Jurnal Sigit Nugroho-Books Pdf

JURNAL Sigit Nugroho
11 Mar 2020 | 24 views | 0 downloads | 11 Pages | 346.94 KB

Share Pdf : Jurnal Sigit Nugroho

Download and Preview : Jurnal Sigit Nugroho


Report CopyRight/DMCA Form For : Jurnal Sigit Nugroho



Transcription

REGRESI BINOMIAL NEGATIF TERBOBOTI GEOGRAFIS UNTUK MENGETAHUI FAKTOR. FAKTOR YANG MEMPENGARUHI JUMLAH KASUS MALARIA DI PROVINSI BENGKULU. GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION TO DETERMINE THE. FACTORS THAT INFLUENCE THE NUMBER OF MALARIA IN BENGKULU PROVINCE. Ummu Kholisoh Zuhry1 Sigit Nugroho2 Dyah Setyo Rini3. Jurusan Matematika FMIPA Universitas Bengkulu,Jl WR Supratman Kandang Limun Bengkulu 38371A. e mail ummuzuhry13 gmail com, This research will determine the factors that influence the number of malaria in Bengkulu Province in. 2013 Geographically Weighted Negative Binomial Regression GWNBR can be used to overcome. overdispersion in count data by considering the spatial effects that is Adaptive Bisquare Kernel The. result of this research shows that Akaike Information Criterion AIC of GWNBR was smaller than. Negative Binomial Regression so GWNBR model is better GWNBR model classifies regency city. into 4 groups based on the variables that significantly influence the number of malaria for each. regency city in Bengkulu Province, Keywords Overdispersion Spatial Heterogenity Negative Binomial Regression GWNBR The. number of malaria, Penelitian ini bertujuan untuk mengetahui faktor faktor yang mempengaruhi jumlah kasus malaria di. Provinsi Bengkulu tahun 2013 yang merupakan data cacah Untuk mengatasi overdispersi pada data. cacah dengan mempertimbangkan efek spasial digunakan Regresi Binomial Negatif Terboboti. Geografis RBNTG dengan menggunakan salah satu fungsi pembobot yaitu Adaptive Bisquare. Kernel Hasil penelitian ini menunjukkan bahwa nilai AIC model RBNTG lebih kecil dari AIC model. Regresi Binomial Negatif mengindikasikan bahwa model RBNTG lebih tepat digunakan untuk data. cacah yang mengalami overdispersi yang memperhatikan efek spasial karena dapat diketahui. variabel yang berpengaruh signifikan untuk setiap lokasi pengamatan Dari model Regresi Binomial. Negatif Terboboti Geografis diperoleh 4 pengelompokan berdasarkan variabel yang berpengaruh. signifikan sehingga dapat diketahui faktor apa saja yang mempengaruhi jumlah kasus malaria di. setiap kabupaten kota di Provinsi Bengkulu, Kata kunci Overdispersi Heterogenitas spasial Regresi Binomial Negatif RBNTG Jumlah kasus.
A PENDAHULUAN,1 Latar Belakang, 1 menyatakan bahwa untuk melihat tingkat kesejahteraan rumah tangga suatu wilayah. terdapat beberapa indikator yang dapat dijadikan sebagai ukuran salah satunya adalah tingkat. Pembangunan kesehatan di Indonesia masih jauh dari yang diharapkan hal ini terlihat dari. banyaknya permasalahan kesehatan salah satunya adalah angka kejadian malaria Annual Parasite. Incidence API Diantara provinsi lain di Indonesia Provinsi Bengkulu menempati urutan provinsi. keenam dengan kasus terbesar malaria dengan angka kejadian malaria API Annual Parasite. Incidence sebesar 3 89, Jumlah kasus malaria merupakan data cacah count data dengan peluang kejadian kecil. dan kejadiannya tergantung pada interval waktu tertentu atau berlangsung pada daerah tertentu. Pada data cacah kadangkala terjadi kondisi dimana nilai varian variabel respon lebih besar dari. rata ratanya yang disebut overdispersi 5, Menurut 8 untuk memodelkan data cacah yang mengalami overdispersi distribusi. Binomial Negatif lebih cocok digunakan karena menurut 2 pada distribusi Binomial Negatif tidak. mengharuskan nilai varian variabel responnya sama dengan rataanya. Keragaman spasial atau heterogenitas spasial yang terjadi disebabkan adanya efek spasial. yang ditandai dengan perbedaan kondisi geografis sosial budaya dan ekonomi antara wilayah satu. dengan wilayah yang lain 7 Menurut 8 masalah heterogenitas spasial tersebut mampu diatasi. dengan salah satu metode hasil pengembangan model regresi linier lokal non parametrik yaitu. metode GWR dengan menggunakan pendekatan titik yang akan menghasilkan pendugaan. parameter lokal berdasarkan posisi atau jarak wilayah pengamatan satu dengan wilayah lainnya. dengan diberikan pembobotan, Oleh karena itu untuk mengatasi masalah overdispersi pada data cacah dengan. memperhatikan aspek spasial 7 menyarankan menggunakan metode Geographically Weighted. Negative Binomial Regression Regresi Binomial Negatif Terboboti Geografis. 2 Rumusan Masalah, 1 Bagaimana memodelkan jumlah kasus malaria menggunakan Regresi Binomial Negatif.
Terboboti Geografis, 2 Faktor faktor apa sajakah yang mempengaruhi jumlah kasus malaria di Provinsi. Bengkulu dengan menggunakan Regresi Binomial Negatif Terboboti Geografis. 3 Tujuan Penelitian, 1 Memodelkan jumlah kasus malaria menggunakan Regresi Binomial Negatif Terboboti. 2 Mengetahui faktor faktor yang berpengaruh terhadap jumlah kasus malaria di Provinsi. Bengkulu dengan menggunakan Regresi Binomial Negatif Terboboti Geografis. B METODE PENELITIAN, Data yang digunakan diperoleh dari Profil Kesehatan Provinsi Bengkulu 2013 dan Riset. Kesehatan Dasar Provinsi Bengkulu 2013 Penelitian ini menggunakan data jumlah kasus malaria. pada tahun 2013 di Provinsi Bengkulu yang terdiri dari 10 Kabupaten Kota Variabel yang digunakan. untuk penelitian ini adalah, a Jumlah kasus malaria di tiap kabupaten kota di Provinsi Bengkulu tahun 2013 1. b Persentase rumah sehat pada tiap Kabupaten Kota 1. c Presentase rumah tangga berperilaku hidup bersih dan sehat pada tiap Kabupaten Kota 2. d Presentase pengobatan efektif dengan ACT pada tiap Kabupaten Kota 3. e Variabel spasial yaitu titik koordinat lokasi dalam jarak kilometer masing masing. kabupaten kota di Provinsi Bengkulu, Tahapan analisis dalam penelitian ini adalah sebagai berikut.
1 Mengeksplorasi variabel dependen menggunakan peta tematik untuk memperoleh deskripsi. data dengan bantuan program ArcView GIS 3 2,2 Melakukan uji asumsi multikolinearitas. 3 Melakukan statistika deskriptif dan mendeteksi adanya kasus overdispersi. 4 Melakukan analisis regresi Binomial Negatif dengan bantuan program R 3 2 2. 5 Melakukan pengujian spasial yaitu uji heterogenitas spasial dengan bantuan program R 3 2 2. 6 Melakukan analisis model RBNTG dengan bantuan program R 3 2 2. a Menghitung jarak Euclidean antar lokasi pengamatan berdasarkan lokasi geografis. b Menentukan bandwidth optimum berdasarkan kriteria CV yang minimum. c Menghitung matriks pembobot menggunakan fungsi kernel adaptive bisquare. d Menaksir parameter model RBNTG dengan metode MLE. e Melakukan pengujian signifikansi parameter model RBNTG kemudian menghitung nilai. 7 Melakukan pengujian kesesuaian model dan melakukan perbandingan antara model Binomial. Negatif dan model RBNTG,C HASIL DAN PEMBAHASAN, Provinsi Bengkulu merupakan salah satu provinsi yang berada di Pulau Sumatera dengan. wilayah yang memanjang dari perbatasan Provinsi Sumatera Barat hingga ke perbatasan Provinsi. Lampung dan jaraknya lebih kurang 567 kilometer Luas wilayah Provinsi Bengkulu mencapai lebih. kurang 1 991 933 hektar atau 19 919 33 kilometer persegi Secara astronomis Provinsi Bengkulu. terletak di antara 2o16 LU dan 3o31 LS dan antara 101o01 103o41 BT. Tabel 1 menunjukkan bahwa variabel jumlah kasus malaria 1 memiliki jangkauan. yang sangat besar yaitu 4133 sedangkan jangkauan yang paling kecil adalah variabel persentase. pengobatan efektif dengan ACT 3 sebesar 78 9 Jumlah kasus malaria terbesar yaitu sebanyak. 4133 kasus berada di kabupaten Rejang Lebong, Tabel 1 Statistika deskripsi variabel dependen dan independen. Nilai Simpangan,Jangkauan Minimum Maksimum tengah baku Varian. 1 4132 1 4133 763 90 1246 420 1553562 989,1 91 8 99 62 70 32 945 1085 344.
2 85 4 0 85 4 52 220 23 1225 534 648,3 78 9 0 78 9 45 470 22 7447 517 322. 1 Multikolinearitas, Nilai Variance Inflation Factor VIF merupakan nilai yang digunakan untuk mendeteksi. multikolinearitas untuk mengetahui apakah terdapat hubungan antara beberapa atau semua variabel. pada analisis regresi ini Nilai VIF yang lebih dari 10 menunjukkan adanya multikolinearitas 4. Tabel 2 Nilai VIF variabel independen,Nilai VIF 1 471791 1 271824 1 249901. Tabel 2 menunjukkan bahwa nilai VIF dari, 1 2 dan 3 lebih kecil dari 10 yang artinya tidak terdapat multikolinearitas antar variabel. independen tersebut,2 Overdispersi, Data jumlah kasus malaria memiliki varian yang besar yaitu 1553562 9 dibandingkan.
dengan nilai tengahnya yang hanya 763 90 Tabel 4 2 5 menyatakan bahwa nilai varian yang. lebih besar daripada nilai tengah pada data cacah menunjukkan data mengalami overdispersi. 3 Model Regresi Binomial Negatif, Langkah awal pemodelan regresi Binomial Negatif yaitu penentuan nilai awal diperoleh. 0 634 selanjutnya didapat estimasi parameter model regresi Binomial Negatif Tabel 4. a Uji Simultan, Hipotesis pengujian parameter secara simultan adalah. 0 1 2 3 0 semua variabel secara bersama sama memberikan pengaruh. terhadap model, 1 0 1 2 3 paling sedikit ada satu variabel yang memberikan pengaruh. terhadap model,Daerah penolakannya adalah 2, Tabel 3 Nilai Devians model regresi Binomial Negatif. 11 985 7 814, Nilai Devians lebih besar dari 2 0 05 3 yaitu 11 985 7 814 Jadi 0 ditolak artinya pada.
taraf nyata pengujian 5 paling sedikit ada satu 0 1 2 3 yang berpengaruh signifikan. terhadap variabel respon,b Uji Parsial, Hipotesis pengujian parameter secara parsial sebagai berikut. 0 0 variabel tidak memberikan pengaruh yang signifikan terhadap variabel. 1 0 dengan 1 2 3 variabel memberikan pengaruh yang signifikan. terhadap variabel respon,Daerah penolakannya adalah. Tabel 4 Estimasi parameter model regresi Binomial Negatif. Parameter Galat baku Estimasi Keputusan,0 1 37545 7 6226 5 542 1 959 0 ditolak. 1 0 01560 0 0626 4 012 1 959 0 ditolak,2 0 02069 0 0748 3 617 1 959 0 ditolak. 3 0 02064 0 0383 1 855 1 959 0 diterima,dan 2 keputusannya adalah 0 ditolak.
Berdasarkan Tabel 4 untuk masing masing 1,lebih kecil dari nilai. karena nilai Zhitung lebih besar dari nilai sedangkan nilai Zhitung. maka 0 diterima dengan taraf nyata pengujian sebesar 5 Jadi variabel independen yang. dan 2 Model Regresi Binomial Negatif yang,signifikan mempengaruhi model adalah parameter 1. diperoleh adalah,exp 7 62255 0 0626X1 0 07483X2,4 Pengujian Heterogenitas Spasial. Untuk mengetahui adanya keragaman spasial pada data dapat dilakukan pengujian. Breusch Pagan dengan hipotesis pada taraf nyata pengujian 5 sebagai berikut. 0 2 1 2 2 2 10 2 variansi antar lokasi sama, 1 2 2 variansi antar lokasi tidak sama terdapat heterogenitas spasial. dengan 1 2 10 dan 2 varian dari,Tolak 0 jika nilai 2 atau.
Tabel 5 Hasil pengujian Breusch Pagan,Breusch Pagan p value. 8 0885 0 04422, Nilai Breusch Pagan lebih besar dari 2 0 05 3 7 814728 Selain itu nilai p value yang. lebih kecil dari taraf nyata pengujian 5 juga menunjukkan bahwa 0 ditolak yang artinya terdapat. heterogenitas spasial,5 Pembobotan Spasial, Adanya heterogenitas spasial menyebabkan perlu adanya matriks pembobotan spasial. Fungsi pembobotan yang digunakan dalam penelitian ini adalah adaptive bisquare kernel Langkah. awal untuk membentuk matriks pembobot yaitu menghitung jarak Euclid Selanjutnya menentukan. lebar jendela bandwidth pemilihan bandwidth yang optimal menggunakan teknik Golden Section. Search yang dilakukan secara iterasi menggunakan kriteria Cross Validation CV Nilai CV yang. minimum menunjukkan nilai bandwidth yang optimal 3 Misalnya untuk Kabupaten Bengkulu. Selatan dengan bandwidth optimum 94 3112 km memiliki matriks pembobot 1 1 yaitu. sebagai berikut,1 1 1 0 0 0 726 0 226 0 0 0 003 0 0. Jarak Euclid Kabupaten Bengkulu Selatan lebih besar dari nilai bandwidth nya maka nilai. pembobot kabupaten tersebut adalah nol sedangkan jika jarak Euclid kurang dari nilai bandwidth. akan diperolah nilai yang bukan nol Hal yang sama untuk matriks pembobot kabupaten kota lainnya. di Provinsi Bengkulu, 6 Model Regresi Binomial Negatif Terboboti Geografis RBNTG.
Model ini akan menghasilkan pendugaan parameter lokal dengan masing masing lokasi. akan memiliki parameter yang berbeda Estimasi parameter dilakukan menggunakan metode. Pendugaan Kemungkinan Maksimum Likelihood dengan memasukkan pembobot spasial dalam. perhitungannya melalui iterasi Newton Raphson Proses iterasi tersebut dilakukan pada setiap lokasi. kabupaten kota di provinsi Bengkulu menggunakan matriks pembobot spasial yang disesuaikan. masing masing lokasi Iterasi dihentikan ketika nilai estimasi parameter model sudah konvergen. yaitu apabila,atau dimana nilai yang sangat kecil Pada. penelitian ini nilai 10 3,a Uji kesamaan model Binomial Negatif dan RBNTG. Hipotesis yang digunakan adalah sebagai berikut, 0 tidak terdapat perbedaan yang signifikan antara model Binomial. Negatif dan model RBNTG,1 dengan 1 2 3 dan 1 2 10 terdapat perbedaan yang. signifikan antara model Binomial Negatif dan model RBNTG. Daerah penolakanya adalah,Tabel 6 Nilai hasil pengujian kesamaan model.
RBNTG 2 4999,1 2325 4 2838, Berdasarkan Tabel 6 diperoleh bahwa nilai lebih kecil dari nilai 0 05 6 6 yaitu 1 2325. 4 2838 sehingga 0 tidak ditolak yang artinya dengan menggunakan taraf nyata pengujian 5 tidak. terdapat perbedaan yang signifikan antara model Binomial Negatif dan model RBNTG. b Pengujian Simultan Parameter Model RBNTG,Hipotesis yang digunakan adalah sebagai berikut. 0 1 2 3 0 semua variabel memberikan pengaruh,yang signifikan terhadap model RBNTG. 1 paling sedikit ada satu 0 dengan 1 2 3 dan 1 2 10 paling. sedikit ada satu variabel yang memberikan pengaruh signifikan terhadap model. Daerah penolakannya adalah 2,Tabel 7 Nilai Devians model RBNTG. 14 999 7 814, Tabel 4 11 menunjukkan bahwa nilai Devians lebih besar daripada nilai 2 0 05 3 maka 0.
ditolak Artinya dengan menggunakan taraf nyata pengujian 5 paling sedikit ada satu variabel yang. memberikan pengaruh signifikan terhadap model RBNTG dimana 1 2 3 dan 1 2 10. c Pengujian Parsial Parameter Model RBNTG,Hipotesis yang digunakan adalah sebagai berikut. 0 0 variabel tidak memberikan pengaruh yang signifikan terhadap. variabel respon pada tiap tiap lokasi,1 0 dengan 1 2 3 dan 1 2 10 variabel memberikan. pengaruh yang signifikan terhadap variabel respon pada tiap tiap lokasi. Daerah penolakannya adalah dimana, Berdasarkan hasil pengujian diperoleh bahwa variabel yang memberikan pengaruh. signifikan terhadap jumlah kasus malaria berbeda beda pada tiap lokasi kabupaten kota di Provinsi. Bengkulu dari 10 lokasi hanya terdapat 7 lokasi yang memiliki variabel yang berpengaruh signifikan sisanya. 3 kabupaten kota lainnya tidak terdapat variabel yang berpengaruh signifikan yaitu kabupaten Bengkulu. Selatan Seluma dan Kota Bengkulu Sehingga kabupaten kota di Provinsi Bengkulu dapat dikelompokkan. menjadi 4 kelompok berdasarkan variabel yang berpengaruh signifikan dapat dilihat pada Tabel 8. Tabel 8 Pengelompokan kabupaten kota berdasarkan variabel yang signifikan. Kelompok Kabupaten kota Variabel yang signifikan,1 Rejang Lebong Kepahiang 1 2 3. 2 Bengkulu Utara Mukomuko Lebong 1,3 Kaur 1 3,4 Bengkulu Tengah 2 3.
Gambar 1 Peta Pengelompokan kabupaten kota berdasarkan variabel yang signifikan. Gambar 1 menunjukkan bahwa pengelompokan yang terdiri dari 4 kelompok kabupaten kota. berdasarkan variabel yang signifikan tidak membentuk pola menyebar atau setiap kabupaten kota. dalam kelompok tersebut letaknya saling berdekatan Terlihat pada kelompok 1 dan kelompok 2. yang beranggotakan lebih dari satu kabupaten kota yang saling berdekatan dan kelompok 3 dan 4. yang hanya terdiri dari satu kabupaten kota Terdapat kabupaten kota yang tidak memiliki variabel. yang berpengaruh signifikan terhadap jumlah kasus malaria yaitu kabupaten Seluma Bengkulu. Selatan dan Kota Bengkulu, 4 1 Perbandingan Model Regresi Binomial Negatif dan Model RBNTG. Salah satu kriteria yang digunakan untuk memilih model terbaik adalah Akaike Information. Criterion AIC model terbaik antara dua model yang dibandingkan adalah model dengan nilai AIC. terkecil 6 Berdasarkan perhitungan yang telah dilakukan diperoleh bahwa nilai AIC pada Regresi. Binomial Negatif 146 57 dan nilai AIC pada Regresi Binomial Negatif Terboboti Geografis 22 99. Sehingga dapat diketahui bahwa nilai AIC pada RBNTG lebih kecil dibandingkan AIC Regresi. Binomial Negatif maka dapat dikatakan bahwa Regresi Binomial Negatif Terboboti Geografis lebih. baik digunakan untuk menganalisis jumlah kasus malaria sehingga dapat diketahui faktor faktor. yang mempengaruhi di setiap lokasi kabupaten kota di Provinsi Bengkulu karena memiliki nilai AIC. yang lebih kecil,D KESIMPULAN DAN SARAN,1 Kesimpulan. Data jumlah kasus malaria di Provinsi Bengkulu merupakan data cacah yang mengalami. overdispersi sehingga diperlukan regresi Binomial Negatif Namun adanya heterogenitas spasial. pada data maka perlu Regresi Binomial Negatif Terboboti Geografis yang mampu untuk mengatasi. overdispersi pada data cacah dengan memperhatikan efek spasial. Faktor faktor yang berpengaruh signifikan terhadap jumlah kasus malaria berbeda beda. pada tiap kabupaten kota di Provinsi Bengkulu dari 10 lokasi tersebut hanya terdapat 7. kabupaten kota yang memiliki variabel yang berpengaruh signifikan sisanya tidak terdapat variabel. yang berpengaruh signifikan yaitu Kabupaten Bengkulu Selatan Seluma dan Kota Bengkulu. Sehingga terdapat 4 kelompok berdasarkan variabel yang berpengaruh signifikan yang membentuk. pola mengelompok atau berdekatan,DAFTAR PUSTAKA, 1 BPS 2014 Indikator Kesejahteraan Rakyat Provinsi Bengkulu BPS Provinsi Bengkulu. 2 Cameron A C Trivedi P K 1998 Regression Analysis of Count Data Cambridge University. Press United Kingdom, 3 Cleveland W S 1979 Robust Locally Weighted Regression and Smoothing Scatterplots. Journal of America Statistics Association 74 829 836. 4 Li F 2000 Multicollinearity Department of Statistics Stockholm University. 5 McCullagh P dan Nelder J A 1989 Generalized Linear Models Second Edition Chapman and. Hall London, 6 Nakaya T Fotheringham A S Brunsdon C dan Charlton M 2005 Geographically Weighted.
Poisson Regression for Disease Association Mapping Statistics in Medicine Volume 24. Issue17 Pages 2695 2717, 7 Purhadi dan Ratri N H 2015 Analisis Faktor Faktor yang Mempengaruhi Jumlah Kasus Malaria. di Jawa Timur Tahun 2013 dengan Geographically Weighted Negative Binomial Regression. GWNBR Jurnal Sains dan Seni ITS Volume 4 No 2 2337 3520. 8 Silva A R dan Rodrigues T C V 2014 Geographically Weighted Negative Binomial Regression. Incorporating Overdispersion Business Media New York Springer Science.

Related Books

CAPITOLUL I - dgaspc-buzau.ro

CAPITOLUL I dgaspc buzau ro

28 2. excedentul sec?iunii de dezvoltare - diferen?a dintre veniturile sec?iunii de dezvoltare, pe de o parte, ?i suma pl??ilor efectuate ?i a pl??ilor ...

How to Determine Realistic Tolerances for Plastic ...

How to Determine Realistic Tolerances for Plastic

DIN 16901 (and others) define general tolerances for different materials and different locations on the pro- duced part. However, this is a general recommendation that cannot always be achieved in injection molding. The designer, most of the time, does not take into account the ability to produce the designed part. This article discusses how to analyze the dimensions, tolerances, and ranges in ...

Robotics in clothes manufacture

Robotics in clothes manufacture

Robotics in clothes manufacture ... it continues with a study of the laying and cutting process exploring mixed mode schedules, ... cloth types and lengths, pro-

Intelligent Production of Quality Apparels - Bentham Open

Intelligent Production of Quality Apparels Bentham Open

Intelligent Production of Quality Apparels ... the integrated management of cloth data ... The second one addresses the laying and cutting sections, ...

Cast Out the Bondwoman

Cast Out the Bondwoman

#25 Cast Out the Bondwoman March 2019 2 who call themselves Jews (according to the flesh) but are not true Jews (according to the spirit). When Christians believe this way, it is called Christian Zionism. To all who have been and are being persuaded along these lines, Paul would say: Cast out the bondwoman and her son, for the son of the bondwoman shall not be an heir with the son of the

J. Hort. Vol. 19 No. 3, 2009 J. Hort. 19(3):294-300, 2009 ...

J Hort Vol 19 No 3 2009 J Hort 19 3 294 300 2009

Tanaman Penutup Tanah Kacang-kacangan dan Mulsa Jerami Sumarni, N., E. Sumiati, dan R. Rosliani Balai Penelitian Tanaman Sayuran, Jl. Tangkuban Parahu 517, Lembang, Bandung 40391 Naskah diterima tanggal 8 Mei 2008 dan disetujui untuk diterbitkan tanggal 31 Oktober 2008 ABSTRAK. Penelitian dilakukan di Kebun Percobaan Balai Penelitian Tanaman Sayuran Lembang, dari bulan Juli-Oktober 2004 ...

KAJIAN EFEK LARUTAN ATONIK TERHADAP PERTUMBUHAN PLANLET ...

KAJIAN EFEK LARUTAN ATONIK TERHADAP PERTUMBUHAN PLANLET

Penelitian ini bertujuan untuk mengetahui konsentrasi toleran larutan atonik dan PEG 6000 yang resisten terhadap cekaman kekeringan serta mengetahui interaksi antara larutan atonik dan PEG 6000 pada planlet kacang hijau secara in vitro. Penelitian ini dilaksanakan pada bulan November 2016 sampai Januari 2017 di Laboratorium Botani (ruang In Vitro), Jurusan Biologi, Fakultas Matematika dan Ilmu ...

Allure Owner Manual TILE.qxd:Layout 1 - The Home Depot

Allure Owner Manual TILE qxd Layout 1 The Home Depot

Allure Owner Manual TILE.qxd: ... HELPFUL HINT #3:If laying allure over existing ceramic tile, ... your allure with a drop cloth...

Operation Manual - BrotherUSA

Operation Manual BrotherUSA

Operation Manual Cutting Machine Product Code: 891-Z01. ... and then study this safety manual for the correct operation of the various ... cloth. Using the machine ...

MANUAL - Pathfinder LARP

MANUAL Pathfinder LARP

3 Acknowledgements Current Refs: Royce Porter (Organiser & System creator), Matthew Moore (Ref, Web-Monkey & Cardiff Branch Big Cheese), Bethan Charlton (MK Ref and Guildsman Editor), Daniel Hooper (MK Ref) Training Refs: Adventure Writers (but NOT Refs): None at this time; contact the Ref team if you are interested in writing an adventure. Past Refs (with Great Thanks for their time and .