SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYESIAN NEURAL NETWORK UNTUK KASUS ANAK PUTUS SEKOLAH DARI RUMAH TANGGA MISKIN DI PROVINSI JAWA TIMUR

NOVIANI, AMALIA (2016) SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYESIAN NEURAL NETWORK UNTUK KASUS ANAK PUTUS SEKOLAH DARI RUMAH TANGGA MISKIN DI PROVINSI JAWA TIMUR. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1314201703-Abstract.pdf - Published Version

Download (328kB) | Preview
[img]
Preview
Text
1314201703-Master Thesis.pdf - Published Version

Download (3MB) | Preview
[img]
Preview
Text
1314201703-conclusion.pdf - Published Version

Download (441kB) | Preview

Abstract

Propinsi Jawa Timur merupakan salah satu propinsi yang dianggap telah berhasil menjalankan program Wajib Belajar 9 tahun. Namun demikian, menurut Dinas Pendidikan Propinsi Jawa Timur, untuk tahun ajaran 2011/2012, jumlah siswa dalam masa Wajib Belajar (Wajar) 9 tahun yang putus sekolah masih mencapai 13.080 orang anak. Salah satu alasan putus sekolah adalah faktor ekonomi keluarga. Oleh karena itu dipandang perlu untuk mengestimasi Angka Putus Sekolah (APTS) Wajar 9 tahun anak 7 – 15 tahun dari rumah tangga miskin agar dapat dijadikan pertimbangan dalam pengambilan kebijakan oleh pemerintah daerah. Estimasi APTS Wajar 9 tahun anak 7 – 15 tahun dari rumah tangga miskin tidak dapat dilakukan secara langsung karena jumlah sampel tidak mencukupi sehingga harus digunakan teknik Small Area Estimation (SAE). APTS merupakan proporsi anak menurut kelompok usia sekolah yang sudah tidak bersekolah lagi atau yang tidak menamatkan suatu jenjang pendidikan tertentu. Dari definisi ini diperoleh informasi bahwa anak usia sekolah terbagi menjadi dua, yaitu tidak bersekolah lagi atau tidak menamatkan suatu jenjang pendidikan tertentu serta masih bersekolah. Berdasarkan keterangan tersebut, diketahui bahwa variabel respon pada penelitian ini merupakan data biner sehingga metode SAE yang digunakan adalah metode Hierarchical Bayesian (HB). Selain menggunakan metode HB, pada penelitian juga akan digunakan metode Hierarchical Bayesian Neural Networks (HBNN) yang merupakan pengembangan dari metode HB. Penambahan Neural Network (NN) ini dilatarbelakangi tidak diketahuinya bentuk kurva antara nilai sebenarnya dari APTS anak usia 7 – 15 tahun dari rumah tangga miskin dengan variabel prediktor yang digunakan. Seperti yang telah diketahui, NN adalah alat yang sangat baik untuk mengatasi masalah pemodelan apabila bentuk hubungan eksplisit antar variable tidak diketahui. Setelah dibandingkan dengan model HB, diketahui bahwa model HBNN lebih baik dibandingkan model HB karena memiliki nilai DIC yang lebih kecil. ===================================================================================================== East Java Province is one province that is considered to have successfully run a 9-year compulsory education program. However, according to the Education Office of East Java Province, for the academic year 2011/2012, the number of students in a period of 9 years compulsory school dropouts still reached 13,080 children. One of many reasons for dropping out of school is a family economic factor. Therefore, it is necessary to estimate dropouts rate children 7 – 15 years old from poor households in order to be taken into consideration in policy making by local government. Since droupout rate of children 7 – 15 years old from poor households cannot be done directly because of insufficient sample size, technique of Small Area Estimation (SAE) is taken into consideration. Dropout rate is the proportion of children under school age group who are no longer attending school or who do not complete a certain education level. Information obtained from this definition that school-age children are divided into two, that is no longer in school or do not complete a certain level of education and are still in school. Based on these descriptions, it is known that the response variable in this study is a binary data so that the SAE method used is the method Hierarchical Bayesian (HB). In addition to using the HB method, the research will also be used Hierarchical Bayesian Neural Networks (HBNN) which is the development of HB method. The Neural Network (NN) is added because the curve of true value of APTS children aged 7-15 years from poor households and predictor variables unknown. As already known, NN is an powerful tool for modelling problems for which the explicit form of the relationships among certain variables is not known. After compared with HB models, it is known that the model HBNN better than HB models because it has a smaller value of DIC.

Item Type: Thesis (Masters)
Additional Information: RTSt 519.542 Nov s
Uncontrolled Keywords: Small Area Estimation, Anak Putus Sekolah, Rumah Tangga Miskin, Bayesian, Neural Network
Subjects: Q Science > QA Mathematics
Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis
Divisions: Faculty of Mathematics and Science > Statistics > (S2) Master Theses
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 11 Jan 2017 03:47
Last Modified: 27 Dec 2018 03:09
URI: http://repository.its.ac.id/id/eprint/1470

Actions (login required)

View Item View Item