Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teluk Jakarta merupakan salah satu daerah pesisir dengan aktivitas manusia yang tinggi menghasilkan limbah industri dan limbah domestik berupa kandungan logam berat, kista dinoflagellata yang dapat menyebabkan peristiwa Harmful Algal Bloom (HAB). Penelitian ini bertujuan untuk menganalisis distribusi dan kelimpahan kista dinoflagellate beserta kandungan logam berat dalam sedimen, juga kelimpahan dinoflagellata di air. Sampel sedimen dan air diambil dari 12 titik di Teluk Jakarta. Dinoflagellata genus Noctiluca memiliki kelimpahan yang tinggi dan mendominasi sebagian besar titik pengambilan sampel di perairan Teluk Jakarta (43.382.873 sel/m3). Kista dinoflagellata Alexandrium memiliki kelimpahan yang paling tinggi dengan distribusi luas meliputi ke seluruh titik sampling (53 sel/gram). Korelasi antara kandungan logam berat tembaga (Cu) dengan kelimpahan kista Alexandrium menunjukkan korelasi negatif di semua lokasi penelitian kecuali di Muara Baru. Korelasi kandungan logam berat seng (Zn) dengan kista Alexandrium menunjukkan korelasi positif di semua lokasi penelitian kecuali di Ancol. Ada korelasi positif antara faktor turbiditas dengan kelimpahan kista Alexandrium dan DO dengan kelimpahan kista Alexandrium. Korelasi negatif dan positif ditemukan antara faktor salinitas, suhu dan pH dengan kista Alexandrium.

---

Jakarta Bay is one of the coastal areas with high human activity producing industrial waste and domestic waste in the form of heavy metal content, dinoflagellate cysts which can cause Harmful Algal Bloom (HAB) events. This study aims to analyze the distribution and abundance of dinoflagellate cysts along with heavy metal content in sediments, as well as the abundance of dinoflagellates in water. Sediment and water samples were taken from 12 points in Jakarta Bay. Noctiluca dinoflagellates have a high abundance and dominate most of the sampling points in the waters of Jakarta Bay (43.382.873 cell/m3). Alexandrium dinoflagellate cysts have the highest abundance with a wide distribution over all sampling points (53 cell/gram). Correlation between heavy metal copper (Cu) content and abundance of Alexandrium. showed a negative correlation at all study locations except in Muara Baru. The correlation of zinc (Zn) content with Alexandrium cysts showed a positive correlation in all study locations except Ancol. There is a positive correlation between turbidity factor and Alexandrium cyst abundance and DO and Alexandrium cyst abundance. Negative and positive correlations were found between salinity, temperature and pH factors with Alexandrium."

"ABSTRACTIntensive Care Unit (ICU) merupakan salah satu pelayanan terpenting di rumah sakit karena itu perlu ditingkatkan dan dievaluasi secara berkala. Pengukuran kualitas pelayanan ICU di rumah sakit dapat dilihat dari tingkat kepuasan keluarga pasien yang menjaga pasien di ICU terkait. Pada penelitian ini tingkat kepuasan keluarga pasien akan dinilai terhadap pelayanan dokter, pelayanan perawat, biaya pelayanan kesehatan, pelayanan medis, pelayanan administrasi, dan fasilitas. Akan dianalisis perbedaan mean tingkat kepuasan antara pengguna BPJS dan non-BPJS dan perbandingan tingkat kepuasan keluarga pasien ICU antar rumah sakit tipe A di Jakarta, serta faktor-faktor demografi yang mempengaruhi tingkat kepuasan keluarga pasien ICU. Data diperoleh dari 150 responden pada 8 rumah sakit tipe A di Jakarta. Metode analisis yang digunakan adalah Uji Mann-Whitney, Partial Least Square (PLS), dan Net Promoter Score (NPS). Hasil analisis data menunjukkan bahwa tingkat kepuasan keluarga pasien ICU yang menggunakan BPJS berbeda dengan tingkat kepuasan keluarga pasien ICU yang menggunakan non-BPJS hanya pada tingkat pelayanan administrasi. Faktor yang mempengaruhi tingkat kepuasan keluarga pasien ICU terhadap perlakuan dokter dan perawat adalah lama waktu perawatan sedangkan adanya rujukan menjadi faktor yang mempengaruhi tingkat kepuasan keluarga pasien ICU terhadap biaya dan pelayanan administrasi. Rumah Sakit S menjadi rumah sakit yang diberi penilaian tertinggi secara keseluruhan oleh para responden.

---

ABSTRACTIntensive Care Unit (ICU) is one of the best central services in the hospital that should be improved and evaluated periodicly. When measuring the ICU service in the hospital, patient family satisfaction level is one of the indicator. In this study patient family satisfaction level is rated by the doctor services, the nurse services, the medical services fee, the medical services, the administration services, dan facility. This study aimed to analysis the differences about mean of satisfaction level between patient with BPJS and Non-BPJS and to compare the ICU patient family satisfaction between the type A hospitals in Jakarta, also to identify factors that affect the patient family satisfaction level also. The collected data is 150 respondents from 8 type A hospitals in Jakarta. The methods that will be used in this study are Mann-Whitney Test, Partial Least Square (PLS), and Net Promoter Score (NPS). The results of this study claimed that the ICU patient family satisfaction level with BPJS is different with The ICU patient family satisfaction level with Non-BPJS towards the administration services only. The factor that give an affect to the ICU patient family satisfaction towards the doctor and the nurse services is the length of treatment while reference letter is the factor that affect the ICU patient family satisfaction towards the medical services fee and the administration services. Hospital S is the best hospital for the respondents."

"ABSTRACTKanker serviks adalah salah satu penyebab kematian wanita terbanyak di Indonesia. Kanker serviks memiliki progresi yang lambat, sehingga pada beberapa kasus kanker serviks masih dapat disembuhkan. Maka dari itu, pendeteksian dini sangat diperlukan untuk dapat mengetahui pengobatan yang tepat. Berbagai metode machine learning telah digunakan untuk mengklasifikasi kanker serviks karena kemampuannya untuk mendiagnosis secara efektif. Pada penelitian ini digunakan metode klasifikasi Gauss-Newton Representation Based Algorithm (GNRBA). Pengukuran jarak Euclidean digunakan dalam pemilihan data training. Data yang digunakan adalah data faktor risiko Hospital Universitario de Caracas yang diambil dari Kaggle dataset. Kami menggunakan 4 label tes kanker serviks sebagai variabel target klasifikasi. Berdasarkan hasil uji coba, klasifikasi kanker serviks dengan metode GNRBA mencapai akurasi tertinggi 95,35%, sehingga metode GNRBA dapat menjadi salah satu alternatif untuk membantu praktisi medis dalam mendeteksi kanker serviks.

---

ABSTRACTCervical cancer is one of woman leading cause of death disease in Indonesia. Cervical cancer has slow progression, in some cases it can be prevented by effective treatment. So, timely detection is important to know the effective treatment. Machine learning techniques are being largely use to classify cervical cancer because of its precision and its capability to diagnose effectively. In this research, to identify the classification of cervical cancer, we have proposed a Gauss-Newton Representation Based Algorithm (GNRBA) methods. Euclidean distance measure is used in the subset selection for training samples. This GNBA method is examined on the Hospital Universitario de Caracas cervical cancer database from Kaggle dataset. We have used 4 cervical cancer test labels as the target variables of cervical cancer classification. The experimental results show that the proposed GNRBA method give the 93% accuracy. So, GNRBA method could be an alternative for helping the clinical experts to classify cervical cancer."

"

Keberhasilan ekonomi merupakan suatu indikator yang baik dari sebuah masyarakat yang kaya. Meskipun demikian, ada banyak faktor lain yang memengaruhi kekayaan dan kesejahteraan masyarakat suatu negara seperti tingkat kebebasan pribadi, lingkungan hidup, dan pendidikan, yang merupakan elemen penting dalam menciptakan suatu masyarakat yang makmur. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang membentuk kemakmuran 149 negara di dunia selama tahun 2018. Dalam penelitian ini 74 variabel yang diambil dari Legatum Prosperity IndexTM digunakan, kecuali variabel-variabel yang berasal dari Gallup World Poll karena ketidaktersediaan data. Data dianalisis menggunakan Analisis Faktor, dan direduksi menjadi 13 faktor yang menggambarkan tentang berbagai aspek penting dalam kehidupan. Seratus empat puluh sembilan negara tersebut dikelompokkan berdasarkan skor faktor masing-masing negara menggunakan pengklasteran metode Ward menjadi 4 kelompok berbeda dengan masing-masing klaster beranggotakan negara-negara yang memiliki karakteristik yang serupa. Diperoleh bahwa Klaster 1 merupakan kelompok negara-negara yang secara keseluruhan makmur, Klaster 2 merupakan kelompok negara-negara yang cukup makmur dalam hal masyarakat yang inklusif, Klaster 3 merupakan kelompok negara-negara dengan tingkat kemakmuran yang cukup, dan Klaster 4 merupakan kelompok negara-negara yang cukup makmur dalam hal masyarakat yang berdaya serta ekonomi yang bebas.

---

Economic achievement is a good indicator of a wealthy society. Nevertheless, there are many other factors that affect in shaping the wealth and well-being of the people in a country, such as the level of personal freedom, the environment, and education which are important elements in creating a prosperous society. The aim of this study is to identify the factors that shape the prosperity of 149 countries in the world during 2018. In this study 74 variables taken from the Legatum Prosperity IndexTM are used, excluding variables originating from the Gallup World Poll due to data unavailability. The data is reduced using Factor Analysis into 13 factors that describe various aspects of life. The 149 countries are clustered based on their factor scores using Wards Clustering into 4 distinct groups of countries with similar features. It is revealed that Cluster 1 consists of countries that are overall prosperous, Cluster 2 consists of countries that are quite prosperous in terms of an inclusive society, Cluster 3 consists of countries with sufficient levels of prosperity, and Cluster 4 consists of countries that are quite prosperous in terms of an empowered society and a free economy.

"

"Skripsi ini membahas tentang analisis pola hubungan faktor demografi, kebutuhan korban gempa, tingkat trauma dan tingkat keinginan bangkit dari korban gempa Palu September 2018. Pengujian dilakukan dengan metode analisis jalur. dari Partial Least Squares (PLS) dengan variabel moderator. Tingkat trauma korban gempa mempengaruhi keinginan mereka untuk bangkit. Semakin tinggi tingkat trauma korban gempa, maka semakin tinggi pula keinginan korban gempa untuk bangkit. Jenis kelamin dan kebutuhan korban akan makanan (makanan dan minuman) serta barang-barang rumah tangga mempengaruhi tingkat trauma. Wanita memiliki kecenderungan lebih besar untuk mengalami trauma dibandingkan pria. Korban yang merasa membutuhkan peralatan rumah tangga untuk menghadapi kondisi pascabencana memiliki tingkat trauma yang lebih rendah dibandingkan dengan korban yang tidak membutuhkan peralatan rumah tangga. Di sisi lain, korban yang membutuhkan makan dan minum memiliki tingkat trauma yang lebih tinggi dibandingkan dengan yang merasa tidak membutuhkan. Perlunya pendampingan masyarakat mempengaruhi tingkat keinginan untuk bangkit dari korban gempa dan kebutuhan pendampingan pemerintah berperan sebagai variabel moderasi yang mempengaruhi kekuatan dan hubungan antara tingkat trauma dan tingkat keinginan untuk bangkit dari korban gempa Palu. gempa bumi September 2018.

---

This thesis discusses the analysis of the relationship pattern of demographic factors, the needs of earthquake victims, the level of trauma and the level of desire to rise from the victims of the Palu earthquake of September 2018. The test was carried out using the path analysis method. from Partial Least Squares (PLS) with moderator variables. The trauma level of the earthquake victims affected their desire to rise. The higher the trauma level of the earthquake victims, the higher the desire of the earthquake victims to get up. The victim's gender and needs for food (food and drink) and household items affect the level of trauma. Women are more likely to experience trauma than men. Victims who felt they needed household equipment to deal with post-disaster conditions had a lower trauma rate than victims who did not need household appliances. On the other hand, victims who needed to eat and drink had a higher level of trauma than those who felt they did not. The need for community assistance affects the level of desire to rise from earthquake victims and the need for government assistance acts as a moderating variable that affects the strength and relationship between the level of trauma and the level of desire to rise from the Palu earthquake victims. the September 2018 earthquake."

"Coronavirus Disease (COVID-19) adalah penyakit baru yang melanda dunia tahun 2020.Penyakit ini diperkirakan berasal dari Wuhan, China (Rothan HA, 2020). WHOmenetapkan COVID-19 sebagai pandemi karena penyakit ini telah berhasil menginfeksilebih dari 190 negara di dunia. DKI Jakarta adalah Ibu Kota di Indonesia yang turutmenjadi salah satu Provinsi dengan kasus konfirmasi positif COVID-19 tertinggi sampaiakhir Juli 2020. Penelitian ini bertujuan untuk memodelkan rate kasus COVID-19 pada15 kecamatan Jakarta dengan intensitas tertinggi. Alasan dipilihnya 15 kecamatan denganintensitas tertinggi untuk menjadi area penelitian karena lebih dari 63,43% kasuskonfirmasi COVID-19 dilaporkan dari 15 kecamatan, yakni Kecamatan Gambir,Menteng, Sawah Besar, Kemayoran, Taman Sari, Senen, Tanah Abang, Johar Baru,Tambora, Grogol Petamburan, Cempaka Putih, Pademangan, Setia Budi, Matraman, danPalmerah. Rate kasus COVID-19 pada area ini kemudian dibuat model GSTAR, modelini merupakan salah satu pemodelan dalam time seriesstokastik yang mempertimbangkanindeks spasial atau lokasi dan waktu (Budi, 2019). Matriks bobot biner, matriks bobotseragam, dan matriks bobot jarak pada penelitian ini dibentuk sebagai matriks dependensispasial antar lokasi atau disebut matriks bobot W. Hasil identifikasi STACF dan STPACFuntuk semua matriks pembobot spasial didapatkan model yang sama, yaitu GSTAR(3,1).Pendugaan parameter model GSTAR(3,1) dilakukan untuk setiap matriks pembobottersebut. Model GSTAR(3,1) yang terbaik diperoleh berdasarkan matriks pembobotjarak, dengan RMSE terkecil yaitu 0.1271.

---

Coronavirus Disease (COVID-19) is a new disease that hit the world in 2020. This disease

is thought to have originated in Wuhan, China (Rothan HA, 2020). WHO has designated

COVID-19 as a pandemic because this disease has successfully infected more than 190

countries in world. DKI Jakarta is the capital city in Indonesia which is also one of the

provinces with the highest positive confirmed cases of COVID-19 until the end of July

2020. This study aims to model the level of COVID-19 cases in 15 sub-districts of DKI

Jakarta with the highest intensity. The reason for choosing 15 sub-districts with the

highest intensity to be the research area was because more than 63.43% of confirmed

COVID-19 cases were reported from 15 sub-districts, that is Gambir, Menteng, Sawah

Besar, Kemayoran, Taman Sari, Senen, Tanah Abang, Johar Baru Districts , Tambora,

Grogol Petamburan, Cempaka Putih, Pademangan, Setia Budi, Matraman, and Palmerah.

Rate of COVID-19 cases in this area is then made a GSTAR model, this model is one of

the models in a stochastic time series that considers spatial index or location and time

(Budi, 2019). The binary weight matrix, uniform weight matrix, and distance weight

matrix in this study were formed as a spatial dependency matrix between locations or

called the W weight matrix. The results of STACF and STPACF services for all spatial

weighting matrices obtained the same model, that is GSTAR (3,1). Estimation of

parameters of the GSTAR model (3,1) is carried out for each weighting matrix. The best

GSTAR (3,1) model is based on a distance weighted matrix, with an RMSE of 0.1271"

"Analisis competing risk merupakan bentuk khusus dari analisis survival yangmenggunakan lebih dari satu event yang diamati dalam suatu waktu. Pendekatan yangpaling populer untuk analisis competing risk adalah dengan Cumulative IncidenceFunction (CIF). CIF menggabungkan pendekatan product-limit dan sebab-akibat yangbersaing. Model Fine-Gray merupakan model hazard proporsional untuk pemodelanCIF dengan kovariat atau variabel dan menjadikan kurva CIF sebagai fungsisubdistribusi.Preeklamsia adalah suatu kondisi yang terkadang terjadi pada ibu hamil. Kondisi inimerupakan komplikasi kehamilan yang ditandai dengan peningkatan tekanan darahdisertai protein dalam urin (proteinuria). Pada studi tentang preeklamsia sebelumnyatelah menggunakan beberapa metode, yaitu mulai dari analisis regresi logistik biner,lalu dilanjutkan dengan analisis regresi logistik multivariat, hingga analisis survival.Namun, studi-studi terdahulu ini belum dapat memprediksi ketika ibu hamil memilikiresiko bersaing untuk mengalami preeklamsia atau tidak pada suatu waktu tertentu.Penelitian ini bertujuan untuk memprediksi subdistribusi hazard atau dalam artiprobabilitas mengalami suatu kejadian pada suatu waktu, mengingat bahwa belum adakejadian lainnya yang terjadi atau bahwa kejadian yang bersaing terjadi sebelum suatuwaktu tersebut. Dalam kasus preeklamsia ini, subdistribusi hazard-nya yaitu tingkatkejadian sesaat dari ibu hamil yang mengalami preeklamsia dengan kejadian bersaingnon-preeklamsia. Penelitian ini menggunakan data sekunder dari salah satu rumah sakitdi Jakarta divisi obstetri dan ginekologi. Pengukuran yang digunakan meliputikarakteristik maternal, pengukuran biofisik dan biokimia.Hasil pada penelitian ini adalah konstruksi model Fine-Gray pada analisis competingrisk dan dapat mengidentifikasi faktor-faktor risiko preeklamsia pada ibu hamil diIndonesia dengan metode regresi Fine-Gray.

---

Competing risk analysis is a special form of survival analysis that uses more than one

event that is observed at a time. The most popular approach to competing risk analysis

is the cumulative incidence Function (CIF). CIF combines a competitive product-limit

and cause-and-effect approach. The Fine-Gray model is a proportional hazard model for

CIF modeling with covariates or variables and makes the CIF curve a subdistribution

function.

Preeclampsia is a condition that sometimes occurs in pregnant women. This condition is

a complication of pregnancy characterized by increased blood pressure accompanied by

protein in the urine (proteinuria). Preeclampsia is the highest cause of maternal death in

Indonesia. Nevertheless, preeclampsia mortality can be reduced by early detection of

risk factors through prenatal care at least six times during pregnancy. Previous studies

on preeclampsia have used several methods, starting from binary logistic regression

analysis, followed by multivariate logistic regression analysis, to survival analysis.

However, these previous studies have not been able to predict when pregnant women

have a competing risk of developing preeclampsia or not at a certain time.

This study aims to predict the hazard subdistribution or in terms of the probability of

experiencing an event at a time, given that no other event has occurred or that a

competing event occurred before that time. In this case of preeclampsia, the hazard

subdistribution is the transient incidence rate of pregnant women experiencing

preeclampsia with competing events of non-preeclampsia. This study uses the Fine-

Gray regression approach, with competing incidences of pregnant women with

preeclampsia and without preeclampsia. This study was utilizing secondary data

obtained from a hospital in Jakarta, obstetrics and gynecology division. The

measurements used include maternal characteristics, biophysical and biochemical

measurements.

The result of this study is the construction of the Fine-Gray model on competing risk

analysis and can identify risk factors for preeclampsia in pregnant women in Indonesia

using the Fine-Gray regression method."

"Perkembangan teknologi di Indonesia tengah mengalami kemajuan yang pesat. Salah satu kemajuan teknologi yang sedang marak adalah munculnya situs atau aplikasi jual beli. Kemunculan ini mampu membuat masyarakat dengan mudah berbelanja maupun berjualan hanya dengan mengakses situs ataupun aplikasi jual beli melalui perangkat pintar. Namun, kemudahan yang didapatkan juga memiliki sisi negatif, yaitu dapat menyebabkan masyarakat cenderung berperilaku impulsif saat berbelanja. Konsumen yang memiliki perilaku ini membeli suatu barang atau jasa dengan spontan tanpa pertimbangan. Perilaku online impulsive buying dapat dipengaruhi oleh berbagai faktor, salah satunya adalah faktor intrinsik konsumen. Selain itu, individu yang cenderung berperilaku impulsif saat berbelanja umumnya berusia 18 sampai dengan 39 tahun, yang mana termasuk dalam fase dewasa awal. Oleh karena itu, dalam penelitian ini akan diteliti lebih lanjut mengenai faktor-faktor intrinsik yang dapat memengaruhi perilaku pembelian impulsif pada individu yang telah memasuki usia dewasa awal. Pengambilan sampel dilakukan dengan menyebarkan kuesioner kepada mahasiswa FMIPA UI menggunakan metode purposive sampling dan terdapat 396 sampel berdasarkan the 10-times rule. Peneliti menggunakan metode Partial Least Square (PLS) dan Multi-Group Analysis Partial Least Square (MGA-PLS) dalam penyelesaian masalah penelitian, serta bootstrap untuk mengevaluasi inner model. Hasil penelitian menunjukkan kepribadian neuroticism, materialism, shopping enjoymet tendency, dan impusive buying tendency berpengaruh secara signifikan terhadap online impulsive buying behavior. Selain itu, tidak terdapat perbedaan pengaruh diantara setiap kategori dalam variabel demografi jenis kelamin, domisili, dan pendapatan mahasiswa.

---

Technological developments in Indonesia are currently experiencing rapid progress. One of the technological advances that is currently popular in Indonesia is the emergence of buying and selling sites or applications. This emergence makes it easier for people to shop or sell by simply accessing buying and selling sites or applications through smart phone. However, this convenience also has a negative side, which can cause people tend to behave impulsively when shopping. Consumers who have this behavior buy an item or service spontaneously without consideration. Online impulsive buying behavior can be affected by various factors, one of which is the consumer's intrinsic factor, that is big five personality traits, culture, materialism, shopping enjoyment tendency, and impulsive buying tendency. Individuals who tend to behave impulsively when shopping are usually aged 18 to 39 years, which is in the early adult phase. Therefore, this study will examine further about the intrinsic factors that can influence impulsive buying behavior in individuals who have entered early adulthood. Sampling was carried out at the Faculty of Mathematics and Natural Sciences, University of Indonesia by distributing questionnaires to students who fit the required criteria using a purposive sampling method and there are 396 samples whose number is determined by the 10-times rule. Researchers use Partial Least Square and Multi-Group Analysis methods to solve this research problem, and bootstrap to evaluate the inner model. The results showed that the personality of neuroticism, materialism, shopping enjoyment tendency, and impulsive buying tendency had a significant effect on online impulsive buying behavior. There is no difference in the influence between each category in the demographic variables of gender, domicile, and student income."

"Tuberkulosis adalah penyakit menular yang termasuk kedalam sepuluh peringkat penyebab kematian tertinggi di dunia, sebagai contoh di Indonesia. Oleh karena itu, perlu diketahui faktor-faktor apa saja yang memengaruhi jumlah kasus tuberkulosis. Jumlah kasus tuberkulosis sebagai variabel dependen merupakan data cacah yang umumnya dianalisis menggunakan Regresi Poisson. Namun, adanya asumsi equidispersi yang harus dipenuhi pada Regresi Poisson maka Regresi Generalized Poisson dan Regresi binomial negatif dapat digunakan sebagai alternatif apabila asumsi equidispersi tidak terpenuhi. Aspek spasial dapat diperhatikan, sehingga pemodelan Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression juga dilakukan. Keempat model itu dibangun untuk mengetahui apakah ada hubungan jumlah kasus tuberkulosis di Pulau Jawa pada tahun 2020 dengan faktor-faktor yang diperkirakan memengaruhinya. Variabel independen yang digunakan adalah kepadatan penduduk, persentase balita diberikan imunisasi BCG, persentase penduduk miskin, persentase sarana air minum memenuhi syarat, persentase kartu keluarga dengan akses sanitasi layak, persentase tempat-tempat umum yang memenuhi syarat kesehatan, dan persentase tempat pengelolaan makanan yang memenuhi syarat higienis. Dari penelitian ini, diketahui bahwa model terbaik untuk memodelkan data adalah GWNBR dengan diperoleh 2 kelompok variabel independen signifikan. Sebanyak 7 variabel independen signifikan secara statistik di 88 kabupaten/Kota dan 6 variabel independen signifikan secara statistik di 12 kabupaten/Kota.

---

Tuberculosis is an infectious disease and one of the world's top 10 highest causes of mortality, for example, in Indonesia. Based on this fact, it’s necessary to know what factors influence number of tuberculosis cases. The number of tuberculosis cases as dependent variable is a count data that generally analyzed using Poisson regression. However, equidispersion assumption must be met, so Generalized Poisson Regression and Negative Binomial Regression are applied if the assumption is not met. Spatial aspects can be considered so Geographically Weighted Generalized Poisson Regression and Geographically Weighted Negative Binomial Regression were also conducted. Four models were built to evaluate relationship between number of tuberculosis cases and factors affecting it in Java in 2020. The explanatory variables are population density, percentage of children receiving BCG immunization, percentage of poor people, percentage of eligible drinking water facilities, percentage of family cards with access to proper sanitation, percentage of public places meet health requirements, and percentage of food management places meet hygienic requirements. This study shows that the best model for modeling the data is GWNBR with 2 groups of significant explanatory variables. Seven explanatory variables are statistically significant in 88 districts and six explanatory variables statistically significant in 12 districts."

"Kualitas hidup adalah suatu payung yang melingkupi variasi konsep fungsional, status kesehatan, persepsi, kondisi kehidupan, gaya hidup, dan kebahagiaan. Indikator dalam mengukur kualitas hidup terbagi menjadi dua, yakni indikator subjektif dan indikator objektif. Indikator subjektif berkaitan langsung dengan berbagai pengalaman yang seseorang alami dalam hidupnya. Di sisi lain, indikator objektif dikaitkan dengan wujud kepemilikan berbagai material atau faktor eksternal yang mempengaruhi berbagai pengalaman seseorang dalam menjalani kehidupannya. Pada penelitian ini, indikator objektif dipilih sebagai alat ukur kualitas hidup yang mencakup karakteristik sosial, ekonomi, kesehatan, dan lingkungan. Data yang digunakan dalam penelitian terdiri dari dua jenis data, yakni data numerik dan kategorik. Data yang digunakan merupakan data sekunder berisikan indikator objektif kualitas hidup di 82 negara pada tahun 2020. Adapun metode yang digunakan adalah algoritma K-prototypes dan Two Step Cluster (TSC) yang merupakan bagian dari metode pengelompokan nonhierarki dan hierarki serta dapat menangani data bertipe campuran (numerik dan kategorik). Hasil dari penelitian ini menunjukkan bahwa algoritma K-prototypes merupakan metode yang memberikan hasil lebih baik dalam mengelompokkan data penelitian dibandingkan algoritma TSC dengan nilai koefisien Silhouette sebesar 0,577, yang bermakna bahwa kelompok yang terbentuk telah memiliki struktur yang baik. Kelompok optimal yang terbentuk adalah sebanyak 2 kelompok yang disusun oleh 40 negara pada Kelompok 1 dan 42 negara pada Kelompok 2. Kelompok 2 cenderung memiliki profil kualitas hidup yang lebih baik dibandingkan Kelompok 1.

---

Quality of life is a phrase that covers a variety of functional concepts, health status, perception, living conditions, lifestyle, and happiness. Indicators in measuring quality of life are divided into two, namely subjective indicators and objective indicators. Subjective indicators are measured based on various experiences that people went through in life. On the other hand, objective indicators are measured based on various materials or external factors that affect a person's experiences in everyday life. In this study, objective indicators were chosen as quality measurement tools based on social, economic, health, and environmental characteristics. The data used in the study consisted of two types of data, namely numerical and categorical data. The data is secondary data containing objective indicators of quality of life in 82 countries in 2020. The method used in this research is the K-prototypes and Two Step Cluster (TSC) algorithm which is part of the non-hierarchical and hierarchical grouping method and can handle mixed-type data. The results of this study indicate that the K-prototypes algorithm is a method that gives better results than the TSC algorithm with a silhouette coefficient value of 0.577, which means that the formed group already has a good structure. The optimal groups formed are 2 groups composed of 40 countries in Group 1 and 42 countries in Group 2. Group 2 tends to have a better quality of life profile than Group 1."