Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas mengenai pengaruh lingkungan kerja terhadap pemipetan pada sebuah laboratorium pangan di bagian lab mikrobiologi. Pemipetan merupakan suatu kegiatan/pekerjaan pada sebuah laboratorium untuk mengambil larutan cair dengan jumlah/volume tertentu dan memindahkan larutan cair tersebut ke dalam media yang lainnya. Faktor lingkungan kerja yang dapat mempengaruhi pemipetan antara lain: cahaya, suhu ruang, tingkat kebisingan dari suara blower, dan kelembaban udara yang dapat mempengaruhi akurasi dari pipet tersebut. Penelitian ini menggunakan metode analisis regresi linier berganda. Dari penelitian ini diperoleh persamaan regresi linier Y = 351,099 + 0,696X1 + 0,609X2 - 1,181X3 - 0,274X4 dimana X1 merupakan cahaya dari lampu dengan daya lampu yang berbeda-beda, X2 merupakan suhu ruangan, X3 merupakan tingkat kebisingan yang dihasilkan oleh blower, dan X4 merupakan kelembaban udara. Dimana rumus tersebut diperoleh dari faktor lingkungan kerja sebagai berikut: Untuk faktor cahaya menggunakan lampu 18 W, 30 W, 36 W dan 58 W, sedangkan untuk faktor suhu berada di antara 18°C sampai 25°C, faktor kebisingan berada di antara 23 dB sampai 92 dB, dan faktor kelembaban di antara 51% sampai 84%. Dan dari hasil penelitian menunjukkan model regresi dapat menjelaskan sekitar 97,4% dari total variasi terhadap kinerja analis dalam pemipetan dan sisanya 2,6% dijelaskan oleh hal-hal lain.

---

This thesis discusses the influence of the work environment in a laboratory pipetting food in the microbiology lab. Pipetting is a work in a laboratory to take a liquid solution with the number/specific volume of liquid solution and move into other media. Work environment factors that can affect pipetting, include: light, temperature, noise level of the sound blowers, and air humidity can affect the accuracy of the pipette. This study uses the method of multiple linear regression analysis.

From this study obtained a linear regression equation Y = 351.099 + 0.696 X1 + 0.609 X2 - 1.181 X3 - 0.274 X4, where X1 is the light from the lamp with lamp power different, X2 be an air-conditioning, X3 is the noise level generated by the blower, and X4 is the air humidity. Where the formula is derived from the work environment factors as follows: for the factors of light using lamps 18 W, 30 W, 36 W and 58 W, while for the temperature factor is between 18°C to 25°C, the noise factor is between 23 dB to 92 dB, and the humidity factor of 51% to 84%. And the results showed regression model can explain about 97.4% of the total variation of the analyst's performance in pipetting and the rest 2.6% is explained by other things."

"ABSTRAKPenelitian ini membahas tentang analisis data time series berdasarkan data laporan trafik DNS Sinkhole dari ID-SIRTII. Analisis ini terbagi menjadi dua yaitu analisis tren dan perbandingan performa dua metode forecasting berdasarkan jumlah aktivitas malware berbasis command and control C C selama tiga bulan awal tahun 2016 di Indonesia. Analisis tren dilakukan dengan mengelompokkan malware berdasarkan keluarga dan varian teraktif. Tren analisis menunjukan total aktivitas malware sebanyak 1452585872 yang terdiri dari 12 keluarga malware berbeda. Keluarga malware yang paling aktif yaitu berasal dari keluarga B85 Dorkbot dengan persentase 40,49 dari total keseluruhan aktivitas malware dalam tiga bulan tersebut. Varian teraktifnya yaitu B85-R2V dengan persentase 37 dari total keseluruhan aktivitas malware. Perbandingan performa forecasting menggunakan dua metode yang akan dibandingkan yaitu regresi linier berganda dan regresi dengan ARIMA error. Berdasarkan perbandingan nilai MAPE dalam prediksi jangka waktu 1 minggu, kedua metode hampir memiliki kemampuan yang sama dalam memprediksi 10 varian malware C C terbanyak. Sedangkan dalam jangka waktu 2 minggu, metode regresi dengan ARIMA error memberikan kemampuan prediksi yang lebih baik dibandingkan dengan metode regresi linier berganda.

---

ABSTRACT

This bachelor thesis discuss about time series data analysis of DNS Sinkhole traffics from ID SIRTII. There are two main sections of this analysis, trend analysis and performance comparison of two forecasting methods based on C C malware activities in the first three months of 2016 in Indonesia. Trend analysis is performed by grouping malware based on family and the 10 most active variants. It shows 1452585872 total activity of malware consist of 12 different malware families. The most active malware is come from B85 Dorkbot family with 40.49 of total malware activities in those three months. Its most active variant is B85 R2V with 37 of total malware activities. Performace comparison of forecasting methods use multiple linear regression and regression with ARIMA errors. Based on the comparison of MAPE values in one week prediction period, both methods almost have the same ability to predict the top 10 C C malware variants. While within 2 weeks prediction period, regression method with ARIMA errors gives better prediction ability compared with multiple linear regression method."

"Akurasi peramalan permintaan sangat mempengaruhi kinerja sistem rantai pasok yang pada akhirnya berdampak langsung terhadap kesuksesan bisnis perusahaan. Peramalan yang akurat akan mampu memanfaatkan sumber daya perusahaan secara effisien. Namun, banyak perusahaan yang mengakui bahwa proses peramalan mereka tidak berjalan sebaik yang mereka harapkan. Kebanyakan perusahaan hanya menggunakan data masa lalu untuk meramalkan permintaan dimasa mendatang. Padahal data permintaan masa lalu tidak cukup untuk dijadikan dasar perkiraan permintaan dimasa mendatang. Terdapat beberapa independent variabel yang mempengaruhi jumlah permintaan produk seperti iklim, promosi, kanibalisasi, hari raya, harga produk, jumlah toko, jumlah penduduk dan pendapatan yang selalu berubah seiring waktu. Oleh karena itu perlu dibangun model yang mampu mengakomodasi fenomena tersebut. Metode yang diusulkan adalah regresi linier berganda, fuzzy regresi linier berganda dan jaringan saraf tiruan. Makalah ini menyajikan langkah-langkah peramalan yang disertai studi kasus pada produk insektisida. Hasilnya menunjukan bahwa peramalan yang dihasilkan metode ini lebih baik dari pada hasil peramalan yang dilakukan perusahaan.

---

The accuracy of demand forecasting greatly influences the performance of the supply chain system which ultimately has a direct impact on the business perfomance. Accurate forecasting will be able to utilize company resources efficiently. However, many companies admit that their forecasting process is not going as well as they expected. Most companies only use historical data to forecast future demand. Whereas past demand data is not enough to be used as the basis for future forecasts. There are several independent variables that affect the number of product demand such as climate, promotion, cannibalization, holidays, product prices, number of stores, population and income that always change over time. Therefore it is necessary to build a model that is able to accommodate this phenomenon. The proposed method is multi linear regression, fuzzy multi linear regression and artificial neural networks. This paper presents forecasting steps accompanied by case studies on insecticide products. The results shown that the proposed forecasting method more accurate than company forecast."

"Model regresi linier berganda adalah model yang dapat digunakan untuk menaksir nilai-nilai suatu variabel terikat berdasarkan lebih dari satu variabel bebas pada data. Metode yang dapat digunakan untuk menaksir model regresi linier berganda adalah maximum likelihood estimator MLE . Namun, MLE memiliki kelemahan, yaitu sensitif terhadap data yang mengandung outlier dan memiliki waktu proses running time yang relative lama. Metode yang digunakan untuk mengatasi kelemahan tersebut adalah metode parallel. Metode parallel adalah metode yang membagi data menjadi beberapa kelompok. Salah satu metode pengelompokan yang sering digunakan untuk mencari banyak atau jumlah cluster adalah k-means clustering. Pada tugas akhir ini, proses MLE dilakukan pada setiap cluster, sehingga metode ini disebut parallel maximum likelihood estimator. Data yang digunakan pada tugas akhir ini berasal dari bankruptcy data bank32nh . Bank32nh adalah data mengenai antrian pada suatu bank XYZ yang terdiri dari 4500 observasi, 1 variabel terikat, dan 31 variabel bebas. Dari hasil aplikasi data, parallel maximum likelihood estimator memiliki waktu proses running time yang lebih singkat dan nilai mean square error MSE yang lebih kecil.

---

Multiple linear regression model can be used to estimate the value between one dependent variable and more than one independent variables on the data. A method that can be used to estimate the parameters of the model is the maximum likelihood estimator MLE. However, MLE has weakness e.i sensitive to the data that contains outlier and has a relatively long running time. To overcome these weaknesses the parallel method is used. In the parallel method, the data is devided into several groups. One of the known clustering methods is "k means clustering".

In this study, the MLE process did on each cluster, so that this method is called the parallel maximum likelihood estimator. The current data used for this research is from bankruptcy data bank32nh . Bank32nh is a dataset about the queue at a XYZ bank which consist of 4500 observations, one dependent variable, and 31 independent variables from experimental results, parallel maximum likelihood estimator the running time is faster and has smaller mean square error MSE."

"Pengantar Ekonometriks adalah salah satu mata pelajaran di mana kita bisa menganalisis suatu kegiatan untuk membuktikan apakah pernyataan atau asumsi dari penelitian kami benar atau tidak. Dari data yang kita miliki, kita bisa menggunakan beberapa hipotesis dan atau Asumsi untuk mendukung pernyataan kami dalam rangka menciptakan sebuah data yang valid . Saat ini, banyak orang yang sudah menggunakan perangkat lunak dibandingkan dengan menghitung data secara manual guna efisiensi waktu dan hasil yang lebih maksimal. Eviews adalah salah satu perangkat lunak terbaik dan praktis dalam penggunanya. Dalam tugas ini, saya akan memecahkan 10 pertanyaan dengan analisis tentang cara menggunakan Eviews dalam memecahkan pertanyaan analisis regresi sederhana dan berganda. Saya akan mencantumkan pertanyaan dan menerapkan teori dalam praktek yang telah saya pelajari dalam mata kuliah ini. Laporan ini akan Terdiri 10 pertanyaan dan akan mencakup pemecahan masalah di setiap pertanyaan. Beberapa pertanyaan mungkin memiliki gambar dari perangkat lunak Eviews yang telah saya kerjakan sebelumnya.

---

Introductory Econometrics is one of the subjects where we could analyze an activity to proof whether our statement is valid using a research. From the data we?ve got, we could make several hypothesis and/or assumptions to support our statement in order to create a valid data. Now days, people use software instead of manually computing the data to create a time efficiency and a more valid results. Eviews is one of the best and practical ways to use instead of others software. In this assignment, I am going to solve 10 questions with the analysis on how to use Eviews in solving simple and multiple regression analysis questions. I?m going to state the questions and apply the theory in practice. This report will consist 10 questions and will include the problem solving in each questions. As several questions may have picture from the Eviews software."

"ABSTRAKDrone adalah pesawat jenis baru yang diterbangkan oleh operator denganmenggunakan kontrol eksternal atau bahkan dengan kemampuanmengendalikan diri secara otonom melalui program yang telah tertanam didalamnya. Drone yang disebut juga Pesawat Tanpa Awak (Unmanned AerialVehicle/UAV) berguna untuk pelayanan sipil, pemerintahan dan banyakdipakai oleh layanan militer. Dengan kegunaan drone yang sangat banyakmaka akan terbuka lapangan pekerjaan baru sebagai operator drone.Mengingat operator drone sebagai pekerjaan profesional, maka akan selaluberkaitan dengan beban kerja. Beban kerja didefinisikan sebagai hal yangdikeluarkan oleh individu, mengingat kapasitas mereka, hingga mencapaitingkat tertentu kinerja pada tugas dengan spesifik tuntutan. Tujuan utamadari penelitian ini adalah untuk menganalisa keterkaitan antara beban kerjaterhadap kinerja agar dapat memberikan evaluasi berupa masukan kepadacalon-calon operator drone ke depannya. Penelitian dilakukan menggunakanMetode NASA-TLX dan Regresi. Penelitian ini dilakukan dengan 30 Pria yangteridiri dari komunitas, industri kreatif dan pengguna drone DJI – Phantom.Metode NASA-TLX diperlukan untuk mengukur beban kerja dan setelahobservasi dilakukan tahap selanjutnya adalah uji Regresi denganmenggunakan tools Statistical Product and Service Solution ( SPSS )

---

ABSTRACTDrone is a new type of aircraft that is flown by an operator using an externalcontrol or using the ability to control themselves autonomously through aprogram that has embedded in it. Drone that is also called Unmanned Aircraft(Unmanned Aerial Vehicle / UAV) is useful for the civil service, governmentand widely used in the military services. With the number of advantages ofdrones, it will give new job opportunity as a drone operator. Since droneoperator is a professional work, it will always be associated with the workload. Workload is defined as a thing that given by an individual, depending onthe capacity, in order to achieve a certain level of performance on specifictasks with the demands. The main objective of this study was to analyze therelation between workload and performance in order to be able to provideevaluation in the form of suggestions and advices for the better future ofdrone operators. The study was conducted using the NASA-TLX andRegression method. It was conducted with 30 men consisting creativeindustries and drone DJI users- Phantom. NASA-TLX method is needed tomeasure the workload. After the observation was done, the next step was touse tools Regression Statistical Product and Service Solutions (SPSS)."

"Analisis regresi adalah sebuah teknik dalam statistika untuk menyelidiki dan memodelkan hubungan antara variabel respon dan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul, salah satunya adalah multikolinieritas. Penaksiran dengan menggunakan metode OLS dalam kasus multikolinieritas menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain guna mengatasi permasalahan ini. Metode yang diperkenalkan dapat mengatasi multikolinieritas diantaranya yaitu metode ridge, metode Liu, dan metode GRR. Namun, ketiga metode ini menimbulkan permasalahan lain pada saat dilakukan penaksiran parameter, salah satunya ada pemilihan konstanta optimal yang sulit ditentukan dan nilai PRESS (Prediction Error Sum of Square) yang besar. Untuk itu, Liu dan Gao (2011) memperkenalkan taksiran linearized ridge regression (LRR) yang memiliki kelebihan dibandingkan ketiga metode sebelumnya yaitu pemilihan konstanta optimal yang mudah ditentukan dan juga nilai PRESS yang minimum diantara ketiga metode tersebut.

---

Regression analysis is a statistical technique for investigating and modeling the relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and give an estimator named least square estimator. In regression parameter estimation, there are many problems such as multicolinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this research will explain other methods which can solve this problem such as ridge method, Liu method, and GRR method. Unfortunately, these methods cause another problem when estimation parameter is done, such as hardly obtaining the optimal constants and the large value of PRESS (Prediction Error Sum of Squares). To solve this problems, Liu and Gao (2011) introduced Linearized Ridge Regression (LRR) estimator which has superiority amongs those prior methods which easily obtains the optimal contants and the minimum value of PRESS."

"Analisis regresi linier adalah suatu teknik dalam statistika untuk memodelkan dan menganalisis hubungan linier antara variabel respon dengan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam analisis regresi linier berganda, masalah yang sering terjadi adalah multikolinieritas. Multikolinieritas membuat penaksiran dengan menggunakan metode OLS menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain untuk mengatasi permasalahan ini. Metode yang diperkenalkan untuk mengatasi multikolinieritas diantaranya adalah metode GRR yang menghasilkan taksiran generalized ridge. Taksiran ini merupakan taksiran yang bias. Metode ini masih memiliki kekurangan, yaitu bias yang dihasilkan tidak dijamin akan selalu bernilai kecil. Untuk itu, Singh, Chaubey, dan Dwivedi (1986) memperkenalkan metode Jackknife Ridge Regression (JRR) yang menghasilkan taksiran Jackknife Ridge Regression. Taksiran ini akan mereduksi bias yang dihasilkan oleh taksiran generalized ridge sehingga terkait dengan data yang digunakan, nilai mean square error taksiran ini lebih kecil dibanding taksiran generalized ridge maupun taksiran least square.

---

Regression linear analysis is a statistical technique for modeling and investigating the linear relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and yields an estimator named least square estimator. Most frequently occurring problem in multiple linear regression analysis is the presence of multicollinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this undergraduate thesis will explain other method which can solve this problem such as GRR method that yields a bias estimator, named generalized ridge estimator. Unfortunately, this method still has a shortcoming because the bias in resulting estimator is not always guaranteed to be small. To solve this problems, Singh, Chaubey, and Dwivedi (1986) introduced Jackknife Ridge Regression (JRR) method that yields Jackknife Ridge Regression estimator. This estimator will reduce the bias of generalized ridge estimator, thus related to the data used, the resulting mean square error value of this estimator is smaller than the two methods."

"ABSTRAKSalah satu langkah untuk mengatasi masalah malware yang sedang berkembang adalah dengan cara memprediksi tren serangan yang akan terjadi. Untuk menghasilkan prediksi yang tepat maka dibutuhkan sebuah data yang valid dan dalam jangka waktu yang cukup panjang. Setelah mendapatkan data time series kemudian akan diolah menggunakan persamaan regresi linear sehingga bisa dilihat hubungan antar variabel di periode yang akan datang. Serangan kepada jaringan internet Indonesia sepanjang tahun 2015 terkelompok menjadi 11 bagian dengan total jumlah serangan sebesar 3.162.943 yang berasal baik dari dalam negeri dan luar negeri. Dari hasil analisis diprediksi serangan jenis SQL dan Botnet Torpig akan terus berkembang hingga awal tahun 2016 dengan analisa kesalahan sebesar 5,14%.

---

ABSTRACTOne of action to overcome the malware problem is predicting the trend that will happen in the next period. In order to produce an accurate prediction, a valid data and in long term format is needed. After getting the time series data we will process that data using linear regression equation so that the relationship between variables and the prediction for the next period can be seen. Attack on Indonesia internet network throughout 2015 are grouped into 11 section with a total 3.162.943 number of attack who comes from both domestic and overseas. SQL and Botnet Torpig attack is predicted will continue to grow until early 2016 with 5.14% percentage error."

"ABSTRAKPenelitian ini bertujuan untuk memprediksi tingkat konsumsi gas pipa domestik diIndonesia menggunakan metode Neural Network, ARIMAX, dan Multiple LinearRegression (MLR). Peramalan dilakukan hingga periode Desember 2025 denganmenggunakan data historis tingkat konsumsi gas pipa domestik, inflasi, selisihharga minyak dan gas, serta selisih harga batubara dan gas periode Januari 2007sampai dengan September 2012 sebagai prediktor. Hasilnya metode ARIMAXmemberikan hasil yang paling akurat dengan nilai MAPE 3.89%. Metode NeuralNetwork memberikan hasil forecasting dengan nilai MAPE 6.34%, sedangkanmetode MLR mempunyai tingkat error terbesar dengan MAPE 8.39%. Kapasitasproduksi gas Indonesia cukup besar, tetapi jumlah gas yang dikonsumsi untukkeperluan domestik masih tergolong sedikit. Hasil forecasting ketiga metodemenunjukkan ke depannya tingkat konsumsi gas akan terus meningkat.Perbandingan antara hasil forecasting ketiga metode dan Neraca Gas Indonesiacukup besar. Hal ini menunjukkan meskipun Indonesia memiliki potensicadangan gas alam yang sangat melimpah, tetapi permintaan domestik belumterpenuhi secara maksimal.

---

ABSTRACTThis study aims to predict the level of domestic pipeline gas consumption inIndonesia using Neural Network, ARIMAX, and Multiple Linear Regression(MLR). Forecasting is done until the period of December 2025 using historicaldata of domestic pipeline consumption rate, inflation, the difference price of oiland gas, as well as the difference price of coal and gas from the period January2007 until September 2012 as predictor. The result ARIMAX method gives themost accurate results with the value of MAPE 3.89%. Neural Network methodgives forecasting result with MAPE 6.34%, while the MLR method has the largesterror rate with MAPE 8.39%. Indonesia gas production capacity is quite large, butthe amount of gas consumed for domestic use is still relatively small. The thirdmethod of forecasting results indicate the future gas consumption will continue toincrease. Comparison between the results of the three forecasting methods andNeraca Gas Indonesia is quite large. This shows even though Indonesia has veryabundant potential reserves of natural gas, but domestic demand has not been metmaximally."