poisson. Untuk mendapatkan bentuk akhir dari distribusi tersebut digunakan beberapa sifat matematis seperti order statistik dan ekspansi deret taylor. Selain pembentukan distribusi Weibull-Poisson, skripsi ini menjelaskan fungsi kepadatan peluang, fungsi distribusi, momen ke-r, momen sentral ke-r, mean, dan variansi. Sebagai ilustrasi, dibahas pula aplikasi distribusi Weibull-Poisson pada data survival marmut setelah terinfeksi virus Turblece Bacilli. ......The Weibull-Poisson distribution is a continuous distribution that can be modeled various forms of hazard namely monotone up, monotone down and upside-down down bathtub shape which is shaped up. This distribution is a lifetime-distribution that can model failures in a series system and is development of the Exponential-Poisson distribution. This distribution is obtained by perform the compounding method on the Weibull distribution and the ZT-Poisson distribution. To obtain the final form of the distribution, several mathematical properties are used such as statistical order and Taylor's number expansion. In addition to the formation of Weibull-Poisson distribution, this thesis includes the probability density function, distribution function, moment rth, rth central moment, mean, and variance. As an illustration, Weibull-Poisson distribution is applied on guinea pig survival data after being infected with Turblece virus Bacilli.

Abstrak :
Perkembangan teknologi di Indonesia tengah mengalami kemajuan yang pesat. Salah satu kemajuan teknologi yang sedang marak adalah munculnya situs atau aplikasi jual beli. Kemunculan ini mampu membuat masyarakat dengan mudah berbelanja maupun berjualan hanya dengan mengakses situs ataupun aplikasi jual beli melalui perangkat pintar. Namun, kemudahan yang didapatkan juga memiliki sisi negatif, yaitu dapat menyebabkan masyarakat cenderung berperilaku impulsif saat berbelanja. Konsumen yang memiliki perilaku ini membeli suatu barang atau jasa dengan spontan tanpa pertimbangan. Perilaku online impulsive buying dapat dipengaruhi oleh berbagai faktor, salah satunya adalah faktor intrinsik konsumen. Selain itu, individu yang cenderung berperilaku impulsif saat berbelanja umumnya berusia 18 sampai dengan 39 tahun, yang mana termasuk dalam fase dewasa awal. Oleh karena itu, dalam penelitian ini akan diteliti lebih lanjut mengenai faktor-faktor intrinsik yang dapat memengaruhi perilaku pembelian impulsif pada individu yang telah memasuki usia dewasa awal. Pengambilan sampel dilakukan dengan menyebarkan kuesioner kepada mahasiswa FMIPA UI menggunakan metode purposive sampling dan terdapat 396 sampel berdasarkan the 10-times rule. Peneliti menggunakan metode Partial Least Square (PLS) dan Multi-Group Analysis Partial Least Square (MGA-PLS) dalam penyelesaian masalah penelitian, serta bootstrap untuk mengevaluasi inner model. Hasil penelitian menunjukkan kepribadian neuroticism, materialism, shopping enjoymet tendency, dan impusive buying tendency berpengaruh secara signifikan terhadap online impulsive buying behavior. Selain itu, tidak terdapat perbedaan pengaruh diantara setiap kategori dalam variabel demografi jenis kelamin, domisili, dan pendapatan mahasiswa. ......Technological developments in Indonesia are currently experiencing rapid progress. One of the technological advances that is currently popular in Indonesia is the emergence of buying and selling sites or applications. This emergence makes it easier for people to shop or sell by simply accessing buying and selling sites or applications through smart phone. However, this convenience also has a negative side, which can cause people tend to behave impulsively when shopping. Consumers who have this behavior buy an item or service spontaneously without consideration. Online impulsive buying behavior can be affected by various factors, one of which is the consumer's intrinsic factor, that is big five personality traits, culture, materialism, shopping enjoyment tendency, and impulsive buying tendency. Individuals who tend to behave impulsively when shopping are usually aged 18 to 39 years, which is in the early adult phase. Therefore, this study will examine further about the intrinsic factors that can influence impulsive buying behavior in individuals who have entered early adulthood. Sampling was carried out at the Faculty of Mathematics and Natural Sciences, University of Indonesia by distributing questionnaires to students who fit the required criteria using a purposive sampling method and there are 396 samples whose number is determined by the 10-times rule. Researchers use Partial Least Square and Multi-Group Analysis methods to solve this research problem, and bootstrap to evaluate the inner model. The results showed that the personality of neuroticism, materialism, shopping enjoyment tendency, and impulsive buying tendency had a significant effect on online impulsive buying behavior. There is no difference in the influence between each category in the demographic variables of gender, domicile, and student income.

Abstrak :
Putus sekolah merupakan permasalahan yang terjadi di berbagai wilayah Indonesia pada seluruh jenjang pendidikan, termasuk jenjang pendidikan SMA. Provinsi Nusa Tenggara Timur (NTT) merupakan salah satu wilayah yang mengalami masalah putus sekolah jenjang pendidikan SMA. Pada tahun ajaran 2019/2020 hingga 2021/2022, Provinsi NTT selalu menduduki peringkat 9 besar untuk angka putus sekolah jenjang pendidikan SMA tertinggi di Indonesia. Selain itu, pada tahun ajaran 2019/2020 dan 2021/2022 angka putus sekolah jenjang pendidikan SMA di Provinsi NTT berada di atas angka putus sekolah jenjang pendidikan SMA se-Indonesia. Hal ini terjadi, meskipun Provinsi NTT memiliki fasilitas pendidikan dan tenaga pendidik SMA yang memadai. Putus sekolah merupakan permasalahan yang dapat dipengaruhi oleh unsur wilayah (spasial) dan tidak terjadi pada satu waktu saja, sehingga dibutuhkan penelitian yang dapat mengakomodir pengaruh spasial dalam beberapa waktu yaitu dengan penggunaan data spasial berstruktur panel. Penggunaan data tersebut memungkinkan adanya pengaruh spasial berupa heterogenitas spasial. Analisis regresi merupakan metode untuk menjelaskan pengaruh variabel independen terhadap variabel dependen. Geographically Weighted Panel Regression (GWPR) merupakan metode analisis regresi bersifat lokal yang memperhatikan adanya pengaruh heterogenitas spasial pada data spasial berstruktur panel. Oleh karena itu, penelitian ini bertujuan untuk menganalisis faktor – faktor yang menjelaskan angka putus sekolah jenjang pendidikan SMA di Provinsi NTT pada tahun 2019-2021 menggunakan GWPR. Berdasarkan pengujian heterogenitas spasial didapatkan bahwa terdapat heterogenitas spasial, sehingga dilakukan analisis lebih lanjut menggunakan GWPR. Model GWPR dibentuk dengan fungsi pembobot kernel Fixed Boxcar, Fixed Bisquare, Fixed Gaussian, Fixed Tricube, Fixed Exponential, Adaptive Boxcar, Adaptive Bisquare, Adaptive Gaussian, Adaptive Tricube dan Adaptive Exponential. Hasil penelitian menunjukkan model GWPR dengan fungsi pembobot kernel Fixed Exponential merupakan model terbaik dalam memodelkan data putus sekolah di Provinsi NTT pada tahun 2019-2021 dengan sebesar 0,9999852 dan AIC sebesar -585,1535. Kepadatan penduduk, rasio murid dan guru, upah minimum regional, tingkat pengangguran terbuka, rasio murid terhadap sekolah, rata-rata lama sekolah, dan anggaran Program Indonesia Pintar berpengaruh signifikan dalam menjelaskan angka putus sekolah jenjang pendidikan SMA pada minimal 21 kabupaten/kota di Provinsi NTT. Pengelompokkan kabupaten/kota berdasarkan variabel yang berpengaruh signifikan terhadap angka putus sekolah jenjang pendidikan SMA menggunakan k-modes clustering menghasilkan 4 kelompok di mana pada kelompok pertama, kedua, dan ketiga terdiri dari 1 anggota, dan kelompok keempat terdiri dari 19 anggota kabupaten/kota. ......Dropping out of school is a problem that occurs in various regions of Indonesia at all levels of education, including high school education. The province of East Nusa Tenggara (NTT) is one of the areas experiencing the problem of dropping out of high school education. In the academic year 2019/2020 to 2021/2022, the Province of NTT has always been ranked in the top 9 for the highest high school dropout rate in Indonesia. In addition, in the 2019/2020 and 2021/2022 school years the high school dropout rate in NTT Province is greater than the high school dropout rate throughout Indonesia. This happened, even though the Province of NTT had adequate educational facilities and high school teaching staff. Dropping out of school is a problem that can be influenced by regional (spatial) elements and does not occur at one time, so research is needed that can accommodate spatial influences over time, namely by using panel-structured spatial data. The use of these data allows for spatial influences in the form of spatial heterogeneity. Regression analysis is a method for explaining the effect of the independent variables on the dependent variable. Geographically Weighted Panel Regression (GWPR) is a local regression analysis method that considers the effect of spatial heterogeneity on panel-structured spatial data. Therefore, this study aims to analyze the factors that explain the high school dropout rate in NTT Province in 2019-2021 using the GWPR. Based on the spatial heterogeneity test, it was found that there was spatial heterogeneity, so further analysis was carried out using the GWPR. The GWPR model is formed with the Fixed Boxcar, Fixed Bisquare, Fixed Gaussian, Fixed Tricube, Fixed Exponential, Adaptive Boxcar, Adaptive Bisquare, Adaptive Gaussian, Adaptive Tricube and Adaptive Exponential kernel weighting functions. The results showed that the GWPR model with the Fixed Exponential kernel weighting function was the best model for modeling dropout data in the Province of NTT in 2019-2021 with an of 0.9999852 and an AIC of -585.1535. Population density, student-teacher ratio, regional minimum wage, open unemployment rate, student-to-school ratio, average length of schooling, and Indonesia Pintar Program budget have a significant effect on explaining the high school dropout rate in at least 21 districts/cities in the province NTT. District/city grouping based on variables that have a significant effect on high school dropout rates using k-modes clustering produces 4 groups where the first, second, and third groups consist of 1 member, and the fourth group consists of 19 district/city members.

Abstrak :
Coronavirus Disease 2019 (COVID-19) adalah suatu penyakit menular yang disebabkan oleh jenis baru dari coronavirus yang belum pernah ditemukan sebelumnya. COVID-19 pertama kali ditemukan di daerah Wuhan, China pada tanggal 31 Desember 2019.Organisasi Kesehatan Dunia (WHO) telah resmi menetapkan COVID-19 sebagai pandemi sejak 11 Maret 2020 dan mengimbau negara-negara untuk mengambil tindakan sesegera mungkin untuk mencegah infeksi, menyelamatkan nyawa, dan meminimalkan dampak COVID-19. Berdasarkan data WHO, diketahui ada lebih dari 200 juta kasus terkonfirmasi dan lebih dari 3 juta kematian akibat COVID-19 hingga saat ini. Penelitian ini bertujuan untuk menganalisis hubungan jumlah kasus COVID-19 dengan faktor-faktor yang mempengaruhinya di Pulau Jawa. Data dalam penelitian ini berasal dari Badan Pusat Statistik (BPS) dan Satgas COVID-19. Penelitian ini menggunakan metode analisis data berupa Regresi Linier Berganda dan Geographically Weighed Negative Binomial Regression (GWNBR). Hasil penelitian ini dengan menggunakan model GWNBR, terdapat 4 variabel yang mempengaruhi jumlah kasus COVID-19 di Pulau Jawa, yaitu jumlah penduduk, pengeluaran per kapita, persentase lansia, dan jumlah tenaga kesehatan. Jumlah penduduk dan pengeluaran per kapita berpengaruh positif terhadap jumlah kasus COVID-19, sedangkan persentase lansia dan jumlah tenaga kesehatan berpengaruh berbeda-beda. ......Coronavirus Disease 2019 (COVID-19) is an infectious disease caused by a new type of coronavirus that has never been detected before but was first discovered in Wuhan, China on December 31, 2019. The World Health Organization (WHO) officially classified this disease as a pandemic on March 11, 2020 and urged countries to take immediate action to prevent further infections in order to save lives and minimize its impact. The WHO data showed that there have been over 200 million confirmed cases and more than 3 million deaths up to the present moment. Therefore, this study aims to analyze the relationship between the number of COVID-19 cases and its influencing factors in Java. Data were obtained from Badan Pusat Statistik (BPS) and Satgas COVID-19, and analyzed using Multiple Linear Regression and Geographically Weighted Negative Binomial Regression (GWNBR). The results of the GWNBR model showed that there are 4 variables affecting the number of COVID-19 cases which include population, per capita expenditure, the elderly percentage, and the number of healthcare workers. It was discovered that the population and per capita expenditure have a positive effect on the number of cases while the elderly percentage and the number of healthcare workers have varying effects.

Abstrak :
COVID-19 adalah penyakit yang disebabkan oleh virus SARS-CoV-2 dan menyerang sistem pernapasan manusia. Selain menganggu kesehatan fisik, pandemi COVID-19 juga memberikan dampak psikologis, salah satunya adalah tingkat stres yang meningkat pada masyarakat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berasosiasi dengan tingkat stres pada pandemi COVID-19. Dalam mencapai tujuan tersebut, penelitian ini menggunakan metode classification tree dan regresi logistik multinomial. Sebelum melakukan proses identifikasi faktor menggunakan classification tree, dilakukan penanganan masalah imbalance data menggunakan metode SMOTE. Selanjutnya, dilakukan kuantifikasi risiko faktor-faktor yang teridentifikasi pada classification tree menggunakan analisis regresi logistik multinomial. Kinerja model diukur menggunakan nilai precision, recall, F1-Score, dan AUC. Hasil yang diperoleh adalah model classification tree dengan penanganan imbalance data menggunakan SMOTE dapat meningkatkan kinerja model dengan nilai precision 0,5980, nilai recall 0,8653, nilai F1-Score 0,7072, dan AUC 0,702. Dengan model tersebut, didapatkan faktor-faktor yang teridentifikasi berasosiasi dengan tingkat stres pada pandemi COVID-19 adalah Total_OECDInsititutions, Total_CoronaConcerns, dan Age. Peningkatan nilai Corona Concerns cenderung memberikan risiko peningkatan tingkat stres, sedangkan peningkatan nilai OECDInsititutions dan Age cenderung memberikan risiko penurunan tingkat stres. ......COVID-19 is a disease caused by the SARS-CoV-2 virus that attacks the human respiratory system. In addition to disrupting physical health, the COVID-19 pandemic also has psychological impacts, one of which is an increased level of stress. This study aims to identify factors associated with the level of stress during the COVID-19 pandemic. The study employs the classification tree method and multinomial logistic regression. Prior to the factor identification process using the classification tree, the issue of imbalanced data is addressed using the SMOTE method. Subsequently, the quantification of risk factors identified in the classification tree is conducted using multinomial logistic regression analysis. The model's performance is measured using precision, recall, F1-score, and AUC values. The results obtained indicate that the classification tree model with the handling of imbalanced data using SMOTE can improve model performance, with a precision value of 0,5980, recall value of 0,8653, F1-score value of 0,7072, and AUC value of 0,702. With this model, the identified factors associated with the level of stress during the COVID-19 pandemic are Total_OECDInstitutions, Total_CoronaConcerns, and Age. An increase in Corona Concerns tends to pose a risk of increased stress levels, while an increase in OECD Institutions and Age tends to pose a risk of decreased stress levels.

Abstrak :
Pengangguran merupakan fenomena sosial yang menjadi salah satu masalah utama yang dihadapi setiap daerah di Indonesia. Salah satu cara yang dapat dilakukan untuk mengurangi angka pengangguran adalah dengan melakukan analisis terhadap faktor-faktor yang mempengaruhi tingkat pengangguran terbuka (TPT). Dibandingkan dengan metode analisis regresi linier, metode Geographically Weighted Regression (GWR) lebih diunggulkan karena dapat menangani masalah ketidakstasioneran spasial yang biasanya terjadi pada data fenomena sosial. Ketidakstasioneran spasial adalah situasi dimana hubungan antar variabel berbeda-beda secara signifikan di setiap lokasi pengamatan. Ketidakstasioneran spasial ini sering disebut juga dengan heterogen spasial. Heterogenitas spasial mengakibatkan hasil analisis regresi linier menjadi tidak akurat di beberapa lokasi. GWR menangani masalah tersebut dengan membangun model regresi di setiap lokasi pengamatan sehingga memungkinkan parameter regresi menjadi berbeda di setiap lokasi pengamatan. Pendugaan parameter pada model GWR menggunakan pembobot berdasarkan lokasi setiap pengamatan sehingga model yang diperoleh berlaku hanya untuk lokasi tersebut. Penentuan pembobot bergantung pada nilai bandwidth. Bandwidth merupakan lingkaran dengan radius ℎ dari titik pusat lokasi pengamatan yang digunakan sebagai dasar penentuan pembobot setiap lokasi pengamatan. Nilai bandwidth yang sangat kecil akan mengakibatkan variansi yang besar. Hal tersebut disebabkan karena jika nilai bandwidth sangat kecil maka jumlah pengamatan yang berada pada radius h menjadi sedikit, sehingga menyebabkan model yang diperoleh sangat kasar (undersmoothing) karena menggunakan sedikit pengamatan, dan sebaliknya. Oleh karena itu, pemilihan bandwidth optimum sangat penting dalam menentukan pembobot karena dapat mempengaruhi ketepatan model yang terbentuk. Penelitian ini bertujuan untuk mengetahui perbandingan performa model GWR yang menggunakan metode bandwidth CV, AICc, dan BIC dalam pembentukan fungsi pembobot Fixed Gaussian Kernel yang diterapkan pada data pengangguran di kabupaten/kota di Pulau Jawa. Variabel dependen yang digunakan dalam penelitian ini adalah tingkat pengangguran terbuka kabupaten/kota di Pulau Jawa, dan variabel independen yang digunakan adalah kepadatan penduduk, indeks pembangunan manusia, tingkat partisipasi angkatan kerja, upah minimum kabupaten/kota, rata-rata upah sebulan pekerja formal, dan rata-rata pendapatan bersih sebulan pekerja informal. Hasil penelitian menunjukkan bahwa setiap kabupaten/kota memiliki model GWR yang berbeda-beda. Model GWR bandwidth CV lebih baik dalam menjelaskan data pengangguran kabupaten/kota di Pulau Jawa tahun 2020 karena memiliki nilai RMSE paling kecil, yaitu 1,0904 serta nilai R2 dan Adjusted-R2 paling besar, yaitu 0,8539011 dan 0,7937159. ......Unemployment is a social phenomenon, a problem faced by every region in Indonesia. One way that can be carried out to reduce the unemployment rate is analyzing the factors that affect the open unemployment rate (TPT). Rather than using linear regression analysis, Geographically Weighted Regression (GWR) was preferable since it gave a better representative model by effectively resolve spatial non-stationary problem which is generally exist in spatial data of social phenomenon. Spatial non-stationary is a situation when the relationship between variables are significantly different in each location of observation point. This spatial non-stationary is often refer to spatial heterogeneity. Spatial heterogeneity show that linear regression analysis will give a misleading interpretation results in some locations. GWR solve this problem by generating a single model in each observation location so the regression parameters can be different at each observation location. Parameter estimation in the GWR model uses weights based on the location of each observation so that the estimate model applies only to this location. The weighting determination depends on the bandwidth value. Bandwidth is a circle with radius ℎ from the center point of the observation location which is used as the basis for determining the weight of each observation location. Smaller bandwidth value will result a large variance. It can happen because when the bandwidth is very small, there will be a small number observations in the radius h, which can makes the estimate model is very rough (undersmoothing) because it uses few observations, and vice versa. Therefore, choosing the optimum bandwidth is very important in determining the weights where it can affect the accuracy of the model formed. This study aims to compare the performance of the GWR model using the CV, AICc, and BIC bandwidth methods in the formation of Fixed Gaussian Kernel weighted function which is applied to unemployment data in districts/cities in Java. The dependent variable used in this study is the district/city open unemployment rate in Java, and the independent variables are population density, human development index, labor force participation rate, district/city minimum wage, the average monthly wage of formal workers, and the average monthly net income of informal workers. The results show that each district/city has a different GWR model. The GWR model with CV bandwidth is better at explaining district/city unemployment data on Java Island in 2020 which it has the smallest RMSE value, 1.0904, and the largest R2 and Adjusted-R2 values, namely 0.8539011 and 0.7937159, respectively.

Abstrak :
Perusahaan Daerah Air Minum (PDAM) merupakan salah satu perusahaan yang berstatus Badan Usaha Milik Daerah (BUMD). BUMD adalah perusahaan milik pemerintah daerah dengan status badan hukum organisasi yang independen, yang dipimpin oleh dewan direksi yang ditunjuk oleh pejabat pemerintah daerah dengan kepemilikan mayoritas publik. Modal dari perusahaan tersebut sebagian atau sepenuhnya berasal dari pemerintah. Selain menjadi penyelenggara layanan air bersih, PDAM juga berperan dalam menyokong Pendapatan Asli Daerah (PAD), maka dalam penilaiannya, PDAM sebagai suatu perusahaan, tidak hanya dinilai dari kualitas produksi air, namun juga bagaimana kualitas pelayanan serta keuntungan yang didapatkan dari kegiatannya. Untuk mengetahui faktor-faktor apa saja yang memiliki keterkaitan dengan kinerja PDAM di Indonesia Tahun 2019, metode statistik yang dapat digunakan adalah Metode Classification and Regression Trees (CART). CART adalah suatu metode eksplorasi statistika nonparametrik untuk mengelompokkan pengamatan-pengamatan dalam data dengan kriteria yang sama berdasarkan urutan signifikansi terkait variabel prediktor dalam pembentukan kelompok kategori. Pada penilaian Status kinerja, variabel Return of Equity (ROE), Jam Oprasional Pelayanan, Tingkat Kehilangan Air, Efektivitas Penagihan, serta Tingkat Pelayanan merupakan variabel-variabel yang cukup signifikan. Selanjutnya dilakukan Analisis menggunakan Metode Regresi Logistik. Regresi Logistik digunakan untuk mengetahui seberapa besar keterkaitan variabel-variabel prediktor (X) terhadap variabel respon (Y) yang bersifat dikotomi. Analisis ini menghasilkan model Regresi Logistik. ......Regional Water Use Company (Perusahaan Daerah Air Minum/PDAM) is one of the companies with the status of Regional Owned Enterprises (Badan Usaha Milik Daerah/ BUMD). BUMD is a local government-owned company with the status of an independent legal entity, led by a board of directors appointed by local government officials with majority public ownership. The capital of the company comes partly or wholly from the government. In addition to being a clean water service provider, PDAM also plays a role in supporting Regional Original Revenue (Pendapatan Asli Daerah/PAD), so in its assessment, PDAM as a company is not only judged by the quality of water production, but also how the quality of service and the benefits it gets from its activities. To find out what factors affect the performance of PDAMs in Indonesia in 2019, a statistical method that can be used is the Classification and Regression Trees (CART) Method. CART is a nonparametric statistical exploration method to classify observations in the data with the same criteria based on the order of significance of the influence of the predictor variables in the formation of category groups. In the assessment of performance status, the variable Return of Equity (ROE), Service Operational Hours, Water Loss Levels, Billing Effectiveness, and Service Level are quite significant variables. The analysis is carried out using the Logistic Regression Method. Logistic regression is used to determine how much influence the predictor variables (X) have on the dichotomous response variable (Y). This analysis produces a Logistic Regression model.

Abstrak :
Masalah kesehatan adalah tantangan bagi seluruh negara, khususnya Indonesia. Ada juga penyakit yang butuh perhatian yaitu penyakit yang mengganggu kesehatan mental. Gangguan mental merupakan gangguan yang memengaruhi mental, perilaku, atau emosi dan efeknya beragam dari efek ringan, sedang, atau bahkan kerusakan parah. Salah satu rentang usia yang rentan terkena gangguan mental adalah usia 18 hingga 25 tahun, padahal rentang usia ini merupakan rentang usia produktif yang sebagian besar merupakan mahasiswa. Penelitian ini dilakukan untuk mengetahui faktor-faktor yang diduga memengaruhi kesehatan mental pada mahasiswa ini adalah jenis kelamin, tempat tinggal mahasiswa saat studi, status nikah orang tua, komunikasi dengan orang tua baik Ayah atau Ibu, ada masalah keluarga atau tidak, dan faktor lainnya seperti adanya teman bicara untuk membicarakan masalah-masalah pribadi, masalah pada studi, dan durasi penggunaan gadget. Metode yang digunakan untuk mencapai tujuan ini adalah two-step cluster, uji independensi Chi-square, dan regresi logistik. Berdasarkan gejala-gejala yang dialami oleh mahasiswa, tingkat kesehatan mental mahasiswa FMIPA UI ini dapat dikelompokkan menjadi dua kategori yang disebut tingkat kesehatan mental rendah dan tingkat kesehatan mental tinggi. Kemudian, faktor yang memengaruhi kesehatan mental mahasiswa FMIPA UI adalah tempat tinggal saat studi, komunikasi dengan ayah, masalah keluarga, teman bicara, masalah studi, dan durasi penggunaan gadget. ......Health problem is a challenge for all over the world especially Indonesia. There is another issue that need a lot attention which is mental health problem. Mental health problem or mental disorder is a problem that effect mental, behavior, or emotion and the effect is diverse from light, moderate, even severe damages. One of the most susceptible age range to acquire mental health problem is 18 until 25 years old, even though, 18 until 25 years old is productive age range with mostly being university students. This research done to find out which factors can affect mental health problem on college student such as gender, residency while studying, parents marital status, comunication with mother and father, family problem and other factors such as company to discuss about personal problem, study problem and the duration of using gadgets. The methods two-step cluster, Chi-square independence test, logistic regression are used to achieve the purpose of the research. According to the mental illness symptomps that experienced by the student, the level of University of Indonesia Faculty of Math and Natural Science students mental health is classified in two categories which are high mental health level and high mental problem level. The factors that affect University of Indonesia Faculty of Mathematics and Natural Sciences college students mental health are residency while studying, comunication with father, family problem, company to discuss about personal problem, study problem, and the duration of using gadgets.