Ketepatan waktu lulus mahasiswa menjadi salah satu indikator penilaian kelayakan program studi sebagai unit pelaksana pendidikan pada perguruan tinggi. Mengetahui faktor yang mempengaruhi waktu lulus mahasiswa akan membantu program studi dan dosen dalam mengambil keputusan untuk meningkatkan kuantitas mahasiswa lulus tepat waktu. Tujuan dari penelitian ini adalah untuk mendapatkan gambaran tentang karakteristik mahasiswa yang mempengaruhi ketepatan waktu lulus mahasiswa program studi S1 Matematika dengan menggunakan metode Ensemble Tree. Metode Ensemble tree yang digunakan adalah Bagging CART, dengan harapan dapat menghasilkan performa klasifikasi yang tinggi dan gambaran kharateristik mahasiswa yang baik. Data yang digunakan adalah data mahasiswa program studi S1 Matematika dari tahun 2010 sampai dengan 2019. Kebaikan klasifikasi dilihat dari nilai Accuracy, Sensitivity dan Specificity. Metode pohon klasifikasi tunggal (CART) memberikan nilai Accuracy sebesar 82.1% , sensitivity sebesar 68.2 % dan specificity sebesar 91.2 %. Sedangkan dengan metode Bagging CART diperoleh Accuracy sebesar 85.7% , sensitivity sebesar 77.3 % dan specificity sebesar 91.2 %. Berdasarkan perbandingan nilai akurasi yang diperoleh dapat disimpulkan bahwa menerapkan metode Bagging pada pohon klasifikasi tunggal CART dapat meningkatkan performa klasifikasi.
Kebersihan lingkungan pantai menjadi salah satu hal penting agar pantai menjadi menarik di mata para pengunjung atau wisatawan. Namun, di pantai panjang kota bengkulu masih ditemukan sampah-sampah bertebaran. Sampah-sampah tersebut berasal dari limbah rumah tangga dan juga aktivitas pengunjung di pantai. Untuk menanggulangi hal tersebut salah satu kegiatan yang dapat dilakukan oleh mahasiswa dan dosen adalah dengan melakukan gerakan lingkungan bersih dan asri. Tujuan kegiatan ini adalah untuk mengurangi sampah-sampah yang berserakan dan menimbulkan rasa peduli lingkungan. Berdasarkan kegiatan yang dilakukan dapat dilihat mahasiswa dan beberapa masyarakat setempat sangat antusias berpartisipasi dalam kegiatan.
Luas area kebakaran hutan dapat diduga berdasarkan datameteorologi antara lain koordinat sumbu x spasial suatu lokasi dalampeta, koordinat sumbu y spasial suatu lokasi dalam peta, bulan, hari, in-deks FFMC, indeks DMC, indeks DC, indeks ISI, temperatur, kelemba-ban relatif, kecepatan angin dan curah hujan. Pendugaan terhadap luasarea kebakaran hutan dapat diduga dengan menggunakan pendekatanMultivariate Adaptive Regression Spline(MARS). Data yang digunakanadalah data meteorologi wilayah Portugal. Hasil pendugaan luas areakebakaran hutan dengan menggunakan MARS menghasilkan beberapavariabel yang berpengaruh secara signikan yaitu : FFMC, hari, temper-atur, DMC, kelembaban relatif, bulan, koordinat sumbu y spasial suatulokasi dalam peta, DC, dan koordinat sumbu x spasial suatu lokasi dalampeta dengan tingkat kepentingan berturut-turut 100%, 90.9%, 73.5%,34.5%, 25,1%,23.1%, 19.6%, 17.9% dan 5.7%.
The development of oil palm nurseries in Bengkulu is constrained by plant media, such as ultisol soil, which has low nutrients. Nutrients in ultisol can be equipped by organic matters such as manure and liquid organic fertilizer (LOF). Moreover, the light intensity also could affect seeds growth. This research aimed to determine the improvement of oil palm in pre-nursery as affected by LOF, types of manure application, and shade to obtain the best treatment combination. The research was conducted from June until September 2021 in Beringin Raya, Bengkulu city. The study was arranged in a split-plot design in a completely randomized block design consisting of 3 factors with three replications. The main plot was shade percentage ((N1=50% dan N2=75%), the subplot was liquid organic fertilizer doses ((B1=0%, B2=5% and B3=10%), the sub subplot was the types of manure (P1=cow manure, P2=chicken manure, P3=goat manure, and P4= without manure). The observation was made on the growth components of oil palm seedlings until 3.5 months. There was an interaction between shade, LOF, and types of manure to the number of leaves. There was no interaction between LOF and types of manure. The shade did not affect the growth factors of the seeds. Applying 10% LOF can improve the growth of oil palm seedlings. Chicken manure has the highest variable value on the hump diameter and the number of leaves seedlings.
Provinsi Bengkulu merupakan wilayah yang sangat dekat dengan subduksi lempeng Eurasia dan Indo-Australia, hal ini mengakibatkan provinsi Bengkulu menjadi daerah yang rawan terjadinya bencana gempa bumi. Prediksi mengenai banyak kejadian dan rata-rata magnitudo gempa sangat menarik untuk di teliti. Penelitian mengenai analisis gempa bumi telah banyak dilakukan salah satunya dengan metode data mining yaitu Jaringan Saraf Tiruan. Tujuan dari penelitian ini adalah memperoleh arsitektur jaringan terbaik yang diterapkan pada data frekuensi kejadian dan rata-rata magnitudo gempa bumi per bulan di Provinsi Bengkulu. Kriteria pemilihan arsitektur jaringan terbaik dilakukan dengan membandingkan nilai RMSE dan MAE setiap kemungkinan arsitektur yang terbentuk. Hasil prediksi rata-rata magnitudo per bulan yang dimodelkan dengan arsitektur 1-3-1 lebih baik dibandingkan dengan arsitektur 12-3-1.
Red chili occupies a strategic position in the Indonesian economic structure because its use applies to almost all Indonesian dishes. Therefore, controlling the price of red chili is anecessity to maintain national economic stability. The purpose of this research is to forecast a red chili weekly price using ARIMA and SSA based on the weekly data of chili prices from January 2016 - December 2019 sourced from Statistics Indonseia (BPS) Branch Office of Bengkulu Province. The data have been analyzed using software R. Based on MAPE, ARIMA (2,1,2) provides the best forecasting with value 0.49% while SSA 10.64%.
Poverty is a global problem that is of concern to the world. It can be seen from the SDGs declaration, which makes poverty a top priority. Good poverty management will help solve other world problems such as hunger, health, welfare, education, and sanitation. To achieve the goal of handling poverty quickly and maximally, an analysis that can identify poor households correctly can be designed so that a targeted program can be designed according to the characteristics of households classified as poor households. One of the statistical methods used to see these characteristics is a classification tree such as the Classification and Regression Tree (CART). The weakness of the cart method if there is an unbalanced dataset type can be overcome by the SMOTE method. In addition to the CART method, classification will be carried out using Random Forest and Xgboost. The results show that the random forest CART model has the highest AUC value in balanced data. It is indicated that this method is better than the others. Based on random forest, variables that determine the most determined poor households are number of household members, last diploma of the head of the home, and floor area of the house.
Multikolinieritas adalah kondisi terdapat hubungan linier antar variabel independen, dimana diantara variabel independen tersebut saling berkorelasi. Akibatnya akan sulit untuk melihat pengaruh variabel independen terhadap variabel dependen. Penanganan multikolinieritas salah satunya dapat dilakukan menggunakan teknik regularisasi yaitu bentuk regresi yang mengatur atau menyusutkan perkiraan koefisien menuju nol. Teknik regularisasi yang akan dibahas pada penelitian adalah regresi ridge, LASSO dan elastic net. Regresi ridge hanya dapat menyusutkan koefisien regresi menuju angka 0, tetapi tidak pernah tepat ke angka 0. Regresi elastic net dapat menyusutkan koefisien regresi tepat nol, melakukan seleksi variabel secara simultan dan dapat memilih kelompok peubah yang berkorelasi. Sedangkan, regresi LASSO hanya dapat menyusutkan koefisien dan menetapkan koefisien ke angka 0. Oleh karena itu, LASSO dapat menghasilkan model dengan variabel terbaik. Namun, LASSO memiliki beberapa kelemahan. Ketika jumlah variabel independent lebih kecil dibanding jumlah amatan, kinerja LASSO lebih didominasi oleh ridge. Ketika jumlah variabel independent lebih besar dibanding jumlah amatan, maka LASSO hanya memilih n variabel yang diikutkan dalam model. Sehingga, untuk mengatasi high dimensional data yang mengandung multikolinieritas dilakukan penelitian menggunakan teknik regularisasi regresi ridge, LASSO dan elastic net untuk dibandingkan kebaikan modelnya berdasarkan nilai MSE terkecil. Data yang digunakan merupakan data simulasi dan studi kasus dari website resmi BPS serta UCI machine learning repository. Disimpulkan bahwa dari 30 pengacakan, model ridge baik memodelkan dataset dengan p = 20, 40, dan 80 atau kondisi dataset dimana jumlah variabel independent lebih kecil dibanding jumlah amatan dan elastic net baik memodelkan dataset dengan p = 100, 160, dan320.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.