Klasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees)
|
|
- Hartanti Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 1 Klasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees) Sharfina Widyandini dan Vita Ratnasari Jurusan Statistika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia Abstrak Sebagai sumber daya manusia yang merupakan salah satu faktor produksi penting, peran serta perempuan dalam ekonomi juga dibutuhkan. Penelitian ini bertujuan untuk mendeskripsikan karakteristik perempuan di kabupaten dan kotamadya Propinsi Jawa Timur dalam kegiatan partisipasi ekonomi serta mengklasifikasikan kegiatan partisipasi ekonomi perempuan tersebut. Analisis data menggunakan tabulasi silang dan klasifikasi pohon pada metode CART dengan perempuan umur tahun sebagai unit penelitiannya. Kegiatan partisipasi ekonomi perempuan dibedakan menjadi kategori bekerja dan tidak bekerja, dimana tidak bekerja meliputi pengangguran, mengurus rumah tangga, sekolah dan lainnya. Hasil uji independensi pada tabulasi silang menghasilkan tolak H 0 yang artinya signifikan atau terdapat hubungan, untuk seluruh variabel prediktor kecuali variabel klasifikasi desa dan kota pada data kotamadya. Klasifikasi pohon di kabupaten memiliki 18 simpul terminal dan 8 kedalaman serta ketepatan klasifikasi sebesar 64,6%. Klasifikasi pohon di kotamadya memiliki 6 simpul terminal dan 5 kedalaman serta ketepatan klasifikasi sebesar 60,1%. umur menjadi pemilah terbanyak dengan skor tertinggi baik di kabupaten maupun kotamadya. Kata Kunci CART, ekonomi perempuan, klasifikasi pohon, variabel. P I. PENDAHULUAN ERAN perempuan sebagai sumber daya manusia, sangat diperlukan untuk mempercepat pembangunan di era globalisasi ini. Namun, hasil kajian yang telah dilakukan oleh Badan Penelitian dan Pengembangan Hak Asasi Manusia [1] menunjukkan bahwa partisipasi perempuan dalam kegiatan perekonomian dapat dikatakan masih kurang optimal, terdapat sejumlah kendala pula yang membatasi aktivitas perempuan untuk berkarir. Sementara itu, data BPS Jatim [2] menyebutkan bahwa jumlah penduduk di Jawa Timur relatif tinggi, dengan persentase penduduk perempuan lebih tinggi daripada laki-laki dari tahun 2008 hingga Tetapi hal ini berbanding terbalik dengan nilai TPAK perempuan (55,01), yang masih terpaut cukup jauh dari laki-laki (84,70). Penelitian ini dilakukan untuk mengetahui pengelompokkan kegiatan partisipasi ekonomi perempuan sesuai dengan variabel yang mempengaruhinya. Pengklasifikasian akan dilakukan dengan metode CART. Metode CART merupakan metode regresi nonparametrik yang bertujuan untuk mengklasifikasikan suatu kelompok observasi atau sebuah observasi ke dalam suatu sub kelompok dari suatu kelas-kelas yang diketahui. CART lebih mudah untuk diinterpretasikan karena hasil analisis berupa topologi pohon atau berupa grafis [3], lebih akurat dan lebih cepat penghitungannya, selain itu CART juga merupakan metode yang bisa diterapkan untuk himpunan data dalam jumlah besar, variabel yang sangat banyak dan dengan skala variabel campuran melalui prosedur pemilahan biner. II. TINJAUAN PUSTAKA A. Cross Tabulation Analisis yang dilakukan untuk mengetahui ada atau tidaknya ketergantungan atau hubungan antara dua variabel. Adapun bentuk tabel kontingensinya digambarkan dalam Tabel 1 sebagai berikut. Tabel 1 Cross Tabulation rxc Baris Lajur 1 2 c 1 n 11 n 12 n 1c 2 n 21 n 22 n 2c r n r1 n r2 n rc Hipotesis H 0 : tidak ada hubungan antara dua variabel H 1 : ada hubungan antara dua variabel Statistik uji yang digunakan adalah Dimana = (1) Tolak H 0 jika nilai > atau P value < α B. Classification and Regression Trees (CART) Dalam metode CART, jika variabel responnya berbentuk kontinu maka CART yang dihasilkan adalah regresi pohon, namun jika variabel responnya berbentuk kategorik maka yang dihasilkan adalah klasifikasi pohon. Berikut merupakan langkah-langkah analisis klasifikasi pohon. 1. Pembentukan Pohon Klasifikasi Maksimal Pembentukan pohon klasifikasi membutuhkan learning sample, learning sample tersebut bersifat heterogen sehingga dilakukan pemilahan untuk mengurangi keheterogenan pada simpul utama dan memaksimumkan ukuran keheterogenan pada simpul anak. Metode pemilahan yang dapat digunakan adalah Gini, Twoing, Entropy [4] dan Informasi [5]. Namun, yang sangat mudah dan sesuai diterapkan dalam berbagai kasus yaitu Indeks Gini [4] sebagai berikut.
2 2 i(t)= (2) 5. Klasifikasi (1) keterangan : p(i,t) p(t) adalah proporsi kelas i simpul t p(j,t) p(t) adalah proporsi kelas j simpul t Kemudian penentuan simpul terminal, langkahnya adalah mencari kemungkinan pemilah pada variabel independen, sesuai dengan aturan, (i) Tiap pemilahan hanya bergantung pada nilai dari satu variabel independen., (ii) Jika variabel independen (x j ) kontinu, pemilahan yang diijinkan adalah x j c i dan x j > c i, dimana i = 1,2,...n-1 sementara c i adalah nilai tengah dari dua amatan sampel yang berbeda variabel x j. Apabila suatu sampel berukuran n dan terdapat N nilai amatan sampel yang berbeda pada variabel x j, maka terdapat n-1 kemungkinan pemilahan, (iii) Jika variabel independen (x j ) kategori, maka pemilahan berasal dari semua kemungkinan pemilahan menurut terbentuknya 2 simpul yang saling lepas. Jika variabel x j adalah kategori nominal bertaraf L maka akan diperoleh pemilahan sebanyak 2 L-1-1. Tetapi, jika variabel x j kategori ordinal maka akan diperoleh pemilahan sebanyak L-1. Kedua, mencari pemilah terbaik dari setiap variabel independen. Pemilah yang terpilih akan membentuk suatu himpunan kelas yang disebut simpul satu, selanjutnya tiap pemilahan akan dilakukan pada tiap simpul sampai diperoleh simpul akhir dan menghasilkan 2 kelas yaitu simpul anak. Lalu yang terakhir adalah penandaan label kelas. Tahapan ini dilakukan berdasarkan aturan jumlah terbanyak, yaitu Dimana p(j t) = proporsi kelas j pada simpul t N j (t) = jumlah pengamatan kelas j pada simpul t N(t) = jumlah pengamatan pada simpul t Proses pembentukan pohon klasifikasi berhenti saat terdapat hanya satu pengamatan dalam tiap-tiap simpul anak atau adanya batasan minimum n. 2. Penghentian Pembentukan Pohon Klasifikasi Penghentian berhenti pada saat hanya ada satu pengamatan (n=1) dalam tiap simpul anak, semua pengamatan dalam tiap simpul anak mempunyai variabel independen yang identik sehingga tidak mungkin terjadi pemilahan, serta adanya batasan jumlah level atau tingkat kedalaman pohon maksimal [3]. 3. Pemangkasan Pohon Klasifikasi Pohon dipangkas menjadi sekuen pohon yang semakin kecil dan tersarang. Berdasarkan cost complexity prunning, resubtitution suatu pohon T pada kompleksitas α adalah (4) Keterangan R(T) = resubtitution estimate pohon T α= complexity parameter bagi penambahan satu simpul akhir pada pohon T = banyaknya simpul terminal pada pohon T 4. Penentuan Pohon Klasifikasi Optimal Pohon klasifikasi optimal menghasilkan pohon yang berukuran sederhana tetapi memberikan nilai kesalahan prediksi yang cukup kecil. Dua jenis penduga pengganti, yaitu penduga sampel uji (test sample estimate) dan penduga validasi silang lipat V (cross validation V-fold estimate). (3) Ukuran ketepatan klasifikasi dapat diketahui dengan berbagai cara, diantaranya dengan nilai sensitivity, specificity, error rate dan total accuracy rate. Sensitivity adalah ukuran ketepatan dari suatu kejadian yang diinginkan. Specificity merupakan suatu ukuran yang menyatakan kejadian yang tidak diinginkan. Error rate merupakan proporsi observasi yang diprediksi secara tidak benar oleh fungsi klasifikasi. Total accuracy rate adalah proporsi observasi yang diprediksi secara benar oleh fungsi klasifikasi. C. Kegiatan Partisipasi Ekonomi Perempuan Bentuk kegiatan partisipasi ekonomi perempuan pada penelitian ini dibedakan menjadi bekerja dan tidak bekerja, berdasarkan usia kerja, bekerja didefinisikan sebagai kegiatan ekonomi yang dilakukan seseorang dengan maksud memperoleh atau membantu memperoleh pendapatan atau keuntungan selama paling sedikit 1 (satu) jam secara tidak terputus selama seminggu yang lalu. Kegiatan bekerja ini mencakup, baik yang sedang bekerja maupun yang punya pekerjaan tetapi dalam seminggu yang lalu sementara tidak bekerja, misalnya karena cuti, sakit dan sejenisnya. Sementara itu tidak bekerja meliputi pengangguran, sekolah, mengurus rumah tangga dan lainnya. Adapun Definisi ketenagakerjaan menurut BPS [6] dirangkum dalam Gambar 1 Usia Kerja Angkatan Kerja Sedang Sementara Penduduk Pengangguran Mencari Pekerjaan Mempersiapkan Usaha Merasa Mungkin Mendapatkan Pekerjaan Sudah Punya Pekerjaan Tapi Bekum Mulai Bukan Usia Kerja Bukan Angkatan Kerja Sekolah Mengurus Rumah Tangga Lainnya Gambar 1 Konsep Penduduk, Usia Kerja, Angkatan Kerja, dan Pengangguran
3 3 III. METODOLOGI PENELITIAN A. Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder SUSENAS tahun 2011, dengan unit penelitian individu, perempuan umur tahun di Propinsi Jawa Timur, terdiri atas jiwa di kabupaten dan jiwa di kotamadya. B. Penelitian yang digunakan dalam penelitian ini terdiri dari variabel respon (Y) dan variabel prediktor (X). Berikut ini merupakan uraiannya. Tabel 2 Penelitian Deskripsi Keterangan Kegiatan partisipasi 1 : bekerja Y X 1 X 2 X 3 X 4 X 5 ekonomi perempuan Klasifikasi desa/kelurahan Umur Status perkawinan Hubungan dengan kepala rumah tangga Ijazah tertinggi yang dimiliki 2 : tidak bekerja 1 : perkotaan 2 : pedesaan 1 : tahun 2 : tahun 3 : tahun 1 : belum kawin 2 : kawin 3 : lainnya 1 : kepala rumah tangga 2 : istri 3 : anak 4 : lainnya 1 : tidak punya ijazah 2 : SD-SMA/sederajat 3 : D1/D2/D3 4 : D4/S1 5 : S2/S3 Y: kegiatan partisipasi ekonomi perempuan usia kerja kurang dari 65 tahun. X 1 : klasifikasi pedesaan atau perkotaan, X 2 : perempuan umur tahun dengan kategori 1-3 dikelompokkan menurut Sleumer [7] yaitu, kurang produktif penuh, golongan produktif, tidak produktif penuh. X 3 : status perkawinan meliputi belum kawin, kawin, dan lainnya (cerai mati/cerai hidup). X 4 : hubungan dengan kepala rumah tangga, kategori 4 terdiri atas menantu, cucu, orangtua/mertua, famili lain, pembantu rumah tangga dan lainnya. X 5 : jenjang pendidikan terakhir dan mempunyai ijazah pada jenjang tersebut. C. Langkah Analisis Langkah analisis yang digunakan dalam penelitian ini sebagai berikut 1. Mengidentifikasi karakteristik variabel respon dengan prediktor menggunakan crosstab, kemudian ditampilkan dalam bentuk bar chart maupun line chart. 2. Mencari ketepatan klasifikasi tertinggi dari setiap kombinasi data learning dan data testing di kabupaten dan kotamadya. 3. Pembentukan pohon klasifikasi dengan tahapan pemilihan pemilah terbaik, serta penentuan simpul terminal. 4. Penghentian pembentukan pohon klasifikasi. 5. Pemangkasan pohon klasifikasi dengan menggunakan kriteria kompleksitas kesalahan (cost complexity) yang minimum dan nilai kesalahan relatif penggantian (resubstitution relative error) yang minimum. 6. Pemilihan pohon klasifikasi optimal. III. ANALISIS DAN PEMBAHASAN A. Karakteristik Respon Terhadap Prediktor Identifikasi karakteristik antara variabel respon yakni kegiatan partisipasi ekonomi perempuan dengan masingmasing variabel prediktor, berturut-turut diantaranya klasifikasi desa dan kota, umur, status perkawinan, hubungan dengan kepala rumah tangga serta ijazah tertinggi. Gambar 2 Persentase Kegiatan Partisipasi Ekonomi Perempuan Berdasarkan Klasifikasi Desa dan Kota (a) di kabupaten, (b) di kotamadya Gambar 3 Persentase Kegiatan Partisipasi Ekonomi Perempuan Berdasarkan Kelompok Umur (a) di kabupaten, (b) di kotamadya Gambar 4 Persentase Kegiatan Partisipasi Ekonomi Perempuan Berdasarkan Status Perkawinan (a) di kabupaten, (b) di kotamadya Gambar 5 Persentase Kegiatan Partisipasi Ekonomi Perempuan Berdasarkan Hubungan Dengan Kepala Rumah Tangga (a) di kabupaten, (b) di kotamadya Gambar 6 Persentase Kegiatan Partisipasi Ekonomi Perempuan Berdasarkan Ijazah Tertinggi (a) di kabupaten, (b) di kotamadya
4 4 Pada Gambar 2 diketahui bahwa persentase bekerja lebih besar pada tiap desa maupun kota, kecuali pada desa di kotamadya, persentase tidak bekerja lebih tinggi dibandingkan dengan persentase bekerja. Pada Gambar 3, hanya pada kelompok umur tahun di kabupaten, lebih banyak yang bekerja, hal ini berbanding berbanding terbalik dengan keadaan kelompok umur tahun di kotamadya. Kemudian pada Gambar 4, perbandingan kegiatan partisipasi ekonominya hampir sama, bahwa perempuan dengan status kawin dan lainnya (cerai hidup/cerai mati) cenderung memiliki persentase bekerja yang lebih tinggi. Selanjutnya untuk Gambar 5 juga diketahui memiliki selisih persentase kegiatan partisipasi ekonomi yang sama, dengan status kepala rumah tangga dan istri cenderung lebih banyak yang bekerja. Terakhir, pada Gambar 6 didapatkan informasi bahwa kegiatan partisipasi ekonomi kategori bekerja didominasi oleh perempuan dengan ijazah D4/S1 dan S2/S3. Kemudian analisis hubungan variabel respon dan prediktor dilakukan pengujian dengan hipotesis berikut. H 0 : ada hubungan antara variabel respon dengan prediktor. H 1 : Ada hubungan antara variabel respon dengan prediktor. Dengan α sebesar 0,05 maka diperoleh keputusan seperti pada Tabel 3. Terdapat hubungan antara semua variabel prediktor dengan variabel respon, kecuali pada Gambar 2b Tabel 3 Nilai P value Hasil crosstab Respon Dengan Prediktor Gambar No. Kabupaten Keputusan Gambar No. Kotamadya Keputusan P value P value 2a 0,000 Tolak H 0 2b 0,431 Gagal tolak H 0 3a 0,000 Tolak H 0 3b 0,000 Tolak H 0 4a 0,000 Tolak H 0 4b 0,043 Tolak H 0 5a 0,000 Tolak H 0 5b 0,000 Tolak H 0 6a 0,000 Tolak H 0 6b 0,000 Tolak H 0 B. Classification And Regression Trees (CART) Berikut persentase ketepatan klasifikasi pada berbagai kombinasi yang telah dilakukan oleh peneliti. Tabel 4 Perbandingan Klasifikasi Antar Kombinasi Data Kombinasi Proporsi (%) KABUPATEN Klasifikasi (%) Kombinasi Proporsi (%) KOTAMADYA Klasifikasi (%) Learn Test Learn Test 95 : 5 64,4 64,3 95 : ,5 *90 : 10 64,4 64,6 90 : 10 60,1 59,5 85 : 15 64,5 64,4 *85 : ,1 80 : 20 64,5 64,1 80 : 20 60, : 25 64,4 64,5 75 : 25 61,3 59 (*) Keterangan : kombinasi data yang digunakan untuk analisis Dari Tabel 4 diketahui bahwa yang digunakan untuk analisis data kabupaten adalah kombinasi 90% learning dan 10% testing. Untuk data kotamadya yang digunakan adalah kombinasi 85% learning dan 15% testing. klasifikasi ini dapat menggambarkan kebaikan pohon klasifikasi yang terbentuk. Perhitungan kemungkinan pemilah dari masing-masing variabel prediktor. a. Klasifikasi desa/kota memiliki = 1 pemilahan b. Umur memiliki = 3 pemilahan c. Status perkawinan memiliki = 3 pemilahan d. Hubungan dengan kepala rumah tangga memiliki = 7 pemilahan e. Ijazah tertinggi memiliki 5-1= 4 pemilahan 1. Klasifikasi Pohon di Kabupaten Propinsi Jawa Timur Pohon klasifikasi maksimal merupakan pohon dengan jumlah simpul terminal terbanyak. Pada Tabel 5 diketahui skor variabel terpenting dalam klasifikasi pohon maksimal. Tabel 5 Prediktor Pada Pohon Maksimal di Kabupaten Status perkawinan 73,97 Hubungan dengan kepala rumah tangga 38,48 Ijazah tertinggi 36,48 Klasifikasi desa/kota 7,89 Tabel 5 menunjukkan bahwa umur memiliki skor tertinggi sehingga variabel umur menjadi pemilah utama sekaligus menjadi simpul induk pada pohon klasifikasi. Selanjutnya, pemangkasan pohon klasifikasi dilakukan dengan menggunakan resubtitution relative cost, untuk mencegah terbentuknya pohon klasifikasi yang sangat besar dan kompleks. Gambar 11 Plot Relative Cost dengan Jumlah Node di Kabupaten Nilai resubtitution relative cost di kabupaten pada pohon maksimal sebesar 0,729 dan pohon optimal sebesar 0,731. Sehingga terbentuk pohon klasifikasi optimal melalui pemangkasan yang telah dilakukan. Terdapat 18 simpul terminal dengan 8 kedalaman. Gambar 12 Pohon Klasifikasi Optimal di Kabupaten variabel prediktor dari pohon optimal yang terbentuk adalah sebagai berikut. Tabel 6 Prediktor Pada Pohon Optimal di Kabupaten Status perkawinan 72,88 Ijazah tertinggi 36,83 Hubungan dengan kepala rumah tangga 35,54 Klasifikasi desa/kota 5,03 Berdasarkan tabel tersebut, umur masih menjadi pemilah utama sebagai pemilik skor tertinggi, diikuti dengan status perkawinan. Karakteristik simpul terminal yang terbentuk dengan jumlah N terbanyak pada kategori 1, terletak pada simpul
5 5 terminal ke-11. Sebanyak 6292 perempuan di kabupaten propinsi Jawa Timur di pedesaan, berstatus kawin, sebagai kepala rumah tangga dan istri, serta memiliki ijazah tertinggi SD-SMA/sederajat dalam kategori umur tahun dan 55-64, memutuskan untuk bekerja atau berpartisipasi dalam kegiatan ekonomi. Sementara pada kategori 2, terletak pada simpul terminal ke-12. Sebanyak 4208 perempuan di kabupaten propinsi Jawa Timur di perkotaan dengan status kawin, sebagai kepala rumah tangga dan istri, ijazah tertinggi SD-SMA/sederajat dan dalam kategori umur dan tahun, memutuskan untuk tidak bekerja. 2. Klasifikasi Pohon di Kotamadya Propinsi Jawa Timur variabel terpenting dalam klasifikasi pohon maksimal ditampilkan dalam Tabel 7. Tabel 7 Prediktor Pada Pohon Maksimal di Kotamadya Ijazah tertinggi 37,76 Status perkawinan 34,90 Hubungan dengan kepala rumah tangga 19,82 Klasifikasi desa/kota 3,50 untuk variabel umur, tertinggi jauh dari skor variabel berikutnya, berturut-turut yaitu ijazah tertinggi, status perkawinan, hubungan dengan kepala rumah tangga dan terakhir, klasifikasi desa/kota. Gambar 13 Plot Relative Cost dengan Jumlah Node di Kotamadya Gambar 13 memperlihatkan Nilai resubtitution relative cost di kabupaten pada pohon maksimal sebesar 0,767 dan pohon optimal sebesar 0,788. Kemudian terbentuk pohon optimal dengan 6 simpul terminal dengan 5 kedalaman. Gambar 14 Pohon Klasifikasi Optimal di Kotamadya Berikut ini adalah skor variabel prediktor yang terbentuk pada pohon optimal. Tabel 8 Prediktor Pada Pohon Optimal di Kotamadya Ijazah Tertinggi 33,52 Status perkawinan 30,35 Hubungan dengan kepala rumah tangga 6,53 Klasifikasi desa/kota 0,00 Berdasarkan nilai skor variabel tersebut variabel klasifikasi desa/kota tidak memiliki skor atau dengan kata lain, tidak berkontribusi terhadap pemilahan pohon klasifikasi optimal di kotamadya ini. Karakteristik simpul terminal yang terbentuk pada pohon klasifikasi optimal di kotamadya dengan jumlah N terbanyak, untuk kategori 1 terletak pada simpul kedua, sebanyak 840 perempuan umur tahun dengan status belum kawin dan lainnya, ijazah tertinggi SD-SMA/sederajat, D1/D2/D3 dan tidak punya ijazah, memutuskan untuk berpartisipasi dalam kegiatan ekonomi dengan bekerja. Sedangkan pada kategori 2 terdapat pada simpul terminal ke-5, sebanyak 2873 perempuan dengan ijazah SD-SMA/sederajat, berstatus kawin serta berumur dan tahun, memutuskan untuk tidak bekerja. Langkah terakhir adalah melihat ketepatan klasifikasi dari pohon optimal yang terbentuk. Tabel 9 Klasifikasi Data Testing Pohon Optimal di Kabupaten Kelas Prediksi Kelas Aktual Klasifikasi ,0% ,9% Total Klasifikasi 64,6% Tabel 10 Klasifikasi Data Testing Pohon Optimal di Kotamadya Kelas Prediksi Kelas Aktual Klasifikasi ,2% ,4% Total Klasifikasi 60,1% Berdasarkan Tabel 9 dan Tabel 10, didapatkan ketepatan klasifikasi total pada data testing di Kabupaten sebesar 64,6% dan di kotamadya sebesar 60,1%, artinya model klasifikasi pohon optimal yang terbentuk sudah cukup baik dalam menggambarkan model klasifikasi pohon maksimal. IV. KESIMPULAN Berdasarkan hasil identifikasi karakteristik diperoleh perbedaan antara perempuan di kabupaten dan kotamadya pada variabel klasifikasi desa dan kota, kelompok umur, juga hubungan dengan kepala rumah tangga. Hasil uji independensi menunjukkan bahwa variabel klasifikasi desa dan kota di kotamadya tidak terdapat hubungan dengan variabel respon. Pada analisis kabupaten menggunakan kombinasi data learning dan testing 90%;10%, menghasilkan pohon optimal dengan 18 simpul terminal dan 8 kedalaman dengan umur sebagai skor tertinggi. Jumlah N terbanyak untuk kategori 1, sebanyak 6292 perempuan di kabupaten propinsi Jawa Timur di pedesaan, berstatus kawin, sebagai kepala rumah tangga dan istri, ijazah tertinggi yang dimiliki adalah SD- SMA/sederajat serta dalam kategori umur dan 55-64, memutuskan untuk bekerja. Untuk kategori 2, sebanyak 4208 perempuan di kabupaten propinsi Jawa Timur di perkotaan dengan status kawin, sebagai kepala rumah tangga dan istri, ijazah tertinggi SD-SMA/sederajat dan dalam kategori umur dan 55-64, memutuskan untuk tidak bekerja. Total ketepatan klasifikasi data testing sebesar 64,6%. Sedangkan pada analisis kotamadya menggunakan kombinasi data learning dan testing 85%;15%. Menghasilkan
6 6 pohon optimal dengan 6 simpul terminal dan 5 kedalaman dengan variabel umur memiliki skor tertinggi. Jumlah N terbanyak untuk kategori 1 yaitu 840 perempuan umur tahun dengan status belum kawin dan lainnya, ijazah tertinggi SD-SMA/sederajat, D1/D2/D3 dan tidak punya ijazah, memutuskan untuk berpartisipasi dalam kegiatan ekonomi dengan bekerja. Untuk kategori 2, sebanyak 2873 perempuan dengan ijazah SD-SMA/sederajat, berstatus kawin serta berumur dan tahun, tidak bekerja. Total ketapatan klasifikasi data testing sebesar 60,1%. DAFTAR PUSTAKA [1] Badan Penelitian dan Pengembangan Hak Asasi Manusia diakses 27 September [2] BPS Jatim Keadaan Angkatan kerja di Provinsi Jawa Timur. Surabaya : Badan Pusat Statistik Provinsi Jawa Timur. [3] Lewis, M. D. dan Roger, J An Introduction to Classification and Regression Tree (CART) Analysis. Presented at the 2000 Annual Meeting of the Society for Academic Emergency Medicine in San Fransisco,California. ad?doi= &rep=rep1&type=pdf. [4] Breiman, L., Friedman, J., Olshen, R. and Stone, C Classification and Regression Trees Chapman Hall, New York London. [5] Zhang, H. and Singer, B Recursive Partitioning in the HealthSciences.Springer-Verlag,NewYork. resources/lectures/lecturenotesonrp. pdfs. Makridakis, S.C Wheelwright and V.E McGee Metode dan Aplikasi Peramalan (Edisi Kedua). Jakarta: Binurapa Aksara. [6] BPS Buku Konsep dan Definisi. diakses 1 Oktober 2013 [7] Sleumer D. W Ilmu Dasar Kependudukan. Jakarta: Balai Pustaka.
Seminar Tugas Akhir. Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING. Surabaya, Juli 2011
Surabaya, Juli 2011 Seminar Tugas Akhir Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING Ibrahim Widyandono 1307 100 001 Pembimbing : Dr. Bambang Widjanarko
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-54
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-54 Klasifikasi Pengangguran Terbuka Menggunakan CART (Classification and Regression Tree) di Provinsi Sulawesi Utara Febti
Lebih terperinciAnalisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan Urbanisasi
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-100 Analisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan
Lebih terperinciHary Mega Gancar Prakosa Dosen Pembimbing Dr. Suhartono, S.Si, M.Sc Co Pembimbing Dr. Bambang Wijanarko Otok, S.Si, M.
KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN BOOTSTRAP AGGREGATTING CLASSIFICATION AND REGRESSION TREES Hary Mega Gancar Prakosa 1307 100 077 Dosen Pembimbing Dr. Suhartono,
Lebih terperinciPENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE)
Natural Vol. 11, No. 2, Mei 2007, hal. 112-118. PENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE) A. Efendi dan H. Kusdarwati Program Studi
Lebih terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Dina Yuanita Mahasiswa Jurusan Statistika FMIPA-ITS (1306 100 056) M. Syahid Akbar, S.Si, M.Si
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE CHAID (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN CART (CLASSIFICATION AND REGRESSION TREE)
Surabaya, 3 Juli 2013 Seminar Hasil Tugas Akhir KLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN (CLASSIFICATION AND REGRESSION TREE) Dosen Pembimbing
Lebih terperinciModel Machine Learning CART Diabetes Melitus
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 485-491 p-issn: 2580-4596; e-issn: 2580-460X Halaman 485 Ria Dhea Layla Nur Karisma 1, Bambang Widjanarko
Lebih terperinciKlasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART)
D193 Klasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART) Lely Dwi Bhekti Pratiwi, Wahyu Wibowo, dan Ismaini
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 183-192 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN
Lebih terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Muhammad Sjahid Akbar 1, Dina Yuanita, dan Sri Harini 3 1, Jurusan Statistika ITS 3 Jurusan
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciKlasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya
1 Klasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya Yuristian Ramdani dan Santi Wulan Purnami Jurusan Statistika, Fakultas Matematika
Lebih terperinciPERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Abstract
Perbandingan Klasifikasi (Agung Waluyo) PERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Agung Waluyo 1, Moch. Abdul Mukid 2, Triastuti
Lebih terperinciSeminar Hasil Tugas Akhir
Seminar Hasil Tugas Akhir Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada pasien Kanker Tiroid Sri Hartati Selviani Handayani 1311106007 Pembimbing :
Lebih terperinciMETODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN
Technologia Vol 7, No.1, Januari Maret 2016 15 METODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN Galih Mahalisa, S.Kom, M.Kom (galih.mahalisa@gmail.com) ABSTRAK Kemiskinan
Lebih terperinciANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART
Xplore, 2013, Vol. 2(1):e3(1-8) c 2013 Departemen Statistika FMIPA IPB ANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART Fira Nurahmah Al Amin,Indahwati,Yenni
Lebih terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid Sri Hartati Selviani Handayani dan Santi Wulan Purnami Jurusan Statistika, Fakultas
Lebih terperinciPEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN )
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN ) PT Jasa Marga ro) C abang Semarang SKRIPSI Disusun Oleh
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 215-225 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN
Lebih terperinciKlasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees
JURAL SAIS DA SEI ITS Vol. 5, o.1, (2016) 2337-3520 (2301-928X Prin D-26 Klasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees Aulia
Lebih terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-24 Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Lebih terperinciKLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN CART ARCING
KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN CART ARCING 1 Ibrahim Widyandono 2 Bambang Widjanarko Otok 3 Jerry Dwi Trijoyo Purnomo 1 Mahasiswa Jurusan Statistika FMIPA-ITS
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART SKRIPSI Disusun Oleh : NOVIE ERISKA ARITONANG 24010211140081 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciPENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah)
BIAStatistics (2016) Vol. 10, No. 1, hal. 8-16 PENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah) Nany Salwa 1, Fitriana A.R. 2, and Junita Aiza 3 1,
Lebih terperinciANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION TREES (BAGGING CART)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 81-90 Online di: http://eournal-s1.undip.ac.id/index.php/gaussian ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING
Lebih terperinciPENERAPAN METODE CART
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 2, No. 2, Juli 2017, pp. 78-83 PENERAPAN METODE CART (CLASSIFICATION AND REGRESSION TREES) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciPREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO
PREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
Lebih terperinciPOHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB
Forum Statistika dan Komputasi, April 2005, p: 15 21 ISSN : 08538115 Vol. 10 No. 1 POHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB Ida Mariati H. 1),
Lebih terperinciPENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI
PENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRAK DAMAS ESMU HAJI.
Lebih terperinciPEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL
1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciPENERAPAN METODE REGRESI BERSTRUKTUR POHON PADA PENDUGAAN LAMA PENYUSUNAN SKRIPSI MAHASISWA ARTIKEL ILMIAH
PENERAPAN METODE REGRESI BERSTRUKTUR POHON PADA PENDUGAAN LAMA PENYUSUNAN SKRIPSI MAHASISWA ARTIKEL ILMIAH Artikel Ilmiah Ini Diambil Dari Sebagian Skripsi Untuk Memenuhi Persyaratan Penyelesaian Program
Lebih terperinciMETODE KLASIFIKASI BERSTRUKTUR POHON BINER (STUDI KASUS PADA PRAKIRAAN SIFAT HUJAN BULANAN DI BOGOR) 1) T
METODE KLASIFIKASI BERSTRUKTUR POHON BINER (STUDI KASUS PADA PRAKIRAAN SIFAT HUJAN BULANAN DI BOGOR) 1) T Aan Kardiana 2), Aunuddin 3), Aji Hamim Wigena 3), Hari Wijayanto 3) 2) Jurusan Teknik Informatika,
Lebih terperinciKlasifikasi Penderita Diabetes Melitus dengan Metode CHAID (Chi-Squared Automatic Interaction Detection) dan CART (Classification and Regression Tree)
Klasifikasi Penderita Diabetes Melitus dengan Metode CHAID (Chi-Squared Automatic Interaction Detection) dan CART (Classification and Regression Tree) Ria Dhea Layla N.K (1), Brodjol Sutijo Suprih U. (2),
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI NASABAH MENGGUNAKAN REGRESI LOGISTIK BINER DAN (CLASSIFICATION AND REGRESSION TREES)
PERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) SKRIPSI Oleh : AGUNG WALUYO 24010210141020 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciKLASIFIKASI SIFAT CURAH HUJAN BERDASARKAN INDIKATOR ENSO (EL-NINO SOUTHERN OSCILLATION) DI KABUPATEN NGAWI DENGAN MENGGUNAKAN METODE KLASIFIKASI POHON
KLASIFIKASI SIFAT CURAH HUJAN BERDASARKAN INDIKATOR ENSO (EL-NINO SOUTHERN OSCILLATION) DI KABUPATEN NGAWI DENGAN MENGGUNAKAN METODE KLASIFIKASI POHON Putri Sea Paramita, Sutikno Mahasiswa Jurusan Statistika
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada BAB II ini akan disampaikan materi-materi yang berkaitan dengan konsep data mining, yang merupakan landasan bagi pembahasan klasifikasi untuk evaluasi kinerja pegawai. 2. 1 Tinjauan
Lebih terperinciKLASIFIKASI KETAHANAN PANGAN RUMAH TANGGA DI SURABAYA DENGAN PENDEKATAN CART ARCING
TUGAS AKHIR SS141501 KLASIFIKASI KETAHANAN PANGAN RUMAH TANGGA DI SURABAYA DENGAN PENDEKATAN CART ARCING YUSNADA ASA NURANI NRP 1313 100 016 Dosen Pembimbing Dr. Bambang Widjanarko Otok, M. Si. PROGRAM
Lebih terperinciBAGGING CART PADA KLASIFIKASI ANAK PUTUS SEKOLAH
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 XVI-1 BAGGING CART PADA KLASIFIKASI ANAK PUTUS SEKOLAH Oleh: Bambang Widjanarko Otok 1) & Sumarmi 2) 1) Jurusan Statistika,FMIPA-ITS,
Lebih terperinciMETODE ENSEMBLE PADA CART UNTUK PERBAIKAN KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG
METODE ENSEMBLE PADA CART UNTUK PERBAIKAN KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG MUHAMMAD JAMAL MUTTAQIN 1311 201 205 PEMBIMBING DR. BAMBANG WIDJANARKO OTOK, M.SI. SANTI PUTERI RAHAYU, M.SI., PH.D.
Lebih terperinciPPDAFTAR GAMBAR Gambar Halaman Yuni Melawati, 2013
PPDAFTAR GAMBAR Gambar 2.1 Contoh Pohon Keputusan untuk Mengklasifikasikan Pembelian Komputer... 19 3.1 Diagram CART... 29 3.2 Pohon Keputusan Sementara... 37 3.3 Pohon Keputusan Optimum... 38 3.4 Pohon
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-284
JURAL SAIS DA SEI POMITS Vol. 3, o.2, (2014) 2337-3520 (2301-928X Print) D-284 Klasifikasi Rumah Tangga Miskin di Kabupaten Jombang Berdasarkan Faktor-faktor yang Mempengaruhi dengan Pendekatan CART (Classification
Lebih terperinciAPLIKASI ALGORITMA CART UNTUK MENGKLASIFIKASIKAN DATA NASABAH ASURANSI JIWA BERSAMA BUMIPUTERA 1912 SURAKARTA
APLIKASI ALGORITMA CART UNTUK MENGKLASIFIKASIKAN DATA NASABAH ASURANSI JIWA BERSAMA BUMIPUTERA 1912 SURAKARTA oleh LAILA KURNIA DAMAYANTI M0106014 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPRAKIRAAN SIFAT HUJAN MENGGUNAKAN METODE POHON KLASIFIKASI
Statistika, Vol. 1, No. 1, Mei 2013 PRAKIRAAN SIFAT HUJAN MENGGUNAKAN METODE POHON KLASIFIKASI Dwi Haryo Ismunarti Jurusan Ilmu Kelautan, Fakultas Perikanan dan Ilmu Kelautan, UNDIP Email: dwiharyois@gmail.com
Lebih terperinciModel Credit Scoring Menggunakan Metode Classification and Regression Trees (CART) pada Data Kartu Kredit
Prosiding Statistika ISSN: 2460-6456 Model Credit Scoring Menggunakan Metode Classification and Regression Trees (CART) pada Data Kartu Kredit 1 Rifani Yunindya, 2 Abdul Kudus, 3 Teti Sofia Yanti 1,2,3
Lebih terperinciBAGGING CLASSIFICATION TREES UNTUK PREDIKSI RISIKO PREEKLAMPSIA (Studi Kasus : Ibu Hamil Kategori Penerima Jampersal di RSUD Dr. Moewardi Surakarta)
Prediksi Risiko (Moch. Abdul Mukid) BAGGING CLASSIFICATION TREES UNTUK PREDIKSI RISIKO PREEKLAMPSIA (Studi Kasus : Ibu Hamil Kategori Penerima Jampersal di RSUD Dr. Moewardi Surakarta) Moch. Abdul Mukid
Lebih terperinciPREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER
PREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER Ari Wibowo Program Studi Teknik Informatika Politeknik Negeri Batam Jl. Parkway No 1, Batam Center, Batam Telp 0778-469856, Fax 0778-463620
Lebih terperinciBambang Widjanarko Otok (1), dan Dian Seftiana (2) (1,2) Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS)
1 Klasifikasi Rumah Tangga Sangat Miskin di Kabupaten Jombang Menurut Paket Bantuan Rumah Tangga yang Diharapkan dengan Pendekatan Random Forests Classification and Regression Trees (RF-CART) Bambang Widanarko
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciAmalia Maharani, Dewi Retno Sari Saputro, dan Bowo Winarno Program Studi Matematika FMIPA UNS
PENERAPAN POHON KLASIFIKASI BINER DENGAN ALGORITME QUICK, UNBIASED, EFFICIENT STATISTICAL TREE (QUEST ) PADA DATA MAHASISWA TRANSFER UNIVERSITAS SEBELAS MARET Amalia Maharani, Dewi Retno Sari Saputro,
Lebih terperinciFaktor-Faktor yang Mempengaruhi Pendapatan Angkatan Kerja Perempuan
Faktor-Faktor yang Mempengaruhi Pendapatan Angkatan Kerja Perempuan Oleh : Maulina Rahayuningtyas (1303 109 022) Pembimbing : Dr. Ismaini Zain PENDAHULUAN 1.1 Latar Belakang Partisipasi Angkatan Kerja
Lebih terperinciBAB III METODE POHON KLASIFIKASI QUEST
BAB III METODE POHON KLASIFIKASI QUEST 3.1 Metode Berstruktur Pohon Istilah pohon dalam matematika dikenal dalam teori graf. Pertama kali konsep pohon digunakan oleh Gustav Kirchhoff (184-1887) dalam bidang
Lebih terperinciKLASIFIKASI ANAK PUTUS SEKOLAH DENGAN MELIBATKAN PEUBAH JARINGAN SOSIAL MENGGUNAKAN CART DI SULAWESI DINA SRIKANDI
KLASIFIKASI ANAK PUTUS SEKOLAH DENGAN MELIBATKAN PEUBAH JARINGAN SOSIAL MENGGUNAKAN CART DI SULAWESI DINA SRIKANDI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI TESIS DAN
Lebih terperinciPENERAPAN POHON KLASIFIKASI DAN BOOTSTRAP AGGREGATING DALAM KLASIFIKASI USIA MENARCHE (Studi Kasus: SMPN Ragunan dan SMPN 1 Dramaga) IIS ISTIQOMAH
PENERAPAN POHON KLASIFIKASI DAN BOOTSTRAP AGGREGATING DALAM KLASIFIKASI USIA MENARCHE (Studi Kasus: SMPN Ragunan dan SMPN 1 Dramaga) IIS ISTIQOMAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB I PENDAHULUAN 1.1.Latar Belakang Masalah
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Mengingat kondisi perekonomian saat ini sedang tumbuh dan berkembang secara signifikan, di negara khususnya Indonesia, memiliki peningkatan permintaan produk
Lebih terperinciIDENTIFIKASI VARIABEL YANG MEMPENGARUHI BESAR PINJAMAN DENGAN METODE POHON REGRESI (Studi Kasus di Unit Pengelola Kegiatan PNPM Mandiri)
IDENTIFIKASI VARIABEL YANG MEMPENGARUHI BESAR PINJAMAN DENGAN METODE POHON REGRESI (Studi Kasus di Unit Pengelola Kegiatan PNPM Mandiri) SKRIPSI Disusun Oleh : SHAUMAL LUQMAN NIM. J2E 009 056 JURUSAN STATISTIKA
Lebih terperinciBAB II TINJAUAN PUSTAKA. konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma
BAB II TINJAUAN PUSTAKA Bab ini akan membahas pengertian metode klasifikasi berstruktur pohon, konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma CHAID, keakuratan dan kesalahan dalam
Lebih terperinciAbstrak USE OF CLASSIFICATION AND REGRESSION TREE (CART) FOR CHRONIC PERIODONTITIS CLASSIFICATION IN DENTAL HOSPITAL OF HANG TUAH UNIVERSITY SURABAYA
PENGGUNAAN CLASSIFICATION DAN REGRESSION TREE (CART) UNTUK KLASIFIKASI PERIODONTITIS KRONIS PADA PASIEN RUMAH SAKIT GIGI DAN MULUT UNIVERSITAS HANG TUAH SURABAYA Aulia Dwi Maharani Biostatistika Program
Lebih terperinciKETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI
KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI Disusun Oleh : ATIKA ELSADINING TYAS 24010211120013 JURUSAN STATISTIKA
Lebih terperinciKLASIFIKASI RUMAH TANGGA MISKIN DI KABUPATEN JOMBANG DENGAN PENDEKATAN RANDOM FOREST CART
KLASIFIKASI RUMAH TANGGA MISKIN DI KABUPATEN JOMBANG DENGAN PENDEKATAN RANDOM FOREST CART Dian Seftiana, Oktiva Dhani Arleina, Giriesa Kinanti S., Rizka Amalia Dewi S., Fachrunisah 1Jurusan Statistika,
Lebih terperinciMULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI STATUS KERJA DI KABUPATEN DEMAK
MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI STATUS KERJA DI KABUPATEN DEMAK SKRIPSI Disusun oleh KISHARTINI 24010210141008 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciOPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION
OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,
Lebih terperinciPersentase guru SD adalah perbandingan antara jumlah
Kenyataan saat ini masyarakat sudah mempunyai kepedulian yang cukup tinggi terhadap upaya peningkatan sumber daya manusia. Variabel-variabel pendidikan yang digunakan antara lain : 1. Persentase guru Taman
Lebih terperinciMemodelkan regresi logistik biner data set hasil sampel bootstrap B.
B O O T S T R A P A G G R E G A T I N G 1 2 3 4 5 6 7 Tinjauan Pustaka Algoritma Bagging Regresi Logistik Biner Mengambil sampel bootstrap sebanyak n dari data set dengan pengulangan sebanyak n. Pengambilan
Lebih terperinciEKSPLORASI KINERJA DOSEN TERSERTIFIKASI DALAM MELAKSANAKAN TRIDHARMA PERGURUAN TINGGI DI INDONESIA RIZKY NURKHAERANI
i EKSPLORASI KINERJA DOSEN TERSERTIFIKASI DALAM MELAKSANAKAN TRIDHARMA PERGURUAN TINGGI DI INDONESIA RIZKY NURKHAERANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPenderita Diabetes Melitus Tipe II Di Rumah Sakit Abdul Wahab Syahranie Samarinda Tahun 2015
Penderita Diabetes Melitus Tipe II Di Rumah Sakit Abdul Wahab Syahranie Samarinda Tahun 2015 Yazid Fathullah 1,*, Desi Yuniarti 2, Rito Goejantoro 2 1 Laboratorium Statistika Terapan, Jurusan Matematika,
Lebih terperinciSTATISTIK PEMUDA BLORA TAHUN 2015
No. 16/07/33/16/Th.I, 16 Juli 2017 STATISTIK PEMUDA BLORA TAHUN 2015 Pemuda adalah bagian dari penduduk usia produktif yaitu berumur 16-30 tahun. Jumlah pemuda di Kabupaten Blora adalah 167.881 jiwa atau
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 583-592 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART (CLASSIFICATION
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinciTAKSIRAN MODEL POHON REGRESI PIECEWISE LINEAR DENGAN ALGORITMA GUIDE
TAKSIRAN MODEL POHON REGRESI PIECEWISE LINEAR DENGAN ALGORITMA GUIDE Zerah Aprial Pasimbong*, M. Saleh, AF a, Anna Islamiyati b *Alamat korespondensi e-mail: zerah.statz08@gmail.com a,b Jurusan Matematika
Lebih terperinciPEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR DENGAN METODE SEEMINGLY UNRELATED REGRESSION (SUR) SPASIAL
PEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR DENGAN METODE SEEMINGLY UNRELATED REGRESSION (SUR) SPASIAL Dibyo Adi Wiboao 1), Setiawan 2), dan Vita Ratnasari 3) 1) Program Studi Magister Statistika, Institut
Lebih terperinciSKRIPSI. Disusun Oleh : ZULFA WAHYU MARDIKA NIM. J2E
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART (CLASSIFICATION AND REGRESSION TREES) (STUDI KASUS KREDIT MACET DI PD. BPR-BKK PURWOKERTO UTARA) SKRIPSI Disusun Oleh : ZULFA WAHYU MARDIKA NIM.
Lebih terperinciMULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI STATUS KERJA DI KABUPATEN DEMAK Kishartini 1, Diah Safitri 2, Dwi Ispriyanti 3
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 711-718 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan salah satu negara dengan jumlah penduduk terbesar di dunia. Pertumbuhan penduduk yang semakin meningkat selaras dengan pertumbuhan akan kebutuhan
Lebih terperinciANALISIS CART KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA DI FEM DAN FAPERTA FIRA NURAHMAH AL AMIN
ANALISIS CART KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA DI FEM DAN FAPERTA FIRA NURAHMAH AL AMIN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH
ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH Rizal Rahmad 1, Toni Toharudin 2, Anna Chadijah 3 Prodi Master Statistika Terapan,
Lebih terperinciEVALUASI KELAYAKAN KREDIT DENGAN METODE CLASSIFICATION AND REGRESION TREE (CART)
EVALUASI KELAYAKAN KREDIT DENGAN METODE CLASSIFICATION AND REGRESION TREE (CART) Mirfan*) Abstract : Credit worthiness evaluation is an important element in the provision of credit to borrowers. Lending
Lebih terperinciEksplorasi Kinerja Dosen Tersertifikasi dalam Melaksanakan Tridharma Perguruan Tinggi di Indonesia
Xplore, 2013, Vol. 2(1):e2(1-8) c 2013 Departemen Statistika FMIPA IPB Eksplorasi Kinerja Dosen Tersertifikasi dalam Melaksanakan Tridharma Perguruan Tinggi di Indonesia Rizky Nurkhaerani, Hari Wijayanto,
Lebih terperinciPEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN
SIDANG LAPORAN TUGAS AKHIR PEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN Oleh : Servianie Purnamasari (1310 030
Lebih terperinciKata Kunci: Penciri Tingkat Kesejahteraan, Kemiskinan, bagging MARS
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 34 42 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND IDENTIFIKASI FAKTOR-FAKTOR PENCIRI TINGKAT KESEJAHTERAAN RUMAH TANGGA MENGGUNAKAN BOOTSTRAP AGREGATING
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kesejahteraan umum merupakan salah satu tujuan dari pembangunan nasional Negara Indonesia. Hal ini disebutkan dengan jelas pada Pembukaan Undang-Undang dasar 1945 di
Lebih terperinciPENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI
PENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 RINGKASAN NARISWARI KARINA
Lebih terperinciSKRIPSI. Disusun Oleh : YUSUF ARIFKA RAHMAN
Ketepatan Klasifikasi Status Pemberian Air Susu Ibu (ASI) Menggunakan Multivariate Adaptive Regression Splines (MARS) dan Algoritma C4.5 di Kabupaten Sragen SKRIPSI Disusun Oleh : YUSUF ARIFKA RAHMAN 24010211120011
Lebih terperinciSEMINAR TUGAS AKHIR 16 JANUARI Penyaji : I Dewa Ayu Made Istri Wulandari Pembimbing : Prof.Dr.Drs. I Nyoman Budiantara, M.
16 JANUARI ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR DENGAN METODE REGRESI NONPARAMETRIK BIRESPON SPLINE Penyaji : I Dewa Ayu Made Istri Wulandari
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Model Regresi Linier Metode regresi linier merupakan suatu metode yang memodelkan hubungan antara variabel respon dengan variabel prediktor. Tujuannya adalah untuk mengukur
Lebih terperinciJURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER. Ayunanda Melliana Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.
JURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER Seminar hasil TUGAS AKHIR Ayunanda Melliana 1309100104 Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.Si PENDAHULUAN Latar Belakang Rumusan Masalah
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menurut Kamus Besar Bahasa Indonesia, Kesejahteraan adalah hal atau keadaan sejahtera, keamanan, keselamatan, ketentraman. Dalam istilah umum, sejahtera menunjuk ke
Lebih terperinciBAB 3 METODE PENELITIAN
1 BAB 3 METODE PENELITIAN 3.1 Sumber Data Sumber data yang digunakan adalah data hasil survei demografi dan kesehatan Indonesia (SDKI) tahun 2007. SDKI merupakan survei yang dilaksanakan oleh badan pusat
Lebih terperinciKetenagakerjaan Provinsi Daerah Istimewa Yogyakarta
Katalog BPS : 2301003.34 BADAN PUSAT STATISTIK PROVINSI DAERAH ISTIMEWA YOGYAKARTA BADAN PUSAT STATISTIK PROVINSI DAERAH ISTIMEWA YOGYAKARTA Statistik BADAN PUSAT STATISTIK PROVINSI DAERAH ISTIMEWA YOGYAKARTA
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION TREES (BAGGING CART)
ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION TREES (BAGGING CART) SKRIPSI Disusun Oleh : DESY RATNANINGRUM 24010211140097 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPrediksi Tingkat Kemiskinan di Provinsi Aceh dengan Model AR
Jurnal Gradien Vol. No. Januari : - Prediksi Tingkat Kemiskinan di Provinsi Aceh dengan Model AR Munawar, Hafnani Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala,
Lebih terperinciIDENTIFIKASI KARAKTERISTIK ANAK PUTUS SEKOLAH DI JAWA BARAT DENGAN REGRESI LOGISTIK
IDENTIFIKASI KARAKTERISTIK ANAK PUTUS SEKOLAH DI JAWA BARAT DENGAN REGRESI LOGISTIK Tina Aris Perhati 1, Indahwati 2, Budi Susetyo 3 1 Dept. of Statistics, Bogor Agricultural University (IPB), Indonesia,
Lebih terperinciPemodelan Regresi Nonparametrik Spline Truncated Dan Aplikasinya pada Angka Kelahiran Kasar di Surabaya
JURNAL SAINS DAN SENI POMITS Vol., No., (04) 7-0 (0-98X Print) D-7 Pemodelan Regresi Nonparametrik Spline Truncated Dan Aplikasinya pada Angka Kelahiran Kasar di Surabaya Merly Fatriana Bintariningrum
Lebih terperinciAPLIKASI REGRESSION TREE PADA PRESTASI SISWA SMA AL-ATIQIYAH SUKABUMI PIPIH
APLIKASI REGRESSION TREE PADA PRESTASI SISWA SMA AL-ATIQIYAH SUKABUMI PIPIH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakaan
Lebih terperinciKata kunci---beras Keluarga Miskin, regresi logistik biner. I. PENDAHULUAN
1 Analisis Regresi Logistik Biner Untuk Mengidentifikasi Faktor-Faktor Yang Mempengaruhi Status Penerimaan Beras Keluarga Miskin (Raskin) Di Kecamatan Gunung Anyar Faiz Ramadhani Rahman, Ismaini Zain Jurusan
Lebih terperinciKlasifikasi Jenis Perceraian Kabupaten Sleman Berdasarkan Distal Causes Menggunakan Regresi Logistik
Klasifikasi Jenis Perceraian Kabupaten Sleman Berdasarkan Distal Causes Menggunakan Regresi Logistik Khusnul Hajar Nuansari 1,*, Arum Handini Primandari 1, Desi Yuniarti 2 1 Program Studi Statistika, Universitas
Lebih terperinci