PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak
|
|
- Fanny Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pmodla Rgrs Zro Ilatd Posso... Ala star PEMODEAN REGRESI ZERO INFAED POISSON APIKASI PADA DAA PEKERJA SEKS KOMERSIA DI KINIK REPRODUKSI PUA JAYA SURABAYA Ala star Purhad Madu Rata Jurusa Spl Uvrstas Ad Djmma Palopo Jurusa Statsta Isttut olog Spuluh Novmbr Surabaa Abstra Dalam mgaalss hubuga atara bbrapa varabl trdapat sjumlah oma dmaa varabl rsposa brbtu br ataupu brbtu dsrt. Foma dmaa varabl rsposa brbtu dsrt tap tda br basaa daalss dga Rgrs Posso. Namu dma dalam asus trttu srg dhadap suatu prstwa ag sagat jarag trjad atau rsposa mmpua data ol ag sagat baa shgga aalss dga pdata dstrbus Posso srgal tda lag mmbra smpula ag tpat. Pada plta aa daj suatu mtod utu mgatas baaa rspos brla ol ag tlah dmbaga olh ambrt 99 atu Rgrs Zro-Ilatd Posso ZIP. Estmas paramtr modl mgguaa Algortma EM da pguja hpotssa mgguaa lhood Rato st. Aplas pada data Prja Ss Komrsal d Kl Rprodus Putat Jaa Surabaa mujua bahwa varabl ag mmpgaruh ro stat atau pluag brla ol sama dga varabl ag mmpgaruh posso stat atau pluag brdstrbus Posso atu lamaa sorag PSK mjala prosa da propors pmaaa odom. Statst Vuog ag dhasla mujua bahwa Pmodla Rgrs ZIP mghasla modl ag lbh ba darpada Rgrs Posso. Kata uc : Algortma EM Prja Ss Komrsal PSK Pat Mular Ssual PMS Rgrs Posso Zro Ilatd Posso ZIP. PENDAHUUAN Dalam asus trttu srg dhadap suatu prstwa ag sagat jarag trjad atau rsposa mmpua data ol ag sagat baa. Msala dalam pross produs suatu tm argum ag umum mataa bahwa ta suatu pross mauacturg ag ba brada dalam dal baaa tm ag cacat aa brdstrbus Posso. Ja ma dar dstrbus Posso adalah maa pada sampl ag bsar aa mmpua star - tm ag tda cacat. tap adag-adag dar tm ag tda smpura trdapat lbh baa lag tm tapa cacat dbadga dga ag 57
2 Vol. 5 No. Dsmbr 9: 57-7 bsa dprds. Hal srgal mgabata salaha pada aalss. Apalag data dalam jumlah ag baa trlalu baaa rspos ag brla ol da jumlah data ag sagat bsar mmbuat rgrs Posso urag tpat utu mgaalss asus. Bbrapa plt tlah mgmbaga mtod utu mgatas masalah trsbut. Furvrgr 979 mragaa pluag rspos brla ol dga ma dar dstrbus gamma utu mmodla curah huja. Farwll 986 da Mr 987 mmbrlaua la-la ol trsbut sbaga data trssor aa rght ccord cotuous dstrbuto utu mmodla data survval. Hlbro 989 mgusula ro altrd Posso ZAP da gatv bomal rgrsso scara brsama-sama utu mmodla data ttag rso ag bsar pada prlau pasaga ga. Kmuda ambrt 99 mmprala ro-latd Posso Rgrsso ZIP Rgrsso dmaa arom mrupaa modas dar arom ag dprala olh Hlbor ZAP ttap pgmbaga ag dlaua olh ambrt brbda dga Hlbor. Plta brmasud utu mgaj Rgrs Zro-Ilatd Posso ZIP trsbut ttag stmas paramtr da uj hpotssa muda aa daplasa pada data Prja Ss Komrsal d Kl Rprodus Putat Jaa Surabaa. MODE REGRESI ZIP maa : Utu stap pgamata Y ag salg bbas =... da Y Posso dga pluag ; dga pluag P Y = = utu utu dga paramtr =... da =... ag mmuh : log = X 3 da logt = X 4 58
3 Pmodla Rgrs Zro Ilatd Posso... Ala star dmaa logt = l da adalah paramtr rgrs ag aa dtasr sdaga adalah matrs varabl ag mmuat hmpua-hmpua ag brbda dar ator sprm ag brhubuga dga pluag pada ro stat da rata-rata Posso pada posso stat. Varabl-varabl ag mmpgaruh ma Posso pada posso stat bsa sama da bsa juga brbda dga varabl ag mmpgaruh pluag pada ro stat. Pada saat varabl ag mmpgaruh ma Posso pada posso stat da ro stat sama srta stap paramtr da bua mrupaa ugs dar ag laa maa pmodla rgrs ZIP dlaua sbaa dua al ssua dga baaa paramtr pada rgrs Posso. Pada asus la dmaa varabl ag mmpgaruh dua stat brbda atau pluag dar ro stat tda brgatug pada varabl shgga matrs ag brhubuga dga ro stat trsbut mrupaa matrs olom ag lmlma adalah maa rgrs ZIP haa dmodla satu al atau sama sprt mmodla rgrs Posso. Ja varabl ag mmpgaruh da sama srta mrupaa ugs dar atau sbala maa jumlah paramtr ag aa dtasr dapat durag dga asums bahwa ugs trsbut dtahu sbaa suatu ostata ag mdat stgah dar jumlah paramtr ag dbutuha utu rgrs ZIP da scara ata dapat mmprcpat prhtugaa. tap dalam baa aplas haa trdapat sdt ormas awal ttag bagamaa brhubuga dga. Shgga utu masr paramtra dguaa l ucto : log = X da logt = - X 5 dmaa la sbara dar paramtr ag tda dtahu mgabata 6 Dalam prsamaa pada grald lar modls log da logt adalah l ucto atau trasormas ag umuma dguaa utu mlara ma dar Posso da pluag suss pada Broull. ZIP modl muda aa dtulsa sbaga ZIP. 59
4 6 Vol. 5 No. Dsmbr 9: 57-7 ucto logt utu paramtr aa smtr dstar la 5. Dua l ucto asmtrc ag srg dguaa adalah log-log l ag ddsa sbaga : log log uval dga p da complmtar log-log l g ddsa sbaga : log log atau p ESIMASI PARAMEER REGRESI ZIP Utu masr paramtr Rgrs ZIP dguaa mtod Masmum lhood Estmato ME. Dar 3 da 4 dprolh : p Subttus 7 8 da 9 : utu p utu p P Y Shgga ugs llhooda adalah : utu p utu p da ugs log-atural llhooda adalah :
5 Pmodla Rgrs Zro Ilatd Posso... Ala star 6 l l p l Pjumlaha ugs sposal suu prtama pada aa multa prhtuga. ara tda dtahua la maa ag brasal dar ro stat da maa ag brasal dar posso stat mmbuat ugs llhood tda dapat dslsaa dga mtod umr basa. Olh ara tu basa dsbut juga complt data llhood. Msala stap varabl Y brata dga varabl dator Z atu : stat posso stat ro Z brasal dar ja brasal dar ja Prmasalahaa adalah ja la varabl rspo = 3... maa la =. Sdaga ja la varabl rspo = maa la mug mug juga. Olh ara tu la daggap hlag sbaga. Utu mgatas hal maa stmas paramtr aa dlaua dga algortma EM. agah lagaha adalah sbaga brut :. Mtua dstrbus dar varabl Z : Brdasara da maa : Z P Posso P Y Z P ~ Jad Z ~ Bomal EZ = Var Z =. Mmbtu dstrbus gabuga atara da atu p Subttus mbal 7 8 da 9 dprolh p p
6 6 Vol. 5 No. Dsmbr 9: 57-7 Shgga dprolh ugs llhood : p p da log-atural llhooda: l l l 3 Fugs llhood basa dsbut complt data llhood. Fugs lah ag aa dmasmuma mgguaa algortma EM dmaa vtor paramtr da dapat dstmas scara trpsah dga mulsa 3 mjad : l l l l dga l ; l 4 da ; l 5 Sdaga l dapat dabaa ara tda mgadug vtor paramtr da. 3. Slajuta dlaua tahap Esptas da Masmalsas: a. ahap Esptas : Gat varabl Z dga Z dga ja ja Z P Z P Z E Z p p Z P Shgga 4 da 5 mjad :
7 Pmodla Rgrs Zro Ilatd Posso... Ala star 63 p l ; l 6 da ; l 7 b. ahap Masmalsas trdr dar : - Masmalsas utu dga mghtug + ag dprolh dar mmasmuma 7 dga mtod Nwto Raphso. - Masmalsas utu dga mmasmala 6 dmaa utu stap > la aa sama dga shgga 6 dapat juga dtuls: l l l ; l Msala la sampa adalah atau dapat dtulsa : Dsa * * * p p p p P Dsa juga matr dagoal W dga lm dagoal : w * Shgga 6 dapat dtuls mbal sbaga : * * l ; l w w 8 sdaga vtor grad g = * * * P W da matr Hssa adalah H * * * X Q W X dmaa * Q adalah matrs dagoal dga * * P P sbaga lm dagoala.
8 Vol. 5 No. Dsmbr 9: Gat sptas. da dga da muda laua mbal tahap 5. ahap -3 da -4 dlaua brulag-ulag sampa dprolh pasr paramtr ag ovrg. PENGUJIAN PARAMEER MODE REGRESI ZIP Utu mguj laaa modl ag dprolh dar stmas paramtr dlaua pguja paramtr modl Rgrs ZIP dga mguj hpotss-hpotss brut mgguaa mtod lhood Rato st.. H : = =... = = = =... = = H : Palg sdt ada satu atau - Hmpua paramtr dbawah populas : - Hmpua paramtr ja H bar : - Fugs llhood d bawah populas : ; = p - Fugs llhood ja H bar : p p p - ; p p p p p p p p p p p p - Nla da dprolh dar baga 3 - ola H ja - dmaa < < G l ag brdstrbus v tola H ja G htug > v 64
9 Pmodla Rgrs Zro Ilatd Posso... Ala star 65. H : = =... = = H : Palg sdt ada satu - Hmpua paramtr dbawah populas : - Hmpua paramtr ja H bar : - Fugs llhood d bawah populas : ; p - Fugs llhood d bawah H ; p p p p - p p p p p p - Nla da dprolh dar baga 3 - ola H ja dmaa < < - l G ag brdstrbus v ola H ja G htug > v 3. H : = =... = = H : Palg sdt ada satu - Hmpua paramtr dbawah populas : - Hmpua paramtr d bawah H : - Fugs llhood d bawah populas : ; p p p p - Fugs llhood d bawah H
10 66 Vol. 5 No. Dsmbr 9: 57-7 ; p p - p p p p p p - Nla da dprolh dar baga 3 - ola H ja dmaa < < - l G ag brdstrbus v tola H ja G htug > v 4. H : = H : - Hmpua paramtr dbawah populas : - Hmpua paramtr d bawah H : - Fugs llhood d bawah populas : ; p p p p - Fugs llhood d bawah H ; p p - p p p p p p - Nla da dprolh dar baga 3 - ola H ja dmaa < <
11 Pmodla Rgrs Zro Ilatd Posso... Ala star - G l ag brdstrbus v tola H ja G htug > v 5. H : = H : - Hmpua paramtr dbawah populas : - Hmpua paramtr d bawah H : - Fugs llhood d bawah populas : ; p - Fugs llhood d bawah H p p p ; p p - p p p p p p - Nla da dprolh dar baga 3 - ola H ja - dmaa < < G l ag brdstrbus v tola H ja G htug > v APIKASI REGRESI ZIP PADA DAA PSK DI KINIK REPRODUKSI PUA JAYA SURABAYA. Pmodla Rgrs ZIP aa daplasa pada data PSK ag dprolh dar Kl Rprodus Putat Jaa Jl. Kupag Guug IV/5 Surabaa. Sbaga gambara awal dsrps statst dar data dapat dlhat pada tabl brut : abl 4.. Dsrps Statst Data PSK d Kl Rprodus Putat Jaa Surabaa 67
12 Vol. 5 No. Dsmbr 9: 57-7 Varabl Ma StDv Mmum Mamum Y 57 5 X X X X rlhat bahwa baaa PSK ag mdrta PMS pada stap rumah masmal brjumlah orag. ama pdda ag prah dtmpuh olh PSK masmal tahu atau tamat SMA da trdapat pula PSK ag haa prah mmpuh pdda slama tahu. Rata-rata PSK tlah mjala prosa slama 338 tahu atau star 38 bula. Usa PSK brsar atara 9 sampa 39 tahu dga rata-rata usa 8 tahu. Sdaga rata-rata propors pmaaa odom adalah 67% dga propors pmaaa palg baa adalah star 54%. Stlah dlaua pmodla dga Rgrs ZIP mgguaa pat program SAS 9. dprolh hasl sbaga brut : Pguja paramtr scara srta dga hpotss : H : = =... = 4 = = =... = 4 = H : Palg sdt ada satu atau mghasla la G htug = 47 sdaga G = 7 ; mmbra alasa ag cuup uat utu mola H ag brart bahwa stap varabl bbas mmbra ag brbda trhadap varabl rspo olh ara tu dprlua pguja scara parsal utu mgtahu ag dbra masg-masg varabl bbas trsbut. Pguja paramtr scara parsal dga hpotss : H : = H : Hasl stmas paramtr dapat dlhat pada tabl brut: 68
13 Pmodla Rgrs Zro Ilatd Posso... Ala star abl 4.. Nla Estmas Paramtr Modl Rgrs ZIP Paramtr Estmas SE DF t P-Valu owr Uppr Pada tabl dapat dlhat bahwa paramtr ag sga adalah da. Hal trlhat pada la p-valu masg-masg 56 da 579 ag lbh cl dar =. Pgguaa = ara plta mrupaa plta sosal. Sla tu pguja paramtr scara parsal dga hpotss : H : = H : mghasla da 4 sbaga paramtr ag sga pada = trlhat pada la p-valu masg-masg 854 da 8. tap ara la stmas paramtr brubah ta paramtr ag tda sga dluara dar modl maa smua paramtr dmasua dalam modl. Shgga modl Rgrs ZIP-a adalah : log da logt X 848X 869X 4 X 388X 9959X 4 Dmaa X mataa lama pdda tahu X adalah lama mjad PSK tahu da X 4 adalah propors pmaaa odom%. Modl ag dhasla mmprlhata bahwa varabl ag mmpgaruh ro stat sama dga varabl ag mmpgaruh posso stat. Modl logt mjlasa pluag rspo brla ol dpgaruh olh lamaa sorag PSK mjala 69
14 Vol. 5 No. Dsmbr 9: 57-7 prosa da propors pmaaa odom sdaga lama pdda PSK mspu dmasua dalam modl ttap pgaruha tda sga. Modl log mjlasa bahwa sma tgg propors pmaaa odom da sma lama sorag PSK mjala prosa aa murua rata-rata jumlah PSK pdrta PMS romoass Vagals d stap rumah. Modl juga dapat darta bahwa sma lama sorag PSK mjala prosa maa sadara PSK dalam mmaa odom aa sma tgg shgga pluag PSK trsbut trtular PMS romoass Vagals sma cl. PERBANDINGAN PEMODEAN REGRESI ZIP DENGAN REGRESI POISSON Utu mmbadga modl ag dprolh dga Rgrs ZIP dga Rgrs Posso Vuog 989 dalam Gr mgusula statst uj utu mmbadga modl ro latd dga modl awala dga hpotss: H H Msala : Rgrs ZIP coco utu data : Rgrs ZIP tda coco utu data m log dmaa adalah ugs padata pluag dar modl rgrs ZIP da adalah ugs padata pluag dar modl rgrs Posso maa statst uja adalah : v / / m m m m S m 8 dmaa m adalah ma S m adalah stadar dvas da adalah jumlah sampl. Nla v brdstrbus ormal stadar scara asmptot. Ja v lbh cl 645 t tst dga trval covdc 9 % maa tda cuup alasa utu mmodla data trsbut dga Rgrs ZIP H dtolagr.. Stlah dlaua aalss dprolh la Statst Vuog = ag lbh bsar dar t htug = 645. Hal mujua pmodla Rgrs ZIP lbh ba darpada pmodla Rgrs Posso utu = %. 7
15 Pmodla Rgrs Zro Ilatd Posso... Ala star SIMPUAN Estmas paramtr modl Rgrs ZIP mghasla stmator ag brbtu mplst shgga dprlua prosdur trat utu mmprolh stmas paramtra. Mtod ag dguaa adalah Algortma EM ag trdr dar dua tahap atu tahap sptas da tahap masmalsas. Pada tahap masmalsas dguaa mtod Nwto Rapso utu mmasmala ugs lhood ag dprolh pada tahap Esptas. Statst uj utu pguja scara srta da parsal dprolh dga mtod lhood Rato st. Pmodla Rgrs ZIP mmbra hasl bahwa pada data PSK d Kl Rprodus Putat Jaa Surabaa varabl ag mmpgaruh ro stat atau pluag brla ol sama dga varabl ag mmpgaruh posso stat atau pluag brdstrbus Posso atu lamaa sorag PSK mjala prosa da propors pmaaa odom. Sma lama sorag PSK mjala prosa da sma tgg propors pmaaa odoma aa murua rata-rata jumlah PSK ag mgdap PMS romoass Vagals d stap rumah bordl d Kluraha Putat Jaa Surabaa. Statst Vuog ag dhasla dar prbadga atara pmodla dga Rgrs ZIP da Rgrs Posso mujua bahwa pmodla Rgrs ZIP pada data PSK d Kl Rprodus Putat Jaa Surabaa lbh ba darpada pmodla dga Rgrs Posso. DAFAR PUSAKA Gr W.H.. Ecoomtrcs Aalss 4 th Edto. odo: Prtc Hall. Dmpstr A.P. ard N.M. & Rub D.B Mamum lhood rom Icomplt Data va th EM Algorthm. Joural o th Roal Statstcal Soct. Srs B Mthodologcal Fau A. ucaawat M. Haah. & Bradtt N. 7. Pat Mular Ssual da HIV/AIDS. mt@mwb.co.d. ambrt D. 99. Zro-Ilatd Posso Rgrsso wth a Applcato to Dcts Mauacturg. chomtrcs Mahara R. 4. Kaja Pat Mular Ssual Prja Ss Komrsl PSK dga Modl Rgrs Posso Stud Kasus d oalsas Doll Jara Kluraha 7
16 Vol. 5 No. Dsmbr 9: 57-7 Putat Jaa Kcamata Sawaha Koda Surabaa. Srps. Surabaa: Jurusa Statsta FMIPA IS. McCullagh P. & Nldr J. A Grald ar Modls. d Edto. odo: Chapma & Hall. Mrs R. H. 99. Classcal ad Modr Rgrsso wth Applcatos. Nw Yor: PWS Kt Publshg Compa. Vuog H.Q lhood Rato sts or Modl Slcto ad No-Nstd Hpothss. Ecoomtrcs
Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus
Jural EKSPONENSIAL Volum 3, Nomor, M 22 ISSN 285-7829 Itrprtas Paramtr dalam Modl Rgrs Logst utu Varabl Bbas Dotomus Paramtr Itrprtato Logstc Rgrsso Modls for Dcotomus Idpdt Varabl Darah A. Noh Program
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volum, Nomor, ahu 0, Halama 55-64 Ol d: htt://joural-s.ud.ac.d/d.h/gaussa PEMODELAN REGRESI ZERO-INFLAED NEGAIVE BINOMIAL ZINB UNUK DAA RESPON DISKRI DENGAN EXCESS ZEROS Bau Arawa, Suart,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bbrapa tor yag dprlua utu mduug pmbahasa dataraya adalah rgrs lar brgada, mtod uadrat trcl (MKT), pguja asums aalss rgrs, outlr, rgrs robust, ofs dtrmas, bradow pot. A. Rgrs Lar Brgada
Lebih terperinciESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL
Jural Matmata Mur da Traa Vol5 No Dsmbr : 4-5 ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIA Ry Aula Hj Noor Fajrah Nur Salam Proram Stud Matmata Faultas MIPA Ulam Bajarbaru Kalsl ABSTRAK Estmas tt dar
Lebih terperinciEFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI
EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Mota Dwya ), N Wahyu Utam, M. Pd. ) Program Stud Pdda Matmata Faultas
Lebih terperinciJurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN
Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN 085-789 Prbadga Hasl Klasfas Mgguaa Rgrs logst da Aalss Dsrma Kuadrat Pada Kasus Pglasfasa Jurusa D SMA Ngr 8 Samarda Tahu Aara 04/05 Comarso of Classfcato
Lebih terperinciMaximum Likelihood Estimation Model Linear dan Log-Linear dalam Regresi Poisson
Prosdg Sar Nasoal Pla Pdda da Prapa MIPA Faulas MIPA Uvrsas Ngr Yogaara 6 M 9 Mau lhood Esao Modl ar da og-ar dala Rgrs Posso Yul Wbawa Jaa Nugraha Jurusa Sasa FMIPA-UII Kapus Trpadu UII Jl Kalurag KM
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volum 4, Nomor 4, Tahu 015, Halama 97-936 Ol d: http://joural-s1.udp.ac.d/dx.php/gaussa ANALISIS KEPUTUSAN KONSUMEN MEMILIH BAHAN BAKAR MINYAK (BBM MENGGUNAKAN MODEL REGRESI
Lebih terperinciANALISIS KEDINAMIKAN SISTEM PADA MASALAH PENJADWALAN FLOW SHOP MENGGUNAKAN ALJABAR MAX-PLUS
Smar Nasoal atmata IV Isttut Tolog Spuluh Nopmbr, Surabaya, 3 Dsmbr 008 ANALISIS KEDINAIKAN SISTE PADA ASALAH PENADWALAN FLOW SHOP ENGGUNAKAN ALABAR AX-PLUS Nur Shofaah, Suboo, urusa atmata FIPA Isttut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB ADASA TEORI. Varabl Varabl adalah arar ag aa d obsrvas dar u amaa. Varabl dalam pla mrupaa suau arbu dar slompo obj ag dl da mml varas aara sau obj dga obj ag la dalam lompo rsbu, msala gg bada da
Lebih terperinci(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.
Prbadga Modl Logt da Probt Utu Mgaalss Fator-Fator yag Mmgaruh Draat Ortas Pasar Usaha Kcl Mgah (Stud Kasus d Stra Idustr Produ Kult d Kabuat Sdoaro Ryo Fbrawa, Luca Ardat da Wbawat Jurusa Statsta, Faultas
Lebih terperinciMODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL
MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl
Lebih terperinciModel Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah
JEKT JURNAL EKONOMI 9 [] : 80 KUANTITATIF - 84 TERAPAN Vol. 9 No. FEBRUARI 06 ISSN : 30-8968 Modl Rrs Lost pada Klulusa Uja Srtfas Padaa Bara da Jasa Pmrtah Ru *) ABSTRAK Modl rrs mrupaa alat utu maalss
Lebih terperinciPENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2.
Pagaa Ovdss Ro Togl S. PENANGANAN OVERDISPERSI PADA MODE REGRESI POISSON MENGGUNAKAN MODE REGRESI BINOMIA NEGATIF Ro Togal Smamata Dw Isat Alum Pogam Stud Statsta Ud Sta Pgaa Pogam Stud Statsta Ud Abstact
Lebih terperinciSISTEM PERSAMAAN LINEAR MIN-PLUS DAN PENERAPANNYA PADA MASALAH LINTASAN TERPENDEK
POSIDING ISBN : 98 99 1 9 SISTEM PESAMAAN LINEA MIN-PLUS DAN PENEAPANNYA PADA MASALAH LINTASAN TEPENDEK M. Ady udhto 1 1 Program Stud Pdda Matmata FKIP Uvrstas Saata Dharma Kampus III USD Paga Maguwoharjo
Lebih terperinciAPLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL
APIKASI SAISIKA DAAM BIDANG KESEHAAN DENGAN EGESI OGISIK ODINA oha Bdhaa* b_bdhaa@yahoo.co.d SIKES Kota Sabm Abstra Dalam mta varabl-varabl prdtor yag brpgarh trhadap varabl rspo dmaa varabl rspo brsala
Lebih terperinciANALISA PROBABILITAS KELUARAN PADA SISTEM GSM DENGAN DAN TANPA FREKUENSI HOPPING RAHMA YENNI L2F
AALISA PROBABILITAS KELUARA PADA SISTEM GSM DEGA DA TAPA FREKUESI HOPPIG RAHMA YEI LF 30055 ABSTRAK Pada saat tututa masyaraat aa mudaha dalam bromuas sma mgat. Salah satu tolog yag dtrapa dalam sstm GSM
Lebih terperinciadalah nilai-nilai yang mungkin diambil oleh parameter jika H
Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu
Lebih terperincib. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n.
0 DISTRIBUSI POISSO Distribusi Poisso ii diprolh dari distribusi biomial, apabila dalam distribusi biomial brlau syarat-syarat sbagai briut: a. baya pgulaga sprimya sagat bsar ( ). b. pluag trjadiya pristiwa
Lebih terperinciREGRESI LOGISTIK BINER
REGRESI LOGISTIK BINER Mtod rgrs mruaka aalss data yag mdskrska hubuga kausaltas atara varabl rso da rdktor (Hosmr da Lmshow, ). Prbdaa mdasar atara rgrs lr da rgrs logstk adalah ty dar varabl rso. Rgrs
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1
JURNAL SAINS DAN SENI POMITS Vol., No., (3) 33-3 (3-8 Prt) D- Pmodla Partspas Wata dalam Kgata Ekoom Rumah Tagga Nlaya d Pssr Tmur Surabaya (Stud Kasus Kcamata Kcamata Bulak, Mulyorjo, da Kjra) Irma Harlagtyas,
Lebih terperinciII. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan
II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor
Lebih terperinciSKRIPSI. oleh: FARIDA KARUNIAWATI NIM
ANALISIS REGRESI DUMMY VARIABLE MODEL LOGIT (Kasus pada Estmas Huja d Karagploso, Malag) SKRIPSI olh: FARIDA KARUNIAWATI NIM. 0650028 JURUSAN MATEMATIKA FAKULTAS SAIN DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI
Lebih terperinciESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)
ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka
Lebih terperinciANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.
ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya
Lebih terperinciANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)
ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP
Lebih terperinciLANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)
LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau
Lebih terperincititik tengah kelas ke i k = banyaknya kelas
STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e
Lebih terperinciPERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG
PERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG Sudaro Jurusa Matatka FMIPA UNDIP Jl Prof H Sodarto SH Tbalag Sarag 575 Abstract Coutg probablty a two-tald hypothss dtr lvl of th
Lebih terperinci3.1 Hubungan Dasar Probabilitas Probabilitas adalah harga perbandingan jumlah kejadian (A) yang mungkin dapat
. Hubuga Dasar rbabltas rbabltas adalah harga prbadga jumlah kjada A yag mugk dapat trjad trhadap jumlah ksluruha kjada yag mugk trjad dalam sbuah prstwa. Cth:. luag utuk mdapatka agka gap dar lmpara sbuah
Lebih terperinciV. PENDEKATAN BAYES PADA MODEL ACAK
7 V PEDEKT BYES PD MODEL CK 5 Pdahulua Pada aak kasus, srgkal dapat dprolh foras awal ttag paratr ag aka dduga Saga cotoh adalah pada kasus pdugaa produkttas taaa hortkultura ag tlah dahas pada Ba Pada
Lebih terperinciKAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2
Kaa Kovrgs Barsa Ruag Norm-(-) Dga KAJIAN KONVERGENSI BARISAN RUANG NORM-(-) DENGAN Faratul Masruroh Era Aprla Sao 3 Jurusa Matmatka FMIPA Isttut Tkolog Spuluh Nopmbr Surabaa 3 Jl. Arf Rahma Hakm Kampus
Lebih terperinciPenerapan Pendekatan Gabungan Grey Relational Analysis (GRA) dan Principal Component Analysis (PCA) Pada Metode Taguchi Multirespon
JURNL SINS DN SENI IS Vol., No., (Spt. ) ISSN: -98X D-4 Prapa Pdkata Gabuga Gry Rlatoal alyss (GR) da Prcpal Compot alyss (PC) Pada Mtod aguch Multrspo Nur prla Rahmada, Soy Suaryo da Muhammad Sahd kbar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).
Lebih terperinciSTATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran
KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON
Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus
Lebih terperinciPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLGIT ERUPK TIDK TIDK TERPUJI TRSFORSI FOURIER DISKRIT D PLIKSIY PD KOPRESI CITR DIGITL Srps Daua utu muh Salah Satu Syarat mprolh Glar Saraa Sas Program Stud atmata Olh: yu Sr Wuladar I: 44 PROGR STUDI
Lebih terperinciBAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam
BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya
Lebih terperinciHIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1
HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data
Lebih terperinciFIXED EFFECT MODEL PADA REGRESI DATA PANEL
ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan
Lebih terperinciBAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)
BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut
Lebih terperinciKAJIAN ANALISIS REGRESI DENGAN DATA PANEL
Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta
Lebih terperinciBAB I PENDAHULUAN. ANALISIS STATISTIK TERHADAP PENYAKIT KANKER PARU OLEH BAHAN KARSINOGENIK (Studi Kasus Pasien Kanker Paru RSUD Dr.
BAB I PENDAHULUAN ANALISIS STATISTIK TERHADAP PENYAKIT KANKER PARU OLEH BAHAN KARSINOGENIK (Stud Kasus Pas Kakr Paru RSUD Dr. Sotomo Nama Mahasswa : N matus Solkhah NRP : 35 9 5 Jurusa : Statstka FMIPA-ITS
Lebih terperinciBAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM
BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak
Lebih terperinciMODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA.
MDIFIKASI METDE NEWTN DENGAN KEKNVERGENAN RDE TIGA Fby Satrya HP ), Agusi ), Musraii ) bysatrya@ymail.om ) Mahasiswa Program Studi S Matmatia ) Dos Matmatia, Jurusa Matmatia Faultas Matmatia da Ilmu Pgtahua
Lebih terperinciTEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t}
Elm Dasar Modl Atria. TEORI ANTRIAN Aktor utama customr da srvr. Elm dasar :. distribusi kdataga customr.. distribusi waktu playaa. 3. disai fasilitas playaa (sri, parall atau jariga). 4. disipli atria
Lebih terperinciJEMBATAN PADA GRAF FUZZY INTUITIONISTIC
JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc
Lebih terperinciBAB 2 TEORI DASAR (2-3) (2-4) E = Medan Listrik H = Medan Magnet
BAB TORI DASAR. PRINSIP DASAR GPR Radar mrupaa ala ag dguaa uu md ara aau arah uau bda aomal dga glombag rado baga umbr rada. Salah au pgmbaga apla glombag rado adalah Groud Prag Radar GPR ag dguaa uu
Lebih terperinciEFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI
EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Moita Dwiyai ), Ni Wahyu Utami ) Faultas Kgurua da Ilmu Pdidia Uivrsitas
Lebih terperinciUKURAN GEJALA PUSAT DAN UKURAN LETAK
UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu
Lebih terperinciUJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan
UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns
Lebih terperinciREGRESI & KORELASI LINIER SEDERHANA
1. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciBAB II LANDASAN TEORI
A II LANDASAN TEORI. Distribusi Pluag Diisi. (Walpol da M rs 995) Jika X adalah suatu variabl radom kotiu maka ugsi dsitas pluaga adalah suatu ugsi ag mmuhi kodisi: i. ; utuk x (- ) ii. = iii. = (.) Diisi.
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciESTIMASI REGRESI MODEL LOGIT DENGAN METODE MAKSIMUM LIKELIHOOD SKRIPSI. Oleh: DINUL WAFA NIM
STIMASI RGRSI MODL LOGIT DNGAN MTOD MAKSIMUM LIKLIHOOD SKRIPSI Olh: DINUL WAFA NIM. 5548 JURUSAN MATMATIKA FAKULTAS SAINS DAN TKNOLOGI UNIVRSITAS ISLAM NGRI MAULANA MALIK IBRAHIM MALANG 9 STIMASI RGRSI
Lebih terperinciTransformasi Z Materi :
4 Trasformasi Z Matri : Dfiisi Trasformasi Darah Kovrgsi (Rgio of Covrgc) Diagram Pol Zro Sifat Trasformasi Trasformasi dalam Btu Poliomial Rasioal Fugsi Sistm atau Fugsi Trasfr H() dari Sistm Liir Tida
Lebih terperinciDistribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data
Esata: Jural Imu-Ilmu MIA p. ISSN: 4-47. ISSN: 5-64 Distributio of th Diffrc of Two Idpdt oisso Radom Variabls ad Its Applicatio to th Litrat opulatio Data Atia Ahdia rogram Studi Statistia Uivrsitas Islam
Lebih terperinciDistribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data
Distributio o th Dirc o Two Idpdt oisso Radom Variabls ad Its Applicatio to th Litrat opulatio Data Atia Ahdia rogram Studi Statistia Uivrsitas Islam Idosia Jala Kaliurag Km 45 Slma Yogaarta atia.a@uii.ac.id
Lebih terperinciBAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.
BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu
Lebih terperinciDistribusi Poisson Tergeneralisasi Tak Terbatas dan Beberapa Sifat-Sifatnya ( Suatu pengembangan teori statistika matematika)
Dstrbs osso Trgralsas Ta Trbatas da Bbrapa SfatSfatya Sat pgmbaga tor statsta matmata tjah Solah Tgg Agama Islam Ngr STAIN rworto Jl A Ya No 4A rworto Abstra Dstrbs osso dmbaga mjad Dstrbs osso Trgralsas
Lebih terperinciBAB 3 Interpolasi. 1. Beda Hingga
BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada
Lebih terperinciKAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT
Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciPengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner
Pgklasfkasa Pyakt Jatug D RSUD Abdul Wahab Sjahra Samarda Dga Mgguaka Rgrs Logstk Br Classfcato of Hart Dsas RSUD Abdul Wahab Sjahra Samarda Usg Bary Logstk Rgrsso Adras Sutato 1, Darah A. Noh, Syarudd
Lebih terperinciFaktor- Faktor yang Mempengaruhi Siswa Usia Wajib Belajar Putus Sekolah (Studi Kasus di Surabaya Utara)
Smar Nasoal Statstka IX Susat Luwh, Mutah Salamah da Wbawat Isttut Tkolog Suluh Nombr, 7 Novmbr 9 Faktor- Faktor ag Mmgaruh Sswa Usa Wab Blaar Putus Skolah Stud Kasus d Surabaa Utara Susat Luwh, Mutah
Lebih terperinciPERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DAN METODE BAYES DALAM PENDUGAAN PARAMETER DISTRIBUSI EKSPONENSIAL
Bult Ilmah Mat. Stat. a Trapaya (Bmastr) Volum, No. (3), hal. 5 56. PRBANDINGAN MTOD MAXIMUM LIKLIHOOD STIMATION (ML) DAN MTOD BAYS DALAM PNDUGAAN PARAMTR DISTRIBUSI KSPONNSIAL Dw Nurlala, Daa Kusaar,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam
Lebih terperinciBAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event.
BAB II TINJAUAN PUSTAKA. Peahulua Sebelum melaua pembahasa megea permasalaha ar srps, paa Bab II aa uraa beberapa teor peujag ag perraa apat membatu alam pembahasa bab-bab selajuta. Pembahasa paa Bab II
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk
Lebih terperinciLOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS
Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla
Lebih terperinciKoefisien Korelasi Spearman
Koefe Koela Speama La hala dega oefe oela poduct-momet Peao, oela Speama dapat dguaa utu data beala mmal odal utu edua vaabel ag heda dpea oelaa. Lagah petama ag dlaua utu meghtug oefe oela Speama adalah
Lebih terperinciPENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN
PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 8 PERNYATAAN MENGENAI
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska
Lebih terperinciPenelitian Operasional II Teori Permainan TEORI PERMAINAN
Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game
Lebih terperinciBAB 5. ANALISIS REGRESI DAN KORELASI
BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh
Lebih terperinciBukti Teorema Sisa China dengan Menggunakan Ideal Maksimal
Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya
Lebih terperinciBAB V DISTRIBUSI PROBABILITAS DISKRIT
BAB V DISTRIBUSI ROBABILITAS DISKRIT 5.. Distribusi Uniform Disrit Bila variabl aca X mmilii nilai,,... dngan probabilitas yang sama, maa distribusi uniform disrit dinyataan sbagai: f (, ) ;,,... paramtr
Lebih terperinciBAB IV METODOLOGI PENELITIAN
56 BAB IV METODOLOGI PENELITIAN Brdasara la yag rah dlaua sblumya, ada bbraa alraf ssfas modl da modolog yag daa dguaa uu mggambara hubuga rja ssm uaga da rumbuha oom. Kg da Lv (99) mgaj hubuga aara rmbaga
Lebih terperinci2.2.3 Ukuran Dispersi
3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka
Lebih terperinciREGRESI & KORELASI LINIER SEDERHANA
. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar
Lebih terperinciANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:
ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X
Lebih terperinciPENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA
E-ISSN 57-9378 Jurnal Statsta Industr dan Komutas Volum, No., Januar 07,. 04-4 PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA
Lebih terperinciESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG
J Pla Sa 6 ( Jul 007 Juua Pdda MIPA FKIP Uta Rau IN 4-5595 Abtact ESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG Rutam Efd Pogam Stud Matmata
Lebih terperinciKonsistensi dan Asimtotik Normalitas Model Multivariate Adaptive Regression Spline (Mars) Respon Biner
Jural IMU DASAR, Vol No, Jul 9 : 33-33 Kossts da Asmtotk Normaltas Modl Multvarat Adatv Rgrsso Sl (Mars Rso r Cosstcy ad Asymtotc Normalty of Maxmum klhood Estmator MARS ary Rsos Modl ambag Wdaarko Otok
Lebih terperinciOPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK
Jural Ilmah Mrote Vol., No. 4 OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Joha Vara Alfa ), Rully Soelama ), Chaste Fatchah ) ), ), ) Te Iformata, Faultas
Lebih terperinciEKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM
Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal
Lebih terperinciRegresi & Korelasi Linier Sederhana
Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah
Lebih terperinciBAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,
Lebih terperinciII. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN
II. PERANAN TATITIK DALAM ANALII PERCOBAAN Hal-hal yang prl dplajar. 1. baran Normal dan sbaran t- stdnt. Mmbandngan da harga rata-rata sampl. a. Prbandngan da harga rata-rata sampl tda brpasangan npard
Lebih terperinciTEORI ANTRIAN. A. Definisi dan Unsur-unsur Dasar Model Antrian
TEORI ANTRIAN Tori atria mrupaka studi matmatis mgai atria atau waitig lis yag di dalamya disdiaka bbrapa altratif modl matmatika yag dapat diguaka utuk mtuka bbrapa karaktristik da optimasi dalam pgambila
Lebih terperinciANALISIS CEPSTRUM SINYAL SUARA
MAKALAH ANALII CEPTRUM INYAL UARA Disusu Ol: NENI ARYANI L2F 300 543 JURUAN TEKNIK ELEKTRO FAKULTA TEKNIK UNIVERITA DIPONEGORO E M A R A N G 2 0 0 2 DAFTAR II JUDUL... 1 ABTRAK... 1 1. Pdaulua.... 1 2.
Lebih terperinciPRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel
Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa
Lebih terperinci