PENGELOMPOKAN PRESTASI MATEMATIKA SISWA INDONESIA BERDASARKAN HASIL SURVEY TIMSS MENGGUNAKAN ANALISIS LOGISTIK KELAS LATEN Riswan

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGELOMPOKAN PRESTASI MATEMATIKA SISWA INDONESIA BERDASARKAN HASIL SURVEY TIMSS MENGGUNAKAN ANALISIS LOGISTIK KELAS LATEN Riswan"

Transkripsi

1 PENGELOMPOAN PRESTASI MATEMATIA SISWA INDONESIA BERDASARAN HASIL SURVEY TIMSS MENGGUNAAN ANALISIS LOGISTI ELAS LATEN Rswan Abstract ; Conventonal metods of clusterng become wea wen meet measured objects wt qualtatve or categorcal data.latent class logstc analss can bean alternatve metod of clusterng to overcome ts problem. Ts researc s am to see te applcaton of latent class logstc analss to clusterte measured objects wt qualtatve and quanttatve varable and at once to fnd out bacgrounds of te clusters. Te objects n ts researc are 2171 egt grade students from 133 scools n Indonesa. Tere are two resultsnts researc; frst n clusterng and second n logstc analss. In clusterng te students ave beenclustered nto four deal clusterse.g percent students were n cluster percent n cluster percent n cluster3 and 6.97 percent n cluster4.eac cluster representste students wt ver low lowmedum andg ablt n matematcs. In logstc analss overall eac cluster as been explaned well b covaratese.g. student s nterest atttude apttudeand motvaton on matematcs parent ssocal-economc condton parent s gest educaton level teacer s gest educaton levelteacer s major stud of matematcs and educatonsteacer s perceptons on scoolsscool s facltes etc. e Words : Latent class logstc analss Covarate EM algortm and Local ndependence. A. PENDAHULUAN Analss laster merupaan suatu metode pengelompoan satuan obje pengamatan menjad beberapa elompo obje pengamatan berdasaran peuba-peuba ang dml sengga obje-obje ang terleta dalam elompo ang sama relatf leb omogen dbandngan dengan obje-obje pada elompo ang berbeda. Metode pengelompoanlas sepert metode berrar sngle lngage complete lngage average lngage centroddan metode ta Dosen Tetap Jurusan Tarba STAIN Samarnda Dnama Ilmu Vol.13 No.1 Jun

2 Rswan berrar -means-medod serng terendala masala data penguuran ang bersfat ualtatf atau ategor. Metode elas laten dapat djadan sebaga metode alternatf dalam mengelompoan obje pengamatan ang bersfat ategor. Metode elas latenadala suatu metode statst untu mengdentfas eanggotaan elas ang tda teruur laten antara subje dengan peuba ang damat.metode n menggunaan fungs peluang posteror sebaga bass pengelompoanna ang dduga menggunaan metode emungnan masmum maxmum lelood. 1 Metode n menggambaran ubungan antara suatu mpunan peuba pengamatan manfest/smptom/ndator dengan ang tda damat ang dsebut dengan peuba laten.pengelompoan data pengamatan berdasaran ndator ang melbatan ovarat sebaga peuba penjelasdapat daj leb jau dengan menggunaananalsslogst elas laten sebaga pengembangan dar analss elas laten. Asums ang arus dpenu dalam analss logst elas laten adala ebebasan loal local ndependence antar peuba pengamatan.adana pelanggaran teradap asums n aan berpengaru teradap tngat ecocoan model. rtera ang dgunaan untu menguj ebebasan loal adala nla Bvarate Resdual BVR.Sedangan rtera ecocoan model secara eseluruan dgunaan nla Baesan Informaton Crtera BICatau Aae s Informaton Crtera AIC. Model elas laten pertama al dperenalan ole Lazarfeld dan Henr 2 untu peuba dcotomous dan dembangan ole Goodman 3 untu peuba nomnal. Ar-ar n model elas laten tela dperluas lag untu peuba campuran mxture varable ba nomnal ordnal maupun ontnu.nanggolan menggunaan analss elas laten untu mengelompoan pasen demam dengue DD dan demam berdara dengue DBD. 4 Haslna 1Vermunt J Magdson J. Latent Class Cluster Analss. Cambrdge Unverst Press: Hagenaars JA & McCutceon AL eds. Appled Latent Class Analss2002 al Lazarsfelds P. F. Henr NW.Latent Structur Analss. Boston: Hougton Mffln 1968 al Goodman L. A. Explorator Latent Structure Analss Usng Bot Identfable and Undentfable Models. Bometra 1974 al Nanggolan BMH. Perbandngan Analss Laten elas dengan rtera WHO untu Penggerombolan Pasen Demam Dengue DD dan Demam Berdara Dengue DBD [tess]. Bogor: Faultas Matemata dan Ilmu Pengetauan Alam Intsttut Pertanan Bogor 2009 al Dnama Ilmu Vol. 13. No. 1 Jun 2013

3 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten menunjuan bawa pengelompoan dengan menggunaan analss elas laten mrp dengan pengelompoan menggunaan rtera dar WHO. Dalam peneltanna Nanggolan tda sampa pada penelusuran teradap fatorfator ang mempengaru pasen terena DD atau DBD. Sedangan model logst elas latenpertama al dperenalan ole Cung Flaert dan Scafer. 5 Berdasaran asl peneltanna teradap sswa SMA dar taun 1977 s.d 2001 aslnamenunjuan bawa pemaaan marjuana dan sap-sap sswa teradap onds moral dan sosalna dapat dsmpulan dengan ba e dalam empat model elas laten. Penerapan model logst multnomal teradap respon laten tersebut menunjuan bawa pengelompoan sswa dalam elas laten sangat beratan dengan fator-fator demografs gaa dup poltcal belefs dan agama. Tulsan n bertujuan untu mengaj dan menerapan model analss elas latendalam mengelompoan obje pengamatan ang bersfat ategor sealgus mencar fator-fator ang melatarbelaangna. Dalam tulsan n analss logst elas laten dterapan untu mengelompoan prestas sswa Indonesa berdasaran asl surve TIMSS Trend n Internatonal Matematcs and Scence Stud ang dlauan ole lembaga IEA Internatonal Assocaton for te Evaluaton of Educatonal Acevement. Setela dlauan pengelompoan emudan dcar fator-fator ang melatarbelaang prestas sswa tersebut pada tap elompona. Sebagamana detau bawa lembaga IEA melauan surve secara berala setap empat taun seal ang dlauan teradap sswa guru dan seola d sejumla negara d duna. Indonesa tela mengut proe n seja taun 1995 asl surve terar atu taun 2007 menunjuan bawa Indonesa menempat ranng e-35 dar 49 negara peserta. Rangng n tda jau berbeda dengan asl surve taun 2003 dan 1999 d mana prestas sswa Indonesa d tngat Asa Tenggara saja mas d bawa Sngapura Malasa baan Taland. Sengga menar untu dtelt apa ang melatarbelaang rendana prestas matemata sswa Indonesa tersebut. 5Cung H. et al. Latent Class Logstc Regresson: Applcaton to marjuana use and atttudes among g scool senors. Journal of Te Roal Statstcal Socet 2006 al Dnama Ilmu Vol. 13. No.1 Jun

4 Rswan ajan ang beratan dengan asl surve TIMSS tela dlauan d antarana ole Santoso. 6 Haslna menunjuan bawa secara umum fatorfator sepert sap atau motvas belajar matemata sswa perseps sswa teradap seola perseps sswa teradap matemata mnat belajar sswa perlau sswa d seola eadaan sosal eonom orang tua latar belaang guru penlaan guru teradap seola serta sarana dan prasarana seola sangat berpengaru teradapprestas matemata sswa. Namun deman belum ada rset ang mencoba mengelompoan prestas matemata sswa tersebut sealgus mencar fator-fator ang melatarbelaangna. Ole arena tu penuls tertar untu melauan ajan n dengan menggunaan analsslogst elas laten. B. TINJAUAN TENTANG METODOLOGI AJIAN Baan dalam peneltan n adala data seunderasl surve TIMSS taun 2007 melalu Pusat Peneltan Penddan Puspend Badan Peneltan dan Pengembangan Departemen Penddan Nasonal.Surve dlauan melalu anget uesoner ang dtujuan epada sswa guru dan seola d sejumla daera d Indonesa. Data berasal dar 2171 sswa SLTP elas 8 dar 133 seola ba neger maupun swasta. Data beratan dengan emampuan matemata sswa aljabar data dan peluang blangan dan geometr dan data latar belaang sswa guru dan seola. Data tersebut delompoan e dalam dua peuba atu peuba ndator berupa sor matemata sswa dan peuba ovarat berupa latar belaang sswa guru dan seola. 7 Taapan ang dlauan dalam ajan n adala: 1. Menapan datadengan ndator dan ovarat x. 2. Membentu elas laten berdasaran nla peluang dar semua sampel menggunaan software Latent Gold 4.0. Dalam al n peuba 1 sampa dengan 4 masng-masng berupa peuba nomnal dmana peuba berbentu poltomus dengan lma ategor sangat renda renda sedang tnggadvance. Sebaran multnomal berganda dengan peuba ovarat x meml fungs sebaran peluang sebaga ; 6Santoso A. Fator-fator ang mempengaru prestas sswa: tnjauan berdasaran data TIMSS 2007 Jaarta: Badan Peneltan dan Pengembangan Departemen Penddan Nasonal 2009 al Sumber data: Pusat data TIMSS destra menggunaan software IDBAnalzer. 70 Dnama Ilmu Vol. 13. No. 1 Jun 2013

5 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten Dnama Ilmu Vol. 13. No.1 Jun P s S s s p x g x x f Dmana M adala jumla parameter M = 1 + * 1 S DF = 1 1 M S P dan adala vetor propors campuran dar elas laten p adala jumla peuba atu 4 dan S banana ategor atu Pendugaan parameter menggunaan algortma EM atu: a. Defnsan nla awal b. Htung sebaran peluang bersama: ˆ ˆ ˆ 1 l g x x f sebaran multnomal dengan p = 4 dan S = 5 adala s s s x g x x f c. Taapan E tung dan ˆ P r 1 ˆ ˆ ˆ ˆ ˆ r l r l l r r r g g P menataanpeluang bersarat ang menataan muncul dar. d. Taapan M sesuaan pendugaan parameter ang baru atu n P n ˆ ˆ 1 untu peuba nomnal pendugaan peluang bersarat =s adala n s s n P ˆ ˆ ˆ 1 e. Ulang taap 2 dan 3 sampa onvergen. 4. eta algortma EM mencapa optmal dlanjutan e metode Newton Rapson. 5. Meml laster terba dengan menggunaan nla BIC. 6. Memersa asums ebebasan loal dengan menggunaan nla BVR. 7. Menguj sgnfans nla dugan parameter dengan Wald C-Square Statstc. 8. Interpretasasl analss logst elas laten. 9. Smpulan dan saran

6 Rswan C. ONSEP DASAR ANALISIS ELAS LATEN Secara umum model elas laten dnataan dengan sebaran gabungan dar peuba-peuba ang damat pada data ang meml berbaga macam sala penguuran. Msalan p dnotasan sebaga vetor dar p peuba ndator dmana setap peuba meml sebaran bersarat dalam eluarga esponensal sepert Bernoull Posson multnomal dan normal. Msalan adala nla dar =12 n sampel obje untu peuba e-. ' Vetor bars p mengacu e bentu respon dar objemaa model elas laten ddefnsan sebaga sebaran peluang bersama atu: f g 1 dmana g adala sebaran dengan parameter model adala peluang awal elas laten pada data adala peluang suatu obje pada elas dengan banana elas =12. Peuba bner: Pada asus dmana peuba berbentu bner 0 dan 1 sebaran n dasumsan berbentu sebaran Bernoull bergandamaa sebaran peluangna adala 1 1 f g 1 P 1 1 dengan adala peluang suatu obje pada gerombol M adala jumla parameter dmana M = 1 + *p DF adala derajat ebebasan dmana DF = 2 p M 1. Peuba nomnal: Pada asus dmana peuba berbentu poltomus maa sebaran peluangna adala P S p g 1 s f s dengan M adala jumla parameter dmana M = 1 + * S 1 P DF = 1 S M 1 dan adala vetor propors campuran dar elas. Peuba ordnal: Pada asus dmana peuba berbentu ordnal maa sebaran peluangna adala P Lp g 1 s s s f s s 72 Dnama Ilmu Vol. 13. No. 1 Jun 2013

7 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten P denganm = 1 + * L 1 DF = 1 L M 1. Peuba uanttatf: Pada asus dmana peuba berbentu uanttatf sebaranna dasumsan normal maa sebaran peluangna adala P f 2 exp dengan adala loas parameter dar peuba ontnu dalam elas. adala ragam dar peuba e- dan jumla parameter 2p + 1* 1. D. MODEL LOGISTI ELAS LATEN Model elas laten dengan melbatan ovarat adala sebaga berut: 1 p f x x g dmanax dnotasan sebaga nla ovarat obje maa model logst elas laten ddefnsan sebaga berut: exp x x exp x 1 1 Parameter model logt dduga secara bersamaan dengan model elas laten menggunaan algorma EM.Pengujan nla sgnfans dugaan parameter dnataan dengan rumusan potess berut: H0 : 0 oefsen logt tda berpengaru teradap model H : 0 ada oefsen logt ang berpengaru teradap model 0 Dengan statst uj menggunaan Wald C-SquareStatstcatu ˆ 2 W / SE ˆ. 2 Ja dgunaan tarap nata maa tola H0 ja nla W x p atau p-value. 1. Pendugaan parameter Dua metode utama untu menduga parameter pada analss elas laten adala emungnan masmum EM dan metode Newton-Rapson. Fungs lelood untu analss model elas laten campuran adala: L n log f dan L log 1 n g 1 1 Dnama Ilmu Vol. 13. No.1 Jun

8 Rswan Dalam al n peuba pengamatan bebas bersarat pada setap laster. Dnotasan x x 1... x dengan x x 1... x n x 1 ja muncul dar laster x 0 untu lanna. Vetor ndator ang tda detau dar laster meml bentu lelood lengap atu: n L x x log g 1 1 Log-lelood tersebut dmasmuman dengan menggunaan algortma EM dengan endala 1. endala tambaan dpersaratan pada asus 1 1 s s S L nomnal dan ordnal atu 1dan 1. 1 s s 2. Uuran ecocoan model rtera pememlan laster atau model terba dapat dgunaan beberapa rtera sepert: Statst C-Square Baesan Informaton Crtera BIC dan Aae s Informaton Crtera AIC. Model terba adala model dengan nla AIC dan BIC terecl. Vermunt & Magdson max ln L m dan BIC 2maxln L 2mlog n AIC 2 dalam al n m adala banana parameter n adala uuran sampel dan L adala fungs emungnan lelood. 3. Asums ebebasan loal Analss elas laten mensaratan antar peuba arus salng bebas pada suatu elas laten tertentu ang dsebut dengan ebebasan loal.pelanggaran teradap asums ebebasan loal dlat dar nla Bvarater Resdual BVR atu nla Pearson C-Square dbag dengan derajat bebasna atu: j 2 2 Oj Ej 2 X X dan BVR 1 Ej df dengan Oj adala freuens observas Ej freuens arapan dan df =p-1-1.asums ebebasan loal dpenu ja nla BVR< Prestas matemata sswa 74 Dnama Ilmu Vol. 13. No. 1 Jun 2013

9 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten Prestas sswa dalam bdang matemata bsa dlat dar emampuan merea dalam memecaanan soal-soal atau permasalaan matemata. Bdang-bdang matemata ang dpelajar sswa d seola bsa dgolongan e dalam empat ategor atu aljabar data dan peluang blangan dan geometr. TIMSS mengelompoan emampuan matemata ba aljabar data dan peluang blangan maupun geometr berdasaran Mat Internatonal Bencmar atu: emampuan sswa dengan sor urang dar 400 antara 400 sampa urang dar 475 antara 475 sampa urang dar 550 antara 550 sampa urang dar 625 dan sor 625 e atas. Berdasaran asl surve 2007 sor matemata sswa Indonesa berada pada rata-rata 3971 termasu e dalam ategor sangat renda. 5. Fator-fator ang Mempengaru Prestas Sswa Secara umum bana seal fator ang dapat mempengaru prestas belajar sswa ba nternal maupun esternal. Fator nternal berasal dar dalam dr sswa sepert aspe fsologs dan psologs. Aspe psologs dapat mempengaru uanttas dan ualtas perolean pembelajaran sswa beberapa al ang dpandang pentng adala tngat ecerdasan sap sswa teradap pelajaran baat mnat dan motvas sswa. 8 Sedangan penddan orang tua cta-cta penddan sswa jumla buu ang dml sswa d ruma etersedaan perangat omputer sosal eonom watu pengerjaan peerjaan ruma merupaan fator esternal dar sswa ang berpengaru teradap prestas aademna. 9 usus dalam bdang matemata Santoso tela merangum fatorfator ba nternal maupun esternal ang dapat mempengaru prestas matemata sswa atu:sap atau motvas belajar matemata sswa perseps sswa teradap seola perseps sswa teradap matemata mnat belajar sswa perlau sswa d seola eadaan sosal eonom orang tua latar 8Sa M. Psolog Penddan dengan Pendeatan Baru Eds Revs.Bandung: PT Remaja Rosda ara 2005 al Mulls IV S et al. TIMSS 2007: Assessment Framewors from IEA s Trends n Internatonal Matematcs and Scence Stud at te fourt and Egt Grades. Boston College: TIMSS Internatonal Stud Center 2005 al Dnama Ilmu Vol. 13. No.1 Jun

10 Rswan belaang guru penlaan guru teradap seola serta sarana dan prasarana seola Varabel peneltan Varbel atau peuba peneltan terdr dar peuba ndator dan ovarat atau peuba penjelas atu sebaga berut: Indator: 1 : emampuan aljabar 2 : emampuan data dan peluang 3 : emampuan blangan : emampuan geometr 4 ovarat: x1 : Lama mengajar >27 taun x2 : Tngat penddan guru SLTA D1/D2 D3/D4 S1S2/S3 x3 : Latar belaang penddan guru lnear aga lnear tda lnear x4 : Perseps guru teradap seola tngg sedang renda sgtrenda x5 : Bana buu ang dml sswa >200 buu x6 : Sosal eonom orang tua sgt tngg tngg sedang renda sgt renda x7 : Tngat penddan orang tua sgt renda renda sedang tngg sgttngg x8 : Motvas belajar sswa sgttngg tngg sedang renda sgtrenda x9 : Perseps sswa teradap matemata jele basa saja ba x10 : Mnat belajar matemata sswa sgttngg tngg sedang renda x11 : Perseps sswa teradap seola jele basa saja ba x12 : Intenstas pemberan PR/mnggu setap ar 3-4 al 1-2 al urang dar seal tda perna x13 : Lama watu mengerjaan PR >90 ment x14 : Perlau sswa ba sedang jele sangat jele x15 : Penguatan tngg sedang renda x16 : Sarana prasarana seola sgt. urang urang sedang bana sgt. bana 10Santoso Fator-fator ang Mempengaru al Dnama Ilmu Vol. 13. No. 1 Jun 2013

11 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten x17 : Penggunaan watu luang normal sedang jele sangat jele E. HASIL AJIAN a. Desrps data Berdasaran asl surve TIMSS taun 2007 dperole nformas bawa prestas sswa Indonesa ususna sswa SLTP elas 8 mas jau d bawa standar Internasonal. Sor matemata sswa Indonesa sebagan besar atu setar 40%-na mas d bawa 400 ba untu sor aljabar data dan peluang blangan maupun geometr dan ana sebagan ecl saja dantara merea ang dapat mera sor d atas 625 palng bana 6% untu sor aljabar selebna jau d bawa 6%. emampuan sswa Indonesa dalam bdang matemata tersebut tergambar dalam Tabel 1 dan gambar 1 berut n. SOR Tabel 1 Sor matemata sswa SLTP elas 8 ALJABAR DATA & PELUANG BILANGAN GEOMETRI Jumla Jumla Jumla Jumla % % % % <; [400; [475; [550; [625;> Total Dnama Ilmu Vol. 13. No.1 Jun

12 Rswan % ALJ DAT BIL GEO <;400 [400;475 [475;550 [550;625 [625;> N=2171 Gambar 1 Sor matemata sswa SLTP elas 8 b. Hasl analss elas laten 1. Pemlan model terba Pemlan model terba dalam analss elas laten mengandung pengertan berapa elas terba untu mengelompoan obje pengamatan. Berut n dsajan berbaga model asl analss elas laten. Mod el2 Mod el3 2- elas 3- elas Tabel2ecocoanmodel N BICL LL pa L r L² df p- value 13e e Mod e- 78 Dnama Ilmu Vol. 13. No. 1 Jun 2013

13 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten el4 elas Mod el5 elas e Berdasaran Tabel 2 detau bawa nla BIC terecl dperole pada Model4 atu model dengan 4 elas dengan p-value sgnfan. Maa untu selanjutna dpl model dengan 4 elas sebaga model terba untu mengelompoan prestas sswa Indonesa berdasaran emampuana dalam bdang matemata atu ajabar data dan peluang blangan dan geometr. 2. Pemersaan asums ebebasan loal Pemersaan asums ebebasan loal dlauan teradap model terba ang suda terpl atu model dengan 4 elas. Berut n dsajan nla Bvarate Resdual BVR sebaga rtera ang dgunaan untu menla onds ebebasan loal. Tabel 3 NlaBvarate Resdual BVR Indator ovarat x Berdasaran Tabel 3 dperole nformas bawa terdapat gangguan asums ebebasan loal pada peuba ovarat x11 atu perseps guru teradap seola dengan peuba ndator 11 dan 4 dengan nla BVR > 3.84 dan ja dlat pada pada Tabel 4 peuba x11 tda berpengaru nata teradap model dengan p-value sebesar 1. Sengga untu mengatas gangguan teradap asums ebebasan loal tersebut dlauan dengan mengeluaran peuba x11 tersebut dar model emudan dlauan pemodelan ulang teradap model dengan 4 elas tersebut. Dnama Ilmu Vol. 13. No.1 Jun

14 Rswan Tabel4Nlasgnfans parameter x11 elas1 elas2 elas3 elas4 p-value Ba urang Ba Tda Ba Setela dlauan pemodelan ulang sebagamana terlat pada Tabel 5 dperole Model 5 dengan 4 elas dengan eadaan ang leb ba dmana nla BIC-na leb ecl dar model sebelumna serta tda ada lag nla BVR > 3.84 sengga model suda memenu asums ebebasan loal. Model4 Model5 4- elas 4- elas Tabel 5 ecocoan model LL BICLL Npar L² df araterst model elas laten berdasaran peuba ndator p- value 34e e Berdasaran uraan terdaulu bawa model elas laten terba adala model dengan 4 elas. araterst dar masng-masng elas tersebut berdasaran peuba ndatorna dapat dlat pada Tabel 6. Tabel 6 araterstmodel berdasaran peuba ndator elas1 elas2 elas3 elas4 Uuran elas Indator Sor Aljabar <; [400; Dnama Ilmu Vol. 13. No. 1 Jun 2013

15 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten 1 [475; [550; [625;> Data&Peluang <; [400; [475; [550; [625;> Blangan <; [400; [475; [550; [625;> Geometr <; [400; [475; [550; [625;> Berdasaran Tabel 6 tersebut dapat dgambaran bawa elompo pertama atau elas1 dengan propors palng besar 3916% atau setar 850 sswa adala elompo sswa ang prestasna palng renda. eadaan n dapat dlat dar sebagan besar sswa ang berada pada elompo n memperole sor <;400 dengan propors sebesar 8251% untu sor aljabar 8067% untu sor data dan peluang 9127% untu sor blangan 9027% untu sor geometr.tda ada sama seal sswa ang memperole sor 550 atau leb ba untu aljabar data dan peluang blangan maupun geometr. elompo edua atau elas 2 dengan propors sebesar 3242% atau setar 704 sswa sedt leb ba perolean sor matematana dar elompo ang pertama. Sebagan besar dantara merea memperole sor [400;475 dengan propors sebesar 672% untu sor aljabar 6316% untu sor data dan peluang 7719% untu sor blangan 6541% untu sor geometr dan ssana ada ang memperole sor <;400 dan [475;550 dan sama seal tda ada sswa ang memperole sor [625;> ba untu sor aljabar data dan peluang blangan maupun geometr. Dnama Ilmu Vol. 13. No.1 Jun

16 Rswan elompo etga atau elas3 dengan propors sebesar 2146% atau setar 466 sswa. Sebagan besar dantara merea memperole sor [475;550 dengan propors sebesar 6446% untu sor aljabar 5416% untu sor data dan peluang 6709% untu sor blangan 6888% untu sor geometr dan sedt ssana ada ang memperole sor <;400 [475;550 dan [550;625. Walaupun sswa d elompo n sorna leb ba dbandng elompo pertama dan edua namun tda ada sswa ang memperole sor [625;> ba untu aljabar data dan peluang blangan maupun geometr. elompo terar atu elas 4 dengan propors palng ecl atu sebesar 697% atau ana setar 151 sswa sajaadala elompo sswa ang prestasna palng tngg. Sebagan besar dantara merea memperole sor [550;625 dengan propors sebesar 587% untu sor aljabar 489% untu sor data dan peluang 6642% untu sor blangan 6966% untu sor geometr.sebagan lan sswa memperole sor [475;550 dengan propors sebesar 3257% untu sor aljabar 446% untu sor data dan peluang 2089% untu sor blangan 1257% untu sor geometr. Walaupun sswa d elompo empat n meml sor palng tngg dbandngan elompo lanna namun sedt dantara merea ang memperole sor [625;> atu 463% untu sor aljabar 859% untu sor data dan peluang 1256% untu sor blangan 1652% untu sor geometr. Ja elompo tersebut ddefnsan e dalam suatu ategor prestas sswa dalam bdang matemata maa sswa ang berada pada elompo pertama termasu ategor sangat rendasr edua renda R etga sedang S dan eempat tnggt. Tda ada ategor sangat tngg al n bsa dpaam bawa prestas sswa Indonesa mas d bawa rata-rata sor TIMSS atu sebesar 500 dan sangat sedt seal sswa ang memperole sor 625 e atas. 4. Parameter model logst elas laten Pendugaan parameter logst elas laten dlauan dengan menggunaan algortma EM. eta algortma EM tela mencapa nla ang optmum proses dlanjutan dengan metode Newton-Rapson. Dalam aplasna edua taapan tersebut dlauan dengan menggunaan softwarelatent Gold Dnama Ilmu Vol. 13. No. 1 Jun 2013

17 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten Hasl pendugaan parameter pada analss logst elas laten menunjuan bawa pada tarap nata 15% ampr semua parameter peuba ovarat x meml pengaru nata teradap model ecual x15 atu peuba penguatan pembelajaran. Hal n menunjuan bawa secara umum latar belaang sswa guru dan seola sangat berpengaru teradap prestas sswa dalam bdang matemata. Model logst elas latendengan empat elas =4 16 peuba ovarat P=16 dan 2171 pengamatan I=2171 dapatdnataan sebaga berut: exp x exp x x x 4 exp x exp x 1 1 dengan = 123 p=123 P dan =123 I. Berdasaran asl pendugaan parameter logst elas laten maa dapat dduga besaran peluang suatu pengamatan atau ndvdu dengan araterst peuba ovarat tertentu masu e dalam elompo ang ada. Dalam al ndapat dperraan besarna peluang seorang sswa dengan latar belaang tertentu masu e dalam elompo sswa ang prestasna sangat renda SR renda R sedang S atau tngg T. Sebaga conto sswa dengan latar belaang ang urang ba sebagamana terlat pada Tabel 7 meml peluang ang besar untu masu e dalam elompo sswa ang prestasna sangat renda SR atu sebesar 9997% dan sangat ecl seal peluangna untu bsa masu e dalam elompo sswa dengan emampuan tngg T dengan peluang ana 01%.Pada sswa ang elompo prestasna sangat renda SR n ontrbus terbesar dberan ole fator motvas ang sangat renda mnat belajar ang sangat renda pula serta latar belaang penddan guru ang tda lnear. Tabel7 Peluangsswa dengan latar belaang urang ba elas1 elas2 elas3 elas4 Intersep Lama_mgjr x1 0;2] T_pend_gr x2 Lulus Lb_pend_gr x3 Tda Naman_gr x4 Sangat B_buu x5 [0; Eonm_ot x6 Sangat Dnama Ilmu Vol. 13. No.1 Jun

18 Rswan Pend_ot x7 Sangat Motvas x8 Sangat Persps_mat x9 Jele Mnat_bljr x10 Sangat Intens_pr x12 < 1 al Watu_pr x Prlau_ss x14 Sangat Renforcmn x15 Renda Sarana_sl x16 Sangat Watu_lng x17 Sangat exp x x exp x 1 Sebalna sswa ang meml latar belaang ang ba sebagamana terlat pada Tabel 8 meml peluang ang besar untu masu e dalam elompo sswa ang prestasna tngg T dengan peluang sebesar 9439% dan ecl peluangna untu masu e dalam elompo sswa ang prestasna sangat renda SR atu sebesar 1296%. Pada sswa ang elompo prestasna tngg T n ontrbus terbesar dberan ole fator latar belaang penddan guru ang lnear perseps guru teradap seola/tngat enaman guru d lngungan seola serta lama mengajar guru atau guru ang berpengalaman. Tabel 8 Peluang sswa dengan latar belaang ba elas1 elas2 elas3 elas4 Intersep Lama_mgjr x1 14;20] taun T_pend_gr x2 Lulus S Lb_pend_gr x3 Lnear Naman_gr x4 Tngg B_buu x5 [200;> buu Eonm_ot x6 Sangat Tngg Dnama Ilmu Vol. 13. No. 1 Jun 2013

19 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten Pend_ot x7 Sangat Tngg Motvas x8 Sangat Tngg Persps_mat x9 Ba Mnat_bljr x10 Sangat Tngg Intens_pr x12 Setap ar Watu_pr x13 > 90 ment Prlau_ss x14 Ba Renforcmn x15 Tngg Sarana_sl x16 Sangat Bana Watu_lng x17 Normal exp x x 4 exp x F. ESIMPULAN Dar uraan d atas maa dapat dsmpulan ; 1. Analss logst elas laten sebaga bagan dar analss statsta ususna analss lastercoco untu dgunaan dalam mengelompoan prestas sswa dengan berbaga fator atau latar-belaangang mempengaruna. 2. Berdasaran asl analss logst elas laten teradap data asl surve TIMSS taun 2007 maa prestas matemata sswa SLTP elas 8 d Indonesa dapat dgolongan e dalam empat ategor atu: sangat renda renda sedang dan tngg dengan propors masng-masng sebesar 3916% 3242% 2146% dan 697%. 3. Latar belaang eempat elompo sswa tersebut cuup ba djelasan ole fator-fator sepert: berapa lama guru mengajar program stud ang dtempu guru tngat penddan guru perseps guru teradap seola Dnama Ilmu Vol. 13. No.1 Jun

20 Rswan tngat penddan orang tua eadaan eonom orang tua banana buu pelajaran ang dml mnat motvas dan perseps sswa teradap matemata perlau sswa d seola ntenstas pemberan PR banana watu untu mengerjaan PR sarana dan prasarana seola serta pemanfaatan watu luang. 4. Latar belaang sswa pada masng-masng elompo tersebut berbedabeda sswa dengan latar belaang ang urang ba ecl seal peluangna untu mencapa prestas ang tngg dan sebalna sswa dengan latar belaang ang ba besar seal peluangna untu mencapa prestas ang tngg. BIBLIOGRAFI Cung H. et al. Latent Class Logstc Regresson: Applcaton to marjuana use and atttudes among g scool senors.journal of Te Roal Statstcal Socet 2006 Hagenaars JA. Latent Structure Models wt drect effect between Indator: Locals dependence models. Socologcal Metods and Researc 1998 Lazarsfelds PF Henr NW. Latent Structur Analss. Boston: Hougton Mffln Mulls IVS.et al. TIMSS 2007: Assessment Framewors from IEA s Trends n Internatonal Matematcs and Scence Stud at te fourt and Egt Grades. MA Boston TIMSS InternatonalStudCenter: BostonCollege 2005 Nanggolan BMH. Perbandngan Analss Laten elas dengan rtera WHO untu Penggerombolan Pasen Demam Dengue DD dan Demam Berdara Dengue DBD[tess]. Bogor: Faultas Matemata dan Ilmu Pengetauan Alam Intsttut Pertanan Bogor 2009 Santoso A. Fator-fator ang mempengaru prestas sswa: tnjauan berdasaran data TIMSS ProsdngSemnar Mutu penddan dasar dan menenga asl peneltan Puspend. Jaarta Otober Jaarta: Badan Peneltan dan Pengembangan Departemen Penddan Nasonal 2009 Sa M. Psolog Penddan dengan Pendeatan Baru Eds Revs. Bandung: PT Remaja Rosda ara Dnama Ilmu Vol. 13. No. 1 Jun 2013

21 Pengelompoan Prestas Matemata Sswa Indonesa Berdasaran Hasl Surve Tmss Menggunaan Analss Logst elas Laten Vermunt J Magdson J. Latent Class Cluster Analss. Hagenaars JA & McCutceon AL eds. Appled Latent Class Analss. Cambrdge Unverst Press 2002 Dnama Ilmu Vol. 13. No.1 Jun

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

ANALISIS LOGISTIK KELAS LATEN. (Pengelompokan Prestasi Matematika Siswa Indonesia Berdasarkan Hasil Survey TIMSS) RISWAN

ANALISIS LOGISTIK KELAS LATEN. (Pengelompokan Prestasi Matematika Siswa Indonesia Berdasarkan Hasil Survey TIMSS) RISWAN ANALISIS LOGISTIK KELAS LATEN (Pengelompoan Prestasi Matematia Siswa Indonesia Berdasaran Hasil Survey TIMSS) RISWAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2010 i PERNYATAAN MENGENAI TESIS DAN SUMBER

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,

Lebih terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab III. Plant Nonlinear Dengan Fase Nonminimum Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

e + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e

e + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk) Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

Pendekatan Hurdle Poisson Pada Excess Zero Data SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d

Lebih terperinci

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut

Lebih terperinci

EVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6. Oleh : Anik Djuraidah

EVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6. Oleh : Anik Djuraidah EVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6 S-21 Oleh : An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Pembangunan daerah tertnggal merupaan upaya

Lebih terperinci

π(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112

π(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.

Lebih terperinci

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata

Lebih terperinci

Penggunaan Model Regresi Tobit Pada Data Tersensor

Penggunaan Model Regresi Tobit Pada Data Tersensor SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-36

JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-36 JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04 337-350 (30-98X Prnt D-36 Fator-Fator Yang Mempengaruh ngat Keberhaslan Pemberan Kemoterap Pada Pasen Penderta Kaner Payudara D RSUD Dr.Soetomo Dengan Menggunaan

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan

Lebih terperinci

Pemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression

Pemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression JURNAL SAINS DAN SENI IS Vol., No., (Sept. 0) ISSN: 30-98X D-3 Pemodelan Fator-Fator Yang Mempengaruh ngat Buta Huruf Kabupaten/ota d Jawa mur dengan Geographcally Weghted Ordnal Logstc Regresson Nur Lalyah

Lebih terperinci

Pemodelan MGWR Pada Tingkat Kemiskinan di Provinsi Jawa Tengah

Pemodelan MGWR Pada Tingkat Kemiskinan di Provinsi Jawa Tengah Value Added, Vol., No., 5 Pemodelan MGWR Pada Tngat Kemsnan d Provns Jawa Tengah Moh Yamn Darsyah, Rochd Wasono, Monca Frda Agustna 3,,3 Program Stud StatstaUnverstas Muhammadyah Semarang Emal: mydarsyah@unmus.ac.d

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan

Lebih terperinci

INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5. Anik Djuraidah

INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5. Anik Djuraidah S-20 INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5 An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Analss erentanan berembang dan dgunaan dalam

Lebih terperinci

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d

Lebih terperinci

ANALISIS KARAKTERISTIK MAHASISWA DAN FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP KEPEMILIKAN USAHA MANDIRI MAHASISWA ITS

ANALISIS KARAKTERISTIK MAHASISWA DAN FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP KEPEMILIKAN USAHA MANDIRI MAHASISWA ITS ANALISIS KARAKTERISTIK MAHASISWA DAN FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP KEPEMILIKAN USAHA MANDIRI MAHASISWA ITS Wasa Yula, Dw Endah Kusrn, S.S., M.S. Mahasswa Jurusan Statsta FMIPA-ITS (305 00 003)

Lebih terperinci

Pemodelan Peran Perempuan Terhadap Pertumbuhan Ekonomi di Jawa Timur Tahun Menggunakan Regresi Data Panel

Pemodelan Peran Perempuan Terhadap Pertumbuhan Ekonomi di Jawa Timur Tahun Menggunakan Regresi Data Panel JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prnt) D-305 Pemodelan Peran Perempuan Terhadap Pertumbuhan Eonom d Jawa Tmur Tahun 010-014 Menggunaan Regres Data Panel Putr Rachmawat, Wahu

Lebih terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

Pemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression

Pemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prnt) D-333 Pemetaan Anga Gz Buru pada Balta d Jawa Tmur dengan Geographcally Weghted Regresson Adtya Kurnawat, Mutah Salamah C., dan Shof Andar

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

III FUZZY GOAL LINEAR PROGRAMMING 7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang

Lebih terperinci

V E K T O R Kompetensi Dasar :

V E K T O R Kompetensi Dasar : MODUL PEMELJRN I V E K T O R Kompetens Dasar : 1. Mahasswa mampu memaham perbedaan besaran vetor dan salar serta memberan contohcontohna dalam ehdupan sehar-har, 2. Mahasswa mampu melauan operas penumlahan

Lebih terperinci

Pemodelan Angka Buta Huruf di Kabupaten/Kota se-jawa Timur dengan Metode Geographically Weighted t Regression

Pemodelan Angka Buta Huruf di Kabupaten/Kota se-jawa Timur dengan Metode Geographically Weighted t Regression JURNAL EKNIK IS Vol. 6, No., (7) ISSN: 337-3539 (3-97 Prnt) D- Pemodelan Anga Buta Huruf d Kabupaten/Kota se-jawa mur dengan Metode Geographcally Weghted t Regresson Nndya Kemala Astut, Purhad, dan Shof

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.

Lebih terperinci

ANALISIS PEMILIHAN CARA KONTRASEPSI DALAM UPAYA PELAKSANAAN PROGRAM KELUARGA BERENCANA DI JAWA TIMUR DENGAN PERMODELAN REGRESI LOGISTIK MULTINOMIAL

ANALISIS PEMILIHAN CARA KONTRASEPSI DALAM UPAYA PELAKSANAAN PROGRAM KELUARGA BERENCANA DI JAWA TIMUR DENGAN PERMODELAN REGRESI LOGISTIK MULTINOMIAL ANALISIS PEMILIHAN CARA KONTRASEPSI DALAM UPAYA PELAKSANAAN PROGRAM KELUARGA BERENCANA DI JAWA TIMUR DENGAN PERMODELAN REGRESI LOGISTIK MULTINOMIAL Nama Mahasswa : Respat Yet Wbowo Nrp : 306 00 003 Jurusan

Lebih terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr

Lebih terperinci

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011).

ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). Try Azsah Nurman Dosen Pada Jurusan Matemata, Faultas Sans

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-305

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-305 JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prnt) D-305 Analss Pola Hubungan Kerugan Negara Abat Korups dengan Demograf Koruptor d Jawa Tmur Amla Frda Rahmana, Sant Puter Rahau Jurusan

Lebih terperinci

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu

Lebih terperinci

Faktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression

Faktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D-37 Fator-Fator Esternal Pneumona pada Balta d Jawa Tmur dengan Pendeatan Geographcally Weghted Regresson Ftrarma Putr Santoso, Sr Pngt W, dan

Lebih terperinci

IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 20 MALANG

IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 20 MALANG IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 0 MALANG Erm Andayan, Swasono Rahardjo, I Nengah Parta Unverstas

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

Pemodelan Persentase Kriminalitas Dan Faktor- Faktor Yang Mempengaruhi Di Jawa Timur Dengan Pendekatan Geographically Weighted Regression (GWR)

Pemodelan Persentase Kriminalitas Dan Faktor- Faktor Yang Mempengaruhi Di Jawa Timur Dengan Pendekatan Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI POMITS Vol., No.1, (014 7-50 (01-98X Prnt D-18 Pemodelan Persentase Krmnaltas Dan Fator- Fator ang Mempengaruh D Jaa Tmur Dengan Pendeatan Geographcally Weghted Regresson (GWR Pan

Lebih terperinci

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh

Lebih terperinci

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

Perbandingan Metode Partial Least Square (PLS) dengan Regresi Komponen Utama untuk Mengatasi Multikolinearitas

Perbandingan Metode Partial Least Square (PLS) dengan Regresi Komponen Utama untuk Mengatasi Multikolinearitas Statstka, Vol. No., 33 4 Me 0 Perbandngan Metode Partal Least Square (PLS) dengan Regres Komponen Utama untuk Mengatas Multkolneartas Nurasana, Muammad Subanto, Rka Ftran Jurusan Matematka FMIPA UNSYIAH

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA LAPORAN PENELITIAN MANDIRI PENELITI RESA SEPTIANI PONTOH NIP : 132 317 117 JURUSAN STATISTIKA

Lebih terperinci

APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW

APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar 2015 APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW Aslnda 1), Andea

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di: ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor 3, ahun 05, Halaman 639-650 Onlne d: http://ejournal-s.undp.ac.d/ndex.php/gaussan PEMODELAN FAKOR-FAKOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA KABUPAEN/

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

Pemodelan Penduduk Miskin Di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)

Pemodelan Penduduk Miskin Di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR) Pemodelan Pendudu Msn D Jawa Tmur Menggunaan Metode Geographcally Weghted Regresson (GWR) Yuanta Damayant, dan Dr. Vta Ratnasar S.S, M.S Jurusan Statsta, F-MIPA, Insttut Tenolog Sepuluh Nopember (ITS)

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar

Lebih terperinci

BAB VIII PENUTUP 8.1. Kesimpulan Penelitian

BAB VIII PENUTUP 8.1. Kesimpulan Penelitian A VIII PENUTUP 8.. Kesmpulan Peneltan Dalam peneltan yang tela dlakukan, dperole nformas knerja transms dan spektrum gelombang serta stabltas terumbu ottle Reef TM sebaga peredam gelombang ambang terbenam

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

BAB IV HASIL DAN ANALISIS DATA PENELITIAN. Mojokerto pada kelas IX-A yang berjumlah 34 siswa. Penelitian ini dilaksanakan

BAB IV HASIL DAN ANALISIS DATA PENELITIAN. Mojokerto pada kelas IX-A yang berjumlah 34 siswa. Penelitian ini dilaksanakan 57 BAB IV HASIL DAN ANALISIS DATA PENELITIAN A. Deskrps Pelaksanaan Peneltan Kegatan peneltan n tela dlaksanakan ole penelt d MTs Neger Mojokerto pada kelas IX-A yang berjumla 34 sswa. Peneltan n dlaksanakan

Lebih terperinci

PEMODELAN KEJADIAN BALITA GIZI BURUK DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION

PEMODELAN KEJADIAN BALITA GIZI BURUK DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PEMODELAN KEJADIAN BALIA GIZI BURUK DI PROVINSI JAWA IMUR DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED REGRESSION Rahandn Luta Lestar 1 dan Sutno 1 Mahasswa Jurusan Statsta, IS, Surabaya Dosen Pembmbng, Jurusan

Lebih terperinci

Analisis Sensitivitas

Analisis Sensitivitas Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang dan Permasalahan

BAB I PENDAHULUAN Latar Belakang dan Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang

Lebih terperinci

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4 Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

Statistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR

Statistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Bab Statsta A KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Melalu proses pembelajaran statsta, sswa mampu menghayat pola hdup dspln, rts, bertanggungjawab, onssten, dan jujur serta menerapannya

Lebih terperinci

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel

Lebih terperinci

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data

Lebih terperinci

SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING

SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING Murnto 1), Agus Harjoo 2) 1) Mahasswa S3 Ilmu Komputer UGM, Dosen jurusan Ten Informata UADYogyaarta 2) Dosen Faultas

Lebih terperinci

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf

Lebih terperinci

Kaedah Runge-Kutta. Bab 25

Kaedah Runge-Kutta. Bab 25 Kaeda Runge-Kutta Bab 5 D ar bab n anda sepatutna: Bole menjelasan gambaran vsual aeda Euler Heun dan tt tenga Faam ubungan antara aeda Euler dan sr Talor dan ralat ang beratan Dapat membezaan ralat (local

Lebih terperinci

BAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika

BAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan

Lebih terperinci

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar

Lebih terperinci

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal

Lebih terperinci

KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN

KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:

Lebih terperinci

Estimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural

Estimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural Estmas Relabltas Penguuran Dalam Pendeatan Model Persamaan Strutural Wahyu Wdharso Unverstas Gadjah Mada Pendeatan analss data peneltan dengan menggunaan persamaan model strutural (SEM telah banya dgunaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

Daftar Pustaka DAFTAR PUSTAKA

Daftar Pustaka DAFTAR PUSTAKA Daftar Pustaa DAAR PUSAKA [ arna, A., dan Studer,. A. (985), Radar Data Processng, ol. I Introducton and racng, Researc Studes Press. [ arna, A., dan Studer,. A. (985), Radar Data Processng, ol. II Advanced

Lebih terperinci

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,

Lebih terperinci

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN 69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah

Lebih terperinci

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen. BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen

Lebih terperinci

Pemodelan Mixed Geographically Weighted Regression pada Tingkat Kemiskinan di Provinsi Jawa Tengah

Pemodelan Mixed Geographically Weighted Regression pada Tingkat Kemiskinan di Provinsi Jawa Tengah Pemodelan Mxed Geographcally Weghted Regresson pada Tngat Kemsnan d Provns Jawa Tengah The Model of Mxed Geographcally Weghted Regresson (MGWR) for Poverty Level n Central Java Moh Yamn Darsyah, Rochd

Lebih terperinci

PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT

PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT Ngarap Im Man Jurusan Matemata FST BINUS Unversty, Jln.Kebon Jeru Raya no.27 Jaarta Barat 11480, Indonesa

Lebih terperinci