IMPLEMENTASI TD-COX PADA ANALISA SURVIVAL MAHASISWA DI UNIVERSITAS INTERNASIONAL BATAM
|
|
- Hamdani Darmali
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Webse : jurnal.umj.ac.d/ndex.php/semnasek IMPLEMENTASI TD-COX PADA ANALISA SURVIVAL MAHASISWA DI UNIVERSITAS INTERNASIONAL BATAM Yayuk Seyanng Asuk 1*, Dan Tresnawan 2 *1 Prod Teknk Spl, Fakulas Teknk Spl dan Perencanaan, Unversas Inernasonal Baam, 2 Prod Teknk Elekro, Fakulas Teknolog Informas, Unversas Inernasonal Baam, JL. Gajah Mada Balo, Se-Lad, Baam Kepulauan Rau * E-mal : yayuk@ub.ac.d Absrak Reens mahasswa d Unversas elah menjad perhaan penddk selama beberapa dekade. Konsekuens dar kemunduran mahasswa sanga penng bag mahasswa, saf akademk dan Unversas. Dengan demkan, penngkaan reens mahasswa merupakan ujuan jangka panjang dar seap nsus akademk ermasuk Unversas Inernasonal Baam (UIB). Penelan n menggunakan daa yang dsusun dengan melacak 336 mahasswa yang erdafar d UIB mula ahun 213 sampa dengan 217. Varabel dependennya adalah semeser pada saa puus kulah (DO). DO ddefnskan sebaga mahasswa yang dak mendafar dalam semeser aau dengan IPK nol. Unuk mengevaluas knerja meode yang dusulkan dengan menjalankan dua rangkaan percobaan. Hasl percobaan unuk kedua jens analss yau predks dan esmas. Membandngkan meode TD- dengan lannya seper : Regres Logsk (LR), Penguaan Adapf (AB) dan Pohon Kepuusan (DT). Kemudan melakukan uj knerja model unuk mempresks puus kulah (DO) pada semeser yang berbeda unuk kedua percobaan. Hasl penelan n adalah meode TD- merupakan meode yang erbak dan kossen. Berdasarkan emuan dar penelan n, ka dapa menggunakan nformas pra-pendafaran seper es permulaan unuk mengdenfkas mahasswa yang beresko ngg unuk puus kulah. Hal u juga menunjukkan bahwa sau yang bsa dgunakan unukmengdenfkas yau jumlah yang dark aau lulus, saus kerja saa kulah dan IPK seap semeser sebaga perngaan awal unuk melakukan nervens keka mahasswa mmepunya knerja yang dak bak. Kaa kunc: Analss Daya Tahan, TD-, Penngkaan Mahasswa, Pendafaran, Predks Absrac Reenon of sudens a unverses has been a concern among educaors for many decades. The consequences of suden aron are sgnfcan for sudens, academc saffs and he unverses. Thus, ncreasng suden reenon s a long erm goal of any academc nsuon ncluded Unversas Inernasonal Baam. Ths sudy usng daase was compled by rackng 336 sudens enrolled a UIB Sarng from 213 unl 217. The dependen varable s he semeser of dropou. Dropou s defned as a suden who does no regser n a semeser or whose semeser GPA s zero. In order o evaluae he performance of he proposed mehods wh run wo ses of expermen. The expermenal resul for wo ypes of analyss: predcng dropou suden and esmang semeser of dropou. Comparng he performance of our proposed TD- and he oher mehods such as: Logsc Regresson (LR), Adapve Boosng (AB) and Decson Tree (DT). Tes he performance of he models o predc he suden dropou n dfferen semeser for he wo expermenal seups. The resul of hs research s he bes performance and conssen resul of he TD- mehod. Based on he fndngs of hs sudy, we can use pre-enrollmen nformaon such as screenng es o denfy suden who are a a hgher rsk of droppng ou of her sudy. I also shows ha one can use he number of whdrawn or passed cred, saus work durng school and GPA a each semeser as an early warnng o effecvely nervene when he sudens are dong poorly. Keywords : Survval Analyss, TD-, Suden Reenon, Enrollmen, Predcon. Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 1
2 Webse : jurnal.umj.ac.d/ndex.php/semnasek PENDAHULUAN Salah sau ujuan jangka panjang dar seap Unversas adalah mengurang ngka kemunduran mahasswa [2]. Hal ersebu d laporkan bahwa sau dar empa mahasswa dropou dar Unversas seelah ahun peramanya dan menngka 5% pada akhr semeser keempa [11]. Reens Mahasswa merupakan area penelan yang banyak del d Insus Penddkan Tngg. Banyak nsus yang berkonsulas pada lembaga konsulan erka masalah ersebu. Pada dekade sebelumnya, model komprehensf elah dkembangkan unuk mengaas hal u secara eor. Kemudan dgunakan meode saska unuk mempredks suden dropou dan juga unuk menemukan fakor penng yang mempengaruh masalah ersebu. Regres merupakan eknk uama yang bsa daplkas pada area n [1]. Regres Logsk merupakan meode sask lannya yang serng dgunakan dalam kasus n. Banyak penjelasan yang bsa demukan unuk membanu nsus penddkan dalam mempredks rsko mahasswa [6]. Meode radsonal yang bsa dgunakan seper regres dan regres logsk yang elah dgunakan unuk mengdenfkas dropou suden pada beberapa dekade [5]. Sekarang n, masalah reens mahasswa elah menark perhaan para penel khususnya daa mnng dan merupakan proses yang panjang sera berganung pada waku [4]. Sehngga eknk analss daa longudnal sesua unuk konds ersebu. Keka analss predks elah dgunakan pada bdang ndusr selama berahun-ahun, nsus penddkan relaf erlamba mengadops pendekaan ersebu unuk pendukung pengamblan kepuusan. Begu juga dengan Unversas Inernasonal Baam, dmana seap ahunnya bsa dlha jumlah mahasswa yang dak bermbang anara yang masuk dan lulus. Meskpun 8% mahasswa menyelesakan sudnya dalam waku < 8 semeser. Teap mash ada mahasswa yang menyelesaakn sudnya lebh dar 8 semeser. Aas dasar ulah dkembangkan penelan dengan analss survval berdasarkan kerangka nformas arbu yang deapkan. Unuk ujuan ersebu akan dmplemenaskan dan Tme-Dependen (TD-) unuk masalah reens mahasswa. Ide dasarnya adalah menggunakan meode analss survval pada arbu nfomas saa seleks masuk unversas unuk mempredks suden dropou. Kemudan membandngkan dengan meode radsonal lannya. KERANGKA TEORI Dengan mengembangkan Tme- Dependen Model guna mempredks Suden Dropou dengan nformas Seleks Masuk Unversas dan Seelah Masuk Unversas. Berku adalah noas yang dgunakan dalam penulsan yang dsajkan dalam Tabel 1. Tabel 1. Noas yang dgunakan dalam penelan Noas Deskrps Jumlah Daa Jumlah arbu sak Jumlah Tme Dependen Marx arbu unuk mahasswa Z Marx Tme-Dependen unuk mahasswa Vekor waku kejadan akual Vekor waku ersensor Vekor dar waku mn YC, n p q X 1 x p 1 x q Y 1 nx nx nx C 1 T 1 1 d nx pengamaan yau Vekor bnary dar saus yang ersensor Jumlah kejadan waku S Survval Probably Dasar, S X Z Probablas kondsonal Survval pada waku Tngka Hazard Dasar h h X, Z Probablas kondsonal hazard Vekor koefsen dar Regres L β Fs. Maksmum Lkelhood unuk β β Kemudan ka akan mendefskan beberapa konds yan dgunakan dalam penelan n. Dropou Suden: ddefnskan mahasswa yang dak regser pada semeser ersebu aau yang mempunya IPK semeser nol Even: Suden dropou sebelem kelulusan aau kejadan yang menark. Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 2
3 Webse : jurnal.umj.ac.d/ndex.php/semnasek Cencored: Jka mahasswa dak dropou pada 8 semeser perama aau baas yang denukan dalam penelan. ANALISIS SURVIVAL Analss survval elah menjad ala penng unuk menganalss daa waku anar kejadan (me o even daa) aau menganalss daa yang berhubungan dengan waku, mula dar me orgn sampa erjadnya suau perswa khusus. Pada aplkas analss survval, sanga umum erjad bahwa perode observas yang menark adalah dak lengkap unuk beberapa observas dan daa ersebu dkaakan ersensor. Msal n D X, Z, T, ; 1,, n menyaakan sampel dar daase D pada waku, dmana menyaakan sebuah vekor kovarae X 1 x p unuk subjek keka ada varabel sask pada daa. 1 xq vekor Z merepresenaskan kovara dar me dependen pada waku p dan T dnyaakan pada waku kejadan yang erobservas. Msalkan adalah me survval, eap mungkn n dak erama maka dengan T mn Y, C dmana adalah Y mengama waku ersensor. Jka daa elah ersensor dan bersama dengan maka akan dperoleh Y 1 Y C ndkaor varabel. Jad unuk Y C ndvdu, jka arnya ersensor dan jka 1maka dak ersensor. Mengnga adalah duras menjad varabel random konnu fungs survval, adalah T C S probablas dmana waku kejadan lebh erlamba dar waku erenu, maka dapa ddefnskan sebaga Pr 1 S T f u du F (1) dmana dan f u adalah fungs kepadaan peluang F adalah fungs dsrbus kumulaf. Fungs hazard aau ngka kejadan ddefnskan sebaga: Pr T d h lm (2) d d COX PROPORTIONAL HAZARD Salah sau meode yang popular pada analss survval adalah Proporonal Hazard Model [6]. Model n merupakan semparamerc dengan sedk asums darpada meode paramerk [4]. Model menyajkan secara mudah unuk mengnerpreaskan nformas erka hubugan fungs hazard ke predkor. Fungs Hazard unuk Proporonal Hazard Model mempunya benuk: m X exp y y h X h X h e (3) dmana h e hazard pada waku y1 adalah baselne fungs dan exp n 1 X adalah rsko yang erka dengan nla kovara. Oleh karena u, fungs probabalas unuk Model dapa dnyaakan sebaga exp X S X S (4) dmana S e h x dx (5) Parameer dar Model Regres desmas dengan memnnalsas Paral Lkelhood [7]. Berdasarkan formula Regres, paral lkelhood bsa dkonsrukskan dar daase benuk: L (6) : 1 j: j dmana exp X dan X,, 1 Xn adalah vekor kovara unuk ndvdu sampel ndependen pada daase. Dengan menyelesakan L, koefsen kovara dapa desmas dengan. Unuk mendapakan baselne fungs hazard pada fungs lkelhood, dmana dapa dgan dengan. Kemudan n h dapa dperoleh dar h 1 j (7) jr TIME-DEPENDENT COX (TD-COX) Regres Proporonal Hazard mempunya asums bahwa kovara dak erganung pada waku. Dengan kaa lan, keka kovara dak berubah dar waku ke j Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 3
4 Webse : jurnal.umj.ac.d/ndex.php/semnasek waku aau saa daa hanya dkumpulkam unuk kovara pada sau k waku, maka meode yang epa adalah menggunakan varabel sas unuk menjelaskan haslnya. D ss lan dalam banyak suas (seper masalah reens mahasswa), maka ka bsa mendefnskan varabel me-dependen yang bsa berubah nlanya pada waku pengamaan. Unuk lebh memahamnya dberkan conoh lusras. Tabel 2 menunjukkan forma daa per mahasswa. Pada conoh n, unuk seap mahasswa dcaa Tme Dropou, Saus dan IPK yang dperoleh Seelah Masuk Kulah. Unuk Saus 1 arnya Suden Dropou dan unuk Suden No Dropou sampa waku observas. Tabel 2. Conoh Daa Mahasswa (IPK (1) erhadap IPK er Perama) Sud Tme Saus IPK(1) IPK(2) IPK(3) en ID_ ID_ ID_ Kemudan, unuk me-dependen analss survval membuuhkan forma unuk menghung prosesnya dengan forma yang berbeda dan dsajkan dalam Tabel 3. Tabel 3. Conoh Daa Survval Berdasarkan Formang Suden Saus IPK ID_ ID_ ID_ ID_3 1 4 ID_ ID_ Pada penelan n, akan dkembangkan Tme Dependen Regresson yang dkenal TD-, yang secara smulan akan menangan kovara sas dan erganung waku. Kemudan Fungs Hazard-nya bsa ddefnskan sebaga: h X, Z h X Z e (8) Konsekuensnya, fungs probablas survval unuk TD- Model dapa dformulaskan sebaga: exp X Z S X, Z S (9) Perlu dkeahu bahwa TD- Parameer dapa dperoleh dar smulas daa berdasarkan fungs Maksmum Lkelhood. Kemudan dengan menggunakan (9), dapa desmas peluang dropou dar seap mahasswa pada daa es. ALGORITMA : TD- Mehod Inpu : Suden daa n D X, Z, T, Oupu: Probably of Suden Dropou Bagan 1 : Reformang Daa for do ; end 1 o n T c T for for j o T c do k 1 o q do k k Z Z j j j ; ; f 1 and j T hen else end end end S j 1 S j ; Bagan 2 : TD- Mehod s TD- Mehod, dan persamaan (6) dan (7). For each suden n he es daa do end Esmae, S X Z from Eq. (9), 1 S X, Z F X Z c h menggunakan METODE Dalam penelan n, daa se dsusun dengan melacak 336 mahasswa yang erdafar d Unversas Inernasonal Baam mula angkaan ahun 213 sampa dengan 217. Danaranya ada yang dropou pada akhr ahun perama, kedua, kega dan keempa. Dependen varabel adalah semeser dropou. Dalam penelan n, dropou ddefnskan sebaga mahaswa yang dak mendafar aau yang mempunya IPK semeser nol. Unuk mengevaluasnya, ka menggunakan dua rangkaan percobaan dengan keenuan sebaga berku: (1) Mengumpulkan nformas mahasswa yang masuk d UIB dar 213 sampa 217 dan Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 4
5 Webse : jurnal.umj.ac.d/ndex.php/semnasek mencaa rekaman mahasswa sampa 8 semeser dan (2) Memoong observas d semeser Ganjl 217, karena dsemeser n hanya memlk caaan sau semeser. Seelah persapan daa dan screenng daa, akhrnya dperoleh 21 arbu predkor dengan kaegor yau: Demograf, Laar Belakang Keluarga, Keuangan, Informas Asal Sekolah, Asal Daerah, Saus Pekerjaan Saa Kulah, Seleks Masuk Unversas dan Seelah Masuk Unversas. Dengan menggunakan perbandngan Meode TD- dengan meode radsonal lannya (Logsc Regresson-LR, Adapve Boosng-AB, Decson Tree-DT, dan Tme Dependen -TD ). HASIL DAN PEMBAHASAN Pada bagan n dsajkan hasl analss survval mahasswa unuk mempredks dropou. Menjelaskan sumber daa yang dgunakan, menenukan varabelnya unuk modelnya dan menggambarkan evaluas merk yang dgunakan unuk membandngkan hasl yang dusulkan dengan meode lannnya. Dafar lengkap arbu dan deskrps dsajkan dalam Tabel 4 unuk dgunakan analsa perbandngan anara meode TD- dengan lannya. Tabel 4. Ls Arbu yang dgunakan dalam penelan. Ls Arbu Demograf : - Jens Kelamn - Suku - Agama - Tempa Tnggal Laar Belakang Keluarga : - Jenjang Penddkan Ayah - Jenjang Penddkan Ibu - Jumlah Anggoa Keluarga yang menempuh penddkan d Unversas Keuangan: - Jumlah Pengeluaran Mahasswa - Jumlah Pengeluran Orang Tua - Pendapaan Mahasswa Informas Asal Sekolah: - Jens Sekolah Asal - Nla UN - Asal Sekolah Saus Pekerjaan Selama Kulah : - Kulah Dengan Kerja - Jens Pekerjaan Seleks Masuk Unversas: - Gelombang Pendafaran/Seleks - Jens Mahasswa Beasswa/Tdak Seelah Masuk Unversas: - Kelas Pag/Sore - Persenase SKS lulus - Pendapaan Orang Tua - Persenase SKS gagal - IPK er Agar memlk ukuran kuanaf unuk mengesmas model yang dusulkan dengan membandngkan eknk klasfkas yang lan, maka dgunakan dua se percobaan. Membag daa se ke dalam Tranng dan Tesng. Tranng erdr dar daa yang erdr dar caaan mahasswa yang sudah derma dar ahun 213 sampa dengan 216. Daa Tesng yang erdr dar mahasswa yang derma pada ahun 217 dak erpaka unuk membangun model. Valdas dlakukan sebanyak 1-fold pada daa Tranng dan Tesng pada abel yang erpsah. Dengan menggunakan eknk Cross Valdaon Srafed sebanyak 1 kal, dmana membag seap daa se menjad 1 subse, yang dsebu fold dengan krera yang hampr sama dan dsrbus yang sama dar mahasswa yang dropou dan non-dropou. Pada seap percobaan, sau kal fold dgunakan unuk menguj model yang elah dkembangkan dar 9 fold yang erssa selama fase Tranng. Kemudan seap meode dhung sebaga raaraa dar 1 percobaan. Meode n ka erapkan dalam bahasa pemrograman R dengan menggunakan package Survval. Unuk menla model yang dusulkan dalam masalah klasfkas maka dgunakan merk berku n: (1) Accuracy dnyaakan dalam benuk presenase subjek pada Tesng yang dklasfkaskan dengan benar. (2) F-Measure ddefnskan sebaga Mean of Precson dan Recall yang harmons. Nla F-Measure yang ngg menunjukkan bahwa Precson dan Recall juga cukup ngg. 2 x Precson x Recall F Measure Precson Recall TP TP Precson dan Recall TP FP TP FN dmana TP : True Posve, FP : False Posve dan FN : False Negave. (3) AUC dnyaakan sebaga area dbawah ROC (Recever Operang Characersc) dmana kurva dbua dengan membua plo TPR (True Posve Rae) erhadap FPR (False Posve Rae) dengan berbaga nla reshold. Unuk mempredks Tme o Dropou dgunakan Mean Absolue Error (MAE). (4) Mean Absolue Error (MAE) adalah Jumlahan yang dgunakan unuk mengukur seberapa deka hasl predks erhadap hasl akual yang dnyaakan dalam benuk: 1 n n 1 MAE y y Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 5
6 Webse : jurnal.umj.ac.d/ndex.php/semnasek dmana y adalah nla predks dan. y adalah nla sebenarnya unuk subjek Unuk MAE juga dlakukan evaluas model yau : (1) Underesmaed Predcon Error Rae (UPER) yang ddefnskan sebaga pecahan dar Underesmaed Predcon Oupu aas Predcon Error keseluruhan. UPER n I y y 1 n n I y y I y y 1 1 (2) Overesmaed Predcon Error Rae (OPER) : kesalahan oal adalah konsan, sehngga OPER dapa dnyaakan dalam benuk: OPER 1 UPER Hasl percobaan unuk dua jens analss yau Predcng Dropou Suden dan Esmang er of Dropou. (a) Predcng Dropou Suden Dengan membandngkan hasl dar TD- dan meode Sandar erhadap kega eknk klasfkas yau Logsc Regresson (LR), Adapve Boosng (AB), dan Decson Tree (DT). Ka menguj hasl dar model unuk mempredks Suden Dropou dsemeser yang berbeda dar percobaan yang ddesan seper djelaskan daas. Haslnya dunjukkan pada Tabel 5-8. Dar Tabel ersebu, ka dapa melha bahwa hasl yang erbak dan hasl yang konssen dperoleh dar meode TD-. Pada penelan n, seper yang djelaskan pada Tabel 4, maka ddefnskan 4 varabel Seelah Masuk Unversas ermasuk Kelas Pag/Sore, Persenase SKS yang Lulus, Persenase SKS yang Gagal dan IPK er. Keka menggunakan arbu ersebu bersama dengan Seleks Masuk Unversas pada TD- model yang dusulkan, maka akan dperoleh hasl klasfkas yang lebh bak. Kemudan, dak seper meode klasfkas lannya, TD- mempunya kemampuan menggunakan nformas yang lebh pada arbu Seelah Masuk Unversas dengan memperkenalkan me dependen pada model. Dss lan, walaupun menggunakan arbu Seleks Masuk Unversas, menyajkan hasl yang lebh bak jka dbandngkan dengan meode klasfkas yang lan. Berdasarkan hasl ersebu, meode menngkakan Predcon Accuracy of Suden Dropou sekar 8.7%. Sehngga Model Regres akan menjad plhan yang lebh bak unuk masalah klasfkas dalam Longudnal daa jka dbandngkan dengan meode radsonal. (b) Esmang er of Dropou Tabel 13 menunjukkan hasl 1-fold cross valdaon daa dan 217 sebaga daa es dengan menggunakan rancangan expermenal 1 dan 2. Kemudan membandngkan hasl dengan Lner Regresson dan Suppor Vecor Regresson (SVR). TD- dak bsa dgunakan unuk ujuan n dan hanya bsa dgunakan unuk nformas Seleks Masuk Unversas guna mengesmas er of Dropou. TD- bsa dgunakan sebaga nformas Seelah Masuk Kulah seelah semeser kulah dmula. Berdasarkan Tabel 9 dengan adanya daa yang ersensor, unuk analss survval, model lebh bak dar meode regres radsonal. Hal n juga bsa dlha mempunya nla UPER ngg, hal n mengndkaskan bahwa error secara keseluruhan berasal dar underesmang he semeser of dropou. Kemudan, dapa dlha bahwa nla sandar devas unuk LR, AB, DT, dan TD- bak unuk Expermen 1 dan Expermen 2 yang dsajkan dar Tabel Tabel 5. Hasl dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB dar (Exp 1) unuk Seap er dengan 1-fold Cross Valdaon. er LR AB DT TD- LR AB DT TD- LR AB DT TD Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 6
7 Webse : jurnal.umj.ac.d/ndex.php/semnasek Tabel 6. Hasl dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB pada 217 (Exp1) unuk Seap er. er LR AB DT TD- LR AB DT TD- LR AB DT TD Tabel 7. Hasl dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB dar (Exp 2) unuk Seap er dengan 1-fold Cross Valdaon. er LR AB DT TD- LR AB DT TD- LR AB DT TD Tabel 8. Hasl dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB pada 217 (Exp2) unuk Seap er. er LR AB DT TD- LR AB DT TD- LR AB DT TD / Tabel 9. Sandar Devas dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB dar (Exp 1) unuk Seap er dengan 1-fold Cross Valdaon. er LR AB DT TD- LR AB DT TD- LR AB DT TD Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 7
8 Webse : jurnal.umj.ac.d/ndex.php/semnasek Tabel 1. Sandar Devas dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB pada 217 (Exp1) unuk Seap er. er LR AB DT TD- LR AB DT TD- LR AB DT TD Tabel 11. Sandar Devas dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB dar (Exp 2) unuk Seap er dengan 1-fold Cross Valdaon. er LR AB DT TD- LR AB DT TD- LR AB DT TD Tabel 12. Sandar Devas dar LR, AB, DT dengan dan TD- Reens Mahasswa d UIB pada 217 (Exp2) unuk Seap er. er LR AB DT TD- LR AB DT TD- LR AB DT TD Tabel 13. Hasl dar Meode Regres Lner, SVR dan pada Predks er Dropou d UIB dar unuk Seap er dengan 1-fold Cross Secon Valdaon dan Reens Daa Mahasswa 217 dengan Kedua Expermen (Exp 1 dan Exp 2) Model 1-fold Cross Valdaon Daa Tes (Tahun 217) MAE UPER OPER MAE UPER OPER Regresson Exp 1 SVR Regresson Exp 2 SVR SIMPULAN DAN SARAN Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 8
9 Webse : jurnal.umj.ac.d/ndex.php/semnasek Ls arbu yang dgunakan dalam penelan n yang palng berpengaruh erhadap Suden Dropou adalah arbu Seleks Masuk Unversas dan Seelah Masuk Unversas. Dlakukan ga klasfkas model yau Accuracy, F-Measure dan AUC. Dar klasfkas ersebu dlakukan perbandngan meode yau Logsc Regresson (LR), Adapve Boosng (AB), Decson Tree (DT), dan Tme-Dependen (TD-). haslnya dperoleh bahwa meode yang palng bagus adalah TD-. Jka dbandngkan anara dan TD- nla performance-nya sama unuk semeser 1 bak unuk Expermen 1 maupun Expermen 2. Secara keseluruhan, meode TD- memberkan performance yang ngg unuk AUC dku F-Measure dan Accuracy. Sedangkan unuk nla sandar devas dar ga klasfkas model juga memberkan kesmpulan yang sama, yau meode TD- memberkan nla yang sama dengan meode unuk er 1 bak unuk Expermen 1 dan Expermen 2 dan yang erngg ada dalam klasfkas AUC jka dbandngan F-Measure dan Accuracy. Unuk esmas Tme o Dropou dgunakan meode MAE dengan evaluas model menggunakan UPER dan OPER. Dengan adanya daa yang ersensor, memberkan nla UPER ngg dbandngkan meode Regresson dan SVR. Hal n mengndkaskan bahwa error secara keseluruhan berasal dar underesmang he semeser of dropou. Berdasarkan hasl penelan n dapa penuls menyarankan kepada para pmpnan Program Sud dan Dekan unuk membangun hubungan akademk anara Tenaga Penddk dengan Mahasswa eruama mahasswa semeser 1 mengnga sebanyak 8.7% suden dropou ada dsemeser n. Penelan n dapa dndaklanju dengan mengembangkan arbu lannya, sehngga lebh komprehensf dengan meode esmas lannya. Mempredks mahasswa yang akan dropou dar kulah sangalah penng dan merupakan ugas yang penuh anangan bag nsus penddkan ermasuk UIB. Dengan menjalankan berbaga sraeg yang bak akan menurunkan resko suden dropou. UCAPAN TERIMAKASIH Penel menyampakan rasa erma kash kepada Kemenrsekdk yang elah memberkan kesempaan dalam Kompes Hbah Penelan. Penelan n merupakan bagan dar Penelan Dosen Pemula Kemenrsekdk Pendanaan Tahun 217. Selan u, erma kash penuls sampakan kepada LPPM Unversas Inernasonal Baam yang elah memfaslas dalam penelan n dengan Konrak Penelan Dosen Pemula Nomor : 8/LPPM1.1.1/DP/217. DAFTAR PUSTAKA [1]A. Nandeshwar, T. Menzes & A. Nelson Learnng paerns of unversy suden reenon. Exper Sysem wh Applcaons. 38(12): [2]Asuk, Yayuk S Implemenas Proporonal Hazard Model Paremaerk unuk Analss Survval Mahasswa. Laporan Penelan Hbah Dosen Pemula 217. [3]B. K. Bhardwaj & S. Pal A predcon for performance mprovemen usng classfcaon. Inernaonal Journal of Compuer Scence and Informaon Secury, 9(4): [4]C. H. Yu, S. DGang, A. Jannasch-Pennel & C. Kaprole. 21. A daa mnng approach for denfyng predcors of suden reenon from sophomore o junor year. Journal of Daa Scence, 8: [5]D. Delen Predcng suden aron wh daa mnng mehods. Journal of College Suden Reenon: Research, Theory & Pracce. 13 (1): [6]J. G. Glynn, P.L. Sauer & T. E. Mller A logsc regresson model for he enhancemen of suden reenon: The denfcaon of a-rsk freshmen. Inernaonal Busness & Economcs Research Journal (IBER), 1(8). [7]Lawless, J.F Sascal Models and Mehods for Lfeme Daa. John Wley & Sons, Inc. USA. [8]M. J. Fard, S. Chawla & C. K. Reddy Early-sage even predcon for longudnal daa. In Pacfc-Asa Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 9
10 Webse : jurnal.umj.ac.d/ndex.php/semnasek Conference on Knowledge Dscovery and Daa Mnng, pages Sprnger. [9]M. Quadr & N. Kalyankar. 21. Dropou feaure of suden daa for academc performance usng decson ree echnques. Global Journal of Compuer Scence and Technology. 1(2): 1-5. [1]Paura, Lga & Arhpova, Irana Cause Analyss of Suden Dropou Rae n Hgher Educaon Sudy Program. ELSEVIER Journal, Volume 19, Pages [11]R. Alkhasawneh Developng a hybrd model o predc suden frs year reenon and academc success n STEM dscplnes usng neural nework. PhD Thess, Vrgna Commonwealh Unversy. Semnar Nasonal Sans dan Teknolog 217 Fakulas Teknk Unversas Muhammadyah Jakara, 1-2 November 217 1
BAB 8 PERSAMAAN DIFERENSIAL BIASA
Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel
Lebih terperinciBAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU
BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU Pada bab III, ka elah melakukan penguan erhadap meoda Runge-Kua orde 4 pada persamaan panas. Haslnya, solus analk persamaan panas
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013
3. Lokas dan Waku Penelan 3.. Lokas Penelan BAB III METODOLOGI PENELITIAN Penelan n dlaksanakan d SMP Neger 7 Goronalo pada ahun ajaran 0/03 3.. Waku Penelan Penelan n d laksanakan pada semeser genap ahun
Lebih terperinciPENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1
PENDUGAAN SAISIK AREA KECIL DENGAN MEODE EMPIRICAL CONSRAINED AYES Ksmann Jurusan Penddkan Maemaka FMIPA Unversas Neger Yogyakara Absrak Meode emprcal ayes (E merupakan meode yang lebh aplkaf pada pendugaan
Lebih terperinci( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32)
8 Raaan poserornya adalah E m x ò (, ) f ( x) m f x m f f m ddm (32) Dalam obseras basanya dgunakan banyak daa klam. Msalkan saja erdr dar grup daa klam dengan masng-masng grup ke unuk seap, 2,..., yang
Lebih terperinciJumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun
Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Creaed by Smpo PDF Creaor Pro (unregsered verson) hp://www.smpopdf.com Sask Bsns : BAB 8 VIII. ANALISIS DATA DERET BERKALA (TIME SERIES) 8.1 Pendahuluan Daa Berkala (Daa Dere waku) adalah daa yang dkumpulkan
Lebih terperinciBAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI
BAB ETROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUYI Model Markov Tersembuny (Hdden Markov Model, MMT) elah banyak daplkaskan dalam berbaga bdang seper pelafalan bahasa (speeh reognon) dan klasfkas (luserng).
Lebih terperinciDi bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif
Regres Dummy D bdang ekonom dak semua nformas dapa dukur secara kuanaf Peubah dummy dgunakan unuk memperoleh nformas yang bersfa kualaf Conoh pada daa cross secon: Gender: sebaga penenu jumlah pendapaan
Lebih terperinciMuthmainnah PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2007 M/1428 H
PERBANDINGAN MODEL COX PROPORTIONAL HAZARD DAN MODEL PARAMETRIK BERDASARKAN ANALISIS RESIDUAL (Sud Kasus pada Daa Kanker Paru-Paru yang Dperoleh dar Conoh Daa pada Sofware S-Plus 2000 dan Smulas unuk Dsrbus
Lebih terperinciBAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST
BAB ESPONS FUNGSI STEP PADA ANGKAIAN DAN C Oleh : Ir. A.achman Hasbuan dan Naemah Mubarakah, ST . Persamaan Dferensal Orde Sau Adapun benuk yang sederhana dar suau persamaan dferensal orde sau adalah:
Lebih terperinciBAB III THREE STAGE LEAST SQUARE. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode
BAB III THREE STAGE LEAST SQUARE Sebagamana elah dsnggung pada bab sebelumnya, salah sau meode penaksran parameer pada persamaan smulan yau meode Three Sage Leas Square (3SLS. Sebelum djelaskan lebh lanju
Lebih terperinciBAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1
BAB I PENDAHULUAN 1.1 Defns Rangkaan Lsrk Rangkaan Lsrk adalah sambungan dar beberapa elemen lsrk ( ressor, kapasor, ndukor, sumber arus, sumber egangan) yang membenuk mnmal sau lnasan eruup yang dapa
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI Pada bab n akan dbahas beberapa eor dasar yang kelak akan dgunakan dalam penurunan formula penenuan harga Asan Opon, bak secara analk pada Bab III maupun secara numerk pada Bab
Lebih terperinciHidden Markov Model. Oleh : Firdaniza, Nurul Gusriani dan Akmal
Hdden Markov Model Oleh : Frdanza, urul Gusran dan Akmal Dosen Jurusan Maemaka FMIPA Unversas Padjadjaran Jl. Raya Bandung Sumedang Km 2, Janangor, Jawa Bara elp. / Fax : 022 7794696 Absrak Hdden Markov
Lebih terperinciPENAKSIRAN PELUANG KESEMBUHAN
Prosdng SNaPP2011 Sans, Teknolog, dan Kesehaan ISSN:2089-3582 PENAKSIRAN PELUANG KESEMBUHAN DENGAN KEKAMBUHAN BERDISTRIBUSI EKSPONENSIAL 1 Abdul Kudus, 2 R. Dachlan Muchls, dan 3 Tk Respa 1,2 Jurusan Saska,
Lebih terperinciJurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) (2)
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Prn) D-17 Analss Kurva Survval Kaplan Meer pada Pasen HIV/AIDS dengan Anrerovral Therapy (ART) d RSUD Prof. Dr. Soekandar Kabupaen Mojokero
Lebih terperinciAnalisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Prn) D151 Analss Survval pada Pasen Pendera Sndrom Koroner Aku d RSUD Dr. Soeomo Surabaya Tahun 213 Menggunakan Regres Cox Proporonal Hazard
Lebih terperinciPENGEMBANGAN MODEL MATEMATIS UNTUK OPTIMASI PERENCANAAN PRODUKSI MINUMAN MARIMAS
PENGEMBANGAN MODEL MATEMATIS UNTUK OPTIMASI PERENCANAAN PRODUKSI MINUMAN MARIMAS Mra Puspasar, Snggh Sapad, Dana Puspasar Absraks PT Ulam Tba Halm merupakan salah sau ndusr mnuman serbuk d Indonesa, dmana
Lebih terperinciPERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR
B-5-1 PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR Wsnu Bud Sunaryo, Haryono ITS Surabaya ABSTRAK Dalam duna konsruks saa n pemakaan produk beon
Lebih terperinci' PERATURAN BUPATI PACITAN I NOMOR 4 TAHUN 2012 PEMBERIAN BANTUAN PERALATAN DAN/ATAU MESIN BAGI INDUSTRI KECIL DAN MENENGAH KABUPATEN PACITAN
j BUPAT PACTAN ' PERATURAN BUPAT PACTAN NOMOR 4 TAHUN 2012 TENTANG PEMBERAN BANTUAN PERALATAN DAN/ATAU MESN BAG NDUSTR KECL DAN MENENGAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN YANG MAHA ESA BUPAT PACTAN
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciKONSEP DASAR. Latar belakang Metode Numerik Ilustrasi masalah numerik Angka signifikan Akurasi dan Presisi Pendekatan dan Kesalahan
KONSEP DASAR Laar belakang Meode Numerk Ilusras masalah numerk Angka sgnfkan Akuras dan Press Pendekaan dan Kesalahan Laar Belakang Meode Numerk Tdak semua permasalahan maemas dapa dselesakan dengan mudah,
Lebih terperinciPeramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR)
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (04) 337-350 (30-98X Prn) D-36 Peramalan Penjualan eda Moor Tap Jens d Wlayah Surabaya dan Blar dengan Model ARIMA Box-Jenkns dan Vecor Auoregressve (VAR) Ade
Lebih terperinci( L ). Matriks varians kovarians dari
LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer
Lebih terperinciAnalisis Jalur / Path Analysis
Analss Jalur / Pah Analyss Analss jalur adalah salah sau benuk model SEM yang dak mengandung varable laen. Tenu saja model n lebh sederhana dbandngkan dengan model SEM lengka. Analss jalur sebenarnya meruakan
Lebih terperinciANaLISIS - TRANSIEN. A B A B A B A B V s V s V s V s. (a) (b) (c) (d) Gambar 1. Proses pemuatan kapasitor
ANaISIS - TANSIEN. Kapasor dalam angkaan D Sebuah kapasor akan ermua bla erhubung ke sumber egangan dc seper yang dperlhakan pada Gambar. Pada Gambar (a), kapasor dak bermuaan yau pla A dan pla B mempunya
Lebih terperinciPenerapan Statistika Nonparametrik dengan Metode Brown-Mood pada Regresi Linier Berganda
Jurnal EKSPONENSIAL Volume 7, Nomor, Me 6 ISSN 85-789 Penerapan Saska Nonparamerk dengan Meode Brown-Mood pada Regres Lner Berganda Applcaon of Nonparamerc Sascs, wh Brown-Mood Mehod on Mulple Lnear Regresson
Lebih terperinciBUPATI PACITAN. i PERATURAN BUPATI PACITAN ; NOMOR 5" TAHUN 2008 TENTANG
BUPAT PACTAN PERATURAN BUPAT PACTAN ; NOMOR 5" TAHUN 2008 TENTANG PETUNJUK PELAKSANAAN PERATURAN DAERA KABUPATEN PACTAN NOMOR 25 TAHUN 2007 TENTANG ORGAN DAN KEPEGAWAAN PERUSAHAAN DAERAH AR MNUM j KABUPATEN
Lebih terperinciANALISIS DATA DERET BERKALA DENGAN METODE TREND SEKULER UNTUK MENENTUKAN MODEL PERTUMBUHAN PENDUDUK MISKIN JAWA BARAT
ANALISIS DATA DERET BERKALA DENGAN METODE TREND SEKULER UNTUK MENENTUKAN MODEL PERTUMBUHAN PENDUDUK MISKIN JAWA BARAT ANALSIS OF TIME SERIES USING SECULAR TREND METHOD TO DETERMINE POPULATION GROWTH MODEL
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Laar Belakang Masalah Knerja pembangunan ekonom Indonesa bsa dkaakan sanga membanggakan dengan ngka perumbuhan ekonom selama beberapa dekade erakhr n sangalah ngg, walaupun mengalam
Lebih terperinciModifikasi Penaksir Robust dalam Pelabelan Outlier Multivariat
Vol. 14, No. 1, 46-53, Jul 2017 Modfkas Penaksr Robus dalam Pelabelan Ouler Mulvara Erna Tr Herdan Absrak Ouler adalah suau observas yang polanya dak mengku mayoras daa. Ouler dalam kasus mulvara sanga
Lebih terperinciNILAI AKUMULASI DARI SUATU CASH FLOW DENGAN TINGKAT BUNGA BERUBAH BERDASARKAN FORMULA FISHER
ILAI AKUMULASI DARI SUATU CASH FLOW DEGA TIGKAT BUGA BERUBAH BERDASARKA FORMULA FISHER Devs Apranda, Johannes Kho, Sg Sugaro Mahasswa rogram S Maemaka Dosen Jurusan Maemaka Fakulas Maemaka dan Ilmu engeahuan
Lebih terperinciPengenalan Aksara Pallawa dengan Model Hidden Markov
Pengenalan Aksara Pallawa dengan Model Hdden Markov Wwen Wdyasu Teknk Elekro, Fakulas Sans dan Teknolog, Unversas Sanaa Dharma Emal: wwen@usd.ac.d Absrak Aksara Pallawa aau kadangkala duls sebaga Pallava
Lebih terperinciKajian Model Markov Waktu Diskrit Untuk Penyebaran Penyakit Menular Pada Model Epidemik SIR
JURAL TEKK POT Vol, o, (0) -6 Kajan odel arkov Waku Dskr Unuk Penyebaran Penyak enular Pada odel Epdemk R Rafqaul Hasanah, Laksm Pra Wardhan, uhud Wahyud Jurusan aemaka, Fakulas PA, nsu Teknolog epuluh
Lebih terperinciAPLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a
APLIKASI STRUKTUR GRUP ANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI Mujash a a Program Sud Maemaka Jurusan Tadrs Fakulas Tarbah IAIN Walsongo Jl. Prof. Dr. Hamka Kampus II Ngalan Semarang
Lebih terperinciUSING THE PAST TO PREDICT THE FUTURE WORKSHOP ANALISIS RESIKO UNTUK BISNIS
USING THE PAST TO PREDICT THE FUTURE WORKSHOP ANALISIS RESIKO UNTUK BISNIS Oleh : Maman Seawan, SE, MT 28 29 Sepember 2004 PROGRAM PENGEMBANGAN KOMPETENSI BISNIS DIVISI PENGKAJIAN DAN PENGEMBANGAN BISNIS
Lebih terperinci\ DANA ALOKASI DESA DENGAN RAHMAT TUHAN YANG MAHA ESA
y BUPAT PACTAN PERATURAN BUPAT PACTAN : NOMOR 55" TAHUN 20 ; TENTANG \ DANA ALOKAS DESA DENGAN RAHMAT TUHAN YANG MAHA ESA BUPAT PACTAN, Menmbang : a. bahwa dalam rangka penngkaan penyelenggaraan pemernahan,
Lebih terperinciLine Transmisi. Oleh: Aris Heri Andriawan ( )
ANALISIS APLIKASI PENJADWALAN UNIT-UNIT PEMBANGKIT PADA SISTEM KELISTRIKAN JAWA-BALI DENGAN MENGGUNAKAN UNIT COMMITMENT, UNIT DECOMMITMENT DAN MODIFIED UNIT DECOMMITMENT Oleh: Ars Her Andrawan (07000)
Lebih terperinciBUPATI PACITAN. I PERATURAN BUPATI PACITAN \ NOMOR ;i6tahun 2010
3 1 BUPAT PACTAN PERATURAN BUPAT PACTAN \ NOMOR ;6TAHUN 2010 TENTANG PENYELENGGARAAN SSTEM PENGENDALAN NTERN PEMERNTA D LNGKUNGAN PEMERNTAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN YANG MAHA ESA BUPAT PACTAN,
Lebih terperinci! BUPATI PACriAN j PERATURAN BUPATI PACITAN NOMOR 18 TAHUN 2013
! BUPAT PACrAN j PERATURAN BUPAT PACTAN NOMOR 18 TAHUN 2013 TENTANG PEDOMAN PENYUSUNAN LAPORAN DEWAN PENGAWAS BADAN LAYANAN UMUM DAERAH PADA RUMAH SAKT UMUM DAERAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN
Lebih terperinciPENERAPAN FUZZY MULTI CRITERIA DECISION MAKING UNTUK MENENTUKAN PEMBERIAN BEASISWA
Semnar Nasonal Teknolog Informas dan Mulmeda 2015 STMIK AMIKOM Yogyakara, 6-8 Februar 2015 PENERAPAN FUZZY MULTI CRITERIA DECISION MAKING UNTUK MENENTUKAN PEMBERIAN BEASISWA Yeffransjah Salm STMIK Indonesa
Lebih terperinciPERBAIKAN ASUMSI KLASIK
BAHAN AJAR EKONOMETRI AGUS TRI BASUKI UNIVERSITAS MUHAMMADIAH OGAAKARTA PERBAIKAN ASUMSI KLASIK 6.. Mulkolnearas Jka model ka mengandung mulkolneras yang serus yakn korelas yang ngg anar varabel ndependen,
Lebih terperinciPemodelan Penyerapan Tenaga Kerja Sektor Industri di Indonesia Dengan Pendekatan Regresi Data Panel Dinamis
JURAL SAIS DA SEI ITS Vol. 5 o. 2 (2016) 2337-3520 (2301-928X Prn) D-217 Pemodelan Penyerapan Tenaga Kerja Sekor Indusr d Indonesa Dengan Pendekaan Regres Daa Panel Dnams Avolla Terza Damalana dan Seawan
Lebih terperinciPENENTUAN EOQ TERHADAP PRODUK AVTUR DI LANUD HUSEIN SASTRANEGARA BANDUNG
INDEPT, Vol., No. 3, Okober 01 ISSN 087 945 PENENTUAN EOQ TERHADAP PRODUK AVTUR DI LANUD HUSEIN SASTRANEGARA BANDUNG Samsul Budaro, ST., MT Dosen Teap Teknk Indusr, Wakl Dekan III akulas Teknk, Unversas
Lebih terperinciSISTEM REKOMENDASI NILAI MATA KULIAH MENGGUNAKAN METODE CONTENT-BASED FILTERING
Semnar Nasonal Informaka 00 (semnasif 00) ISSN: 979-38 UPN Veeran Yogyakara, Me 00 SISTEM REKOMENDASI NILAI MATA KULIAH MENGGUNAKAN METODE CONTENT-BASED FILTERING Puspanngyas Sanjoyo A ) ) Teknk Informaka,
Lebih terperinciPENERAPAN MODEL GSTAR(1,1) UNTUK DATA CURAH HUJAN
Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 6, o. 03 (017), hal 159 166. PEERAPA MODEL GSTAR(1,1) UTUK DATA CURAH HUJA Ism Adam, Dadan Kusnandar, Hendra Perdana ITISARI Model Generalzed Space Tme
Lebih terperinciNILAI TOTAL TAK TERATUR TOTAL DARI GABUNGAN TERPISAH GRAF RODA DAN GRAF BUKU SEGITIGA
Jurnal Ilmu Maemaka dan Terapan Desember 015 Volume 9 Nomor Hal. 97 10 NILAI TOTAL TAK TERATUR TOTAL DARI GABUNGAN TERPISAH GRAF RODA DAN GRAF BUKU SEGITIGA R. D. S. Rahangmean 1, M. I. Tlukay, F. Y. Rumlawang,
Lebih terperinciMODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT
Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 07, No. (018), hal 85 9. MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT Felca Kurna Kusuma Wra Pur, Dadan
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB II TINJAUAN PUSTAKA. membahas analisis deret waktu, diagram kontrol Shewhart, Average Run Length
BAB II TINJAUAN PUSTAKA Pendahuluan Dalam enulsan maer okok dar skrs n derlukan beberaa eor-eor yang mendukung, yang menjad uraan okok ada bab n Uraan dmula dengan membahas analss dere waku, dagram konrol
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Model Persediaan Model Deterministik
6 BAB LANDASAN TEORI. Model Persedaan.. Model Deermnsk Model Deermnsk adalah model yang menganggap nla-nla parameer elah dkeahu dengan pas. Model n dbedakan menjad dua: a. Deermnsk Sas. D dalam model n
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEORI. Tnjauan Pusaka.. Uj Keseragaman Daa Tujuan uama pengukuran uj keseragaman daa adalah unuk mendapakan da yang seragam. Kedak seragaman daa dapa daang anpa dsadar, maka dperlukan suau
Lebih terperinciBAB III MINIMUM COVARIANCE DETERMINANT. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode
BAB III MINIMUM COVARIANCE DETERMINANT Sebagamana elah dsnggung pada bab sebelumnya, salah sau meode robus unuk mendeeks penclan (ouler) dalam analss komponen uama robus yau meode Mnmum Covarance Deermnan
Lebih terperinciReliabilitas. A. Pengertian
Relablas A. Pengean Relablas adalah sejauh mana hasl ujan sswa eap aau konssen da posedu penlaan (Nko, 007:66). Menuu Ellen, suau es dkaakan elabel jka sko obsevas nla awal behubungan dengan sko yang sebenanya.
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN 3. Meode Penelan Meode penelan yang dgunakan dalam penelan n adalah meode deskrpf anals. Wnarno Surakhmad (990:40) mengemukakan bahwa meode deskrpf mempunya cr-cr sebaga berku:.
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Jens dan Sumber Daa Daa ang dgunakan dalam penelan n merupakan daa sekunder ang berasal dar berbaga nsans pemernah eruama Badan Pusa Sask. Daa ang dgunakan anara lan angka kemsknan,
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciSudaryatno Sudirham. Analisis Rangkaian Listrik Di Kawasan Waktu
Sudaryano Sudrham nalss Rangkaan Lsrk D Kawasan Waku BB 12 nalss Transen d Kawasan Waku Rangkaan Orde Perama Yang dmaksud dengan analss ransen adalah analss rangkaan yang sedang dalam keadaan peralhan
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciPeramalan Dengan Model SVAR Pada Data Inflasi Indonesia Dan Nilai Tukar Rupiah Terhadap Dolar Amerika Dengan Menggunakan Metode Bootstrap
Peramalan Dengan Model SVR Pada Daa Inflas Indonesa Dan Nla Tukar Ruah Terhada Dolar merka Dengan Menggunakan Meode Boosra Dav S Wardan, d Seawan 2, Dd B Nugroho 3 PS Maemaka, Fak Sans dan Maemaka, UKSW
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciBAB III METODOLOGI PENELITIAN
45 BAB III METODOLOGI PENELITIAN 3.1 Spesfkas Model Berdasarkan ujuan penelan seper dsebukan dalam bab pendahuluan maka ada dua hal mendasar yang akan del yau pengaruh volalas nla ukar rl erhadap volalas
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciFisika Modern. Persamaan Schroodinger dan Fingsi Gelombang
Fska Modern Persaaan Schroodnger dan Fngs Gelobang Apa Persaaan unuk Gelobang Maer? De Brogle eberkan posula bahwa seap parkel elk hubungan: h/ p Golobang aer ala n dkonfras oleh percobaan dfraks elekron,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Ekonomi Kertajaya Menggunakan ARIMA dan ANFIS
JURNAL SAINS DAN SENI ITS Vol. 4 No. (05) 33-350 (30-9X Prn) D-3 Peramalan Jumlah Penumpang Kerea Ap Kelas Ekonom Keraaya Menggunakan ARIMA dan ANFIS Ilaf Andala dan Irhamah Jurusan Saska Fakulas Maemaka
Lebih terperinciCorresponding Author:
Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept
Lebih terperinciE-book Statistika Gratis... Statistical Data Analyst. Uji Asumsi Klasik Regresi Linear
E-boo Sasa Gras... Sascal Daa Anals Uj Asums Klas Regres Lnear Pada penulsan enang Regres Lnear n, penuls aan memberan bahasan mengena Uj Asums Klas epada para pembaca unu memberan pemahaman dan solus
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBERITA DAERAH KABUPATEN PACITAN PERATURAN BUPATI PACITAN 1 NOMOR 16 TAHUN 2010 TENTANG
BERTA DAERAH KABUPATEN PACTAN TAHUN 200 NOMOR 7 PERATURAN BUPAT PACTAN NOMOR 6 TAHUN 200 TENTANG PERUBAHAN KETGA ATAS PERATURAN BUPAT PACTAN NOMOR 28 TAUN 2009 TENTANG PENJABARAN ANGGARAN PENDAPATAN DAN
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciINFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER
Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciABSTRACT. Mathematics, IPB. For censored data, survival time using Exponential method is St ˆ( ) = e λ
ANALII DATA URVIVAL WAKTU TUNGGU MENDAPATKAN PEKERJAAN PERTAMA DENGAN MENGGUNAKAN METODE EKPONENIAL DAN WEIBULL MARLINA RAHMAWATI G5433 DEPARTEMEN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinci9. TEKNIK PENGINTEGRALAN
9. TEKNIK PENGINTEGRALAN 9. Inegral Parsal Formula Inegral Parsal : Cara : plh u yang urunannya lebh sederhana Conoh : Hung u dv uv v du e d msal u =, maka du=d dv e d v e d e sehngga e d e e d e e C INF8
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciKresnanto NC. Model Sebaran Pergerakan
Kresnano C Moel Sebaran Pergerakan Kresnano C Tujuan Uama: Mengeahu pola pergerakan alam ssem ransporas serng jelaskan alam benuk arus pergerakan (kenaraan, penumpang, an barang) yang bergerak ar zona
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDAAN TEORI Pada bab n akan dbahas beberapa eor maemaka keuangan dan saska yang mendukung dalam penurunan formula Lookback Opons pada Bab III dan pembuaan program pada Bab IV. Teor-eor yang
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFFERENSIAL NON LINEAR MENGGUNAKAN METODE EULER BERBANTUAN PROGRAM MATLAB SKRIPSI
SOLUSI SISTEM PERSAMAAN DIFFERENSIAL NON LINEAR MENGGUNAKAN METODE EULER BERBANTUAN PROGRAM MATLAB SKRIPSI oleh: RILA DWI RAHMAWATI NIM: 0350050 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN EORI. njauan Pusaka.. Peramalan Peramalan (forecasng) merupakan ala banu yang penng dalam perencanaan yang efekf dan efsen khususnya dalam bdang ekonom. Dalam organsas modern mengeahu keadaan
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBUPAH PAOTAN PERATURAN BUPATI PACITAN NOMOR 30 TAHUN 2013 TENTANG TATA CARA PENYESUAIAN ANGGARAN PENDAPATAN DAN BELANJA DAERAH
r BUPAH PAOTAN PERATURAN BUPAT PACTAN NOMOR 30 TAHUN 2013 TENTANG TATA CARA PENYESUAAN ANGGARAN PENDAPATAN DAN BELANJA DAERAH DENGAN RAHMAT TUHAN YANG MAHA ESA! BUPAT PACTAN, Menglnga a. bahwa guna kelancaran
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciPerbandingan Metoda Formulasi Intensitas Hujan untuk Kawasan Hulu Daerah Aliran Sungai
Perbandngan Meoda Formulas nensas Hujan unuk Kawasan Hulu Daerah Alran Sunga (Dmua pada Jurnal Journal Geograf GEA Vol. 5 No. Okober 5) ndramo Soekarno 1) Dede Rohma ) Absrak Kajan dlakukan unuk memperoleh
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinci