Hasil Pencarian  ::  Simpan CSV :: Kembali

"The Province of East Java has its characteristics that differentiate it from any other regions. Dissimilarities incharacteristics of a region may encompass issues such as social, economic, cultural, parenting, education, and theenvironment, so as to cause the difference in the case of severe under nutrition between one region to another. Sufferersof malnutrition in one region may be linked and influenced by the surrounding regions. Therefore, we need a statisticalmodeling that can take into account the spatial factor. Statistical methods that can be used to analyze the data and alsotakes into account the spatial factor are the Geographically Weighted Regression (GWR). This study is aimed todetermine the case of malnutrition models in East Java Province using GWR model with kernel adaptive bi-squareweighting and comparing it to the conventional linear regression model. The data used in the study are secondary dataobtained from the National Socio-Economic Survey and Basic Health Research (2010) conducted in 38 districts in EastJava. Estimation is done by using the Weighted Least Squares method that provides different weighting values to eachregion. The result showed that there are 38 models of the malnutrition case that is different from each district in EastJava. The GWR model with bi-square kernel weighting function is better in modelling the case of malnutrition in EastJava compared to the conventional linear regression models that are based on the criteria of goodness that is the Rsquare,Mean Square Error and the Akaike Information Criterion.Pendugaan Persentase Kejadian Gizi Buruk di Jawa Timur Menggunakan Model Regresi Terboboti Geografis.Provinsi Jawa Timur memiliki karakteristik wilayah yang berbeda. Perbedaan karakteristik wilayah dapat berupa masalahsosial, ekonomi, budaya, pola asuh, pendidikan, dan lingkungan, sehingga dapat menyebabkan adanya perbedaankejadian balita gizi buruk antara wilayah satu dengan wilayah lainnya. Penderita gizi buruk dari satu wilayah didugadipengaruhi oleh wilayah sekitarnya. Oleh karena itu, diperlukan suatu pemodelan statistik dengan memperhitungkanfaktor spasial. Metode statistik yang dapat digunakan untuk menganalisis data dengan memperhitungkan faktor spasialadalah regresi terboboti geografis (RTG). Penelitian ini bertujuan untuk menentukan model kejadian gizi buruk diProvinsi Jawa Timur menggunakan model RTG dengan pembobot kernel adaptif kuadrat ganda dan membandingkanmodel RTG dengan model regresi linear konvensional. Data yang digunakan adalah data sekunder dari survei sosialekonomi nasional (SUSENAS) dan Riset Kesehatan Dasar (RISKESDA) 2010 pada 38 kabupaten/kota di Jawa Timur.Pendugaan parameter model dilakukan dengan menggunakan metode weighted least squares (WLS) yaitu denganmemberikan pembobot yang berbeda untuk setiap wilayah. Hasil penelitian diperoleh terdapat 38 model kejadian giziburuk yang berbeda untuk setiap kabupaten/kota di Jawa Timur. Model RTG dengan menggunakan pembobot fungsikernel kuadrat ganda lebih baik digunakan untuk memodelkan kejadian gizi buruk di Jawa Timur dibandingkan denganregresi linear konvensional berdasarkan kriteria kebaikan model yaitu R-square, mean square error (MSE) dan Akaikeinformation criterion (AIC)."

"Konsumsi energi akan meningkat bersamaan dengan meningkatnya aktivitas manusia. Hingga kini, sumber energi terbesar masih diperoleh dari bahan bakar fosil, namun berdasarkan LAPAN (Indonesia) diperkirakan pada abad 22 akan ada kelangkaan bahan bakar fosil. Dampak lingkungan pun menjadi alasan untuk mencari sumber energi alternatif seperti energi dari angin. Berdasarkan kebijakan energi nasional, Pemerintah Indonesia akan menambah kapasitas terpasang mesin pembangkit energi dari angin (PLTB) sebesar 0,79 GW pada tahun 2025. Dalam rangka mengoptimalkan mesin pembangkit energi, besar kecepatan angin harus ditentukan secara akurat, dan distribusi probabilitas adalah salah satu cara untuk menjelaskan bagaimana penyebaran besar kecepatan angin tersebut. Beberapa tahun yang lalu, ilmuan menggunakan distribusi Weibull untuk memodelkan penyebaran besar kecepatan angin, namun terjadi masalah pada daerah asal dari distribusi Weibull. Tidak adanya besar kecepatan angin sekitar 0 m/s menyebabkan banyak peneliti untuk memikirkan alternatif atau modifikasi dari distribusi weibull. Pada 2013, Ramadan telah memodifikasi distribusi weibull dengan menambahkan parameter shape dan menghasilkan distribusi weighted weibull. Pada skripsi ini akan dijelaskan bagaimana membangun distribusi weighted Weibull dan karakteristik-karakteristiknya. Untuk melengkapi skripsi ini, data kecepatan angin di Bali (Indonesia) akan dianalisis untuk menjelaskan bagaimana distribusi weighted weibull dan distribusi weibull menggambarkan karakteristik kecepatan angin di Bali.

---

Energy consumption will increase simultaneously with increasing human activity. The most common source of energy used is still derived from fossil fuels, and based on LAPAN(Indonesia) is estimated in the 22nd century there will be scarcity of fossil fuels. Environmental impact becomes a reason to seek alternative energy sources such as wind energy. The Ministry of Energy and Mineral Resources and the Agency for the Assessment and Application of Technology (BPPT, Indonesia) tries to take advantage of wind for electrical power and refers to the national energy policy, the Government of Indonesia will add installed capacity of the power generating machine (PLTB) station of 0.79 GW in 2025. In order to optimize machine used to generate energy, the characteristics of wind speed should be specified accurately, and the probability distribution is one way to describe the characteristics. Many years ago, the scientist used weibull distribution to modelling wind speed but there is problem with the support area of weibull distribution. There is no wind speed around 0 m/s led researchers to think of alternatives or modifications of weibull distribution. In 2013, Ramadan has modifed weibull distribution by adding a shape parameter to generate weighted weibull distribution. In this project will decribes how to construct weighted weibull distribution and characteristics of weighted Weibull distribution. To complete this project, wind speed data from Bali (Indonesia) will be analyzed to explain how weighted weibull distribution and weibull distribution describes about characteristics of the wind speed in Bali."