Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDewasa ini kcbuluhnn nkan lcnaga kcfja graiika yang terampil dan profcsional mcngnlarni pcni|1gk:|lan yang cukup iinggi scmcntarn kcmnnupunn |J?l1}-'bdiimll lcnaga kcrja oleh lcmbagn pcndidiknn linggi gralikn masilf samgal lerbatns. Dnlnm rangkn mcnnrik minat pasar yang lcbih Iuas tcrhadap pcndidikan linggi grafika perlu dilernpkan stratcgi pemasarau pcndidikan linggi grafika yang tcpat. Untuk mcfcncanakan stralcgi pcmnsaran yang cfektif terscbut dipcrluknn pemahnman lcrhadap knraktcrislik dan perilalm pasar yang mcn1pengamhi minat mcrcka lcrhadap pcndidikan tinggi gralika.Pcnclilinn ini bcrlujuan unluk mcngidcnliliknsi vnriabcl lnlcn pcmbcnluk pcrilaku pnsnr yang dapnt mempcngaruhi minal pasar lcrhadap pcndidikan [inggi grgxflka. Vqriabel dalam penclilian ini diuraiknn dari konscp parnpakar dianlarnnya James F. Engel, Roger D. Blnclnvcll, Paul W. Miniard dan pakar bidang grnfika. Data pcnelilinn dipcrolch mclalui penycbaran kuisioncr kcpadn pam rcspondcn. Dari data yang lerkumpul dipcroleh tiga kclonxpok rcspondcn yang dibcdakan bcrdasarknn karaktcristik pckerjaan, yailu kelompok 11]{\|\?1SiSW£\ gmlika, kclompok pclajar SMK/STM grnika dan kelompok karyawan pcmsalman gralika.Sebagai hasil pengolahnn data yang dilnkukan mcnggunaknn mclode analisa Elktor dcngnn banluan Sryhmrc SPSS' Rcfeaw: 1.0, kc-30 variabe! pcnclilian yang diidcnliiikasilinn Jcbagni varinbci yang mcmpcngaruhi :ninal pnsar lcrhndnp pcndidikan tinggi gralika dikclompokkzm kc dnlam bcbcrapa \'nriab.| Ialcn (faklor)_ Adnpun Ihlrlor yang lcrbenluk pada liap kclompok rcspondcn bcrboda-bcda 5-.mg rncnunjukkan perbcdann pcrilaku scliap scgmcn pasar. Mina! mnimsisxva gralika dipcngamhi oleh 10 I`z\klor. minnl pclnjnr SMK/STM gralikn dipcngaruhi oleh ll l`aktor scmentara minnt karyawnn graiika dipcngarulmi 9 fnktor. Namun minal pasar secara umum lcrhadap pcndidikzm linggi grnlika dipcngamhi oleh 8 Lmktor.Kedclapzm Faktor terscbut adalah [aktor kondisi pcndidikan Linggi grafkn, lapangnn kcrja. pcngnruh lingkungnn sosial, siluasi_ molivnsi, pcrkcmbangan tcknologi gra['|ka_ alumni dan prnscs pcngnmbilan kcpulusam ilu scndiri.

---

"

"Pada setiap analisis statistik memungkinkan berhadapan dengan missing values atau missing data karena pada saat survei kemungkinan ada responden yang tidak dapat menjawab pertanyaan atau tidak ingin menjawab pertanyaan pada saat wawancara survei. Missing values tidak dapat langsung dilakukan analisis menggunakan analisis data lengkap, oleh karena itu missing values telah menjadi masalah yang sering dihadapi oleh para peneliti. Dataset survei biasanya terdiri dari sejumlah besar variabel kontinu salah satunya berdistribusi multivariat normal. Salah satu cara untuk menangani missing values dapat dilakukan dengan imputasi, yaitu proses pengisian atau penggantian missing values pada dataset dengan nilai-nilai yang mungkin berdasarkan informasi yang didapatkan pada dataset tersebut. Penelitian ini akan menerapkan metode sequence regression multivariate imputation (SRMI) untuk imputasi missing values pada data multivariat normal. SRMI merupakan metode imputasi ganda yang nilai imputasinya didapatkan dari model sequence of regression yaitu setiap variabel yang mengandung missing values diregresikan terhadap semua variabel lain yang tidak mengandung missing values sebagai variabel prediktor. Cara mendapatkan nilai imputasi digunakan pendekatan iterasi untuk menarik nilai dari distribusi posterior prediktif pada missing values di bawah masing-masing model regresi secara beruntun. Penelitian ini menggunakan data multivariat normal yang telah dibangkitkan sebanyak 500 observasi dengan menggunakan lima nilai imputasi ganda dan hasil evaluasi kualitas imputasi menggunakan Root Mean Square Error (RMSE). Hasil evaluasi kualitas imputasi dapat dikatakan baik jika nilai RMSE semakin kecil, maka eror semakin kecil atau nilai estimasi mendekati nilai sebenarnya (Chai & Draxler, 2014) dan hasil yang didapatkan nilai RMSE kecil sehingga SRMI dapat diterapkan untuk melakukan imputasi terhadap data multivariat normal.

---

Missing values are the absence of data items for an observation or more observations that can result in the loss of certain information. During surveys, there are often missing values or missing data because there are likely respondents who cannot answer the question or do not want to answer the question. That is a problem for researchers because, with missing values, the results of observation cannot be analyzed properly. Survey datasets usually consist of continuous variables, one of which is a normal multivariate distribution. One way to deal with missing values ​​can be done by imputation, which is the process of filling or replacing missing values ​​in a dataset with possible values ​​based on the information obtained in the dataset. This study will apply the sequence regression multivariate imputation (SRMI) method for missing values ​​imputation in normal multivariate data.

SRMI is a multiple imputation method whose implication value is obtained from the sequence of regression model, that is, every variable containing missing values ​​is regressed on all other variables that do not contain missing values ​​as predictor variables. The method of obtaining imputation values ​​is used by the iterative approach to drawing values ​​from the predictive posterior distribution in the missing values ​​below each successive regression model. This study uses multivariate normal data that has been generated a total of 500 observations using five multiple imputation values ​​and the evaluation results using Root Mean Square Error (RMSE) which have little value in applying to normal multivariate data so SRMI can be applied to impute normal multivariate data."

"Jika ada sekelompok data belum diketahui distribusinya, maka untuk keperluan analisis data perlu dicari distribusi kelompok data ini. Jika tidak diketahui parameter paramaternya maka digunakan metode nonparametrik. Salah satu diantara metode nonparametrik ialah metode grafik. Dalam tugas akhir ini dibahas metode grafik untuk pencocokan distribusi data ketahanan hidup, baik data lengkap maupun tersensor. Juga dibahas cara penaksiran parameter berdasarkan grafik. Contoh aplikasi yang digunakan dalam tugas akhir ini yaitu pencocokan distribusi data ketahanan hidup sekelompok pasien penderita kanker paru-paru."

"Peneliti melakukan penelitian terhadap konsumen di wilayah DKI Jakarta mengenai faktor-faktor yang mempengaruhi keputusan konsumen tersebut dalam menggunakan produk perawatan kulit. Penelitian ini dilakukan mengingat saat ini terdapat banyak sekali produk perawatan kulit yang beredar di pasar, dan dari penyebaran kuisioner yang dilakukan, setelah dilakukan proses analisis dengan menggunakan factor analysis ditemukan bahwa faktor merek, harga, promosi, kualitas produk, kualitas layanan, desain kemasan dan setting toko merupakan faktor yang mempengaruhi keputusan konsumen DKI Jakarta dalam menggunakan produk perawatan kulit.

---

This research examines Jakarta consumers use behavior in regard to skin care products. The primary objective is to investigate what the factors affecting their using decision. The research conducted in consideration of the various number of skin care products available in the market and tight competition among the products. The primary research conducted by distributing the questionnaire and analyzed with factor analysis method. The finding of the research is brand name, price, promotion, product quality, service quality, design of packaging, and setting counter or store environment are considered important factors for the consumers in order to make a decision toward using the skin care products."

"ABSTRAKPermasalahan lamanya waktu siklus truck saat melakukan produksi pada area tambang terbuka memiliki kontribusi besar sebanyak hampir 50% dari total biaya pengoperasian tambang. Penurunan lamanya waktu siklus perlu dilakukan sebagai bentuk efisiensi biaya. Besarnya waktu siklus truck mengakibatkan rendahnya nilai matching factors pada pengadaan truck dan loader di area tambang serta terjadinya peningkatan jumlah antrian truck pada loader karena variasi kedatangan truck yang semakin tinggi. Simulasi diskrit digunakan untuk melihat kondisi sistem saat ini dan menguji skenario-skenario perubahan untuk meningkatkan nilai matching factors dan menurunkan jumlah antrian truck pada loader. Hasil penelitian menunjukkan bahwa skenario dengan menambah jumlah truck dan mengurangi waktu siklus memberikan hasil yang lebih baik dimana nilai matching factors meningkat menjadi 0.37 dari 0.32 dan jumlah antrian truck menurun dari 8 truck yang mengantri jadi 6 truck. Efek bunching dapat dikendalikan dengan menyeragamkan waktu perjalanan truck dengan mengontrol kecepatan dan jarak aman antar truck"

"Graf berarah adalah pasangan himpunan (V, A) dimana V himpunan tak kosong yang elemennya disebut simpul dan A himpunan pasangan terurut dari elemen-elemen himpunan V yang disebut busur berarah. Suatu graf berarah D = (V, A) dikatakan mempunyai pelabelan-(α,k)Graf berarah adalah pasangan himpunan (V, A) dimana V himpunan tak kosong yang elemennya disebut simpul dan A himpunan pasangan terurut dari elemen-elemen himpunan V yang disebut busur berarah. Suatu graf berarah D = (V, A) dikatakan mempunyai pelabelan-(α,k) apabila tiap simpulnya dapat dilabel dengan (l1(x), l2(x), … , lk(x)) dengan li(x) ϵ {1, ... ,α} dan memenuhi sifat yaitu tiap simpulnya memiliki label yang berbeda dan untuk setiap busur berarah, (u, v)∈ A jika dan hanya jika li(u) = li-1(v) untuk i = 2, 3, … , k dengan α >0 dan k > 1. Pelabelan quasi-(α,k) memiliki definisi yang hampir sama, perbedaannya jika busur berarah, (u, v) ∈ A maka li(u) = li-1(v) untuk i = 2, 3, … , k dengan α >0 dan k > 1. Pada skripsi ini ditunjukkan bahwa graf lingkaran berarah dengan dua tali busur dapat dilabel dengan pelabelan quasi-(α,k) dengan α <= 4, line digraph dari graf lingkaran berarah dengan dua tali busur dapat dilabel dengan pelabelan-(α,k) dengan α <= 4 sehingga line digraph dari graf lingkaran berarah dengan dua tali busur merupakan graf DNA.

---

Directed graph is a pair sets (V, A) consists of a non-empty finite set V which its elements called vertices and A is a finite set of ordered pair of elements in V called arcs. A directed graph can be (α,k)-labeled if every vertex assigned a label with (l1(x), l2(x), … , lk(x)) and li(x) ϵ {1, ... ,α}, all vertices have different labels, and for any arc (u, v) ∈ A if and only if li(u) = li-1(v) for i = 2, 3, … , k with α >0 and k > 1. A quasi-(α,k) labeling almost have the same definition with (α,k)-labeling, except for the arc, if (u, v) ∈ A then li(u) = li-1(v) for i = 2, 3, … , k with α >0 and k > 1. In this skripsi, it is shown that a dicycle with two chords can be quasi-(α,k) labeled, line digraph of a dicycle with two chords can be (α,k)- labeled so that the line digraph of dicycle with two chords is a DNA graph."

"Human Development Index (HD!) atau Indeks Pembangunan Manusia merupakan suatu upaya untuk mengukur pencapaian pembangunan secara keseluruhan dari suatu negara atau daerah dalam tiga dimensi dasar pembangunan manusia, yaitu lamanya hidup (longevity), pendidikan (education), dan standar hidup yang layak (resources). Sedangkan, variabel proksi yang digunakan untuk masing-masing dimensi adalah Angka Harapan Hidup (life expectancy at birth), Angka Melek Huruf (Adult Literacy Rate), Rata-rata Lama Sekolah (Mean Years of Schooling), dan Pengeluaran per Kapita yang disesuaikan dengan purchasing power parity dari mata uang domestik di masing-masing negara. Skripsi ini bertujuan untuk melakukan pemode1an untuk mengetahui faktor-faktor apa raja yang mempengaruhi besarnya tiap variabel proksi, yang pada gilirannya akan mempengaruhi angka HDI secara keseluruhan. Analisis dilakukan pada HDI tahun 1999 dengan observasi pada seluruh kabupaten dan kotamadya di Indonesia tahun 1999. Berdasarkan kriteria-kriteria ekonom1, statistik, dan ekonometrik, pembentukan model detenninan komponen HDI yang dilakukan kemudian menuju pada beberapa kesimpulan. Variabel Angka Harapan Hidup secara signifikan dipengaruhi oleh Angka Morbiditas (-), Jumlah Penduduk Miskin di tiap Daerah (-), Angka Melek Huruf (+), Produk Domestik Regional Bruto (+), dan Pengeluaran Pemerintah Daerah untuk sektor Pendidikan, Kebudayaan Nasional, Kepercayan terhadap Tuhan Yang Mahaesa, Pernuda dan Olahraga (+). Besarnya Angka Melek Huruf di tiap daerah ditentukan oleh variabelvariabel seperti Jumlah Sekolah Dasar (+), Rasio Murid dan Guru Sekolah Dasar (-), Pengeluaran Pemerintah Daerah untuk sektor Ilmu Pengetahuan dan Teknologi (+), Angka Morbiditas (-), dan Jumlah Penduduk Miskin di tiap daerah (-). Variabel Jumlah Orang Miskin (-), Tingkat Partisipasi Angkatan Kerja (-), dan Angka Melek 1-luruf (+) merupakan variabel-variabel penentu Rata-Rata Lama Sekolah di tiap daerah. Sedangkan, besarnya Pengeluaran Per Kapita di tiap daerah secara signifikan ditentukan oleh Pemerintah Daerah untuk sektor Ilmu Pengetahuan dan Teknologi (+) dan Jumlah Penduduk Miskin (-)."