PENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah)
|
|
- Yuliani Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BIAStatistics (2016) Vol. 10, No. 1, hal PENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah) Nany Salwa 1, Fitriana A.R. 2, and Junita Aiza 3 1, 2, 3 Jurusan Matematika FMIPA Unsyiah nanysalwa@gmail.com ABSTRAK Setiap pembimbing memiliki tanggung jawab terhadap tugas akhir mahasiswa yang dibimbingnya. Mahasiswa yang dibimbing dengan baik diduga akan menghasilkan tugas akhir yang baik pula, karena semua kendala dan kesulitan yang dialami oleh mahasiswa selama penyusunan tugas akhir dapat terjawab melalui konsultasi dengan pembimbing. Tujuan dari penelitian ini adalah menentukan pengaruh karakteristik dosen pembimbing terhadap kualitas tugas akhir mahasiswa FMIPA Unsyiah. Penelitian ini dilakukan di FMIPA Unsyiah dengan responden mahasiswa angkatan Data diperoleh melalui pengisian kuisioner oleh mahasiswa FMIPA Unsyiah angkatan Metode yang digunakan untuk menganalisis data dalam penelitian ini adalah metode CART (Classification and Regression Trees). Metode CART menghasilkan pohon klasifikasi (classification trees). Berdasarkan analisis pohon klasifikasi yang terbentuk dari metode CART, diduga bahwa variabel penjelas dari karakteristik dosen pembimbing yang mempengaruhi kualitas tugas akhir mahasiswa FMIPA Unsyiah adalah peran pembimbing dalam mengoreksi kesalahan penulisan dan format laporan, motivasi pembimbing dalam menyelesaikan penyusunan tugas akhir dengan cepat, penentuan tema, peran pembimbing dalam persiapan seminar dan sidang, serta kesepakatan pembimbing. Variabel penjelas yang paling dominan dan paling berpengaruh adalah peran pembimbing dalam mengoreksi kesalahan penulisan dan format laporan. Kata Kunci : kualitas tugas akhir, dosen pembimbing, cart, pohon klasifikasi 1. PENDAHULUAN 1.1 Latar Belakang Tugas akhir merupakan suatu karya ilmiah yang dihasilkan melalui proses integrasi kompetensi kognitif, psikomotorik, dan afektif yang telah dipelajari dalam bentuk kegiatan penelitian (Tim penyusun, 2010). Kegiatan dan hasil pelaksanaan penelitian TA ditulis dalam bentuk laporan dan dipresentasikan di hadapan penguji. Pada umumnya mahasiswa yang dibimbing secara intens dan baik akan mendapat nilai hasil sidang yang sangat memuaskan.oleh karena itu, nilai sidang tugas akhir dapat dijadikan salah satu indikator penilaian kualitas tugas akhir. Berdasarkan uraian di atas, ingin diketahui apakah proses pembimbingan yang berkualitas dari dosen pembimbing dapat menghasilkan suatu tugas akhir yang berkualitas baik juga 1.2 Tujuan Penelitian Adapun tujuan dari penelitian ini adalah menentukan pengaruh karakteristik dosen pembimbing terhadap kualitas tugas akhir mahasiswa FMIPA Universitas Syiah Kuala. 8
2 2. METODOLOGI 2.1. Classification And Regression Trees (CART) Menurut Hill and Lewicki (2006), CART merupakan metodologi statistik nonparametrik dan nonlinier. Hal ini karena hasil dari CART yang merupakan suatu kondisi logis jika-maka (if-then) dalam bentuk pohon dan tidak ada suatu asumsi implisit bahwa hubungan antara variabel respon dan variabel penjelasnya linier. Beberapa kelebihan metode CART yaitu, kesederhanaan hasil yang diperoleh sehingga mudah diinterpretasikan, struktur datanya dapat dilihat secara visual, proses pengklasifikasian lebih mudah dilakukan dengan menelusuri pohon klasifikasi yang dihasilkan, dan dapat mengeksplorasi struktur data yang kompleks serta bersifat nonparametrik sehingga tidak memerlukan asumsi tertentu yang sering tidak terpenuhi oleh data. CART dapat melakukan eksplorasi data untuk penyusunan model regresi yang melibatkan banyak variabel dengan ukuran besar dan kompleks. Eksplorasi data ini dapat dilakukan dengan lebih mudah untuk melihat hubungan antara variabel respon kontinu dengan variabel-variabel penjelasnya Pembentukan Pohon Pembentukan pohon dilakukan melalui pemilahan gugus data dengan sederetan pemilah biner sampai dihasilkan simpul akhir (Komalasari, 2007). Metode pemilahan tersebut dimulai dengan memilah variabel penjelas menjadi dua anak gugus yang disebut simpul. Selanjutnya anak gugus ini dipilah lagi menjadi dua anak gugus yang baru. Pemilahan ini diulang sampai diperoleh sekatan-sekatan yang berdasarkan aturan tertentu dan tidak dapat dipilah lebih lanjut. Pilahan akhir yang dihasilkan disebut simpul akhir atau simpul terminal (terminal node), sedangkan pilahan yang masih mungkin dipilah lebih lanjut dinamakan simpul dalam atau simpul anak (non terminal node ) (Dewi, 2007). Algoritma pembentukan pohon klasifikasi terdiri dari empat tahap, yaitu pemilihan pemilah, penentuan simpul terminal, penandaan label kelas, dan penentuan pohon dengan ukuran yang tepat (Kardiana, 2006). 1. Pemilihan pemilah Pada tahap ini dicari pemilah dengan menentukan semua pemilah yang mungkin untuk setiap variabel penjelas dari setiap simpul yang menghasilkan penurunan tingkat keheterogenan tertinggi. Keheterogenan suatu simpul diukur berdasarkan nilai impuritas. Fungsi impuritas yang dapat digunakan adalah indeks Gini. Bila impuritas suatu simpul semakin besar, maka semakin heterogen pula simpul tersebut (Breiman et al, 1993). Nilai impuritas menggunakan indeks Gini pada simpul, ( ), dapat ditulis sebagai berikut : ( ) = 1 ( ) (1) Dimana ( ) adalah peluang unit pengamatan dalam kelas ke-j dari simpul t yang dinyatakan sebagai berikut : ( ) = ( )/ ( )/ Dengan adalah peluang awal kelas ke-j, adalah banyaknya unit pengamatan dalam kelas ke-j, dan ( ) adalah banyaknya unit pengamatan dalam kelas ke-j pada simpul t. (2) Biastatistics Vol 10, No.1, Februari
3 Misalkan terdapat calon pemilah s yang memilah t menjadi (dengan proporsi ) dan menjadi (dengan proporsi ), maka kebaikan dari s didefinisikan sebagai penurunan impuritas : (, ) = ( ) ( ) ( ) (3) Pengembangan pohon dilakukan dengan cara pada simpul, carilah yang memberikan nilai penurunan impuritas tertinggi, yaitu : (, ) = (, ) (4) Maka dipilah menjadi dan menggunakan. Dengan cara yang sama dilakukan juga pemilah terbaik pada dan secara terpisah, dan seterusnya (Hardle, 2007). 2. Penentuan simpul terminal Suatu simpul t akan menjadi simpul terminal atau tidak akan dipilah lagi, apabila jumlah pengamatannya kurang dari jumlah minimum. Umumnya jumlah pengamatan minimum pada simpul sebesar 5 dan terkadang berjumlah 1 (Breiman et al, 1993). Maka selanjutnya t tidak dipilah lagi, tetapi dijadikan simpul terminal dan dihentikan pembentukan pohon. (Kardiana, 2006). 3. Penandaan label kelas Label kelas dari simpul terminal ditentukan berdasarkan aturan jumlah terbanyak, yaitu jika ( ) = ( ), maka label kelas untuk terminal t adalah (Breiman et al, 1993). 4. Penentuan pohon optimum Pohon klasifikasi tidak dibatasi jumlahnya. Pohon terbesar memiliki nilai salah pengklasifikasian terkecil sehingga akan cenderung memilih pohon tersebut untuk perkiraan, tetapi pohon ini cukup komplek dalam menggambarkan struktur data. Sehingga perlu dipilih pohon optimal yang lebih sederhana, tetapi memiliki kesalahan pengklasifikasian yang cukup kecil (Kardiana, 2006). Menurut Breiman et al. (1993), salah satu cara mendapatkan pohon optimum yaitu dengan pemangkasan (pruning). Pemangkas berturut-turut memangkas pohon bagian yang kurang penting. Tingkat kepentingan sebuah pohon bagian diukur berdasarkan ukuran cost-complexity pruning. Pohon maksimum dapat berubah menjadi kompleksitas yang sangat tinggi dan terdiri dari ratusan tingkat. Oleh karena itu, pohon tersebut harus dioptimalkan sebelum digunakan untuk klasifikasi dari data baru. Optimasi pohon berarti memilih ukuran pohon yang tepat (Timofeev, 2004) Data Penelitian dan Tahapan Analisis Data diperoleh dengan cara mengajukan kuisioner kepada responden dalam bentuk soft copy dan hard copy. Sebagian besar kuisioner dikirimkan melalui responden. Masing-masing responden diminta untuk mengisi kuisioner berdasarkan pengalaman pribadi yang dialami ketika penyusunan tugas akhir. Objek penelitian adalah lulusan dari empat jurusan di FMIPA Universitas Syiah Kuala angkatan 2004 sampai 2008, yaitu jurusan Matematika, Fisika, Kimia, dan Biologi. 10 Biastatistics Vol 10, No.1, Februari 2016
4 Tabel 1. menjelaskan keterangan serta tipe variabel yang digunakan pada penelitian ini. Tabel 1. Deskripsi variabel penjelas karakteristik dosen pembimbing Variabel Kategori Y Kualitas tugas akhir (nilai sidang) 1 = A ; 2 = B+; 3 = B;4 = C+ X 1 Waktu (pembimbing) 1 = Banyak; 2 = Cukup; 3 = Sedikit X 2 Kehadiran (pembimbing) 1 = Tepat waktu; 2 = Kurang tepat waktu X 3 Motivasi (dari pembimbing) ; X 4 Penentuan tema (dari pembimbing) 1 = Tidak; 2 = Ya X 5 Penyusunan X 6 Penilaian objektif X 7 Pemahaman materi X 8 Pengoreksian X 9 Perbaikan makalah X 10 Kekonsistenan sikap pembimbing 1 = Ya; 2 = Tidak X 11 Jadwal berkala 1 = Ya; 2 = Tidak X 12 Koordinasi pembimbing 1 = Baik; 2 = Kurang X 13 Kesepakatan pembimbing 1 = Tidak; 2 = Ya X 14 Deadline 1 = Tidak; 2 = Ya X 15 Persiapan seminar dan sidang X 16 Kuliah dengan pembimbing 1 = Ya 2 = Tidak Adapun analisis data dilakukan melalui seharangkaian tahapan, yaitu: 1. Melakukan analisa statistika deskriptif. 2. Menganalisa pohon klasifikasi dengan metode CART untuk mengidentifikasi variabel karakteristik dosen pembimbing yang mempengaruhi kualitas tugas akhir mahasiswa FMIPA Universitas Syiah Kuala. 3. HASIL DAN PEMBAHASAN 3.1. Karakteristik Responden Kuisioner dikirimkan kepada 490 responden. Dari 490 kuisioner yang dibagikan, terdapat 11,43% (56 kuisioner) yang diisi dan dikembalikan dari jumlah total kuisioner yang dikirimkan. Responden dikelompokkan ke dalam empat kategori, yaitu kategori I dengan nilai sidang A, kategori II dengan nilai sidang B+, kategori III dengan nilai sidang B, dan kategori IV dengan nilai sidang C+. Biastatistics Vol 10, No.1, Februari
5 Tabel 2. Kategori nilai sidang mahasiswa Kelompok Nilai sidang Skor I A (Istimewa) 85 II B+ (Amat baik) 75 - < 85 II B (Baik) 65 - < 75 IV C+ (Sedang) 55 - < 65 Secara visual dapat dilihat pada Gambar 1. 0% 45% 7% 48% A B+ B C+ Gambar 1. Persentase kategori nilai sidang mahasiswa Dari gambar 1 terlihat bahwa 27 orang mahasiswa (48%) mendapat nilai sidang A, 25 orang mahasiswa (45%) mendapat nilai sidang B+, dan 4 orang mahasiswa (7%) mendapat nilai sidang B. Sedangkan tidak ada mahasiswa (0%) yang mendapat nilai sidang C Metode Classification and Regression Trees (CART) Data asli Data hasil pengisian kuisioner oleh responden yang berjumlah 56 dianalisis dengan menggunakan metode CART. Hasil analisis dari data tersebut memiliki nilai keakuratan klasifikasi sebesar 48,2% dan hanya menghasilkan satu simpul saja dan tidak ada variabel penjelas yang berpengaruh terhadap variabel respon. Kemudian dilakukan pembangkitan data dengan cara penggandaan data untuk menjaga kekonsistenan jawaban responden Data bangkitan Data asli yang berjumlah 56 dibangkitkan dengan penggandaan sebanyak 7, 9, dan 18 kali sehingga masing-masing menghasilkan data sejumlah 392, 504, dan Penggandaan data dilakukan untuk menghasilkan hasil analisis yang dapat diinterpretasikan. Berdasarkan hasil analisis pada data yang berjumlah 392, terdapat satu variabel penjelas yang mempengaruhi variabel respon dan hanya menghasilkan tiga simpul dengan nilai keakuratan klasifikasi sebesar 64,3%. Data sejumlah 502 menghasilkan 6 simpul dan memiliki nilai keakuratan klasifikasi sebesar 69,6% dengan tiga variabel penjelas yang berpengaruh. Sehingga informasi yang diperoleh dari hasil analisis sangat terbatas. Data yang berjumlah 1008 menghasilkan 10 simpul dan memiliki nilai keakuratan klasifikasi sebesar 73,2%. Hasil 12 Biastatistics Vol 10, No.1, Februari 2016
6 analisis data yang berjumlah 1008 menunjukkan bahwa terdapat lima variabel penjelas yang berpengaruh terhadap variabel respon. Hasil analisis pada data tersebut memberikan informasi yang lebih banyak untuk diinterpretasikan. Tabel 3. Penjelasan hasil pohon klasifikasi dari data yang berjumlah 392 disajikan dalam Tabel 3. tasi hasil peran pembimbing dalam penyusunan TA pada data (node 0-1) 2 (node 0-2) penulisan dan format penyusunan tugas akhir dengan kategori baik. penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang. Tabel 4. menunjukkan persentase dan jumlah mahasiswa untuk setiap kategori nilai sidang untuk masing-masing segmen yang dijelaskan pada Tabel 3. Tabel 4. Persentase dan jumlah mahasiswa berdasarkan nilai sidang pada data 392 Jumlah dan persentase mahasiswa berdasarkan nilai sidang A B+ B C+ Total (57,8%) 105 (33,3%) 28 (8,9%) 0 (0%) 315 (100%) 2 7(9,1%) 70 (90,9%) 0 (0%) 0 (0%) 77 (100%) Total 189 (48,2%) 175 (44,6%) 28 (7,1%) 0 (0%) 392 (100%) Berdasarkan Tabel 4. pada segmen 1, diprediksi sebanyak 182 orang mahasiswa mendapat nilai sidang A, 105 orang mahasiswa mendapat nilai sidang B+, dan 28 orang mahasiswa mendapat nilai sidang B. Pada segmen 2, diprediksi sebanyak 7 orang mahasiswa mendapat nilai sidang A, 70 orang mahasiswa mendapat nilai sidang B+, dan tidak ada mahasiwa yang mendapat nilai sidang B pada segmen 2 dan C+ untuk masingmasing segmen. Tabel 5. Penjelasan hasil pohon klasifikasi data yang berjumlah 504 disajikan dalam Tabel 5. tasi hasil peran pembimbing dalam penyusunan TA pada data (node ) 2 (node ) 3 (node 0-1-4) dengan cepat serta tema yang berasal dari pembimbing. dengan cepat serta tema yang tidak berasal dari pembimbing. motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat. Biastatistics Vol 10, No.1, Februari
7 4 (node 0-2) Nilai sidang dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang. Tabel 6. menunjukkan persentase dan jumlah mahasiswa untuk setiap kategori nilai sidang untuk masing-masing segmen pada Tabel 5. Tabel 6. Persentase dan jumlah mahasiswa berdasarkan nilai sidang pada data 504 Jumlah dan persentase mahasiswa berdasarkan nilai siding A B+ B C+ Total (58,6%) 90 (34,5%) 18 (6,9%) 0 (0%) 261 (100%) 2 72 (88,9^) 9 (11,1%) 0 (0%) 0 (0%) 81 (100%) 3 9 (14,3%) 36 (57,1%) 18 (28,6%) 0 (0%) 63 (100%) 4 9 (9,1%) 90 (90,9%) 0 (0%) 0 (0%) 99 (100%) Total 243 (48,2%) 225 (44,6%) 36 (7,1%) 0 (0%) 504 (100%) Berdasarkan hasil pengklasisfikasian pada tabel 11 dapat dikatakan bahwa mahasiswa yang mendapat nilai sidang A terbanyak terdapat pada segmen 1, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta tema yang berasal dari pembimbing, yaitu sebanyak 153 orang. dengan nilai sidang kategori A paling sedikit merupakan segmen 3 dan 4, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat dan mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang, yaitu sebanyak 9 orang untuk masing-masing segmen. Penjelasan hasil pohon klasifikasi data berjumlah 1008 disajikan dalam Tabel 7. Tabel 7. tasi hasil peran pembimbing dalam penyusunan TA pada data (node ) 2 (node ) 3 (node ) dengan cepat serta tema yang berasal dari pembimbing. dengan cepat dan tema yang tidak berasal dari pembimbing serta seringnya terjadi perbedaan pendapat antar pembimbing. dengan cepat dan tema yang tidak berasal dari pembimbing serta tidak seringnya terjadi perbedaan pendapat antar pembimbing. 14 Biastatistics Vol 10, No.1, Februari 2016
8 4 (node ) 5 (node ) 6 (node 0-2) motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta peran pembimbing terhadap persiapan seminar dan sidang dengan kategori baik. motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta peran pembimbing terhadap persiapan seminar dan sidang dengan kategori cukup dan kurang. penulisan dan format penyusunan tugas akhir dengan kategori cukup dan kurang. Tabel 8. menunjukkan persentase dan jumlah mahasiswa untuk setiap kategori nilai sidang untuk masing-masing segmen pada Tabel 7. Tabel 8. Persentase dan jumlah mahasiswa berdasarkan nilai sidang pada data1008 Jumlah dan persentase mahasiswa berdasarkan nilai siding A B+ B C+ Total (58,6%) 180 (34,5%) 36 (6,9%) 0 (0%) 522 (100%) 2 72 (100%) 0 (0%) 0 (0%) 0 (0%) 72 (100%) 3 72 (80%) 18 (20%) 0 (0%) 0 (0%) 90 (100%) 4 0 (0%) 72 (100%) 0 (0%) 0 (0%) 72 (100%) 5 18 (33,3%) 0 (0%) 36 (66,7%) 0 (0%) 54 (100%) 6 18 (9,1%) 180 (90,9%) 0 (0%) 0 (0%) 198 (100%) Total 486 (48,2%) 450 (44,6%) 72 (7,157 %) 0 (0%) 1008 (100%) Berdasarkan Tabel 8 dapat dikatakan bahwa jumlah mahasiswa dengan nilai sidang kategori A tertinggi terdapat pada segmen 1, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang baik dari pembimbing dalam menyelesaikan tugas akhir dengan cepat, serta tema yang berasal dari pembimbing, yaitu sebanyak 306 orang. yang tidak mendapat nilai sidang A merupakan segmen 4, yaitu mahasiswa dengan peran pembimbing dalam mengoreksi kesalahan penulisan dan format penyusunan tugas akhir dengan kategori baik dan motivasi yang cukup dan kurang dari pembimbing dalam menyelesaikan tugas akhir dengan cepat serta peran pembimbing terhadap persiapan seminar dan sidang dengan kategori baik. Pohon klasifikasi yang terbentuk berdasarkan data asli yang berjumlah 56 tidak menghasilkan variabel penjelas yang berpengaruh terhadap nilai sidang. Variabel penjelas yang berpengaruh terhadap nilai sidang mulai terlihat pada data yang berjumlah 392, yaitu variabel pengoreksian. Pohon klasifikasi dengan jumlah data 504 menghasilkan 3 variabel yang berpengaruh terhadap nilai sidang yaitu variabel pengoreksian, motivasi, dan penentuan tema. Pohon klasifikasi yang dihasilkan dari data dengan jumlah 1008 mengidentifikasi lebih banyak variabel penjelas yang berpengaruh terhadap nilai sidang yaitu pengoreksian, motivasi, penentuan tema, persiapan seminar dan sidang, dan Biastatistics Vol 10, No.1, Februari
9 kesepakatan pembimbing. Berdasarkan keempat pohon klasifikasi terlihat bahwa variabel penjelas yang paling dominan dan konsisten berpengaruh terhadap variabel respon adalah pengoreksian. 4. SIMPULAN DAN SARAN 4.1. Simpulan Analisis menggunakan pohon klasifikasi berdasarkan metode CART menunjukkan prediksi dari karakteristik dosen pembimbing yang dominan dan paling berpengaruh terhadap kualitas tugas akhir mahasiswa FMIPA Unsyiah adalah adalah peran pembimbing dalam mengoreksi kesalahan penulisan dan format laporan Saran Dapat menjadi bahan pertimbangan bagi mahasiswa dan dosen pembimbing dalam penyusunan tugas akhir dengan memperhatikan variabel-variabel yang berpengaruh untuk menghasilkan tugas akhir dengan mutu dan kualitas yang baik. Ucapan Terima Kasih Penulis mengucapkan terima kasih kepada alumni FMIPA periode yang telah bersedia meluangkan waktu untuk melakukan pengisian kuesioner. 5. DAFTAR PUSTAKA Breiman et al. Classification and Regression Trees. Champan and Hall, New York.( 1993). Dewi, Y.S. Penerapan Metode Regresi Berstruktur Pohon Pada Pendugaan Lama Studi Mahasiswa Menggunakan Paket Program R. Jurnal Ilmu Dasar Vol. 8 No. 1. (2007). Hardle, W., and L. Simar. Applied Multivariate Statistical Analysis. 2 nd edition. Springer, New York. (2007). Hill T, and Lewicki P. Statistic Methods And Aplications. Statsoft press Inc, USA. (2006). Kardiana, A., dkk. Metode Klasifikasi Berstruktur Pohon Biner (Studi Kasus Pada Prakiraan Sifat Hujan Bulanan di Bogor). Seminar Nasional Aplikasi Teknologi Informasi (SNATI). (2006). Komalasari, W. B. Metode Pohon Regresi Untuk Eksploratori Data Dengan Peubah Yang Banyak Dan Kompleks. Informatika Pertanian Vol. 16 No.1. (2007). Tim Penyusun. Panduan Tugas Akhir Dan Kuliah Kerja Praktik. Banda Aceh. (2010). Timofeev, R. Classification And Regression Trees (CART) Theory And Applications. CASE - Center of Applied Statistics and Economics Humboldt University, Berlin. (2004). Wiyatmo, Y., dkk. Efektivitas Bimbingan Tugas Akhir Skripsi (TAS) Mahasiswa Jurusan Pendidikan Fisika FMIPA UNY. Prosiding Seminar Nasional Penelitian, pendidikan dan penerapan MIPA, FMIPA UNY. (2010). 16 Biastatistics Vol 10, No.1, Februari 2016
Faktor-Faktor Yang Mem pengaruhi Waktu Penyusunan Tugas Akhir Mahasiswa S1 (Studi Kasus : Mahasiswa FMIPA Unsyiah)
Jurnal Gradien Vol. 10 No.2 Juli 2014 : 1000-1004 Faktor-Faktor Yang Mem pengaruhi Waktu Penyusunan Tugas Akhir Mahasiswa S1 (Studi Kasus : Mahasiswa FMIPA Unsyiah) Nany Salwa 1, Fitriana A.R 1 dan Sri
Lebih terperinciPREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO
PREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
Lebih terperinciPENERAPAN METODE CART
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 2, No. 2, Juli 2017, pp. 78-83 PENERAPAN METODE CART (CLASSIFICATION AND REGRESSION TREES) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART
Xplore, 2013, Vol. 2(1):e3(1-8) c 2013 Departemen Statistika FMIPA IPB ANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART Fira Nurahmah Al Amin,Indahwati,Yenni
Lebih terperinciSeminar Tugas Akhir. Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING. Surabaya, Juli 2011
Surabaya, Juli 2011 Seminar Tugas Akhir Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING Ibrahim Widyandono 1307 100 001 Pembimbing : Dr. Bambang Widjanarko
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciPOHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB
Forum Statistika dan Komputasi, April 2005, p: 15 21 ISSN : 08538115 Vol. 10 No. 1 POHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB Ida Mariati H. 1),
Lebih terperinciPENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI
PENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRAK DAMAS ESMU HAJI.
Lebih terperinciPENERAPAN METODE REGRESI BERSTRUKTUR POHON PADA PENDUGAAN LAMA PENYUSUNAN SKRIPSI MAHASISWA ARTIKEL ILMIAH
PENERAPAN METODE REGRESI BERSTRUKTUR POHON PADA PENDUGAAN LAMA PENYUSUNAN SKRIPSI MAHASISWA ARTIKEL ILMIAH Artikel Ilmiah Ini Diambil Dari Sebagian Skripsi Untuk Memenuhi Persyaratan Penyelesaian Program
Lebih terperinciKlasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees)
1 Klasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees) Sharfina Widyandini dan Vita Ratnasari Jurusan Statistika, Fakultas MIPA,
Lebih terperinciPEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN )
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN ) PT Jasa Marga ro) C abang Semarang SKRIPSI Disusun Oleh
Lebih terperinciPENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE)
Natural Vol. 11, No. 2, Mei 2007, hal. 112-118. PENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE) A. Efendi dan H. Kusdarwati Program Studi
Lebih terperinciAnalisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan Urbanisasi
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-100 Analisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan
Lebih terperinciKlasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART)
D193 Klasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART) Lely Dwi Bhekti Pratiwi, Wahyu Wibowo, dan Ismaini
Lebih terperinciModel Machine Learning CART Diabetes Melitus
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 485-491 p-issn: 2580-4596; e-issn: 2580-460X Halaman 485 Ria Dhea Layla Nur Karisma 1, Bambang Widjanarko
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-54
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-54 Klasifikasi Pengangguran Terbuka Menggunakan CART (Classification and Regression Tree) di Provinsi Sulawesi Utara Febti
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciHary Mega Gancar Prakosa Dosen Pembimbing Dr. Suhartono, S.Si, M.Sc Co Pembimbing Dr. Bambang Wijanarko Otok, S.Si, M.
KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN BOOTSTRAP AGGREGATTING CLASSIFICATION AND REGRESSION TREES Hary Mega Gancar Prakosa 1307 100 077 Dosen Pembimbing Dr. Suhartono,
Lebih terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Dina Yuanita Mahasiswa Jurusan Statistika FMIPA-ITS (1306 100 056) M. Syahid Akbar, S.Si, M.Si
Lebih terperinciMETODE KLASIFIKASI BERSTRUKTUR POHON BINER (STUDI KASUS PADA PRAKIRAAN SIFAT HUJAN BULANAN DI BOGOR) 1) T
METODE KLASIFIKASI BERSTRUKTUR POHON BINER (STUDI KASUS PADA PRAKIRAAN SIFAT HUJAN BULANAN DI BOGOR) 1) T Aan Kardiana 2), Aunuddin 3), Aji Hamim Wigena 3), Hari Wijayanto 3) 2) Jurusan Teknik Informatika,
Lebih terperinciHubungan Indeks Prestasi Kumulatif (IPK) dengan Nilai Ujian Akhir Nasional (UAN): Studi Kasus di FMIPA Unsyiah
Statistika, Vol. 15 No. 1, 17 23 Mei 2015 Hubungan Indeks Prestasi Kumulatif (IPK) dengan Nilai Ujian Akhir Nasional (UAN): Studi Kasus di FMIPA Unsyiah Ridha Ferdhiana, 1,2, Ira Julita 1, Asep rusyana
Lebih terperinciANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION TREES (BAGGING CART)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 81-90 Online di: http://eournal-s1.undip.ac.id/index.php/gaussian ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciMETODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN
Technologia Vol 7, No.1, Januari Maret 2016 15 METODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN Galih Mahalisa, S.Kom, M.Kom (galih.mahalisa@gmail.com) ABSTRAK Kemiskinan
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE CHAID (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN CART (CLASSIFICATION AND REGRESSION TREE)
Surabaya, 3 Juli 2013 Seminar Hasil Tugas Akhir KLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN (CLASSIFICATION AND REGRESSION TREE) Dosen Pembimbing
Lebih terperinciEksplorasi Kinerja Dosen Tersertifikasi dalam Melaksanakan Tridharma Perguruan Tinggi di Indonesia
Xplore, 2013, Vol. 2(1):e2(1-8) c 2013 Departemen Statistika FMIPA IPB Eksplorasi Kinerja Dosen Tersertifikasi dalam Melaksanakan Tridharma Perguruan Tinggi di Indonesia Rizky Nurkhaerani, Hari Wijayanto,
Lebih terperinciPPDAFTAR GAMBAR Gambar Halaman Yuni Melawati, 2013
PPDAFTAR GAMBAR Gambar 2.1 Contoh Pohon Keputusan untuk Mengklasifikasikan Pembelian Komputer... 19 3.1 Diagram CART... 29 3.2 Pohon Keputusan Sementara... 37 3.3 Pohon Keputusan Optimum... 38 3.4 Pohon
Lebih terperinciANALISIS KONJOIN UNTUK MENILAI PEMBUKAAN PROGRAM STUDI STATISTIKA DI UNIVERSITAS SYIAH KUALA. Abstrak
ANALISIS KONJOIN UNTUK MENILAI PEMBUKAAN PROGRAM STUDI STATISTIKA DI UNIVERSITAS SYIAH KUALA Asep Rusyana, Nanny Salwa, Muzamil, Jurusan Matematika FMIPA Unsyiah arusyana@yahoo.com Abstrak Analisis konjoin
Lebih terperinciANALISIS CART KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA DI FEM DAN FAPERTA FIRA NURAHMAH AL AMIN
ANALISIS CART KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA DI FEM DAN FAPERTA FIRA NURAHMAH AL AMIN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER
PREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER Ari Wibowo Program Studi Teknik Informatika Politeknik Negeri Batam Jl. Parkway No 1, Batam Center, Batam Telp 0778-469856, Fax 0778-463620
Lebih terperinciPENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI
PENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 RINGKASAN NARISWARI KARINA
Lebih terperinciPenderita Diabetes Melitus Tipe II Di Rumah Sakit Abdul Wahab Syahranie Samarinda Tahun 2015
Penderita Diabetes Melitus Tipe II Di Rumah Sakit Abdul Wahab Syahranie Samarinda Tahun 2015 Yazid Fathullah 1,*, Desi Yuniarti 2, Rito Goejantoro 2 1 Laboratorium Statistika Terapan, Jurusan Matematika,
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
Lebih terperinciBAGGING CART PADA KLASIFIKASI ANAK PUTUS SEKOLAH
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 XVI-1 BAGGING CART PADA KLASIFIKASI ANAK PUTUS SEKOLAH Oleh: Bambang Widjanarko Otok 1) & Sumarmi 2) 1) Jurusan Statistika,FMIPA-ITS,
Lebih terperinciPengkelasan dengan Logika Fuzzy
Statistika, Vol. 13 No. 2, 103 108 November 2013 Pengkelasan dengan Logika Fuzzy FMIPA Universitas Syiah Kuala Jl. Syech Abdul Rauf No. 3 Darussalam, Banda Aceh Abstrak Pengkelasan atau pengelompokan suatu
Lebih terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Muhammad Sjahid Akbar 1, Dina Yuanita, dan Sri Harini 3 1, Jurusan Statistika ITS 3 Jurusan
Lebih terperinciPERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Abstract
Perbandingan Klasifikasi (Agung Waluyo) PERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Agung Waluyo 1, Moch. Abdul Mukid 2, Triastuti
Lebih terperinciKlasifikasi Variabel Penentu Kelulusan Mahasiswa FMIPA Unpatti Menggunakan Metode CHAID
Statistika, Vol. 15 No. 1, 1 6 Mei 2015 Klasifikasi Variabel Penentu Kelulusan Mahasiswa FMIPA Unpatti Menggunakan Metode CHAID Ferry kondo lembang 1, Meiga Fendjalang 2 1,2Jurusan Matematika Fakultas
Lebih terperinciSeminar Hasil Tugas Akhir
Seminar Hasil Tugas Akhir Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada pasien Kanker Tiroid Sri Hartati Selviani Handayani 1311106007 Pembimbing :
Lebih terperinciBAB I PENDAHULUAN. atau benda ke dalam golongan atau pola-pola tertentu berdasarkan kesamaan ciri.
BAB I PENDAHULUAN 1.1 Latar Belakang Klasifikasi merupakan pengelompokan secara sistematis pada suatu objek atau benda ke dalam golongan atau pola-pola tertentu berdasarkan kesamaan ciri. Masalah klasifikasi
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-24 Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Lebih terperinciPROSIDING ISBN :
APLIKASI METODE CHAID DALAM MENGANALISIS KETERKAITAN FAKTOR RISIKO LAMA PENYELESAIAN SKRIPSI MAHASISWA (Studi Kasus di Jurusan Matematika FMIPA Universitas Sriwijaya) Dian Cahyawati S., Susi Yohana, Putera
Lebih terperinciBAB I PENDAHULUAN. Universitas Pendidikan Indonesia repository.upi.edu
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kehadiran bank syariah di Indonesia didorong oleh keinginan masyarakat Indonesia (terutama masyarakat Islam) yang berpandangan bahwa bunga merupakan hal yang
Lebih terperinciBAB III METODE POHON KLASIFIKASI QUEST
BAB III METODE POHON KLASIFIKASI QUEST 3.1 Metode Berstruktur Pohon Istilah pohon dalam matematika dikenal dalam teori graf. Pertama kali konsep pohon digunakan oleh Gustav Kirchhoff (184-1887) dalam bidang
Lebih terperinciDokumen Level : PROSEDUR OPERASIONAL BAKU PROSEDUR TUGAS AKHIR
TUJUAN SOP ini bertujuan untuk memberikan penjelasan mengenai : 1. Prosedur dan Pelaksanaan Tugas Akhir (TA). 2. Persyaratan dosen pembimbing dan tim penguji. 3. Prosedur pelaksanaan seminar TA. 4. Komponen/unsur
Lebih terperinciBAB 1 PENDAHULUAN. ini mengalami spesialisasi dan melembaga dengan pendidikan formal yang senantiasa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah suatu aktivitas sosial yang memungkinkan masyarakat tetap ada dan berkembang. Di dalam masyarakat yang kompleks, fungsi pendidikan ini mengalami spesialisasi
Lebih terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid Sri Hartati Selviani Handayani dan Santi Wulan Purnami Jurusan Statistika, Fakultas
Lebih terperinciPENERAPAN POHON KLASIFIKASI DAN BOOTSTRAP AGGREGATING DALAM KLASIFIKASI USIA MENARCHE (Studi Kasus: SMPN Ragunan dan SMPN 1 Dramaga) IIS ISTIQOMAH
PENERAPAN POHON KLASIFIKASI DAN BOOTSTRAP AGGREGATING DALAM KLASIFIKASI USIA MENARCHE (Studi Kasus: SMPN Ragunan dan SMPN 1 Dramaga) IIS ISTIQOMAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPRAKIRAAN SIFAT HUJAN MENGGUNAKAN METODE POHON KLASIFIKASI
Statistika, Vol. 1, No. 1, Mei 2013 PRAKIRAAN SIFAT HUJAN MENGGUNAKAN METODE POHON KLASIFIKASI Dwi Haryo Ismunarti Jurusan Ilmu Kelautan, Fakultas Perikanan dan Ilmu Kelautan, UNDIP Email: dwiharyois@gmail.com
Lebih terperinciPENENTUAN NILAI MATA PELAJARAN KELAS X YANG MEMPENGARUHI PENJURUSAN SISWA DI SMA MENGGUNAKAN METODE ANALISIS REGRESI LOGISTIK
PENENTUAN NILAI MATA PELAJARAN KELAS X YANG MEMPENGARUHI PENJURUSAN SISWA DI SMA MENGGUNAKAN METODE ANALISIS REGRESI LOGISTIK (Studi Kasus Kelas X SMA N 3 Bukittinggi) SKRIPSI SARJANA MATEMATIKA WINDA
Lebih terperinciANALISIS WAKTU KELULUSAN MAHASISWA DENGAN METODE CHAID (STUDI KASUS: FMIPA UNIVERSITAS UDAYANA)
ANALISIS WAKTU KELULUSAN MAHASISWA DENGAN METODE CHAID (STUDI KASUS: FMIPA UNIVERSITAS UDAYANA) IDA AYU SRI PADMINI 1, NI LUH PUTU SUCIPTAWATI 2, MADE SUSILAWATI 3 1,2,3, Jurusan Matematika, Fakultas MIPA,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada BAB II ini akan disampaikan materi-materi yang berkaitan dengan konsep data mining, yang merupakan landasan bagi pembahasan klasifikasi untuk evaluasi kinerja pegawai. 2. 1 Tinjauan
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART SKRIPSI Disusun Oleh : NOVIE ERISKA ARITONANG 24010211140081 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kesejahteraan umum merupakan salah satu tujuan dari pembangunan nasional Negara Indonesia. Hal ini disebutkan dengan jelas pada Pembukaan Undang-Undang dasar 1945 di
Lebih terperinciPengaruh Bimbingan Belajar terhadap Nilai Mahasiswa dengan Uji Permutasi
Statistika, Vol. No., 39 50 Mei 0 Pengaruh Bimbingan Belajar terhadap Nilai Mahasiswa dengan Uji Permutasi Jurusan Matematika FMIPA Universitas Syiah Kuala Jl. Syech Abdul Rauf No. 3 Darussalam, Banda
Lebih terperinciKlasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees
JURAL SAIS DA SEI ITS Vol. 5, o.1, (2016) 2337-3520 (2301-928X Prin D-26 Klasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees Aulia
Lebih terperinciPENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS (The Application of Random Forest in Driver Analysis)
, April 2011 p : -43 ISSN : 0853-811 Vol 16 No.1 PENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS (The Application of Random Forest in Driver Analysis) Nariswari Karina Dewi 1, Utami Dyah Syafitri
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciMETODE POHON REGRESI DAN PROSEDUR REGRESI BERTATAR UNTUK SEGMENTASI DATA
JMA, VOL. 7, NO.1, JULI, 2008, 39-54 39 METODE POHON REGRESI DAN PROSEDUR REGRESI BERTATAR UNTUK SEGMENTASI DATA BUDI SUHARJO Departemen Matematika, Fakultas Matematika dan Imu Pengetahuan Alam, Institut
Lebih terperinciEKSPLORASI KINERJA DOSEN TERSERTIFIKASI DALAM MELAKSANAKAN TRIDHARMA PERGURUAN TINGGI DI INDONESIA RIZKY NURKHAERANI
i EKSPLORASI KINERJA DOSEN TERSERTIFIKASI DALAM MELAKSANAKAN TRIDHARMA PERGURUAN TINGGI DI INDONESIA RIZKY NURKHAERANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciMODEL REGRESI LOGISTIK BINER DAN METODE CART DALAM KLASIFIKASI STATUS DESA DI BALI I NYOMAN PUTRAYASA PENDIT
MODEL REGRESI LOGISTIK BINER DAN METODE CART DALAM KLASIFIKASI STATUS DESA DI BALI I NYOMAN PUTRAYASA PENDIT DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKLASIFIKASI SIFAT CURAH HUJAN BERDASARKAN INDIKATOR ENSO (EL-NINO SOUTHERN OSCILLATION) DI KABUPATEN NGAWI DENGAN MENGGUNAKAN METODE KLASIFIKASI POHON
KLASIFIKASI SIFAT CURAH HUJAN BERDASARKAN INDIKATOR ENSO (EL-NINO SOUTHERN OSCILLATION) DI KABUPATEN NGAWI DENGAN MENGGUNAKAN METODE KLASIFIKASI POHON Putri Sea Paramita, Sutikno Mahasiswa Jurusan Statistika
Lebih terperinciMETODE QUEST DAN CHAID PADA KLASIFIKASI KARAKTERISTIK NASABAH KREDIT
E-Jurnal Matematika Vol. 4 (4), November 2015, pp. 163-168 ISSN: 2303-1751 METODE QUEST DAN CHAID PADA KLASIFIKASI KARAKTERISTIK NASABAH KREDIT Nur Faiza 1, I Wayan Sumarjaya 2, I Gusti Ayu Made Srinadi
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI NASABAH MENGGUNAKAN REGRESI LOGISTIK BINER DAN (CLASSIFICATION AND REGRESSION TREES)
PERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) SKRIPSI Oleh : AGUNG WALUYO 24010210141020 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Lokasi, Populasi dan Sampel Penelitian 1. Lokasi Lokasi dalam penelitian yang dipilih adalah Program Studi Pendidikan Tata Busana Jurusan Pendidikan Kesejahteraan Keluarga
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 215-225 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN
Lebih terperinciREGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R.
REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R Tiani Wahyu Utami 1), Alan Prahutama 2) 1 Program studi Statistika, FMIPA, Universitas Mumammadiyah Semarang email: tianiutami@unimus.ac.id 2 Departemen
Lebih terperinciAnalisis Regresi Spline Kuadratik
Analisis Regresi Spline Kuadratik S 2 Oleh: Agustini Tripena Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Regresi spline
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI BERAT BADAN BAYI SAAT LAHIR DI KOTA SURAKARTA MENGGUNAKAN METODE POHON REGRESI
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI BERAT BADAN BAYI SAAT LAHIR DI KOTA SURAKARTA MENGGUNAKAN METODE POHON REGRESI oleh NINA HARYATI M0107040 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciKAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER. Sudarno 1. Abstrak
UNIVERSITAS DIPONEGORO 0 ISBN: --0-- KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER Sudarno ) Program Studi Statistika FMIPA Undip dsghani@gmail.com Abstrak Model
Lebih terperinciANALISIS CHAID UNTUK IDENTIFIKASI KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA
Xplore, 2013, Vol. 2(1):e10(1-5) c 2013 Departemen Statistika FMIPA IPB ANALISIS CHAID UNTUK IDENTIFIKASI KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA Rindy Anggun Pertiwi, Indahwati, Farit
Lebih terperinciPENDUGAAN PARAMETER REGRESI DENGAN BOOTSTRAP RESIDUAL UNTUK JUMLAH SAMPEL YANG BERVARIASI M a r zu k i, H i zi r S o f y a n Universitas Syiah Kuala marz_ukie@yahoo.com ABSTRAK Penelitian ini bertujuan
Lebih terperinciKLASIFIKASI KELULUSAN MAHASISWA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS)
KLASIFIKASI KELULUSAN MAHASISWA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) SKRIPSI Disusun oleh : RIZAL YUNIANTO GHOFAR 240102101410029
Lebih terperinciBAB I PENDAHULUAN 1.1.Latar Belakang Masalah
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Mengingat kondisi perekonomian saat ini sedang tumbuh dan berkembang secara signifikan, di negara khususnya Indonesia, memiliki peningkatan permintaan produk
Lebih terperinciPrana Ugiana Gio 1 ABSTRAK
APLIKASI UJI MANN-WHITNEY DALAM MENENTUKAN ADA TIDAKNYA PERBEDAAN INDEKS PRESTASI KUMULATIF ANTARA MAHASISWA DOMINAN OTAK KANAN DAN MAHASISWA DOMINAN OTAK KIRI DI FMIPA USU Prana Ugiana Gio 1 ABSTRAK Terdapat
Lebih terperinciKAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN
KAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN Nurul Gusriani 1), Firdaniza 2), Novi Octavianti 3) 1,2,3) Departemen Matematika FMIPA Universitas Padjadjaran, Jalan Raya Bandung- Sumedang Km. 21
Lebih terperinciJADWAL KULIAH SEMESTER GANJIL 2013/2014 JURUSAN MATEMATIKA FAKULTAS MIPA UNIVERSITAS SYIAH KUALA
JADWAL KULIAH SEMESTER GANJIL 2013/2014 JURUSAN MATEMATIKA FAKULTAS MIPA UNIVERSITAS SYIAH KUALA Senin 08.00 MPA019 Kimia Dasar I (Kelas A) 4(31) R2 A MIPA S1 MPA019 Kimia Dasar I (Kelas B) 4(31) R2 B
Lebih terperinciANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 125 130 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP MESI OKTAFIA, FERRA YANUAR, MAIYASTRI
Lebih terperinciTUJUAN Mengatur tatacara pengajuan proposal skripsi mahasiswa. Mengatur distribusi dosen pembimbing dan penguji skripsi
TUJUAN Mengatur tatacara pengajuan proposal skripsi mahasiswa. Mengatur distribusi dosen pembimbing dan penguji skripsi DEFINISI 1. Proposal skripsi adalah rencana kegiatan penelitian yang diajukan mahasiswa
Lebih terperinciResume Regresi Linear dan Korelasi
Rendy Dwi Ardiansyah Putra 7410040018 / 2 D4 IT A Statistika Resume Regresi Linear dan Korelasi 1. Regresi Linear Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan
Lebih terperinciSISTEM MANAJEMEN MUTU ISO 9001:2008 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
SISTEM MANAJEMEN MUTU ISO 9001:2008 FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR PROSEDUR OPERASIONAL BAKU NO. POB/STK-PP/12 Disiapkan oleh: Tanda Tangan: Tanggal: Dr. Farit M
Lebih terperinciBAB V PEMBAHASAN. Data dikumpulkan dari 239 alumni Prodi Statistika FMIPA UII, sebagai
32 BAB V PEMBAHASAN Klasifikasi lama penyeesaian skripsi Prodi Statistika FMIPA UII akan digunakan sebagai contoh penerapan I-CHAID dalam klasifikasi. Data alumni diambil dari Bagian Akademik FMIPA UII
Lebih terperinciBERKAS PENYUSUNAN RENCANA PEMBELAJARAN SEMESTER (RPS) FAKULTAS KOMUNIKASI BISNIS. Program Studi ADMINISTRASI BISNIS. Mata Kuliah : STATISTIKA BISNIS
FAKULTAS KOMUNIKASI BISNIS Program Studi ADMINISTRASI BISNIS BERKAS PENYUSUNAN RENCANA PEMBELAJARAN SEMESTER (RPS) Mata Kuliah : STATISTIKA BISNIS Kode Mata Kuliah : EBH0B4 SKS : 4 SKS Semester : 3 Tahun
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 183-192 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN
Lebih terperinciEVALUASI FAKTOR-FAKTOR YANG MEMPENGARUHI KEMENANGAN DALAM PERTANDINGAN SEPAK BOLA DENGAN MENGGUNAKAN POHON KLASIFIKASI ERZHA AULIA PUTRA
EVALUASI FAKTOR-FAKTOR YANG MEMPENGARUHI KEMENANGAN DALAM PERTANDINGAN SEPAK BOLA DENGAN MENGGUNAKAN POHON KLASIFIKASI ERZHA AULIA PUTRA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih terperinciAplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri
Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan
Lebih terperinciRANCANGAN KURIKULUM PROGRAM MAGISTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI)
RANCANGAN KURIKULUM PROGRAM MAGISTER STATISTIKA TERAPAN DALAM KERANGKA KUALIFIKASI NASIONAL INDONESIA (KKNI) PROGRAM MAGISTER STATISTIKA TERAPAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN IPA 2 0 1
Lebih terperinciKlasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya
1 Klasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya Yuristian Ramdani dan Santi Wulan Purnami Jurusan Statistika, Fakultas Matematika
Lebih terperinciKLASIFIKASI ANAK PUTUS SEKOLAH DENGAN MELIBATKAN PEUBAH JARINGAN SOSIAL MENGGUNAKAN CART DI SULAWESI DINA SRIKANDI
KLASIFIKASI ANAK PUTUS SEKOLAH DENGAN MELIBATKAN PEUBAH JARINGAN SOSIAL MENGGUNAKAN CART DI SULAWESI DINA SRIKANDI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI TESIS DAN
Lebih terperinciPANDUAN USMU 2011 PANITIA PELAKSANA USMU TAHUN
PANDUAN USMU 2011 PANITIA PELAKSANA USMU TAHUN 2011 1 KATA PENGANTAR Dalam rangka memperluas dan mempermudah akses masyarakat untuk mengikuti pendidikan di Universitas Syiah Kuala dengan tetap mengedepankan
Lebih terperinci3 HASIL DAN PEMBAHASAN
10 3 HASIL DAN PEMBAHASAN Gambaran Umum Tempat Penelitian Kampus STAKPN Tarutung berada di Kecamatan Tarutung Kabupaten Tapanuli Utara Propinsi Sumatera Utara yang berdiri sejak tahun 1999. STAKPN Tarutung
Lebih terperinciPEMODELAN KINERJA LEMBAGA PERANGKAT DAERAH
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 6 Mei 009 PEMODELAN KINERA LEMBAGA PERANGKA DAERAH KARIYAM enaga Pengaar urusan Statistika
Lebih terperinciMETODE POHON REGRESI UNTUK EKSPLORATORI DATA DENGAN PEUBAH YANG BANYAK DAN KOMPLEKS
METODE POHON REGRESI UNTUK EKSPLORATORI DATA DENGAN PEUBAH YANG BANYAK DAN KOMPLEKS Regression Trees Method for Data Mining on Wide and Complex Variables Wieta B. Komalasari Fungsional Statistisi Pusat
Lebih terperinciSyllabus Statistika Dasar Semester Ganjil 2012/2013 Prodi Informatika FMIPA Unsyiah
Syllabus Statistika Dasar Semester Ganjil 2012/2013 Prodi Informatika FMIPA Unsyiah Nama mata kuliah Statistika Dasar SKS 3 (2 1) Kode INF-201 Prasyarat Matematika Dasar 1 Dosen Pengasuh Kelas A : DR.
Lebih terperinciKlasifikasi Penderita Diabetes Melitus dengan Metode CHAID (Chi-Squared Automatic Interaction Detection) dan CART (Classification and Regression Tree)
Klasifikasi Penderita Diabetes Melitus dengan Metode CHAID (Chi-Squared Automatic Interaction Detection) dan CART (Classification and Regression Tree) Ria Dhea Layla N.K (1), Brodjol Sutijo Suprih U. (2),
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN Amalia Ma rufa, Sri Subanti, Titin Sri Martini Program Studi Matematika FMIPA UNS
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinci