Search

E-learning content being a barrier for e-learning is no longer true on today’s Internet. The current concerns are how to effectively annotate and organize the available content (both textual and non-textual) to facilitate effective sharing, reusability and customization. In this paper, we explain a component-oriented approach to organize content in an ontology. We also illustrate our 3-tier e-learning content management architecture and relevant interfaces. We use a simple yet intuitive example to successfully demonstrate the current working prototype which is capable of compiling personalized course materials. The e-learning system explained here uses the said ontology.

Personalization of Ontology Based E-learning System. Today, a form of technology known as Web 2.0 thatthoroughly supports web-to-web interactions is present. Interactions, such as information sharing in the forms ofdocument sharing (slideshare), picture sharing (flickr), video sharing (youtube), Wikis, and online networking (weblogand web-forum) are principally accomodating community empowerment services. These factors cause the appearanceof social interaction through Internet as well as learning interaction and anywhere-anytime training which is recentlycalled e-Learning. Basically, e-Learning needs a self-employed learning method and learning habits that emphasize onthe learner as the most important role. However, e-learning system which is expected to boost the intensity of selfemployedlearning is uncapable to represent the importance. This is proven with the current e-Learning system inIndonesia that only accomodates the delivery of learning materials identical to all active learners, ignores the cognitiveaspects and does not offer any approach or experience of interactive self-learning and disregards the aspect of users’ability to adapt. The proposed e-learning system which is Web 2.0-based utilizes ontology as the representation ofmeaning of knowledge formed by the learner.

In this paper, we discuss probit model on multivariate binary response. We assume that each of n individuals is observed in T responses. Yit is tth response on ith individual/subject and each response is binary. Each subject has covariate Xi (individual characteristic) and covariate Zijt (characteristic of alternative j). Response on individual ith can be represented by Yi = (Yi1,....,YiT), Yit is tth response on ith individual/subject and each response is multinomial. In order to simplify, we choose one of individual characteristics and alternative characteristics. We use simulated maximum likelihood estimator (SMLE) methods to estimate the parameter based on Geweke-Hajivassiliou-Keane (GHK) simulator. We find the first derivative of likelihood function for multivariate binary probit. Then, we expand to multivariate multinomial response. The first derivative is used in the BHHH (Berndt, Hall, Hall, Hausman) iteration to obtain estimators.

Principal component analysis (PCA) is a method used to reduce dimentionality of the dataset. However, the use of PCA failed to carry out the problem of non-linear and non-separable data. To overcome this problem such data is more appropriate to use PCA method with the kernel function, which is known as the kernel PCA (KPCA). In this paper, Iris dataset visualized with PCA and KPCA, that contains are the length and the width of sepal and petal.

Regression analysis is constructed for capturing the influences of independent variables to dependent ones. It can be done by looking at the relationship between those variables. This task of approximating the mean function can be done essentially in two ways. The quiet often use parametric approach is to assume that the mean curve has some prespecified functional forms. Alternatively, nonparametric approach, .i.e., without reference to a specific form, is used when there is no information of the regression function form (Haerdle, 1990). Therefore nonparametric approach has more flexibilities than the parametric one. The aim of this research is to find the best fit model that captures relationship between admission test score to the GPA. This particular data was taken from the Department of Design Communication and Visual, Petra Christian University, Surabaya for year 1999. Those two approaches were used here. In the parametric approach, we use simple linear, quadric cubic regression, and in the nonparametric ones, we use B-Spline and Multivariate Adaptive Regression Splines (MARS). Overall, the best model was chosen based on the maximum determinant coefficient. However, for MARS, the best model was chosen based on the GCV, minimum MSE, maximum determinant coefficient. Abstract in Bahasa Indonesia : Analisa regresi digunakan untuk melihat pengaruh variabel independen terhadap variabel dependent dengan terlebih dulu melihat pola hubungan variabel tersebut. Hal ini dapat dilakukan dengan melalui dua pendekatan. Pendekatan yang paling umum dan seringkali digunakan adalah pendekatan parametrik. Pendekatan parametrik mengasumsikan bentuk model sudah ditentukan. Apabila tidak ada informasi apapun tentang bentuk dari fungsi regresi, maka pendekatan yang digunakan adalah pendekatan nonparametrik. (Haerdle, 1990). Karena pendekatan tidak tergantung pada asumsi bentuk kurva tertentu, sehingga memberikan fleksibelitas yang lebih besar. Tujuan penelitian ini adalah mendapatkan model terbaik mengenai nilai ujian masuk terhadap nilai IPK (Indek Prestasi Kumulatif) mahasiswa jurusan Disain Komunikasi Visual tahun 1999 di Universitas Kristen Petra Surabaya dengan analisis regresi, baik parametrik maupun nonparametrik. Pendekatan regresi parametrik menggunakan regresi linear sederhana, kuadratik dan kubik, sedangkan regresi nonparametrik digunakan B-Spline dan Multivariate Adaptive Regression Splines (MARS). Secara keseluruhan, model terbaik dipilih berdasarkan koefisien determinasi terbesar. Namun demikian untuk MARS, model terbaik dipilih berdasarkan pada GCV, minimum MSA dan koefisien determinasi terbesar. Kata kunci: regresi nonparametrik, B-Spline, MARS, koefisien determinasi.

parameter pada model permukaan multirespon yang bersifat tidak bias, konsisten dan efisien. Kriteria lain agar matrik rancangan percobaan optimal adalah variansi dari penaksir respon-responnya bernilai minimum. Beberapa rancangan percobaan model orde satu yaitu rancangan Faktorial, Fraksional faktorial, Simplek dan Placket Burman. Dengan menggunakan pembobotan pada titik-titik percobaan sehingga memenuhi kriteria optimum-D, A, E maka didapatkan matrik rancangan percobaan yang optimal untuk model permukaan multirespon orde satu. Dengan mengunakan ketiga kriteria tersebut didapat hasil nilai determinan matrik informasi yang hampir sama. Eff-D digunakan untuk membandingkan beberapa rancangan percobaan. Apabila penambahan titik-titik percobaan dilakukan hal ini dapat secara proposional sesuai dengan nilai pembobotannya sehingga rancangan percobaan masih optimal. Hal diatas bisa juga dilakukan dengan cara menerapkan Algoritma Fedorov atau Algoritma Fedorov yang dimodifikasi jika matrik variansi kovariansi dari error tidak diketahui.

Perdagangan saham sebenarnya merupakan perdagangan biasa sebagaimana jual beli barang di pasar pada umumnya. Ada pembeli, penjual, tawar menawar, penyerahan barang dan uang. Hanya saja bedanya bahwa didalam perdagangan saham ini seseorang yang ingin membeli atau menjual saham di bursa efek tidak dapat secara langsung mengadakan transaksi jual beli tersebut. Untuk melakukan jual beli investor harus melalui perusahaan efek (broker atau pialang) yang juga anggota bursa yang selanjutnya akan bertindak sebagai pembeli atau penjual. Harga saham suatu perusahaan dipengaruhi oleh beberapa faktor dimana interaksi diantara faktor tersebut akan membentuk nilai saham. Salah satu diantara faktor tersebut faktor fundamental. Faktor fundamental merupakan informasi yang berkaitan dengan kondisi internal perusahaan, industri sejenis, dan prospek usaha. Tujuan penelitian adalah untuk mengetahui pengaruh jangka pendek dan jangka panjang volume perdagangan saham di Bursa Efek Surabaya dan mengetahui pengaruh faktor Indeks Harga Saham Gabungan (IHSG), right issue, kurs dollar dan tingkat suku bunga Singapore International Bank Offered Rate (SIBOR). Hasil penelitian menunjukkan bahwa pendekatan kointegrasi memberikan hasil yang lebih baik dibanding analisis regresi. Hal ini dilihat dari nilai R2 yang tinggi dan terpenuhinya asumsi residual yang berimplikasi pengaruh jangka panjang dari peubah penjelasnya dapat diketahui. Sedangkan pada analisis regresi apabila asumsi dipenuhi berimplikasi adanya hubungan jangka panjang.

Masalah klasifikasi (pengelompokkan) pada kelompok yang sudah diketahui pada umumnya membatasi diri dalam melibatkan sejumlah peubah yang terkait, sehingga mengakibatkan hilangnya sebagian informasi yang justru berkonsekuensi dalam kesimpulan penelitian. Untuk itu upaya yang dilakukan untuk membatasi keterlibatan sejumlah peubah dalam penelitian harus melihat kerangka permasalahan secara menyeluruh pada kelompok dalam peubah tersebut. Metode klasifikasi yang baik akan menghasilkan sedikit kesalahan klasifikasi atau peluang kesalahan alokasi yang kecil dan juga terpenuhinya asumsi seperti variansi sama pada kelompok. Sehingga diperlukan suatu kajian mengenai masalah klasifikasi dengan pendekatan regresi ordinal dan sebagai kriteria kestabilan klasifikasi digunakan Press-Q. Hasil penelitian menunjukkan bahwa analisis regresi ordinal merupakan suatu metode yang sangat baik dalam masalah klasifikasi dan dalam menentukan variabel yang mempengaruhi pada kelompok dan interpretasi model. Selain itu fungsi peluang komulatif yang diperoleh mudah diinterpretasikan untuk menjelaskan keterkaitan prediksi kedepan dalam pengelompokkan. Secara keseluruhan tingkat ketepatan prediksi model dengan analisis regresi ordinal untuk mengelompokkan tingkat hidup pekerja yang dipengaruhi empat variabel (Pendidikan (X1), Status pekerjaan (X2), Upah/Gaji Sebulan (X3) dan Status perkawinan (X4)) secara keseluruhan sebesar 54.6%, dan pengaruh yang signifikan pada pendidikan adalah pendidikan SMA dan SMP, status pekerjaan bulanan (berbanding terbalik), upah/gaji sebulan sebesar Rp 1.000.000 s/d Rp 1.500.000, dan status perkawinan yang sudah menikah.