Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi telah mempengaruhi berbagai sektor di kehidupan termasuk juga dengan sektor pembelanjaan, seperti e-commerce. E-commerce termasuk media belanja yang selalu berkembang, salah satunya live streaming. Layanan live streaming social media menjadi terkenal di kisaran tahun 2020-2021 dengan tingkat penjualan di siaran langsung meningkat tajam hingga 76 persen di seluruh dunia. Tiktok live shopping merupakan layanan dari aplikasi Tiktok yang menawarkan peluang bagi brand untuk memamerkan produk secara real-time melalu acara live streaming. Penelitian ini bertujuan untuk menganalisis faktor yang mempengaruhi prilaku transaksi impulsif melalui live streaming e-commerce Tiktok live menggunakan model Stimulus Organism Respons (SOR). Penelitian ini dilakukan dengan melakukan survei terhadap pengguna aktif TikTok live yang telah melakukan pembelian produk melalui live streaming e-commerce. Pengumpulan data dilakukan dengan teknik non-probability sampling dan analisis data menggunakan Partial Least Square (PLS). Penelitian ini bertujuan untuk menganalisis beberapa faktor seperti price promotion, promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience terhadap transaksi impulsif. Hasil analisis membuktikan bahwa price promotion, customer-streamer interaction, best deal, visual appeal, perceived value, shopping convenience berpengaruh terhadap transaksi impulsif, terdapat beberapa variabel penelitian seperti promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience berpengaruh negatif terhadap perceived risk. Dari hasil penelitian dapat dilihat bahwa perceived risk memediasi hubungan antara promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience dan transaksi impulsif.

---

Technological advancements have influenced various sectors of life, including the retail sector, such as e-commerce. E-commerce, including live streaming, is a constantly evolving shopping medium. One of the popular trends in recent years is live streaming on social media platforms. Live streaming services on social media gained popularity around 2020-2021, with live broadcast sales increasing by up to 76 percent worldwide. TikTok live shopping is a service offered by the TikTok app that provides opportunities for brands to showcase their products in real-time through live streaming events. The purpose of this research is to analyze the factors that influence impulsive transaction behavior through TikTok live e-commerce using the Stimulus Organism Response (SOR) model. This study conducted a survey among active TikTok live users who have made product purchases through live streaming e-commerce. Data collection was done using non-probability sampling techniques, and data analysis was performed using Partial Least Square (PLS). The research aims to analyze several factors such as price promotion, promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, and shopping convenience in relation to impulsive transactions. The analysis results demonstrate that price promotion, customer-streamer interaction, best deal, visual appeal, perceived value, and shopping convenience have an influence on impulsive transactions. Additionally, several research variables such as promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, and shopping convenience negatively affect perceived risk. From the research findings, it can be observed that perceived risk mediates the relationship between promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience, and impulsive transactions."

"ABSTRACTOverdispersi sering kali menjadi kendala dalam memodelkan count data dikarenakan distribusi Poisson yang sering digunakan untuk memodelkan count data tidak dapat menanggulangi data overdispersi. Telah diperkenalkan beberapa distribusi yang dapat digunakan sebagai alternatif dari distribusi Poisson dalam menanggulangi overdispersi pada data. Namun, distribusi yang ditawarkan tesebut memiliki kompleksitas yang lebih tinggi dibanding distribusi Poisson dalam hal jumlah parameter yang digunakan. Untuk itu, ditawarkan distribusi baru yang memiliki sebaran mirip dengan distribusi Poisson, yaitu distribusi Lindley. Namun, distribusi Lindley merupakan distribusi kontinu sehingga tidak dapat digunakan untuk memodelkan count data. Oleh karena itu, dilakukan diskritisasi pada distribusi Lindley menggunakan metode yang mempertahankan fungsi survival dari distribusi Lindley. Distribusi hasil dari diskritisasi distribusi Lindley tersebut memiliki satu parameter dan dapat digunakan untuk memodelkan data overdispersi sehingga cocok digunakan sebagai alternatif dari distribusi Poisson dalam memodelkan count data yang overdispersi. Distribusi hasil dari diskritisasi distribusi Lindley tersebut biasa disebut distribusi Discrete Lindley. Dalam penulisan ini diperoleh karakteristik dari distribusi Discrete Lindley yang unimodal, menceng kanan, memiliki kelancipan yang tinggi, dan overdispersi. Berdasarkan simulasi numerik, diperoleh pula karakteristik dari parameter distribusi Discrete Lindley yang memiliki bias dan MSE besar pada sekitaran nilai parameter exp(-1).

---

ABSTRACTOverdispersion often being a problem in modeling count data because the Poisson distribution that is often used to modeling count data cannot conquer the overdispersion data. Several distributions have been introduced to be used as an alternative to the Poisson distribution on conquering dispersion in data. However, that alternative distribution has higher complexity than Poisson distribution in the number of parameters used. Therefore, a new distribution with similar distribution to Poisson is offered, that is Lindley distribution. Lindley distribution is a continuous distribution, then it cannot be used to modeling count data. Hence, discretization on Lindley distribution should be done using a method that maintain the survival function of Lindley distribution. Result distribution from discretization on Lindley distribution has one parameter and can be used to modeling overdispersion data so that distribution is appropriate to be used as an alternative to Poisson distribution in modeling overdispersed count data. The result distribution of Lindley distribution discretization is commonly called Discrete Lindley distribution. In this paper, characteristics of Discrete Lindley distribution that are obtained are unimodal, right skew, high fluidity and overdispersion. Based on numerical simulation, another charasteristic of parameter is also obtained from Discrete Lindley distribution that has a large bias and MSE when parameter value around exp(-1)."

"Keberhasilan pembangunan suatu negara dapat dilihat dari kondisi kesejahteraan rakyatnya. Peningkatan kesejahteraan rakyat menjadi sasaran utama dalam kegiatan pembangunan yang dilaksanakan oleh pemerintah. Agar pembangunan yang dilakukan efektif dan tepat sasaran, perlu dilakukan pengelompokan untuk mengetahui karakteristik wilayah. Penelitian ini membahas mengenai pengelompokan kabupaten/kota di Pulau Jawa berdasarkan indikator kesejahteraan rakyat tahun 2022. Kesejahteraan yang diukur merupakan kesejahteraan materi. Variabel yang digunakan dalam penelitian ini adalah persentase penduduk miskin, PDRB per kapita atas dasar harga berlaku, rata-rata lama sekolah, harapan lama sekolah, persentase pengeluaran per kapita untuk makanan, tingkat pengangguran terbuka, jumlah penduduk, kepadatan penduduk, dan angka harapan hidup. Terdapat dua pendekatan yang digunakan dalam mengelompokkan kabupaten/kota beserta variabel-variabelnya. Pendekatan pertama adalah mengelompokkan kabupaten/kota dan variabel-variabelnya secara simultan dengan menggunakan metode biclustering plaid model. Pendekatan kedua adalah mengelompokkan kabupaten/kota menggunakan clustering metode Ward dan dilanjutkan dengan metode biplot. Tujuan penelitian ini adalah membandingkan hasil kedua pendekatan tersebut, yaitu hasil biclustering dan hasil cluster-biplot pada data 119 kabupaten/kota di Pulau Jawa pada tahun 2022 berdasarkan indikator kesejahteraan rakyat. Berdasarkan hasil penelitian, didapatkan jumlah kelompok dari kedua pendekatan tersebut adalah sebanyak 2 dengan kelompok 1 merupakan wilayah yang lebih sejahtera daripada kelompok 2. Ditinjau dari nilai standar deviasinya, kelompok hasil biclustering plaid model memiliki nilai standar deviasi yang lebih kecil dibanding kelompok hasil cluster-biplot. Dengan demikian, secara umum pendekatan pertama menghasilkan kelompok yang lebih baik karena lebih homogen dibandingkan dengan pendekatan kedua.

---

The success of a country's development can be known from the well-being of its people. Improving the welfare of the population is the main goal in the development activities carried out by government. To ensure that development is effective and targeted, grouping is needed to understand the characteristics of the region. This study discusses the grouping of regencies/cities in Java based on the people's welfare indicators in 2022. The measured welfare is material well-being. Variables used in this study are the percentage of the poor population, GDP per capita at current prices, average length of schooling, expected length of schooling, percentage of per capita expenditure on food, open unemployment rate, population, population density, and life expectancy. There are two approaches used in grouping regencies/cities along with their variables. The first approach is to group regencies/cities and their variables simultaneously using plaid model biclustering method. The second approach is to group regencies/cities using the Ward clustering method and then followed by the biplot method. The aim of this study is to compare the results of these two approaches, namely the biclustering results and the cluster-biplot results on data from 119 regencies/cities in Java in 2022 based on people's welfare indicators. Based on the results of this study, the number of groups from each approach is 2, with group 1 being more prosperous than group 2. Judging from the standard deviation values, the plaid model biclustering result groups have lower standard deviation values compared to the cluster-biplot result groups. Therefore, in general the first approach produces better groups as they are more homogeneous compared to the second approach."

"

Analisis triclustering merupakan pengembangan dari analisis clustering dan biclustering. Analisis triclustering bertujuan mengelompokkan data tiga dimensi secara simultan yang menghasilkan submatriks dinamakan tricluster. Pendekatan yang digunakan dalam analisis triclustering di antaranya adalah pendekatan berdasarkan greedy dan pattern. Salah satu contoh pendekatan analisis triclustering berdasarkan greedy adalah metode  Î´ – Trimax. Sedangkan salah satu contoh analisis triclustering berdasarkan pattern adalah metode Timesvector. Metode δ – Trimax bertujuan menghasilkan tricluster yang memiliki mean square residual kecil dari threshold  dengan volume data tricluster yang maksimal. Metode Timesvector bertujuan mengelompokkan matriks data yang menunjukkan pola yang sama atau berbeda pada data tiga dimensi. Implementasi metode  Î´ – Trimax dan metode Timesvector pada penelitian ini dilakukan pada data ekspresi gen pasien penderita penyakit periodontitis. Ekspresi gen diukur pada 14 titik kondisi dan 4 titik waktu. Berdasarkan beberapa skenario yang telah diterapkan, metode Î´ – Trimax memberikan hasil terbaik pada saat menerapkan skenario dengan nilai threshold =0,0028564 dan =1,25 dengan jumlah tricluster yang dihasilkan adalah 260 tricluster. Dari 260 tricluster tersebut, dipilih tricluster ke-216 yang dianalisis dengan menggunakan metode Timesvector. Hasil tricluster yang diperoleh dapat menambah wawasan bagi ahli medis dalam memberikan periodontal treatment kepada pasien penderita periodontitis berikutnya.

---

Triclustering analysis is the development of clustering and biclustering. Triclustering analysis aims to group three-dimensional data simultaneously, forming the initial subspace known as a tricluster. It utilizes two main approaches that are greedy-based and pattern-based approaches, exemplified by the δ – Trimax and Timesvector methods, respectively. The δ – Trimax method aims for triclusters with smaller mean square residuals than the threshold δ, while Timesvector groups data matrices with similar or different patterns. In a study on periodontitis patients gene expression data, comprising 14 condition points and 4 time points, both methods were implemented. The δ – Trimax method yielded optimal results under specific conditions (δ = 0.0028564, λ = 1.25), producing 260 triclusters. Among these, the 216th tricluster was selected for further analysis using the Timesvector method. The insights gained from these triclusters can enhance periodontal treatment strategies for patients with subsequent periodontitis, providing valuable guidance to medical experts.

 

"

"ABSTRAKDalam mendukung pendidikan di Indonesia, pemerintah telah memberikan perhatian dengan cara mengalokasikan Anggaran Pendapatan dan Belanja Negara (APBN). Namun, masalah pendidikan pada jenjang Sekolah Menengah Atas (SMA) masih ditemukan, dimana salah satu akar permasalahannya adalah kurangnya fasilitas pendidikan. Jumlah SMA yang relatif banyak merupakan salah satu penghambat dalam penyaluran dana APBN tersebut. Dengan demikian, analisis pengelompokan SMA berdasarkan fasilitas pendidikan di Indonesia diharapkan dapat menjadi salah satu alternatif bagi pemerintah dalam memprioritaskan penyaluran dana APBN secara cepat dan tepat. Banyaknya observasi yang digunakan adalah 13.486 SMA dengan 9 variabel kategorik fasilitas pendidikan yang tercatat di website Kementerian Pendidikan dan Kebudayaan pada bulan Agustus tahun 2019. Adapun metode yang digunakan adalah Robust Clustering Using Link (ROCK) yang diyakini mempunyai tingkat akurasi yang baik dan mampu menangani data kategorik dalam jumlah yang besar. Untuk mendapatkan profil kelompok yang lebih jelas, metode ROCK dimodifikasi dengan melakukan Nested Clustering. Hasil dari penelitian ini menunjukkan bahwa terbentuk 14 kelompok SMA yang memiliki karakteristik masing-masing. Diperoleh kelompok 3 merupakan kelompok yang relatif baik dan kelompok 1a merupakan kelompok yang relatif kurang baik. Secara umum, SMA di Indonesia membentuk kelompok yang memiliki kebutuhan fasilitas pendidikan yang berbeda dan memerlukan perhatian dari pemerintah.

---

ABSTRACT

The government has given attention to support education in Indonesia by allocating the state budget (APBN). However, the problem of education at the senior high school level is still found, which one of the root problems is the lack of educational facilities. The large number of senior high schools in Indonesia becomes one of the barriers to distributing APBN funds. Thus, the analysis of the grouping of senior high schools based on educational facilities in Indonesia is expected to be an alternative for the government in prioritizing the distribution of APBN funds quickly and accurately. The number of observations is 13,486 with nine categorical variables recorded on a website of the Ministry of Education and Culture in August 2019. The method used is Robust Clustering Using Link (ROCK), which is believed has good accuracy and good to handle many categorical data. To get clearer profile of cluster, ROCK method modified with do Nested Clustering. The results of this study indicate that 14 clusters were formed and have their profiles. Cluster 3 is relatively good cluster while cluster 1a is relatively poor cluster. In general, high schools in Indonesia consist of groups that have different educational facility needs and require attention from the government."