Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu misi pembangunan adalah mewujudkan kualitas hidup manusia Indonesia yang tinggi, maju, dan sejahtera, dengan salah satu agenda prioritasnya meningkatkan kualitas hidup manusia Indonesia. Untuk mengevaluasi terlaksananya misi dan agenda prioritas tersebut diperlukan indikator yang terukur. Hasil evaluasi tersebut dapat dijadikan pertimbangan dalam membuat kebijakan untuk memperbaiki tingkat kesejahteraan. Salah satu pengukuran yang dapat digunakan adalah Indikator Kesejahteraan Rakyat (Inkesra) yang disusun Badan Pusat Statistik (BPS) yang diolah dari data Survei Sosial Ekonomi Nasional (SUSENAS). Indikator ini mengukur kesejahteraan dengan menggunakan pendekatan kebutuhan dasar (basic needs). Untuk mengukur perubahan tingkat kesejahteraan kabupaten/kota, perlu dilakukan analisis perpindahan cluster dari periode ke periode. Salah satu metode yang dapat digunakan untuk melakukan clustering adalah Self-organizing Maps (SOM). Hasil clustering dengan SOM kemudian dapat dianalisis menggunakan Relative Density Self-Organizing Maps (ReDSOM). Variabel yang digunakan pada penelitian ini sebanyak 22 variabel dengan jumlah record 497 kabupaten/kota. Data yang dibandingkan adalah data tahun 2011 dan 2014. Dari hasil penelitian ini terdapat enam cluster pada tahun 2011 dan tujuh cluster pada tahun 2014. Variabel yang berubah secara signifikan pada sebagian besar perpindahan cluster adalah Angka Partisipasi Sekolah. ...... One of the development goal is to improve Indonesian people’s quality of life including welfare. A measurable indicator is needed to evaluate the realisation of the goal. The evaluation results can be used to make beter policy to improve welfare. In Indonesia we can use Welfare Indicator (Indikator Kesejahteraan Rakyat/Inkesra) to measure welfare. This indicator is based on basic needs. This indicator is processed from SUSENAS. To measure welfare improvement, we need to analyze cluster change over periods. A method that can be used clustering is Self-organizing Maps (SOM). Based on clustering result of data from different period, we can analyze cluster change. This research used 22 variables and 497 records. The result of this research is regencies/municipalities in 2011 can be divided into six clusters and seven clusters in 2014. Variable that changed significantly in most of migrated clusters is School Participation.

Abstrak :
Nilai yang hilang adalah nilai yang tidak disimpan dalam variabel tertentu dalam pengamatan. Nilai yang hilang dapat ditemukan dalam data di hampir semua bidang penelitian dan dapat mempersulit analisis data. Self-Organizing Maps (SOM) adalah metode clustering berbasis jaringan saraf yang dapat digunakan sebagai metode imputasi, di mana SOM menyalahkan nilai-nilai yang hilang dengan menggeneralisasi pengamatan mengandung nilai yang hilang. Ensemble Self-Organizing Maps (E-SOM) adalah pengembangan metode imputasi SOM, di mana metode E-SOM diterapkan kerangka ensemble dengan menggunakan beberapa SOM untuk meningkatkan kemampuan generalisasi. Dalam tesis ini metode E-SOM dan SOM diimplementasikan untuk imputasi nilai yang hilang dalam data Penyakit Jantung Afrika Selatan dengan menggunakan 15 ansambel dan berbagai variasi dalam jumlah neuron. Pada data imputasi kedua metode ini kemudian dibentuk oleh model klasifikasi Hutan Acak dan dilakukan evaluasi kinerja model yang dibentuk menggunakan nilai akurasi dalam data pengujian. Hasil evaluasi menunjukkan bahwa untuk model yang terbentuk dari data imputasi E-SOM menghasilkan nilai akurasi yang lebih baik untuk variasi 20, 30, 50, 60, dan 80 neuron dalam klasifikasi data pengujian. Sedangkan untuk variasi 40 neuron, model terbentuk dari data imputasi SOM menghasilkan nilai akurasi yang lebih baik, dan untuk variasi 70 neuron, kedua metode menghasilkan nilai akurasi yang sama. Selain itu, menerapkan berbagai kombinasi variasi dalam jumlah neuron dan jumlah ansambel dalam metode ini imputasi E-SOM. Model Random Forest dihasilkan dari data dari imputasi E-SOM dengan kombinasi 60 neuron dan 5 ansambel menghasilkan nilai akurasi paling optimal.

---

Missing values ​​are values ​​that are not stored in certain variables in the observation. Missing values ​​can be found in data in almost all fields of research and can complicate data analysis. Self-Organizing Maps (SOM) is a neural network based clustering method that can be used as an imputation method, where SOM blames missing values ​​by generalizing observations contains missing values. Ensemble Self-Organizing Maps (E-SOM) is the development of the SOM imputation method, in which the E-SOM method is applied to an ensemble framework by using multiple SOMs to improve generalization capabilities. In this thesis the E-SOM and SOM methods are implemented for the imputation of missing values ​​in South African Heart Disease data with using 15 ensembles and various variations in the number of neurons. In the imputation data the two methods are then formed by the Random Forest classification model and an evaluation of the performance of the model is formed using the accuracy values ​​in the test data. The evaluation results show that the model formed from E-SOM imputation data produces better accuracy values ​​for variations of 20, 30, 50, 60, and 80 neurons in the classification of test data. As for the variation of 40 neurons, the model formed from SOM imputation data produces a better accuracy value, and for the variation of 70 neurons, both methods produce the same accuracy value. Other than that, applying various combinations of variations in the number of neurons and the number of ensembles in this method imputation E-SOM. The Random Forest model is generated from data from the E-SOM imputation with a combination of 60 neurons and 5 ensembles producing the most optimal accuracy value

Abstrak :
"The third edition of Community Organizing and Community Building for Health and Welfare provides new and more established ways to approach community building and organizing, from collaborating with communities on assessment and issue selection to using the power of coalition building, media advocacy, and social media to enhance the effectiveness of such work. Dr. Minkler's course syllabus: Although Dr. Minkler has changed the order of some chapters in the syllabus to accommodate guest speakers and help students prep for the midterm assignment she uses, she arranged the actual book layout in a way that should flow quite naturally if instructors wish to use it in the order in which chapters appear."--Pub. desc. The third edition of Community Organizing and Community Building for Healthand Welfare provides new and more established ways to approach community building and organizing, from collaborating with communities on assessment and issue selection to using the power of coalition building, media advocacy, and social media to enhance the effectiveness of such work. With a strong emphasis on cultural relevance and humility, this collection offers a wealth of case studies in areas ranging from childhood obesity to immigrant worker rights to health care reform. A "tool kit" of appendixes includes guidelines for assessing coalition effectiveness, exercises for critical reflection on our own power and privilege, and training tools such as "policy bingo." From former organizer and now President Barack Obama to academics and professionals in the fields of public health, social work, urban planning, and community psychology, the book offers a comprehensive vision and on-the-ground examples of the many ways community building and organizing can help us address some of the most intractable health and social problems of our times.