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.
Preview |
Text
1314201703-Abstract.pdf - Published Version Download (328kB) | Preview |
Preview |
Text
1314201703-Master Thesis.pdf - Published Version Download (3MB) | Preview |
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. Correspondence analysis (Statistics) |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| 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 |