1,721,146 research outputs found
~HOUGA II SEBAGAI PEMARKAH MODALITAS TOUI DALAM KALIMAT BAHASA JEPANG 日本語の文における｢～方がいい｣という当為モダリティ
Full text linkABSTRACT
Savitri, Rizky Anggraeni Dian. 2015. ““~Houga ii Sebagai Pemarkah Modalitas Toui dalam Kalimat Bahasa Jepang”. Thesis, Departement of Japanese Studies Faculty of Humanities. Diponegoro University. The First Advisor Elizabeth IHANR, S.S, M.Hum. Second Advisor Maharani P. Ratna, S.S, M.Hum.
In writing this thesis, the writer discussed about ‘~Houga ii as Modalities Toui In Japanese Sentence’. The writer took this theme to examine how the structure and meaning of houga ii. The purpose of this research is to describe the structure and meaning of houga ii in Japanese sentences.
The method that used in this research is “agih” method. “Agih” method is data analysis method which is using part of the relevant language as the determination tool. Primary data that is used in this research is Haruki Murakami's novel ‘1Q84’. Besides, the data came from a song and the internet (Japanese web).
Houga ii has a basic structure ~yori ~houga ii, which has functions as a comparison between two different things. Houga ii can be used together with adjective, noun, and verb. Verbs that can be used with houga ii is past tense, dictionary form and negative form. Houga ii also has a variation of a question form, those question words are ‘dochira’ and ‘izure’. There is also a variety of forms, that is houga yokatta. Houga ii has the basic meanings 'advice’ or ‘comparison'. In Indonesian, houga ii has meaning 'sebaiknya’ or ‘lebih baik'. Advice meaning can be used to suggest ourselves, interlocutors/listener, or for the general case. Houga ii can also indicate of a regret and dissatisfaction.
Keywords : Modalitas, toui, houga ii
MODEL HAZARD RATIO UNTUK ANALISIS KETAHANAN HIDUP PASIEN KANKER PARU-PARU
No full textterpenuhi maka model berubah-ubah
tergantung waktu dan dikatakan nonproportional hazard. Dalam penelitian kali
ini dalam memodelkan nonproportional hazard dilakukan dengan menggunakan
model hazard ratio, kemudian dalam mengestimasi parameter dilakukan dengan
membandingkan tiga metode pendekatan yaitu metode exact, metode Efron dan
metode Breslow. Dari hasil tiga pendekatan estimasi tersebut kemudian diambil
model yang terbaik dengan melihat nilai AIC yang terkecil.
Perbandingan yang diperoleh dari tiga metode pendekatan estimasi yaitu
metode exact, metode Efron dan metode Breslow didapatkan hasil metode exact
yang memberikan estimasi terbaik dengan nilai AIC terkecil. Setelah dilakukan
estimasi parameter kemudian dilakukan pembetukan model. Kemudian dari
kombinasi sepuluh variabel didapatkan satu model terbaik hazard ratio
ANALISIS HUBUNGAN ANTARA FINANCIAL DISTRESS DAN KEPUTUSAN KEBIJAKAN DIVIDEN OMISI (Studi Kasus : Perusahaan Manufaktur yang terdaftar di BEI 2010-2016)
No full textFinancial distress merupakan kondisi dimana perusahaan mengalami
kerugian atau kehilangan. Kondisi yang paling mudah dilihat apakah suatu
perusahaan berada dalam kondisi financial distress adalah adanya keputusan
kebijakan dividen omisi. Menurut Utami (2002) dividen omisi diartikan sebagai
kebijakan perusahaan untuk menghapus pembayaran dividen untuk pertama
kalinya dalam kurun 2-5 tahun pembayaran berturut-turut. Faktor yang diduga
berpengaruh terhadap durasi waktu antara perusahaan mengalami financial
distress dan kemunculan dividen omisi antara lain likuiditas, leverage,
profitabilitas, free cash flow, dan size perusahaan. Adapun tujuan dari penelitian
ini adalah mengetahui pengaruh dari setiap faktor dan mengetahui pengaruh dari
variabel yang signifikan terhadap durasi antara perusahaan mengalami financial
distress dan kemunculan dividen omisi waktu serta bentuk model hazard ratio.
Hasil penelitian diharapkan dapat memberikan informasi kepada pihak
manajemen suatu perusahaan tentang seberapa besar pengaruh faktor rasio
likuiditas, leverage, profitabilitas, free cash flow, dan size terhadap waktu antara
perusahaan mengalami financial distress dan munculnya dividen omisi
Analisis Ketahanan Hidup Pasien Kanker Paru Menggunakan Regresi Weibull
No full textKanker paru adalah penyakit yang menyerang organ pernapasan akibat
adanya pertumbuhan sel yang tidak normal. Kanker paru merupakan salah satu
penyakit yang sulit dideteksi karena gejalanya tidak mudah ditemukan. Sebagian
besar penyakit kanker paru-paru yang terdeteksi telah berada dalam stadium
lanjut, sehingga mempersulit peluang penyembuhan yang ada dan menyebabkan
tingkat risiko kematian yang besar. Pasien penderita kanker paru memerlukan
penanganan dan tindakan yang cepat dan terarah. Adapun dalam ilmu statistika
faktor-faktor yang mempengaruhi waktu ketahanan hidup pasien kanker paru-paru
dapat dikaji menggunakan analisis tahan hidup.
Menurut Collet (2003), analisis tahan hidup merupakan suatu metode
statistika yang digunakan untuk menguji kemampuan suatu sampel percobaan
hingga muncul suatu kejadian yang ditentukan oleh peneliti. Model parametrik
adalah suatu model ketahanan hidup dengan waktu tahan hidup individu
mengikuti asumsi distribusi tertentu. Model regresi parametrik yang paling
banyak digunakan adalah regresi Weibull karena distribusi Weibull bersifat
fleksibel. Distribusi Weibull bersifat fleksibel diakibatkan oleh adanya shape
parameter yang menentukan perubahan bentuk dari kurva hazard.
Pada penelitian ini, dilakukan uji asumsi kesesuaian data menggunakan uji
Kolmogorov-Smirnov dan diperoleh data pasien kanker paru dapat diasumsikan
mengikuti distribusi Weibull. Pemodelan regresi Weibull berdasarkan nilai AIC
terkecil dari seluruh kombinasi variabel yang diduga berpengaruh terhadap model.
Model terbaik regresi Weibull terdiri dari variabel jenis kelamin, umur, LED, dan
status terapi. Variabel yang berpengaruh signifikan terhadap waktu ketahanan
hidup pasien kanker paru adalah LED
Analisis Perbandingan Metode Machine Learning: Random Forest dan Support Vector Machine Untuk Deteksi Kanker Paru-Paru
Full text linkKanker paru-paru merupakan penyakit dengan adanya pertumbuhan sel tidak
terkontrol pada jaringan paru-paru. Kanker paru-paru dapat menyerang siapa saja
dan sering tidak menimbulkan gejala awal, maka perlu adanya deteksi kanker.
Penelitian ini tentang deteksi kanker menggunakan Algoritma Data Mining dengan
metode machine learning Random Forest dan Support Vector Machine (SVM).
Random Forest diawali dengan teknik klasifikasi dasar decision tree. Sesuai dengan
namanya, konsep metode klasifikasi ini menciptakan sebuah hutan (forest) dengan
sejumlah pohon (tree) secara acak (random). Sedangkan konsep metode klasifikasi
SVM menjelaskan bagaimana upaya sederhana untuk menemukan fungsi pemisah
terbaik (hyperplane). Dasarnya SVM bekerja dengan prinsip linier classifier,
kemudian dikembangkan untuk dapat bekerja pada kasus non linear dengan
menggunakan konsep kernel pada ruang kerja berdimensi tinggi.
Hasil klasifikasi Random Forest menghasilkan akurasi sebesar 90,32%.
Sedangkan, hasil klasifikasi SVM menghasilkan akurasi sebesar 87,10%. Supaya
dapat menampilkan visualisasi dari hasil klasifikasi masing-masing metode pada
ruang 2D maka penelitian ini menggunakan PCA (Principal Component Analysis).
PCA juga sangat berpengaruh dalam meningkatkan akurasi dalam sebuah metode
klasifikasi, dapat dilihat pada metode Random Forest menggunakan PCA
menghasilkan akurasi sebesar 100% dan metode SVM menggunakan PCA
menghasilkan akurasi sebesar 93,47%.
Tujuan dari penelitian ini adalah melakukan perbandingan akurasi di antara
metode-metode klasifikasi yang sudah di analisis seperti metode Random Forest,
SVM, PCA-Random Forest, dan PCA-SVM. Di antara empat metode tersebut dapat
ditarik kesimpulan bahwa metode PCA-Random Forest menghasilkan tingkat
akurasi tertinggi sebesar 100%. Artinya, metode tersebut sangat baik dalam mengelompokkan kelas orang normal dan kelas orang terdiagnosis kanker paruparu tanpa adanya misklasifikasi. Visualisasi hasil klasifikasi Random Forest dan
SVM mampu memperlihatkan berapa jumlah orang yang normal, jumlah orang
yang terdiagnosis kanker paru-paru dan jumlah data yang misklasifikasi
Principal Component Regression dan ARIMA pada Teknik Statistical Downscaling untuk Peramalan Curah Hujan di Kabupaten Jember
No full textPenggunaan teknik statistical downscaling dengan model Principal
Component Regression (PCR) untuk peramalan curah hujan bulanan di
wilayah Kabupaten Jember memiliki korelasi di atas 70%, serta nilai RMSE
pada masing-masing 4 kluster yaitu: 80,41; 101,35; 87,41, dan 83,16.
Series residual pada model PCR dimodelkan menggunakan model ARIMA
dan diperoleh model terbaik yaitu ARIMA(1,0,0). Adapun manfaat
penambahan model ini ke dalam model PCR yaitu dapat mengecilkan nilai
RMSE. Nilai RMSE pada masing-masing 4 kluster ialah: 77,60; 97,49; 83,08;
79,65. Sementara itu tidak terdapat perubahan signifikan pada nilai korelasi
Perbandingan Model Cox Proportional Hazard Dan Model Accelerated Failure Time Pada Penderita Stroke
No full textStroke merupakan penyakit tidak menular yang timbul semata-mata
disebabkan oleh penyakit pembuluh darah otak dan muncul secara mendadak
tanpa ada gejala dini. Penyakit stroke dipengaruhi banyak faktor, adapun dalam
ilmu statistika faktor-faktor yang dapat mempengaruhi ketahanan hidup pasien
stroke dapat dikaji menggunakan analisis survival. Analisis survival atau dikenal
sebagai analisis ketahanan hidup merupakan prosedur statistika untuk
menganalisis data berupa waktu antar kejadian. Beberapa variasi dari model
survival dapat digunakan untuk menduga pengaruh dari faktor survival pada
pasien stroke, salah satunya adalah model cox proportional hazard dan model
accelerated failure time.
Cox proportional hazard memiliki keuntungan yang lebih dari model
accelerated failure time karena tidak memerlukan pengecekan asumsi-asumsi
mengenai kelayakan bentuk distribusi seperti yang diharuskan pada model
accelerated failure time, akan tetapi model cox proportional hazard tidak selalu
lebih baik dari model accelerated failure time. Penelitian kali ini dilakukan
dengan perbandingan model cox proportional hazard dan model accelerated
failure time (distribusi weibull, eksponensial, log-normal, log-logistik dan
gamma) untuk mengetahui apakah kondisi atau tipe data lebih baik digunakan
pada model cox proportional hazard atau model accelerated failure time.
Perbandingan model cox proportional hazard dan model accelerated
failure time dengan mempertimbangkan nilai AIC dan cox-snell residuals
diperoleh bahwa model accelerated failure time berdistribusi log-normal lebih
baik dibandingkan dengan model lainnya
ANALISIS SURVIVAL DENGAN MODEL REGRESI COX PADA PASIEN DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT PERKEBUNAN JEMBER KLINIK
No full textDari 100 pasien DBD yang dirawat inap di RS Perkebunan Jember Klinik,
rata-rata mengalami perbaikan kondisi klinis dalam waktu 3 hari, dengan
pasien dalam kelompok usia produktif (15 – 59 tahun) sebanyak 53 orang
atau 12,8% lebih banyak dari pasien dalam kelompok usia muda (0 – 14
tahun) dan pasien yang berjenis kelamin laki-laki sebanyak 58 orang atau
38,1% lebih banyak dari pasien yang berjenis kelamin perempuan. Rata-rata
kadar hemoglobin dan hematokrit pasien DBD pada saat awal masuk rawat
inap masing-masing berturut-turut 13,55 gr/dL dan 41,02 %, sementara saat
dilakukan rekam medis terakhir rata-rata hemoglobin dan hematokritnya
masing-masing adalah 12,94 gr/dL dan 39,28 %. Pada saat awal masuk rawat
inap terdapat 17 pasien yang jumlah trombositnya di normal (150.000 –
400.000/mm3), sementara saat rekam medis terakhir terdapat 36 pasien yang
jumlah trombositnya di normal. Jadi, ada peningkatan 111,8 % jumlah pasien
dengan kadar trombosit normal, yang artinya pada saat rekam medis terakhir
terjadi perbaikan kondisi klinis pasien DBD.
2. Variabel-variabel yang berpengaruh signifikan terhadap laju perbaikan
kondisi klinis pasien DBD adalah usia dan trombosit, sementara variabel
jenis kelamin, hemoglobin dan hematokrit pengaruhnya tidak signifikan.
3. Berdasarkan nilai hazard ratio yang dihasilkan dapat disimpulkan bahwa dari
100 pasien DBD yang dirawat inap di RS Perkebunan Jember Klinik
menunjukkan bahwa pasien yang usianya lebih tua atau pasien yang jumlah
trombosit normal lebih cepat untuk mengalami perbaikan kondisi klinis
dibandingkan dengan pasien yang usianya lebih muda atau pasien yang jumlah
trombositnya di bawah normal
PENERAPAN ALGORITMA POSSIBILISTIC FUZZY C-MEANS (PFCM) PADA PENGELOMPOKAN TINGKAT PENYAKIT ANEMIA
No full textPenelitian dilakukan dalam beberapa langkah. Langkah pertama ialah studi
pustaka tetang penyakit anemia beserta indikator tingkat anemia. Langkah ketiga
ialah pengambilan dan pengumpulan data. Data yang digunakan pada tugas akhir
ini ialah data sekunder yang diambil dari Laboratorium Rumah Sakit Umum Daerah
dr. Iskak Tulungagung berupa data tes uji darah pasien pada jenis kelamin laki-laki
atau perempuan dengan kriteria usia atau umur, jumlah hemoglobin, jumlah
eritrosit, leukosit, dan trombosit. Data yang diambil sebanyak 60 pasien laki-laki
dan 86 pasien perempuan yang mewakili setiap tingkat penyakit anemia yaitu
ringan, sedang, dan berat. Langkah ketiga ialah penerapan penerapan metode Fuzzy
C-Means (FCM), penerapan metode Possibilistic C-Means (PCM), dan metode
Possibilistic Fuzzy C-Means (PFCM) untuk mengelompokkan tingkat penyakit
anemia. Langkah keempat ialah evaluasi metode dengan mencari nilai rasio
dimana () simpangan baku dalam kelompok dan () simpangan baku antar
kelompok. Jika rasio tersebut semakin kecil maka metode yang digunakan
mempunyai kinerja yang baik. Langkah terakhir ialah mengetahui hasil kelompok
tingkat anemia dengan metode Possibilistic Fuzzy C-Means (PFCM) serta
membandingkan hasilnya dengan metode Fuzzy C-Means (FCM) dan metode
Possibilistic C-Means (PCM).
Algoritma Possibilistic Fuzzy C-Means (PFCM) pada pengelompokkan
tingkat penyakit anemia merupakan algoritma yang sama baiknya dengan algoritma
Fuzzy C-Means (FCM). Jika dibandingkan dengan metode PCM algoritma PFCM
merupakan algoritma yang lebih baik karena nilai rasio yang dihasilkan oleh
algoritma PCM lebih kecil dari pada nilai rasio yang dihasilkan oleh algoritma
PFCM maupun FCM. Pada algoritma PFCM kelompok yang terbentuk sama
dengan kelompok yang terbentuk pada algoritma FCM yaitu 10 % dari total jumlah
pasien laki-laki terjangkit anemia tingkat ringan dengan pasien sebanyak 6 pasien,
41,6667 % terjangkit anemia tingkat sedang dengan jumlah pasien sebanyak 25
pasien sedangkan untuk tingkat anemia berat terdapat 48,3333 % dengan jumlah
pasien sebanyak 29 pasien sedangkan pada pasien perempuan terdapat 27,907 %
dari total jumlah pasien perempuan terjangkit anemia tingkat ringan dengan jumlah
pasien sebanyak 24 pasien, 44,186 % terjangkit anemia tingkat sedang dengan
jumlah pasien sebanyak 38 pasien dan terdapat 27,907 % dari total jumlah pasien
perempuan terjangkit anemia tingkat berat dengan jumlah pasien sebanyak 24
pasien
- …
