Search

Alhamdulillah, puji syukur atas kehadirat Allah SWT, karena atas izin-Nya, penulis dapat terus mempertahankan semangat untuk menulis, dan akhirnya dapat menyelesaikan buku ini. Hadirnya buku ini, tidak semata-mata atas usaha penulis sendiri, melainkan atas izin-Nya. Sungguh suatu kebahagiaan bagi penulis bisa berbagi sebagian kecil ilmu pengetahuan milik-Nya melalui buku yang berjudul ���Visualisasi Data dengan EAVIS���. Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu dalam rangka penyelesaian buku ini. Penulis menyadari bahwa buku ini tentunya masih perlu perbaikan, sehingga penulis mengharapkan kritik dan saran yang membangun dari para pembaca agar buku ini dapat menjadi lebih baik. Kritik dan saran dapat ditujukan ke alamat email gioprana89@gmail.com. Medan, 27 April 2021 Prana Ugiana Gio Rezzy Eko Caraka

Tulisan ini memaparkan metode statistika repeated-measures analysis of variance, disertai terapannya dengan SPSS, STATCAL dan Minitab

Penelitian ini bertujuan untuk melihat variabel apa saja yang mempengaruhi Indeks Pembangunan Pendidikan (IPP) dan bagaimana efek spasial serta pemetaan IPP di Indonesia berdasarkan variabel yang memengaruhinya. Penelitian ini mencoba untuk membentuk IPP yang dimodifikasi untuk setiap provinsi di Indonesia, mengelompokkannya kedalam beberapa kelompok dan mengidentifikasi faktor-faktor yang mempengaruhi kualitas pendidikan di Indonesia. Metode yang digunakan adalah analisis regresi linear berganda (RLB), dan fuzzy geographically weighted Clustering (FGWC). Hasil dari RLB menjelaskan bahwa variabel rasio siswa guru SD, rasio siswa guru SMP, rasio siswa kelas SMP, biaya pendidikan, dan persentase penerima beasiswa, merupakan variabel yang memengaruhi IPP di Indonesia tahun 2015. Berdasarkan variabel tersebut, maka dilakukan pengelompokan dengan menggunakan FGWC menjadi 3 kelompok, yaitu kelompok tinggi, sedang dan rendah. Berdasarkan hasil pengelompokan ini, ditemukan bahwa Persentase beasiswa berpengaruh positif terhadap nilai dari IPP pada RLB. Namun demikian perlakuan pengelompokan menghasilkan informasi lebih detil yaitu semakin banyak persentase beasiswa yang diberikan, belum tentu meningkatkan nilai IPP-nya. Hal tersebut berlaku khususnya untuk kelompok rendah, nilai dari rata-rata persentase beasiswa yang tinggi, tidak mempengaruhi meningkatnya nilai dari IPP.

Tulisan ini memaparkan metode statistika korelasi linear Pearson serta terapannya dengan menggunakan aplikasi olah data statistika STATCAL dan R.

Jakarta is the biggest city in Indonesia with a populationof more than 10 million and a megacity with 1.38 millionpeople commuting around Greater Jakarta [1]. In order forthe Government of Indonesia to understand the commutingbehaviors of citizens and better plan the transportationsystem in Greater Jakarta, the Indonesian Central Bureauof Statistics first conducted its commuting survey in 2014.In this paper, we produce commuting statistics fromlocational information on social media and show that theinformation from mobile phone apps is a promising sourceof data. It implies that the commuting behaviors from bigdata can allow the public sector more frequent statistics.

Maternal Mortality Rate (MMR) is one of the important indicators of a country's health development and is one of the targets of achieving Sustainable Development Goals (SDGs). This study aims to develop a model on the relationship of MMR with provincial health development variables using the Geographically Weighted Poisson Regression (GWPR) method; as well as mapping the model to the provincial map. Estimation of model parameters using PODES data for 2011 and the projected health and projection profile of 2010-2013. The obtained model consists of four variables that influence the number of maternal deaths: (1) the ratio of health facilities, (2) the ratio of midwives, (3) the percentage of deliveries assisted by health personnel, and (4) the percentage of pregnant women received Fe tablets. The mapping of the four variables into the provincial map yields three groups of regions with different levels of significance of variables. The AIC value and the GWPR model deviance are lower than Poisson regression, indicated that the AKI model with GWPR is better than Poisson regression. Angka Kematian Ibu (AKI) merupakan salah satu indikator penting pembangunan kesehatan suatu negara danmenjadi salah satu target pencapaian Sustainable Development Goals (SDGs). Penelitian ini bertujuan menyusun model hubungan AKI dengan variabel-variabel pembangunan kesehatan provinsi menggunakan metode Geographically Weighted Poisson Regression (GWPR) dan memetakan model tersebut kedalam peta provinsi. Estimasi parameter model menggunakan data PODES tahun 2011 dan profil kesehatan dan proyeksi penduduk tahun 2010-2013. Model yang diperoleh terdiri dari empat variabel yang mempengaruhi jumlah kematian ibu yaitu rasio sarana kesehatan, rasio bidan, persentase persalinan ditolong tenaga kesehatan, dan persentase ibu hamil mendapat tablet Fe. Pemetaan empat variabel tersebut ke dalam peta provinsi menghasilkan tiga kelompok wilayah dengan tingkat signifikansi variabel yang berbeda-beda. Nilai AIC dan deviance model GWPR lebih rendah dari regresi Poisson menunjukkan bahwa model AKI dengan GWPR lebih baikdari regresi Poisson.

Penelitian ini menggunakan analisis fuzzy c-means clustering yangmerupakan pengembangan dari fuzzy clustering dengan c partisi untukmenganalisis bencana banjir di 33 provinsi di Indonesia pada tahun 2013.Jumlah kejadian banjir, jumlah korban meninggal, dan jumlah bangunan tempattinggal serta luas lahan yang rusak akibat banjir digunakan sebagai variabeldalam mengelompokkan wilayah berdasarkan tingkat risikonya terhadap banjir.Dilakukan perbandingan index validitas antar hasil pengelompokkan denganberbagai nilai fuzzifier (m=1,5; 2,0; 2,5; dan 3) dan jumlah kelompok (c= 2 dan3). Hasil pengelompokkan terbaik didapatkan dengan menetapkan nilai m=1,5dan c=3 (Rawan Bencana Tinggi, Sedang, dan Rendah). Provinsi yang masukke dalam kelompok Rawan Bencana Tinggi adalah Aceh, Jawa Barat, JawaTengah, Jawa Timur, Banten, dan Sulawesi Selatan. Provinsi yang masuk kedalam kelompok Rawan Bencana Sedang adalah Riau, Nusa Tenggara Barat,Kalimantan Tengah, dan Sulawesi Tenggara. Dua puluh tiga provinsi lainnyamasuk ke dalam kelompok Rawan Bencana Rendah.

Pendidikan merupakan hal yang sangat penting dalam kehidupan manusia untuk belajardan memahami demi kehidupan yang lebih baik. Ketuntasan wajib belajar merupakan masalahyang perlu diperhatikan agar seluruh masyarakat dapat memenuhi syarat minimal mengenyampendidikan di bangku sekolah.Penelitian ini bertujuan untuk mengetahui kondisi pendidikan di Provinsi Papua Barat sertamengungkap faktor-faktor yang menyebabkan ketidaktuntasan belajar 12 tahun pada pendudukusia 18 tahun ke atas di Provinsi Papua Barat berdasarkan hasil susenas tahun 2011 yangdilaksanakan Badan Pusat Statistik.Metode penelitian menggunakan regresi biner logistik untuk menganalisis faktor-faktor yangberpengaruh signifikan. Hasil penelitian menunjukkan bahwa , dari 8065 sampel individu usia 18tahun ke atas, didapatkan angka ketuntasan belajar 12 tahun ada sebanyak 3182 yang tuntas atau39,45 %, sementara sisanya tidak memiliki ijazah SMA. Analisis faktor-faktor yang menyebabkanketidaktuntasan belajar 12 tahun di Papua Barat menunjukkan bahwa ketidaktuntasan belajar 12tahun tersebut dipengaruhi oleh faktor geografi, jenis kelamin, ekonomi dan juga faktor jeniskelamin kepala rumah tangga.