Article Per Year (5 Year)
p-Index From 2020 - 2025
2.826
P-Index
This Author published in this journals
All Journal UNEJ e-Proceeding JURNAL PENGABDIAN KEPADA MASYARAKAT IJISTECH (International Journal Of Information System & Technology) Jurnal Saintika Unpam : Jurnal Sains dan Matematika Unpam Jurnal Pengabdian Masyarakat Bumi Raflesia Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika IJISTECH Jurnal Difusi Industrial Research Workshop and National Seminar Tedc STATISTIKA
Euis Sartika
Politeknik Negeri Bandung
Religion Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Veterinary Other

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Tedc

 1 
PERBANDINGAN HASIL KLASIFIKASI ANALISIS DISKRIMINAN DAN REGRESI LOGISTIK RESPON BINER PADA PENGKLASIFIKASIAN KEBERHASILAN MAHASISWA POLITEKNIK Euis Sartika
Jurnal TEDC Vol 8 No 1 (2014): Jurnal TEDC
Publisher : UPPM Politeknik TEDC Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (174.563 KB)

Abstract

Analisis diskriminan dan Regresi Logistik adalah analisis multivariat yang bertujuan untuk mengklasifikasikan suatu pengamatan ke dalam salah satu dari kelompok tertentu. Regresi logistik respon biner dalam penerapannya tidak memerlukan asumsi kenormalan atas variabel bebas. Variabel bebas dalam Regresi Logistik Biner bisa kontinu, diskrit dan dikotomis. Sedangkan Analisis Diskriminan memerlukan asumsi multivariat normal dan kesamaan struktur matriks varian kovarian antar grup, tetapi kedua asumsi ini tidak selalu dapat dipenuhi. Tujuan penelitian ini adalah memperoleh hasil klasifikasi analisis diskriminan dan regresi logistik respon biner serta membandingkan hasil klasifikasi tersebut dalam kasus keberhasilan mahasiswa Politeknik Negeri Bandung. Hasil penelitian ini menunjukan apabila variabel penjelas berskala kategori, regresi logistik respon biner menghasilkan ketepatan klasifikasi yang lebih tinggi dibandingkan dengan analisis diskriminan. Peubah penjelas yang berpengaruh signifikan pada keberhasilan mahasiswa Polban bidang Tata Niaga adalah jenis kelamin, program studi, dan nilai IP semester satu. Kata kunci : Analisis Diskriminan, Regresi Logistik Respon Biner
PENGARUH VALAS DAN PDB TERHADAP IHSG DAN PEMODELANNYA DENGAN MENGGUNAKAN REGRESI BERGANDA Euis Sartika
Jurnal TEDC Vol 11 No 3 (2017): Jurnal TEDC
Publisher : UPPM Politeknik TEDC Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (546.695 KB)

Abstract

Pasar modal berperan untuk menjalankan fungsi ekonomi dan fungsi keuangan. Perilaku keputusan investasidari investor dalam suatu pasar modal akan tecermin dari pergerakan Indeks Harga Saham Gabungan(IHSG). Pada penelitian ini akan dikaji faktor –faktor yang berpengaruh terhadap IHSG yaitu valas dan PDB.Data yang digunakan adalah data sekunder yakni data bulanan dari Valas, PDB, sebagai peubahindependen dan data IHSG sebagai peubah dependen. Periode yang digunakan adalah tahun 2007 samapaidengan tahun 2014 Analisis yang digunakan adalah analisis deskriptif dan anlsisi Regresi Berganda. Hasilanalisis regresi berganda menunjukkan, nilai IHSG bernilai -3,087 apabila PDB dan KURS mendekati nol. .Sedangkan PDB berpengaruh positif terhadap IHSG walaupun kecil, setiap PDB naik satu milyar rupiahakan menyebabkan peningkatan IHSG sebesar 0,000000338 dengan asumsi variabel KURS konstan. NilaiKURS memberikan pengaruh positif terhadap IHSG walaupun sangat kecil karena koefisiennya 0,000.Kenaikan KURS sebesar Rp 1/USD akan menaikkan nilai IHSG namun sangat kecil sekali. Nilai uji F yangmenggambarkan pengaruh variabel-variabel bebas PDB dan KURS secara simutan terhadap modelmenunjukkan nilai P-value sebesar 0,114 lebih besar dari 0,05. Yang berarti variabel PDB dan KURS tidakberpengaruh signifikan terhadap model. Kontribusi variabel PDB dan Valas menunjukkan nilai (adj R2)sebesar 0,025 yang berarti bahwa IHSG dapat dijelaskan oleh variabel PDB dan KURS sebesar 2,5 %,sisanya sebesar 97,5 % dijelaskan oleh variabel lain yang tidak dijelaskan dalam penelitian ini. Nilai sebesar97,5 % menunjukkan bahwa banyak variabel-variabel lain yang berpengaruh terhadap IHSG ini.Kata kunci: Analisis Regresi Berganda, IHSG, PDB, Valas
ANALISIS METODE K NEAREST NEIGHBOR IMPUTATION (KNNI) UNTUK MENGATASI DATA HILANG PADA ESTIMASI DATA SURVEY Euis Sartika
Jurnal TEDC Vol 12 No 3 (2018): Jurnal TEDC
Publisher : UPPM Politeknik TEDC Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (652.582 KB)

Abstract

Ketidaklengkapan suatu data survey (missing data) akan menyebabkan inferensi statistik tidak dapat dilakukan. Penghilangan data yang tidak lengkap akan menyebabkan berkurangnya informasi yang dibutuhkan sehingga kurang menggambarkan kondisi yang seenarnya. Terdapat beberapa cara untuk mengatasi missing data tersebut, salah satu adalah dengan mengganti data yang hilang (missing data) tersebut. Penelitian ini bertujuan mengkaji analisis k Nearest Neighbor sebagai salah satu cara untuk mengimputasi data yang hilang. Metode ini didasarkan pada konsep jarak terdekat dari observasi (k), kemudian pada observasi tersebut diberi pembobotan. Software yang digunakan adalah R versi 3.4.3. Pada penelitian ini digunakan juga metode imputasi yang lain yaitu Series Mean dan metode Algoritma EM sebagai pembanding. Untuk membandingkan ketiga metode tersebut digunakan nilai RMSE. Hasil menunjukkan bahwa metode Series Mean menunjukkan nilai RMSE terkecil. Kelebihan lain dari k Nearest Neighbor adalah dapat digunakan untuk imputasi data berskala numerik dan kategorik. Kata kunci: missing data, k Nearest Neighbor, Series Mean, Algoritma EM, RMSE
Co-Authors Agus Binarto Anny Suryani Endang Habinuddin Endang Habinuddin Fatya Alty Amalia Hadiani, Fatmi Irfani Azis Jayanti, Retno Dwi Karnisah, Iin Lusiani, Anie Muldiani, Ratu Fenny Neneng Nuryati Siti S Purwaningsih Siti S. Purwaningsih Siti Samsiyah Purwaningsih Sosianika, Adila Sri Murniati Sri Suratmi Sri Suratmi Yuliah, Siti