Pendekatan Bayes dalam Model Poisson untuk Underreported Counts
|
|
- Iwan Hardja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pendekatan Bayes dalam Model Posson untuk Underreorted Counts Reny Ran Marlana, Setad Padmadsastra, Achmad Zanbar Soleh 3 Unverstas Padjadjaran Program Penddkan Magster Program Stud Statstka Teraan, Konsentras Statstka Sosal Emal : nhe_jul6@yahoocom, s_admadsastra@yahoocom, 3 a_zanbar_s@yahoocom Abstrak Peneltan n mengkaj mengena emodelan ada data enjualan roduk yang mengalam underreortng counts akbat dar keterlambatan nut data ke sales cycle Tujuan analss adalah untuk menaksr arameter model yatu banyaknya enjualan roduk yang sebenarnya Model yang dgunakan adalah hasl enggabungan antara dstrbus osson dan dstrbus bnomal yang dkembangkan oleh Wnkelmann (996) Penaksran arameter model dlakukan melalu endekatan bayes dan smulas Markov Chan Monte Carlo menggunakan algortma gbbs samlng Penaksran arameter model akan bergantung ada enentuan burn n erod yang dlakukan sejalan dengan emerksaan konvergens algortma melalu trace lot, autocorrelaton lot dan ergodc mean lot Analss yang dlakukan menunjukkan bahwa enentuan burn n erod lebh mudah dlakukan melalu ergodc mean lot Pada akhrnya taksran arameter model yang deroleh adalah rata-rata nla samel hasl smulas yang dhtung dar teras setelah burn n erod sama dengan teras terakhr Kata Kunc : Underreorted counts, Model Posson, Bayesan, Gbbs samlng, MCMC Pendahuluan Msreortng counts daat terjad dalam seta sstem elaoran L et al (dalam Parara, 00) menyatakan bahwa dalam sebuah model, msreortng terjad jka laoran seorang ndvdu terhada banyaknya kejadan yang damat berbeda dar nla yang sebenarnya Dengan demkan, msreortng counts terbag menjad dua, yatu underreortng counts dan overreortng counts Underreortng adalah sebuah masalah yang daat terjad saat engumulan data, ketka encacahan sebuah kejadan, untuk beberaa alasan menjad tdak lengka (Neubauer, 0) Underreorted counts terjad jka banyaknya kejadan yang damat, dlaorkan lebh kecl dar banyaknya kejadan yang sebenarnya Sebalknya, overreorted counts terjad jka banyaknya kejadan yang sedang damat dlaorkan melebh dar banyaknya kejadan yang sebenarnya Pada eneltan yang dlakukan, underreorted counts terjad sebaga akbat dar keterlambatan nut data enjualan roduk yang terjad secara berulang ada sstem elaoran yang dsebut dengan sales cycle Inut data enjualan roduk akan secara langsung mengurang reka stock roduk tersebut d toko terkat, sehngga terjadnya underreortng counts secara tdak langsung akan menyebabkan terjadnya overreortng counts terhada reka stock roduk tersebut d toko terkat Hal n meruakan faktor enyebab utama terjadnya kekelruan dalam rencana roduks selanjutnya dan kekelruan dalam endstrbusan roduk Untuk daat mengurang resko tersebut erlu dlakukan enaksran banyaknya enjualan roduk yang sebenarnya
2 Jelas bahwa, sebaga konsekuens dar terjadnya underreortng adalah enjualan roduk yang dlaorkan hanyalah bagan dar enjualan roduk yang sebenarnya Sehngga terdaat enjualan roduk yang tdak terlaorkan (terlambat dnut ke sales cycle) Hal n memberkan engertan bahwa sebuah roduk yang terjual d sebuah toko akan mendaat dua kemungknan erlakuan dar admn yatu dnut ke sales cycle atau tdak Dalam statstka, besar kemungknan dnutnya sebuah roduk yang terjual d sebuah toko ke sales cycle daat dnyatakan dalam sebuah eluang Peluang n memlk nla yang berksar antara 0- Sementara dketahu ula bahwa enjualan roduk yang sebenarnya d sebuah toko dalam satu bulan adalah acak dan berksar antara 0- eces dengan rata-rata 4 eces er bulan Dalam statstka, kedua nformas tersebut daat dangga sebaga sebuah nformas ror yang daat dgunakan dalam enaksran enjualan roduk yang sebenarnya Banyaknya enjualan roduk (yang sebenarnya) dengaruh oleh kegatan dar enjualan roduk tu sendr Basu (dalam Snaga, 03) menyatakan bahwa faktor- faktor yang memengaruh kegatan enjualan, salah satunya adalah konds asar Berbedanya konds ekonom enduduk kota, lokas toko berada, akan memberkan engaruh terhada segmentas asar dan tngkat enjualan roduk d toko terkat Dengan demkan, untuk daat menaksr banyaknya enjualan roduk yang sebenarnya, derlukan sebuah analss yang daat memodelkan hubungan antara banyaknya roduk yang terjual (deroleh dar sales cycle) dengan tngkat jual toko yang melbatkan kedua nformas ror sebelumnya Selama n, emodelan dar sebuah data cacahan (count) serngnya, tdak melbatkan adanya kemungknan underreorted counts seert model regres osson dan model regres bnomal Dengan kata lan, kedua model tersebut daat dgunakan jka data cacahan dangga accurately reorted Sedangkan model untuk underreorted counts ertama kal derkenalkan dalam Moran s (95) characterzaton dan Rao-Rubn condton (964) (dalam Paadatos, 005) Kemudan, beberaa enelt telah mengembangkan model untuk underreorted counts, dantaranya model regres osson untuk underreorted counts yang dkembangkan oleh Wnkelmann (996), model regres bnomal negatf untuk underreorted counts yang dkembangkan oleh Mukhoadhyay (dalam Parara, 00) dan generalzed osson-osson mxture model yang daat dgunakan untuk msreortng counts (under, over dan accurately reorted) dkembangkan Parara (00) Dalam enaksran arameter model, Parara (00) menggunakan endekatan statstka klask yang hanya memanfaatkan nformas data samel melalu metode maksmum lkelhood Sementara, Wnkelmann (996) menggunakan endekatan statstka Bayesan dalam enaksran arameter model Penaksran arameter model dalam endekatan statstka Bayesan, dsamng memanfaatkan nformas data samel yang dreresentatfkan sebaga fungs lkelhood, juga memerhtungkan adanya nformas ror yang dreresentatfkan sebaga dstrbus ror Atas dasar nlah, enuls ngn melakukan kajan mengena endekatan bayes dalam model underreorted counts untuk menaksr banyaknya enjualan roduk yang sebenarnya Model Posson untuk Underreorted Counts Model untuk underreorted counts ertama kal dkenal dalam Moran s (95) characterzaton dstrbus osson (dalam Paadatos, 005) Moran (95) (dalam Paadatos, 005) menyatakan bahwa jka N dan N adalah varabel acak ndeenden no-degenerate yang
3 bernla non-negatf dan jka dstrbus bersyarat dar N (N + N = n) adalah bnomal dengan n N 0,, 0, untuk semua n N, arameter dan eluang sukses P N N n 0 maka dstrbus N, N dan N N n N, P N dan P N 0 0 adalah osson Dmana untuk Bentuk lan dar Moran s (95) characterzaton derkenalkan oleh Rao & Rubn (964) (dalam Paadatos, 005), dmana kebebasan N dan N dsebut sebaga Rao-Rubn condton yang ddefnskan sebaga : P N n N P N n n N 0, () Rao & Rubn (964) (dalam Paadatos, 005) menyatakan bahwa jka dstrbus dar N N N tdak terkonsentras ada 0 dan jka untuk semua n N dengan P N n 0, n n nn P N n N n, n 0,,, () n untuk 0, maka Rao-Rubn condton ada ersamaan () memberkan engertan bahwa N dan N berdstrbus osson dengan arameter dan dengan 0 Dengan kata lan, Rao-Rubn condton ada ersamaan () ekuvalen dengan kebebasan N dan N dbawah bnomal damage model (Paadatos, 005) Berkatan dengan underreorted counts, Rao-Rubn condton menunjukkan N sebaga observas yang dlaorkan (undamaged) sedangkan N N N sebaga observas yang tdak terlaorkan (damaged) sehngga N dan N adalah bagan dar varabel acak dskrt N Dengan demkan, jelas bahwa model underreorted counts meruakan model osson dengan arameter 0 3 Model Regres Posson untuk Underreorted Counts Seert Moran (95) dan Rao & Rubn (964) (dalam Paadatos, 005), model regres osson untuk underreorted counts yang dkembangkan oleh Wnkelmann (996) juga meruakan model hasl enggabungan antara dstrbus osson dan dstrbus bnomal Angga bahwa engamatan ke- Y adalah banyaknya kejadan yang damat ada waktu tertentu untuk unt Y dasumskan bergantung ada varabel ndeenden ex xβ osson dengan arameter untuk : Y 0,,, ;,,, n P Y y ex ex x β x β e y! x dan berdstrbus (3) 3
4 Kemudan, asumskan bahwa banyaknya kejadan yang damat ada waktu tertentu untuk unt engamatan ke- yang dlaorkan adalah Y dan berdstrbus bnomal dengan arameter Y dan y y y P Y Y, (4) y untuk : Y 0,,, ; Y 0,,, ;,,, n; 0 = eluang sebuah kejadan dlaorkan Underreorted counts terjad jka Y Y sehngga fungs dstrbus eluang margnal Y daat ddefnskan sebaga: 4 y, P Y y P Y y P Y y y y y y e y! y y y y y! e y dengan : Y 0,,, ; 0;,,, n; 0 = eluang sebuah kejadan dlaorkan y Dengan demkan model regres untuk underreorted counts meruakan model osson ex xβ dengan arameter Dalam enaksran arameter model untuk underreorted counts, beberaa enelt menggunakan endekatan statstka klask dan beberaa lannya menggunakan endekatan statstka Bayesan Dalam endekatan statstka klask, enaksran arameter seenuhnya mengandalkan roses nferens ada data samel yang dambl dar oulas Sementara, endekatan statstka Bayesan, dsamng memanfaatkan data samel yang deroleh dar oulas, juga memerhtungkan suatu dstrbus awal yang dsebut dengan dstrbus ror 3 Pendekatan Statstka Klask dalam Model Posson untuk Underreorted Counts Wnkelmann (996) menyebutkan bahwa arameter ada model underreorted counts tdak daat derlakukan sebaga arameter fxed dkarenakan model yang dhaslkan adalah model sngular dengan n+k arameter dengan n adalah ukuran data Dengan demkan, arameter dasumskan sebaga varabel acak dan mengkut sebuah dstrbus tertentu Oleh karena tu, enaksran akan sult dlakukan jka menggunakan endekatan statstka klask seert metode maksmum lkelhood Salah satu enelt yang menggunakan endekatan statstka klask dalam enaksran arameter model underreorted counts adalah Olkn et al (98) (dalam Moreno, 998) Olkn et al (98) mengunakan metode maksmum lkelhood dan metode momen dalam menaksr arameter model underreorted counts Penaksr yang dhaslkan sangat tdak stabl, dmana y y (5)
5 sebuah erubahan kecl dalam data menyebabkan erubahan besar ada taksran arameter model (Moreno, 998) Dengan demkan derlukan sebuah endekatan lan dalam enaksran arameter model, seert endekatan bayes 3 Pendekatan Bayes dalam Model Posson untuk Underreorted Counts Pendekatan statstka Bayesan memandang sebuah arameter dar sebuah model sebaga varabel acak yang memlk dstrbus yang dsebut dengan dstrbus ror Dar dstrbus ror selanjutnya daat dtentukan dstrbus osteror sehngga deroleh taksran Bayesan yang meruakan rata-rata dar dstrbus osteror Berkatan dengan enaksran arameter model underreorted counts, emlhan dstrbus ror yang dlakukan enelt-enelt adalah berbeda Draer & Guttman (97) (dalam Moreno, 998) mengasumskan bahwa arameter N dan ada ersamaan () adalah varabel acak ndeenden, dmana N berdstrbus unform dan berdstrbus beta Sementara, Raftery (988) (dalam Moreno, 998) mengasumskan bahwa N berdstrbus osson dengan arameter λ dan berdstrbus unform Sedangkan Wnkelmann (996) mengasumskan bahwa N dalam ersamaan () atau Y dalam ersamaan (4) berdstrbus osson dengan arameter exxβ dmana arameter β dasumskan berdstrbus normal dengan arameter µ dan σ, sedangkan dasumskan berdstrbus unform Sehngga dalam sebuah model regres untuk underreorted counts, dstrbus osteror yang deroleh Wnkelmann (996) ddefnskan sebaga :,, β, x, β β P y y P y y P y f f osteror lkelhood ror (6) Maka deroleh :, β,, β β P Y Y P Y Y P Y f f n ex ex y ex β μ β μ x β x β y y y y y! y! (7) dengan : Y 0,,, ; Y 0,,, ; 0 ; β ;,,, n Jelas bahwa sult untuk menentukan dstrbus osteror yang deroleh ada ersamaan (7), sehngga untuk memudahkan enaksran arameter model dlakukan smulas Markov Chan Monte Carlo (MCMC) Untuk tu, erlu dtentukan fungs eluang bersyarat dar masngmasng arameter sebaga berkut : P Y y y ˆ ex y x β y y! β,, Y (8) 5
6 y y y P Y, Y (9) n P β Y, Y ex β μ β μ ex y ex D β D β (0) dengan : Y 0,,, ; Y 0,,, ; 0 ; β ;,,, n Menurut Johnson & Kotz (dalam Wnkelmann, 996) fungs eluang bersyarat arameter Y ada ersamaan (8) meruakan sebuah dslaced osson dstrbuton yatu : Y Y ~ Posson ex y xβ () Sementara melalu endekatan conjugate fungs eluang bersyarat arameter ada ersamaan (9) daat dasumskan berdstrbus beta dengan arameter y y y, Namun, famly dstrbus dar fungs eluang bersyarat arameter β tdak dketahu sehngga dalam enaksran arameter β menggunakan algortma Random-Walks Metrools Hastngs 33 Markov Chan Monte Carlo (MCMC) Teknk MCMC dlakukan berdasarkan ada enyusunan ranta markov yang konvergen secara ceat (stasoner) ada dstrbus osteror MCMC membangktkan data samel arameter θ yang memlk dstrbus tertentu melalu sebuah algortma dan dlakukan secara teras, dmana nla seta langkah bergantung ada satu langkah sebelumnya Salah satu algortma yang serng dgunakan dalam MCMC adalah gbbs samlng Gbbs samlng bsa dterakan aabla dstrbus bersyarat dar ta-ta arameter dketahu Oleh karena fungs eluang bersyarat dar masng-masng arameter model underreorted counts dketahu maka enaksran daat dlakukan melalu algortma gbbs samlng dengan langkah-langkahnya adalah sebaga berkut : 0 Y Penentuan nla awal arameter model Tentukan ukuran teras T 3 Lakukan smulas untuk t =,,, T melalu beberaa langkah berkut: 0 0 β t t t a Bangktkan kanddat nla baru Y dar Y β,, Y b Bangktkan kanddat nla baru t dar c Bangktkan kanddat baru arameter t t Y, Y t β dar t t β Y, Y melalu algortma Random- Walks dengan N D 4 Perbaharu nla-nla arameter model dar nla-nla hasl smulas 5 Perksa konvergens algortma melalu Autocorrelaton lot, Trace lot, Ergodc mean lot 6 Tentukan burn-n erod 7 Dar nla-nla smulas setelah burn n sama dengan teras terakhr htung : a Nla rata-rata dan standar devas dar arameter β β β V z dmana z ~ 0, I 6
7 b Nla rata-rata dan standar devas dar arameter untuk,,, n c Nla rata-rata dan standar devas dar arameter Y untuk,,, n 4 Data dan Hasl Penaksran Data yang dgunakan ada eneltan n adalah data laoran enjualan roduk d 08 toko erode bulan Agustus tahun 03 mlk sebuah erusahaan garmen Count varabel bernla antara -6 dengan rata-rata 5,44 dan standar devas 4,57 sedangkan varabel ndeenden adalah tngkat jual toko yang terdr atas kategor sangat tngg, tngg, rendah dan sangat rendah Oleh karena varabel ndeenden terdr atas 4 kategor maka emodelan dlakukan dengan menggunakan 3 buah varabel dummy Smulas enaksran arameter dalam model dlakukan dengan menggunakan bantuan R verson 5 dengan 5000 teras dan algortma yang telah djelaskan ada ada bagan 33 Pemerksaan konvergens dlakukan menggunakan trace lot, autocorrelaton lot dan ergodc mean lot Hasl emerksaan menunjukkan konvergens algortma telah tercaa dengan burn-n erod 3000 teras ertama Penentuan burn n erod dlakukan sejalan dengan emerksaan konvergens dan dlakukan melalu ergodc mean lot Ergodc mean lot yang dhaslkan menunjukkan bahwa nla ergodc mean dar nla-nla samel β, dan Y hasl smulas mula stabl setelah 3000 teras ertama Sehngga taksran arameter β, dan Y adalah rata- t t t rata dar nla-nla samel β, dan Y hasl smulas yang dhtung dar t 300,, 5000 Hasl enaksran arameter β daat dlhat ada Tabel 4 berkut : Tabel 4 Taksran Parameter Regres Parameter Taksran Stdev 0,999 0,4709,07 0,479 0,3876 0, ,774 0,4843 Dengan demkan daat dnyatakan bahwa rata-rata enjualan roduk yang sebenarnya erode bulan Agustus 03 meruakan fungs dar : ˆ,999+,07 D +0,3876 D +0,774 D3 E Y X e Sehngga, berdasarkan kategor tngkat jual toko taksran rata-rata enjualan roduk yang sebenarnya erode Agustus 03 daat dlhat ada tabel berkut : Tabel 4 Taksran Rata-Rata Penjualan Produk Berdasarkan Tngkat Jual Toko Tngkat Jual Toko Sangat Tngg Taksran X E Y Rata-Rata (cs),999+,07 E Y D, D 0, D3 0 e 7
8 Tngkat Jual Toko Tngg Rendah Sangat Rendah Taksran X E Y Rata-Rata (cs),999+0,3876 E Y D 0, D, D3 0 e,999+0,774 E Y D 0, D 0, D3 e 9,860 E Y D 0, D 0, D3 0 e 7 Tabel tersebut memberkan makna bahwa secara rata-rata banyaknya enjualan roduk erode Agustus 03 d toko yang memlk tngkat jual roduk yang sangat tngg adalah eces, d toko yang memlk tngkat jual roduk yang tngg adalah eces, d toko yang memlk tngkat jual roduk yang rendah adalah 9 eces dan d toko yang memlk tngkat jual roduk yang sangat rendah adalah 7 eces Sementara hasl enaksran enjualan roduk yang sebenarnya atau Y dan eluang sebuah roduk yang terjual dlaorkan (dnut ke sales cycle) atau berdasarkan kategor tngkat jual toko daat dlhat ada tabel berkut : Tabel 43 Ksaran Taksran Y dan Berdasarkan Tngkat Jual Toko Rata-rata Rata-rata Tngkat Jual ŷ std yˆ ˆ Toko std ˆ yˆ ˆ Stdev y yˆ Stdev yˆ y (cs) (cs) (cs) (cs) Sangat Tngg ,095-0,899 0,0655-0, Tngg ,83-0,909 0,0797-0, Rendah ,54-0,8830 0,0943-0, Sangat Rendah ,634-0,6790 0,04-0, Dengan demkan daat dsmulkan bahwa secara keseluruhan, rata-rata taksran enjualan roduk yang sebenarnya d toko dengan tngkat jual roduk yang sangat tngg berksar antara 7-6 eces dengan selsh 8-8 eces dbandngkan dengan enjualan roduk yang tercatat ada laoran (deroleh dar sales cycle), d toko dengan tngkat jual roduk yang tngg berksar antara 8-4 eces dengan selsh 3-8 eces, d toko dengan tngkat jual roduk yang rendah berksar antara 6- eces dengan selsh -7 eces dan d toko dengan tngkat jual roduk yang sangat rendah berksar antara 4-3 eces dengan selsh -9 eces 5 Saran Pada eneltan n, emodelan ddasarkan ada data yang dasumskan berdstrbus bnomal dengan arameter N dan yang mengkut sebuah dstrbus ror Parameter N dasumskan mengkut sebuah dstrbus osson sehngga dasumskan memlk rata-rata dan varans yang sama Namun, ada kenyataannya, arameter tersebut serng memlk nla ratarata dan varans yang berbeda 8
9 Dengan demkan, untuk engembangan eneltan selanjutnya dharakan menerakan model untuk underreorted counts yang daat mengatas kemungknan terjadnya overdsers atau underders dengan kajan emlhan dstrbus ror yang bak ula Dmana, model yang dterakan tersebut daat danalss secara nferensal dengan menggunakan taraf uj tertentu dan daat dgunakan untuk komonen sstematk yang multvarat 6 Ucaan Termakash Peneltan n tdak daat terselesakan tana bmbngan, bantuan dan dorongan dar berbaga hak, untuk tu enuls menyamakan rasa terma kash yang sebesar-besarnya keada Kementran Penddkan dan Kebudayaan, Drektorat Jenderal Penddkan Tngg (DIKTI) atas kesematan dan bantuan dana enddkan dan eneltan melalu rogram Beasswa Unggulan Calon Dosen 0 7 Daftar Pustaka Agrest, Alan 996 An Introducton to Categorcal Data Analyss John Wley &Sons, Inc, New York Bolstad, Wllam M 007 Introducton to Bayesan Statstcs, Second Edton John Wley &Sons, Inc, New Jersey Cameron, A Colln & Pravn K Trved 998 Regresson Analyss of Count Data Cambrge Unversty Press, New York Dobson, Annette J 983 Introducton to Statstcal Modellng Chaman and Hall, Ltd, London Irawan, Nur 006 Bayesan : Sngle Parameter Insttut Teknolog Surabaya, Surabaya Irwant, Les K Moch Abdul M & Rta R 0 Pembangktan Samel Random Menggunakan Algortma Metrools-Hastngs Jurnal Gaussan, Volume, Nomor, Halaman Moreno, Elas & Javer Gron 998 Estmatng wth Incomlete Count Data, A Bayesan Aroach Journal of Statstcal Plannng and Inference 66, Neubauer, Gerhard Goardana Djuras & Herwg Fred 0 Models for Underreortng : A Bernaull Samlng Aroach for Reorted Counts Austran Journal of Statstcs, Volume 40, Number &, 85-9 Ntzoufras, Ioanns 009 Bayesan Modelng Usng WnBUGS John Wley & Sons, Inc New Jersey Paadatos, Nckos 005 Characterzatons of Dscrete Dstrbutons Usng The Rao-Rubn Condton Journal of Statstcal Plannng and Inference 35, -8 Parara, Marvs Felx Famoye & Carl Lee 00 Generalzed Posson-Posson Mxture Model for Msreorted Counts wth an Alcaton to Smokng Data Journal of Data Scence 8, Scollnk, Davd PM 006 A Damage Generalzed Posson Model and Its Alcaton to Reorted and Unreorted Accdent Counts Astn Bulletn 36(): Snaga, Ulysa I 03 Faktor Faktor yang Memengaruh Volume Penjualan Seeda Motor Honda Varo ada PT Caella Dnamk Nusantara Pekanbaru Unverstas Neger Rau, Pekanbaru Wnkelmann, Raner 996 Markov Chan Monte Carlo Analyss of Underreorted Count Data Wth an Alcaton to Worker Absenteesm Emrcal Economs :
Taksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil
Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB 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 terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:
ANALISIS ANGKA KEMATIAN IBU MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF (Stud kasus : Angka Kematan Ibu d Provns Jawa Tmur Tahun 011) M. Al Ma sum 1, Suart, Dw Isryant 3 1 Mahasswa Jurusan Statstka FSM
Lebih terperinciEvaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT)
Evaluas Tngkat Valdtas Metode Penggabungan Reson (Indeks Penamlan Tanaman, IPT) 1 Gust N Adh Wbawa I Made Sumertajaya 3 Ahmad Ansor Mattjk 1 Mahasswa S3 Pascasarjana Statstka IPB,3 Staf Pengajar Deartemen
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 2009 BINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro
Lebih terperinciOleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw
Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB 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 terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciTINJAUAN PUSTAKA Tingkat Keberhasilan Mahasiswa Regresi Logistik
5 TINJAUAN PUSTAKA Tngkat Keberhaslan Mahasswa Secara gars besar, faktor-faktor yang memengaruh keberhaslan mahasswa dalam enddkan (Munthe 983, dacu dalam Halm 29 adalah:. Faktor ntelektual seert masalah
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciOptimum Simplex Lattice Designs of Low Order Multiresponse Surface Model by D-Optimum Criterion
7 Otmum Smlex.(Ruslan et al.) Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron ) Ruslan,
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciKOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA., R. Efendi 2, H.
KOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING AAK SEDERHANA A. F. Indraan *, R. Efend, H. Srat Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciBAB 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 terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB 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 terperinciI BBB TINJAUAN PUSTAKA
I BBB TINJAUAN PUTAKA. Pendahuluan Dalam enulsan mater okok dar skrs n derlukan beberaa teor-teor yang mendukung, yang menjad uraan okok ada bab n. Uraan dmula dengan membahas dstrbus varabel acak kontnu,
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciBINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 BINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro Jurusan Matematka
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciPEMODELAN REGRESI POISSON MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN Yayuk Listiani NRP Dr. Purhadi, M. Sc.
PEMODELAN REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN 007 Yayuk Lstan NRP 06 00 068 DOSEN PEMBIMBING Dr. Purhad, M. Sc. JURUSAN STATISTIKA FAKULTAS MATEMATIKA
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan VARIABEL RANDOM. Statistika dan Probabilitas
Unverstas Gadjah Mada Fakultas Teknk Jurusan Teknk Sl dan Lngkungan VARIABEL RANDOM Statstka dan Probabltas 2 Pengertan Random varable (varabel acak) Jens suatu fungs yang ddefnskan ada samle sace Dscrete
Lebih terperinciBAB 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 terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinciEVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS
EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS Resa Septan Pontoh Departemen Statstka Unverstas Padjadjaran resa.septan@unpad.ac.d ABSTRAK.
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciPERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta
PERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1 Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Dalam menganalss hubungan antara beberapa peubah, terdapat
Lebih terperinciANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS
ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS Pengantar Analss Peubah Ganda Dr.Ir. I Made Sumertajaya, MS Deartemen Statstka-FMIPA IPB Emal : kulah_ag@yahoo.com Password: akmade Mater APG No I II III IV
Lebih terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciPEMODELAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA KASUS TETANUS NEONATORUMDI PROVINSIJAWA TIMUR
ISBN : 978.602.36.002.0 PEMODELAN REGRESI ZERO INFLAED NEGAIVE BINOMIAL (ZINB) PADA KASUS EANUS NEONAORUMDI PROVINSIJAWA IMUR Cndy Cahyanng Asut, Isman Zan 2 Mahasswa Jurusan Statstka Insttut eknolog Sepuluh
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciANALISIS PEUBAH RESPON BINER
Analss Peubah Respon Bner... (Ksmantn) ANALISIS PEUBAH RESPON BINER Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Pada regres lner klask, peubah respon dasumskan merupakan
Lebih terperinciPemodelan Biaya Langsung Proyek Perusahaan Jasa Konstruksi PT. X dengan Multivariate Regression
JURNAL SAINS DAN SENI POMIS Vol., No., (3) 337-35 (3-98 Prnt) D-48 Pemodelan Baya Langsung Proyek Perusahaan Jasa Konstruks P. dengan Multvarate Regresson Sulstanngrum, Irhamah, dan Muhammad Mashur Jurusan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciRegresi Linear Sederhana dan Korelasi
Regres Lnear Sederhana dan Korelas 1. Model Regres Lnear. Penaksr Kuadrat Terkecl 3. Predks Nla Respons 4. Inferens Untuk Parameter-parameter Regres 5. Kecocokan Model Regres 6. Korelas Utrwen Mukhayar
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciPemodelan Regresi Zero-Inflated Poisson (ZIP) tentang Faktor-Faktor yang Mempengaruhi Penyakit Tuberkulosis (TBC) di Kabupaten Sorong Selatan
Semnar Hasl Tugas Akhr Pemodelan Regres Zero-Inflated Posson (ZIP) tentang Faktor-Faktor yang Mempengaruh Penyakt Tuberkuloss (TBC) d Kabupaten Sorong Selatan Oleh : Nur Setyanngrum 1307100078 Pembmbng
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciBAB IV TRIP GENERATION
BAB IV TRIP GENERATION 4.1 PENDAHULUAN Trp Generaton td : 1. Trp Producton 2. Trp Attracton j Generator Attractor - Setap tempat mempunya fktor untuk membangktkan dan menark pergerakan - Bangktan, Tarkan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciRahmadeni 1, Zulya Desmita 2 ABSTRAK. Kata Kunci: Overdispersi, Regresi Binomial Negatif, Regresi Generalized Poisson, Regresi Poisson.
Jurnal Sans Matematka dan Statstka, Vol. No. Jul 16 ISSN 46-454 Perbandngan Model Regres Generalzed Posson Dan Bnomal Negatf Untuk Mengatas Overdspers Pada Regres Posson (Stud Kasus: Penderta Flarass d
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciOVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL
OVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL Heru Wbowo, Suyono, Wdyant Rahayu Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas Neger Jakarta
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciDr. Nussar Hajarisma, M.Si Jurusan Statistika Terapan Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjajaran.
STUDI SIMULASI EVALUASI KETEPATAN KLASIFIKASI INDEKS MASSA TUBUH BERDASARKAN TABEL KLASIFIKASI INDEKS MASSA TUBUH WHO DENGAN PENDEKATAN REGRESI LOGISTIK ORDINAL DAN ANALISIS DISKRIMINAN (Stud Kasus Klasfkas
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciNirwan Ilyas, Anisa, Andi Kresna Jaya ABSTRAK
PERBANDINGAN MODEL REGRESI LOGISTIK DAN ZERO-INFLATED POISSON (ZIP) UNTUK MENGANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS KELANGSUNGAN HIDUP PENDERITA PENYAKIT DEMAM BERDARAH (DBD) RS WAHIDIN SUDIROHUSODO
Lebih terperinciMetode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural
Jurnal Graden Vol. 11 No. 1 Januar 015 : 1035-1039 Metode Estmas Kemungknan Maksmum dan Kuadrat Terkecl Tergeneralsas pada Analss Pemodelan Persamaan Struktural Dan Agustna Jurusan Matematka, Fakultas
Lebih terperinciBootstrap Pada Regresi Linear dan Spline Truncated
Statstka, Vol. 8 No. 1, 47 54 Me 2008 Bootstrap Pada Regres Lnear dan Splne runcated Harson Darmaw 1) dan Bambang Wdjanarko Otok 2) 1) enaga Pengajar d Jurusan Matematka UNRI, Pekanbaru e-mal: son_ms@yahoo.co.d
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciPEMODELAN GENERALIZED REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2007
PEMODELAN GENERALIZED REGRESI POISSON PADA FAKOR-FAKOR YANG MEMPENGARUHI ANGKA KEMAIAN BAYI DI PROVINSI JAWA IMUR AHUN 007 Yayuk Lstan 1 dan Purhad 1 Mahasswa S1 Statstka IS, Dosen statstka IS 1 yayuk.yangce@gmal.com,
Lebih terperinci