PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL
|
|
- Susanti Jayadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL Ika Yun Wulansar 1), Gandh Pawtan ), Neneng Sunengsh 3) 1) Mahasswa Program Magster Statstka Terapan Unverstas Padjadjaran ) Staf Pengajar FISIPOL Unverstas Katolk Parahyangan 3) Staf Pengajar FMIPA Unverstas Padjadjaran Emal : 1) kayun86@gmal.com, ) gandh_p@home.unpar.ac.d, 3) nenks.stat@gmal.com Abstrak Pendugaan area kecl menjad perhatan dalam kajan surve metodolog serng dengan kebutuhan penyajan data pada level area dengan sampel yang kecl. Metode pendugaan area kecl yang dgunakan dalam makalah n adalah Basc Area Level Models (Type A) dkarenakan varabel predktor yang dgunakan dalam menduga varabel respon terseda pada level area yatu desa/kelurahan. Model dasar yang dgunakan adalah model Fay-Herrot. Model n merupakan gabungan antara samplng model dan lnkng model. Metode yang menangan adanya lnkng model dalam pendugaan area kecl adalah Herarchcal Bayes (HB). Fungs hubung yang dgunakan untuk borrowng strength dar berbaga varabel predktor terhadap varabel respon dalam peneltan n adalah logt normal. Hal n dkarenakan varabel respon adalah varabel bner yatu status mskn dan tdak mskn serta dasumskan sampel area kecl tersebar secara acak mengkut dstrbus normal. Bentuk ntegras yang kompleks dar sebaran peluang bersyarat pada model dselesakan menggunakan Markov Chan Monte Carlo (MCMC) Gbbs Samplng dengan perangkat lunak WnBUGS. Hasl pendugaan menunjukkan bahwa model HB mampu memberkan dugaan propors rumah tangga mskn d level kelurahan d Kabupaten Sampang dengan tngkat error yang kecl. Kata kunc: pendugaan area kecl, Herarchcal Bayes, Gbbs Samplng, WnBUGS I. PENDAHULUAN Terdapat dua topk utama yang menjad perhatan para statsts dalam kurun waktu sepuluh tahun terakhr n dalam membahas persoalan surve. Yatu persoalan pengembangan teknk penarkan sampel (samplng technque) dan pengembangan metodolog estmas parameter populas (estmaton methods). Adapun persoalan mutakhr dalam metodolog estmas parameter populas adalah mengena estmas untuk area atau doman surve yang memlk sampel kecl (Small Area Estmaton/SAE) (Rao, 003). Badan Pusat Statstk (BPS) selaku nstans utama penyeda data d Indonesa perlu mengembangkan metode estmas yang dapat dgunakan untuk mendapatkan statstk area kecl. Ketersedaan metode estmas parameter area kecl akan sangat membantu BPS dalam menyedakan data dan nformas yang akurat untuk kebutuhan daerah sepert level provns, kabupaten/kota, kecamatan, atau bahkan kelurahan, dengan memanfaatkan ketersedaan data pada level nasonal. 1
2 Terdapat beberapa metode estmas area kecl yang telah banyak dgunakan, d antaranya adalah Best Lnear Unbased Predcton (BLUP), Emprcal Best Lnear Unbased Predcton (EBLUP), Emprcal Bayes (EB), dan Herarchcal Bayes (HB). Pemodelan SAE yang saat n sedang banyak dkaj adalah pemodelan dengan menerapkan kadah Bayes (Bayesan Estmaton). Menurut kadah Bayes, untuk mendapatkan estmas yang bak, perlu model yang mampu menggabungkan nformas yang terseda pada data sampel dan nformas lan yang dketahu sebelumnya, dalam teor peluang (probablty theorem) lebh dkenal dengan menghtung posteror dengan memperhtungkan lkelhood dan pror. Konsep Bayesan dgunakan karena pendugaan pada doman dengan sampel yang sedkt sangat membutuhkan nformas pendukung, bak yang berasal dar peneltan sebelumnya, dar data sekunder, bahkan dar sebuah penlaan yang subjektf atau spesfk tap doman/area. Pada pemodelan SAE dmasukkan pula pengaruh acak area. Hal n sangat memungknkan untuk menganggap bahwa parameter yang tdak dketahu dalam model adalah bersfat acak/random mengkut dstrbus tertentu serta dpengaruh oleh serangkaan varabel predktor yang danggap sebaga nformas pror. Metode estmas Bayes yang akhr-akhr n banyak dkembangkan adalah Emprcal Bayes (EB) dan Herarchcal Bayes (HB). Pada pemodelan SAE dengan HB, dstrbus pror yang subjektf dar hperparameter dmasukkan dalam model kemudan dstrbus posteror dar parameter yang ngn destmas akan dperoleh. HB dsebut sebaga Bayes EB atau fully Bayes karena mengakomodr dstrbus pror subjektf dan pror emprs (berdasarkan data). Sedangkan EB hanya memasukkan dstrbus pror emprs. Selan tu, kelebhan HB dbandngkan EB adalah pada ss nferensa yatu dstrbus posteror dar HB setelah dperoleh maka dapat langsung dgunakan untuk seluruh nferensa. Keunggulan HB berkutnya adalah mampu mengatas model yang kompleks sepert unmatched samplng dan lnkng models d mana hal n sult dtangan dengan EB. HB juga mampu mengatas model dengan efek acak mengkut kelas dstrbus selan dstrbus normal. Dar beberapa plhan metode yang telah dkemukakan d atas, pemlhan metode yang tepat memungknkan akan menghaslkan estmas yang cukup bak dar sampel yang kecl, asalkan terseda data pendukung yang lengkap dan berkatan erat dengan data yang hendak dtelt. Dalam peneltan n, akan dterapkan pemodelan HB pada estmas data kemsknan level area kecl yatu kelurahan dengan memanfaatkan data pendukung dar data BPS yatu Potens Desa (PODES) dan Sensus Penduduk (SP). Statstk kemsknan yang hendak destmas adalah propors rumah tangga mskn pada level kelurahan. Metode HB dplh karena penelt hendak menduga parameter-parameter dalam model dengan
3 mempertmbangkan kelengkapan nformas pror tdak hanya berdasarkan data emprs, namun juga pror subjektf dalam pendugaan angka kemsknan. D sampng tu, peneltan n menggunakan perangkat lunak Wndows Bayesan Inference Usng Gbbs Samplng (WnBUGS) dalam pengolahan data. Sebelumnya, terdapat beberapa peneltan tentang HB d Indonesa, mayortas d antaranya adalah dalam bdang bolog, kesehatan, pangan, dan demograf. D sampng tu, mayortas hanya menduga parameter pada level kabupaten/kota atau kecamatan saja, tdak sampa pada level desa/kelurahan. Peneltan n dharapkan mampu memberkan sumbangsh dalam kajan pendugaan area kecl dalam bdang sosal yatu kemsknan pada level desa/kelurahan. II. METODOLOGI Beberapa metode pendugaan area kecl yang telah dkembangkan d Indonesa dantaranya adalah Kurna (009) dalam dsertasnya menelt tentang predks terbak emprk untuk model transformas logartma d dalam pendugaan area kecl dengan penerapan pada data SUSENAS. Sadk (009) dalam dsertasnya juga menelt tentang metode predks takbas lner terbak dan bayes berhrark untuk pendugaan area kecl berdasarkan model state space. Wdart (011) menelt bas metode Area Specfc Jacknfe dan bas metode Weghted Jacknfe dalam pendugaan area kecl untuk respon posson dengan pendekatan bayes. Abad (011) menelt tentang pendugaan statstk area kecl menggunakan model beta-bnomal. Sunand (011) mengembangkan model spasal bayes dalam pendugaan area kecl dengan peubah respon bner. Hdayat (013) menerapkan metode Molna dan Rao pada pendugaan ukuran kemsknan moneter d Kabupaten dan Kota Malang. Hajarsman (013) mengembangkan pemodelan area kecl untuk menduga angka kematan bay melalu pendekatan model regres posson bayes berhrark dua level. Peneltan n menerapkan HB pada data kemsknan level kelurahan dengan menggunakan model hubung logt normal..1 Sumber Data dan Varabel Peneltan Data yang dgunakan dalam peneltan n adalah data sekunder, yatu: 1. Jumlah pengeluaran per kapta per bulan rumah tangga sampel dar hasl Surve Sosal Ekonom Nasonal (SUSENAS) Trwulan I Tahun 01 Kabupaten Sampang, Provns Jawa Tmur.. Jumlah penduduk menurut kelurahan d Kabupaten Sampang, Provns Jawa Tmur hasl Sensus Penduduk Tahun
4 3. Fasltas dan nfrastruktur yang terseda d kelurahan d Kabupaten Sampang hasl PODES 011. Peneltan n menggunakan varabel respon status rumah tangga mskn dan tdak mskn. Dalam pemodelan HB dperlukan juga varabel predktor (X). Varabel predktor dperoleh dar SP 010 dan PODES 011 untuk Kabupaten Sampang, Jawa Tmur. Melalu stud lteratur pada peneltan-peneltan sebelumnya, dplh 4 varabel predktor, yatu: X1 = Jumlah Penduduk (hasl SP 010) X = Jumlah keluarga pertanan (hasl PODES 011) X3 = Jumlah keluarga pengguna lstrk PLN (hasl PODES 011) X4 = Jumlah surat mskn/sktm yang dkeluarkan desa pada tahun 010 (hasl PODES 011). Basc Area Level Models (Type A) HB SAE Pemodelan Tpe A berbass pada model Fay-Herrot, yatu: ˆ x β v e, T 1,...,m, d mana v adalah random effects yang berdstrbus normal dengan rata-rata=0 dan varan = yang dnotaskan sebaga, v n desa/kelurahan) dan T N. Kemudan adalah area kecl (dalam hal 0 v β,..., 1 k adalah vektor koefsen regres (k x 1) d mana k adalah banyaknya varabel predktor. Sebuah model HB dalam fungs logt-normal dengan area level covarates x dasumskan bahwa model yang dapat dbangun dar sampel y, x, 1,..., m dapat dnyatakan dalam bayes hrark sebaga berkut: () Hrark 1: y p.. d Bnomal (n, p ) d logt p x v, v N 0, T () Hrark : ~ v () Pror: dan adalah salng bebas (mutually ndependent) dengan ~ G a, b, v v a 0, b 0 dan pror atas, f 1 Dmana p adalah propors rumah tangga mskn d desa/kelurahan ke-. Untuk = 1,, m dengan p dasumskan memlk model regres logstk dengan efek acak area, dtulskan logt(p ) = θ = x β + v dengan v ~ nd N(0, σ v ). Vektor kovarat x sebaga varabel tambahan (auxlary varable) dan sebuah vektor koefsen regres β dberkan, secara umum modelnya adalah logt(p ) = X T β..3 Pendugaan Parameter Propors Rumah Tangga Mskn pada HB SAE Pada MCMC Gbbs Samplng, nla posteror dperoleh dengan cara melakukan pengulangan pada sejumlah gugus hmpunan dar parameter yang hendak dduga. Berdasarkan 4
5 model bayes hrark d atas, parameter yang akan dduga adalah,, dan p. Dengan demkan, terdapat 3 hmpunan nla posteror yang akan dduga. Penghtungan nla-nla parameter dalam model n dlakukan secara berurutan. Langkah pendugaan dalam Gbbs Samplng adalah sebaga berkut: () [β p, σ v, y]~n p [β, σ m T v ( =1 x x ) 1 ] () [σ v β, p, y]~g ( m + a, 1 m (ξ =1 x T β) + b) () f(p β, σ v, y) h(p β, σ v )k(p ) dmana β = ( m =1 z T z 1 ) dan h(p β, σ v ) g (p )exp { (ξ z T β) m ( z T y ξ ), k(p ) = p (1 p ) n y =1 σ v } dmana g(p ) = logt(p ) Sehngga, berdasarkan algortma Gbbs Samplng pada MCMC dperoleh, {p (k),, p m (k), β (k), σ v (k) ; k = d + 1,, K = d + D} yang akan dgunakan untuk mendapatkan penduga Herarchcal Bayes (HB) untuk parameter p dan ragam posteror dar p. Berkut adalah tahapan alur pendugaan parameter propors pada HB SAE: 1. Mengambl nla awal sembarang p (0), σ v (0), y (0). Membangktkan β (1) dengan nformas p (0), σ v (0), y (1) dar (β p, σ v, y)~n p (β, σ v ( predktor. (Langkah ) m =1 σ v (x x ) 1 )), nformas x merupakan gugus varabel 3. Melakukan teras ke-k, dbangktkan contoh acak β (k) dengan nformas p (k 1), σ v (k 1), y (k) 4. Membangktkan contoh acak σ v (k) dengan nformas β (k), p (k 1), y (k). (Langkah ) 5. Menghtung nla p (k) dengan nformas σ v (k), β (k), y (k). (Langkah ) 6. Mengulang proses sampa sejumlah D contoh acak/teras yang telah dtetapkan sampa ranta konvergen. 7. Melakukan burn n dengan cara membuang d teras pertama untuk menghlangkan pengaruh nla awal sehngga dperoleh {p (k),, pm (k), β (k), σ v (k) ; k = d + 1,, K = d + D} 8. Saat ranta konvergen, maka dperoleh nla p HB 9. Memperoleh nla penduga p dan ragam dar p HB yatu: v 5
6 p HB 1 D d+d k=d+1 p (k) dan V(p p ) 1 d+d D 1 k=d+1 (p (k) p HB ) 10. Membandngkan p HB dengan hasl estmas langsung p DE yatu: p DE = y j = jn y n dan V (p DE ) = pq n 1 dmana q = 1 p III. HASIL DAN PEMBAHASAN Penentuan Status Rumah Tangga Mskn dan Tdak Mskn dlakukan berdasarkan Gars Kemsknan (GK) Kab. Sampang Tahun 013 yatu sebesar Rp.61.97,-. Rumah tangga yang pengeluaran perkapta per bulannya berada d bawah GK maka dkategorkan mskn. Sebalknya, rumah tangga dengan pengeluaran perkapta per bulannya berada sama atau d atas GK, maka dkategorkan tdak mskn. Selanjutnya, dhtung propors rumah tangga yang mskn pada tap desa/kelurahan sampel. Berkut adalah hasl penghtungan propors rumah tangga (ruta) mskn per desa/kelurahan sampel (DE): Tabel 1: Desa/Kelurahan Sampel dan Hasl Dugaan Langsung (DE) Propors Mskn No. Urut Kec. Sampel Kode Kecamatan Nama Kecamatan No. Urut Desa Sampel Kode Desa/Kelurahan Nama Desa/Kelurahan Tdak Mskn (Kode 0) Count Status Mskn Mskn (kode 1) 1 0 Torjun 1 1 Torjun Pangarengan 6 Ragung Sampang 3 5 Gunung Maddah Omben 4 6 Meteng Omben 5 7 Madulang Omben 6 8 Kamondung Omben 7 10 Temoran Jrengk 8 1 Jrengk Robatal 9 13 Tragh Robatal Gunung Rancak Karang Penang 11 Tlambah Karang Penang 1 3 Gunung Kesan Ketapang 13 5 Karang Anyar Ketapang 14 8 Ketapang Tmur Sokobanah 15 6 Sokobanah Laok Count Total Sampel RuTa Propors RuTa Mskn (DE) Data d atas dolah menggunakan algortma Gbbs Samplng dengan memasukkan komponen varabel predktor (X1, X, X3, dan X4) sehngga dperoleh hasl posteror pada saat Gbbs Samplng konvergen sepert pada tabel d bawah n: Tabel : Hasl Pendugaan Propors Rumah Tangga Mskn HB SAE Node Mean Sd MC error.50% medan 97.50% start Sample p[1] E p[]
7 p[3] p[4] p[5] p[6] p[7] p[8] p[9] p[10] p[11] E p[1] p[13] p[14] p[15] Tabel 3: Hasl Pendugaan Parameter β Node Mean Sd MC error.50% medan 97.50% Start Sample beta beta E E E beta E-04.48E E beta E beta E Hasl dugaan d atas adalah nla posteror pada saat teras konvergen. Kekonvergenan Ranta Markov n dtunjukkan dalam tamplan vsual trace, hstory, dan kernel densty. Hasl trace menunjukkan bahwa nla dugaan pada tap teras tdak terdapat nla ekstrm. Hal n terlhat dar pola trace yang cenderung mendatar. Selan tu, pola hstory juga menunjukkan bahwa Ranta Markov telah mencapa konds yang stasoner dan konvergen. Konds konvergens Ranta Markov juga dtunjukkan dengan terbentuknya dstrbus normal dar Kernel Densty. Gambar 1.Trace Plot 7
8 Gambar. Hstory Plot Gambar 3. Kernel Densty Langkah berkutnya adalah membandngkan hasl dugaan langsung (DE) dan HB, sebaga berkut: Tabel 4: Hasl perbandngan dugaan langsung (DE) dan HB Kode Propors RuTa Mskn Propors RuTa Mskn Nama Desa/ Desa/ (DE) (HB) Kelurahan Kelurahan p Sd p Sd 1 Torjun Ragung Gunung Maddah Meteng Madulang Kamondung Temoran Jrengk Tragh
9 15 Gunung Rancak Tlambah Gunung Kesan 5 Karang Anyar 8 Ketapang Tmur 6 Sokobanah Laok Apabla dsajkan dalam bentuk grafk maka akan tampak sebaga berkut: Perbandngan Hasl Dugaan Propors dengan HB dan DE Propors RuTa Mskn (DE) Propors RuTa Mskn (HB) Gambar 4. Perbandngan Hasl Dugaan Propors dengan HB dan EB Berdasarkan grafk d atas, terlhat bahwa nla dugaan propors antara DE dan HB menunjukkan kesamaan kecenderungan nla. Namun, dugaan HB menghaslkan nla smpangan yang lebh kecl dbandngkan dugaan DE. Berdasarkan hasl dugaan HB terhadap parameter β, estmas logt dar p dapat dtulskan sebaga berkut: logt(p) = X X X X4 model logt n dapat dgunakan untuk mengestmas nla logt propors dar desa/kelurahan lan yang tdak terplh sebaga sampel dengan cara memasukkan varabel predktor (X) yang bersesuaan dengan desa/kelurahan tersebut. 9
10 IV. KESIMPULAN Peneltan n menympulkan bahwa pendugaan propors rumah tangga mskn d desa/kelurahan d Kabupaten Sampang dengan metode HB cenderung lebh bak dbandngkan dengan DE dkarenakan dugaan HB memberkan nla smpangan baku yang lebh kecl. Hasl yang dperoleh dar dugaan parameter model HB dapat dgunakan untuk menduga nla propors rumah tangga mskn pada desa/kelurahan lan yang tdak terplh sebaga sampel dengan cara memasukkan varabel predktor yang bersesuaan dengan desa/kelurahan tersebut ke dalam model logt hasl dugaan HB. DAFTAR PUSTAKA Abad, Slamet Pendugaan Statstk Area Kecl Menggunakan Model Beta-Bnomal. [Tess]. Bogor: FMIPA IPB. Badan Pusat Statstk [BPS]. 01. Data dan Informas Kemsknan Tahun 01 Buku : Kabupaten. Jakarta: BPS Hasl Surve Sosal Ekonom Nasonal (SUSENAS) Provns Jawa Tmur Tahun 01. Jakarta: BPS Jawa Tmur. Cochran WG Samplng Technques, 3 rd ed. New Jersey: John Wley & Sons, Inc. Ghosh, Malay dan J.N.K. Rao Small Area Estmaton: An Apprasal. Statstcal Scence 9: Hajarsman, Nusar Pemodelan Area Kecl untuk Menduga Angka Kematan Bay Melalu Pendekatan Model Regres Posson Bayes Berhrark Dua-Level. [Dsertas]. Bogor: FMIPA IPB. Hdayat, Nurul Aplkas Metode Molna dan Rao pada Pendugaan Ukuran Kemsknan Moneter d Kabupaten dan Kota Malang. [Tess]. Bogor: FMIPA IPB. Kurna, Anang Predks Terbak Emprk untuk Model Transformas Logartma d Dalam Pendugaan Area Kecl dengan Penerapan Pada Data Susenas. [Dsertas]. Bogor: FMIPA IPB. Rao JNK Small Area Estmaton. New Jersey: John Wley & Sons, Inc. Sadk, Kusman Metode Predks Tak-Bas Lnear Terbak dan Bayes Berhrark untuk Pendugaan Area Kecl Berdasarkan Model State Space. [Dsertas]. Bogor: FMIPA IPB. Setawan, Agus Small Area Statstcs As A Method and Its Applcaton n WnBUGS Software [Tess]. Jepang: Faculty of Envronmental Scence and Technology, Okayama Unversty. 10
11 Sunand, Ets Model Spasal Bayes dalam Pendugaan Area Kecl dengan Peubah Respon Bner. [Tess]. Bogor: FMIPA IPB. Walpole, Ronald E. dan Raymond H. Myers Ilmu Peluang dan Statstka untuk Insnyur dan Ilmuwan. Eds ke-4. Bandung: ITB Bandung. Wdart Kajan Bas Metode Area Specfc Jacknfe dan Bas Metode Weghted Jacknfe dalam Pendugaan Area Kecl untuk Respon Posson dengan Pendekatan Bayes. [Tess]. Bogor: FMIPA IPB. 11
BAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan
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 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 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 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 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 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 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. 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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciParameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized-Splines
Statstka, Vol. 8, No. 1, 31-36 Unsba Bandung, Me 2008 Parameter Quantle-lke dalam Pendugaan Area Kecl Melalu Pendekatan Penalzed-Splnes Kusman Sadk Departemen Statstka IPB, Bogor Jl. Merant, Kampus IPB
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 terperinciMODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL
MODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL APLIKASI : PENDUGAAN INDEKS PENDIDIKAN LEVEL KECAMATAN DI JAWA TIMUR AGNES
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 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 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 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 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 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 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 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 terperinciPemetaan Penyakit Demam Berdarah (DBD) Kota Makassar Dengan Penduga Empirical Bayes
Jurnal Matematka, Statstka & Komputas 1 Vol. 4 No. Januar 008 Pemetaan Penyakt Demam Berdarah (DBD) Kota Makassar Dengan Penduga Emprcal Bayes Ansa Abstrak Peneltan n mengkaj penggunaan model Emprcal Bayes
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
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 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 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 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 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 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 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. 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 terperinci(DS.7) PEMETAAN KECAMATAN TERMISKIN MENGGUNAKAN EMPIRICAL BAYES SMALL AREA ESTIMATION UNTUK SPATIAL SCAN STATISTICS
Semnar Nasonal Statstka 12 Noember 2011 Vol 2, Noember 2011 (DS.7) PEMEAAN KECAMAAN ERMISKIN MENGGUNAKAN EMPIRICAL BAYES SMALL AREA ESIMAION UNUK SPAIAL SCAN SAISICS tn Sswantnng 1,2 ; Asep Saefuddn 1
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 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 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 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 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 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 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 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
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 terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
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 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 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 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 terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinci2. ANALISIS DATA LONGITUDINAL
. ANALISIS DATA LONGITUDINAL Data longtudnal merupakan salah satu bentuk data berkorelas. Pada data longtudnal, peubah respon dukur pada beberapa ttk waktu untuk setap subyek. Dalam stud longtudnal dmungknkan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
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 terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB III PROSEDUR PENELITIAN. penelitian, hal ini dilakukan untuk kepentingan perolehan dan analisis data.
BAB III PROSEDUR PENELITIAN A. Metode Peneltan Metode peneltan harus dsesuakan dengan masalah dan tujuan peneltan, hal n dlakukan untuk kepentngan perolehan dan analss data. Mengena pengertan metode peneltan,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
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 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 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 terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
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 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 terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciMETODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK
METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 009 PERNYATAAN MENGENAI
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 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 I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciPENDEKATAN GENERAL LINEAR MIXED MODEL PADA SMALL AREA ESTIMATION
Forum Statstka dan Komputas, Oktoberl 005, p: 1 16 Vol. 10 No. PENDEKATAN GENERAL LINEAR MIXED MODEL PADA SMALL AREA ESTIMATION Kharl A. Notodputro dan Anang Kurna Departemen Statstka FMIPA IPB Abstract
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 terperinciBAB III PROSEDUR PENELITIAN
BAB III PROSEDUR PENELITIAN A. Metode Peneltan Metode adalah suatu cara yang dtempuh untuk mencapa suatu tujuan. Sepert yang dpaparkan oleh Surakhmad (985:3) yatu Metode merupakan cara utama yang dpergunakan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB III METODE PENELITIAN. bersumber dari Badan Pusat Statistik (BPS) dan Bank Indonesia (BI). Data yang
BAB III METODE PENELITIAN 3.1. Jens dan Sumber Data Sumber data yang dgunakan dalam peneltan n adalah data sekunder bersumber dar Badan Pusat Statstk (BPS) dan Bank Indonesa (BI). Data yang dgunakan dalam
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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciPERBANDINGAN METODE EMPIRICAL BAYES
PERBANDINGAN METODE EMPIRICAL BAYES (EB) DAN EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA PENDUGAAN AREA KECIL (Stud Kasus Pendugaan Pengeluaran Per Kapta d Kota Bogor) AGUSTINA DWI WARDANI DEPARTEMEN
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
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 terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
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 terperinciBAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,
BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,
Lebih terperinciMETODE PENELITIAN. Penentuan lokasi dilakukan secara tertuju (purposive) karena sungai ini termasuk
IV. METODE PENELITIAN 4.1. Tempat dan Waktu Peneltan Peneltan n dlakukan d Sunga Sak, Kota Pekanbaru, Provns Rau. Penentuan lokas dlakukan secara tertuju (purposve) karena sunga n termasuk dalam 13 sunga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
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 terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciIII. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah,
III. METODELOGI PENELITIAN A. Metode Peneltan Suatu peneltan dapat berhasl dengan bak dan sesua dengan prosedur lmah, apabla peneltan tersebut menggunakan metode atau alat yang tepat. Dengan menggunakan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
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 terperinciHubungan Model Kurva Pengeluaran Konsumsi Rumah Tangga di Provinsi Sulawesi Selatan dengan Elastisitasnya
Vol. 8, No., 9-101, Januar 01 Hubungan Model Kurva Pengeluaran Konsums Rumah Tangga d Provns Sulawes Selatan dengan Elaststasnya Adawayat Rangkut Abstrak Seleks kurva pengeluaran konsums masyarakat Sulawes
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciBAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi
BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana
Lebih terperinciPowerPoint Slides by Yana Rohmana Education University of Indonesian
SIFAT-SIFAT ANALISIS REGRESI PowerPont Sldes by Yana Rohmana Educaton Unversty of Indonesan 2007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinci