Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebuah perusahaan memerlukan sumber daya manusia yang baik agar dapat mencapai visi, misi, serta tujuan yang telah ditetapkan. Sumber daya manusia yang baik dapat dibangun dengan meningkatkan kesejahteraan dan kenyamanan pegawai sehingga produktivitas bekerja diharapkan dapat meningkat. Salah satu upaya yang dapat dilakukan adalah pemberian reward, seperti tunjangan lokasi. Bank Syariah "X" merupakan salah satu lembaga pada bidang perbankan syariah yang memberikan tunjangan lokasi kepada pegawainya. Peraturan yang ditetapkan pada Bank Syariah "X" mengenai tunjangan lokasi merupakan tunjangan yang diberikan kepada pegawai berdasarkan lokasi pegawai tersebut bekerja. Bank Syariah "X" memiliki tiga kategori tunjangan lokasi, yaitu Zona 1, Zona 2, dan Zona 3 & 4. Kebijakan ini terakhir ditetapkan pada tahun 2021. Sedangkan, pada rentang waktu hingga saat ini, terdapat perubahan kondisi, seperti keadaan lokasi outlet (cabang), pertumbuhan ekonomi, dan relokasi outlet Bank Syariah "X". Oleh karena itu, penelitian ini bertujuan untuk menganalisis faktor-faktor yang menjelaskan penentuan zonasi tunjangan lokasi memprediksi zonasi tunjangan lokasi outlet baru dari Bank Syariah "X". Zonasi tunjangan lokasi ditentukan berdasarkan faktor kemahalan, keterpencilan, dan akses lokasi. Faktor-faktor yang diduga mewakili faktor kemahalan, keterpencilan, dan akses lokasi, serta memengaruhi penentuan zonasi tunjangan lokasi adalah indeks harga konsumen (IHK), indeks pembangunan manusia (IPM), indeks kemahalan konstruksi (IKK), indeks pilar infrastruktur (IPI), jarak outlet ke puskesmas terdekat (JOP), dan jarak outlet ke sekolah dasar terdekat (JOSD). Zonasi tunjangan lokasi terdiri dari tiga kategori, yaitu Zona 1, Zona 2, dan Zona 3 & 4 yang bersifat ordinal sehingga model yang cocok adalah regresi logistik ordinal. Berdasarkan tujuan penelitian dan jenis variabel terikat, metode analisis data yang digunakan adalah regresi logistik ordinal. Penelitian ini menghasilkan faktor-faktor yang menjelaskan penentuan zonasi tunjangan lokasi adalah indeks kemahalan konstruksi (IKK), indeks pilar infrastruktur (IPI), dan jarak outlet ke puskesmas terdekat (JOP). Model regresi logistik yang dibentuk menghasilkan akurasi sebesar 70% dan balanced accuracy pada Zona 1 sebesar 81.2%, Zona 2 sebesar 70.8%, dan Zona 3 & 4 sebesar 76.7%. Hasil model regresi logistik ordinal ini dapat digunakan untuk memprediksi zonasi tunjangan lokasi outlet baru dari Bank Syariah "X". Berdasarkan kebijakan awal Bank Syariah "X", diperoleh bahwa sebanyak 80 outlet atau sebesar 35.6% outlet salah diklasifikasikan oleh model.

---

A company needs good human resources in order to achieve the vision, mission, and goals that have been set. Good human resources can be built by improving employee welfare and comfort so that work productivity is expected to increase. One of the efforts that can be made is the reward, such as location allowances. Bank Syariah “X” is one of the institutions in the field of Islamic banking that provides location allowances to its employees. The regulations set at Bank Syariah “X” regarding location allowances are allowances given to employees based on their replacement. Bank Syariah “X” has three categories of location allowances, namely Zone 1, Zone 2, and Zones 3 & 4. This policy was last established in 2021. Meanwhile, in the time span until now, there have been changes in conditions, such as the location of outlets (branches), economic growth, and the relocation of Bank Syariah “X” outlets. Therefore, this study aims to analyze the factors that explain the determination of location allowance zoning and predict the location allowance zoning of new outlets of Bank Syariah “X”. Location allowance zoning is determined based on the factors of costliness, remoteness, and location access. Factors that are thought to represent the factors of costliness, remoteness, and location access, and influence the determination of location allowance zoning are the consumer price index (CPI), human development index (HDI), construction cost index (CCI), infrastructure pillar index (IPI), outlet distance to the nearest health center (JOP), and outlet distance to the nearest elementary school (JOSD). The location allowance zoning consists of three categories, namely Zone 1, Zone 2, and Zone 3 & 4, which are ordinal in nature, so the suitable model is ordinal logistic regression. Based on the research objectives and the type of dependent variable, the data analysis method used is ordinal logistic regression. This research results in factors that explain the zoning determination of location allowances are the construction cost index (CCI), infrastructure pillar index (IPI), and the distance of the outlet to the nearest health center (JOP). The logistic regression model that was formed produced an accuracy of 70% and balanced accuracy in Zone 1 of 81.2%, Zone 2 of 70.8%, and Zones 3 & 4 of 76.7%. The results of this ordinal logistic regression model can be used to predict the zoning allowances for the location of new outlets of Bank Syariah “X”. Based on the initial policy of Bank Syariah "X", it's obtained that 80 outlets or 35.6% of outlets misclassified by the model. "

"Pola konsumsi rokok merupakan tema penting di Indonesia. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi frekuensi merokok di Indonesia dengan menggunakan data Survei Demografi Kesehatan Indonesia (IDHS). Dalam penelitian ini, Determinan frekuensi merokok seperti Umur, Jenis Kelamin, Tingkat Pendidikan, Tingkat Kesejahteraan, Status Pernikahan dan Tempat Tinggal. diteliti untuk menentukan pengaruhnya terhadap frekuensi merokok. Berdasarkan hasil analisis regresi logistik ordinal, ditemukan bahwa individu yang termasuk dalam kategori umur remaja (15-24 tahun), berjenis kelamin laki-laki, memiliki tingkat pendidikan dan tingkat kesejahteraan yang lebih rendah, berstatus belum menikah atau cerai/hidup terpisah, serta tinggal di wilayah perkotaan cenderung akan menjadi perokok dengan frekuensi yang tinggi. Hasil ini memberikan bukti empiris yang kuat mengenai faktor-faktor risiko yang perlu menjadi perhatian utama dalam merancang strategi pencegahan untuk mengendalikan perilaku merokok di kalangan masyarakat Indonesia.

---

The pattern of cigarette consumption is an important theme in Indonesia. This study aims to analyze the factors influencing smoking frequency in Indonesia using data from the Indonesia Demographic and Health Survey (IDHS). In this research, determinants of smoking frequency such as Age, Gender, Education Level, Wealth Index, Marital Status, and Residence were examined to determine their impact on smoking frequency. Based on the results of ordinal logistic regression analysis, it was found that individuals who fall into the teenage age category (15-24 years), are male, have lower education and wealth levels, are unmarried or divorced/separated, and live in urban areas tend to be smokers with high frequency. These results provide strong empirical evidence regarding the risk factors that need to be a primary focus in designing prevention strategies to control smoking behavior among the Indonesian population."

"There are much research in health sector this time. Some research have goal to asses exposure effect to outcome. Researcher often use regresssion. Regression is a convensional multivariate analysis. Conventional multivariable analyses may not always be the ideal method for estimating treatment effects in observational studies. When there are large differences in the distribution of covariates between treatment groups, adjusting for these differences with conventional multivariable techniques may not adequately balance the groups, and the remaining bias may limit valid causal inference. Adjusted use in the end of regression analysis, some of scientis believe that adjustment can be show. Goal of this research is to compare the result of convensional multiariate analysis versus propensity score matching analysis in case study of infant immunizanon using Data ASUI-I KAP2 2003. The comparison will use the same model, that make model according logistic regression. Model which be compare is model without interaction ariabel. Modell will be analised with propensity score matching. Result of research is there is different betwen Odds Ratio from logistic regwession analysis and Odds Ratio from propensity score matching analysis. The value OR from logistic regression is 0,9898, and the value OR from propensity score matching is 0,9656. Propensity score matching succes make matching 574 sample or 68,27%. The differen is not big bacause effect the confounder are not big. For look effect exposure ar risk factor model its better use PSM because it can reduce selection bias.if you want to analysis determinan factor model, where there are much independent vaiiabel its better use logistic regression analysis because the variabel have same position."

"Estimasi parameter pada model regresi logistik pada umumnya menggunakan metode maximum likelihood dengan iterasi Newton Raphson. Pada model regresi logistik, estimasi parameter menggunakan metode maximum likelihood tidak dapat digunakan apabila ukuran sampel kecil dan proporsi kejadian sukses kecil. Permasalahan yang muncul saat ukuran sampel kecil dan proporsi sukses kecil, jika menggunakan metode maximum likelihood adalah proses iterasi yang tidak konvergen. Oleh sebab itu dalam kondisi tersebut, metode maximum likelihood tidak dapat digunakan untuk estimasi parameter. Salah satu cara untuk mengatasi ketidakkonvergenan pada iterasi tersebut adalah menggunakan modifikasi score function. Modifikasi score function dapat digunakan untuk mendapatkan estimasi parameter model regresi logistik dengan melakukan modifikasi pada fungsi likelihood. Contoh aplikasi diberikan untuk menunjukkan bahwa kemungkinan estimasi parameter model regresi logistik dengan ukuran sampel kecil dan proporsi sukses kecil menggunakan metode maximum likelihood dengan iterasi Newton Raphson memberikan hasil yang tidak konvergen dan hal ini dapat diselesaikan dengan menggunakan modifikasi score function.

---

The maximum likelihood method with Newton Raphson iteration is used in general to estimate the parameter on logistic regression model. This parameter estimation using the maximum likelihood method cannot be used if the size of the sample and proportion of successful events are small. It is because the iteration process will not convergent to some point. Therefore, the maximum likelihood method cannot be used to estimate the parameter.

One of the ways to resolve this convergent problem is using the score function modification. This modification is used to obtain the parameter estimation on logistic regression model by doing some modification on the likelihood function. The example of parameter estimation, using maximum likelihood method with small size of sample and proportion of successful events, is given to show may be the iteration process is not convergent and this can be solved with modification score function."

"Skripsi ini akan membahas tentang analisis regresi logistik untuk matched data. Dalam matched data, observasi - observasi dikelompokkan ke dalam suatu kelompok yang sama, yang disebut dengan matched set, berdasarkan suatu variabel yang disebut dengan variabel matching. Keberadaan variabel matching diperhitungkan dalam analisis ini. Penaksiran parameter dalam model regresi logistik untuk matched data dilakukan dengan menggunakan metode maksimum likelihood bersyarat dengan pendekatan Newton - Raphson. Uji kecocokan model menggunakan uji Rasio Likelihood dan uji signifikansi masing - masing parameter dalam model menggunakan uji Wald. Dalam penerapan metode analisis regresi logistik untuk matched data untuk melihat pengaruh "adanya kelahiran bayi dengan operasi caesar" dan "adanya kelahiran bayi premature" terhadap "kelahiran bayi dengan berat rendah (< 2500 gr)" dengan "umur ibu" sebagai variabel matching, didapat bahwa "adanya kelahiran bayi premature" mempengaruhi "kelahiran bayi dengan berat rendah (< 2500 gr)", dan "adanya kelahiran bayi dengan operasi caesar" tidak mempengaruhi ?kelahiran bayi dengan berat rendah (< 2500 gr)."

"Dalam melakukan klaim subrogasi, perusahaan penjaminan kredit sering mengalami kendala di mana pihak yang dijamin tidak melunasi pinjamannya sesuai kesepakatan. Hal ini membuat perusahaan penjaminan kredit mengklasifikasikan pihak terjamin yang berpotensi untuk melunasi pinjaman kreditnya, dan pihak terjamin yang tidak berpotensi untuk melunasi pinjaman kreditnya. Penelitian ini mengevaluasi prediksi potensi klaim subrogasi pada penjaminan kredit menggunakan berbagai model pembelajaran mesin berdasarkan data dunia nyata dari perusahaan penjaminan kredit besar di Indonesia. Eksperimen menggunakan Logistic Regression, sebuah metode prediksi berbasis persamaan linier, Penalized Logistic Regression, bentuk dari Logistic Regression yang koefisien-koefisiennya diberikan penalti, dan Random Forest Classifier, sebuah metode berbasis ensemble learning. Model diuji menggunakan Hold-out Validation dan data prediksi dibandingkan dengan data uji untuk false positive dan false negative. Hasil penelitian menunjukkan bahwa Random Forest Classifier memberikan hasil yang lebih baik, menunjukkan kinerja rata-rata yang lebih baik dibandingkan dengan Logistic Regression dan Penalized Logistic Regression . Temuan studi ini dapat digunakan oleh analis klaim dan subrogasi baik dari perusahaan penjaminan kredit maupun peneliti independen dalam menilai kekuatan dan kelemahan masing-masing model dan untuk menyusun aturan keputusan yang efektif secara empiris untuk mengevaluasi kebijakan subrogasi.

---

In making subrogation claims, credit guarantee companies often encounter problems where the guaranteed party does not pay off their loan according to the agreement. This makes credit guarantee companies classify those who have the potential to pay off their credit loans, or those that are not potential to pay off their credit loans. This study evaluates the prediction of potential subrogation claims in credit guarantees using various machine learning models based on real-world data from a large credit guarantee company in Indonesia. The experiment used Logistic Regression, a linear equation-based prediction method, Penalized Logistic Regression, a form of Logistic Regression whose coefficients are penalized, and the Random Forest Classifier, an ensemble learning-based method. The model was tested using Hold-out Validation and prediction dataset were compared to test dataset for false positives and false negatives. The results showed that the Random Forest Classifier gave better results, indicating a better average performance compared to Logistic Regression and Penalized Logistic Regression. The findings of this study can be used by claims and subrogation analysts from both credit guarantee companies and independent researchers in assessing the strengths and weaknesses of each model and to construct empirically effective decision rules for evaluating subrogation policies."

"Pencocokan suatu model logistik terhadap data binomial memerlukan penaksiran parameter dari model. Proses penaksiran parameter ini menggunakan keseluruhan pengamatan yang ada dalam data. Setelah taksiran parameter dihasilkan dan model tersebut digunakan untuk mencocokkan data, mungkin tidak setiap pengamatan dalam data sesuai dengan model. Hal tersebut dapat disebabkan karena data mengandung outlier, yaitu pengamatan yang nilainya jauh lebih besar atau lebih kecil jika dibandingkan dengan mayoritas pengamatan dalam data. Selain itu, ketidakcocokan model terhadap data dapat pula disebabkan karena kesalahan dalam pemilihan fungsi penghubung yang digunakan dalam model. Pada tugas akhir ini, dibahas suatu prosedur forward search untuk memeriksa kesesuaian data binomial pada model logistik sederhana. Plot dari statistik-statistik diagnostik yaitu residual deviansi dan statistik skor selama proses forward search digunakan untuk melihat sejauh mana pengaruh dari setiap pengamatan individual dalam data binomial. Statistik skor akan digunakan dalam pengujian kecukupan fungsi penghubung. "

"ABSTRAKPenelitian ini bertujuan mengukur tingkat risiko kredit dan menganalisis faktor yang memengaruhi default pembiayaan kepemilikan rumah (KPR) Musyarakah Mutanaqisah (MMQ) dan KPR Murabahah di Bank Syariah ABC periode Januari 2012 ? Februari 2016. Pengukuran tingkat risiko kredit dilakukan menggunakan metode Credit Risk+. Analisis faktor yang memengaruhi default KPR dengan menggunakan metode Regresi Logistik. Hasil penelitian menunjukan tingkat risiko kredit yang meningkat selama periode penelitian dan terdapat perbedaan tingkat risiko kredit antara KPR MMQ dan KPR Murabahah. Tingkat risiko kredit KPR MMQ lebih tinggi dibandingkan KPR Murabahah. Faktor yang signifikan memengaruhi default pembiayaan KPR Bank Syariah ABC berbeda untuk KPR MMQ dan KPR Murabahah, kecuali faktor rasio Financing to Value (FTV) yang berpengaruh signifikan pada kedua akad tersebut

---

ABSTRACTThis study to measure level of credit risk and to analyze factors that influence mortgage default based on Musharaka Mutanaqisah (MMQ) and Murabaha contract at ABC Islamic Bank in the period January 2012-February 2016. Credit risk measurements using CreditRisk+. To analyze factors that influence mortgage default using Logistic Regression. The results showed that level of credit risk has increased and there is a difference between the level of credit risk mortgage based on MMQ and Murabaha contract. Credit risk in mortgage based on MMQ contract is higher than Murabaha contract. Factors that significantly influence on those mortgage default are different, except Financing to Value (FTV) ratio that has significant influence on both contract"

"Popularitas sebuah paper yang terpublikasi dapat dilihat dari jumlah sitasi yang diperoleh paper tersebut. Akan tetapi, faktor-faktor yang mendukung banyak atau sedikitnya jumlah sitasi yang diperoleh bisa bermacam-macam. Faktor-faktor tersebut merupakan fokus pencarian pada penelitian ini. Pendekatan machine learning digunakan untuk mengetahui faktor-faktor tersebut. Beberapa fitur telah diekstrak dari dataset yang berisi kumpulan paper. Metode klasifikasi digunakan dalam supervised learning dengan model yang dibentuk dari dataset yang digunakan. Algoritma Logistic Regression dipakai untuk melakukan fitting terhadap model dengan hasil daya diskriminasi sistem sebesar 74,1% yang dilihat dari luas wilayah di bawah kurva ROC (Area Under Curve/AUC). Nilai koefisien dari model Logistic Regression digunakan sebagai feature importance untuk mencari nilai pengaruh dari tiap fitur terhadap output klasifikasi baik positif maupun negatif.

---

Popularity of a published paper can be indicated by its citation number. However, the factors determining the number of citation may vary. Those factors are the focus of this research. A machine learning approach is used to find out the factors. Some features are going to be extracted from a dataset of published papers. A classification method is going to be applied in a supervised learning with the machine learning model extracted from the dataset. A classification algorithm Logistic Regression is used to fit the model resulting a discrimination power of 74.1% from a calculation of area under ROC curve (AUC). A feature importance approach using coefficient score from Logistic Regression is also applied in determining the importance of each feature in determining the negative and positive classification."

"Tanah longsor merupakan salah satu kejadian alam paling merugikan yang terjadi setiap tahun di Kabupaten Pacitan. Penelitian ini bertujuan untuk menganalisis aspek fisik yang berperan sebagai faktor penyebab tanah longsor serta membuat analisis tingkat kerawanan tanah longsor menggunakan metode regresi logistik di Kabupaten Pacitan. Digunakan 468 titik longsor hasil inventarisasi BPBD Kabupaten Pacitan, survei lapang, dan interpretasi citra satelit yang kemudian dibagi menjadi 80% sebagai basis data uji dan 20% sebagai validasi model. Analisis probabilitas kejadian tanah longsor menggunakan nilai koefisien 14 aspek fisik menghasilkan bahwa aspek fisik berupa lereng, aspek/arah hadap lereng, curah hujan, penggunaan tanah, jenis tanah, dan litologi memiliki nilai koefisien positif. Sedangkan pada aspek fisik berupa ketinggian, topographic wetness index (TWI), profile curvature, plan curvature, jarak dari patahan, jarak dari jalan, jarak dari jalan, dan normalized difference vegetation index (NDVI) yang memiliki nilai koefisien negatif. Dihasilkan lima tingkat kerawanan tanah longsor di Kabupaten Pacitan, yaitu; sangat rendah (43,219.8 Ha), rendah (32,256.9 Ha), sedang (24,133.8 Ha), tinggi (20,590.7 Ha), dan sangat tinggi (18,787.6 Ha). Tingkat kerawanan longsor sangat tinggi mendominasi wilayah bagian tengah sampai Timur Kabupaten Pacitan di Kecamatan Kebonagung, Arjosari, Tulakan, dan Pacitan dengan ciri wilayah memiliki rata-rata lereng 23.2°, tersusun atas batuan dalam Formasi Arjosari dengan jenis tanah aluvial dan penggunaan tanah semak belukar, curah hujan rata-rata 2,384.64 mm/tahun, jarak dari patahan rata-rata 693.4 m, jarak dari sungai rata-rata 499.87 m, nilai topographic wetness index (TWI) rata-rata 4.79, dan profile curvature sebesar -0.04 atau cembung. Sementara itu, tingkat kerawanan longsor sangat rendah dominan berada pada pada bagian Barat Kabupaten Pacitan di Kecamatan Donorojo, Punung, dan Pringkuku dengan ciri wilayah memiliki rata-rata lereng 11.05°, tersusun atas batuan sedimen gamping dari Formasi Wonosari dengan jenis tanah litosol dan penggunaan tanah tegalan/ladang, curah hujan rata-rata 2,042.63 mm/tahun, jarak dari patahan 3,222.57 m, jarak dari sungai rata-rata 2,216.60 m, nilai topographic wetness index (TWI) rata-rata 5.5, dan profile curvature 0.06 atau cekung. Validasi model menggunakan data uji dengan AUROC bernilai 0.876. Dihasilkan validasi tingkat kerawanan menggunakan data validasi dengan akurasi sebesar 0.781 dan presisi sebesar 0.755.

---

Landslides are one of the most detrimental natural events that occur every year in the Pacitan Regency. This study analyzes the physical aspects that act as factors causing landslides and the level of landslide susceptibility using the logistic regression method in Pacitan Regency. Four hundred sixty-eight landslide points were used from the BPBD inventory in Pacitan Regency, field surveys, and interpretation of satellite imagery and separated with 80% as test data and 20% as model validation. The probability analysis of landslides using 14 physical aspects coefficient results that slopes, aspects/directions towards the slopes, rainfall, land use, soil types, and lithology have positive coefficients values. Meanwhile, the physical aspects include elevation, topographic wetness index (TWI), profile curvature, plan curvature, distance from fault, distance from road, distance from road, and normalized difference vegetation index (NDVI), have negative coefficients values. Five levels of landslide susceptibility were generated in Pacitan Regency, namely, very low (43.219.8 Ha), low (32.256.9 Ha), medium (24.133.8 Ha), high (20.590.7 Ha), and very high (18.787.6 Ha). Very high level of landslide susceptibility dominates the central to the eastern part of Pacitan Regency in Kebonagung, Arjosari, Tulakan, and Pacitan Districts with regional characteristics having an average slope of 23.2°, composed of rocks in the Arjosari Formation with alluvial soil types, and shrub land use, rainfall the average rainfall is 2,384.64 mm/year, the distance from the fault is 693.4 m, the distance from the river is 499.87 m, the topographic wetness index (TWI) value is 4.79, and the curvature profile is -0.04 or convex. Meanwhile, the very low level of landslide susceptibility is dominated in the western part of Pacitan Regency in Donorojo, Punung, and Pringkuku Subdistricts, with regional characteristics having an average slope of 11.05°, composed of limestone sedimentary rocks from the Wonosari Formation with litosol soil types and dry farming land use. /field, the average rainfall is 2,042.63 mm/year, the distance from the fault is 3,222.57 m, the distance from the river is 2,216.60 m on average, the topographic wetness index (TWI) value is 5.5 on average, and the curvature profile is 0.06 or concave. Validation of the model using test data with AUROC worth 0.876. Vulnerability validation using validation data resulted in an accuracy of 0.781 and a precision of 0.755."