ESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES
|
|
- Shinta Sasmita
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL GAUSSIAN, Volume, Nomor, Tahu 03, Halama Olie di: ESTIMASI PARAMETER REGRESI LOGISTIK MULTINOMIAL DENGAN METODE BAYES Wayaig Apsari, Hasbi Yasi, Sugito 3 Mahasiswa Jurusa Statistika FSM Uiversitas Dipoegoro,3 Staf Pegajar Jurusa Statistika FSM UNDIP ABSTRAK Regresi logistik multiomial merupaka regresi logistik dimaa variabel depedeya bersifat polychotomous yaitu ilai variabel depedeya lebih dari dua kategori. Pada umumya estimasi parameter regresi logistik multiomial megguaka metode klasik yag haya didasarka pada iformasi saat ii yag diperoleh dari sampel tapa memperhitugka iformasi awal dari parameter regresi logistik. Jika dimiliki iformasi awal tetag parameter yaitu distribusi prior, maka estimasi parameter dapat megguaka metode Bayes. Metode Bayes meggabugka iformasi pada sampel dega iformasi distribusi prior, da hasilya diyataka dega distribusi posterior. Jika distribusi posteriorya tidak dapat dituruka secara aalitis maka didekati dega megguaka algoritma Markov Chai Mote Carlo (MCMC) terutama algoritma Metropolis-Hastigs. Algoritma ii megguaka mekaisme peerimaa da peolaka utuk membagkitka barisa sampel radom. Kata kuci: Regresi Logistik Multiomial, Metode Bayes, algoritma Markov Chai Mote Carlo (MCMC), algoritma Metropolis-Hastigs. ABSTRACT Multiomial logistic regressio is a logistic regressio where the depedet variable is polychotomous is depedet variable value of more tha two categories. Multiomial logistic regressio parameter estimatio usually use classical method that is based oly o curret iformatio obtaied from the sample without takig ito accout the iitial iformatio of logistic regressio parameters. If have early iformatio about parameter is prior distributio, the parameter estimatio ca use Bayes method. Bayesia methods combie iformatio o the sample with prior distributio of iformatio, ad the results are expressed i the posterior distributio. If posterior distributio ca ot be derived aalytically so approximated usig Markov Chai Mote Carlo (MCMC) algorithm especially Metropolis-Hastigs algorithm. This algorithm uses acceptace ad rejectio mechaism to geerate a sequece of radom samples. Keyword: Multiomial Logistic Regressio, Bayes Method, Markov Chai Mote Carlo algorithm (MCMC), Metropolis-Hastigs algorithm.. PENDAHULUAN Regresi logistik multiomial merupaka regresi logistik dimaa variabel depedeya mempuyai skala yag bersifat polychotomous atau multiomial yag terdiri lebih dari dua kategori. Pedugaa koefisie parameter model regresi logistik multiomial pada umumya megguaka metode Maksimum Likelihood dega megguaka pedekata distribusi. Pada umumya metode klasik ii haya berkutat pada iformasi saat ii yag diperoleh dari sampel tapa memperhitugka iformasi awal da haya medasarka iferesiya pada sampel. Sehigga jika distribusi populasi tidak diketahui metode Maksimum Likelihood tidak dapat diguaka. Iferesi aka lebih bagus jika data yag diguaka adalah data gabuga atara data sampel saat ii dega data peelitia sebelumya (data prior). Metode iferesi dega megguaka data sampel da data prior disebut dega metode Bayes []. Distribusi prior adalah distribusi subyektif berdasarka pada keyakia seseorag da dirumuska sebelum data sampel diambil []. Distribusi sampel yag digabug dega distribusi prior aka meghasilka distribusi baru yaitu distribusi posterior.
2 Kepadata posterior utuk parameter regresi pada model multiomial tidak dapat dituruka secara aalitis. Sebalikya, tekik umerik diperluka utuk merigkas distribusi peluag ii. Karea peyelesaia utuk estimasi margial posterior setiap parameter dari persamaa itu aka rumit, sehigga aka didekati dega algoritma Markov Chai Mote Carlo terutama algoritma Metropolis-Hastigs.. TINJAUAN PUSTAKA. Regresi Logistik Multiomial Regresi logistik multiomial merupaka regresi logistik dega variabel depede (Y) mempuyai skala yag bersifat polychotomus atau multiomial yaitu skala dega kategori lebih dari dua [3]. Misal X variabel idepede yag berukura (p+) da variabel depede Y (j kategori) mempuyai kategori j = 0,, dega probabilitas respo 0,, da j = Probabilitas bersyarat P(y = j x) = j (x), j =0,, Jadi probabilitas bersyarat j = 0,, dapat ditulis: j0 Dega fugsi logit sebagai berikut: g x x g 0 x 0 x x x. Teorema Bayesia Misal peristiwa-peristiwa membetuk partisi di ruag sampel S sedemikia higga ; i=,,,k da misalka B sebarag peristiwa sedemikia higga. Maka utuk i=,,,k Teorema bayes memberika atura sederhaa utuk meghitug probabilitas bersyarat peristiwa diberika B terjadi, jika masig-masig probabilitas tak bersyarat da probabilitas bersyarat B diberika terjadi diketahui [4]... Distribusi Prior Distrribusi prior dikelompokka mejadi dua berdasarka betuk fugsi likelihood, yaitu [5] :. Berkaita dega betuk distribusi hasil idetifikasi pola dataya a. Distribusi prior kojugat (cojugate), megacu pada acua aalisis model terutama dalam pembetuka fugsi likelihoodya sehigga dalam peetua prior kojugat selalu dipikirka megeai peetua pola distribusi prior yag mempuyai betuk kojugat dega fugsi desitas peluag pembagu likelihoodya. b. Distribusi prior tidak kojugat (o-cojugate), pemberia prior pada model tidak mempertimbagka pola pembetuk fugsi likelihoodya JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 80
3 . Berkaita dega peetua parameter pada pola distribusi prior a. Distribusi prior iformatif, megacu pada pemberia parameter dari distribusi prior yag telah dipilih baik distribusi prior kojugat atau tidak, pemberia ilai parameter pada distribusi prior ii didasarka pada iformasi yag diperoleh b. Distribusi prior o iformatif, pemilihaya tidak didasarka pada data yag ada atau distribusi prior yag tidak megadug iformasi tetag parameter θ. Apabila pegetahua tetag priorya sagat lemah, maka bisa diguaka prior berdistribusi ormal dega mea ol da varia besar. Efek dari pegguaa prior dega mea ol adalah estimasi parameterya dihaluska meuju ol. Pemulusa ii dilakuka oleh varia, sehigga pemulusa tersebut bisa dilakuka dega meigkatka varia [6]... Distribusi Posterior Distribusi posterior adalah fugsi desitas bersyarat θ jika diketahui ilai observasi x da dapat ditulis sebagai berikut [4] : f, x f x f x Fugsi kepadata bersama da margial yag diperluka dapat ditulis dalam betuk distribusi prior da fugsi likelihood, f (, x) f x f x f, xd f f x f Sehigga fugsi desitas posterior utuk variabel radom kotiu sebagai berikut, f f x f x f f x d d.3 Algoritma Metropolis-Hastigs Persamaa posterior yag mempuyai betuk aalitik yag sulit, utuk megetahui ilai estimasi parameter dari betuk tersebut aka diguaka simulasi Radom-walk Metropolis-Hastigs. Sebelum memulai iterasi, terlebih dahulu ditetuka distribusi proposal yag aka diguaka [7]. Lagkah-lagkah dari simulasi Radom-walk Metropolis-Hastigs aka berjala sebagai berikut:. Meetuka ilai awal. Meetuka bayak iterasi t=,,t a. Megatur b. Membagkitka ilai baru dari dari distribusi proposal c. Meghitug, dega A diberika oleh d. Membagkitka sampel radom u e. Memperbaharui dega peluag peerimaa α da dega peluag -α. Jika maka diterima sebagai aggota sampel da jika maka ilai sebelumya (β) yag diterima sebagai aggota sampel. JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 8
4 3. PEMBAHASAN 3. Fugsi Likelihood Pada model regresi logistik multiomial, Y i terdiri lebih dari dua kategori maka model regresi logistik multiomial didasarka pada distribusi multiomial Fugsi desitas peluag utuk regresi logistik multiomial dega tiga kategoti adalah y0 i y f ( y ) ( x ). ( x ) i x y 0 i i. i i Fugsi likelihood utuk data Y y y,.., dega L, y adalah sebagai berikut g x g x y exp g x y g x y log e e i i g g i i i x 0 x x 0 x x x 3. Distribusi Prior Distribusi prior Normal utuk model regresi logistik multiomial adalah p p g exp P p P 3.3 Distribusi Posterior g x g x p p g y exp g x y i g x yi log e e i i i p Distribusi posterior yag diguaka utuk megestimasi parameter regresi pada model multiomial mempuyai betuk aalitik yag sulit. Utuk itu dilakuka simulasi dari distribusi posterior yag terbetuk. Metode simulasi yag diguaka adalah algoritma Markov Chai Mote Carlo khususya Metropolis Hastigs. Utuk megimplemetasika algoritma Metropolis-Hastigs perlu ditetuka distribusi proposal yag tepat. Jika distribusi proposal simetris maka pegambila sampel dega Radom-walk Metropolis Hastigs samplig. Distribusi proposal yag diguaka utuk regresi logistik multiomial utuk tiga kategori da dua variabel idepede megguaka Idepedet Normal proposal adalah ' N (, diag s, s, s, s, s s ~ 6, Cotoh Aplikasi Data diambil dari buku [8], halama Sebayak 63 sampel Aligator di Daau George, dimaa setiap aligator mempuyai piliha makaa utama yag berbeda, yaitu ika, siput atau cacig, da laiya (katak, kura-kura, ular, burug, ular, reptil, da mamalia). Sebagai variabel idepede adalah pajag da jeis kelami aligator. Pajag aligator diklasifikasika secara bier yaitu jika pajag aligator.83 meter maka dikategorika aligator muda, jika pajag aligator >.83 meter maka dikategorika aligator dewasa sedagka jeis kelami dikategorika mejadi jata da betia JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 8
5 3.5. Distribusi Prior g,,, 0 0,, exp Distribusi Posterior g ( x) g ( x) g( x) y i g ( x) yi log e e i i i g0,,, 0,, y exp Distribusi posterior yag diguaka utuk megestimasi parameter regresi logistik multiomial mempuyai betuk aalitik yag sulit. Utuk itu dilakuka simulasi dari distribusi posterior yag terbetuk. Jalaya simulasi tersebut membutuhka ilai prior, ilai awal, da distribusi proposal.. Prior Utuk megatasi sedikitya iformasi, maka diguaka prior berdistribusi ormal (0, 00 ). Nilai awal Nilai awal yag diguaka dalam proses simulasi semua paramter adalah 0 3. Distribusi Proposal Distribusi proposal yag diguaka adalah idepedet ormal proposal dega ilai Lagkah selajutya adalah mejalaka simulasi Radom-walk Metropolis Hastigs dega iterasi awal sebayak iterasi tetapi memberika hasil yag belum koverge. Utuk megatasi hal tersebut yaitu dega meambah iterasi da iterasi meigkat sampai utuk memastika kovergesi. s p Gambar Trace plot sebayak iterasi JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 83
6 Gambar Ergodic mea plot sebayak iterasi Gambar 3 Plot autokorelasi sebayak iterasi Setelah kodisi koverge terpeuhi, lagkah selajutya adalah mecari ilai estimasi parameter beta. Utuk meghidari ilai awal, maka iterasi ii aka dimulai pada iterasi ke dimaa kodisi mulai dari iterasi ii sudah meujukka koverge. JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 84
7 Gambar 4 Trace plot dega buri da thi 600 Gambar 5 Ergodic mea plot dega buri da thi 600 JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 85
8 Gambar 6 Plot autokorelasi dega buri da thi 600 Gambar 4,5 da 6 merupaka trace plot, ergodic mea plot, da plot autokorelasi sebayak iterasi dega buri da thiig iterval 600. Setelah iterasi dihilagka, maka didapatka ilai estimasi parameter regresi logistik multiomial yag baru Pembetuka Model Pegujia hipotesis terhadap parameter regresi dilakuka dega pedekata iterval kofidesi 95% dari masig-masig parameter. Hal ii dikareaka distribusi posterior tidak diketahui dega pasti. Iterval kofidesi 95% dihitug dega batas bawah yaitu kuatil ke,5% da batas atasya adalah kuatil ke 97,5%. Parameter diyataka sigifika jika iterval kofidesi 95% parameter tidak memuat ilai ol [7]. Variabel Parameter Mea Tabel Nilai Estimasi Parameter,5% 97,5% Kuatil Kuatil Sigifika Kesimpula Kostata Pajag ya Berpegaruh Jeis Kelami Tidak Tidak Berpegaruh Kostata Pajag Tidak Tidak Berpegaruh Jeis Kelami Tidak Tidak berpegaruh Dari tabel di atas diketahui variabel yag berpegaruh haya pajag da variabel jeis kelami tidak berpegaruh, sehigga yag dimasukka ke dalam model haya variabel pajag. Sehigga didapat model sebagai berikut Fugsi Logit: g( x) P g ( x) P JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 86
9 Nilai Probabilitas: Utuk piliha makaa ika e e e Utuk piliha makaa siput atau cacig 0.55 e ) P e e Utuk piliha makaa laiya 0 ) P e e p ( x ) P P.337P ( x P ( x P Cotoh perhituga: Seekor aligator mempuyai pajag.30 meter aka dicari peluagya memilih makaa utama ika, siput atau cacig, da makaa lai. Pajag aligator =.30 meter dikodig 0 a. Probabilitas memilih makaa ika p e ( ) P e e (0) e (0) 0.55 e e = x 337 P.337(0) b. Probabilitas memilih makaa siput atau cacig P x e ( ) P P e e (0) e (0) (0) e e = c. Probabilitas memilih makaa lai x ( 0 ) P P e e (0) (0) e e = 0.89 Jadi, seeekor aligator yag mempuyai pajag.30 meter mempuyai probabilitas memilih makaa ika sebesar 0.708, probabilitas memilih makaa siput atau cacig sebesar da probabilitas memilih makaa lai sebesar Ii berarti, seekor aligator yag mempuyai pajag.83 meter cederug memilih makaa ika. JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 87
10 4. KESIMPULAN. Jika diketahui pegetahua awal tetag parameter regresi logistik multiomial yag diyataka dega distribusi prior, maka estimasi parameter dapat dilakuka dega megguaka metode Bayes.. Jika distribusi posterior dari parameter regresi logistik multiomial sulit diselesaika secara aalitik, maka diguaka algoritma Markov Chai Mote Charlo terutama Metropolis Hastigs. Algoritma ii megguaka mekaisme peerimaa da peolaka utuk membagkitka barisa sampel radom. DAFTAR PUSTAKA. Bolstad, W.M Itroductio to Bayesia Statistics Secod Editio. A Joh Wiley & Sos. Ic: America.. Walpole, R. E. da Myers, R. H Ilmu Peluag da Statistika utuk Isiyur da Ilmuwa. Terbita kedua. ITB: Badug. 3. Hosmer, D.W. ad Lemeslow Applied Logistic Regressio Secod Editio. Joh Wiley & Sos, Ic: New York. 4. Soejati, Z da Soebaar Iferesi Bayesia. Karuia Uiversitas Terbuka; Jakarta. 5. Box, G.E.P ad Tiao, G.C Bayesia Iferece I Statistical Aalysis. Addisio-Wesley Publishig Compay, Ic: Philippies. 6. Ntzoufras, I Bayesia Modellig Usig WiBUGS. Joh Wiley & Sos, Ic: Ney Jersey. 7. Galido-Garre, F. ad Vermut, J. K Bayesia Posterior Estimatio of Logit Parameters With Small Samples, Artikel. Sage Publicatio: Netherlads. 8. Agresti, A A Itroductio to Categorial Data Aalysis.New York: Joh Wiley & So s. JURNAL GAUSSIAN Vol., No., Tahu 03 Halama 88
PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY
Prosidig Semiar Matematika da Pedidika Matematika ISBN: 978-60-6-0-9 http://jural.fkip.us.ac.id ESTIMASI PARAMETER MODEL REGRESI LINIER SEDERHANA BAYES DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREY Firda
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF
E-Jural Matematika Vol. 3, No.2 Mei 204, 38-44 ISSN: 2303-75 ANALISIS REGRESI BAYES LINEAR SEDERHANA DENGAN PRIOR NONINFORMATIF ANAK AGUNG ISTRI AGUNG CANDRA ISWARI, I WAYAN SUMARJAYA 2, I GUSTI AYU MADE
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinci1200 (0,535) (0,465) (1200 1).0,05 + (0,535) (0,465)
= DATA DAN METODE PENELITIAN Data Peelitia Data yag diguaka dalam peelitia ii adalah data primer hasil yag diperoleh melalui peyebara kuisioer da metode wawacara sebagai data pelegkap. Pegumpula data dilaksaaka
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 3, , Desember 2003, ISSN : INTERVAL SELISIH RATA-RATA DENGAN METODE BOOTSTRAP PERSENTIL
JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 3, 118-70, Desember 003, ISSN : 1410-8518 INTERVAL SELISIH RATA-RATA DENGAN METODE BOOTSTRAP PERSENTIL Akhmad Fauzy Statistika FMIPA UII Yogyakarta & siswa Ph.D
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciStatistika Inferensial
Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciBAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL
BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciKiki Reskianti, Nurtiti Sunusi dan Nasrah Sirajang
ESTIMASI PARAMETER BAYESIAN PADA ANALISIS DATA KETAHANAN HIDUP BERDISTRIBUSI EKSPONENSIAL MELALUI PENDEKATAN SELF. STUDI KASUS : ANALISIS KETAHANAN HIDUP FLOUROPHORES. Kiki Reskiati, Nurtiti Suusi da Nasrah
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciModifikasi Statistik Uji-T pada Test Inferensia Mean Mereduksi Pengaruh Keasimetrikan Populasi Menggunakan Ekspansi Cornish-Fisher
Statistika, Vol. No., 97 0 Nopember 0 Modifikasi Statistik Uji-T pada Test Iferesia Mea Mereduksi Pegaruh Keasimetrika Populasi Megguaka Ekspasi Corish-Fisher Joko Riyoo Staf.Pegajar Fakultas Tekologi
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperincib. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:
Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciDISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin
DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciDistribusi Sampling (Distribusi Penarikan Sampel)
Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciTri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak
PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciPemodelan pada Regresi Linier Berganda dengan Variabel Prediktor Stokastik
Jural Matematika, Statistika & Komputasi Vol. 8 No. Juli 0 Pemodela pada Regresi Liier Bergada dega Variabel Prediktor Stokastik Prodi Statistika, Jurusa Matematika, Uivesitas Hasauddi, Sulfiyati, Jaya
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciDISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)
DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciAnalisis Regresi Ordinal Untuk Mengetahui Faktor-Faktor Yang Mempengaruhi Kualitas Pelayanan Kesehatan Pada Komunitas Latino
Jural Gradie Vol 8 No 2 Juli 22 82-88 Aalisis Regresi Ordial Utuk Megetahui Faktor-Faktor Yag Mempegaruhi Kualitas Pelayaa Kesehata Pada Komuitas Latio Idhia Sriliaa Jurusa Matematika, Fakultas Matematika
Lebih terperinciJENIS PENDUGAAN STATISTIK
ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka
Lebih terperinciPENAKSIRAN M A S T A T I S T I K A D A S A R 1 7 M A R E T 2014 U T R I W E N I M U K H A I Y A R
PENAKSIRAN P E N A K S I R A N T I T I K P E N A K S I R A N S E L A N G S E L A N G K E P E R C A Y A A N U N T U K R A T A A N S E L A N G K E P E R C A Y A A N U N T U K V A R I A N S I M A 0 8 S T
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciKEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI
KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA Fitriai Agustia, Math, UPI 1 Fiacial Derivative Opsi Mafaat Opsi Opsi Eropa Peetua Harga Opsi Kekovergea Model Biomial Fitriai Agustia, Math,
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciMETODE SIMPSON TERMODIFIKASI UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL VOLTERRA LINEAR JENIS KEDUA. Jonas Lodewyk H 1, Zulkarnain 2 ABSTRACT
METODE SIMPSON TERMODIFIKASI UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL VOLTERRA LINEAR JENIS KEDUA Joas Lodewyk H 1, Zulkarai 1 Mahasiswa Program Studi S1 Matematika Dose Jurusa Matematika Fakultas Matematika
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciMINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA
MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA TEOREMA LIMIT PUSAT DAN TERAPANNYA Telah dikeal bahwa X 1, X 2...X sampel radom dari distribusi ormal dega mea µ da variasi σ 2, maka x µ σ/ atau xi µ σ
Lebih terperinciBAB II METODOLOGI PENELITIAN. kualitatif. Kerangka acuan dalam penelitian ini adalah metode penelitian
BAB II METODOLOGI PEELITIA 2.1. Betuk Peelitia Betuk peelitia dapat megacu pada peelitia kuatitatif atau kualitatif. Keragka acua dalam peelitia ii adalah metode peelitia kuatitatif yag aka megguaka baik
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciTaksiran Interval bagi Rata-rata Parameter Distribusi Poisson Interval Estimate for The Average of Parameter Poisson Distribution
Prosidig Statistika ISSN: 460-6456 Taksira Iterval bagi Rata-rata Parameter Distribusi Poisso Iterval Estimate for The Average of Parameter Poisso Distributio 1 Putri Aggita Nuraei, Teti Sofia Yati, 3
Lebih terperinciKata Kunci : CHAID, IPM, regresi logistik ordinal.
ANALISIS CHAID DAN REGRESI LOGISTIK ORDINAL PADA INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH Liaa Yuita Sari, Sri Sulistijowati Hadajai, da Satoso Budiwiyoo Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciPenaksiran Titik Penaksiran Selang. Selang Kepercayaan untuk VARIANSI MA2081 STATISTIKA DASAR
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA08 STATISTIKA DASAR MA08 STATISTIKA DASAR Utriwei Mukhaiyar 5 Oktober 0 Metode Peaksira Peaksira Titik
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahu 2012, Halama 179-188 Olie di: http://ejoural-s1.udip.ac.id/ide.php/gaussia OPTIMASI WAKTU EFEKTIF APLIKASI HERBISIDA PADA TANAMAN KELAPA SAWIT (ELAEIS GUINEENSIS
Lebih terperinciESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinci