Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini bertujuan untuk mempelajari pengaruh modal sosial terhadap kesejahteraan rumah tangga di Indonesia menggunakan data Susenas Modul Sosial Budaya dan Pendidikan 2012. Modal sosial dan kesejahteraan dihitung menggunakan metode Analisis Komponen Utama atau PCA. Kesejahteraan didekati oleh indeks kekayaan. Hasil penelitian menunjukkan bahwa variabel kontrol: jenis kelamin Kepala Rumah Tangga (KRT), umur KRT, pendidikan KRT, daerah tempat tinggal, dan lapangan pekerjaan KRT signifikan mempengaruhi kesejahteraan rumah tangga. Modal sosial sebagai variabel bebas utama juga signifikan positif mempengaruhi kesejahteraan. Semakin tinggi modal sosialnya maka akan semakin sejahtera. ...... This research aims to study the effect of social capital on household welfare in Indonesia using Susenas data of Socio-cultural and Educational Module 2012. Welfare and social capital calculated using Principal Component Analysis or PCA. Welfare was approached by a wealth index. The results showed that the control variables: gender, age, education of head of household (KRT), area of residence, and employment of KRT significantly affect household welfare. Social capital as the main independent variable was also significantly positively affect welfare. The higher the social capital will be more welfare.

Abstrak :
Penelitian ini bertujuan untuk mengetahui pengaruh modal sosial (trust, network, dan norm), modal manusia, modal finansial, dan faktor sosio demografi terhadap probabilitas seseorang untuk bekerja sebagai wirausaha dengan menggunakan data Susenas 2012. Pembentukan variabel modal sosial menggunakan metode Analisis Komponen Utama. Hasil pengujian probit menunjukan bahwa dari 3 (tiga) variabel modal sosial, variabel network dan norm secara statistik berpengaruh signifikan terhadap probabilitas bekerja sebagai wirausaha, sedangkan variabel trust tidak. Penelitian ini juga menemukan bahwa modal manusia dan modal finansial berpengaruh signifikan terhadap probabilitas bekerja sebagai wirausaha. Ditemukan juga bahwa probabilitas berwirausaha lebih besar pada individu laki-laki, kawin dan di perdesaan. ...... This reasearch aims to study the effect of three variables of social capital (trust, networks, and norm), human capital, financial capital and socio-demographic factors on the probability of/propensity for working as an entrepreneur based on Susenas 2012. Social capital variables are constructed using principal components analysis (PCA). The probit regression results show that of the three social capital variables, only network and norm that statistically have significant effect on the probability of working as an entrepreneur, while trust does not. This study also find that human capital and financial capital have significant effect on the probability of working as an entrepreneur. It is also found that individuals with the characteristics of male, married status and rural residence have higher propensity to work as an entrepreneur.

Abstrak :
Prinsip parsimoni adalah prinsip yang menyatakan bahwa jika terdapat beberapa penjelasan untuk suatu fenomena, maka penjelasan paling sederhanalah yang harus dipilih. Prinsip ini digunakan dalam analisis data untuk memilih model yang paling efisien dalam menjelaskan variabilitas data dengan parameter seminimal mungkin. Namun pada beberapa kondisi, data bisa saja melibatkan pengukuran atau variabel yang cukup banyak. Data berdimensi tinggi dapat menyebabkan kompleksitas dan kesulitan dalam analisis, sehingga reduksi dimensi pada data penting untuk dilakukan. Principal Component Analysis (PCA) adalah salah satu metode yang dapat digunakan untuk melakukan reduksi dimensi, dengan mengekstraksi variabel baru dan mengurangi pengaruh dari variabel yang tidak relevan. Namun, metode PCA tidak toleran terhadap missing value, sehingga algoritma Nonlinear Iterative Partial Least Squares (NIPALS) dapat digunakan dalam mengatasi data yang mengandung missing value. Performa dari algoritma NIPALS dievaluasi menggunakan nilai normalized root mean square error (NRMSE) dan koefisien korelasi Pearson. Kemudian, performa dari algoritma ini dibandingkan dengan dua metode lain, meliputi Probabilistic Principal Component Analysis (PPCA) dan SVDImpute. Setelah dilakukan percobaan sebanyak seratus kali pada data survei COVIDiSTRESS, didapatkan hasil bahwa algoritma NIPALS memiliki performa yang lebih baik dan stabil dalam melakukan reduksi dimensi dibandingkan SVDImpute dan PPCA pada data dengan missing value sebesar 1% hingga 15%. ......The principle of parsimony, states that if there are multiple explanations for a phenomenon, the simplest explanation should be chosen. This principle is applied in data analysis to select the most efficient model that explains the variability of the data with minimal parameters. However, in some cases, the data may involve a large number of measurements or variables. High-dimensional data can lead to complexity and difficulties in analysis, therefore dimensionality reduction is important. Principal Component Analysis (PCA) is one method that can be used for dimensionality reduction by extracting new variables and reducing the influence of irrelevant variables. However, PCA is not tolerant to missing values, so the Nonlinear Iterative Partial Least Squares (NIPALS) algorithm can be used to handle data with missing values. The performance of the NIPALS algorithm is evaluated using the normalized root mean square error (NRMSE) and Pearson correlation coefficient. Subsequently, the performance of this algorithm is compared with two other methods, including Probabilistic Principal Component Analysis (PPCA) and SVDImpute. After conducting a hundred trials on the COVIDiSTRESS survey data, it was found that the NIPALS algorithm performed better and was more stable in dimension reduction compared to SVDImpute and PPCA algorithms on data with missing values ranging from 1% to 15%.

Abstrak :
Macaca fascicularis merupakan primata yang sering digunakan sebagai hewan uji dalam penelitian, sehingga kondisi fisiologisnya harus diperhatikan karena berpengaruh terhadap hasil penelitian, terutama penelitian tentang pertumbuhan. Standarisasi berat badan dan morfometri membantu penelitian tentang pertumbuhan, namun standarisasi tersebut memerlukan sampel yang banyak agar hasil tidak bias. Penangkaran milik PT Indo Biomedical, Jonggol memiliki banyak M. fascicularis dan belum memiliki standar data morfometri dan berat badan, sehingga dapat dilakukan penelitian penentuan standar data berat badan dan morfometri di penangkaran tersebut. Tujuan penelitian ini untuk mendapatkan standar data karakter morfometri dan berat badan M. fascicularis. Jumlah hewan yang digunakan sebanyak 698 ekor dengan rincian 175 ekor bayi, 248 ekor infan, 209 ekor juvenil, dan 66 ekor pra-dewasa. Parameter yang diukur yakni berat badan, tinggi duduk, panjang ekor, panjang lengan atas, panjang lengan bawah, panjang paha, dan panjang betis. Hasil pengolahan data dengan metode Analisis Komponen Utama (AKU) menunjukkan bahwa individu bayi dan infan M. fascicularis memiliki parameter standar terbaik lengan bawah, sedangkan individu juvenil dan pra-dewasa memiliki parameter standar terbaik lengan atas. Hasil uji-T terhadap rerata data morfometri dan berat badan M. fascicularis menunjukkan bahwa terdapat perbedaan morfologi yang nyata antara individu jantan dan betina M. fascicularis pada kelompok umur pra-dewasa. ......Macaca fascicularis is a kind of primate that often used as animal model in research, therefore, physiological condition must be considered because the influence of the result of research. Standardization of weight and morphometry assist research on growth, but these standards require that many samples that the results are not biased. Captive owned by PT Indo Biomedical, Jonggol has a lot of M. fascicularis and did not yet had data standard morphometry and weight, therefore it can be done research determination standardization of weight and morphometry in there. The purpose of this study was to get a M. fascicularis basic standard characteristics of morphometrics and body weight. The number of animals observed were 698 consisting of 175 babies, 248 infants, 209 juveniles, and 66 sub-adults. The parameters were included body weight, body length, tail length, upper arm length, forearm length, thigh length, and calf length. The Principal Component Analysis (PCA) showed that the individu of M. fascicularis of the babies and the infants age-group had the best forearm length parameter measurement standard, while the juveniles and the sub-adults age-group of M. fascicularis had the best upper arm length as their best parameter measurement standard. The result of processing data used T-test of mean of morphometrics and body weight indicated there was real significance of morphological differences between male and female individuals of M. fascicularis sub-adult age groups.

Abstrak :
Pengkajian variasi morfologi 98 spesimen Bronchocela cristatella (Kuhl, 1820) di Indonesia telah dilakukan menggunakan analisis multivariat. Analisis komponen utama (PCA) terhadap 19 karakter morfologi menghasilkan 5 komponen dari variabel awal. Total variabilitas yang dihitung adalah 81,0 % (Komponen 1 = 55,8 %; Komponen 2 = 8,4 %; Komponen 3 = 6,8 %; Komponen 4 = 5,6 %; Komponen 5 = 4,4 %). Komponen skor 2 pada PCA merupakan komponen yang dapat memperlihatkan pengelompokan populasi Bronchocela cristatella di Indonesia. Hasil analisis sidik kelompok (CA) yang dapat dilihat pada dendrogram menunjukkan empat cluster terhadap lima populasi B, cristatella di Indonesia. Pola persebaran variasi morfologi B. cristatella di Indonesia berdasarkan hasil analisis sidik kelompok (CA) tidak bersesuaian dengan proses geografis Indonesia. Populasi Sumatera dan Jawa memiliki kekerabatan yang dekat karena membentuk satu cluster, kemudian diikuti oleh populasi Maluku + New Guinea yang membentuk cluster 2. Populasi Sulawesi dan Kalimantan berkerabat jauh dengan populasi Sumatera dan Jawa karena membentuk cluster 3 dan cluster 4 yang terpisah dari populasi yang lain.

Abstrak :

Pertumbuhan penduduk yang terjadi di D.I Yogyakarta meningkatkan jumlah limbah yang dibuang sehingga mempengaruhi kualitas air sungai. Selain itu, pertumbuhan populasi juga berkontribusi pada perubahan penutup lahan di daerah aliran sungai yang kemudian akan berdampak pada kualitas air sungai. Tujuan penelitan ini adalah untuk menganalisis variabilitas spasial dan temporal kualitas air pada Sungai Code di Provinsi D.I Yogyakarta, selain itu mengetahui tren perubahan penutup lahan di Daerah Tangkapan Air (DTA) Sungai Code serta hubungannya dengan perubahan kualitas air sungai, dan mengidentifikasi serta menganalisis parameter kualitas air dominan yang  mempengaruhi variabilitas kualitas air Sungai Code secara keseluruhan. Data yang di analisis adalah data sekunder yang berasal dari Pemerintah Provinsi D.I Yogyakarta yang terbatas pada periode pemantauan 2011-2017. Metodologi yang dilakukan adalah analisis deskriptif untuk menganalisis variasi spasial dan temporal kualitas air secara visual, kemudian melakukan klasifikasi penutup lahan untuk Daerah Tangkapan Air (DTA) Sungai Code dengan software ArcGIS 10.3 serta menganalisis hubungan perubahannya dengan perubahan kualitas air Sungai Code, dan menganalisis variabilitas data kualitas air dengan Cluster analysis (CA) & Principal Component Analysis (PCA) menggunakan software IBM SPSS. Hasil penelitian menunjukan terdapat parameter yang konsentrasinya mediannya memiliki tren positif untuk variasi spasial dari hulu ke hilir, diantaranya: suhu, TDS, BOD, COD, Nitrat, Nitrit, Seng, Tembaga, Timbal, Bakteri koli tinja, selain itu terdapat juga parameter yang konsentrasi mediannya memiliki tren positif untuk variasi temporal dari tahun 2011-2017, diantaranya: pH, TDS, Nitrat, Nitrit, Deterjen, Seng, Warna. Terdapat juga parameter-parameter yang perlu diperhatikan karena konsentrasinya sebagian besar sudah melebihi baku mutu kelas 3 dan/atau kelas 4 yang ditetapkan dalam Pergub DIY No. 20 Tahun 2008 tentang Baku Mutu Air, diantaranya: BOD, Nitrit, Tembaga, Bakteri koli tinja. Hasil korelasi penutup lahan dan kualitas air mendapatkan bahwa penutup lahan vegetasi alami dapat memberikan dampak positif terhadap perubahan kualitas air Sungai Code, sedangkan penutup lahan agrikultur dan area bangunan cenderung memberikan dampak negatif terhadap perubahan kualitas air Sungai Code. Untuk CA, paramater kualitas air Sungai Code berhasil dikelompokan menjadi 4 cluster, diantaranya: kelompok pencemar nuterien, kelompok pencemar logam, kelompok pencemar materi organik dan kelompok pencemar grey water. Analisis komponen utama (PCA) menghasilkan empat komponen utama (PC1, PC2, PC3, PC4) yang mempunyai variansi secara berturut-turut 22,815%, 17,631%, 16,016%, 12,806% dan menjelaskan total 69,268% variabilitas data kualitas air Sungai Code. PC1 diinterpretasikan sebagai pencemar materi organik Sungai Code. PC2 diinterpretasikan sebagai pencemar nutrien dan kontaminasi tinja pada Sungai Code yang dapat berasal dari limbah dan air limpasan agrikultur. PC3 diinterpretasikan sebagai pencemar logam Sungai Code yang dapat berasal dari air limpasan urban dan limbah domestik. PC4 dapat diinterpretasikan sebagai dampak pencemaran grey water pada Sungai Code.

---

Population growth that occurred in D.I Yogyakarta increased the amount of waste discharged so that it affected river water quality. In addition, population growth also contributes to changes in land cover in watersheds which will then have an impact on river water quality. The purpose of this research is to analyze the spatial and temporal variability of water quality in the River Code, in addition to knowing trends in land cover changes in the Code watershed and its relationship to changes in river water quality, and analyzing dominant water quality parameters that affect Code River water quality variability as a whole. This research using secondary data from the Provinsi D.I Yogyakarta, which limited to the 2011-2017 monitoring period. The methodology used is descriptive analysis to analyze spatial and temporal variations in water quality, then classify land cover in Code watershed with ArcGIS 10.3 software and analyze the relationship of changes with changes in Code River water quality, analyze variability of water quality data with Cluster analysis (CA) & Principal Component Analysis (PCA) using IBM SPSS software. The results showed there are parameters whose median concentration has a positive trend for spatial variations from upstream to downstream, including: temperature, TDS, BOD, COD, Nitrate, Nitrite, Zinc, Copper, Lead, Fecal Coli Bacteria. There are also concentration parameters the median has a positive trend for temporal variations from 2011-2017, including: pH, TDS, Nitrate, Nitrite, Detergent, Zinc, Color. There are also parameters that need to be considered because most of the concentrations have exceeded the grade 3 and / or grade 4 water quality standards stipulated in Pergub DIY No. 20 Tahun 2008, including: BOD, Nitrite, Copper, fecal coli bacteria. The correlation results between land cover and water quality found that natural vegetation land cover can have a positive impact on changes in Code River water quality, while agricultural and building areas land cover tend to have a negative impact on changes in Code River water quality. For CA, the Code River water quality parameters were grouped into 4 clusters, including: the nutrient polluter group, the metal polluter group, the organic material polluter group and the gray water polluter group. Principal component analysis (PCA) produced four main components (PC1, PC2, PC3, PC4) which had variances respectively 22.815%, 17.631%, 16.016%, 12.806% and explained a total of 69.268% variability of Code River water quality data. PC1 is interpreted as organic matter pollutans in Code River. PC2 is interpreted as nutrients pollutants and fecal contamination in the Code River which may come from agricultural waste and runoff. PC3 is interpreted as a Code River metal pollutant that may come from urban runoff water and domestic waste. PC4 may interpreted as the impact of gray water pollution on the Code River.

Abstrak :
Kemiskinan adalah suatu masalah yang tidak hanya dipengaruhi oleh dimensi ekonomi, namun juga dapat dipengaruhi oleh dimensi-dimensi lain seperti pendidikan, kesehatan, dan standar hidup yang layak. Kemiskinan dapat diukur dengan Head Count Index, yaitu indeks yang mengukur persentase penduduk miskin di suatu wilayah. Dimensi-dimensi yang menjelaskan kemiskinan biasanya terdiri dari beberapa variabel. Sehingga apabila dalam penelitian akan dilakukan pemodelan menggunakan beberapa dimensi, akan mengandung banyak sekali variabel, yang memungkinkan adanya multikolinearitas antar variabel independen. Kondisi ini menyebabkan pemodelan tidak dapat dilakukan dengan baik. Masalah multikolinearitas pada data yang dimodelkan, dapat diatasi menggunakan metode Analisis Komponen Utama (Principal Component Analysis). Metode Principal Component Analysis (PCA) dilakukan pada variabel-variabel independen, sehingga diperoleh komponen-komponen utama yaitu hasil reduksi dari variabel-variabel independen. Komponen-komponen utama ini tidak lagi saling berkorelasi. Selanjutnya dilakukan analisis regresi dengan komponen-komponen utama tersebut sebagai variabel independen barunya. Model ini disebut Regresi Komponen Utama (RKU). Penelitian ini menggunakan data yang terkait dengan lokasi atau geografis atau dapat disebut dengan data spasial. Setelah dilakukan pemeriksaan asumsi, terdapat multikolinearitas dan heterogenitas spasial pada data. Oleh karena itu, untuk menangani kedua masalah ini, dapat digunakan pemodelan Geographically Weighted Principal Component Regression (GWPCR) atau Regresi Komponen Utama Terboboti Geografis (RKUTG). Sebelum diterapkan metode Regresi Komponen Utama Terboboti Geografis (RKUTG), akan digunakan metode Analisis Komponen Utama menentukan komponen-komponen utama untuk dijadikan variabel independen atau prediktor baru dalam penelitian ini. Didapat tiga komponen utama yang masing-masing komponen menjelaskan Faktor Demografi dan Air Bersih untuk PC1 atau komponen utama pertama, Faktor Kondisi Hidup Layak dan Ketimpangan untuk PC2, dan Faktor Kesejahteraan Anak untuk PC3. Lalu dilakukan Regresi Komponen Utama (RKU) dengan PC1, PC2, dan PC3 sebagai prediktornya dan diperiksa asumsi heterogenitas spasial dari model RKU. Pemeriksaan asumsi mengambil keputusan bahwa terdapat heterogenitas spasial pada model RKU sehingga model GWPCR dapat dilakukan. Berdasarkan hasil pemodelan RKUTG, pengaruh setiap komponen utama bervariasi pada setiap lokasi dan jika dikelompokkan diperoleh 4 kelompok, yaitu kelompok 1 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi oleh PC1 yaitu sebanyak 13 Kabupaten/Kota, kelompok 2 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1 dan PC2 yaitu sebanyak 5 Kabupaten/Kota, kelompok 3 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1 dan PC3 yaitu sebanyak 4 Kabupaten/Kota, dan kelompok 4 yaitu Kabupaten/Kota dengan Head Count Index dipengaruhi PC1, PC2 dan PC3 yaitu sebanyak 4 Kabupaten/Kota. ......Poverty is a problem that is not only influenced by the economic dimension, but can also be influenced by other dimensions such as education, health, and a decent standard of living. Poverty can be measured by the Head Count Index, which is an index that measures the percentage of poor people in a region. The dimensions that explain poverty usually consist of several variables. Therefore, if the research will be modeled using several dimensions, it will contain a large number of variables, which allows for multicollinearity between independent variables. This condition causes the modeling to not be done properly. The problem of multicollinearity in the data being modeled can be overcome using the Principal Component Analysis method. The Principal Component Analysis (PCA) method is performed on the independent variables, so that the main components are obtained, namely the reduction results of the independent variables. These main components are no longer correlated with each other. Furthermore, regression analysis is carried out with these main components as the new independent variables. This model is called Principal Component Regression (RKU). This study uses data related to location or geography or can be called spatial data. After checking the assumptions, there is multicollinearity and spatial heterogeneity in the data. Therefore, to handle these two problems, Geographically Weighted Principal Component Regression (GWPCR) modeling or Geographically Weighted Principal Component Regression (RKUTG) can be used. Before applying the Geographically Weighted Principal Component Regression (RKUTG) method, the Principal Component Analysis method will be used to determine the main components to be used as independent variables or new predictors in this study. There are three main components, each of which explains the Demographic and Clean Water Factors for PC1 or the first main component, the Decent Living Conditions and Inequality Factors for PC2, and the Child Welfare Factor for PC3. Principal Component Regression (RKU) was then conducted with PC1, PC2, and PC3 as predictors and the assumption of spatial heterogeneity of the RKU model was checked. The assumption check makes a decision that there is spatial heterogeneity in the RKU model so that the GWPCR model can be carried out. Based on the results of RKUTG modeling, the influence of each main component varies at each location and if grouped, 4 groups are obtained, namely group 1, namely districts / cities with Head Count Index influenced by PC1, consisting of 13 districts / cities, group 2, namely districts / cities with Head Count Index influenced by PC1 and PC2, consisting of 5 districts / cities, group 3, namely districts / cities with Head Count Index influenced by PC1 and PC3, consisting of 4 districts / cities, and group 4, namely districts / cities with Head Count Index influenced by PC1, PC2 and PC3, consisting of 4 districts / cities.

Abstrak :
Pada paper ini, dilakukan pemilihan feature dari citra RGB (Red-Green-Blue) untuk memprediksi tingkat kemanisan buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (1D-PCA) dan dua dimensi (2D-PCA) untuk mereduksi dimensi citra. Kemudian dilanjutkan dengan proses pengenalan tingkat kemanisan yang dalam paper ini dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Nilai batas tiap kelompok didasarkan pada bentuk histogram nilai TPT. Dari 300 citra buah belimbing diperoleh hasil bahwa secara akurasi, teknik 1D-PCA maupun 2D-PCA memberikan hasil yang relatif sama. Namun dari segi kecepatan, 2D-PCA jauh lebih cepat dibanding 1D-PCA, khususnya pada bagian pembentukan sumbu. Model hubungan tingkat kemanisan sebagai fungsi dari nilai RGB memberikan tingkat determinasi terbesarnya 69.9%. Percobaan menunjukkan bahwa 1D-PCA maupun 2D-PCA mampu menerangkan sekitar 95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan jarak Euclidean untuk pengenalan mampu mengenali buah kelompok manis dengan akurasi 100%. Sedangkan untuk kelompok asam dan sedang teknik yang dilakukan gagal melakukan pengenalan dengan baik

Abstrak :
Stroke adalah penyebab kematian tertinggi di Indonesia. Elektroensefalografi kuantitatif qEEG adalah suatu modalitas untuk mendeteksi stroke pada pasien dengan pemantauan berkelanjutan. Tapi, EEG membutuhkan banyak kanal sehingga semakin lama durasi komputasi dan fitur berlebih. Studi ini mengajukan Extreme Gradient Boosting XGBoost dengan reduksi fitur dan kanal; analisis komponen utama PCA atau algoritma genetik GA . Klasifikasi berdasarkan tingkat keparahan stroke dari nilai National Institutes of Health Stroke Scale NIHSS . Hasil menunjukkan PCA meningkatkan akurasi lebih tinggi dari GA; akurasi pengujian 78.67 dengan 8 kanal F7-F8, C3-C4, T1-T2, O1-O2 . Dari evaluasi nilai NIHSS, kanal-kanal perlu merepresentasikan paling utama lobus temporal dan frontal. ...... Stroke is the most leading cause of death in Indonesia. Quantitative electroencephalography qEEG was one of modality to detect stroke on inward patients with continuous monitoring. However, EEG used many channels that caused longer computation and redundant features. This study proposed Extreme Gradient Boosting XGBoost with feature and channel reduction principle component analysis PCA or genetic algorithm GA . Stroke classification was based on severity from National Institutes of Health Stroke Scale NIHSS . The result showed that PCA gained higher accuracy than GA 78.67 with 8 channels F7 F8, C3 C4, T1 T2, O1 O2 . From NIHSS score evaluation, channels should represent mostly frontal and temporal lobes.