Volume 13 Nomor 1 Maret 2019m - OJS UNPATTI

Penelitian ini bertujuan untuk meningkatkan hasil belajar siswa kelas VIII SMP Negeri 15 Ambon pada materi sistem persamaan linear dua variabel (SPLDV) dengan menggunakan model pembelajaran kooperatif tipe Make a Match. Penelitian ini menghasilkan peningkatan hasil belajar siswa kelas VIII SMP Negeri 15 Ambon pada materi SPLDV dengan menggunakan model pembelajaran kooperatif tipe Make a Match.

Pembahasan

Penerapan tindakan pada siklus II sudah dilaksanakan dengan baik oleh guru dengan memperhatikan kekurangan-kekurangan yang terdapat pada siklus I. Berdasarkan hasil tes akhir siklus II terlihat bahwa pelaksanaan tindakan pada siklus II telah terlaksana dengan baik dan telah mencapai kriteria ketuntasan yang ditentukan yaitu 65% siswa harus mendapat nilai lebih dari atau sama dengan 73.

KESIMPULAN

MODEL ARCH(1) DAN GARCH(1,1) PADA PERAMALAN HARGA SAHAM PT. COWELL DEVELOPMENT Tbk

PENDAHULUAN

Fungsi autokorelasi (ACF) dan Fungsi Parsial Autokorelasi (PACF)
Model Autoregressive Integrated Moving Average (ARIMA)
Model Generalized Autoregressive Conditional Heteroscedastic (GARCH)
Kriteria Pemilihan Model terbaik dan Forecasting

Model ARCH dikembangkan oleh Engle pada tahun 1982 dan disempurnakan oleh Tim Bollerslev pada tahun 1986. Model Generalized Autoregressive Conditional Heteroscedastic (GARCH) merupakan pengembangan dari model ARCH dan diperkenalkan oleh Bollerslev pada tahun 1986.

METODE PENELITIAN

HASIL DAN PEMBAHASAN 1. Uji Stasioneritas

Berdasarkan hasil yang diperoleh pada Tabel 4, tidak terdapat kesalahan yang signifikan antara data faktual dengan hasil ramalan. Dari model tersebut diperoleh model terbaik berdasarkan nilai AIC dan BIC terkecil adalah model ARCH(1).

Gambar 3. Plot ACF Data faktual PT. Cowell Development

EFEKTIVITAS MODEL PEMBELAJARAN TEAM ASSISTED INDIVIDUALIZATION (TAI) DAN GROUP INVESTIGATION (GI)

MOTIVASI BELAJAR SISWA

HASIL DAN PEMBAHASAN 1. Hasil Penelitian

Hasil Pengujian Hipotesis A. Analisis Uji Pendahuluan

Data penelitian terdiri dari keterampilan awal siswa sebelum dan sesudah perlakuan, data prestasi belajar dan motivasi siswa yang terdiri dari motivasi tinggi, sedang dan rendah. Pengambilan sampel dilakukan dengan menggunakan metode purposive sampling yaitu pengambilan sampel berdasarkan pertimbangan tertentu. Dari pengambilan sampel tersebut diperoleh kelas VIII A sebagai kelas eksperimen I dengan menggunakan model pembelajaran Team Assisted Individualization dan kelas VIII C sebagai kelas eksperimen II dengan menggunakan model pembelajaran Group Investigation. Data ini digunakan untuk mengetahui prestasi belajar siswa berdasarkan kategori motivasi tinggi, sedang dan rendah.

Berdasarkan data tersebut terlihat bahwa siswa yang bermotivasi tinggi mempunyai prestasi belajar lebih baik dibandingkan siswa yang bermotivasi sedang dan rendah. Sedangkan siswa dengan motivasi sedang mempunyai prestasi belajar lebih baik dibandingkan siswa dengan motivasi rendah. Untuk mengetahui apakah kelompok eksperimen I dan kelompok eksperimen II mempunyai kemampuan yang sama maka dilakukan uji keseimbangan.

Analisis Uji Hipotesis Uji Normalitas

H0A ditolak yang berarti terdapat perbedaan antara model pembelajaran Team Assisted Individualization dan Group Inquiry terhadap prestasi belajar siswa pada pembelajaran matematika. H0B ditolak, artinya terdapat perbedaan motivasi tinggi, sedang dan rendah terhadap prestasi belajar matematika siswa. H0AB diterima, hal ini berarti tidak terdapat interaksi antara model pembelajaran Team Assisted Individualization dan Group Inquiry terhadap prestasi belajar matematika siswa ditinjau dari motivasi.

Prestasi belajar matematika siswa yang menggunakan model Team Assisted Individualization (TAI) lebih baik dibandingkan dengan prestasi belajar matematika siswa yang menggunakan model Group Inquiry (GI). Siswa yang mempunyai motivasi tinggi mempunyai prestasi belajar matematika yang relatif sama dengan siswa yang mempunyai motivasi sedang. Sedangkan siswa dengan motivasi tinggi dan sedang mempunyai prestasi belajar matematika lebih baik dibandingkan siswa dengan motivasi rendah.

PEMILIHAN MODEL TERBAIK PADA ANALISIS REGRESI LINIER MULTIVARIAT DENGAN KRITERIA AIC

Data yang digunakan adalah data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Maluku, Profil Kesehatan Provinsi Maluku dan Survei Sosial Ekonomi Nasional (SUSENAS) tahun 2015. Penelitian ini menggunakan 11 sampel yang merupakan kabupaten/kota di Provinsi Maluku.

HASIL DAN PEMBAHASAN 1. Statistik Deskriptif

Regresi Multivariat
Estimasi Parameter
Pemilihan Model Terbaik Dengan Metode AIC
Pengujian Signifikansi Model
Uji Asumsi Residual IIDN Uji Asumsi Residual Identik

Karena nilai 𝑥ℎ𝑖𝑡2 = 6,365 lebih besar dari nilai 𝑥, maka tolak H0 sehingga variabel respon bersifat dependen atau variabel respon saling berkorelasi. Asumsi selanjutnya yang harus dipenuhi dalam analisis regresi multivariat adalah variabel respon mempunyai distribusi normal multivariat. Karena uji korelasi antar variabel respon dan uji normalitas multivariat terhadap variabel respon telah terpenuhi maka analisis regresi multivariat dapat dilanjutkan.

Karena nilai signifikansinya lebih kecil dari nilai α (0,05), maka tolak H0 sehingga dapat dikatakan paling sedikit ada satu parameter yang mempengaruhi angka kematian bayi dan status gizi buruk. Berdasarkan Tabel 5 terlihat nilai signifikansi keempat variabel tersebut kurang dari 0,05 sehingga keempat variabel prediktor berpengaruh signifikan terhadap variabel respon. Karena 𝑥ℎ𝑖𝑡2 = 1,792 lebih kecil dari nilai 𝑥, maka H0 kita terima sehingga dapat dikatakan residunya independen.

ANALISIS REGRESI LOGISTIK ORDINAL TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI WAKTU KELULUSAN MAHASISWA

S1 DI FMIPA UNPATTI AMBON TAHUN 2016 DAN 2017

METODE PENELITIAN 1 Sumber Data

Tipe Penelitian
Variabel Penelitian

Data yang digunakan dalam penelitian ini menggunakan data sekunder yang diperoleh dari bagian akademik Fakultas MIPA Universitas Pattimura. Jenis penelitian ini menggunakan tipe kuantitatif dengan studi kasus yaitu faktor-faktor yang mempengaruhi waktu kelulusan mahasiswa S1 FMIPA Unpatti Ambon dengan menggunakan pendekatan regresi logistik ordinal. Perkirakan parameter model regresi logistik ordinal, kemudian uji signifikansi parameter tersebut baik secara simultan maupun parsial.

HASIL DAN PEMBAHASAN 1 Analisis Deskriptif

Estimasi Parameter

Uji kesesuaian model ini bertujuan untuk mengetahui apakah persamaan model yang dibentuk sudah sesuai atau belum. Oleh karena itu dapat disimpulkan bahwa pengujian simultan model waktu kelulusan siswa dengan menggunakan regresi logistik ordinal adalah signifikan pada tingkat kepercayaan 95% atau dengan kata lain menolak H0 yang berarti paling sedikit ada satu parameter yang signifikan, sehingga perlukah dilakukan pengujian simultan terhadap model waktu kelulusan siswa dengan menggunakan regresi logistik ordinal? untuk melakukan tes parsial. Berdasarkan Tabel 6 terlihat bahwa variabel prediktor yang signifikan adalah variabel 𝑋1.1 dan 𝑋1.3 karena mempunyai nilai P lebih kecil dari 𝛼 = 0,05.

Sedangkan nilai odds rasio mahasiswa fisika adalah exp yang berarti jurusan fisika mempunyai peluang lulus lebih besar dibandingkan jurusan matematika. Berdasarkan hasil penelitian dan pembahasan dapat disimpulkan bahwa faktor-faktor yang mempengaruhi waktu kelulusan mahasiswa FMIPA Unpatti berasal dari faktor internal jurusan yaitu Jurusan Matematika (X1.1) dan Jurusan Fisika (X1 ). .3). Ismaini, “Analisis Regresi Logistik Ordinal Prestasi Akademik Lulusan ITS Berdasarkan SKEM,” Jurnal Sains dan Seni Pomits, vol.

Tabel 3. Estimasi Parameter Model Regresi Logistik Ordinal Prediktor Koefisien SE Koefisien Konstan (1) -1.778 0.418

JADWAL PELAYANAN SISTEM ANTREAN 5 SERVER DALAM ALJABAR MAX-PLUS INTERVAL

LANDASAN TEORI 1. Sistem Antrean

Notasi dan Definisi Aljabar Max-Plus
Aljabar Max-Plus Interval
Nilai Eigen dan Vektor Eigen Max-Plus Interval Algoritma 2.1 [3]

Tergantung pada sifat proses layanan, kemampuan layanan dapat diklasifikasikan ke dalam saluran (tunggal atau ganda) dan fase (tunggal atau ganda), yang membentuk antrian berbeda. Istilah saluran menunjukkan jumlah jalur (tempat) untuk memasuki sistem pelayanan, yang juga menunjukkan jumlah fasilitas pelayanan. Multi-channel - sistem fase tunggal muncul setiap kali ada dua atau lebih fasilitas layanan yang dilayani oleh satu antrian, misalnya model ini adalah antrian di teller bank, potong rambut di beberapa tukang cukur, dll.

Aljabar max-plus adalah himpunan ℝ𝑚𝑎𝑥 dengan dua operasi biner yaitu max yang dilambangkan dengan ⊕ dan plus yang dilambangkan dengan ⊗ yang dinyatakan dengan ℝ𝑚𝑎𝑥 = (ℝ𝜀,⊕,⊗). Bagian ini memberikan dasar-dasar aljabar interval max-plus, yang merupakan perpanjangan dari aljabar max-plus. Diketahui 𝑨 ∈ 𝐼(ℝ)𝑚𝑎𝑥𝑛 × 𝑛, skalar interval 𝜆 ∈ 𝐼(ℝ)𝑚𝑎𝑥 disebut nilai eigen interval plus terbesar dari matriks interval A jika terdapat vektor interval 𝑣 ∈ 𝐼(ℝ) 𝑚𝑎 𝑥𝑛 dengan 𝑣 ≠ 𝜀𝑛×1, sehingga 𝑨 ⊗ 𝑣 = 𝜆 ⊗ 𝑣.

HASIL DAN PEMBAHASAN

Konstruksi Sistem Antrean 5 Server Asumsi
Matriks Adjasen Sistem Antrean 5 Server
Nilai Eigen dan Vektor Eigen Max-Plus Interval
Analisis Keperiodikan dan Jadwal Pelayanan Analisis Keperiodikan

Kemudian setelah diperoleh matriks interval A yaitu matriks bersebelahan dari interval waktu pada sistem antrian 5 server, interval waktu kedatangan 𝐵= [6,10] dan interval waktu pengunjung selesai menerima pelayanan 𝐶 = [5, 7] diberikan. Jika matriks interval A, matriks interval B, dan matriks interval C ditentukan, maka matriks tersebut dapat diperoleh dengan mengoperasikan matriks interval A, matriks interval B, dan matriks interval C dengan menggunakan operasi aljabar max – plus sesuai dengan 𝑥(𝑘 + 1) = ( 𝐴 ⊕ 𝐵 ⊗ 𝐶) ⊗ 𝑥(𝑘). Vektor eigen yang diperoleh dapat digunakan untuk menghitung sistem antrian periodik pada iterasi pertama atau 𝑥(0) dan nilai eigen dapat digunakan untuk memperoleh sistem antrian periodik untuk memperoleh iterasi berikutnya 𝑥(1), 𝑥(2 ), dan seterusnya.

Dari sistem periodik 5 antrian server dengan 5 iterasi, dapat diubah menjadi jadwal layanan sistem 5 antrian server dalam bentuk jam:menit:detik. Jadwal layanan ini sesuai dengan hasil sistem antrian 5 server periodik 5 iterasi dan sesuai dengan nilai eigen pada matriks batas bawah dan matriks batas atas yang diperoleh pada Langkah 3.3 dengan menghitung nilai Eigen dan vektor eigen pada Max -Interval plus. Dari nilai eigen max-plus interval dan eigenvector sistem antrian periodik 5 server dapat diperoleh sistem antrian periodik 5 server dan dapat dibangun jadwal pelayanan sistem antrian periodik 5 server.

Tabel 1. Jadwal Pelayanan Sistem Antrean 5 Server

PENERAPAN TEORI BILANGAN UNTUK MENENTUKAN KONGRUENSI PADA LAMPU LALU LINTAS

Namun perhitungan waktu tunggu dalam lalu lintas dirumuskan sedemikian rupa untuk mencegah kemacetan di persimpangan. Dengan menggunakan kongruensi dapat dianalisis tanpa memperhitungkan distribusi waktu keseluruhan pada lampu lalu lintas untuk menyimpulkan bahwa persimpangan tersebut wajar [2]. Pembahasan ini mengambil kasus lampu lalu lintas pada simpang empat TNI AU - Janti sebelah timur JEC (Jogja Expo Center), untuk dijadikan kasus untuk mengetahui kekongruenannya.

Oleh karena itu, lampu lalu lintas dari setiap lampu di persimpangan harus diperhatikan. Bagian yang diperhitungkan adalah waktu tunggu lampu lalu lintas pada setiap lajur di persimpangan tersebut. Kemudian, jika lampu lalu lintas tersebut mempunyai lampu silang sebaiknya disesuaikan dengan kebutuhan agar dapat dihitung untuk mendapatkan konsistensi dalam perhitungannya.

ESTIMASI KECEPATAN DAN PANJANG LARIAN LONGSOR BERDASARKAN PENDEKATAN LONGSOR ELM

Model Fisika Longsor

Gesekan antara material longsor dengan permukaan gelincir akan mencegah terjadinya longsor pada sudut kemiringan kritis tertentu. Representasi skema model geometri lereng yang digunakan untuk menghitung kecepatan dan jarak berjalan berdasarkan konsep garis energi (dimodifikasi dari [3]). Oleh karena itu, longsor berhenti dimana garis dari daerah sumber massa puing mulai bergeser dengan kemiringan p yang memotong permukaan topografi.

Jadi, jika sudut p diketahui, jangkauan dan kecepatannya dapat diperkirakan dengan menggambar garis energi. Berdasarkan Gambar 1, posisi awal suatu massa puing mengandung energi potensial, massa tersebut mulai bergerak sepanjang lereng, terjadi perubahan energi potensial menjadi energi kinetik, dan pada saat meluncur energi tersebut hilang akibat gesekan (Ef). . Oleh karena itu, pada lokasi longsor dengan ketinggian H, massa puing bergerak di atas bidang gelincir sejauh x, kemudian mengacu pada hukum kekekalan energi [1.7] yang diberikan oleh.

Gambar 1. Skema model geometri lereng yang digunakan untuk menghitung kecepatan dan jarak larian dari konsep garis energi (dimodifikasi dari [3])

Lokasi Penelitian

Hasil analisis diperoleh perkiraan kecepatan longsor maksimum sebesar 13,3 m/s pada posisi 33,3 m, yaitu pada ketinggian maksimum 95,2 m di atas permukaan laut. Nilai persentase tersebut menunjukkan bahwa massa longsor bergerak sepanjang lereng dengan energi kinetik total, dan kecepatan longsor menurut Gerber lebih kecil dibandingkan hasil analisis karena memperhitungkan faktor translasi dan rotasi. Sementara perkiraan kecepatan longsor menurut Masuya jauh lebih kecil dibandingkan perkiraan kecepatan longsor analitis dan Gerber karena diyakini memperhitungkan faktor tanah bercampur air hujan.

Dengan demikian, estimasi kecepatan longsor yang dihitung hampir mendekati rumusan empiris Gerber. Perkiraan kecepatan longsor Booi (warna merah menunjukkan perkiraan jalur kecepatan longsor, coklat menunjukkan perkiraan kecepatan jalur dengan rumus Gerberg, dan hijau menunjukkan perkiraan kecepatan jalur dengan rumus Masuya). Nilai kecepatan longsoran yang sangat tinggi berada pada puncak bidang retakan dan membawa energi yang besar hingga menurun sepanjang lereng dengan panjang mencapai 102,2 m.