Penentuan Kriteria Pengunjung dalam Pemilihan Green Hotel di Kota Bandung Menggunakan Metode Discrete Choice Experiment dengan Desain Choice Sets Kombinatorial

This research discusses about planning of guest formulation in the selection of environmentally green hotels by using a 2k-p factorial fractional design and combinatorial choice sets on the Discrete Choice Experiment method. Discrete Choice Experiments is a quantitative method for survey-based respondents' preference assessment. This method asks respondents to choose the preferred choice from several alternative choices provided. With this method the authors will apply to the case of green hotel selection, because currently in the United States, investors are beginning to look at green building opportunities as a long-term investment in accordance with the operational costs of green buildings that are more efficient than conventional buildings. The concept of green building is one of the efforts to save energy that can be applied to a building. The material of this study is primary data by distributing questionnaires to respondents using voluntary sampling techniques. In this study, there are 8 independent variables consisting of 5 attribute variables and 3 respondent identity variables. This study aims to determine the criteria for visitors in choosing the most desirable green hotel. The results of this study are the results of green hotel research that is most sought after by visitors, namely hotels with quality luxury rooms, toiletries provided, visitors are required to improve the environment, there is the practice of using plastic on product packaging, and there is the use of lamps as well as energy-saving equipment. After further analysis of the demographics of respondents regarding the preference of the selected green hotel criteria for each respondent, and the results obtained at the time, gender, occupation and experience of staying in a green hotel together are not related to the involvement of the selected green hotel criteria chosen from each respondent. Abstrak. Skripsi ini membahas mengenai penentuan rancangan kriteria pengunjung dalam pemilihan hotel ramah lingkungan (green hotel) dengan menggunakan desain fractional factorial 2k-p dan choice sets kombinatorial pada metode Discrete Choice Experiment. Discrete Choice Experiment merupakan metode kuantitatif untuk menilai suatu preferensi seorang responden yang berbasis survei. Metode ini meminta responden untuk memilih pilihan yang diminati dari beberapa alternatif pilihan yang disediakan. Dengan metode ini penulis akan melakukan penerapan pada kasus pemilihan kriteria green hotel, karena saat ini di Amerika Serikat, para investor mulai melirik peluang green building sebagai investasi jangka panjang dikarenakan biaya operasional green building yang lebih hemat dibandingkan bangunan konvensional. Konsep green building merupakan salah satu upaya penghematan energi yang dapat diterapkan pada suatu gedung. Bahan dari penelitian ini merupakan data primer dengan melakukan penyebaran kuesioner kepada responden dengan menggunakan teknik sampling sukarela. Pada penelitian ini, terdapat 8 variabel independen yang terdiri dari 5 variabel atribut dan 3 variabel identitas responden. Penelitian ini bertujuan untuk mengetahui kriteria pengunjung dalam memilih green hotel yang paling diminati. Hasil dari penelitian ini adalah didapatkan kriteria green hotel yang paling diminati oleh pengunjung yaitu hotel dengan kualitas kamar mewah, perlengkapan mandi disediakan, pengunjung diwajibkan untuk menjaga lingkungan, ada praktik penggunaan plastik pada kemasan produk, dan ada penggunaan lampu juga peralatan hemat energi. Setelah itu dilakukan analisis lanjutan mengenai pengaruh dari demografi responden terhadap banyaknya keterpilihan kriteria green hotel terpilih pada setiap responden, dan diperoleh hasil bahwa usia, jenis kelamin, pekerjaan dan pengalaman menginap di green hotel secara bersama-sama tidak berpengaruh terhadap banyaknya keterpilihan kriteria green hotel terpilih dari setiap responden.

Penerapan Metode K-Nearest Neighbors (kNN) pada Bearing

Monitoring the condition of the engine is a top priority to avoid damage. To know the condition of the bearing, it is important to know the remaining useful life of the machine. In the IEEE PHM 2012 Prognostic Challenge platform provides real data related to accelerated bearing degradation carried out under constant operating conditions and online controlled variables of temperature and vibration (with horizontal and vertical accelerometers). In this platform, the data used is bearing2_3 data in the horizontal direction which has a duration of about 2 hours, calculated RMS every 1/10 second (2560 data). In this study machine learning based modeling will be done using the k-nearest neighbor (kNN) method to determine the prediction of RMS bearings. The kNN method is based on the classification of objects based on training data that is the closest distance to the object. kNN is a nonparametric machine learning algorithm which is a model that does not assume distribution. The advantage is that the class decision line produced by the model can be very flexible and very nonlinear. The smallest MSE value was obtained at k = 16 with MSE value = 0.157579. After getting the optimum k value, proceed with predicting a RMS of 97 lags and identifying bearing performance in several phases. Abstrak. Pemantauan kondisi mesin menjadi prioritas utama untuk menghindari adanya kerusakan. Untuk mengetahui kondisi bantalan, penting untuk mengetahui sisa masa manfaat dari mesin tersebut. Dalam platfrom IEEE PHM 2012 Prognostic Challenge ini menyediakan data nyata terkait dengan degradasi bantalan yang dipercepat yang dilakukan di bawah kondisi operasi konstan dan variabel yang dikendalikan secara online berupa suhu dan getaran (dengan akselerometer horizontal dan vertikal). Dalam platform ini, data yang digunakan adalah data bearing2_3 pada arah horizontal yang berdurasi sekitar 2 jam ini dihitung RMS setiap 1/10 detik (2560 data). Dalam penelitian ini akan dilakukan pemodelan berbasis machine learning menggunakan metode k-nearest neighbor (kNN) untuk mengetahui prediksi RMS bearing. Metode kNN didasarkan pada klasifikasi terhadap objek berdasarkan data pelatihan yang jaraknya paling dekat dengan objek tersebut. kNN merupakan salah satu algoritma pembelajaran mesin yang bersifat nonparametrik yakni model yang tidak mengasumsikan distribusi. Kelebihannya adalah garis keputusan kelas yang dihasilkan model tersebut bisa jadi sangat fleksibel dan sangat nonlinier. Nilai MSE terkecil diperoleh pada k = 16 dengan nilai MSE = 0,157579. Setelah mendapatkan nilai k optimum, dilanjutkan dengan memprediksi RMS sebanyak 97-lag serta mengidentifikasi performance kinerja bearing dalam beberapa fase.

Faktor Koreksi Diagram Kendali Shewhart pada Situasi Unconditional ARL dan Penerapannya terhadap Data Brix (Kekentalan) Saus

Statistical Proses Control (SPC) is application of method in statistics on measurements and analysis variation in proses. Shewhart control chart is ussually used as a device in SPC. In practice, the parameters prosses are usually unknown. The parameters prosses is estimated using data often from the previous processes, ARL of the control chart with estimated parameters as called as unconditional ARL. Goedhart et al propose a new correction factor to improve unconditional ARL such data unconditional ARL close to the expected ARL. In this articel we apply the correction factor of Goedhart to brix’s data of PT. XXX. We offten the obtained the upper control limit is 39.51, the lower control limit is 36.87 with mean 38.19 applying this control limit to brix’s data results that the proses is under control. Abstrak. Statistical Proses Control (SPC) merupakan penerapan metode statistik dalam pengukuran dan analisis variasi proses. Alat yang sering digunakan dalam metode SPC yaitu diagram kendali Shewhart. Dalam praktiknya, parameter proses biasanya tidak diketahui. Parameter proses tersebut biasanya diestimasi melalui data yang diperoleh dari proses sebelumnya, ARL untuk diagram kendali dengan parameter yang diestimasi dinamakan ARL unconditional. Goedhart dkk mengusulkan faktor koreksi baru untuk meningkatkan ARL unconditional yang memiliki ekspetasi sebesar ARL yang diharapkan. Dalam artikel ini kami menerapkan faktor koreksi Goedhart terhadap data brix PT. XXX dan diperoleh batas kendali atas 39.51, batas kendali bawah 36.87 dengan rata-rata 38.19 Dari implementasi diagram kendali terhadap data kekentalan diperoleh bahwa proses terkendali.

Penerapan dan Perbandingan Tiga Metode Analisis Pohon Keputusan pada Klasifikasi Penderita Kanker Payudara

Today there is a considerable amount of work dealing with decision trees, especially in survival analysis (Ibrahim et al, 2008). Cases classified as survival analysis, like cancer patients. This study discusses the application of data mining which is to obtain diagnostic results. The classification technique uses information obtained from medical records of breast cancer patients in Yugoslavia. A method for answering these problems through decision tree analysis using the CHAID, Exhaustive CHAID and CART methods. Empirically aiming to compare performance of three decision tree classification methods so that the best method is obtained. It was concluded that best method used in applying to the classification of breast cancer sufferers was the CART method because it was able to get the most significant variables at most four, namely inv-node, tumor size, deg-malig and breast parts. Then it has a total accuracy rate with highest value of 84.9 percent and has a total error rate with lowest value of 15.1 percent. Abstrak. Dewasa ini ada cukup banyak pekerjaan yang berurusan dengan pohon keputusan, terutama dalam analisis survival (Ibrahim dkk, 2008). Kasus yang tergolong analisis survival seperti penderita penyakit kanker. Penelitian ini membahas mengenai penerapan data mining yang digunakan untuk mendapatkan hasil diagnostik. Pendekatan teknik klasifikasi dengan menggunakan informasi yang diperoleh pada rekam medis data penderita kanker payudara di Yugoslavia. Salah satu metode untuk menjawab permasalahan tersebut melalui analisis pohon keputusan dengan metode CHAID, Exhaustive CHAID dan CART. Secara empiris bertujuan untuk membandingkan kinerja tiga metode pengklasifikasi pohon keputusan agar didapatkan metode manakah yang terbaik. Maka disimpulkan bahwa metode terbaik yang digunakan dalam penerapan pada klasifikasi penderita kanker payudara adalah metode CART sebab mampu mendapatkan variabel signifikan yang paling banyak ada empat, yakni inv-node, ukuran tumor, deg-malig dan bagian payudara. Kemudian memiliki tingkat akurasi total dengan nilai tertinggi sebesar 84.9 persen dan memiliki total tingkat kesalahan dengan nilai yang terendah sebesar 15.1 persen.

Metode Pemilihan Variabel pada Model Regresi Poisson Menggunakan Metode Nordberg

In various experiments, data interactions take the form of discrete numbers or counts. The model that can be used for these data is the Poisson regression model. Poisson regression is included in the Generalized Linear Model (GLM). Poisson regression in general is very important in various fields and agreed to receive special attention. Often this model needs many independent variables. Then there needs to be a selection of poisson regression model variables. Due to the number of independent variables that exist, the selection of variables is carried out. Variable selection techniques that are commonly known are the forward, backward method, akaike information criteria and several other methods. In this paper, we will discuss one method of selecting variables in the Poisson regression model that has been made in the algorithm created by Famoye and Rothe. The algorithm created will be compared with the algorithm made by Nordberg. In this study data were used on Infant Mortality Rate (IMR) in West Java Province. Abstrak. Dalam berbagai eksperimen, seringkali data berupa bilangan diskrit atau cacah. Model yang dapat digunakan untuk data tersebut diantaranya adalah model regresi poisson. Regresi poisson termasuk kedalam Generalized Linear Model (GLM). Regresi poisson secara umum sangat penting dalam berbagai bidang dan karenanya patut mendapat perhatian khusus. Seringkali model ini melibatkan banyak variabel independen. Maka perlu adanya cara untuk mempertimbangkan pemilihan variabel model regresi poisson. Dikarenakan banyaknya variabel independen yang ada maka dilakukan penyeleksian variabel. Teknik pemilihan variabel yang sudah biasa dikenal yaitu metode forward, backward, akaike information criterion dan beberapa metode lainnya. Pada makalah ini akan dibahas mengenai salah satu metode pemilihan variabel dalam model regresi poisson yang telah dibentuk dalam algoritma yang dibuat oleh Famoye dan Rothe. Algortitma yang dibuat ini akan dibandingkan dengan algoritma yang telah dibuat oleh Nordberg. Pada penelitian ini digunakan data mengenai Angka Kematian Bayi (AKB) di Provinsi Jawa Barat.