PARTIAL PROPORTIONAL ODDS MODEL PADA USIA KAWIN PERTAMA WANITA 1. PENDAHULUAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "PARTIAL PROPORTIONAL ODDS MODEL PADA USIA KAWIN PERTAMA WANITA 1. PENDAHULUAN"

Transkripsi

1 ISBN : PARIAL PROPORIONAL ODDS MODEL PADA USIA KAWIN PERAMA WANIA Mhraunnsa, Isman Zan Mahasswa Jurusan Sasa Insu enolog Sepuluh Nopember (IS) Surabaa Dosen Jurusan Sasa Insu enolog Sepuluh Nopember (IS) Surabaa Mhraunnsa.4@gmal.com,smanzan@gmal.com ABSRAK. Regres logs ordnal merupaan salah sau meode sasa unu menganalss varabel respon ang mempuna sala daa ordnal dan erdr dar ga aegor aau lebh, sedangan varabel predor ang dgunaan dapa berupa daa aegor aau uanaf. Model ang umum dgunaan dalam regres logs ordnal adalah Proporonal Odds Model (POM). POM mempuna asums ua ang dapa menebaban esalahan nerpreas a asums dlanggar. Sehngga model alernaf ang perlu dpermbangan unu asus n adalah Paral Proporonal Odds Model(PPOM), an model ang melemahan asums proporsonalas hana unu beberapa varabel predor ang melanggar asumsproporonalodds. uuan penelan n adalah menga esmas parameer PPOM dan mengaplasan PPOM pada asus usa awn perama wana. Esmas parameer PPOM menggunaan meode Mamum Lelhood Esmaon (MLE). Karena hasl meode MLE memberan solus no close-form, maa dperluan eras Newon-Raphson unu mengaas masalah n. Berdasaran hasl penguan dperoleh varabel predor ang mempengaruh usa awn perama wana au penddan, daerah empa nggal dan saus peeraan. Kaa Kunc : regres logs ordnal; POM; PPOM.. PENDAHULUAN Model regres merupaan omponen penng dalam beberapa analss daa ang menggambaran hubungan anara varabel respon dengan sau aau beberapa varabel predor. Pada umumna analss regres dgunaan unu menganalss daa dengan varabel respon berupa daa uanaf. Aan eap serng uga demu asus dengan varabel responna bersfa ualaf aau aegor. Unu mengaas masalah ersebu dgunaan model regres logs. Regres logs dgunaan a varabel respon bersfa ualaf aau aegor dan varabel predor ang dgunaan dapa berupa daa aegor aau uanaf[6]. Modelregres logsdbedaan menuruens aegor varabelresponsebaga beru: model regreslogs bner, model regreslogsmulnomal, dan modelregres logsordnal. Modelregres logsbner dgunaanunu memodelanvarabel responbner, regres logsmulnomaladalah perluasan darmodel regres logsbner dmanavarabel responmeml lebh dardua aegorda beruruan, sedangan regres logs ordnal dgunaan unu memodelan varabel respon ordnal dan erdr dar ga aegor aau lebh[7]. Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS

2 ISBN : Model ang umum dgunaan dalam regres logs ordnal adalah POM (Proporonal Odds Model). POM mempuna asums ua ang dapa menebaban esalahan nerpreas a asums dlanggar dan menebaban perumusan model ang da sesua [4]. Asums umum dar model ersebu adalah bahwa log-odds da berganung pada aegor varabel respon.sehngga model alernaf ang perlu dpermbangan unu asus n adalah PPOM (Paral Proporonal Odds Model), an model ang melemahan asums proporonalas hana unu beberapa varabel predorang melanggar asums proporonal oddsdalam model [5]. PPOM merupaan perluasan dar model proporonal odds ang membolehan beberapa predor dmodelan dengan asums proporonal adds, dan unu varabel lan dmana asums n da dpenuh, parameer erenu dmasuan dalam model ang berbeda unu berbaga aegor ang dbandngan [8]. Pada penelan n aan dlauan aan esmas parameer PPOM dan mengaplasan PPOM pada asus Usa Kawn Perama (UKP) wana d Sumaera Uara.. MEODE PENELIIAN. Proporonal Odds Model Proporonal Odds Model adalah model ang membandngan peluang umulaf au peluang urang dar aau sama dengan aegor e- pada p varabel predor ang PY, dengan peluang lebh besar dar aegor respon e-, dnaaan dalam veor, PY. Ja varabel predor... ddefnsan sebaga beru []: P Log Y P Y ln PY Model ang secara smulan menggunaan semua umulaf log au: P Y, =,,, J- Log 0 p, maa peluang umulaf log. Asums Proporonal Odds Asums proporonal odds menunuan bahwa... J, dmana,,, J- adalah J aegor respon. U Bran derapan unu mengu asums ersebu sebaga beru [3]. Hpoess : * H 0 : R 0 * H : R 0 dmana : R, * J Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS

3 ISBN : Sas U Wald : ˆ * R R As.Var ˆ * R Rˆ * J K dmana mars asmo covaran memua : As.Varˆ *, l Es. As. Covˆ, ˆ n ˆ dan ˆ ˆ X ˆ n n ˆ ˆ ˆ ˆ ˆ X X l X X l l. Dbawah hpoess nol sas Wald mendea dsrbus Ch-square dengan deraa bebas J(K-)..3 Paral Proporonal Odds Model Movas uama unu pengembangan Paral Proporonal Odds Model (PPOM) adalah unu melemahan asums ang ua dar raso log-odds den unu hubungan Ydengan, dalam POM. PPOM membolehan beberapa predor dmodelan dengan asums proporonal adds, dan unu varabel lan dmana asums n da erpenuh, parameer erenu dmasuan dalam model ang berbeda unu berbaga aegor ang dbandngan. PPOM dapa dlasfasan menad Unconsaned Paral Proporonal Odds Modeldan Consaned Paral Proporonal Odds Model [8]. Dalam penelan n ang dbahas adalah Unconsaned Paral Proporonal Odds Model. Unconsaned Paral Proporonal Odds Modeldgunaan ea Asums proporsonal odds da vald. Model n meml benu: ln Pr PrY... PrY Y... PrY X X Pr Y ln PrY... q q q q X q... p X p,,...,, p, hanabeberapa d anarana memlproporsonal odds. anpamengurangeumuman, asumsan bahwaunuqpredorperama, asums proporsonalodds da erpenuh. Unu varabel dmana sfa proporonal odds da dpenuh, msalan, dambah dengan oefsen, ang merupaan pengaruh asosas dengan seap log umulaf. Dengan deman, oefsen dar predor adalah [8]. Dalam model ersebu anara p varabel predor,..., PPOM memperbolehan non-proporonal odds unu q subse dar p predor (q<p). Selan u, asums proporonal odds dapa d u unu subse q. Dengan Y varabel respon ordnal dengan aegor, dan veor berdmens p dar predor, model unu probablas umulaf adalah []: ep γ Pr Y, =,,, () ep γ Dmana adalah veor beruuran p ang memua nla observas pada p varabel predor, merupaan veor oefsen regres ang beruuran p ang era dengan p varabel dalam, adalah veor beruuran q, q <p, ang memua nla observas pada Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS

4 ISBN : subse dar p varabel predor ang salah sau asums proporonal odds da dasumsan aau aan d u; γ adalah veor beruuran q ang merupaan veor oefsen regres ang berhubungan dengan q varabel dalam, sehngga adalah penngaan/penambahan ang hana berhubungan dengan log umulaf e-, dan 0 []..4 Esmas Parameer Paral Proporonal Odds Model Esmas parameer PPOM menggunaan meode Mamum Lelhood Esmaon (MLE), dengan ahapan sebaga beru: a. Membenu fungs lelhood dan ln-lelohood b. Menenuan urunan parsal peramaerhadap parameer ang aan d esmas, emudan dsama denganan nol c. Menggunaan eras Newon Raphson, dengan ahapan sebaga beru Menenuan nla dugaan awal Membua pendeaan alor dar fungs ln-lelhood dsear nla dugaan awal, l θ l θ q θ θ θ θ H θ θ (3) dmana H adalah mars nonsngular dan merupaan urunan parsal edua dar fungs ln-lelhood erhadap parameer ang aan desmas, dan q merupaan veor urunan parsal perama dar fungs ln-lelhood erhadap parameer ang aan desmas. 0 0 Persamaan (3) durunan erhadap θ,sehngga dperoleh θ θ H Nla θ beruna dapa dperoleh dengan persamaan θ θ 0 q l H q aan berhen a erpenuh onds onvergen an θ θ., dan eras.5 Penguan Parameer Model Regres Logs Penguan parameer dalam model regres logs erdr dar u parsal dan u serena. a. U Serena Penguan n dlauan unu mengeahu sgnfans parameer erhadap varabel respon secara eseluruhan. Sas u ang dgunaan adalah sas ug aau lelhood rao es, d mana sas u G mengu dsrbus Ch-Square[7]. Hpoess ang dgunaan : H 0 : 0 H : 0 Sas U: L 0 G ln L dmana, L0 adalah lelhood anpa varabel predor erenu dan L 0 adalah lelhood dengan varabel predor. Daerah penolaan : H 0 dola a G,v dengan deraa bebas (v). Dmana v menunuan banana varabel predor dalam model. Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS

5 ISBN : b. U Parsal Penguan n dlauan unumengeahu pengaruh seap secara ndvdual. Hasl penguan secara ndvdual aan menunuan apaah suau varabel predor laa unu masu dalam model aau da. Hpoess ang dgunaan sebaga beru. H0 : 0 H : 0, dengan =,, 3,, p Sas U ang dgunaan adalah Sas U Wald W dmana ˆ ˆ SE SE ˆ adalah sandar error dar ˆ. Daerah penolaan: H 0 dola a W, v..6 Inerpreas Parameer Inerpreas parameer menggunaan nla odd raso. Nla odd raso au nla ang menunuan perbandngan nga ecenderungan dar dua aegor dalam sau varabel predor dengan salah sau aegorna dadan pembandng aau aegor dasar, ang dmasud dengan odd raso dar dua aegor X adalah []. PY PY, ep PY PY.7 Sud Kasus Pada penelan n PPOM daplasan pada asus usa awn perama wana d Sumaera Uara ahun 03. Varabel ang dgunaan dunuan dalam abel beru. abel. Varabel Penelan Smbol Varabel Kaegor Y Usa Kawn Perama Wana Yang daegoran menad: = UKP urang dar 9 ahun = UKP anara 0- ahun 3 = UKP d aas ahun X Penddan = da/belum pernah seolah dan SD = SMP 3 = SMA dan Perguruan ngg (P) Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS

6 ISBN : Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS X Daerah empa nggal = Daerah Peroaan = Daerah Pedesaan X 3 Saus Peeraan = Beera = da Beera 3. HASIL PENELIIAN DAN PEMBAHASAN Esmas Parameer PPOM Esmas parameer PPOM dperoleh dengan menggunaan meodemle, dengan meode n esmas parameer dlauan dengan cara memasmuman fungs ln-lelhood. Fungs lelhoodunu persamaan () sebaga beru. m m Y L 0 0 Pr θ m m dan fungs ln-lelhood dengan 3 aegor varabel respon dunuan dalam persamaan () beru. m e e e l 0 0 ln ln γ γ θ ln ln γ γ e e () dmana Y ep 0 Pr, a Y = 0 ep ep Pr Y, a 0<Y< Y ep Pr, a Y = Sebagamana deahu bahwa esmas parameer dengan menggunaan meode MLE adalah dengan memasmuman fungs ln-lelhood dengan melauan urunan parsal perama fungs ln-lelhood erhadap parameer ang aan desmas, emudan dsama denganan nol. Aan eap urunan parsal perama fungs ln-lelhood erhadap parameer ang aan d esmas ersebu merupaan fungs non lner, sehngga dgunaan eras Newon Raphson unu memperoleh esmaor ersebu. Hasl esmas parameer dunuan dalam abel.

7 ISBN : abel. Hasl Esmas Parameer Varabel ˆ P-value X () X () X () X 3() Gamma () Gamma () Gamma 3() Alpha () Alpha () U Asums Proporonal Odds U asums proporonal odds menggunaan u bran. Hasl u bran dunuan dalam abel 3. abel 3. U Asums Proporonal Odds Varabel Ch-square P-value DF All X () X () X () X 3() Berdasaran abel 3 dapa deahubahwa asums proporonal odds dlanggar/da dpenuh, dan varabel ang melanggar asums proporonal odds adalah X (), X (), dan X 3(). U Serena U serena dlauan dengan menggunaan u lelhood rao. Hasl u serena dunuan dalam abel 4. abel 4. Hasl penguan secaraserena G DF P-value Berdasaran abel 4 dperoleh bahwa nla sas u G sebesar ang lebh besar dar nla abel df dan P-value ang lebh ecl dar Sehngga dapa (, ) Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS 05 7

8 ISBN : dsmpulan bahwa mnmal ada sau varabel predor ang berpengaruh erhadap UKP wana. U Parsal Hasl penguan secara parsal dunuan dalam abel 5. abel 5. Hasl Penguan Secara Parsal Varabel P-value Kepuusan X () * ola H 0 X () * ola H 0 X () 0.00 * ola H 0 X 3() 0.00 * ola H 0 Gamma () 0.00 * ola H 0 Gamma () 0.0 * ola H 0 Gamma 3() 0.08 * ola H 0 Alpha () ola H 0 Alpha () ola H 0 * ) Sgnfan dengan araf sgnfans 5% Berdasaran abel 5 dapa dsmpulan bahwa semua varabel sgnfan berpengaruh erhadap UKP wana. Berdasaran hasl d aas dperolah model regres logs sebaga beru: ().06() 0.393() 0. 39() ().06() 0.393() 0. () 39 Inerpreas Parameer Inerpreas parameer dar model ang erbenu menggunaan nla odds rao. Nla odds rao berdasaran model ang erbenu dunuan dalam abel 6. abel 6. Nla Odds Rao Varabel Odds Rao (OR) Penddan X () : da/belum pernah seolah dan SD 0.5 Penddan X () : SMP 0.36 Daerah empa nggal X () : oa.5 Saus peeraan X 3() : beera.7 Berdasaran abel 6 dapa dsmpulan bahwa: Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS 05 7

9 ISBN : Peluang wana dengan UKP 9 ahun dan 0- ahun dbandngan wana dengan UKP, unu ang da/belum pernah seolah dan berpenddan SD sebesar 0.5 al dar pada ang berpenddan P. Peluang wana dengan UKP 9 ahun dan 0- ahun dbandngan wana dengan UKP, unu ang berpenddan SMP sebesar 0.36 al dar pada ang berpenddan P. Peluang wana dengan UKP 9 ahun dan 0- ahun dbandngan wana dengan UKP, unu ang nggal d peroaan sebesar.5 al dar pada ang nggal d pedesaan. Peluang wana dengan UKP 9 ahun dan 0- ahun dbandngan wana dengan UKP, unu ang beera sebesar.7 al dar pada ang da beera. 4. SIMPULAN Esmas parameer PPOM menggunaan meode MLE menghaslan solus no close-form sehngga proses esmas dlanuan menggunaan eras Newon Raphson. PPOM daplasan pada asus UKP wana d Sumaera, dmana erdapa beberapa varabel predor ang melanggar asums proporonal odds an varabel da/belum pernah seolah dan berpenddan SD, penddan SMP, dan saus peeraan. DAFAR PUSAKA [] Agres, A. 007.An Inroducon o Caegorcal Daa Analss. New Yor: John Wle and Sons. [] Ananh, C. V. & Klenbaum, D.G "Regresson Models for Ordnal Responses : A Revew of Mehods and Applcaons".Inernaonal Journal of Epdemolog. 6(6), pp [3] Bran, R "Assessng Proporonal n he Proporonal Odds Model for Ordnal Logsc Regresson".Bomercs. 46(4), pp [4] Das, S. & Rahman, R.M. 0. Applcaon of ordnal logsc regresson analss n deermnng rs facors of chld malnuron n Bangladesh.Nuron Journal. 0(), pp.4. [5] Dolgun, A. & Saracbac, O. 04. Assessng Proporonal Assumpon n he Adacen Caegor Logsc Regresson Model. Sascs and Is Inerface. 7, pp [6] Har, J.F., Blac, W.C. & Babn, B.J Mulvarae Daa Analss (6h ed). New Yor : Pearson Prence Hall Educaon Inernaonal. [7] Hosmer, D. W. & Lemeshow, S. 000.AppledLogsc Regresson nd edon. New Yor: John Wlle and Sons. Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS 05 73

10 ISBN : [8] Squera, A. L., Cardoso, C. S., Caaffa, W.., Abreu, S., & Naal, M "Ordnal Logsc Regresson Models : Applcaon n Qual of Lfe Sudes".Cad. Saude Publca, Ro de Janero.4(4), Prosdng Semnar Nasonal Maemaa dan Penddan Maemaa UMS 05 74

E-book Statistika Gratis... Statistical Data Analyst. Uji Asumsi Klasik Regresi Linear

E-book Statistika Gratis... Statistical Data Analyst. Uji Asumsi Klasik Regresi Linear E-boo Sasa Gras... Sascal Daa Anals Uj Asums Klas Regres Lnear Pada penulsan enang Regres Lnear n, penuls aan memberan bahasan mengena Uj Asums Klas epada para pembaca unu memberan pemahaman dan solus

Lebih terperinci

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE Fan Puspasar 201 16019 Program Sud Magser Maemaa Faulas Maemaa dan Ilmu Pengeahuan Alam Insu Tenolog Bandung

Lebih terperinci

Pemodelan Indeks Pembangunan Gender dengan Pendekatan Regresi Nonparametrik Spline di Indonesia

Pemodelan Indeks Pembangunan Gender dengan Pendekatan Regresi Nonparametrik Spline di Indonesia JURNAL SAINS DAN SENI ITS Vol. 4, No., ( 337-3 (3-9X Prn D-7 Pemodelan Indes Pembangunan Gender dengan Pendeaan Regres Nonparamer Splne d Indonesa Nurul Fajryyah dan I Nyoman Budanara Jurusan Sasa, Faulas

Lebih terperinci

Penerapan Metode Filter Kalman Dalam Perbaikan Hasil Prediksi Cuaca Dengan Metode ARIMA

Penerapan Metode Filter Kalman Dalam Perbaikan Hasil Prediksi Cuaca Dengan Metode ARIMA JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (24) ISSN: 2337-3539 (23-927 Prn) A-28 Penerapan Meode Fler Kalman Dalam Perbaan Hasl Preds Cuaca Dengan Meode ARIMA Tomy Kurnawan, Luman Hanaf, dan Erna Aprlan

Lebih terperinci

Kombinasi Penaksiran Model Lag Terdistribusi Dengan Ekspektasi Adaptif Dan Penyesuaian Parsial

Kombinasi Penaksiran Model Lag Terdistribusi Dengan Ekspektasi Adaptif Dan Penyesuaian Parsial 96 Vol. 3, No., 96-, Januar 7 Kombnas Penasran Model Lag Terdsrbus Dengan Espeas Adapf Dan Penyesuaan Parsal Adawaya Rangu Absra Dalam menasr Model Lag Terdsrbus, masalah yang mungn erjad adalah da adanya

Lebih terperinci

BAB 8 PERSAMAAN DIFERENSIAL BIASA

BAB 8 PERSAMAAN DIFERENSIAL BIASA Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel

Lebih terperinci

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

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

Lebih terperinci

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

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

Lebih terperinci

Penggerombolan Model Parameter Regresi dengan Error-Based Clustering

Penggerombolan Model Parameter Regresi dengan Error-Based Clustering Penggerombolan Model Parameer Regres dengan Error-Based Cluserng 1 I Made Sumerajaya 2 Gus Adh Wbawa 3 I Gede Nyoman Mndra Jaya 1 Saf Pengajar Deparemen Sasa IPB 2,3 Mahsswa Pascasarjana Sasa IPB ABSTRAK

Lebih terperinci

PRESENTASI TUGAS AKHIR

PRESENTASI TUGAS AKHIR Penerapan PID Predcve Ar-Rao Conroller Pada Mesn Mobl Msubsh Type 4G63 Unu Memnmuman Ems Gas Buang Oleh Hendre Angga P 10 105 03 PRESENTASI TUGAS AKHIR Mesn-mesn oomof saa n dunu unu menghaslan performa

Lebih terperinci

Zullaikah 1 dan Sutimin 2. Jl. Prof. H. Soedarto, S.H., Tembalang Semarang

Zullaikah 1 dan Sutimin 2. Jl. Prof. H. Soedarto, S.H., Tembalang Semarang MODEL PERTUMBUHAN BIOMASSA RUMPUT LAUT GRACILLARIA DENGAN CARRYING CAPACITY BERGANTUNG WAKTU Zullaah dan Sumn, Jurusan Maemaa FMIPA Unversas Dponegoro Jl Prof H Soedaro, SH, Tembalang Semarang Absrac In

Lebih terperinci

Peramalan Jumlah Wisatawan di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral

Peramalan Jumlah Wisatawan di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral JURAL SAIS DA SEI ITS Vol., o., (Sep. 0) ISS: 30-98X A-40 Peramalan Jumlah Wsawan d Agrowsa Kusuma Bu Menggunaan Meode Analss Speral swul Maghfroh, Sr Suprap Har, ur Wahyunngsh Jurusan Mema, Faulas Mema

Lebih terperinci

( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32)

( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32) 8 Raaan poserornya adalah E m x ò (, ) f ( x) m f x m f f m ddm (32) Dalam obseras basanya dgunakan banyak daa klam. Msalkan saja erdr dar grup daa klam dengan masng-masng grup ke unuk seap, 2,..., yang

Lebih terperinci

Penerapan Statistika Nonparametrik dengan Metode Brown-Mood pada Regresi Linier Berganda

Penerapan Statistika Nonparametrik dengan Metode Brown-Mood pada Regresi Linier Berganda Jurnal EKSPONENSIAL Volume 7, Nomor, Me 6 ISSN 85-789 Penerapan Saska Nonparamerk dengan Meode Brown-Mood pada Regres Lner Berganda Applcaon of Nonparamerc Sascs, wh Brown-Mood Mehod on Mulple Lnear Regresson

Lebih terperinci

BAB 3 PENYELESAIAN NUMERIK MODEL ADVEKSI-DISPERSI DENGAN IMPLEMENTASI SPREADSHEET

BAB 3 PENYELESAIAN NUMERIK MODEL ADVEKSI-DISPERSI DENGAN IMPLEMENTASI SPREADSHEET BAB PENYELESAIAN NUMERIK MODEL ADVEKSI-DISPERSI DENGAN IMPLEMENTASI SPREADSHEET MENGENAI METODE NUMERIK Persoalan yang melbaan model maemaa banya munul dalam berbaga lmu pengeahuan seper halnya dalam asus

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K

U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K Isaro Elevas Jurusan Ten Spl dan Lngungan FT UGM U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K SABTU JULI OPE N BOOK WAKTU ME NIT PETUNJUK ) Saudara bole menggunaan ompuer unu mengerjaan

Lebih terperinci

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU Pada bab III, ka elah melakukan penguan erhadap meoda Runge-Kua orde 4 pada persamaan panas. Haslnya, solus analk persamaan panas

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI

4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI 4. ALIDITAS DA RELIABILITAS DALAM MEMBUAT EALUASI Tujuan : Seelah mempelajari modul ini mahasiswa mampu membua ala evaluasi bau unu program pembelajaran Evaluasi pembelajaran adalah ahap ahir dalam prosedur

Lebih terperinci

PENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1

PENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1 PENDUGAAN SAISIK AREA KECIL DENGAN MEODE EMPIRICAL CONSRAINED AYES Ksmann Jurusan Penddkan Maemaka FMIPA Unversas Neger Yogyakara Absrak Meode emprcal ayes (E merupakan meode yang lebh aplkaf pada pendugaan

Lebih terperinci

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

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

Lebih terperinci

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR POTENSIAL PT BURSA EFEK INDONESIA DI JAWA TIMUR

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR POTENSIAL PT BURSA EFEK INDONESIA DI JAWA TIMUR Prosdng Semnar asona Penean, Penddan dan Penerapan MIPA Fauas MIPA, Unversas eger Yogyaara, 6 Me 009 COFIGURAL FREQUECY AALYSIS UTUK MELIHAT KARAKTERISTIK CALO IVESTOR POTESIAL PT BURSA EFEK IDOESIA DI

Lebih terperinci

Penempatan Optimal Sensor Dengan Metode Particle Swarm Optimization (PSO) Untuk State Estimation Pada Sistem Distribusi Surabaya

Penempatan Optimal Sensor Dengan Metode Particle Swarm Optimization (PSO) Untuk State Estimation Pada Sistem Distribusi Surabaya JURNL TEKNIK POMITS Vol 2, No 1, (214) 1 Penempaan Opmal Sensor Dengan Meode Parcle Swarm Opmzaon (PSO) Unu Sae Esmaon Pada Ssem Dsrbus Surabaya j Dharma, Onoseno Penangsang, Rony Seo Wbowo Jurusan Ten

Lebih terperinci

SEGMETASI BAYESIAN HIRARKI UNTUK MODEL AR STASIONER KONSTAN PER SEGMEN MENGGUNAKAN ALGORITMA REVERSIBLE JUMP MCMC

SEGMETASI BAYESIAN HIRARKI UNTUK MODEL AR STASIONER KONSTAN PER SEGMEN MENGGUNAKAN ALGORITMA REVERSIBLE JUMP MCMC Semnar Nasonal Ssem Informas Indonesa, - 4 Desember 03 SEGMETASI BAYESIAN HIRARKI UNTUK MODEL AR STASIONER KONSTAN PER SEGMEN MENGGUNAKAN ALGORITMA REVERSIBLE JUMP MCMC Suparman Penddan Maemaa FKIP UAD

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI 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 terperinci

UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST

UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Creaed by Smpo PDF Creaor Pro (unregsered verson) hp://www.smpopdf.com Sask Bsns : BAB 8 VIII. ANALISIS DATA DERET BERKALA (TIME SERIES) 8.1 Pendahuluan Daa Berkala (Daa Dere waku) adalah daa yang dkumpulkan

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

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

Lebih terperinci

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

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

Lebih terperinci

Model Suku Bunga Multinomial 4. Danang Teguh Qoyyimi *, Dedi Rosadi 2.

Model Suku Bunga Multinomial 4. Danang Teguh Qoyyimi *, Dedi Rosadi 2. ROSIDING ISBN: 978-979-6353-3- Model Suu Bunga Mulnomal 4 S-5 Danang Teguh Qoyym *, Ded Rosad Jurusan Maemaa FMIA Unversas Gadah Mada *qoyym@ugm.ac.d Maalah n adalah merupaan pengembangan dar model suu

Lebih terperinci

APLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a

APLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a APLIKASI STRUKTUR GRUP ANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI Mujash a a Program Sud Maemaka Jurusan Tadrs Fakulas Tarbah IAIN Walsongo Jl. Prof. Dr. Hamka Kampus II Ngalan Semarang

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

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

Lebih terperinci

BAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI

BAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI BAB ETROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUYI Model Markov Tersembuny (Hdden Markov Model, MMT) elah banyak daplkaskan dalam berbaga bdang seper pelafalan bahasa (speeh reognon) dan klasfkas (luserng).

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Defns Parwsaa dan Wsaawan Parwsaa adalah slah yang dberan apabla seseorang wsaawan melauan perjalanan u sendr, aau dengan aa lan avas dan ejadan yang erjad ea seseorang pengunjung melauan

Lebih terperinci

Penggunaan Model Regresi Tobit Pada Data Tersensor

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

SIMULASI PERGERAKAN TRAJECTORY PLANNING PADA ROBOT LENGAN ANTHROPOMORPHIC. Moh. Imam Afandi

SIMULASI PERGERAKAN TRAJECTORY PLANNING PADA ROBOT LENGAN ANTHROPOMORPHIC. Moh. Imam Afandi SIMUASI ERGERAKAN TRAJECTOR ANNING ADA ROBOT ENGAN ANTHROOMORHIC Moh Imam Afand usl KIM-II, Kawasan usppe Serpong, Tangerang 54 INTISARI Robo lengan yang mampu bergera secara oomas membuuhan suau ssem

Lebih terperinci

BAB III THREE STAGE LEAST SQUARE. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode

BAB III THREE STAGE LEAST SQUARE. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode BAB III THREE STAGE LEAST SQUARE Sebagamana elah dsnggung pada bab sebelumnya, salah sau meode penaksran parameer pada persamaan smulan yau meode Three Sage Leas Square (3SLS. Sebelum djelaskan lebh lanju

Lebih terperinci

( L ). Matriks varians kovarians dari

( L ). Matriks varians kovarians dari LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB II TINJAUAN TEORITIS

BAB II TINJAUAN TEORITIS BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan

Lebih terperinci

Pemodelan Penyerapan Tenaga Kerja Sektor Industri di Indonesia Dengan Pendekatan Regresi Data Panel Dinamis

Pemodelan Penyerapan Tenaga Kerja Sektor Industri di Indonesia Dengan Pendekatan Regresi Data Panel Dinamis JURAL SAIS DA SEI ITS Vol. 5 o. 2 (2016) 2337-3520 (2301-928X Prn) D-217 Pemodelan Penyerapan Tenaga Kerja Sekor Indusr d Indonesa Dengan Pendekaan Regres Daa Panel Dnams Avolla Terza Damalana dan Seawan

Lebih terperinci

Analisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard

Analisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Prn) D151 Analss Survval pada Pasen Pendera Sndrom Koroner Aku d RSUD Dr. Soeomo Surabaya Tahun 213 Menggunakan Regres Cox Proporonal Hazard

Lebih terperinci

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

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

Lebih terperinci

PENGARUH PENGGUNAAN METODE POWER DAN TRUNCATED POWER PADA PCA-PART UNTUK INISIALISASI K-MEANS ABSTRACT

PENGARUH PENGGUNAAN METODE POWER DAN TRUNCATED POWER PADA PCA-PART UNTUK INISIALISASI K-MEANS ABSTRACT Semnar Nasonal Sans & Tenolog V Lembaga Penelan Unversas Lampung PENGARUH PENGGUNAAN METODE POWER DAN TRUNCATED POWER PADA PCA-PART UNTUK INISIALISASI K-MEANS Ere Sadewo 1, Muhammad Mashur 2, dan Al Rdho

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Hidden Markov Model. Oleh : Firdaniza, Nurul Gusriani dan Akmal

Hidden Markov Model. Oleh : Firdaniza, Nurul Gusriani dan Akmal Hdden Markov Model Oleh : Frdanza, urul Gusran dan Akmal Dosen Jurusan Maemaka FMIPA Unversas Padjadjaran Jl. Raya Bandung Sumedang Km 2, Janangor, Jawa Bara elp. / Fax : 022 7794696 Absrak Hdden Markov

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

PERAMALAN KURS EURO TERHADAP RUPIAH MENGGUNAKAN MODEL ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH)

PERAMALAN KURS EURO TERHADAP RUPIAH MENGGUNAKAN MODEL ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) erusaaan.uns.ac.d dglb.uns.ac.d PERAMALAN KURS EURO TERHADAP RUPIAH MENGGUNAKAN MODEL ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY APARCH Oleh BONDRA UJI PRATAMA M007075 SKRIPSI duls

Lebih terperinci

Peramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR)

Peramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR) JURNAL SAINS DAN SENI POMITS Vol. 3, No., (04) 337-350 (30-98X Prn) D-36 Peramalan Penjualan eda Moor Tap Jens d Wlayah Surabaya dan Blar dengan Model ARIMA Box-Jenkns dan Vecor Auoregressve (VAR) Ade

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013 3. Lokas dan Waku Penelan 3.. Lokas Penelan BAB III METODOLOGI PENELITIAN Penelan n dlaksanakan d SMP Neger 7 Goronalo pada ahun ajaran 0/03 3.. Waku Penelan Penelan n d laksanakan pada semeser genap ahun

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN III. METODE PENELITIAN 3.1 Jens dan Sumber Daa Daa ang dgunakan dalam penelan n merupakan daa sekunder ang berasal dar berbaga nsans pemernah eruama Badan Pusa Sask. Daa ang dgunakan anara lan angka kemsknan,

Lebih terperinci

BAB 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. 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 terperinci

Created by Simpo PDF Creator Pro (unregistered version)

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

Lebih terperinci

BAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat

BAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber

Lebih terperinci

PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN

PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan

Lebih terperinci

METODE BEDA HINGGA UNTUK SOLUSI NUMERIK DARI PERSAMAAN BLACK-SCHOLES HARGA OPSI PUT AMERIKA SURITNO

METODE BEDA HINGGA UNTUK SOLUSI NUMERIK DARI PERSAMAAN BLACK-SCHOLES HARGA OPSI PUT AMERIKA SURITNO MEODE BEDA HINGGA UNUK OLUI NUMERIK DARI PERAMAAN BLACK-CHOLE HARGA OPI PU AMERIKA URINO EKOLAH PACAARJANA INIU PERANIAN BOGOR BOGOR 8 PERNYAAAN MENGENAI EI DAN UMBER INFORMAI Dengan n saya menyaaan baha

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

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

Lebih terperinci

Di bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif

Di bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif Regres Dummy D bdang ekonom dak semua nformas dapa dukur secara kuanaf Peubah dummy dgunakan unuk memperoleh nformas yang bersfa kualaf Conoh pada daa cross secon: Gender: sebaga penenu jumlah pendapaan

Lebih terperinci

BAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan

BAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,

Lebih terperinci

ANALISIS EVOLUSI MATRIK ASAL TUJUAN (MAT) MENGGUNAKAN METODE GRAFIK REPRESENTASI MATRIK

ANALISIS EVOLUSI MATRIK ASAL TUJUAN (MAT) MENGGUNAKAN METODE GRAFIK REPRESENTASI MATRIK ANAII EVOUI MATRIK AA TUJUAN (MAT) MENGGUNAKAN METODE GRAFIK REPREENTAI MATRIK Tas an Junaed Absra Mar Asal Tujuan (MAT) sebaga salah sau benu nformas pola perjalanan mempunya peranan yang sanga penng

Lebih terperinci

PENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV HAMILTON *

PENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV HAMILTON * PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV HAMILON * BERLIAN SEIAWAY, YANA ADHARINI DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus IPB

Lebih terperinci

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

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

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol.3, No. 2, (2014) ISSN: ( Print) D-188

JURNAL SAINS DAN SENI POMITS Vol.3, No. 2, (2014) ISSN: ( Print) D-188 JURNL SINS DN SENI POMITS Vol., No., () ISSN: - (- Prnt) D- Pemodelan Fator-Fator yang Mempengaruh Jumlah Kasus Penyat Tuberuloss d Jawa Tmur dengan Pendeatan Generaled Posson Regresson dan Geographcally

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

IMPLEMENTASI TD-COX PADA ANALISA SURVIVAL MAHASISWA DI UNIVERSITAS INTERNASIONAL BATAM

IMPLEMENTASI TD-COX PADA ANALISA SURVIVAL MAHASISWA DI UNIVERSITAS INTERNASIONAL BATAM Webse : jurnal.umj.ac.d/ndex.php/semnasek IMPLEMENTASI TD-COX PADA ANALISA SURVIVAL MAHASISWA DI UNIVERSITAS INTERNASIONAL BATAM Yayuk Seyanng Asuk 1*, Dan Tresnawan 2 *1 Prod Teknk Spl, Fakulas Teknk

Lebih terperinci

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

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

Lebih terperinci

(A.7) OPTIMISASI PORTOFOLIO BERDASARKAN MEAN-VALUE AT RISK DI BAWAH MODEL INDEKS BERGANDA DENGAN VOLATILITAS TAK KONSTAN

(A.7) OPTIMISASI PORTOFOLIO BERDASARKAN MEAN-VALUE AT RISK DI BAWAH MODEL INDEKS BERGANDA DENGAN VOLATILITAS TAK KONSTAN Prosdng Semnar Nasonal Saska Unversas Padjadjaran, 3 November 00 (A.7) OPIMISASI POROFOIO BERDASARKAN MEAN-VAUE A RISK DI BAWAH MODE INDEKS BERGANDA DENGAN VOAIIAS AK KONSAN Agus Suprana, F. Sukono, Bunga

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju

Lebih terperinci

BAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1

BAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1 BAB I PENDAHULUAN 1.1 Defns Rangkaan Lsrk Rangkaan Lsrk adalah sambungan dar beberapa elemen lsrk ( ressor, kapasor, ndukor, sumber arus, sumber egangan) yang membenuk mnmal sau lnasan eruup yang dapa

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang

BAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan

Lebih terperinci

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN

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

Lebih terperinci

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI A 2 LANDASAN TEORI 2. Model Regres Nonparaer Analss regres dala sasa erupaan salah sau eode unu enenuan hubungan sebab aba anara sau varabel dengan varabel yang lan elalu pengaaan ecenderungan pola hubungan

Lebih terperinci

BAB 4 ANALISIS DAN PEMBAHASAN

BAB 4 ANALISIS DAN PEMBAHASAN BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang

Lebih terperinci

ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX

ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Seminar Nasional Maemaia dan Apliasinya, 1 Oober 17 ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Maylia Hasyim 1), Dedy Dwi Prasyo ) 1) Program Sudi Pendidian

Lebih terperinci

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI

Lebih terperinci

PROSES STOKASTIK KELAHIRAN-KEMATIAN DENGAN DUA JENIS KELAMIN SECARA KELOMPOK PADA PROSES YULE- FURRY. Samsuryadi

PROSES STOKASTIK KELAHIRAN-KEMATIAN DENGAN DUA JENIS KELAMIN SECARA KELOMPOK PADA PROSES YULE- FURRY. Samsuryadi JURNAL MATEMATIKA DAN KOMUTER Vol. 4. No. - Agusus ISSN : 4-858 ROSES STOKASTIK KELAHIRAN-KEMATIAN DENAN DUA JENIS KELAMIN SECARA KELOMOK ADA ROSES YULE- FURRY Samsuryad Jurusan Maemaka FMIA Unversas Srwaya

Lebih terperinci

PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR

PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR B-5-1 PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR Wsnu Bud Sunaryo, Haryono ITS Surabaya ABSTRAK Dalam duna konsruks saa n pemakaan produk beon

Lebih terperinci

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

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

Lebih terperinci

KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP

KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs

Lebih terperinci

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

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

Lebih terperinci

Kajian Model Markov Waktu Diskrit Untuk Penyebaran Penyakit Menular Pada Model Epidemik SIR

Kajian Model Markov Waktu Diskrit Untuk Penyebaran Penyakit Menular Pada Model Epidemik SIR JURAL TEKK POT Vol, o, (0) -6 Kajan odel arkov Waku Dskr Unuk Penyebaran Penyak enular Pada odel Epdemk R Rafqaul Hasanah, Laksm Pra Wardhan, uhud Wahyud Jurusan aemaka, Fakulas PA, nsu Teknolog epuluh

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

ANaLISIS - TRANSIEN. A B A B A B A B V s V s V s V s. (a) (b) (c) (d) Gambar 1. Proses pemuatan kapasitor

ANaLISIS - TRANSIEN. A B A B A B A B V s V s V s V s. (a) (b) (c) (d) Gambar 1. Proses pemuatan kapasitor ANaISIS - TANSIEN. Kapasor dalam angkaan D Sebuah kapasor akan ermua bla erhubung ke sumber egangan dc seper yang dperlhakan pada Gambar. Pada Gambar (a), kapasor dak bermuaan yau pla A dan pla B mempunya

Lebih terperinci

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 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 terperinci