Widhesaputri, Avinia Aisha (2015) Klasifikasi Anak Putus Sekolah Di Provinsi Jawa Timur Tahun 2012 Menggunakan Regresi Logistik Biner Dan Kohonen Learning Vector Quantization (LVQ). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1311100073-Undergraduate_Theses.pdf Download (2MB) | Preview |
Preview |
Text
1311100073-Paper.pdf Download (397kB) | Preview |
Preview |
Text
1311100073-Presentation.pdf Download (2MB) | Preview |
Abstract
Wajib belajar 9 tahun merupakan salah satu program pemerintah
sebagai solusi untuk meningkatkan angka partisipasi sekolah di Indonesia.
Program ini menargetkan angka partisipasi sekolah minimal 95%
pada akhir tahun 2008. Salah satu masalah yang menghambat pencapaian
wajib belajar 9 tahun adalah siswa yang putus sekolah. Berdasarkan
data oleh Kementerian Pendidikan Nasional pada 2008, setiap
tahunnya terdapat 1,5 juta remaja di Indonesia yang tidak dapat melanjutkan
sekolah. Usaha untuk menyelesaikan masalah tersebut adalah dengan
mengidentifikasi siswa putus sekolah, kemudian membantu mereka
agar dapat bersekolah kembali serta memberi dukungan hingga mereka
berhasil menyelesaikan wajib belajar 9 tahun. Penelitian ini melakukan
pengelompokan (klasifikasi) anak putus sekolah untuk mengetahui sebaran
dan karakteristiknya. Klasifikasi dilakukan menggunakan model regresi
logistik biner dan Learning Vector Quantization (LVQ) dengan variabel
prediktor antara lain jenis kelamin, status perkawinan dan status
bekerja siswa, tingkat pendidikan dan jenis kelamin kepala rumah tangga,
serta pengeluaran, jumlah anggota dan daerah tempat tinggal keluarga.
Data merupakan hasil SUSENAS tahun 2012 di Provinsi Jawa
Timur. Hasil identifikasi anak putus sekolah dengan model regresi logistik
biner mendapatkan ketepatan klasifikasi sebesar 89,6% dengan
variabel signifikan antara lain status bekerja dan perkawinan anak,
tingkat pendidikan kepala keluarga, serta pengeluaran, jumlah anggota,
dan lokasi tempat tinggal keluarga. Sedangkan identifikasi anak putus
sekolah dengan jaringan LVQ menggunakan 4 node menghasilkan ketepatan
klasifikasi sebesar 88,9%. ========== 9 years compulsory education is one of government program as a
solution to increase enrollment ratio in Indonesia. This program targets
minimum enrollment ratio of 95% by the end of 2008. One of the main
problem that preventing 9 year compulsory education achievement are
drop out students. Based on Ministry of National Education data in
2008, there was 1,5 million teens that did not continue their education
each year. Attempt to solve this problem is by identifying drop out student,
then assist them so that they could go back to school and assist
them until they manage to finish their compulsory education. The purpose
of this study is to classify drop out student to get the characteristic
and distribution of drop out student. Classification is done by using binary
logistic regression model and Learning Vector Quantization (LVQ)
with predictor variable that is the gender, marital status and work status
of student, education level and gender of head of household, also family’s
expenditure, the number of member and area of residence. Data is
taken from the result of SUSENAS 2012 in East Java Province. Drop out
student identification with binary logistic regression model resulting in
accuracy of 89,6%, using marital and work status of student, education
level of head of household, also family’s expenditure, the number of
member, and area of residence. While identification using Learning
Vector Quantization using 4 node network produce accuracy rate of
88,9%.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSSt 519.536 Wid k 3100015061539 |
| Uncontrolled Keywords: | Anak Putus Sekolah, Klasifikasi, Learning Vector Quantization, Regresi Logistik Biner, Binary Logistic Regression, Classification, Drop Out Student, Learning Vector Quantization |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression |
| Divisions: | Faculty of Mathematics and Science > Mathematics > 44201-(S1) Undergraduate Thesis |
| Depositing User: | - Davi Wah |
| Date Deposited: | 04 Dec 2019 08:18 |
| Last Modified: | 04 Dec 2019 08:18 |
| URI: | http://repository.its.ac.id/id/eprint/72177 |
Actions (login required)
 |
View Item |