II. TINJAUAN PUSTAKA. A. Statistika Deskriptif
|
|
- Shinta Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Analisis pada Kabupaten di Papua Berdasarkan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) Tahun 0 Syahrul Eka A.L, Dedi Setiawan, Rizky Mubarok, Ernawati dan Bambang W. Otok Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia ernawati.offstat@gmail.com, dr.otok.bw@gmail.com Abstract Development is a step in making something that has not existed yet or made a change that make things better or improved. A national development based on equitable distribution of development and outcomes, high economic growth and healthy and dynamic national stability. The main goal of development is to create an environment that enables people to have enjoy, healthy, and productive lives. There are three factors that influence the human development index (HDI), those are education, health, and economy. Some of the variables to assess HDI from a region are literacy rates, life expectancy, and poverty. Literacy rate is the percentage of population aged 5 years and over who can read and write to all population aged 5 years and above in an area. is used as an educational indicator that is used to know the number of people who are literate in an area. The higher the literacy rate means the better the quality of the population in the region. The expectation of life at birth, usually symbolized by the e0 symbol and often abbreviated to, is the average life to be lived by a newborn in a given year. is one of the common indicators used to describe the level of progress in health. With life expectancy, it can be seen the development of health level in a region and also can be seen comparison of health level between regions. Keywords Analysis, Human Development Index, Literacy Rates, Life Expectancy, Poverty, Single Linkage, Complete Linkage, K-Means. P I. PENDAHULUAN embangunan merupakan suatu langkah dalam membuat sesuatu yang belum ada menjadi ada atau membuat suatu perubahan yaitu membuat sesuatu menjadi lebih baik atau meningkat. Pembangunan nasional yang berlandaskan pemerataan pembangunan dan hasilnya, pertumbuhan ekonomi yang cukup tinggi dan stabilitas nasional yang sehat dan dinamis. Tujuan utama pembangunan adalah menciptakan lingkungan yang memungkinkan rakyat menikmati umur panjang, sehat, dan menjalankan kehidupan yang produktif. Terdapat tiga faktor yang mempengaruhi IPM adalah pendidikan, kesehatan, dan ekonomi. Beberapa variabel untuk menilai IPM dari suatu daerah adalah angka melek huruf (), angka harapan hidup (), dan kemiskinan. Angka melek huruf merupakan persentase penduduk usia 5 tahun ke atas yang bisa membaca dan menulis terhadap seluruh penduduk berumur 5 tahun ke atas di suatu daerah. ini digunakan sebagai indikator pendidikan yang digunakan untuk mengetahui banyaknya penduduk yang melek huruf di suatu daerah. Semakin tinggi nilai melek huruf berarti makin baik mutu penduduk di wilayah tersebut. Angka harapan hidup waktu lahir (expectation of life at birth) yang biasanya dilambangkan dengan simbol e0 dan sering disingkat dengan adalah rata rata hidup yang akan dijalani oleh bayi yang baru lahir pada tahun tertentu. ini merupakan salah satu indikator yang biasa digunakan untuk menggambarkan tingkat kemajuan dibidang kesehatan. Dengan angka harapan hidup, dapat dilihat perkembangan tingkat kesehatan pada suatu wilayah serta dapat pula dilihat perbandingan tingkat kesehatan antar wilayah []. Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objekobjek berdasarkan karakteristik yang dimilikinya. Dalam laporan ini penulis menjelaskan dan memaparkan hasil analisis cluster terhadap kabupaten di Papua pada tahun 0. Terdapat variabel diantaranya adalah angka melek huruf (), angka harapan hidup (), dan kemiskinan. Tujuan penelitian ini adalah untuk mengkelompokkan daerah di papua berdasarkan variabel tersebut. A. Statistika Deskriptif II. TINJAUAN PUSTAKA Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Mean adalah salah satu ukuran untuk memberikan gambaran yang lebih jelas dan singkat tentang sekumpulan data. Mean juga merupakan wakil dari sekumpulan data atau dianggap suatu nilai yang paling dekat dengan hasil pengukuran yang sebenarnya. Rumus yang digunakan untuk menghitung mean data adalah : n x x i n i () Keterangan: X i = data pengamatan ke-i n = banyaknya data Standaar deviasi merupakan akar kuadrat dari varians. Rumus yang digunakan untuk menghitung nilai standar deviasi adalah : n x i x i n s () Keterangan : s = standar deviasi x i = nilai tengah x = rata-rata n = banyak data Minimum adalah nilai terendah dari suatu data. Sedangkan maksimum adalah nilai tertinggi dari suatu data.[]
2 B. Analisis Analisis cluster adalah metode analisis yang digunakan untuk mengelompokkan obyek-obyek pengamatan menjadi beberapa kelompok sehingga variabiliti dalam kelompok minimum dan variabilitas antar kelompok maksimum []. C. Metode Hierarki Metode cluster hierarki diawali dengan mengelompokkan obyek-obyek yang memiliki kesamaan yang paling dekat. Kemudian dilanjutkan pada obyek lain yang mempunyai kedekatan kedua dan seterusnya. Semakin kecil variabilitas maka kelompok akan menjadi satu []. Berikut adalah algoritma cluster secara hierarki.. Menentukan sebanyak N cluster yang dapat terbentuk, dimana N adalah banyak obyek yang diamati dan di dalamnya terdapat jarak D=d ik.. Menentukan matrik jarak terpendek antar cluster.. Menggabungkan cluster yang terbukti memiliki kedekatan. Ulangi langkah - sebanyak N- kali hingga diperoleh cluster yang memiliki kesamaan. Hasil pengelompokan dapat dijelaskan secara visual oleh dendogram. Metode perhitungan jarak yang sering digunakan dan yang akan digunakan dalam penilitian adalah jarak Euclidean. Rumus jarak Euclid dari objek ke-i menuju objek ke-j dirumuskan pada persamaan []: p k d( i, j) ( x ik x ) () dimana, i =,,...,n (banyaknya observasi) k =,,...,p (banyaknya variabel) i j Beberapa macam metode hierarki penggabungan (agglomerative) berdasarkan linkage diantaranya sebagai berikut [5] ) Single Linkage Pengelompokan dilakukan dengan menggabungkan pengamatan objek yang memiliki kesamaan terdekat. Jika ditentukan matriks jarak D = d ij dan objek koresponden adalah U dan V, jadi untuk membentuk cluster (UV), maka harus ditentukan jarak antara (UV) dengan cluster lain misalnya W, dengan cara d (uv)w = mind uw, d vw () d uw adalah jarak objek U dan objek W, d vw adalah jarak objek V dan objek W. d (uv)w adalah jarak minimum antara objek UV dan W []. ) Complete Linkage Proses complete linkage clustering hampir sama dengan single linkage hanya saja pengelompokkan dilakukan berdasarkan pada jarak terjauh dari objek. Proses penggabungan di awali dengan menemukan dua obyek yang mempunyai jarak minimum. Jika ditentukan matriks jarak D =d ij dan obyek koresponden adalah U dan V, jadi untuk membentuk cluster (UV) harus ditentukan jarak antara (UV) dengan cluster lain, misalnya W dengan cara d (uv)w = maxd uw, d vw (5) d uw adalah jarak objek U dan obyek W, d vw adalah jarak objek V dan objek W, d (uv)w adalah jarak maksimum antara objek UV dan W []. D. Metode Non-Hirarki Metode ini dipakai jika banyaknya cluster sudah diketahui dan biasanya metode ini dipakai untuk jk mengelompokkan data yang berukuran besar, yang termasuk dalam metode ini adalah metode K means. Untuk menyatakan suatu observasi atau variabel menpunyai sifat yang lebih dekat dengan observasi tertentu daripada dengan observasi yang lain digunakan fungsi yang disebut jarak (distance). Suatu fungsi disebut jarak jika mempunyai sifat: a. Tak negatif dan jika i = j b. Simetri d ij dij d ji c. d ij d ik d jk 0 d ij 0 panjang salah satu sisi segitiga selalu lebih kecil atau sama dengan jumlah dua sisi yang lain. Dengan d merupakan suatu jarak yang digunakan yang menyatakan suatu observasi atau variabel mempunyai sifat yang lebih dekat dengan observasi tertentu daripada dengan observasi yang lain []. Salah satu metode non hierarki adalah metode K-means. Prosedur metode k-means adalah dengan mempartisi obyek ke dalam sejumlah cluster yang telah ditentukan oleh peneliti, kemudian secara iteratif melakukan pemindahan pengamatan pada cluster sampai beberapa kriteria numerik terpenuhi. Tujuannya adalah untuk meminimalkan variabilitas antar objek dalam satu kelompok dan memaksimalkan variabilitas antar kelompok [] E. Dendogram Dendogram adalah garfik pohon yang terstruktur yang digunakan untuk memetakan atau memvisualisasi hasil perhitungan cluster. Hasil pengelompokkan akan disajikan dlam bentuk diagram, sebagai jarak atau kesamaan antara baris atau kolom tergantung pada ukuran jarak yang dipilih []. F. Pdeudo-f Metode yang digunakan untuk menentukan banyaknya kelompok yang optimum adalah Pseudo F-statistic. Pdeudof tertinggi menunjukkan bahwa kelompok tersebut menunjukkan hasil yang optimal, dimana keragaman dalam kelompok sangat homogen sedangkan antar kelompok sangat heterogen. Berikut rumus yang digunakan untuk mencari Pdeudo-f [6]. R Pseudo F c (6) R n c dimana, ( SST SSW) R (7) SST SST SSW n c c p k k x ij x i j k n c c p i j k k k x ij x Keterangan SST = (Sum Square Total) total jumlah kuadrat dari kuadrat jarak terhadap rata-rata keseluruhan SSW = (Sum Square Within) total jumlah dari kuadrat jarak sampel terhadap rata-rata kelomponya) n = banyaknya sampel/observasi c = banyaknya cluster p = banyaknya variabel j (8) (9)
3 k x ij k x k x j [7] = sampel ke-i pada kelompok ke-j dan variabel ke-k = rata-rata seluruh sampel pada variabel ke-k = rata-rata sampel padakelompok ke-j dan variabel ke-k G. Internal Dispersion Rate (Icdrate) Perbandingan metode pengelompokan dapat diukur dengan menghitung rata-rata persebaran internal cluster terhadap partisi secara keseluruhan. Metode ini sering digunakan dalam menaksir akurasi atau performansi dari kelompok yang dibentuk. Semakin kecil nilai icdrate, semakin baik hasil pengelompokannya. Perhitungan internal cluster dispersion rate (icdrate) sebagai berikut : icdrate R (0) dimana untuk nilai R diperoleh berdasarkan rumus (7). H. Boxplot Box plot atau boxplot (juga dikenal sebagai diagram boxand-whisker) merupakan suatu box (kotak berbentuk bujur sangkar). Boxplot adalah salah satu cara dalam statistik deskriptif untuk menggambarkan secara grafik dari data numeris melalui lima ukuran.. Nilai observasi terkecil,. Kuartil terendah atau kuartil pertama (Q ), yang memotong 5 % dari data terendah. Median (Q ) atau nilai pertengahan. Kuartil tertinggi atau kuartil ketiga (Q ), yang memotong 5 % dari data tertinggi 5. Nilai observasi terbesar.[8] I. Indeks Pembangunan Manusia (IPM) Indeks Pembangunan Manusia (IPM) merupakan salah satu indeks komposit yang digunakan untuk mengukur pembangunan manusia dalam tiga dimensi kehidupan yang sangat mendasar yaitu dimensi kesehatan, dimensi pendidikan, serta dimensi ekonomi yang diukur dari tingkat kehidupan yang layak (kesejahteraan)secara keseluruhan. Pembangunan manusia yang berhasil akan membuat usia rata-rata masyarakatnya meningkat dan peningkatan pengetahuan yang bermuara pada peningkatan kualitas sumber daya manusia. Pencapaian dual hal tersebut selanjutnya akan meningkatkan produktivitas sehingga pada akhirnya akan meningkatkan mutu hidup dalam arti hidup layak[9]. III. METODE PENELITIAN A. Sumber Data Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari BPS untuk data pada tahun 0. Data yang digunakan berjumlah 9, yaitu sejumlah kab/kota di Papua. B. Variabel Penelitian Variabel yang digunakan dapat dilihat pada Tabel, dimana variabel-variabel tersebut merupakan faktor-faktor yang mempengaruhi IPM di Papua. Tabel Variabel Penelitian Variabel Keterangan X Angka Melek Huruf () Angka Harapan Hidup () X (tahun) X (persen) Variabel angka melek huruf () mewakili komponen pendidikan, variabel angka harapan hidup () mewakili dari komponen kesehatan, sedangkan untuk variabel prosentase kemiskinan di provinsi Papua mewakili komponen ekonomi C. Langkah Analisis Langkah analisis yang dilakukan dalam proses pembuatan praktikum ini adalah sebagai berikut :. Mengumpulkan data sekunder.. Menginput data.. Melakukan eksplorasi data.. Melakukan analisis multivariat dengan menggunakan analisis cluster. 5. Interpretasi data. 6. Kesimpulan dan saran. IV. ANALISIS DAN PEMBAHASAN Pada analisis cluster terhadap faktor-faktor yang memepengaruhi Indeks Pembangunan Manusia (IPM) di Papua pada tahun 0 digunakan variabel angka melek huruf, angka harapan hidup, dan prosentase penduduk miskin di Papua. Kompenen pendidikan diwakili oleh variabel angka melek huruf, komponen kesehatan diwakili oleh variabel angka harapan hidup sedangkan komponen ekonomi diwakili oleh prosentase penduduk miskin. Berikut analisis cluster dari faktor-faktor yang mempengaruhi IPM Papua. A. Statistika Deskriptif Sebelum melakukan analisis cluster perlu dilihat untuk karateristik dara data faktor-faktor yang mempengaruhi Indeks Pembangunan Manusia di Papua pada tahun 0, berikut merupakan tabel statistika deskriptif Tabel Statistika Deskriptif Variabel Mean StDev Min Max N* Angka melek huruf Angka harapan hidup % kemiskinan (Intan Jaya) 6.85 (Merauke). (Merauke) (Jayapura).88 (Mimika) 7.5 (Deiyai) N* jumlah missing value Pada Tabel dapat diketahui bahwa lebih dari setengah penduduk di provinsi Papua sudah bisa membaca, untuk di Kota Jayapura memiliki yang terbesar diantara yang lain. Kab. Intan Jaya memiliki yang paling rendah yaitu hanya sebesar 8. artinya dari 00 penduduk di Kab. Intan jaya hanya ada 8 penduduk yang bisa membaca. Sedangkan untuk angka harapan hidup di papua sebesar 67.8 tahun, untuk Kab. Mimika memiliki yang paling tinggi di Prov. Papua. Sedangkan untuk Merauke memiliki yang paling rendah yaitu hanya sebesar 67.8 tahun. Sepertiga dari jumlah penduduk di Papua mengalami kemiskinan, untuk Kab. Deiyai memiliki jumlah penduduk miskin paling banyak yaitu sebesar 7.5. Pada data juga tidak ditemukan missing value sehingga tidak dilakukan penanganan khusus. 0 0
4 Gambar Hubungan antara, dan % Berdasarkan Gambar dapat dikatahui bahwa untuk kab/kota yang diduga memiliki nilai IPM tertinggi adalah saat tinggi, tinggi dan % kemiskinan yang rendah. Kab/kota di prov. Papua yang diduga mempunyai IPM paling tinggi adalah Kota Jayapura dan Merauke sedangkan yang paling rendah adalah Deiyai. B. Analisis Pada praktikum ini dalam melakukan analisis cluster pada kabupaten di Papua berdasarkan faktor-faktor yang mempengaruhi IPM pada tahun 0 menggunakan metode hierarki dan non-hierarki. Metode hiarerki menggunakan single linkage dan complete linkage, sedangkan untuk nonhierarki menggu-nakan k-mean. Jarak yang digunakan adalah Eucledian, berikut analisis yang diperoleh ) Jarak Eucledian Jarak Euclidean digunakan mengidentifikasi hubungan antar Kota/Kab di papua berdasarkan faktor-faktor yang memengaruhi IPM. Ketika antar kab/kota mempunyai jarak eucledian semakin kecil maka hubungan antar kab/kota tersebut semakin dekat. Untuk jarak eucledian antar kab/kota di papua pada tahun 0 berdasarkan faktorfaktor yang digunakan dapat dilihat pada Lampiran A.. Dengan menggunakan metode eucledian didapatkan jarak terkecil untuk Yalimo dengan Mambermo Tengah yaitu dengan nilai.6, artinya antara Yalimo dan Mamberamo memiliki kemiripan yang lebih erat sehingga akan masuk ke dalam cluster yang sama. Sedangkan untuk jarak terbesar didapatkan antara Intan Jaya dan Kota Jayapura dengan nilai sebesar 76., dapat dijelaskan bahwa antara kedua daerah terssebut tidak memiliki kemiripan yang erat, sehingga saat pengelompokan Kota Jayapura dan Intan Jaya tidak akan masuk dalam kelompok yang sama. Begitu juga untuk kab/kota lain di Papua, semakin kecil jarak eucledian maka memiliki kemiripan karakteristik untuk IPM semakin erat. ) Metode Hierarki Pada praktikum ini menggunakan metode hierarki single dan complete linkage. Berikut untuk analisis yang diperoleh a. Metode Single Linkage Pengklasifikasian metode single linkage dilakukan dengan memilih jarak terkecil dari matriks jarak Euclidean. Untuk pembentukan cluster pertama yang terbentuk adalah Membramo Tengah dan Yalimo. Untuk hasil akhir cluster yang terbentuk dapat dilihat pada denogram pada Gambar sebagai berikut Gambar Dendogram Metode Single Linkage Berdasarkan Gambar maka ketika menggambil batas cluster sebanyak,, dan diperoleh pengelompokan sebagai berikut (untuk output dapat dilihat pada Lampiran A. ) Tabel Hasil Pengelompokan Menggunakan Metode Single Linkage Jumlah ke- Anggota (Kab/Kota) Merauke, Jayapura, Nabire, Yapen Waropen, Biak Numfor, Mimika, Sarmi, Keerom, Kota Jayapura Jayawijaya, Paniai, Mamberamo Raya Puncak Jaya, Waropen, Supiori Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah Merauke, Jayapura, Nabire, Yapen Waropen, Biak Numfor, Mimika, Sarmi, Keerom, Kota Jayapura, Puncak Jaya, Waropen, Supiori Jayawijaya, Paniai, Mamberamo Raya Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Merauke, Jayapura, Nabire, Yapen Waropen, Biak Numfor, Mimika, Sarmi, Keerom, Kota Jayapura, Jayawijaya, Paniai, Mamberamo Raya, Puncak Jaya, Waropen, Supiori Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Berdasarkan Tabel didapatkan anggota untuk masingmasing cluster, untuk pembagian jumlah kelompok dapat dijelaskan sebagai berikut. Saat menggunakan cluster diperoleh untuk kelompok berjumlah 9, kelompok berjumlah anggota, kelompok berjumlah, sedangkan untuk kelompok berjumlah kelompok. Ketika menggunakan cluster maka didapatkan jumlah anggota
5 5 masing-masing cluster,, dan secara berurutan adalah sebagai berikut, dan. Sedangkan saat menggunakan cluster didapatkan jumlah masing-masing cluster adalah 5 untuk kelompok dan untuk kelompok. Untuk boxplot dan scatter plot masing-masing cluster dapat dilihat pada Lampiran A.5. b. Metode Complete Linkage Setelah dilakukan pengolahan data menggunakan program paket, maka didapat hasil pengklasifikasian untuk data faktor-faktor yang mempengaruhi IPM di Papua pada tahun 0 dapat ditampilkan pada denogram pada Gambar. Berdasarkan Gambar maka ketika menggambil batas cluster sebanyak,, dan diperoleh pengelompokan yang terlihat pada Tabel (untuk output dapat dilihat pada Lampiran A.7 ) Gambar Dendogram Metode Complete Linkage Tabel Hasil Pengelompokan Menggunakan Metode Complete Linkage Jumlah ke- Anggota (Kab/Kota) Merauke, Jayapura, Mimika, Sarmi, Kota Jayapura Jayawijaya, Paniai, Mamberamo Raya Nabire, Yapen Waropen, Biak Numfor, Puncak Jaya, Keerom, Waropen, Supiori Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Merauke, Jayapura, Mimika, Sarmi, Kota Jayapura, Nabire, Yapen Waropen, Biak Numfor, Puncak Jaya, Keerom, Waropen, Supiori Jayawijaya, Paniai, Mamberamo Raya Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Merauke, Jayapura, Mimika, Sarmi, Kota Jayapura, Nabire, Yapen Waropen, Biak Numfor, Puncak Jaya, Keerom, Waropen, Supiori Jayawijaya, Paniai, Mamberamo Raya, Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Berdasarkan Tabel didapatkan anggota untuk masingmasing cluster, untuk pembagian jumlah kelompok dapat dijelaskan sebagai berikut. Saat menggunakan cluster diperoleh untuk kelompok berjumlah 6, kelompok berjumlah anggota, kelompok berjumlah 7, sedangkan untuk kelompok berjumlah kelompok. Ketika menggunakan cluster maka didapatkan jumlah anggota masing-masing cluster,, dan secara berurutan adalah sebagai berikut, dan. Sedangkan saat menggunakan cluster didapatkan jumlah masing-masing cluster adalah 5 untuk kelompok dan untuk kelompok. Untuk boxplot dan scatter plot masing-masing cluster dapat dilihat pada Lampiran A.8. ) Metode Non-hierarki Berikut hasil analisis untuk metode non-hierarki menggunakan K-means untuk, dan cluster a. K-means Pertama melakukan iterasi menggunakan jumlah cluster sebanyak cluster, setelah dilakukan analisis menggunakan software didapatkan jumlah masing-masing cluster adalah untuk cluster dan 6 untuk cluster (Lampiran A.9). Untuk mengetahui apakah variabel yang digunakan berpengaruh signifikan terhadap cluster yang terbentuk dapat dilihat pada Tabel 5 sebagai berikut ini. Tabel 5 Signifikansi Variabel Terhadap yang Terbentuk untuk K-means Variabel P-value % Berdasarkan Tabel 5 didapatkan kesimpulan bahwa untuk variabel yang signifikan terhadap cluster yang terbentuk adalah dan % kemiskinan karena kedua variabel mempunyai nilai p-value < untukk variabel tidak berpengaruh signifikan terhadap cluster yang dibentuk karena didapatkan nilai p-value > Pada Tabel 5 hasil pengelompokan yang terbentuk sebgai berikut Tabel 6 Hasil Pengelompokan K-Means Anggota (Kab/Kota) ke- Merauke, Jayapura, Nabire, Yapen Waropen, Biak Numfor, Puncak Jaya, Mimika, Sarmi, Keerom, Waropen, Supiori, Mamberamo Raya, Kota Jayapura Jayawijaya, Paniai, Boven Digoel, Mappi, Asmat, Yahukimo, Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Pada Tabel 7 dapat diketahui untuk nilai rata-rata untuk setiap variabel pada setiap cluster Tabel 7 Hasil Rata-Rata Variabel % Setelah dilakukan pengelompokan, maka dapat dibuat untuk scatter plot dan boxplot masing-masing variabel yang
6 6 mempengaruhi IPM di Papua pada tahun 0. Scatter plot dan boxplot dapat menjelaskan secara visulisasi perbedaan cluster dan. Berikut hasil yang diperoleh Gambar Boxplot Variabel dengan Berdasarkan Gambar dapat diketahui bahwa untuk median antara cluster dan pada variabel nilai median tidak berbeda jauh, sehingga secara visual memang variabel ini tidak berpengaruh signifikan terhadap cluster yang terbentuk, sebaliknya untuk var dan % kemiskinan yang berpengaruh terhadap cluster yang terbentuk. Berdasarkan hasil clustering diperoleh bahwa untuk cluster memilki memiliki dan yang tinggi dan % kemiskinan yang rendah, sebaliknya untuk cluster memiliki nilai dan yang rendah dan % kemiskinan yang tinggi. Sehingga untuk cluster diduga memmpunya IPM yang tinggi. Berikut untuk scatter plot untuk semua variabel K-Means Berdasarkan Tabel 8 didapatkan kesimpulan bahwa untuk variabel yang signifikan terhadap cluster yang terbentuk adalah dan % kemiskinan karena kedua variabel mempunyai nilai p-value < untukk variabel tidak berpengaruh signifikan terhadap cluster yang dibentuk karena didapatkan nilai p-value > Nilai 0.05 adalah tingkat signifikansi alfa yang diinginkan Pada Tabel 9 hasil pengelom-pokan yang terbentuk sebagai berikut Tabel 9 Hasil Pengelompokan K-Means Anggota (Kab/Kota) ke- Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Jayawijaya, Paniai, Waropen, Mamberamo Raya Merauke, Jayapura, Nabire, Yapen Waropen, Biak Numfor, Puncak Jaya, Mimika, Sarmi, Keerom, Supiori, Kota Jayapura Pada Tabel 9 dapat diketahui untuk nilai rata-rata untuk setiap variabel pada setiap cluster, berikut merupakan nilai rata-rata yang diperoleh dari hasil perhitungan Tabel 9 Hasil Rata-Rata Variabel % Setelah dilakukan pengelompokan, maka dapat dibuat untuk scatter plot dan boxplot masing-masing variabel yang mempengaruhi IPM di Papua pada tahun 0. Scatter plot dan boxplot dapat menjelaskan secara visulisasi perbedaan cluster,, dan. Berikut hasil yang diperoleh Gambar Scatter Plot tiap Variabel dengan Berdasarkan Gambar diketahui bahwa titik-titik warna merah merupakan anggota dari cluster sedangkan warna merah adalah anggota dari cluster. Ketika dibuat garis lurus dapat membagi anggota antara cluster dan. Selanjutnya akan dilakukan analisis untuk iterasi cluster. b. K-means Saat menggunakan iterasi dengan cluster didapatkan hasil clustering adalah anggota untuk cluster, anggota untuk cluster dan anggota untuk cluster (Lampiran A.0). Untuk mengetahui apakah variabel yang digunakan berpengaruh signifikan terhadap cluster yang terbentuk dapat dilihat pada Tabel 8 sebagai berikut ini. Tabel 8 Signifikansi Variabel Terhadap yang Terbentuk untuk K-means Variabel P-value % Gambar 5 Boxplot Variabel dengan Berdasarkan Gambar 5 dapat diketahui bahwa untuk median antara cluster dan tidak berbeda signifikan, sedangkan untuk median cluster atau terhadap median cluster pada variabel nilai median berbeda signifikan. Untuk dan % kemiskinan yang berpengaruh terhadap cluster yang terbentuk. Berikut untuk scatter plot untuk semua variabel
7 K-Means Gambar 6 Scatter Plot tiap Variabel dengan Berdasarkan Gambar 6 dapat diketahui bahwa untuk cluster akan diduga memiliki nilai IPM pada tahun 0 yang rendah terbukti dari plot yang berada di bawah. Untuk cluster diduga memilki nilai IP yang sedang, sedangkan untuk cluster akan diduga memiliki nilai IPM yang tinggi. Ketika variabel dan suatu daerah tinggi dan prosentase kemiskinan yang rendah maka daerah tersebut diduga akan mempunyai nilai IPM yang tinggi. Selanjutnya akan dilakukan analisis untuk iterasi cluster. c. K-means Saat menggunakan iterasi dengan cluster didapatkan hasil clustering adalah 7 anggota untuk cluster, anggota untuk cluster, anggota untuk cluster dan anggota untuk cluster (Lampiran A.). Untuk mengetahui apakah variabel yang digunakan berpengaruh signifikan terhadap cluster yang terbentuk dapat dilihat pada Tabel 0 sebagai berikut ini. Tabel 0 Signifikansi Variabel Terhadap yang Terbentuk untuk K-means Variabel P-value % Berdasarkan Tabel 0 didapatkan kesimpulan bahwa untuk variabel yang signifikan terhadap cluster yang terbentuk adalah dan % kemiskinan karena kedua variabel mempunyai nilai p-value < untukk variabel tidak berpengaruh signifikan terhadap cluster yang dibentuk karena didapatkan nilai p-value > Nilai 0.05 adalah tingkat signifikansi alfa yang diinginkan Pada Tabel hasil pengelompokan yang terbentuk sebagai berikut Tabel Hasil Pengelompokan K-Means ke- Anggota (Kab/Kota) Merauke, Jayapura, Nabire, Mimika, Sarmi, Keerom, Kota Jayapura Yapen Waropen, Biak Numfor, Puncak Jaya, Supiori Merauke, Jayapura, Nabire, Yapen Waropen, Biak Numfor, Puncak Jaya, Mimika, Sarmi, Keerom, Supiori, Kota Jayapura Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah, Yalimo, Puncak, Dogiyai, Intan Jaya, Deiyai Pada Tabel dapat diketahui untuk nilai rata-rata untuk setiap variabel pada setiap cluster, berikut merupakan nilai rata-rata yang diperoleh dari hasil perhitungan Variabel Tabel Hasil Rata-Rata % Untuk melihat perbedaan secara visual untung masingmasing cluster dapat menggunakan boxplot dan scatter plot, boxplot dan scatter plot dapat dilihat pada Lampiran A. C. Pemilihan Jumlah Optimum & Metode Terbaik Penentuan jumlah cluster optimum dapat menggunakan nilai dari Pdeudo-f sedangkan untuk menentukan metode mana yang paling baik dapat menggunakan Icdrate (Internal Dispersion Rate). Untuk menentukan metode yang paling diambil yang mempunyai nilai Pdeudo-f yang paling besar, sedangkan untuk menentukan jumlah cluster optimum diambil untuk nilai icdrate yang paling kecil. Perhitungan nilai Pseudo-f dan Icdrate menggunakan syntax R seperti terlihat pada Lampiran A. Pada Tabel dibawah hasil untuk perhitungan nilai R, Pdeudo-f dan nilai icdrate Tabel Hasil Perhitungan R, Pdeudo-f dan icdrate Jumlah Metode R Pdeudo-f Icdrate Single Linkage Complete Linkage K-Means a,d b c a b a b 0.58 a) Jumlah cluster optimal setiap metode b) Pdeudo-f terbesar setiap metode c) Icdrate terkecil d) Jumlah cluster optimal Untuk menentukan jumlah cluster yang optimum maka dapat dilihat dari nilai Pdeudo-f yang paling terbesar untuk setiap metode yang digunakan. Pada hasil analisis didapatkan untuk metode single linkage adalah cluster, metode complete linkage dan k-means sebanyak cluster. Untuk metode yang optimum untuk clustering faktor-faktor yang mempengaruhi IPM di Papua pada tahun 0 adalah metode Single Linkage dengan jumlah cluster optimum sebanyak, karena jika dibandingkan dengan metode Complete Linkage dan K-means memiliki nilai icdrate yang terendah yaitu sebesar Dapat diambil kesimpulan bahwa untuk clustering pada kasus ini adalah sebagai berikut ini : Merauke, Jayapura, Nabire, Yapen Waropen, Biak Numfor, Mimika, Sarmi, Keerom, Kota Jayapura : Jayawijaya, Paniai, Mamberamo Raya : Puncak Jaya, Waropen, Supiori : Pegunungan Bintang, Tolikara, Nduga, Lanny Jaya, Mamberamo Tengah
8 8 V. KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan hasil analisis diatas didapat kesimpulan bahwa dengan dalam metode single linkage diambil batas cluster,, dan hasil dari analisis Pdeudo-f menyatakan bahwa jumlah cluster optimum pada metode single linkage adalah sebanyak cluster. Sama halnya dengan metode single linkage, metode complete linkage juga mengambil batas cluster,, dan hasil analisis Pdeudo-f menyatakan bahwa jumlah cluster optimum pada metode complete linkage adalah sebanyak cluster. Dalam analisis K-Means dengan, dan cluster didapatkan hasil bahwa variabel dan variabel % kemiskinan adalah variabel yang signifikan terhadap cluster, sedangkan variabel tidak signifikan terhadap cluster. Metode yang paling optimum adalah metode single linkage dengan jumlah cluster sebanyak cluster karena nilai icdratenya paling rendah disbanding complete linkage dan k-means, yaitu sebesar B. Saran Saran untuk penelitian selanjutnya adalah pegambilan data harus dilakukan dengan teliti agar tidak terjadi kesalahan dan kehilangan data. Bagi pemerintah provinsi Papia diharapkan melakukan pengelompokkan dengan baik, agar hasil pengelompokkan dapat digunakan lebih lanjut. DAFTAR PUSTAKA [] Kementrian Kesehatan Republik Indonesia. 00. Indikator Kesehatan dalam IPKM. Diakses pada indikator-kesehatan-dalam-ipkm.html tanggal 0 April 07 [] Hair, J. F. Jr Multivariate Data Analysis with Readings, th edition. Madison : Pearson Prentice-Hall. [] Johnson, Richard Applied Multivariate Statistical Analysis. Madison: Pearson Prentice Hall. [] Lazulfa, Indana. 0. Analisis Kabupaten/Kota di Jawa Timur Berdasarkan Tingkat Pencemaran Udara. FMIPA ITS. [5] Kuncoro, M. 00. Metode Riset Untuk Bisnis dan Ekonomi. Jakarta: Erlangga. [6] A.R Orpin dan V.E Kostylev, 006. Towards a statistically valid method of textural sea floor characterization of benthic habitats. Marine Geology 5 : 09-. [7] [0] A. Hinde, T. Whiteway, R. Ruddick, dan A.D Heap, 007. Seascape of the Australian Margin and adjacent sea floor: Keystroke Methodology. Canberra: Geoscience Australia. [8] Cooley J W & Tukey J W. An algorithm for the machine calculation of complex Fourier series. Math. Computer. NY; Princeton University [9] Badan Pusat Statistik. (008). Indeks Pembangunan Manusia Badan Pusat Statistik. Jakarta.
9 9 LAMPIRAN Lampiran A. Kab/Kota Lampiran A. Merauke 88,55 6,85, Jayawijaya 5,08,86,8 Jayapura 97, 67,7 7,58 Nabire 8,7,05 7,69 Yapen Waropen 90,9 69,0 9, Biak Numfor 99,0 67,06 0,8 Paniai 6,97,6,5 Puncak Jaya 86,8 67,86 9,9 Mimika 88,7,88 0,7 Boven Digoel 5,8 67,6, Mappi,, 0,5 Asmat,8 67,,8 Yahukimo,77 67,,7 Pegunungan Bintang,6, 7, Tolikara,56, 8,00 Sarmi 87,77,58 7,7 Keerom 9, 67,5, Waropen 78,5, 7,7 Supiori 96,76,5, Mamberamo Raya 65,,,5 Nduga 0,6,0 9,69 Lanny Jaya 6,9,,79 Mamberamo Tengah,58,6 9,59 Yalimo,7,78, Puncak,7 67,85,96 Dogiyai, 67,,5 Intan Jaya 8,08,87,0 Deiyai,05,6 7,5 Kota Jayapura 99,86,77 6,9 Lampiran A.
10 0 Lampiran A. Lampiran A.5 Boxplot of ; ; D Scatterplot of vs vs 00 Lampiran A Boxplot of ; ; D Scatterplot of vs vs
11 Lampiran A.7 Boxplot of ; ; D Scatterplot of vs vs Lampiran A.6 Lampiran A.8 Boxplot of ; ; C
12 D Scatterplot of vs vs D Scatterplot of vs vs C C Lampiran A.9 Boxplot of ; ; C D Scatterplot of vs vs C Boxplot of ; ; C
13 Lampiran A.0 Lampiran A. Lampiran A. Boxplot of ; ; K-Means D Scatterplot of vs vs K-Means
14 Lampiran A. icdrate = function(data, nc, c) n = dim(data)[] p = dim(data)[] X = Data[,:(p-)] Group = Data[,p] p = dim(x)[] Mean.X = matrix(ncol = p, nrow = (nc+)) for (i in :nc) for (j in :p) Mean.X[i,j] = mean(x[which(group==i),j]) Mean.X[(nc+),j] = mean(x[,j]) SST = matrix(ncol=p, nrow=n) for (i in :n) for (j in :p) SST[i,j] = (X[i,j] - Mean.X[(nc+),j])^ SST = sum(sum(sst)) SSE = matrix(ncol=p, nrow=n) for (i in :n) for (j in :p) for (k in :nc) if (Group[i]==k) SSE[i,j] = (X[i,j] - Mean.X[k,j])^ SSE = sum(sum(sse)) Rsq = (SST-SSE)/SST icdrate = -Rsq Pseudof = (Rsq/(c-))/((icdrate)/(nc-c)) list(rsq=rsq, icdrate=icdrate, pseudof=pseudof)
(2) Keterangan : s = standar deviasi x = rata-rata n = banyak data
1 Analisis Multi Dimensional Scaling pada Kabupaten di Papua Berdasarkan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) Tahun 2013 Syahrul Eka A.L, Dedi Setiawan, Rizky Mubarok, Ernawati
Lebih terperinciSejak tahun 2009, tingkat kemiskinan terus menurun namun pada tahun 2013 terjadi peningkatan.
Jiwa (Ribu) Persentase (%) 40 37.08 37.53 36.8 35 30 31.98 30.66 31.53 27.8 25 20 15 10 5 2008 2009 2010 2011 2012 2013 2014 Tingkat Kemiskinan Sejak tahun 2009, tingkat kemiskinan terus menurun namun
Lebih terperinciPERBANDINGAN ANTAR DAERAH
Perbandingan Antar Daerah/ Inter Regency Comparison 349 BAB 13 PERBANDINGAN ANTAR DAERAH Inter Regency Comparison Secara Regional, daerah di Provinsi Papua yang memiliki jumlah penduduk terbesar pada tahun
Lebih terperinciINDEKS PEMBANGUNAN MANUSIA PAPUA TAHUN 2016
No. 25/05/94/ Th. II, 2 Mei 2017 INDEKS PEMBANGUNAN MANUSIA PAPUA TAHUN 2016 Pada tahun 2016, IPM Papua mencapai 58,05. Angka ini meningkat sebesar 0,80 poin dibandingkan IPM Papua tahun 2015 yang sebesar
Lebih terperinciINDEKS PEMBANGUNAN MANUSIA (IPM) PROVINSI PAPUA 2015
No. 32/06/94/Th. I, 15 Juni 2016 INDEKS PEMBANGUNAN MANUSIA (IPM) PROVINSI PAPUA 2015 IPM Provinsi Papua Tahun 2015 Hingga saat ini, pembangunan manusia di Provinsi Papua masih berstatus rendah yang ditunjukkan
Lebih terperinciProyeksi Penduduk Kabupaten/Kota Provinsi Papua. UNITED NATIONS POPULATION FUND JAKARTA 2015 BADAN PUSAT STATISTIK
Proyeksi Penduduk Kabupaten/Kota Provinsi Papua 2010-2020 BADAN PUSAT STATISTIK UNITED NATIONS POPULATION FUND JAKARTA 2015 BADAN PUSAT STATISTIK Proyeksi Penduduk Kabupaten/Kota Provinsi Papua ht t p:
Lebih terperinciSeuntai Kata. Jayapura, Desember 2013 Kepala Badan Pusat Statistik Provinsi Papua. Ir. Didik Koesbianto, M.Si
Seuntai Kata Sensus Pertanian 2013 (ST2013) merupakan sensus pertanian keenam yang diselenggarakan Badan Pusat Statistik (BPS) setiap 10 (sepuluh) tahun sekali sejak 1963. Pelaksanaan ST2013 merupakan
Lebih terperinciPaparan Progres Implementasi 5 Sasaran Kegiatan Koordinasi dan Supervisi (Korsup) Minerba di Provinsi Papua PEMERINTAH PROVINSI PAPUA 2015
Paparan Progres Implementasi 5 Sasaran Kegiatan Koordinasi dan Supervisi (Korsup) Minerba di Provinsi Papua PEMERINTAH PROVINSI PAPUA 2015 5 Sasaran Kegiatan Koordinasi dan Supervisi (Korsup) Minerba 1.
Lebih terperinciIndeks Pembangunan Manusia (IPM) Tahun 2015 di Kabupaten Asmat
Nomor : BRS-02/BPS-9415/Th. I, 28 Juni 2016 Indeks Pembangunan Manusia (IPM) Tahun 2015 di Kabupaten Asmat 1. IPM pertama kali diperkenalkan oleh United Nation Development Programme (UNDP) pada tahun 1990
Lebih terperinciProvinsi Kabupaten/kota Laki-laki Perempuan Total
Tabel 1. Perkiraan Jumlah Responden yang Mewakili Rumah Tangga menurut Kabupaten/Kota dan Jenis Kelamin Provinsi Laki-laki Perempuan Total (1) (2) (3) (4) (5) 01. Fakfak 10,747 6,081 16,828 02. Kaimana
Lebih terperinciKATA PENGANTAR. Kepala Pusat Data dan Informasi Kementerian Kesehatan. drg. Oscar Primadi, MPH NIP
KATA PENGANTAR Keberhasilan pembangunan kesehatan membutuhkan perencanaan yang baik yang didasarkan pada data dan informasi kesehatan yang tepat dan akurat serta berkualitas, sehingga dapat menggambarkan
Lebih terperinciKATA PENGANTAR. Tim Penyusun. Perwakilan BKKBN Provinsi Papua 2014
i KATA PENGANTAR Puji Syukur kehadirat kami panjatkan kepada Tuhan Yang Maha Kuasa, karena atas izin dan ridhonya sehingga penyusunan Pengembangan Model Solusi Strategik Penanganan Dampak Ancaman Disaster
Lebih terperinciKATA PENGANTAR. Kepala Pusat Data dan Informasi Kementerian Kesehatan. drg. Oscar Primadi, MPH NIP
KATA PENGANTAR Keberhasilan pembangunan kesehatan membutuhkan perencanaan yang baik yang didasarkan pada data dan informasi kesehatan yang tepat dan akurat serta berkualitas, sehingga dapat menggambarkan
Lebih terperinciGUBERNUR PAPUA PERATURAN GUBERNUR PAPUA NOMOR 24 TAHUN 2010 TENTANG
GUBERNUR PAPUA PERATURAN GUBERNUR PAPUA NOMOR 24 TAHUN 2010 TENTANG PEMBENTUKAN ORGANISASI DAN TATA KERJA UNIT PELAKSANA TEKNIS PUSAT PENGETAHUAN PAPUA PADA BADAN PEMBERDAYAAN MASYARAKAT KAMPUNG DAN KESEJAHTERAAN
Lebih terperinciAnalisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016
Analisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016 Rana Amani Desenaldo 1 Universitas Padjadjaran 1 rana.desenaldo@gmail.com ABSTRAK Kesejahteraan sosial adalah
Lebih terperinciA. CABAI BESAR C. BAWANG MERAH
No. 44/08/94/ Th. III, 3 Agustus 2015 PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH TAHUN 2014 Produksi Cabai Besar Sebesar 3.089 Ton, Cabai Rawit Sebesar 3.649 Ton, Dan Bawang Merah Sebesar 718
Lebih terperinciGUBERNUR PAPUA PERATURAN GUBERNUR PAPUA
GUBERNUR PAPUA PERATURAN GUBERNUR PAPUA NOMOR 30 TAHUN 2015 TENTANG PENGALOKASIAN DANA OTONOMI KHUSUS KABUPATEN/KOTA SE PROVINSI PAPUA TAHUN ANGGARAN 2015 DENGAN RAHMAT TUHAN YANG MAHA ESA GUBERNUR PAPUA,
Lebih terperinciTEMA PEMBANGUNAN TPH DAN KOMODITAS UNGGULAN DI 5 WILAYAH PENGEMBANGAN
DINAS TANAMAN PANGAN DAN HORTIKULTURA PROVINSI PAPUA, TAHUN 2016 TEMA PEMBANGUNAN TPH DAN KOMODITAS UNGGULAN DI 5 WILAYAH PENGEMBANGAN This image cannot currently be displayed. Wilayah Pembangunan Mamta
Lebih terperinciPemutahiran Basis Data Terpadu (PBDT) Tahun 2015 di Kabupaten Asmat
Nomor : BRS-01/BPS-9415/Th. I, 26 April 2016 Pemutahiran Basis Data Terpadu (PBDT) Tahun 2015 di Kabupaten Asmat 1. Jumlah rumah tangga hasil Pemutahiran Basis Data Terpadu (PBDT) tahun 2015 di Kabupaten
Lebih terperinciJl. Arief Rahman Hakim, Surabaya Indonesia
1 Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Faktor-faktor yang Mempengaruhi Angka Kematian Ibu (AKI) dengan Metode C-means dan Fuzzy C-means Wenthy Oktavin Mayasari (1) dan Irhamah (2) (1)
Lebih terperinciDAFTAR DAERAH AFIRMASI LPDP TAHUN 2018
DAFTAR DAERAH AFIRMASI LPDP TAHUN 2018 No. Kabupaten / Kota Provinsi 1 Aceh Singkil Aceh 2 Nias Sumatera Utara 3 Nias Selatan Sumatera Utara 4 Nias Utara Sumatera Utara 5 Nias Barat Sumatera Utara 6 Kepulauan
Lebih terperinciTIM NASIONAL PERCEPATAN PENANGGULANGAN KEMISKINAN 1
1 indikator kesejahteraan DAERAH provinsi papua sekretariat Tim Nasional Percepatan Penanggulangan Kemiskinan Sekretariat Wakil Presiden Republik Indonesia Jl. Kebon Sirih No. 14 Jakarta Pusat 111 Telp
Lebih terperinciLEMBARAN NEGARA REPUBLIK INDONESIA
LEMBARAN NEGARA REPUBLIK INDONESIA No. 57, 2008 OTONOMI KHUSUS. PEMERINTAHAN. PEMERINTAH DAERAH. Papua. (Penjelasan Dalam Tambahan Lembaran Negara Republik Indonesia Nomor 4842) PERATURAN PEMERINTAH PENGGANTI
Lebih terperinciDapat undangan tetapi musyawarah dilakukan pada waktu yang salah. Dapat undangan terlambat N % N % N % N % N % N %
Tabel 26. Perkiraan Jumlah dan Persentase Rumah Tangga menurut Kabupaten/Kota dan Alasan Utama Menghadiri Pertemuan Umum/Musyawarah yang Dilakukan pada Pertemuan Terakhir selama Setahun Terakhir Alasan
Lebih terperinciDENGAN RAHMAT TUHAN YANG MAHA ESA PRESIDEN REPUBLIK INDONESIA,
PERATURAN PEMERINTAH PENGGANTI UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 1 TAHUN 2008 TENTANG PERUBAHAN ATAS UNDANG-UNDANG NOMOR 21 TAHUN 2001 TENTANG OTONOMI KHUSUS BAGI PROVINSI PAPUA DENGAN RAHMAT TUHAN
Lebih terperinciDrg. Josef Rinta R, M.Kes.MH Kepala Dinas Kesehatan Provinsi Papua
Drg. Josef Rinta R, M.Kes.MH Kepala Dinas Kesehatan Provinsi Papua Terbatasnya sistem transportasi terpadu yang menghubungkan antar pusat pelayanan Ada beberapa kabupaten pemekaran yang wilayahnya sebagian
Lebih terperinciDENGAN RAHMAT TUHAN YANG MAHA ESA PRESIDEN REPUBLIK INDONESIA,
PERATURAN PEMERINTAH PENGGANTI UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 1 TAHUN 2008 TENTANG PERUBAHAN ATAS UNDANG-UNDANG NOMOR 21 TAHUN 2001 TENTANG OTONOMI KHUSUS BAGI PROVINSI PAPUA DENGAN RAHMAT TUHAN
Lebih terperincijayapurakota.bps.go.id
INDEKS PEMBANGUNGAN MANUSIA DAN ANALISIS SITUASI PEMBANGUNAN MANUSIA KOTA JAYAPURA TAHUN 2015/2016 ISSN: Nomor Katalog : 2303003.9471 Nomor Publikasi : 9471.1616 Ukuran Buku Jumlah Halaman Naskah : : 16,5
Lebih terperinciPemodelan Angka Putus Sekolah Usia SMP Menggunakan Metode Regresi Nonparametrik Spline di Papua
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-103 Pemodelan Angka Putus Sekolah Usia SMP Menggunakan Metode Regresi Nonparametrik Spline di Papua Latifatul Mubarokah, I Nyoman
Lebih terperinciSKRIPSI. Disusun Oleh: SARITA BUDIYANI PURNAMASARI NIM
PEMILIHAN CLUSTER OPTIMUM PADA FUZZY C-MEANS (Studi kasus: Pengelompokan Kabupaten/Kota di Jawa Tengah berdasarkan Indikator Indeks Pembangunan Manusia) SKRIPSI Disusun Oleh: SARITA BUDIYANI PURNAMASARI
Lebih terperinciGUBERNUR PAPUA PERATURAN GUBERNUR PAPUA
GUBERNUR PAPUA PERATURAN GUBERNUR PAPUA NOMOR 17.A TAHUN 2014 TENTANG PENGALOKASIAN DANA TAMBAHAN INFRASTRUKTUR KEPADA KABUPATEN/KOTA SE PROVINSI PAPUA TAHUN ANGGARAN 2014 DENGAN RAHMAT TUHAN YANG MAHA
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciKEMENTERIAN KESEHATAN RI Jalan H.R. Rasuna Said Blok X-5 Kavling 4-9 Jakarta Telepon : (021) (Hunting)
P E N G U M U M A N 02NoNOMOR: TU.02.06/IV/1344/2016/II/584/2014 HASIL SELEKSI ADMINISTRASI DAN PELAKSANAAN UJIAN TES KOMPETENSI DASAR PENERIMAAN APARATUR SIPIL NEGARA DI LINGKUNGAN PEMERINTAH DAERAH TAHUN
Lebih terperinciJumlah rumah tangga usaha pertanian di Papua Tahun 2013 sebanyak rumah tangga
Jumlah rumah tangga usaha pertanian di Papua Tahun 2013 sebanyak 438.524 rumah tangga Jumlah perusahaan pertanian berbadan hukum di Papua Tahun 2013 hanya 40 Perusahaan Jumlah perusahaan tidak berbadan
Lebih terperinciPROFIL PEMBANGUNAN PAPUA
1 PROFIL PEMBANGUNAN PAPUA A. GEOGRAFIS DAN ADMINISTRASI WILAYAH Provinsi Papua terletak pada posisi2 o 25' LU - 9o LS dan 3 o 48' Lintang Selatan, serta 119 o 22' dan 124 o 22' Gambar 1. bujur Timur.
Lebih terperinci*Corresponding Author:
PERBANDINGAN KINERJA METODE COMPLETE LINKAGE DAN AVERAGE LINKAGE DALAM MENENTUKAN HASIL ANALISIS CLUSTER (Studi Kasus: Produksi Palawija Provinsi Kalimantan Timur 2014/2015) Silvia Ningsih 1, Sri Wahyuningsih
Lebih terperinciDAFTAR PENERIMA SURAT KELOMPOK V
DAFTAR PENERIMA SURAT KELOMPOK V Lampiran I Surat No. B.41/S.KT.03/2018 Tanggal: 19 Februari 2018 Kementerian/Lembaga 1. Sekretaris Jenderal Kementerian Lingkungan Hidup dan Kehutanan; 2. Sekretaris Jenderal
Lebih terperinciWaktu Check In Waktu Pembukaan PLPG Tahap Agustus 2015 LPMP Provinsi
Nomor KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI PANITIA SERTIFIKASI GURU DALAM JABATAN RAYON 131 UNIVERSITAS CENDERAWASIH JAYAPURA Alamat: Kampus UNCEN Abepura Jalan Sentani-Abepura Tlp. (0967)
Lebih terperinciBAB I PENDAHULUAN. Papua merupakan provinsi paling timur di Indonesia, memiliki luas wilayah
BAB I PENDAHULUAN 1.1 Latar Belakang Papua merupakan provinsi paling timur di Indonesia, memiliki luas wilayah terbesar dengan jumlah penduduk yang masih sedikit. Pemberlakuan Undang- Undang Desentralisasi
Lebih terperinciBAB III PEMBAHASAN. survei yang dilakukan BPS pada 31 Oktober Langkah selanjutnya yang
BAB III PEMBAHASAN Data yang digunakan dalam skripsi ini merupakan data sekunder yang diperoleh dari buku saku Ikhtisar Data Pendidikan Tahun 2016/2017. Data tersebut dapat dilihat pada Lampiran 1. Data
Lebih terperinciSERIAL PUSAT DATA DAN ANALISIS PEMBANGUNAN PROVINSI PAPUA BADAN PERENCANAAN DAN PEMBANGUNAN DAERAH PROVINSI PAPUA
SERIAL PUSAT DATA DAN ANALISIS PEMBANGUNAN PROVINSI PAPUA BADAN PERENCANAAN DAN PEMBANGUNAN DAERAH PROVINSI PAPUA i KEPALA KATA PENGANTAR Puji dan Syukur Patut kita Panjatkan Kehadirat Tuhan Yang Maha
Lebih terperinciMENTERIKEUANGAN REPUBLIK INDONESIA SALIN AN
MENTERIKEUANGAN REPUBLIK INDONESIA SALIN AN PERATURAN MENTERI KEUANGAN REPUBLIK INDONESIA NOMOR 127/PMK.07/2017 TENTANG PELAKSANAAN DANA ALOKASI UMUM DAN TAMBAHAN DANA ALOKASI KHUSUS FISH( PADA ANGGARAN
Lebih terperinciPERATURAN PRESIDEN REPUBLIK INDONESIA NOMOR 131 TAHUN 2015 TENTANG PENETAPAN DAERAH TERTINGGAL TAHUN DENGAN RAHMAT TUHAN YANG MAHA ESA
PERATURAN PRESIDEN REPUBLIK INDONESIA NOMOR 131 TAHUN 2015 TENTANG PENETAPAN DAERAH TERTINGGAL TAHUN 2015-2019 DENGAN RAHMAT TUHAN YANG MAHA ESA PRESIDEN REPUBLIK INDONESIA, Menimbang : bahwa untuk melaksanakan
Lebih terperinciEFISIENSI DAN EFEKTIFITAS PENGELOLAAN KEUANGAN DAERAH DI PROVINSI PAPUA : SUATU PENERAPAN DATA ENVELOPMENT ANALYSIS DI SEKTOR PENDIDIKAN
EFISIENSI DAN EFEKTIFITAS PENGELOLAAN KEUANGAN DAERAH DI PROVINSI PAPUA : SUATU PENERAPAN DATA ENVELOPMENT ANALYSIS DI SEKTOR PENDIDIKAN Yundy Hafizrianda 3 Hariman.andalan@gmail.com Abstract In general,
Lebih terperinciPENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 97 102. PENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE Nicolaus, Evy Sulistianingsih,
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN METODE MINIMAX LINKAGE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02 (2016), hal 253-260 PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN
Lebih terperinciLampiran Surat Nomor : 331/KN.320/J/07/2016 Tanggal : 14 Juli 2016
Provinsi Bali 1. Kabupaten Badung 2. Kabupaten Bangli 3. Kabupaten Buleleng 4. Kabupaten Gianyar 5. Kabupaten Jembrana 6. Kabupaten Karangasem 7. Kabupaten Klungkung 8. Kabupaten Tabanan 9. Kota Denpasar
Lebih terperinciLampiran 1 Nomor : 6517 /D.3.2/06/2017 Tanggal : 22 Juni Daftar Undangan
Lampiran 1 Nomor : 6517 /D.3.2/06/2017 Tanggal : 22 Juni 2017 Daftar Undangan 1. Kepala Badan Pengembangan SDM Kabupaten Boalemo 2. Kepala Badan Pengembangan SDM Kabupaten Bone Bolango 3. Kepala Badan
Lebih terperinciDAFTAR DAERAH TERTINGGAL
DAFTAR DAERAH TERTINGGAL DAFTAR DAERAH TERTINGGAL, TERDEPAN DAN TERLUAR (PERBATASAN) TAHUN 0 Dalam rangka pelaksanaan Beasiswa Afirmasi, Khususnya pemilihan Daerah yang termasuk dalam katagori Daerah
Lebih terperinciDaftar Daerah Tertinggal
DAFTAR DAERAH TERTINGGAL, TERDEPAN DAN TERLUAR (PERBATASAN) TAHUN 2015 Dalam rangka pelaksanaan Beasiswa Afirmasi, Khususnya pemilihan Daerah yang termasuk dalam katagori Daerah Tertinggal, Terdepan dan
Lebih terperinciINDEKS PEMBANGUNAN MANUSIA (IPM) DAN ANALISIS SITUASI PEMBANGUNAN MANUSIA (ASPM) KOTA JAYAPURA 2014
INDEKS PEMBANGUNAN MANUSIA (IPM) DAN ANALISIS SITUASI PEMBANGUNAN MANUSIA (ASPM) KOTA JAYAPURA 2014 Nomor Katalog / Catalog Number : 1164.9471 Nomor Publikasi / Publication Number :9471.1303 Ukuran Buku
Lebih terperinciOleh : Arief Yudissanta ( ) Pembimbing : Prof. Susanti Linuwih Mstat.PHD
TUGAS AKHIR Oleh : Arief Yudissanta (1307 030 019) Pembimbing : Prof. Susanti Linuwih Mstat.PHD PENGELOMPOKAN SEKOLAH DASAR BERDASARKAN RATA-RATA NILAI UJIAN AKHIR SEKOLAH BERSTANDAR NASIONAL DI SETIAP
Lebih terperinciJayapura, November 2016 KEPALA BAPPEDA PROVINSI PAPUA. DR. Drs. MUHAMMAD MUSAAD, M.Si
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa atas berkah dan rahmat-nya sehingga publikasi Analisa Pembangunan Manusia Provinsi Papua Tahun 2015 dapat diterbitkan. Publikasi ini disusun oleh
Lebih terperinciANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS)
ANALISIS MULTIVARIAT ANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS) Oleh : Rizka Fauzia 1311 100 126 Dosen Pengampu: Santi Wulan Purnami S.Si., M.Si. PROGRAM STUDI SARJANA JURUSAN
Lebih terperinciCluster Analysis. Hery Tri Sutanto. Jurusan Matematika MIPA UNESA. Abstrak
S-17 Cluster Analysis Hery Tri Sutanto Jurusan Matematika MIPA UNESA Abstrak Dalam analisis cluster mempelajari hubungan interdependensi antara seluruh set variabel perlu diteliti. Tujuan utama analisis
Lebih terperinciJumlah Penduduk Miskin, Persentase Penduduk Miskin, P1 (Indeks Kedalaman Kemiskinan), P2 (Indeks Keparahan Kemiskinan), dan Garis Kemiskinan
DATA Indikator Kemiskinan Data Jumlah Penduduk Miskin, Persentase Penduduk Miskin, P1 (Indeks Kedalaman Kemiskinan), P2 (Indeks Keparahan Kemiskinan), dan Garis Kemiskinan Data Susenas tingkat kabupaten
Lebih terperinciLABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA. Modul II CLUSTERING
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul II CLUSTERING TUJUA PRAKTIKUM 1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam
Lebih terperinciGUBERNUR PAPUA PERATURAN GUBERNUR PAPUA NOMOR 1 TAHUN 2011 TENTANG URAIAN TUGAS DAN FUNGSI INSPEKTORAT PROVINSI PAPUA
GUBERNUR PAPUA PERATURAN GUBERNUR PAPUA NOMOR 1 TAHUN 2011 TENTANG URAIAN TUGAS DAN FUNGSI INSPEKTORAT PROVINSI PAPUA DENGAN RAHMAT TUHAN YANG MAHA ESA GUBERNUR PAPUA, Menimbang : a. bahwa dengan telah
Lebih terperinciAnalisis Pengelompokkan Berdasarkan Indikator Partisipasi Perempuan di Propinsi Jawa Timur
Nama : Analisis Pengelompokkan Berdasarkan Indikator Partisipasi Perempuan di Propinsi Jawa Timur Dimas Okky S. (1307030006) Dosen Pembimbing : Dr.Dra.Ismaini Zain, MSi PENDAHULUAN LATAR BELAKANG Partisipasi
Lebih terperinciPENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 53-58 ISSN: 2303-1751 PENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA NOVA SARI BARUS 1, I PUTU EKA NILA KENCANA
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster
Lebih terperinciTabel 2 Perkembangan dan Proyeksi Usia Harapan Hidup (UHH) Kabupaten Tertinggal KODE KABUPATEN
1101 Simeulue 62,52 62,70 62,75 62,84 62,91 62,98 63,05 63,12 63,21 63,29 63,38 63,46 63,55 63,63 63,72 1102 Aceh Singkil 63,16 64,00 64,27 64,46 64,69 64,92 65,10 65,28 65,58 65,89 66,19 66,49 66,79 67,10
Lebih terperinciPROSIDING ISSN: M-14 ANALISIS K-MEANS CLUSTER UNTUK PENGELOMPOKAN KABUPATEN /KOTA DI JAWABARAT BERDASARKAN INDIKATOR MASYARAKAT
M-14 ANALISIS K-MEANS CLUSTER UNTUK PENGELOMPOKAN KABUPATEN /KOTA DI JAWABARAT BERDASARKAN INDIKATOR MASYARAKAT Soemartini 1, dan Enny Supartini 2 1,2) Departemen Statistika FMIPA UNPAD Bandung tine_soemartini@yahoocom,
Lebih terperinciDAFTAR DAERAH TERTINGGAL, TERLUAR DAN TERDEPAN (3T)
DAFTAR DAERAH TERTINGGAL, TERLUAR DAN TERDEPAN (3T) Daftar Daerah Terdepan dan Terluar (Perbatasan) No Provinsi No Kabupaten / Kota Status 1 Sambas Perbatasan 2 Bengkayang Perbatasan 1 Kalimantan Barat
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciPEMODELAN INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH TAHUN DENGAN MENGGUNAKAN REGRESI DATA PANEL
PEMODELAN INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH TAHUN 2008 2013 DENGAN MENGGUNAKAN REGRESI DATA PANEL SKRIPSI Disusun oleh : MUHAMMAD RIZKI 24010210141014 JURUSAN STATISTIKA FAKULTAS SAINS
Lebih terperinciPERKEMBANGAN PEMBANGUNAN PROVINSI PAPUA 2014
OUTLINE ANALISIS PROVINSI 1. Perkembangan Indikator Utama 1.1 Pertumbuhan Ekonomi 1.2 Pengurangan Pengangguran 1.3 Pengurangan Kemiskinan 2. Kinerja Pembangunan Kota/ Kabupaten 2.1 Pertumbuhan Ekonomi
Lebih terperinciBAB II KAJIAN TEORI. linier, varian dan simpangan baku, standarisasi data, koefisien korelasi, matriks
BAB II KAJIAN TEORI Pada bab II akan dibahas tentang materi-materi dasar yang digunakan untuk mendukung pembahasan pada bab selanjutnya, yaitu matriks, kombinasi linier, varian dan simpangan baku, standarisasi
Lebih terperinciDAFTAR DAERAH TERTINGGAL, TERLUAR DAN TERDEPAN (3T)
DAFTAR DAERAH TERTINGGAL, TERLUAR DAN TERDEPAN (T) Daftar Daerah T [LEMBAGA PENGELOLA DANA PENDIDIKAN] DAFTAR DAERAH TERTINGGAL, TERLUAR DAN TERDEPAN (T) Daftar Daerah Terdepan dan Terluar () No 6 7 Provinsi
Lebih terperinciBAB I PENDAHULUAN. Analisis statistik multivariat adalah metode statistik di mana masalah yang
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Analisis statistik multivariat adalah metode statistik di mana masalah yang diteliti bersifat multidimensional dengan menggunakan tiga atau lebih variabel
Lebih terperinciPENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER ENSEMBLE
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 13 23 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER
Lebih terperinciPEMBANGUNAN DAN PEMBERDAYAAN MASYARAKAT PINGGIRAAN MELALUI SAGU
REPUBLIK INDONESIA PEMBANGUNAN DAN PEMBERDAYAAN MASYARAKAT PINGGIRAAN MELALUI SAGU Menteri Desa, Pembangunan Daerah Tertinggal dan Transmigrasi 9 November 2016 1 1. MENGHADIRKAN KEMBALI NEGARA UNTUK MELINDUNGI
Lebih terperinciANALISIS PEMBANGUNAN WILAYAH PROVINSI PAPUA
Provinsi Papua 2015 ANALISIS PEMBANGUNAN WILAYAH PROVINSI PAPUA 1. KINERJA PEMBANGUNAN WILAYAH 1 1.1. PERKEMBANGAN INDIKATOR UTAMA 1 1.2. KUALITAS PERTUMBUHAN EKONOMI KABUPATEN/KOTA 4 2. ANALISIS PEMBANGUNAN
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Traveling Salesmen Problem (TSP) Travelling Salesman Problem (TSP) merupakan sebuah permasalahan optimasi yang dapat diterapkan pada berbagai kegiatan seperti routing. Masalah
Lebih terperinciANALISIS PROCRUSTES PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA (IPM) DI KABUPATEN/KOTA PROVINSI JAWA TENGAH (STUDI KASUS IPM TAHUN 2008 DAN 2013)
ANALISIS PROCRUSTES PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA (IPM) DI KABUPATEN/KOTA PROVINSI JAWA TENGAH (STUDI KASUS IPM TAHUN 2008 DAN 2013) SKRIPSI Disusun Oleh : BUNGA MAHARANI 24010211120008 JURUSAN
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciAnalisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur
Analisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur Qonitatin Nafisah, Novita Eka Chandra Jurusan Matematika Fakultas MIPA Universitas Islam Darul Ulum Lamongan
Lebih terperinciSPESIALISASI DAN KONSENTRASI SEKTOR USAHA NON PERTANIAN DI PROVINSI PAPUA. Abstrak
SPESIALISASI DAN KONSENTRASI SEKTOR USAHA NON PERTANIAN DI PROVINSI PAPUA Muhammad Fajar Staf Statistik Sosial BPS Kabupaten Waropen Abstrak Tujuan studi ini adalah untuk menyelidiki spesialisasi dan konsentrasi
Lebih terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
Lebih terperinciDIREKTORAT PEMBINAAN PENDIDIKAN KHUSUS DAN LAYANAN KHUSUS
KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN DIREKTORAT JENDERAL PENDIDIKAN DASAR DAN MENENGAH DIREKTORAT PEMBINAAN PENDIDIKAN KHUSUS DAN LAYANAN KHUSUS Jln. RS Fatmawati, Cipete, Jakarta Selatan12410 Telepon
Lebih terperinciANALISIS KELOMPOK DENGAN MENGGUNAKAN METODE HIERARKI UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASAR INDIKATOR KESEHATAN
1 ANALISIS KELOMPOK DENGAN MENGGUNAKAN METODE HIERARKI UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASAR INDIKATOR KESEHATAN, dan, Universitas Negeri Malang Email: lina_ninos26@yahoo.com ABSTRAK:
Lebih terperinciDENGAN RAHMAT TUHAN YANG MAHA ESA PRESIDEN REPUBLIK INDONESIA,
PERATURAN PEMERINTAH REPUBLIK INDONESIA NOMOR 40 TAHUN 2008 TENTANG PERUBAHAN NAMA KABUPATEN YAPEN WAROPEN MENJADI KABUPATEN KEPULAUAN YAPEN PROVINSI PAPUA DENGAN RAHMAT TUHAN YANG MAHA ESA PRESIDEN REPUBLIK
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
Bab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya Penelitian sebelumnya tentang Pengelompokkan Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Indikator Kemiskinan Dengan Metode Cluster Analysis. Peneliti
Lebih terperinciPENGELOMPOKKAN PERGURUAN TINGGI NEGERI DI INDONESIA MENGGUNAKAN METODE ENSEMBLE ROBUST CLUSTERING USING LINKS
TUGAS AKHIR SS141501 PENGELOMPOKKAN PERGURUAN TINGGI NEGERI DI INDONESIA MENGGUNAKAN METODE ENSEMBLE ROBUST CLUSTERING USING LINKS INDRIYANA PERMATA PUTRI NRP 1313 100 018 Dosen Pembimbing Dr. Dra. Ismaini
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciUniversitas Negeri Malang Kata Kunci: cluster, single linkage, complete linkage, silhouette, pembangunan manusia.
1 PERBANDINGAN JUMLAH KELOMPOK OPTIMAL PADA METODE SINGLE LINKAGE DAN COMPLETE LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE: Studi Kasus pada Data Pembangunan Manusia Jawa Timur Yuli Novita Indriani 1, Abadyo
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR BERDASARKAN INDIKATOR PENDIDIKAN FORMAL WAJIB BELAJAR 12 TAHUN MENGGUNAKAN CLUSTER HIERARCHY
TUGAS AKHIR SS 145561 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR BERDASARKAN INDIKATOR PENDIDIKAN FORMAL WAJIB BELAJAR 12 TAHUN MENGGUNAKAN CLUSTER HIERARCHY PUSPA DESI TRI ANDINI NRP 1314 030
Lebih terperinciInfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 3, No.2, September 2014
APLIKASI METODE-METODE AGGLOMERATIVE DALAM ANALISIS KLASTER PADA DATA TINGKAT POLUSI UDARA Oleh: Dewi Rachmatin Jurusan Pendidikan Matematika, UniversitasPendidikan Indonesia dewirachmatin@upi.edu ABSTRAK
Lebih terperinciAnalisis Cluster Kabupaten/Kota Berdasarkan Pertumbuhan ekonomi Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol., No.1, (013) 337-350 (301-98X Print) 1 Analisis Cluster Kabupaten/Kota Berdasarkan Pertumbuhan ekonomi Jawa Timur Siti Machfudhoh, Nuri Wahyuningsih Jurusan Matematika,
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinciPROSIDING ISSN: M-22 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT TAHUN DI PROVINSI JAWA TENGAH
M-22 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT TAHUN 2010-2015 DI PROVINSI JAWA TENGAH Rukini Badan Pusat Statistik Kabupaten Grobogan email:rukini@bps.go.id Abstrak Pembangunan
Lebih terperinciSKRIPSI. Disusun Oleh: MAS AD DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG 2016
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH DENGAN METODE GEOGRAPHICALLY WEIGHTED PRINCIPAL COMPONENTS ANALYSIS (GWPCA) ADAPTIVE BANDWIDTH SKRIPSI Disusun Oleh: MAS
Lebih terperinciSecond-Order Confirmatory Factor Analysis pada Kemiskinan di Kabupaten Jombang
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) 337-350 (301-98X Print) D-78 Second-Order Confirmatory Factor Analysis pada di Kabupaten Jombang Masnatul Laili dan Bambang Widanarko Otok Jurusan Statistika,
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN KARAKTERISTIK KESEJAHTERAAN RAKYAT MENGGUNAKAN METODE K-MEANS CLUSTER SKRIPSI
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN KARAKTERISTIK KESEJAHTERAAN RAKYAT MENGGUNAKAN METODE K-MEANS CLUSTER SKRIPSI Disusun oleh: FITRA RAMDHANI NIM 24010210141044 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciLAPORAN SKRIPSI ALGORITMA K-MEANS UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA.
LAPORAN SKRIPSI ALGORITMA K-MEANS UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA Oleh : MUHAMMAD SHOFIYUDDIN 2011-51-182 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciPROFIL DAERAH DAN PERMASALAHAN EMISI GAS RUMAH KACA
2 PROFIL DAERAH DAN PERMASALAHAN EMISI GAS RUMAH KACA 2.1. Profil dan Karakteristik Daerah Keadaan Geografis Provinsi Papua terletak antara 2º25-9 º lintang selatan dan 130º-14º bujur timur. Provinsi Papua
Lebih terperinciDaftar Daerah Tertinggal, Terdepan dan Terluar (3T)
Page 1 of 7 Daftar Daerah, Terdepan dan Terluar (3T) Daftar Daerah, Terdepan dan Terluar No Provinsi Kabupaten / Kota Status 1 Kalimantan Barat 2 Kalimantan Timur 3 Sulawesi Utara 4 Nusa Tenggara Timur
Lebih terperinciBAB XIII. PERBANDIGAN REGIONAL KARANGASEM GINI RATIO : 0,337 IPM : 64,01 JEMBRANA BANGLI BULELENG TABANAN
BAB XIII PERBANDIGAN REGIONAL TABANAN JEMBRANA GINI RATIO : 0,386 IPM : 68,67 BANGLI BULELENG GINI RATIO : 0,393 IPM : 69,16 KARANGASEM GINI RATIO : 0,337 IPM : 64,01 GINI RATIO : 0,329 IPM : 65,75 GINI
Lebih terperinciPENGELOMPOKAN DESA/KELURAHAN DI KOTA DENPASAR MENURUT INDIKATOR PENDIDIKAN
E-Jurnal Matematika Vol. (), Mei, pp. - ISSN: - PENGELOMPOKAN DESA/KELURAHAN DI KOTA DENPASAR MENURUT INDIKATOR PENDIDIKAN Ni Wayan Aris Aprilia A.P, I Gusti Ayu Made Srinadi, Kartika Sari Jurusan Matematika,
Lebih terperinciPENGGEROMBOLAN DAERAH TERTINGGAL DI INDONESIA DENGAN FUZZY K-RATAAN (Clustering Backward Region in Indonesia Using Fuzzy C-Means Cluster)
, April 2010 p : 22-27 ISSN : 0853-8115 Vol 15 No.1 PENGGEROMBOLAN DAERAH TERTINGGAL DI INDONESIA DENGAN FUZZY K-RATAAN (Clustering Backward Region in Indonesia Using Fuzzy C-Means Cluster) Titin Agustin
Lebih terperinci