http://repository.unmul.ac.id/handle/123456789/7115 2026-06-25T15:46:33Z 2026-06-25T15:46:33Z Rosadi, Imam http://repository.unmul.ac.id/handle/123456789/55336 2023-09-12T03:27:17Z 2023-01-30T00:00:00Z

Skripsi Ezra Rosadi, Imam

2023-01-30T00:00:00Z Marliana, Eva Hairani, Rita Tjahjandarie, Tjitjik Srie Tanjung, Mulyadi http://repository.unmul.ac.id/handle/123456789/54250 2023-06-24T03:36:02Z 2018-01-01T00:00:00Z

Antiplasmodial activity of flavonoid from Macaranga tanarius leaves Marliana, Eva; Hairani, Rita; Tjahjandarie, Tjitjik Srie; Tanjung, Mulyadi

2018-01-01T00:00:00Z Noor Ramaulidyah, Fatihah http://repository.unmul.ac.id/handle/123456789/7570 2022-01-14T08:59:00Z 2020-05-20T00:00:00Z

PERBANDINGAN METODE KLASIFIKASI NAIVE BAYES DAN K-NEAREST NEIGHBOR PADA DATA STATUS PEMBAYARAN PAJAK PERTAMBAHAN NILAI DI KANTOR PELAYANAN PAJAK PRATAMA SAMARINDA ULU Noor Ramaulidyah, Fatihah Klasifikasi adalah pengelompokan sistematis dari suatu obyek ke dalam kelompok atau golongan tertentu berdasarkan ciri yang sama. Metode klasifikasi yang digunakan pada penelitian ini adalah naive Bayes dan K-Nearest Neighbor yang memiliki tingkat akurasi relatif tinggi. Penelitian ini bertujuan untuk melakukan perbandingan tingkat akurasi klasifikasi pada data status pembayaran pajak pertambahan nilai (PPN). Data yang digunakan adalah data wajib pajak badan di KPP Pratama Samarinda Ulu Tahun 2018 dengan status pembayaran PPN patuh atau tidak patuh dan menggunakan 3 variabel bebas yaitu pendapatan, bentuk badan dan status pelaporan pajak. Pengukuran akurasi menggunakan APER pada metode naive Bayes sebesar 17,07% sedangkan pada metode K-NN sebesar 19,51%. Hasil perbandingan pengukuran akurasi dari kedua metode tersebut menunjukkan bahwa metode naive Bayes memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan metode K-NN.

2020-05-20T00:00:00Z Al Karima, Nabila http://repository.unmul.ac.id/handle/123456789/7569 2022-01-14T08:58:59Z 2020-03-19T00:00:00Z

MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DENGAN FUNGSI PEMBOBOT ADAPTIVE GAUSSIAN Studi Kasus : Jumlah Kasus Tuberkulosis di Indonesia Tahun 2018) Al Karima, Nabila Model Geographically Weighted Poisson Regression (GWPR) adalah pengembangan model regresi Poisson yang diaplikasikan pada data spasial. Penaksiran parameter model GWPR dilakukan pada setiap lokasi pengamatan menggunakan pembobot spasial. Tujuan penelitian ini adalah menentukan model GWPR data jumlah kasus tuberkulosis di Indonesia dan mengetahui faktor-faktor yang berpengaruh terhadap jumlah kasus tuberkulosis di Indonesia. Data penelitian adalah data sekunder diperoleh dari Kementrian Kesehatan Indonesia. Peubah respon penelitian yaitu jumlah kasus tuberkulosis, sedangkan peubah prediktor adalah jumlah penduduk miskin, persentase rumah tidak layak huni, persentase kabupaten/kota yang tidak memiliki kebijakan PHBS dan persentase TPM tidak memenuhi syarat kesehatan. Penaksiran parameter menggunakan metode Maximum Likelihood Estimation (MLE). Pembobot spasial dihitung menggunakan fungsi pembobot Adaptive Gaussian dan penentuan bandwidth optimum menggunakan kriteria Cross Validation (CV). Hasil penelitian menunjukkan bahwa penaksir eksak Maximum Likelihood (ML) tidak dapat diperoleh secara analitik dan hampiran penaksir ML didapat menggunakan metode iteratif Newton-Raphson. Berdasarkan hasil pengujian parameter model GWPR, disimpulkan bahwa faktor-faktor yang berpengaruh terhadap jumlah kasus tuberkulosis bersifat lokal dan berbeda-beda di 34 provinsi. Faktor-faktor yang berpengaruh lokal adalah jumlah penduduk miskin, persentase rumah tidak layak huni, persentase kabupaten/kota yang tidak memiliki kebijakan PHBS dan persentase TPM tidak memenuhi syarat kesehatan, sedangkan faktor yang berpengaruh global adalah jumlah penduduk miskin.

2020-03-19T00:00:00Z