HASIL DAN PEMBAHASAN
|
|
- Vera Indradjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 HASIL DAN PEMBAHASAN Implementasi Biplot Kanonik dan Analisis Procrustes dengan Mathematica Biplot biasa dengan sistem perintah telah terintegrasi ke dalam beberapa program paket statistika seperti SAS, R dan Stata. Sejalan dengan makin berkembangnya teknik komputasi dengan sistem aljabar komputer (SAK), biplot biasa telah diimplementasikan ke dalam SAK Mathematica dengan pemrograman fungsional Mathematica berbasis GUI (Graphical User Interface) (Ardana dan Siswadi, 2009). Tetapi, implementasi biplot kanonik dan ukuran kesesuaian dua konfigurasi menggunakan analisis Procrustes dengan sistem perintah belum terintegrasi dalam suatu program paket statistika. Oleh karena itu dalam penelitian ini paket program tersebut akan disusun menggunakan software Mathematica 8.0. Analisis biplot kanonik merupakan representasi grafik dari analisis peubah kanonik, dikembangkan oleh Gabriel (1995) untuk memperoleh representasi secara serempak antara rata-rata kelompok dan peubah. Algoritma untuk memperoleh analisis biplot kanonik ialah: 1. Misalnya adalah matriks data asal berukuran dan adalah matriks indikator m kelompok berukuran. 2. Menentukan matriks data asal yang terkoreksi terhadap nilai rata-rata kolomnya dengan rumus 11'. 3. Menentukan matriks rata-rata kelompok, yaitu dengan. 4. Menentukan matriks jumlah kuadrat dan hasil kali data dalam kelompok dengan rumus. 5. Menentukan matriks rata-rata kelompok terboboti, yaitu. 6. Menggunakan penguraian nilai singular terhadap matriks, sehingga diperoleh. 7. Menentukan koordinat rata-rata kelompok dengan rumus dan koordinat peubah dengan rumus.
2 8. Koordinat rata-rata kelompok dan peubah yang diperoleh kemudian diplot menggunakan paket BiplotGH Ver. 1.0 (Ardana, 2009). Hasil yang diperoleh dari program di atas berupa suatu perintah/fungsi BiplotKanonik [X,Z], dengan argumen X adalah matriks data dengan n objek dan p peubah dan argumen Z adalah matriks indikator. Perintah di atas menghasilkan matriks objek (G), matriks peubah (H), Hlabel, ukuran dimensi 1, ukuran dimensi 2 dan ukuran kesesuaian biplot kanonik (GF). Kemudian plot menggunakan perintah BiplotGH[G,H,options], dengan argumen G adalah matriks objek, argumen H adalah matriks peubah dan argumen options berupa tambahan untuk label titik-titik objek dan vektor peubah serta semua opsi grafik. Namun sebelumnya tuliskan perintah <<BiplotKanonik` dan <<BiplotGH` untuk menemukan file agar dapat terbaca. Ukuran kesesuaian matriks data, objek dan peubah dalam analisis biplot biasa dan kanonik serta ukuran kesesuaian antara koordinat biplot biasa dan kanonik dapat diperoleh dengan menggunakan nilai norma kuadrat perbedaan minimum dalam analisis Procrustes. Hal ini telah ditunjukkan oleh Bakhtiar dan Siswadi (2011) bahwa urutan optimal transformasi linear dalam analisis Procrustes ialah translasi, rotasi dan dilasi. Algoritma untuk menghitung ukuran kesesuaian dengan analisis Procrustes : 1. Misalnya dan adalah dua konfigurasi matriks berukuran. 2. Menentukan konfigurasi dan setelah ditranslasi, yaitu dan dengan rumus 1 dan 1, di mana 1 dan 1 merupakan sentroid kolom dari konfigurasi dan. 3. Menentukan matriks ortogonal untuk transformasi rotasi, dengan matriks dan merupakan hasil penguraian nilai singular bentuk lengkap dari matriks menjadi. 4. Menghitung skalar untuk transformasi dilasi. 5. Menghitung nilai norma kuadrat perbedaan kedua konfigurasi setelah penyesuaian dengan translasi, rotasi dan dilasi, yaitu
3 6. Menghitung ukuran kesesuaian dua konfigurasi, yaitu Hasil utama yang diperoleh dari program di atas berupa suatu perintah/fungsi GFProcrustes[X,Y]. Argumen X adalah matriks konfigurasi pertama dan argumen Y adalah matriks konfigurasi kedua. Namun sebelumnya tuliskan perintah <<GFProcrustes` untuk menemukan file agar dapat terbaca. Eksplorasi Data Sebaran nilai akhir mata kuliah yang diikuti mahasiswa TPB IPB tahun akademik 2009/2010 terangkum dalam Tabel 5. Tabel 5 Sebaran nilai akhir mata kuliah TPB IPB tahun akademik 2009/2010 No. Kode Peubah Mata Kuliah. Huruf Mutu (%) A B C D E 1 AG Agama KN Pendidikan Kewarganegaraan ID Bahasa Indonesia PP Pengantar Ilmu Pertanian IG Bahasa Inggris OS Olahraga dan Seni PM Pengantar Matematika KA Kalkulus KI Kimia BI Biologi FI Fisika EK Ekonomi Umum SU Sosiologi Umum PK Pengantar Kewirausahaan IP Indeks Prestasi Kumulatif Tabel 5 memberikan informasi berapa banyak mahasiswa yang mendapat nilai mutu tertentu pada mata kuliah tertentu. Misalnya untuk menghitung banyak mahasiswa yang mendapat nilai A pada mata kuliah Pengantar Matematika (PM) dapat diperoleh dari 4.56% 3047 (jumlah mahasiswa TPB IPB) yaitu 139 orang. Dari tabel ini juga diperoleh jumlah mahasiswa terbanyak yang memperoleh nilai A adalah pada mata kuliah Pengantar Kewirausahaan (PK), yaitu sebanyak 85.13% 3047 = 2594 orang. Sedangkan jumlah mahasiswa terbanyak yang memperoleh nilai E adalah pada mata kuliah Pengantar Matematika (PM), yaitu sebanyak 5.84% 3047 = 178 orang.
4 Ukuran pemusatan dan penyebaran nilai mata kuliah dan IPK mahasiswa TPB IPB tahun akademik 2009/2010 ditata berdasarkan simpangan baku diberikan dalam Tabel 6. Tabel 6 dapat memberikan informasi tentang kontribusi nilai mata kuliah terhadap perolehan IPK. Kontribusi terbesar berasal dari mata kuliah Pengantar Kewirausahaan (PK) dengan rata-rata 3.84, Olahraga dan Seni (OS) dengan rata-rata 3.76, Agama (AG) dengan rata-rata 3.53, Bahasa Inggris (IG) dengan rata-rata 3.36 dan Bahasa Indonesia (ID) dengan rata-rata Sedangkan mata kuliah yang memberikan kontribusi tidak terlalu besar terhadap IPK yaitu mata kuliah Pengantar Matematika (PM) dengan rata-rata 1.92, Kalkulus (KA) dengan rata-rata 1.95, Kimia (KI) dengan rata-rata 2.26 dan Fisika (FI) dengan rata-rata Tabel 6 Ukuran pemusatan dan penyebaran nilai mata kuliah dan IPK mahasiswa TPB IPB tahun akademik 2009/2010 No. Kode Ratarata Baku Simpangan Mata Kuliah Median Peubah 1 EK Ekonomi Umum BI Biologi FI Fisika PM Pengantar Matematika KA Kalkulus KI Kimia ID Bahasa Indonesia PP Pengantar Ilmu Pertanian IG Bahasa Inggris KN Pendidikan Kewarganegaraan SU Sosiologi Umum AG Agama IP Indeks Prestasi Kumulatif OS Olahraga dan Seni PK Pengantar Kewirausahaan Tabel 6 juga dapat memberikan informasi tentang keragaman peubah (nilai mata kuliah). Mata kuliah Ekonomi Umum (EK), Biologi (BI), Fisika (FI), Pengantar Matematika (PM), Kalkulus (KA) dan Kimia (KI) memiliki nilai lebih beragam daripada mata kuliah lainnya. Sedangkan mata kuliah Agama (AG), Olahraga dan Seni (OS), Pengantar Kewirausahaan (PK) dan Indeks Prestasi Kumulatif (IP) memiliki keragaman nilai yang relatif kecil. Tabel 6 tidak dapat memberikan gambaran tentang data pencilan (objek). Untuk memperoleh gambaran tentang data pencilan digunakan diagram kotak
5 N i l a i garis (boxplot). Diagram kotak garis merupakan salah satu alat peraga dalam pembandingan data dengan cara menggambarkan kotak-garis masing-masing kelompok data secara berdampingan sehingga perbandingan lokasi pemusatan maupun rentangan penyebaran data antarkelompok itu dapat dilihat secara sekaligus (Aunuddin, 1989). Diagram kotak garis dapat membantu dalam memahami karakteristik dari distribusi data. Selain untuk melihat derajat penyebaran data (yang dapat dilihat dari tinggi/panjang diagram kotak garis) juga dapat digunakan untuk menilai kesimetrisan sebaran data. Panjang kotak menggambarkan tingkat penyebaran atau keragaman data pengamatan, sedangkan letak median dan panjang garis menggambarkan tingkat kesimetrisannya. Diagram kotak garis sebagai gambaran peubah memberikan pencilan dengan data yang ditata berdasarkan nilai rata-ratanya disajikan pada Gambar 1. 4 Diagram Kotak Garis PK OS AG IG ID EK KN PP SU IP BI FI KI KA PM P e u b a h Gambar 1 Diagram kotak garis nilai mata kuliah dan IPK Diagram kotak garis pada Gambar 1 dapat memberikan informasi tentang keragaman peubah dan data pencilan. Pada Gambar 1 terlihat bahwa hanya Ekonomi Umum (EK) yang tidak memiliki data pencilan, peubah lainnya memiliki data pencilan namun sulit diidentifikasi dari objek keberapa karena datanya (objek) terlalu banyak. Mata kuliah Ekonomi Umum (EK) mempunyai keragaman nilai yang paling tinggi, sedangkan mata kuliah Pengantar Kewirausahaan (PK), Olahraga dan Seni (OS), Pendidikan Kewarganegaraan (KN) dan Pengantar Ilmu Pertanian (PP) memiliki keragaman nilai yang relatif kecil.
6 Posisi median di dalam diagram kotak garis akan menunjukkan kemiringan pola sebaran data. Peubah Pendidikan Kewarganegaraan (KN), Pengantar Ilmu Pertanian (PP), Kalkulus (KA), Pengantar Matematika (PM) dan IPK (IP) kemiringan pola sebarannya mendekati simetri atau mediannya hampir sama dengan rata-ratanya. Peubah Pengantar Kewirausahaan (PK), Olahraga dan Seni (OS), Agama (AG), Sosiologi Umum (SU) dan Biologi (BI) mempunyai kemiringan pola sebaran datanya negatif, hal ini menunjukkan bahwa rata-rata kelima peubah tersebut lebih kecil dari mediannya, sedangkan peubah Bahasa Inggris (IG), Bahasa Indonesia (ID), Ekonomi Umum (EK), Fisika (FI) dan Kimia (KI) mempunyai kemiringan pola sebaran datanya positif, hal ini mengindikasikan bahwa rata-rata kelima peubah tersebut lebih besar dari mediannya. Hubungan linear antara dua peubah atau lebih tidak dapat dibaca dari diagram kotak garis, maka digunakan korelasi Pearson seperti yang diberikan pada Tabel 7 untuk menyatakan ada atau tidaknya hubungan antarpeubah dan untuk menyatakan besarnya sumbangan peubah satu terhadap peubah lainnya. Signifikansi korelasi pada Tabel 7 berdasarkan nilai-p hampir semuanya kurang dari 1%, ini menunjukkan korelasinya sangat nyata. Korelasi dengan nilai-p-nya disajikan pada Lampiran 5. Tabel 7 Matriks korelasi Pearson data asal AG KN ID PP IG OS PM KA KI BI FI EK SU PK IP AG 1.00 KN 0.23** 1.00 ID 0.41** 0.24** 1.00 PP 0.33** 0.31** 0.40** 1.00 IG 0.27** 0.32** 0.44** 0.36** 1.00 OS 0.07** 0.06** ** PM 0.32** 0.28** 0.48** 0.40** 0.43** 0.07** 1.00 KA 0.32** 0.26** 0.49** 0.37** 0.40** 0.06** 0.74** 1.00 KI 0.38** 0.30** 0.53** 0.45** 0.42** 0.06** 0.65** 0.68** 1.00 BI 0.41** 0.32** 0.58** 0.52** 0.48** 0.05** 0.57** 0.57** 0.66** 1.00 FI 0.25** 0.28** 0.43** 0.40** 0.43** 0.08** 0.65** 0.65** 0.63** 0.59** 1.00 EK 0.36** 0.21** 0.56** 0.41** 0.37** 0.06** 0.60** 0.62** 0.62** 0.63** 0.55** 1.00 SU 0.31** 0.25** 0.45** 0.38** 0.36** 0.07** 0.42** 0.42** 0.45** 0.48** 0.41** 0.48** 1.00 PK 0.10** 0.15** 0.14** 0.06** 0.08** 0.06** 0.07** 0.11** 0.10** 0.08** 0.08** 0.13** 0.13** 1.00 IP 0.51** 0.46** 0.70** 0.60** 0.62** 0.10** 0.80** 0.81** 0.82** 0.82** 0.78** 0.79** 0.63** 0.16** 1.00 Keterangan : ** nilai-p 0.01 * 0.01 < nilai-p 0.05 Peubah IP merupakan Indeks Prestasi Kumulatif yang dicapai mahasiswa sebagai indikator prestasi mahasiswa. Berdasarkan Tabel 7 peubah IPK (IP) berkorelasi sangat nyata dengan semua peubah lainnya. Peubah IPK (IP) sangat
7 berkorelasi dengan peubah Biologi (BI), Kimia (KI), Pengantar Matematika (PM) dan peubah Kalkulus (KA) dengan nilai korelasi 0.80**. Ini menunjukkan bahwa rata-rata IPK yang dicapai mahasiswa sangat dipengaruhi oleh nilai mata kuliah Biologi, Kimia, Pengantar Matematika dan Kalkulus. Sedangkan dengan peubah Pengantar Kewirausahaan (PK) dan Olahraga dan Seni (OS), peubah IPK (IP) berkorelsi sangat rendah dengan nilai korelasi 0.20**. Hal ini menunjukkan bahwa nilai mata kuliah Pengantar Kewirausahaan serta Olahraga dan Seni kecil pengaruhnya terhadap nilai IPK. Secara umum, hampir semua korelasi antarpeubah sangat nyata, walaupun nilainya tidak begitu besar, kecuali peubah Olahraga dan Seni (OS) tidak berkorelasi dengan peubah Bahasa Indonesia (ID) dan Bahasa Inggris (IG). Gambaran Umum Provinsi Gambaran umum mutu pendidikan tiap provinsi dapat dilihat pada pencapaian prestasi mahasiswanya di IPB dalam bidang akademik yang umumnya dilihat dari indikator nilai IPK. IPK merupakan nilai kumulatif dari 14 mata kuliah yang diikuti mahasiswa TPB IPB. Walaupun mahasiswa yang mewakili provinsinya berjumlah tidak merata, akan tetapi nilai yang digunakan adalah nilai rata-rata per provinsi. Jika rata-rata nilai IPK mahasiswa dari suatu provinsi lebih tinggi maka provinsi tersebut mempunyai mutu pendidikan lebih baik dengan provinsi lainnya. Peringkat provinsi berdasarkan rata-rata IPK disajikan pada Gambar 2. Berdasarkan Gambar 2, provinsi yang mendapat peringkat IPK lima tertinggi dan lima terbawah didominasi oleh provinsi di luar pulau Jawa. Lima provinsi yang memiliki rata-rata IPK tertinggi ialah Kalimantan Timur, Kepulauan Bangka Belitung, Kalimantan Selatan, Bengkulu dan Daerah Istimewa Yogyakarta, dengan nilai rata-rata IPK lebih besar dari Sedangkan provinsi yang masuk ke dalam peringkat 5 terbawah dalam perolehan rata-rata IPK ialah provinsi Maluku, Maluku Utara, Papua, Aceh dan Sulawesi Barat, dengan nilai rata-rata IPK lebih kecil dari Berarti kelima provinsi tersebut perlu melakukan perbaikan untuk lebih berprestasi di perguruan tinggi.
8 KALIMANTAN TIMUR KEPULAUAN BANGKA KALIMANTAN SELATAN BENGKULU DIY JAWA TENGAH KEPULAUAN RIAU JAWA TIMUR SUMATERA BARAT BALI GORONTALO LAMPUNG DKI JAKARTA SULAWESI UTARA JAMBI JAWA BARAT NTT BANTEN SUMATERA SELATAN RIAU PAPUA BARAT NTB KALIMANTAN BARAT SUMATERA UTARA SULAWESI TENGGARA SULAWESI SELATAN KALIMANTAN TENGAH SULAWESI BARAT ACEH PAPUA MALUKU UTARA MALUKU IP 3.46, n 23 = , n 9 = , n 22 = , n 7 = , n 15 = , n 14 = , n 10 = , n 16 = , n 3 = , n 17 = , n 28 = , n 8 = , n 11 = , n 24 = , n 5 = , n 12 = , n 19 = , n 13 = , n 6 = , n 4 = , n 31 = , n 18 = , n 20 = , n 2 = , n 26 = , n 25 = , n 21 = , n 27 = , n 1 = , n 32 = , n 30 = , n 29 = 1 IP Gambar 2 Peringkat provinsi berdasarkan rata-rata IPK Seleksi Peubah Sebagai penyederhanaan dan meningkatkan ketepatan model pada analisis maka dilakukan proses seleksi peubah yaitu proses pengidentifikasian dan pengurangan peubah-peubah yang memberikan kontribusi informasi yang relatif kecil pada keragaman data. Alasan seleksi peubah untuk merepresentasikan keragaman total pada keseluruhan data dapat berdasarkan pada pertimbangan bahwa beberapa peubah mungkin sulit ataupun mahal untuk diukur pada studi berikutnya, atau meskipun peubah tersebut biasanya dapat diinterpretasikan, komponen utama yang telah ditentukan dapat menjadi sulit diinterpretasikan jika terlalu banyak peubah yang terlibat. Seleksi peubah dalam penelitian ini dilakukan melalui teknik analisis komponen utama (AKU, Principal Component Analysis). AKU biasanya digunakan untuk: (1) identifikasi peubah baru yang mendasari data peubah ganda, (2) mengurangi banyaknya dimensi himpunan peubah yang biasanya terdiri atas peubah yang banyak dan saling berkorelasi menjadi peubah-peubah baru yang tidak berkorelasi dengan mempertahankan sebanyak mungkin keragaman dalam
9 himpunan data tersebut, dan (3) menghilangkan peubah-peubah asal yang mempunyai sumbangan informasi yang relatif kecil (Siswadi dan Suharjo, 1999). Peubah baru yang dimaksud di atas disebut komponen utama yang berciri: (1) merupakan kombinasi linear peubah-peubah asal, (2) jumlah kuadrat koefisien dalam kombinasi linear tersebut bernilai satu, (3) tidak berkorelasi, dan (4) mempunyai ragam berurut dari yang terbesar ke yang terkecil. Peubah-peubah yang terseleksi menggunakan teknik AKU adalah peubah IPK (IP), Pendidikan Kewirausahaan (PK), Olahraga dan Seni (OS), Kalkulus (KA), Agama (AG), Sosiologi Umum (SU) dan Kimia (KI). Berdasarkan Tabel 6 peubah IPK (IP), Pendidikan Kewirausahaan (PK), Olahraga dan Seni (OS), Agama (AG) dan Sosiologi Umum (SU) memiliki keragaman yang relatif kecil. Berdasarkan Tabel 7 peubah Kalkulus (KA) mempunyai korelasi Pearson yang relatif besar dengan peubah Pengantar Matematika (PM), yaitu 0.74** sehingga peubah Kalkulus (KA) terwakili oleh peubah Pengantar Matematika (PM), sedangkan peubah Kimia (KI) mempunyai korelasi Pearson yang relatif besar dengan peubah Biologi (BI), yaitu 0.66** sehingga peubah Kimia (KI) terwakili oleh peubah Biologi (BI). Jadi, peubah-peubah yang dipertahankan dan digunakan dalam analisis berikutnya adalah peubah Pendidikan Kewarganegaraan (KN), Bahasa Indonesia (ID), Pengantar Ilmu Pertanian (PP), Bahasa Inggris (IG), Pengantar Matematika (PM), Biologi (BI), Fisika (FI) dan Ekonomi Umum (EK) yang dapat menjelaskan keragaman data asal sebesar 85.40%. Pengukuran efisiensi atau kesesuaian matriks data setelah seleksi peubah dengan matriks data asal menggunakan analisis Procrustes menghasilkan ukuran efisiensi yang cukup besar, yaitu 98.89%. Analisis Biplot Biasa dan Kanonik Data Asal Analisis biplot biasa diperoleh dengan menggunakan paket Biplot Ver. 3.2 dan memilih = 0 (Ardana, 2008), sedangkan analisis biplot kanonik diperoleh dengan menggunakan paket BiplotKanonik dari program yang telah disusun dan paket BiplotGH Ver. 1.0 (Ardana, 2009) dengan software Mathematica 8.0. Hasil biplot yang diperoleh disajikan pada Gambar 3 dan Gambar 4, sedangkan hasil biplot dengan ukuran yang lebih besar diberikan pada Lampiran 8 dan Lampiran 9.
10 D D BiplotGH GF KA PM FI OS PK KN AG SU IG IP KI EK 0.02 PP ID BI Gambar 3 Biplot biasa pada data asal D Biplot Kanonik GF PM PP KI BI FI SU OS KN AG PK 2 IP KA ID EK IG Gambar 4 Biplot kanonik pada data asal D Secara umum interpretasi biplot biasa dan kanonik mempunyai persamaan dan perbedaan, hal ini dapat dilihat baik dari kedekatan antarobjek (provinsi),
11 keragaman dan korelasi antarpeubah (mata kuliah), maupun keterkaitan peubah dengan objek. Biplot kanonik merupakan analisis yang layak digunakan dalam kasus ini karena biplot kanonik menggunakan keragaman dalam kelompok yang merupakan hasil pengurangan dari keragaman total dengan keragaman antarkelompok, sedangkan pada biplot biasa menggunakan keragaman total. Ukuran kesesuaian biplot biasa untuk data sebesar 61.54%, artinya biplot biasa mampu menerangkan keragaman data sebesar 61.54%, sedangkan ukuran kesesuaian biplot kanonik untuk data sebesar 50.83%, artinya biplot kanonik mampu menerangkan bahwa ukuran dua peubah kanonik pertama dalam memisahkan anggota-anggota kelompoknya sebesar 50.83%. Tabel 8 Ukuran kesesuaian biplot biasa dan kanonik data asal Biplot Biasa Biplot Kanonik Matriks GF Gabriel GF Analisis Procrustes GF Analisis Procrustes Data Peubah Objek % % % % % % % % % Ukuran kesesuaian biplot biasa menggunakan GF Gabriel dan analisis Procrustes serta ukuran kesesuaian biplot kanonik menggunakan analisis Procrustes sebagai ukuran pendekatan diberikan pada Tabel 8. Tabel 8 memperlihatkan bahwa pendekatan matriks dengan biplot biasa menggunakan GF Gabriel dan analisis Procrustes memberikan ukuran kesesuaian yang cukup besar untuk data, peubah dan objek yaitu di atas 59%. Pendekatan matriks dengan biplot kanonik menggunakan analisis Procrustes memberikan ukuran kesesuaian yang cukup besar juga untuk data, peubah dan objek yaitu di atas 79%. Secara umum, pendekatan matriks dengan biplot kanonik menggunakan GF Procrustes memberikan ukurun kesesuaian yang relatif lebih besar dari pada biplot biasa untuk data dan objek, sedangkan untuk peubah relatif sama. Makin besar nilai ukuran kesesuaian tersebut, makin layak analisis biplot digunakan untuk penarikan kesimpulan. Tabel 9 Ukuran kesesuaian koordinat biplot biasa dan kanonik data asal Matriks GF Procrustes Data % Peubah % Objek %
12 Ukuran kesesuaian konfigurasi antara matriks koordinat biplot biasa dan kanonik menggunakan analisis Procrustes disajikan pada Tabel 9. Analisis Procrustes pada koordinat biplot biasa dan kanonik menghasilkan ukuran kesesuaian 86.03% untuk data, 96.75% untuk peubah dan 80.82% untuk objek. Hal ini berarti bahwa karakteristik pada biplot biasa dan kanonik yang dianggap sama cukup tinggi, yaitu 86.03% untuk data, 96.75% untuk peubah dan 80.82% untuk objek. Berdasarkan Gambar 3 dan Gambar 4 beberapa hasil biplot biasa dan kanonik yang dapat diperoleh antara lain: 1. Kedekatan Antarobjek (Provinsi) Kedekatan antarobjek atau kedekatan letak posisi dua objek yang digambarkan sebagai dua titik dengan posisi yang berdekatan diinterpretasikan sebagai kemiripan karakteristik dua objek. Gambar 3 dan Gambar 4 memberikan gambaran adanya persamaan dan perbedaan posisi objek dari biplot biasa dan kanonik. Provinsi-provinsi yang memiliki kemiripan karakteristik (posisi yang berdekatan) pada biplot biasa maupun kanonik antara lain provinsi Jambi (5) dengan Lampung (8) dan Gorontalo (28), Sumatera Selatan (6) dengan Jawa Barat (12), Jawa Tengah (14) dengan Jawa Timur (16) serta Kalimantan Tengah (21) dengan Papua (32). Beberapa perbedaan yang terlihat dalam hal kedekatan antarobjek, antara lain provinsi Bengkulu (7) dengan Sulawesi Utara (24), Nusa Tenggara Timur (19) dengan DKI Jakarta (11) dan Bali (17) serta Sulawesi Tenggara (26) dengan Kalimantan Barat (20) dan Sulawesi Barat (27) pada biplot kanonik tidak memiliki kemiripan karakteristik tetapi pada biplot biasa memiliki kemiripan. Sedangkan provinsi Sumatera Barat (3) dengan Bengkulu (7) dan Kepulauan Riau (10), Jambi (5) dengan Bali (17), Kepulauan Bangka Belitung (9) dengan Kalimantan Selatan (22) serta Lampung (8) dengan Jawa Timur (16) pada biplot kanonik memiliki kemiripan karakteristik tetapi pada biplot biasa tidak memiliki kemiripan. 2. Keragaman Peubah Keragaman peubah pada analisis biplot digambarkan oleh panjang pendeknya vektor peubah. Peubah dengan keragaman kecil digambarkan dengan
13 vektor yang pendek, sebaliknya jika keragamannya besar digambarkan dengan vektor yang lebih panjang. Informasi ini digunakan untuk melihat apakah ada peubah yang memiliki nilai keragaman yang hampir sama untuk setiap objek. Berdasarkan Gambar 3 dan Gambar 4 terlihat bahwa pada biplot biasa mata kuliah yang memiliki keragaman nilai yang relatif sama dan lebih tinggi dibandingkan mata kuliah lainnya yaitu Kalkulus (KA), Pengantar Matematika (PM), Fisika (FI), Biologi (BI), Ekonomi Umum (EK), Kimia (KI) dan Bahasa Indonesia (ID). Sedangkan pada biplot kanonik yaitu mata kuliah Pengantar Matematika (PM), Fisika (FI), Biologi (BI) dan Ekonomi Umum (EK). Mata kuliah Olahraga dan Seni (OS) dan Pengantar Kewirausahaan (PK) pada biplot biasa memiliki keragaman nilai yang relatif kecil, sedangkan pada biplot kanonik yaitu mata kuliah Agama (AG), Pendidikan Kewarganegaraan (KN) dan Pengantar Kewirausahaan (PK). 3. Korelasi Antarpeubah Sudut antara dua vektor peubah menggambarkan korelasi kedua peubah tersebut. Semakin sempit (lancip) sudut yang dibuat antara dua peubah, maka semakin tinggi korelasinya. Jika sudut yang dibuat tegak lurus maka keduanya tidak berkorelasi, sedangkan jika sudutnya tumpul atau berlawanan arah maka korelasinya negatif. Ditinjau berdasarkan peubah IPK (IP), dalam biplot biasa korelasi terbesar dari peubah IPK dibentuk oleh peubah Ekonomi Umum (EK) dengan korelasi Pearson 0.79**, artinya semakin tinggi nilai IPK maka besar kemungkinan mendapatkan nilai Ekonomi Umum yang tinggi pula. Sedangkan pada biplot kanonik korelasi terbesar dari peubah IPK dibentuk oleh peubah Kimia (KI) dengan korelasi Pearson 0.82**. Korelasi terkecil dari peubah IPK pada biplot biasa dibentuk oleh peubah Pendidikan Kewirausahaan (PK) dengan korelasi Pearson 0.16**, sedangkan pada biplot kanonik dibentuk oleh peubah Agama (AG) dengan korelasi Pearson 0.51**. Pada biplot biasa peubah IPK berkorelasi positif dengan semua peubah lainnya, sedangkan pada biplot kanonik peubah IPK berkorelasi positif dengan sebagian besar peubah lainnya kecuali dengan peubah Agama (AG), peubah IPK berkorelasi negatif.
14 Biplot biasa pada Gambar 3 menunjukkan juga bahwa korelasi antarpeubah semuanya bernilai positif. Korelasi positif tertinggi diperoleh antara peubah Kalkulus (KA) dan Fisika (FI) dengan korelasi Pearson 0.65**, Olahraga dan Seni (OS) dan Pengantar Matematika (PM) dengan korelasi Pearson 0.07**, Bahasa Inggris (IG) dan Biologi (BI) dengan korelasi Pearson 0.48**, Pendidikan Kewarganegaraan (KN) dan Bahasa Indonesia (ID) dengan korelasi Pearson 0.24** serta peubah Pengantar Kewirausahaan (PK) dan Agama (AG) dengan korelasi Pearson 0.10**. Sedangkan korelasi positif terendah diperoleh antara peubah Kalkulus (KA) dan Pengantar Kewirausahaan (PK) dengan korelasi Pearson 0.11**, Kalkulus (KA) dan Agama (AG) dengan korelasi Pearson 0.32**, Fisika (FI) dan Pengantar Kewirausahaan (PK) dengan korelasi Pearson 0.08** serta Fisika (FI) dan Agama (AG) dengan korelasi Pearson 0.25**. Biplot kanonik pada Gambar 4 menunjukkan juga bahwa antara peubah Agama (AG) dengan peubah-peubah Pengantar Matematika (PM), Pengantar Ilmu Pertanian (PP), Sosiologi Umum (SU), Fisika (FI), Biologi (BI), Kimia (KI) dan IPK (IP) berkorelasi negatif dengan korelasi Pearson berturut-turut 0.32**, 0.33**, 0.31**, 0.25**, 0.41**, 0.38** dan 0.51**. Sedangkan peubah Olahraga dan Seni (OS) berkorelasi negatif dengan peubah-peubah Agama (AG), Pengantar Kewirausahaan (PK), Bahasa Inggris (IG) dan Pendidikan Kewarganegaraan (KN) dengan korelasi Pearson berturut-turut 0.07**, 0.06**, 0.06** dan 0.03** di mana peubah Agama (AG) dan Olahraga dan Seni (OS) berkorelasi negatif terbesar. Peubah-peubah yang relatif tidak berkorelasi di antaranya peubah Agama (AG) dan Ekonomi Umum (EK) dengan korelasi Pearson 0.36**, Agama(AG) dan Bahasa Indonesia (ID) dengan korelasi Pearson 0.41**, Olahraga dan Seni (OS) dan Ekonomi Umum (EK) dengan korelasi Pearson 0.06** serta Olahraga dan Seni (OS) dan Bahasa Indonesia (ID) dengan korelasi Pearson Sedangkan peubah-peubah yang berkorelasi positif tinggi di antaranya adalah antara peubah Biologi (BI) dan Fisika (FI) dengan korelasi Pearson 0.59** serta Pengantar Ilmu Pertanian (PP) dan Pengantar Matematika (PM) dengan korelasi Pearson 0.40**. Gambar 3 dan Gambar 4 menunjukkan adanya beberapa perbedaan korelasi antarpeubah, antara lain peubah Kalkulus (KA) dan Pengantar Matematika (PM) dengan korelasi Pearson 0.74**, Olahraga dan Seni (OS) dan Fisika (FI) dengan
15 korelasi Pearson 0.08**, Olahraga dan Seni (OS) dan Kalkulus (KA) dengan korelasi Pearson 0.06**, Bahasa Inggris (IG) dan Sosiologi Umum (SU) dengan korelasi Pearson 0.36**, Bahasa Inggris (IG) dan Biologi (BI) dengan korelasi Pearson 0.48** serta peubah Agama (AG) dan Pengantar Ilmu Pertanian (PP) dengan korelasi Pearson 0.33** pada biplot biasa memiliki korelasi yang relatif besar tetapi pada biplot kanonik memiliki korelasi yang relatif kecil. Sebaliknya, peubah Pengantar Matematika (PM) dan Pengantar Ilmu Pertanian (PP) dengan korelasi Pearson 0.40**, Fisika (FI) dan Biologi (BI) dengan korelasi Pearson 0.59**, Kimia (KI) dan Biologi (BI) dengan korelasi Pearson 0.66** serta peubah Kalkulus (KA) dan Bahasa Indonesia (ID) dengan korelasi Pearson 0.49** pada biplot biasa memiliki korelasi yang relatif kecil tetapi pada biplot kanonik memiliki korelasi yang relatif besar. Peubah-peubah yang memiliki korelasi relatif sama pada biplot biasa maupun kanonik antara lain peubah Pendidikan Kewarganegaraan (KN) dan Kimia (KI) dengan korelasi Pearson 0.30**, IPK (IP) dan Pengantar Matematika (PM) dengan korelasi Pearson 0.80**, IPK (IP) dan Sosiologi Umum (SU) dengan korelasi Pearson 0.63** serta Fisika (FI) dan Ekonomi Umum (EK) dengan korelasi Pearson 0.55**. 4. Keterkaitan Objek dengan Peubah Berdasarkan analisis biplot, keterkaitan objek dengan peubah ditunjukkan oleh letak objek tersebut terhadap vektor peubah. Apabila posisi objek sepihak dengan arah vektor peubah maka objek tersebut mempunyai nilai di atas rata-rata, jika berlawanan maka nilainya di bawah rata-rata dan jika hampir di tengahtengah maka nilainya mendekati rata-rata. Informasi ini digunakan untuk melihat keunggulan dari setiap objek. Berdasarkan kedekatan antarobjek, kedekatan objek dengan peubah dan peringkat provinsi berdasarkan rata-rata IPK, objek-objek tersebut dapat dikelompokkan menjadi empat kelompok, yaitu: Kelompok 1, terdiri dari provinsi Kalimantan Timur (23) dan Kepulauan Bangka Belitung (9). Pada biplot biasa dan kanonik kelompok ini memiliki keunggulan pada semua mata kuliah dan IPK serta termasuk provinsi unggulan dalam perolehan IPK (IPK > 3.03) dengan provinsi Kalimantan Timur (23) merupakan provinsi dengan nilai IPK tertinggi.
16 Kelompok 2, terdiri dari provinsi Kalimantan Selatan (22), Bengkulu (7), Daerah Istimewa Yogyakarta (15), Jawa Tengah (14), Kepulauan Riau (10), Jawa Timur (16), Sumatera Barat (3), Bali (17), Gorontalo (28), Lampung (8), DKI Jakarta (11), Sulawesi Utara (24), Jambi (5), Jawa Barat (12), Nusa Tenggara Timur (19), Banten (13), Sumatera Selatan (6) dan Riau (4). Kelompok ini termasuk provinsiprovinsi yang memiliki IPK di atas rata-rata, yaitu 2.75 < IPK Pada biplot biasa maupun kanonik provinsi Kalimantan Selatan (22) memiliki keunggulan hampir pada semua mata kuliah, sedangkan provinsi Sumatera Selatan (6), DKI Jakarta (11), Jawa Barat (12) dan Bali (17) memiliki nilai mendekati rata-rata pada semua mata kuliah dan IPK. Provinsi Sumatera Barat (3), Riau (4) dan Jambi (5) pada biplot kanonik memiliki nilai mendekati rata-rata pada semua mata kuliah dan IPK, sedangkan pada biplot biasa memiliki keunggulan pada mata kuliah Olahraga dan Seni (OS), Pengantar Matematika (PM), Kalkulus (KA) dan Fisika (FI). Pada biplot biasa provinsi Bengkulu (7), Kepulauan Riau (10), Jawa Timur (16) dan Sulawesi Utara (24) memiliki keunggulan pada mata kuliah Agama (AG), Pengantar Ilmu Pertanian (PP), Pendidikan Kewarganegaraan (KN), Bahasa Indonesia (ID), Bahasa Inggris (IG), Biologi (BI) dan Sosiologi Umum (SU). Provinsi Jawa Tengah (14) dan Daerah Istimewa Yogyakarta (15) memiliki keunggulan pada mata kuliah Kimia (KI), Ekonomi Umum (EK) dan IPK (IP), provinsi Lampung (8) dan Gorontalo (28) memiliki keunggulan pada mata kuliah Olahraga dan Seni (OS), Pengantar Matematika (PM), Kalkulus (KA) dan Fisika (FI), sedangkan provinsi Banten (13) dan Nusa Tenggara Timur (19) memiliki nilai mendekati rata-rata pada semua mata kuliah dan IPK. Pada biplot kanonik provinsi Kepulauan Riau (10) dan Daerah Istimewa Yogyakarta (15) memiliki keunggulan pada mata kuliah Agama (AG), Pengantar Kewirausahaan (PK), Bahasa Inggris (IG), Pendidikan Kewarganegaraan (KN) dan Ekonomi Umum (EK). Provinsi Jawa Tengah (14), Jawa Timur (16) dan Lampung (8) memiliki keunggulan pada mata kuliah Olahraga dan Seni (OS), Pengantar Matematika (PM), Pengantar Ilmu Pertanian (PP) dan Sosiologi Umum (SU), provinsi Gorontalo (28) dan Nusa Tenggara Timur (19) memiliki keunggulan pada mata kuliah Olahraga dan Seni (OS), provinsi Banten (13) dan Sulawesi Utara (24) memiliki keunggulan pada mata kuliah Agama (AG) dan Pengantar
17 Kewirausahaan (PK), sedangkan provinsi Bengkulu (7) memiliki nilai mendekati rata-rata pada semua mata kuliah dan IPK. Kelompok 3, terdiri dari provinsi Papua Barat (31), Nusa Tenggara Barat (18), Kalimantan Barat (20), Sumatera Utara (2), Sulawesi Tenggara (26), Sulawesi Selatan (25), Kalimantan Tengah (21), Sulawesi Barat (27), Aceh (1) dan Papua (32). Kelompok ini memiliki IPK di bawah rata-rata, yaitu 2.00 < IPK Pada biplot biasa provinsi Papua Barat (31) memiliki prestasi yang unggul pada mata kuliah Olahraga dan Seni (OS), Pengantar Matematika (PM), Kalkulus (KA) dan Fisika (FI), sedangkan pada biplot kanonik memiliki prestasi yang unggul pada mata kuliah Olahraga dan Seni (OS). Provinsi selain Papua Barat (31) dalam kelompok ini pada biplot biasa memiliki prestasi di bawah rata-rata untuk semua mata kuliah dan IPK, tetapi pada biplot kanonik provinsi Kalimantan Barat (20), Kalimantan Tengah (21), Sulawesi Barat (27) dan Papua (32) memiliki prestasi yang unggul pada mata kuliah Olahraga dan Seni (OS), sedangkan provinsi Nusa Tenggara Barat (18) dan Sumatera Utara (2) memiliki keunggulan pada mata kuliah Agama (AG) dan Pendidikan Kewirausahaan (PK). Kelompok 4, terdiri dari provinsi Maluku (29) dan Maluku Utara (30). Kelompok ini memiliki IPK terendah (IPK 2.00). Pada biplot biasa maupun kanonik kedua provinsi tersebut memiliki nilai yang paling rendah untuk semua mata kuliah dan IPK. Analisis Biplot Biasa dan Kanonik dengan Seleksi Peubah Seleksi peubah merupakan proses pengidentifikasian dan pengurangan peubah-peubah yang memberikan kontribusi informasi yang relatif kecil pada keragaman data. Seleksi peubah dilakukan sebagai penyederhanaan dan meningkatkan ketepatan model pada analisis. Seleksi peubah dalam penelitian ini dilakukan melalui teknik analisis komponen utama (AKU, Principal Component Analysis). Peubah-peubah yang terseleksi menggunakan teknik AKU adalah peubah IPK (IP), Pendidikan Kewirausahaan (PK), Olahraga dan Seni (OS), Kalkulus (KA), Agama (AG), Sosiologi Umum (SU) dan Kimia (KI). Jadi, peubah-peubah yang dipertahankan dan digunakan dalam analisis adalah peubah Pendidikan Kewarganegaraan (KN), Bahasa Indonesia (ID), Pengantar Ilmu Pertanian (PP),
18 D D Bahasa Inggris (IG), Pengantar Matematika (PM), Biologi (BI), Fisika (FI) dan Ekonomi Umum (EK). GH Biplot GF FI PM KN IG PP EK 0.02 ID BI D Gambar 5 Biplot biasa pada data dengan seleksi peubah Biplot Kanonik GF PM FI BI 0.02 PP KN 23 ID IG EK D Gambar 6 Biplot kanonik pada data dengan seleksi peubah
19 Analisis biplot biasa pada data setelah proses seleksi peubah diperoleh dengan menggunakan paket Biplot Ver. 3.2 dan memilih = 0 (Ardana, 2008), sedangkan analisis biplot kanonik diperoleh dengan menggunakan paket BiplotKanonik dari program yang telah disusun dan paket BiplotGH Ver. 1.0 (Ardana, 2009) dengan software Mathematica 8.0. Hasil biplot yang diperoleh disajikan pada Gambar 5 dan Gambar 6, sedangkan hasil biplot dengan ukuran yang lebih besar diberikan pada Lampiran 10 dan Lampiran 11. Secara umum interpretasi biplot biasa dan kanonik mempunyai persamaan dan perbedaan, hal ini dapat dilihat baik dari kedekatan antarobjek (provinsi), keragaman dan korelasi antarpeubah (mata kuliah), maupun keterkaitan peubah dengan objek. Biplot kanonik merupakan analisis yang layak digunakan dalam kasus ini karena biplot kanonik menggunakan keragaman dalam kelompok yang merupakan hasil pengurangan dari keragaman total dengan keragaman antarkelompok, sedangkan pada biplot biasa menggunakan keragaman total. Ukuran kesesuaian biplot biasa untuk data sebesar 65.25%, artinya biplot biasa mampu menerangkan keragaman data sebesar 65.25%, sedangkan ukuran kesesuaian biplot kanonik untuk data sebesar 65.77%, artinya biplot kanonik mampu menerangkan bahwa ukuran dua peubah kanonik pertama dalam memisahkan anggota-anggota kelompoknya sebesar 65.77%. Tabel 10 Ukuran kesesuaian biplot biasa dan kanonik dengan seleksi peubah Biplot Biasa Biplot Kanonik Matriks GF Gabriel GF Analisis Procrustes GF Analisis Procrustes Data Peubah Objek % % % % % % % % % Ukuran kesesuaian biplot biasa menggunakan GF Gabriel dan analisis Procrustes serta ukuran kesesuaian biplot kanonik menggunakan analisis Procrustes sebagai ukuran pendekatan diberikan pada Tabel 10. Tabel 10 memperlihatkan bahwa pendekatan matriks dengan biplot biasa menggunakan GF Gabriel dan analisis Procrustes memberikan ukuran kesesuaian yang cukup besar untuk data, peubah dan objek yaitu di atas 61%. Sedangkan pendekatan matriks dengan biplot kanonik menggunakan analisis Procrustes memberikan ukuran kesesuaian yang cukup besar untuk data, peubah dan objek yaitu di atas 87%.
20 Secara umum, pendekatan matriks dengan biplot kanonik menggunakan GF Procrustes memberikan ukurun kesesuaian yang relatif lebih besar dari pada biplot biasa untuk data dan objek, sedangkan untuk peubah relatif sama. Makin besar nilai ukuran kesesuaian tersebut, makin layak analisis biplot digunakan untuk penarikan kesimpulan. Tabel 11 Ukuran kesesuaian koordinat biplot biasa dan kanonik dengan seleksi peubah Matriks GF Procrustes Data % Peubah % Objek % Ukuran kesesuaian konfigurasi antara matriks koordinat biplot biasa dan kanonik menggunakan analisis Procrustes disajikan pada Tabel 11. Analisis Procrustes pada koordinat biplot biasa dan kanonik menghasilkan ukuran kesesuaian 95.29% untuk data, 98.10% untuk peubah dan 91.67% untuk objek. Hal ini berarti bahwa karakteristik pada biplot biasa dan kanonik yang dianggap sama cukup tinggi, yaitu 95.29% untuk data, 98.10% untuk peubah dan 91.67% untuk objek. Berdasarkan Gambar 5 dan Gambar 6 beberapa hasil biplot biasa dan kanonik yang dapat diperoleh antara lain: 1. Kedekatan Antarobjek (Provinsi) Gambar 5 dan Gambar 6 memberikan gambaran adanya persamaan dan perbedaan posisi objek dari biplot biasa dan kanonik. Provinsi-provinsi yang memiliki kemiripan karakteristik (posisi yang berdekatan) pada biplot biasa maupun kanonik antara lain provinsi Jambi (5) dengan Lampung (8), Sumatera Selatan (6) dengan Jawa Barat (12) dan Banten (13), Jawa Tengah (14) dengan Daerah Istimewa Yogyakarta (15) dan Jawa Timur (16), DKI Jakarta (11) dengan Bali (17) serta Kalimantan Tengah (21) dengan Papua (32). Beberapa perbedaan yang terlihat dalam hal kedekatan antarobjek, antara lain provinsi Bengkulu (7) dengan Sulawesi Utara (24), Nusa Tenggara Timur (19) dengan DKI Jakarta (11) dan Bali (17), Sulawesi Tenggara (26) dengan Sulawesi Barat (27) serta Sulawesi Utara (24) dengan Sumatera Selatan (6), Jawa Barat (12) dan Banten (13) pada biplot kanonik relatif tidak memiliki kemiripan
21 karakteristik tetapi pada biplot biasa relatif memiliki kemiripan. Sedangkan provinsi Kepulauan Riau (10) dengan Sumatera Barat (3), Jawa Tengah (14), Daerah Istimewa Yogyakarta (15) dan Jawa Timur (16) serta Bengkulu (7) dengan Kalimantan Selatan (22) pada biplot kanonik memiliki kemiripan karakteristik tetapi pada biplot biasa tidak memiliki kemiripan. 2. Keragaman Peubah Berdasarkan Gambar 5 dan Gambar 6 terlihat bahwa pada biplot biasa maupun kanonik mata kuliah yang memiliki keragaman nilai yang relatif sama dan lebih tinggi dibandingkan mata kuliah lainnya yaitu Pengantar Matematika (PM), Biologi (BI), Fisika (FI) dan Ekonomi Umum (EK), sedangkan mata kuliah Pendidikan Kewarganegaraan (KN) memiliki keragaman nilai yang relatif kecil dibandingkan dengan mata kuliah yang lain. 3. Korelasi Antarpeubah Gambar 5 dan Gambar 6 menunjukkan bahwa pada biplot biasa maupun kanonik korelasi antarpeubah semuanya bernilai positif. Hal ini sesuai dengan korelasi Pearson pada Tabel 7. Korelasi tertinggi pada biplot biasa diperoleh antara peubah Pendidikan Kewarganegaraan (KN) dan Bahasa Inggris (IG) dengan korelasi Pearson 0.32** serta antara peubah Pendidikan Kewarganegaraan (KN) dan Ekonomi Umum (EK) dengan korelasi Pearson 0.21**. Sedangkan korelasi tertinggi pada biplot kanonik diperoleh antara peubah Pengantar Ilmu Pertanian (PP) dan Pengantar Matematika (PM) dengan korelasi Pearson 0.40**. Korelasi terendah pada biplot biasa diperoleh antara peubah Fisika (FI) dan Bahasa Indonesia (ID) dengan korelasi Pearson 0.43**, sedangkan pada biplot kanonik diperoleh antara peubah Pengantar Matematika (PM) dan Bahasa Inggris (IG) dengan korelasi Pearson 0.43**. Gambar 5 dan Gambar 6 menunjukkan adanya beberapa perbedaan korelasi antarpeubah, antara lain peubah Pendidikan Kewarganegaraan (KN) dan Pengantar Ilmu Pertanian (PP) dengan korelasi Pearson 0.31**, Pendidikan Kewarganegaraan (KN) dan Biologi (BI) dengan korelasi Pearson 0.31**, Pengantar Ilmu Pertanian (PP) dan Bahasa Indonesia (ID) dengan korelasi Pearson 0.40**, Pengantar Ilmu Pertanian (PP) dan Bahasa Inggris (IG) dengan korelasi Pearson 0.36**, Pengantar Ilmu Pertanian (PP) dan Ekonomi Umum
22 (EK) dengan korelasi Pearson 0.41**, Bahasa Inggris (IG) dan Biologi (BI), dengan korelasi Pearson 0.48** serta Bahasa Inggris (IG) dan Ekonomi Umum (EK) dengan korelasi Pearson 0.37** pada biplot biasa memiliki korelasi yang relatif besar sedangkan pada biplot kanonik memiliki korelasi yang relatif kecil. Sebaliknya, peubah Fisika (FI) dan Bahasa Indonesia (ID) dengan korelasi Pearson 0.43**, Fisika (FI) dan Biologi (BI) dengan korelasi Pearson 0.59**, Fisika (FI) dan Pengantar Ilmu Pertanian (PP) dengan korelasi Pearson 0.40**, Pengantar Matematika (PM) dan Pengantar Ilmu Pertanian (PP) dengan korelasi Pearson 0.40** serta Pengantar Matematika (PM) dan Biologi (BI) dengan korelasi Pearson 0.57** pada biplot biasa memiliki korelasi yang relatif kecil sedangkan pada biplot kanonik memiliki korelasi yang relatif besar. Peubahpeubah yang memiliki korelasi relatif sama pada biplot biasa maupun kanonik antara lain peubah Pendidikan Kewarganegaraan (KN) dan Bahasa Indonesia (ID) dengan korelasi Pearson 0.24** serta Fisika (FI) dan Ekonomi Umum (EK) dengan korelasi Pearson 0.55**. 4. Keterkaitan Objek dengan Peubah Berdasarkan kedekatan antarobjek, kedekatan objek dengan peubah dan peringkat provinsi berdasarkan rata-rata IPK, objek-objek tersebut dapat dikelompokkan menjadi empat kelompok, yaitu: Kelompok 1, terdiri dari provinsi Kalimantan Timur (23) dan Kepulauan Bangka Belitung (9). Pada biplot biasa dan kanonik kelompok ini memiliki keunggulan pada semua mata kuliah dan termasuk provinsi unggulan dalam perolehan IPK (IPK > 3.03). Kelompok 2, terdiri dari provinsi Kalimantan Selatan (22), Bengkulu (7), Daerah Istimewa Yogyakarta (15), Jawa Tengah (14), Kepulauan Riau (10), Jawa Timur (16), Sumatera Barat (3), Bali (17), Gorontalo (28), Lampung (8), DKI Jakarta (11), Sulawesi Utara (24), Jambi (5), Jawa Barat (12), Nusa Tenggara Timur (19), Banten (13), Sumatera Selatan (6) dan Riau (4). Kelompok ini termasuk provinsiprovinsi yang memiliki IPK di atas rata-rata, yaitu 2.75 < IPK Pada biplot biasa maupun kanonik Kalimantan Selatan (22) dan Bengkulu (7) memiliki keunggulan pada mata kuliah Pendidikan Kewarganegaraan (KN), Bahasa Indonesia (ID), Bahasa Inggris (IG) dan Ekonomi Umum (EK). Sedangkan
23 provinsi Daerah Istimewa Yogyakarta (15), Jawa Tengah (14), Jawa Timur (16), Sumatera Barat (3), Bali (17), Gorontalo (28), Lampung (8) dan Jambi (5) memiliki keunggulan pada mata kuliah Pengantar Matematika (PM) dan Fisika (FI). Provinsi Kepulauan Riau (10) pada biplot biasa memiliki keunggulan pada mata kuliah Bahasa Indonesia (ID) dan Biologi (BI), sedangkan pada biplot kanonik memiliki keunggulan pada mata kuliah Pengantar Matematika (PM) dan Fisika (FI). Provinsi Sulawesi Utara (24), Jawa Barat (12), Banten (13) dan Sumatera Selatan (6) pada biplot biasa memiliki keunggulan pada mata kuliah Bahasa Indonesia (ID) dan Pengantar Ilmu Pertanian (PP), sedangkan pada biplot kanonik memiliki keunggulan pada mata kuliah Bahasa Inggris (IG) dan Pendidikan Kewarganegaraan (KN). Provinsi DKI Jakarta (11), Nusa Tenggara Timur (19) dan Riau (4) merupakan provinsi-provinsi yang memiliki prestasi ratarata pada semua mata kuliah dan IPK. Kelompok 3, terdiri dari provinsi Papua Barat (31), Nusa Tenggara Barat (18), Kalimantan Barat (20), Sumatera Utara (2), Sulawesi Tenggara (26), Sulawesi Selatan (25), Kalimantan Tengah (21), Sulawesi Barat (27), Aceh (1) dan Papua (32). Kelompok ini memiliki IPK di bawah rata-rata, yaitu 2.00 < IPK Pada biplot biasa maupun kanonik provinsi Papua Barat (31) memiliki prestasi yang unggul pada mata kuliah Pengantar Matematika (PM) dan Fisika (FI). Provinsi selain Papua Barat (31) dalam kelompok ini pada biplot biasa memiliki prestasi di bawah rata-rata untuk semua mata kuliah, tetapi pada biplot kanonik provinsi Kalimantan Barat (20) dan Sulawesi Barat (27) memiliki prestasi yang unggul pada mata kuliah Pengantar Ilmu Pertanian (PP), Pengantar Matematika (PM) dan Fisika (FI), sedangkan provinsi Nusa Tenggara Barat (18), Sumatera Utara (2) dan Sulawesi Selatan (25) memiliki keunggulan pada mata kuliah Bahasa Inggris (IG) dan Pendidikan Kewarganegaraan (KN). Kelompok 4, terdiri dari provinsi Maluku (29) dan Maluku Utara (30). Kelompok ini memiliki IPK terendah (IPK 2.00). Pada biplot biasa maupun kanonik kedua provinsi tersebut memiliki nilai yang paling rendah untuk semua mata kuliah.
HASIL DAN PEMBAHASAN
6 HASIL DAN PEMBAHASAN Eksplorasi Data Gambaran dari peubah mata kuliah, IPK dan nilai Ujian Nasional yang ditata sesuai dengan mediannya disajikan sebagai boxplot dan diberikan pada Gambar. 9 3 Data 6
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Hasil Eksplorasi Data Diagram kotak garis merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran, dan kemiringan pola sebaran. Gambaran
Lebih terperinciBIPLOT DATA DISAGREGAT DAN AGREGAT DALAM PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB DEDE SAHRUL BAHRI
BIPLOT DATA DISAGREGAT DAN AGREGAT DALAM PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB DEDE SAHRUL BAHRI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciTINJAUAN PUSTAKA Analisis Biplot Biasa
TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi
Lebih terperinciDAFTAR ALAMAT MADRASAH TSANAWIYAH NEGERI TAHUN 2008/2009
ACEH ACEH ACEH SUMATERA UTARA SUMATERA UTARA SUMATERA BARAT SUMATERA BARAT SUMATERA BARAT RIAU JAMBI JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEPULAUAN BANGKA BELITUNG KEPULAUAN RIAU DKI JAKARTA JAWA BARAT
Lebih terperinciUKURAN KESESUAIAN DALAM ANALISIS BIPLOT BIASA DAN ANALISIS BIPLOT IMBUHAN MARIYAM
UKURAN KESESUAIAN DALAM ANALISIS BIPLOT BIASA DAN ANALISIS BIPLOT IMBUHAN MARIYAM DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 2 ABSTRAK MARIYAM.
Lebih terperinciKONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB DEVITA HANDAYANI
KONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB DEVITA HANDAYANI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 ABSTRAK
Lebih terperinciTINJAUAN PUSTAKA. dianalisis dan hasilnya ditransformasi menjadi matriks berukuran??
TINJAUAN PUSTAKA Data Disagregat dan Agregat Berdasarkan cara pengumpulannya, data dapat dibedakan atas data internal dan data eksternal. Data internal berasal dari lingkungan sendiri sedangkan data eksternal
Lebih terperinciBIPLOT BIASA DAN KANONIK UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB KUSNANDAR
BIPLOT BIASA DAN KANONIK UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB KUSNANDAR SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPENDAHULUAN LANDASAN ANALISIS
10 PENDAHULUAN Latar Belakang Biplot merupakan metode eksplorasi analisis data peubah ganda yang dapat memberikan gambaran secara grafik tentang kedekatan antar objek, keragaman peubah, korelasi antar
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Eksplorasi Data Diagram kotak garis (boxplot) merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran, dan kemiringan pola sebaran.
Lebih terperinciANALISIS HASIL UJIAN NASIONAL PENDIDIKAN KESETARAAN TAHUN 2015
. 1 ANALISIS HASIL UJIAN NASIONAL PENDIDIKAN KESETARAAN TAHUN 2015 Dra. Th. Nuraeni Ekaningrum, MPd. MARET 2016 Kategori hasil UN dapat dikelompokkan sebagai berikut: 2 NILAI KETERANGAN N > 85 A = SANGAT
Lebih terperinciNusa Tenggara Timur Luar Negeri Banten Kepulauan Riau Sumatera Selatan Jambi. Nusa Tenggara Barat Jawa Tengah Sumatera Utara.
LAMPIRAN I ZONA DAN KOEFISIEN MASING-MASING ZONA Zona 1 Zona 2 Zona 3 Zona 4 Zona 5 Zona 6 Koefisien = 5 Koefisien = 4 Koefisien = 3 Koefisien = 2 Koefisien = 1 Koefisien = 0,5 DKI Jakarta Jawa Barat Kalimantan
Lebih terperinciPopulasi Ternak Menurut Provinsi dan Jenis Ternak (Ribu Ekor),
Babi Aceh 0.20 0.20 0.10 0.10 - - - - 0.30 0.30 0.30 3.30 4.19 4.07 4.14 Sumatera Utara 787.20 807.40 828.00 849.20 871.00 809.70 822.80 758.50 733.90 734.00 660.70 749.40 866.21 978.72 989.12 Sumatera
Lebih terperinciΛ = DATA DAN METODE. Persamaan Indeks XB dinyatakan sebagai berikut. XB(c) = ( ) ( )
Indeks XB (Xie Beni) Penggerombolan Fuzzy C-means memerlukan indeks validitas untuk mengetahui banyak gerombol optimum yang terbentuk. Indeks validitas yang digunakan dalam penelitian ini adalah Indeks
Lebih terperinciDATA NILAI TPB IPB TAHUN AKADEMIK 2008/2009
69 Lampiran 1 DATA NILAI TPB IPB TAHUN AKADEMIK 2008/2009 Keterangan Banyak Mata Kuliah (Peubah) : 14 Banyak Mahasiswa (Objek) : 3223 AG : Agama BI : Biologi EU : Ekonomi Umum FI : Fisika ID : Bahasa Indonesia
Lebih terperinciAnalisis Hasil Ujian Nasional Madrasah Aliyah Negeri Tahun 2008
Analisis Hasil Ujian Nasional Madrasah Aliyah Negeri Tahun 2008 Oleh : Asep Sjafrudin, M.Si 1. Pendahuluan 1.1. Latar Belakang Undang-Undang No. 20 tahun 2003 tentang Sistem Pendidikan Nasional (Sisdiknas)
Lebih terperinciRUMAH KHUSUS TARGET ANGGARAN TARGET ANGGARAN TARGET ANGGARAN TARGET ANGGARAN TARGET ANGGARAN TARGET ANGGARAN
Pembangunan Perumahan Dan Kawasan Permukiman Tahun 2016 PERUMAHAN PERBATASAN LAIN2 00 NASIONAL 685.00 1,859,311.06 46,053.20 4,077,857.49 4,523.00 359,620.52 5,293.00 714,712.50 62,538.00 1,344,725.22
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis
TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK MALUKU SEPTEMBER 2016 MENURUN
BADAN PUSAT STATISTIK No.06/02/81/Th.2017, 6 Februari 2017 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK MALUKU SEPTEMBER 2016 MENURUN GINI RATIO MALUKU PADA SEPTEMBER 2016 SEBESAR 0,344 Pada September 2016,
Lebih terperinciFungsi, Sub Fungsi, Program, Satuan Kerja, dan Kegiatan Anggaran Tahun 2012 Kode. 1 010022 Provinsi : DKI Jakarta 484,909,154
ALOKASI ANGGARAN URUSAN PEMERINTAHAN BIDANG PENDIDIKAN YANG DILIMPAHKAN KEPADA GUBERNUR (Alokasi Anggaran Dekonsentrasi Per Menurut Program dan Kegiatan) (ribuan rupiah) 1 010022 : DKI Jakarta 484,909,154
Lebih terperinciTabel Lampiran 1. Produksi, Luas Panen dan Produktivitas Padi Per Propinsi
Tabel., dan Padi Per No. Padi.552.078.387.80 370.966 33.549 4,84 4,86 2 Sumatera Utara 3.48.782 3.374.838 826.09 807.302 4,39 4,80 3 Sumatera Barat.875.88.893.598 422.582 423.402 44,37 44,72 4 Riau 454.86
Lebih terperinciHASIL Ujian Nasional SMP - Sederajat. Tahun Ajaran 2013/2014
HASIL Ujian Nasional SMP - Sederajat Tahun Ajaran 213/21 Kementerian Pendidikan dan Kebudayaan Jakarta, 13 Juni 21 1 Ringkasan Hasil Akhir UN - SMP Tahun 213/21 Peserta UN 3.773.372 3.771.37 (99,9%) ya
Lebih terperinciTABEL 1 GAMBARAN UMUM TAMAN BACAAN MASYARAKAT (TBM) KURUN WAKTU 1 JANUARI - 31 DESEMBER 2011
TABEL 1 GAMBARAN UMUM No. Provinsi Lembaga Pengelola Pengunjung Judul Buku 1 DKI Jakarta 75 83 7.119 17.178 2 Jawa Barat 1.157 1.281 72.477 160.544 3 Banten 96 88 7.039 14.925 4 Jawa Tengah 927 438 28.529
Lebih terperinciAnalisis Hasil Ujian Nasional Madrasah Tsanawiyah Tahun 2008
Analisis Hasil Ujian Nasional Madrasah Tsanawiyah Tahun 2008 Oleh : Asep Sjafrudin, M.Si 1. Pendahuluan 1.1. Latar Belakang Sebagai jenjang terakhir dalam program Wajib Belajar 9 Tahun Pendidikan Dasar
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK MALUKU UTARA SEPTEMBER 2016
No. 11/02/82/Th. XVI, 1 Februari 2017 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK MALUKU UTARA SEPTEMBER 2016 GINI RATIO DI MALUKU UTARA KEADAAN SEPTEMBER 2016 SEBESAR 0,309 Pada September 2016, tingkat ketimpangan
Lebih terperinciBPS PROVINSI SUMATERA SELATAN
BADAN PUSAT STATISTIK BPS PROVINSI SUMATERA SELATAN No.53/09/16 Th. XVIII, 01 September 2016 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK SUMATERA SELATAN MARET 2016 GINI RATIO SUMSEL PADA MARET 2016 SEBESAR
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK SULAWESI TENGGARA MARET 2017 MENURUN TERHADAP MARET 2016
BADAN PUSAT STATISTIK BADAN PUSAT STATISTIK No.39/07/Th.XX, 17 Juli 2017 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK SULAWESI TENGGARA MARET 2017 MENURUN TERHADAP MARET 2016 GINI RATIO PADA MARET 2017 SEBESAR
Lebih terperinci2
2 3 c. Pejabat Eselon III kebawah (dalam rupiah) NO. PROVINSI SATUAN HALFDAY FULLDAY FULLBOARD (1) (2) (3) (4) (5) (6) 1. ACEH
Lebih terperinciPembimbing : PRIHANDOKO, S.Kom., MIT, Ph.D.
ANALISIS BENCANA DI INDONESIA BERDASARKAN DATA BNPB MENGGUNAKAN METODE CLUSTERING DATA MINING MAHESA KURNIAWAN 54412387 Pembimbing : PRIHANDOKO, S.Kom., MIT, Ph.D. Bencana merupakan peristiwa yang dapat
Lebih terperinciKEPUTUSAN MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA NOMOR 041/P/2017 TENTANG
SALINAN KEPUTUSAN MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA NOMOR 041/P/2017 TENTANG PENETAPAN ALOKASI DANA DEKONSENTRASI KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN TAHUN ANGGARAN 2017 MENTERI PENDIDIKAN
Lebih terperinciBAB I PENDAHULUAN. yang penting dilakukan suatu Negara untuk tujuan menghasilkan sumber daya
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan manusia merupakan salah satu syarat mutlak bagi kelangsungan hidup bangsa dalam rangka menghasilkan sumber daya manusia yang berkualitas. Menciptakan pembangunan
Lebih terperinciPANDUAN. Aplikasi Database Tanah, Bangunan/Gedung, dan Rumah Negara Gol. 2
PANDUAN Aplikasi Database Tanah, Bangunan/Gedung, dan Rumah Negara Gol. 2 Bagian Pengelolaan Barang Milik Negara Sekretariat Direktorat Jenderal Cipta Karya DIREKTORAT JENDERAL CIPTA KARYA KEMENTERIAN
Lebih terperinciBIPLOT DENGAN DEKOMPOSISI NILAI SINGULAR BIASA DAN KEKAR UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB WARSITO
BIPLOT DENGAN DEKOMPOSISI NILAI SINGULAR BIASA DAN KEKAR UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB WARSITO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciWORKSHOP (MOBILITAS PESERTA DIDIK)
WORKSHOP (MOBILITAS PESERTA DIDIK) KONSEP 1 Masyarakat Anak Pendidikan Masyarakat Pendidikan Anak Pendekatan Sektor Multisektoral Multisektoral Peserta Didik Pendidikan Peserta Didik Sektoral Diagram Venn:
Lebih terperinci. Keberhasilan manajemen data dan informasi kependudukan yang memadai, akurat, lengkap, dan selalu termutakhirkan.
S ensus Penduduk, merupakan bagian terpadu dari upaya kita bersama untuk mewujudkan visi besar pembangunan 2010-2014 yakni, Terwujudnya Indonesia yang Sejahtera, Demokratis dan Berkeadilan. Keberhasilan
Lebih terperinciU r a i a n. Dukungan Manajemen dan Pelaksanaan Tugas Teknis Lainnya Pendidikan Nonformal dan Informal
SALINAN LAMPIRAN PERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN NOMOR 26 TAHUN 2013 TENTANG PELIMPAHAN SEBAGIAN URUSAN PEMERINTAHAN BIDANG PENDIDIKAN KEPADA GUBERNUR DALAM PENYELENGGARAAN DEKONSENTRASI TAHUN
Lebih terperinciC UN MURNI Tahun
C UN MURNI Tahun 2014 1 Nilai UN Murni SMP/MTs Tahun 2014 Nasional 0,23 Prov. Sulbar 1,07 0,84 PETA SEBARAN SEKOLAH HASIL UN MURNI, MENURUT KWADRAN Kwadran 2 Kwadran 3 Kwadran 1 Kwadran 4 PETA SEBARAN
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK SUMATERA UTARA SEPTEMBER 2016 MENURUN
BPS PROVINSI SUMATERA UTARA No. 13/02/12/Th. XX, 06 Februari 2017 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK SUMATERA UTARA SEPTEMBER 2016 MENURUN GINI RATIO PADA SEPTEMBER 2016 SEBESAR 0,312 Pada ember
Lebih terperinciDENGAN RAHMAT TUHAN YANG MAHA ESA KEPALA BADAN PENGAWASAN KEUANGAN DAN PEMBANGUNAN,
www.bpkp.go.id PERATURAN KEPALA BADAN PENGAWASAN KEUANGAN DAN PEMBANGUNAN NOMOR: PER- 786/K/SU/2012 TENTANG PERUBAHAN KEDUA ATAS KEPUTUSAN KEPALA BADAN PENGAWASAN KEUANGAN DAN PEMBANGUNAN NOMOR KEP-58/K/SU/2011
Lebih terperinciPEMETAAN PROVINSI DI INDONESIA BERDASARKAN LAPANGAN PEKERJAAN UTAMA DENGAN ANALISIS KORESPONDENSI DESTY PUTRI SARI
i PEMETAAN PROVINSI DI INDONESIA BERDASARKAN LAPANGAN PEKERJAAN UTAMA DENGAN ANALISIS KORESPONDENSI DESTY PUTRI SARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPROFIL PEMANFAATAN TEKNOLOGI INFORMASI OLEH MASYARAKAT
No. 42 / IX / 14 Agustus 2006 PROFIL PEMANFAATAN TEKNOLOGI INFORMASI OLEH MASYARAKAT Hasil Survei Sosial Ekonomi Nasional (Susenas) 2005 Dari hasil Susenas 2005, sebanyak 7,7 juta dari 58,8 juta rumahtangga
Lebih terperinciALOKASI ANGGARAN. No Kode Satuan Kerja/Program/Kegiatan Anggaran (Ribuan Rp) (1) (2) (3) (4) 01 Dinas Pendidikan Provinsi DKI Jakarta
SALINAN LAMPIRAN PERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN NOMOR 103 TAHUN 2013 TENTANG PELIMPAHAN SEBAGIAN URUSAN PEMERINTAHAN BIDANG PENDIDIKAN KEPADA GUBERNUR DALAM PENYELENGGARAAN DEKONSENTRASI TAHUN
Lebih terperinciBERITA NEGARA REPUBLIK INDONESIA BPKP. Pembinaan. Pengawasan. Perubahan.
No.1562, 2014 BERITA NEGARA REPUBLIK INDONESIA BPKP. Pembinaan. Pengawasan. Perubahan. PERATURAN KEPALA BADAN PENGAWASAN KEUANGAN DAN PEMBANGUNAN REPUBLIK INDONESIA NOMOR 23 TAHUN 2014 TENTANG PERUBAHAN
Lebih terperinciPOTRET PENDIDIKAN PROVINSI JAWA TENGAH (Indikator Makro)
POTRET PENDIDIKAN PROVINSI JAWA TENGAH (Indikator Makro) Pusat Data dan Statistik Pendidikan - Kebudayaan Setjen, Kemendikbud Jakarta, 2015 DAFTAR ISI A. Dua Konsep Pembahasan B. Potret IPM 2013 1. Nasional
Lebih terperinciINDEK KOMPETENSI SEKOLAH SMA/MA (Daya Serap UN Murni 2014)
F INDEK KOMPETENSI SEKOLAH SMA/MA (Daya Serap UN Murni 2014) Kemampuan Siswa dalam Menyerap Mata Pelajaran, dan dapat sebagai pendekatan melihat kompetensi Pendidik dalam menyampaikan mata pelajaran 1
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK SUMATERA BARAT MARET 2016 MULAI MENURUN
No.54/9/13/Th. XIX, 1 ember 2016 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK SUMATERA BARAT MARET 2016 MULAI MENURUN GINI RATIO PADA MARET 2016 SEBESAR 0,331 Pada 2016, tingkat ketimpangan pengeluaran penduduk
Lebih terperinciKEPUTUSAN BADAN AKREDITASI NASIONAL ( BAN PAUD DAN PNF ) NOMOR: 024/BAN PAUD DAN PNF/AK/2017
KEPUTUSAN BADAN AKREDITASI NASIONAL PENDIDIKAN ANAK USIA DINI DAN PENDIDIKAN NONFORMAL ( BAN PAUD DAN PNF ) NOMOR: 024/BAN PAUD DAN PNF/AK/2017 TENTANG ALOKASI KUOTA AKREDITASI BAP PAUD DAN PNF TAHUN 2018
Lebih terperinciPEMETAAN PROVINSI DI INDONESIA BERDASARKAN PRODUK DOMESTIK REGIONAL BRUTO MENGGUNAKAN ANALISIS BIPLOT MEGA ERAWATI
PEMETAAN PROVINSI DI INDONESIA BERDASARKAN PRODUK DOMESTIK REGIONAL BRUTO MENGGUNAKAN ANALISIS BIPLOT MEGA ERAWATI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciHASIL DAN PEMBAHASAN Simulasi Kinerja Metode Kondisi Shift Outlier
17 HASIL DAN PEMBAHASAN Simulasi Perbandingan kinerja metode BICOV dan MCD dalam AKK melalui data simulasi dimaksudkan untuk mencari metode kekar yang memberikan nilai MSE paling minimum. Kinerja kedua
Lebih terperinciWALIKOTA YOGYAKARTA PROVINSI DAERAH ISTIMEWA YOGYAKARTA
WALIKOTA YOGYAKARTA PROVINSI DAERAH ISTIMEWA YOGYAKARTA PERATURAN WALIKOTA YOGYAKARTA NOMOR 74 TAHUN 2015 TENTANG PERUBAHAN ATAS PERATURAN WALIKOTA YOGYAKARTA NOMOR 50 TAHUN 2015 TENTANG STANDARDISASI
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK INDONESIA MARET 2017 MENURUN
No.39/07/15/Th.XI, 17 Juli 2017 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK INDONESIA MARET 2017 MENURUN GINI RATIO PADA MARET 2017 SEBESAR 0,335 Pada Maret 2017, tingkat ketimpangan pengeluaran penduduk
Lebih terperinciDENGAN RAHMAT TUHAN YANG MAHA ESA KEPALA ARSIP NASIONAL REPUBLIK INDONESIA,
PERATURAN KEPALA ARSIP NASIONAL REPUBLIK INDONESIA NOMOR 19 TAHUN 2016 TENTANG PERUBAHAN ATAS PERATURAN KEPALA ARSIP NASIONAL REPUBLIK INDONESIA NOMOR 12 TAHUN 2016 TENTANG PELAKSANAAN DANA DEKONSENTRASI
Lebih terperinciANALISIS BIPLOT UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA TPB IPB DAN NILAI UJIAN NASIONAL ETY NOVIYANTI
ANALISIS BIPLOT UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA TPB IPB DAN NILAI UJIAN NASIONAL ETY NOVIYANTI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciJUMLAH PENEMPATAN TENAGA KERJA INDONESIA ASAL PROVINSI BERDASARKAN JENIS KELAMIN PERIODE 1 JANUARI S.D 31 OKTOBER 2015
JUMLAH PENEMPATAN TENAGA KERJA INDONESIA ASAL PROVINSI BERDASARKAN JENIS KELAMIN NO PROVINSI LAKI-LAKI PEREMPUAN Total 1 ACEH 197 435 632 2 SUMATERA UTARA 1,257 8,378 9,635 3 SUMATERA BARAT 116 476 592
Lebih terperinciPertumbuhan Simpanan BPR Dan BPRS
Pertumbuhan Simpanan BPR Dan BPRS Semester II Tahun 2013 GROUP PENJAMINAN DIREKTORAT PENJAMINAN DAN MANAJEMEN RISIKO 0 DAFTAR ISI Jumlah BPR/BPRS Peserta Penjaminan Grafik 1 3 Pertumbuhan Simpanan pada
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK PROVINSI BENGKULU MARET 2016 MULAI MENURUN
No.54/09/17/I, 1 September 2016 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK PROVINSI BENGKULU MARET 2016 MULAI MENURUN GINI RATIO PADA MARET 2016 SEBESAR 0,357 Daerah Perkotaan 0,385 dan Perdesaan 0,302 Pada
Lebih terperinciBAB III PEMBAHASAN MASALAH
BAB III PEMBAHASAN MASALAH 3. 1 Analisa Aplikasi Perkembangan dunia pendidikan semakin meningkat dengan kemajuan teknologi yang semakin berkembang. Pendidikan adalah suatu kebutuhan yang mempunyai manfaat
Lebih terperinci2016, No c. bahwa berdasarkan pertimbangan sebagaimana dimaksud dalam huruf a dan huruf b, perlu menetapkan Peraturan Kepala Arsip Nasional Re
BERITA NEGARA REPUBLIK INDONESIA No. 454, 2016 ANRI. Dana. Dekonsentrasi. TA 2016. Pelaksanaan. PERATURAN KEPALA ARSIP NASIONAL REPUBLIK INDONESIA NOMOR 19 TAHUN 2016 TENTANG PERUBAHAN ATAS PERATURAN KEPALA
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 terperinci- 1 - KEPUTUSAN MENTERI SOSIAL REPUBLIK INDONESIA NOMOR 5/HUK/2018 TENTANG PENETAPAN PENERIMA BANTUAN IURAN JAMINAN KESEHATAN TAHUN 2018
- 1 - KEPUTUSAN MENTERI SOSIAL REPUBLIK INDONESIA NOMOR 5/HUK/2018 TENTANG PENETAPAN PENERIMA BANTUAN IURAN JAMINAN KESEHATAN TAHUN 2018 MENTERI SOSIAL REPUBLIK INDONESIA, Menimbang : bahwa untuk melaksanakan
Lebih terperinciDENGAN RAHMAT TUHAN YANG MAHA ESA MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA,
SALINAN PERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA NOMOR 19 TAHUN 2017 TENTANG PELIMPAHAN SEBAGIAN URUSAN PEMERINTAHAN BIDANG KEBUDAYAAN KEPADA GUBERNUR DALAM PENYELENGGARAAN DEKONSENTRASI
Lebih terperinciNomor : 0090/SDAR/BSNP/I/ Januari 2018 Lampiran : 7 lembar Perihal : Penambahan Mata Pelajaran dan Kisi-kisi USBN SMA Tahun Pelajaran 2017/2018
Nomor : 0090/SDAR/BSNP/I/2018 29 Januari 2018 Lampiran : 7 lembar Perihal : Penambahan dan Kisi-kisi USBN SMA Tahun Pelajaran 2017/2018 Yang terhormat: 1. Kepala Dinas Pendidikan Provinsi 2. Kepala Kantor
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN KONSUMSI MARET 2017
No. 41/07/36/Th.XI, 17 Juli 2017 TINGKAT KETIMPANGAN PENGELUARAN KONSUMSI MARET 2017 GINI RATIO PROVINSI BANTEN MARET 2017 MENURUN Pada 2017, tingkat ketimpangan pengeluaran penduduk Banten yang diukur
Lebih terperinciBERITA NEGARA REPUBLIK INDONESIA
BERITA NEGARA REPUBLIK INDONESIA No.366, 2013 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN. Lembaga Penjamin Mutu Pendidikan. Organisasi. Tata Kerja. Perubahan. PERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK
Lebih terperinci2016, No Indonesia Tahun 2014 Nomor 244, Tambahan Lembaran Negara Republik Indonesia Nomor 5587) sebagaimana telah beberapa kali diubah terakh
No.1368, 2016 BERITA NEGARA REPUBLIK INDONESIA KEMENAKER. Hasil Pemetaan. PERATURAN MENTERI KETENAGAKERJAAN REPUBLIK INDONESIA NOMOR 28 TAHUN 2016 TENTANG HASIL PEMETAAN URUSAN PEMERINTAHAN DAERAH DI BIDANG
Lebih terperinciPERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA NOMOR 7 TAHUN 2015 TENTANG PERUBAHAN ATAS
SALINAN PERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA NOMOR 7 TAHUN 2015 TENTANG PERUBAHAN ATAS PERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN NOMOR 123 TAHUN 2014 TENTANG PELIMPAHAN SEBAGIAN
Lebih terperinciBERITA RESMI STATISTIK
Indeks Tendensi Konsumen III-2017 Provinsi Nusa Tenggara Timur No. 10/11/53/Th. XX, 6 November 2017 BERITA RESMI STATISTIK Indeks Tendensi Konsumen III-2017 Secara umum kondisi ekonomi dan tingkat optimisme
Lebih terperinciINDEKS PEMBANGUNAN GENDER DAN INDEKS PEMBERDAYAAN GENDER Provinsi DKI Jakarta TAHUN 2011
No. 07/01/31/Th. XV, 2 Januari 2013 INDEKS PEMBANGUNAN GENDER DAN INDEKS PEMBERDAYAAN GENDER Provinsi DKI Jakarta TAHUN 2011 1. Indeks Pembangunan Gender (IPG) DKI Jakarta Tahun 2011 A. Penjelasan Umum
Lebih terperinciPEMBAGIAN KUOTA PELAKSANAAN ASESMEN ONLINE PEGAWAI KEMENDIKBUD TAHUN 2017
Catatan: 1. Jumlah peserta asesmen pada tabel berikut tidak termasuk JFU peserta asesmen yang ditunjuk menjadi Petugas Pendamping. 2. JFU peserta asesmen yang ditunjuk sebagai Petugas Pendamping Utama,
Lebih terperinciNomor : 0304/E3.4/ Februari 2013 Lampiran : 2 (dua) lampiran Perihal : Penyelenggara ON MIPA-PT Tahun 2013
Telepon (021) 57946073 Faksimil (021) 57946072 http//dikti.kemdikbud.go.id/ Nomor 0304/E3.4/2013 4 Februari 2013 Lampiran 2 (dua) lampiran Perihal Penyelenggara ON MIPA-PT Tahun 2013 Kepada Yth 1. Pimpinan
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK NUSA TENGGARA BARAT MARET 2017 MENINGKAT
BADAN PUSAT STATISTIK BADAN PUSAT STATISTIK No.46/07/52/Th.I, 17 Juli 2017 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK NUSA TENGGARA BARAT MARET 2017 MENINGKAT GINI RATIO PADA MARET 2017 SEBESAR 0,371 Pada
Lebih terperinciNomor : 0094/SDAR/BSNP/III/ Maret 2018 Lampiran : satu berkas Perihal : Revisi Kedua POS UN Tahun Pelajaran 2017/2018
Nomor : 0094/SDAR/BSNP/III/2018 5 Maret 2018 Lampiran : satu berkas Perihal : Revisi Kedua POS UN Tahun Pelajaran 2017/2018 Yang terhormat: 1. Kepala Dinas Provinsi 2. Kepala Kantor Wilayah Kementerian
Lebih terperinciBERITA NEGARA REPUBLIK INDONESIA BPKP. Pembinaan. Pengawasan. Pencabutan.
No.539, 2014 BERITA NEGARA REPUBLIK INDONESIA BPKP. Pembinaan. Pengawasan. Pencabutan. PERATURAN KEPALA BADAN PENGAWASAN KEUANGAN DAN PEMBANGUNAN REPUBLIK INDONESIA NOMOR 4 TAHUN 2014 TENTANG PEMBINAAN
Lebih terperinciPROFIL KEMISKINAN DI INDONESIA MARET 2014
BADAN PUSAT STATISTIK No. 52/07/Th. XVII, 1 Juli 2014 PROFIL KEMISKINAN DI INDONESIA MARET 2014 JUMLAH PENDUDUK MISKIN MARET 2014 MENCAPAI 28,28 JUTA ORANG Pada Maret 2014, jumlah penduduk miskin (penduduk
Lebih terperinciPemanfaatan Hasil Ujian Nasional MA untuk Perbaikan Akses dan Mutu Pendidikan
Pemanfaatan Hasil Ujian Nasional MA untuk Perbaikan Akses dan Mutu Pendidikan Asep Sjafrudin, S.Si, M.Si Madrasah Aliyah sebagai bagian dari jenjang pendidikan tingkat menengah memerlukan upaya pengendalian,
Lebih terperinciHasil Ujian Nasional 2016
Kementerian Pendidikan dan Kebudayaan Republik Indonesia Hasil Ujian Nasional 2016 Pers Conference #2 JAKARTA, 11 MEI 2016 Peserta UN SMA/SMK/MA/ Sederajat Tahun 2016 02 UN Kertas dan Pensil UN Berbasis
Lebih terperinciJumlah Akomodasi, Kamar, dan Tempat Tidur yang Tersedia pada Hotel Bintang Menurut Provinsi,
yang Tersedia pada Menurut, 2000-2015 2015 yang Tersedia pada ACEH 17 1278 2137 SUMATERA UTARA 111 9988 15448 SUMATERA BARAT 60 3611 5924 RIAU 55 4912 7481 JAMBI 29 1973 2727 SUMATERA SELATAN 61 4506 6443
Lebih terperinciPENERAPAN BIPLOT PADA PEMETAAN SUMBER DAYA KESEHATAN ANTARPROVINSI DI INDONESIA SUWAIBATUL ASLAMIYAH
PENERAPAN BIPLOT PADA PEMETAAN SUMBER DAYA KESEHATAN ANTARPROVINSI DI INDONESIA SUWAIBATUL ASLAMIYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
Lebih terperinciPOTRET PENDIDIKAN PROVINSI SULAWESI BARAT (Indikator Makro)
POTRET PENDIDIKAN PROVINSI SULAWESI BARAT (Indikator Makro) Pusat Data dan Statistik Pendidikan - Kebudayaan Kemendikbud Jakarta, 2015 DAFTAR ISI A. Dua Konsep Pembahasan B. Potret IPM 2013 1. Nasional
Lebih terperinciPertumbuhan Simpanan BPR dan BPRS
Pertumbuhan Simpanan BPR dan BPRS Semester I Tahun 2015 Divisi Statistik, Kepesertaan, dan Premi Penjaminan Direktorat Penjaminan dan Manajemen Risiko DAFTAR ISI Jumlah BPR/BPRS Peserta Penjaminan Grafik
Lebih terperinciBERITA NEGARA REPUBLIK INDONESIA BAPPENAS. Pelimpahan Urusan Pemerintahan. Gubernur. Dekonsetrasi. Perubahan.
No.526, 2015 BERITA NEGARA REPUBLIK INDONESIA BAPPENAS. Pelimpahan Urusan Pemerintahan. Gubernur. Dekonsetrasi. Perubahan. PERATURAN MENTERI PERENCANAAN PEMBANGUNAN NASIONAL/ REPUBLIK INDONESIA NOMOR 2
Lebih terperinciI. PENDAHULUAN A. Latar Belakang dan Masalah
I. PENDAHULUAN A. Latar Belakang dan Masalah Sektor pertanian merupakan sektor yang penting dalam pembangunan Indonesia, yaitu sebagai dasar pembangunan sektor lainnya. Sejalan dengan itu, sektor pertanian
Lebih terperinciPertumbuhan Simpanan BPR/BPRS. Semester I Tahun 2013
Pertumbuhan Simpanan BPR/BPRS Semester I Tahun 2013 DAFTAR ISI Pertumbuhan Simpanan pada BPR/BPRS Grafik 1 10 Dsitribusi Simpanan pada BPR/BPRS Tabel 9 11 Pertumbuhan Simpanan Berdasarkan Kategori Grafik
Lebih terperinciBKN. Kantor Regional. XIII. XIV. Pembentukan. Pencabutan. PERATURAN KEPALA BADAN KEPEGAWAIAN NEGARA
No.1058, 2014 BKN. Kantor Regional. XIII. XIV. Pembentukan. Pencabutan. PERATURAN KEPALA BADAN KEPEGAWAIAN NEGARA NOMOR 20 TAHUN 20142014 TENTANG PEMBENTUKAN KANTOR REGIONAL XIII DAN KANTOR REGIONAL XIV
Lebih terperinciMENTERI KEUANGAN REPUBLIK INDONESIA SALINAN
SALINAN PERATURAN MENTERI KEUANGAN NOMOR 132 /PMK.02/2010 TENTANG INDEKS DALAM RANGKA PENGHITUNGAN PENETAPAN TARIF PELAYANAN PNBP PADA BADAN PERTANAHAN NASIONAL DENGAN RAHMAT TUHAN YANG MAHA ESA MENTERI
Lebih terperinciPertumbuhan Simpanan BPR dan BPRS
Pertumbuhan Simpanan BPR dan BPRS Semester II Tahun 2014 Divisi Statistik, Kepesertaan, dan Premi Penjaminan Direktorat Penjaminan dan Manajemen Risiko DAFTAR ISI Jumlah BPR/BPRS Peserta Penjaminan Grafik
Lebih terperinciBAB I PENDAHULUAN. 7). Analisis ini dikelompokkan menjadi dua, yaitu analisis dependensi dan
BAB I PENDAHULUAN A. Latar Belakang Analisis multivariat merupakan analisis multivariabel yang berhubungan dengan semua teknik statistik yang secara simultan menganalisis sejumlah pengukuran pada individu
Lebih terperinciPERKEMBANGAN NILAI TUKAR ECERAN RUPIAH FEBRUARI 2016
BADAN PUSAT STATISTIK. 29/03/Th. XIX, 15 Maret 2016 PERKEMBANGAN NILAI TUKAR ECERAN RUPIAH FEBRUARI 2016 FEBRUARI 2016 RUPIAH TERAPRESIASI 3,06 PERSEN TERHADAP DOLAR AMERIKA Rupiah terapresiasi 3,06 persen
Lebih terperinciBAB I PENDAHULUAN. pembelajaran, sehingga sasaran untuk supervisi akademik adalah guru.
BAB I PENDAHULUAN A. Latar Belakang Masalah Peraturan Pemerintah Republik Indonesia Nomor 19 tahun 2005 tentang Standar Nasional Pendidikan, pada pasal 39 menyatakan pengawasan pada pendidikan formal dilakukan
Lebih terperinciBAB 1 PENDAHULUAN. Jumlah penduduk adalah salah satu input pembangunan ekonomi. Data
1.1 Latar Belakang BAB 1 PENDAHULUAN Jumlah penduduk adalah salah satu input pembangunan ekonomi. Data jumlah penduduk Indonesia tahun 2010 sampai 2015 menunjukkan kenaikan setiap tahun. Jumlah penduduk
Lebih terperinciLaporan Keuangan UAPPA-E1 Ditjen Penyelenggaraan Haji dan Umrah Tahun 2014 (Unaudited) No Uraian Estimasi Pendapatan
Realisasi Pendapatan Negara dan Hibah Rp2.334.880.785 B. PENJELASAN ATAS POS-POS LAPORAN REALISASI ANGGARAN B.1 Pendapatan Negara dan Hibah Realisasi Pendapatan Negara dan Hibah pada Tahun Anggaran 2014
Lebih terperinciESTIMASI JUMLAH PENDUDUK INDONESIA TAHUN Estimasi Jumlah Penduduk Indonesia :
ESTIMASI JUMLAH PENDUDUK INDONESIA TAHUN 2015 Estimasi Jumlah Penduduk Indonesia : 255.461.686 Sumber : Pusdatin, 2015 ESTIMASI JUMLAH PENDUDUK PROVINSI BANTEN TAHUN 2015 Estimasi Jumlah Penduduk Banten
Lebih terperinciPROFIL KEMISKINAN DI INDONESIA SEPTEMBER 2013
BADAN PUSAT STATISTIK No. 06/01/Th. XVII, 2 Januari 2014 PROFIL KEMISKINAN DI INDONESIA SEPTEMBER 2013 JUMLAH PENDUDUK MISKIN SEPTEMBER 2013 MENCAPAI 28,55 JUTA ORANG Pada bulan September 2013, jumlah
Lebih terperinciEstimasi Kesalahan Sampling Riskesdas 2013 (Sampling errors estimation, Riskesdas 2013)
Lampiran Estimasi Kesalahan Sampling Riskesdas 2013 (Sampling errors estimation, Riskesdas 2013) Berikut ini beberapa contoh perhitungan dari variabel riskesdas yang menyajikan Sampling errors estimation
Lebih terperinciTINGKAT KETIMPANGAN PENGELUARAN PENDUDUK BANTEN SEPTEMBER 2016 MENURUN
No.12/02/Th.XI, 6 Februari 2017 TINGKAT KETIMPANGAN PENGELUARAN PENDUDUK BANTEN SEPTEMBER 2016 MENURUN GINI RATIO PADA SEPTEMBER 2016 SEBESAR 0,392 Pada ember 2016, tingkat ketimpangan pengeluaran penduduk
Lebih terperinciPertumbuhan Simpanan BPR Dan BPRS
Pertumbuhan Simpanan BPR Dan BPRS Semester I Tahun 2014 Divisi Statistik, Kepesertaan, dan Premi Penjaminan Direktorat Penjaminan dan Manajemen Risiko DAFTAR ISI Jumlah BPR/BPRS Peserta Penjaminan Grafik
Lebih terperinciSURVEI NASIONAL LITERASI DAN INKLUSI KEUANGAN 2016
SURVEI NASIONAL LITERASI DAN INKLUSI KEUANGAN 2016 1 PILAR 1 PILAR 2 PILAR 3 SURVEI NASIONAL 2013 Undang-undang Nomor 21 Tahun 2011 tentang Otoritas Jasa Keuangan mengamanatkan Otoritas Jasa Keuangan untuk
Lebih terperinciSELEKSI PEUBAH DENGAN ANALISIS KOMPONEN UTAMA DAN PROCRUSTES ACHMAD MUSLIM
SELEKSI PEUBAH DENGAN ANALISIS KOMPONEN UTAMA DAN PROCRUSTES ACHMAD MUSLIM SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciDENGAN RAHMAT TUHAN YANG MAHA ESA MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA,
SALINAN PERATURAN MENTERI PENDIDIKAN DAN KEBUDAYAAN REPUBLIK INDONESIA NOMOR 25 TAHUN 2016 TENTANG KOMPONEN DALAM PENGHITUNGAN HARGA ECERAN TERTINGGI BUKU TEKS PELAJARAN MILIK KEMENTERIAN PENDIDIKAN DAN
Lebih terperinci