REGRESI LOGISTIK BINER

Ukuran: px
Mulai penontonan dengan halaman:

Download "REGRESI LOGISTIK BINER"

Transkripsi

1 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 logstk mruaka salah satu mtod yag daat dguaka utuk mdaatka hubuga atara varabl rso yag brsfat katgork dga varabl rdktor (Agrst, 99). Brdasarka js skala data, rgrs logstk dbdaka atas 3 macam, yatu rgrs logstk br, multomal, da rgrs logstk ordal.. Rgrs Logstk Br (Bary Logstc Rgrsso) Rgrs Logstk Br alah rgrs dga varabl rso yag mmuya dua katgor / dua kjada, yak sukss atau gagal. Dga dmka srg dsbut dga rgrs logstk br. Sdagka js data ada varabl rdktor daat brua omal, ordal, trval mauu rato.. Rgrs Logstk Multomal (Multomal Logstc Rgrsso) Pada rgrs logstk multomal, data varabl rso yag dguaka adalah data brskala omal dga lbh dar katgor. Sdagka js data ada varabl rdktor daat brua omal, ordal, trval mauu rato. 3. Rgrs Logstk Ordal (Ordal Logstc Rgrsso) Pada rgrs logstk ordal, data varabl rso yag dguaka adalah data brskala ordal dga lbh dar katgor. Sdagka js data ada varabl rdktor daat brua omal, ordal, trval mauu rato. Pgatar Rgrs Logstk Br Rgrs logstk mruaka suatu mtod aalss data yag dguaka utuk mcar hubuga atara varabl rso (y) yag brsfat br atau dkotomus dga varabl rdktor () yag brsfat olkotomus (Hosmr da Lmshow, 989). Outcom dar varabl rso y trdr dar katgor yatu sukss da gagal yag dotaska dga y (sukss) da y (gagal). Dalam kadaa dmka, varabl y mgkut dstrbus Broull utuk sta obsrvas tuggal. Fugs Probabltas utuk sta obsrvas adalah dbrka sbaga brkut, Rgrs Logstk Pag

2 y y π ; y, () f ( y) ( π ) Dmaa jka y maka f(y) π da jka y maka f(y) π. Fugs rgrs logstkya daat dtulska sbaga brkut f z z ( ) kuval f ( z) () z z + + Dga z β + β + + β Nla z atara da + shgga la f (z) trltak atara da utuk sta la z yag dbrka. Hal trsbut mujukka bahwa modl logstk sbarya mggambarka robabltas atau rsko dar suatu objk. Modl rgrs logstkya adalah sbaga brkut + β + + β ) π ( ) + β + + β ) (3) + Dmaa bayakya varabl rdktor Utuk mmrmudah dugaa aramtr rgrs maka modl rgrs logstk ada rsamaa (3) daat duraka dga mgguaka trasformas logt dar π (). { }{ } + β + ( ) + β π ) { } { } + β ( ) ( ) + + β π π ) + + ( β + β + + β ) ( β + β + + β ) π () ( β + β + + β ) π ( ) + β + + β ) π () { π ( ) } + β + + β ) π ( ) π ( ) ( β + β + + β ) ( ) l π ( ) π l ( β + β + + β ) β + β + + β π ( ) l π ( ) Shgga drolh rsamaa brkut g π ( ) ( ) l β + β + + β π ( ) (4) Rgrs Logstk Pag

3 Modl trsbut mruaka fugs lr dar aramtr-aramtrya. Dalam modl rgrs lr, dasumska bahwa amata dar varabl rso dksrska sbaga y E(Y ) + ε dmaa ( ) β + β + + β E Y (5) mruaka rataa dar oulas da ε mruaka komo acak yag mujukka ymaga amata dar rataaya da ε dasumska mgkut sbara ormal dga rataa ol da varas kosta. Estmas Paramtr Estmas aramtr dalam rgrs logstk dlakuka dga mtod Mamum Lklhood. Mtod trsbut mgstmas aramtr β dga cara mmaksmumka fugs lklhood da msyaratka bahwa data harus mgkut suatu dstrbus trttu. Pada rgrs logstk, sta gamata mgkut dstrbus broull shgga daat dttuka fugs lklhoodya. Jka da y adalah asaga varabl bbas da trkat ada gamata k- da dasumska bahwa sta asaga gamata salg dd dga asaga gamata laya,,,, maka fugs robabltas utuk sta asaga adalah sbaga brkut dga, ( ) y ( ( )) y f ( ) π ( ) π ; y, (6) + β j j j π (7) β j j j dmaa ktka j maka la j. Sta asaga gamata dasumska dd shgga fugs lklhoodya mruaka gabuga dar fugs dstrbus masg-masg asaga yatu sbaga brkut ( ( )) y l( β ) f ( ) π ( ) π Fugs lklhood trsbut lbh mudah dmaksmumka dalam btuk log l(β) da dyataka dga L(β). y Rgrs Logstk Pag 3

4 L(β) l l(β) { yl [ π( ) ] ( y) l[ π( ) ]} + β j j y j β j l + j j ( ) Nla β maksmum ddaatka mlalu turua L(β) trhada β da haslya adalah sama dga ol. L( β ) β j y j j β j j j + β j j j shgga, y ˆ( π ) dga j,,, (8) j j Estmas varas da kovaras dkmbagka mlalu tor MLE (Mamum Lklhood Estmato) dar kofs aramtrya (Rao, 973 dalam Hosmr da Lmshow, 989). Tor trsbut myataka bahwa stmas varas kovaras ddaatka mlalu turua kdua L(β). L( β ) β β j u π ( ) j u ( π ( )) ; dga j, u,,, Matrks varas kovaras brdasarka stmas aramtr drolh mlalu vrs matrks da dbrka sbaga brkut T ( βˆ ) Dag πˆ ( ) πˆ ( ) { [ ( )] } Cov ˆ da T dbrka olh, T k k k Dag [ ˆ( )( ˆ π ( ))] π adalah mruaka matrks dagoal ( ) dga dagoal utamaya adalah [ ˆ( )( ˆ π ( ))] π. Paksr SE (βˆ ) dbrka olh akar kuadrat dagoal utama. Utuk mdaatka la taksra β dar turua rtama fugs L(β) yag o lr maka dguaka mtod tras Nwto Rahso. Prsamaa yag dguaka adalah Rgrs Logstk Pag 4

5 dga, T L( β) L( β) L( β) q ( ) ( H ) q ( t + ) ( t ) ( t ) t β β ; t,, sama kovrg (9),,, β β βk da H mruaka matrks Hssa. Elm-lmya adalah L( β) h ju, shgga β β h h hk h h hk H, da ada sta tras brlaku, () hk hk hkk dar rsamaa () drolh, { } ( ) ( ) ( ) ( ) t+ t T () t () t T () t β β + Dag π() π() y m () dga m (t) π( ) (t). Lagkah-lagkah tras Nwto Rahso dbrka sbaga brkut, a. Mtuka la dugaa awal β () kmuda dga mgguaka rsamaa () b. Dar maka ddaatka () π ( ). () π ( ) ada lagkah a. drolh matrks Hssa H () da vktor q (). j u c. Pross slajutya utuk t > dguaka rsamaa () da () hgga () π ( ) t da () β t kovrg. Pguja Estmas Paramtr Stlah aramtr hasl stmas drolh, maka kmuda dlakuka guja kbrarta trhada kofs β scara uvarat trhada varabl rso yatu dga mmbadgka aramtr hasl maksmum lklhood, dugaa β dga stadard rror aramtr trsbut. Hotss guja arsal adalah sbaga brkut, H : β H : β ;,,, Statstk uj: ˆ β W () SE( ˆ β ) Rgrs Logstk Pag 5

6 Statstk uj W trsbut, yag juga dsbut sbaga Statstk uj Wald, mgkut dstrbus ormal shgga H dtolak jka W > Z α / da daat drolh mlalu rsamaa brkut, W ˆ β (3) ˆ SE( β ) Statstk uj trsbut mgkut dstrbus Ch-Squrd shgga H dtolak jka W > ( v, α ) dga v dgrs of frdom bayakya rdktor. χ Stlah drolh varabl rdktor yag sgfka brgaruh trhada varabl rso ada guja uvarat, lagkah slajutya adalah mtuka varabl maakah hasl guja uvarat yag sgfka mmgaruh varabl rso scara brsamasama. Pguja dlakuka utuk mmrksa kbrarta kofs β scara srtak (multvarat) / ovrall trhada varabl rso. Hotss yag dguaka dbrka sbaga brkut. H : β β β H : Palg tdak trdaat satu β ;,,, Statstk uj: dmaa: G l y ˆ π y ( ) ( y ) ˆ π ( y ) + (4) Statstk uj G adalah mruaka Lklhood Rato Tst dmaa la G mgkut dstrbus Ch-Squrd shgga H dtolak jka G > χ ( v, α ) dga v drajat bbas adalah bayakya aramtr dalam modl taa β. Itrtas Kofs Paramtr Itrtas trhada kofs aramtr dlakuka utuk mtuka kcdruga/hubuga fugsoal atara varabl rdktor dga varabl rso srta mujukka garuh rubaha la ada varabl yag brsagkuta. Dalam hal dguaka bsara Odds rato atau β da dyataka dga ψ. Odds rato dartka sbaga kcdruga varabl rso mmlk suatu la trttu jka dbrka da Rgrs Logstk Pag 6

7 dbadgka ada. Kutusa tdak trdaat hubuga atara varabl rdktor dga varabl rso dambl jka la Odds rato (ψ ). Jka la Odds rato (ψ ) <, maka atara varabl rdktor da varabl rso trdaat hubuga gatf sta kal rubaha la varabl bbas () da jka Odds rato (ψ ) > maka atara varabl rdktor dga varabl rso trdaat hubuga ostf sta kal rubaha la varabl bbas (). LATIHAN SOAL. Suatu ts skolog dbrka kada bbraa orag tua utuk mtuka aakah ada gjala gjala yag mujukka mlmahya tubuh kara faktor usa.yag trjad ada orag tua. Salah satu varabl yag dguaka adalah scor yag drolh dar subtst Wchlr Adult Itlgc Scal. Tabl X Y X Y X Y X Y X Y X : Scor WAIS Y : Kadaa lmah kara usa (ada gjala) a. Ttuka modlya b. Itrrtaska ktrkata atara ktdaksmbaga gjala ada WAIS da ts sgfkas ada fk yag dtmbulka. Solus: Bary Logstc Rgrsso: y vrsus Lk Fucto: Logt Rsos Iformato Rgrs Logstk Pag 7

8 Varabl Valu Cout y 4 (Evt) 4 Total 54 Logstc Rgrsso Tabl Odds 95% CI Prdctor Cof SE Cof Z P Rato Lowr Ur Costat,444,984,,44 -,3353,398 -,84,5,7,58,9 Log-Lklhood -5,59 Tst that all slos ar zro: G,789, DF, P-Valu, Goodss-of-Ft Tsts Mthod Ch-Squar DF P Parso 8,833 5,9 Dvac 9,4897 5,855 Hosmr-Lmshow 4, ,65 Tabl of Obsrvd ad Ectd Frqucs: (S Hosmr-Lmshow Tst for th Parso Ch-Squar Statstc) Grou Valu Total Obs E,4,,8,8,8,3,5 3,4 Obs E 7,6 9, 5, 6, 4, 3,7,5,6 Total Masurs of Assocato: (Btw th Rsos Varabl ad Prdctd Probablts) Pars Numbr Prct Summary Masurs Cocordat 49 74,8 Somrs' D,56 Dscordat 4 8,6 Goodma-Kruskal Gamma,6 Ts 37 6,6 Kdall's Tau-a, Total 56, Tabulatd statstcs: y; C4 Rows: y Colums: C4 All ,5 5,56 74, ,67 9,6 5,93 All ,9 4,8, Cll Cotts: Cout % of Total Rgrs Logstk Pag 8

9 MTB > lt c5,44-,3*c MTB > lt c6(c5)/(+(c5)) Rgrs Logstk Pag 9

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner

Pengklasifikasian 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 terperinci

Konsistensi dan Asimtotik Normalitas Model Multivariate Adaptive Regression Spline (Mars) Respon Biner

Konsistensi 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 terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-140

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-140 JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) 337-350 (301-98X Prt) D-140 Faktor-Faktor yag Mmgaruh Pyakt Malara ada Ibu Haml d Provs Nusa Tggara Barat, Nusa Tggara Tmur, Maluku, Maluku Utara, Paua,

Lebih terperinci

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

ISSN: 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 terperinci

Faktor- Faktor yang Mempengaruhi Siswa Usia Wajib Belajar Putus Sekolah (Studi Kasus di Surabaya Utara)

Faktor- 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 terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

MODEL 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 terperinci

PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH

PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1

JURNAL 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 terperinci

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN

Jurnal 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 terperinci

Kata kunci : Regresi logistik, Susenas, menikah muda

Kata kunci : Regresi logistik, Susenas, menikah muda ANALISIS REGRESI LOGISTIK BINER PADA FAKTOR-FAKTOR YANG MEMPENGARUHI WANITA MENIKAH MUDA DI PROVINSI JAWA TIMUR Stud Kasus d Kabuat Probolggo, Bodowoso, Stubodo da Sum Aula Imawat, Ar Ksmato Mahasswa S

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

JURNAL 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 terperinci

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.

(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 terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI 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 terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 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 terperinci

SKRIPSI. oleh: FARIDA KARUNIAWATI NIM

SKRIPSI. 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 terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

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 terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter

Lebih terperinci

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

ESTIMASI 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 terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI 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 terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS 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 terperinci

PERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG

PERTIDAKSAMAAN 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 terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KESEMBUHAN PASIEN PENYAKIT FLU BURUNG

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KESEMBUHAN PASIEN PENYAKIT FLU BURUNG Aalss Faktor-faktor Yucaa W ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KESEMBUHAN PASIEN PENYAKIT FLU BURUNG Yucaa Wladar da Dah Saftr Staf Paar Prod Statstka Jurusa Matmatka FMIPA UNDIP Abstract Ava fluza

Lebih terperinci

Penerapan Pendekatan Gabungan Grey Relational Analysis (GRA) dan Principal Component Analysis (PCA) Pada Metode Taguchi Multirespon

Penerapan 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 terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

PROSIDING ISBN :

PROSIDING ISBN : PROSIDING ISBN : 978 979 6353 3 METODE FINALTI UNTUK MENENTUKAN BERAT SAPI OPTIMAL Olh : H. A. Pahusp da Sska Ayua Pogam Stud Matmatka Idust da Statstka Fakultas Sas da Matmatka (FSM) Uvstas Kst Satya

Lebih terperinci

BAB 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 (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 terperinci

Sidang Tugas Akhir D3-Statistika, 11 Juni 2013 Gedung H Lt.2

Sidang Tugas Akhir D3-Statistika, 11 Juni 2013 Gedung H Lt.2 Sdag Tugas Akr D3-Saska, Ju 3 Gdug H L. Taua Pusaka Saska Dskrf Tabl Kogs Walol, 995 Mod-mod ag brkaa dga gumula da aa suau gugus daa, sgga mmbrka formas ag brgua da aa mmbrka formas mga daa ag dmlk da

Lebih terperinci

3.1 Hubungan Dasar Probabilitas Probabilitas adalah harga perbandingan jumlah kejadian (A) yang mungkin dapat

3.1 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 terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 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 terperinci

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression Prosdg Koferes Nasoal Matematka XVII - 4-4 Ju 4, IS, Surabaya Estmas da Pegua Hpotess pada Model Geographcally Weghted Multomal Logstc Regresso M. Fathurahma, Purhad, Sutko 3, Vta Ratasar 4 Mahasswa S3

Lebih terperinci

ESTIMASI REGRESI MODEL LOGIT DENGAN METODE MAKSIMUM LIKELIHOOD SKRIPSI. Oleh: DINUL WAFA NIM

ESTIMASI 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

Analisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM

Analisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM D- JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) Aalss Regres Logstk Ordal ada Prestas Belajar Lulusa Mahasswa d ITS Berbass SKEM Zakaryah da Isma Za Jurusa Statstka, FMIPA, Isttut Tekolog

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Proses inferensi pada model logit Agus Rusgiyono. Abstracts Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN 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 terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

Aplikasi Model Regresi Logit dan Probit pada Data Kategorik

Aplikasi Model Regresi Logit dan Probit pada Data Kategorik Vol. 6, No.2, 07-4, Jauar 200 Aplkas Model Regres Logt da Probt pada Data Kategork Georga M. Tugk Abstrak Pembahasa dua model alteratf utuk data ber atu model Regress Logt da Probt. Regress Logt dguaka

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

Analisis Regresi dan Korelasi

Analisis Regresi dan Korelasi Metode Statstka Pertemua III Aalss Regres da Korelas Pegatar Apa tu aalss regres? Apa edaya dega korelas? Aalss Regres Aalss statstka yag memafaatka huuga atara dua atau leh peuah kuattatf sehgga salah

Lebih terperinci

BAB 2 SOLUSI NUMERIK PERSAMAAN

BAB 2 SOLUSI NUMERIK PERSAMAAN BAB SOLUSI NUMERIK PERSAMAAN Dalam sais da rkayasa, kita srigkali harus mcari akar solusi dari prsamaa f 0. Jika f mrupaka fugsi poliomial liar atau kuadratis, solusi ksakya mudah utuk didapatka kara rumusya

Lebih terperinci

REGRESI LINEAR SEDERHANA

REGRESI LINEAR SEDERHANA REGRESI LINEAR SEDERHANA MODUL Dra. Sr Pagest, S.U. PENDAHULUAN A alss regres merupaka aalss statstk yag mempelajar ubuga atara dua varabel atau leb. Dalam aalss regres lear dasumska berlakuya betuk ubuga

Lebih terperinci

BAB II PEMULIHAN SOLUSI METODE REP DAN ERROR ESTIMATOR Z 2

BAB II PEMULIHAN SOLUSI METODE REP DAN ERROR ESTIMATOR Z 2 BB II PEMULIHN SOLUSI MEODE REP DN ERROR ESIMOR Z.1. UMUM.1.1 Ksalaa Solus Mtod Elm Hgga Error yag trjad mrupaka sls atara solus ksak dga solus pdkata da dapat dksprska dalam btuk prala, tgaga maupu gaya

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson.

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson. JURNAL SAINS DAN SENI IS Vol. 4, No., (5) 337-35 (3-98X Prt) D45 Pemodela Faktor-Faktor yag Mempegaruh Jumlah Kasus IV & AIDS d Provs Jawa mur ahu 3 Megguaka Bvarate Posso Regresso Lucy Da Pusptasar da

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

BAB II TINJAUAN PUSTAKA. dua sampel berpasangan akan menggunakan statistik uji T 2 -Hotelling. Untuk itu,

BAB II TINJAUAN PUSTAKA. dua sampel berpasangan akan menggunakan statistik uji T 2 -Hotelling. Untuk itu, BAB II TINJAUAN PUSTAKA. Pedahulua Dalam bab aka dbahas tetag uj t utuk meguj sebuah parameter rata-rata da selsh dua parameter rata-rata dua sampel berpasaga dbawah asums populas berdstrbus ormal. Pada

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

Suatu Tinjauan Tentang Generalized Estimating Equation

Suatu Tinjauan Tentang Generalized Estimating Equation Vol. 4, No.1, 19-25, Jul 2007 Suatu Tjaua Tetag Geeralzed Estmatg Equato Muhammad Abdy Abstrak Geeralzed Estmatg Equato (GEE) yag pertama kal dperkealka oleh Lag da Zeger pada tahu 1986 telah medapat perhata

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

PENDUGAAN 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 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 terperinci

V. PENDEKATAN BAYES PADA MODEL ACAK

V. 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 terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

Muniya Alteza

Muniya Alteza RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur

Lebih terperinci

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA Dlta-P: Jural Matmatka da Pddka Matmatka ISSN 89-855X Vol., No., Oktobr 3 ALJABAR LINTASAN LAVITT SDRHANA Ida Kura Walyat Program Stud Pddka Matmatka FKIP Urstas Kharu, Trat mal: adhku@gmal.com ABSTRAK

Lebih terperinci

Bab III Aplikasi Teori Kontrol H 2 Pada Sistem Suspensi

Bab III Aplikasi Teori Kontrol H 2 Pada Sistem Suspensi Bab III Alikasi Tori Kotrol H Pada Sistm Sssi 36 Bab III Alikasi Tori Kotrol H Pada Sistm Sssi Pggaa tori kotrol H tlah bayak digaka Olh kara it brikt ii aka dirkalka da macam alikasi tori kotrol H ii

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

TINJAUAN PUSTAKA PENDAHULUAN

TINJAUAN PUSTAKA PENDAHULUAN PEDAHULUA Latar Blakag Dalam bidag didika, kgiata ilaia atau valuasi hasil blajar srta didik mruaka salah satu tugas tig yag harus dilakuka olh didik. Evaluasi hasil blajar srta didik dilakuka utuk mgtahui

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DAN METODE BAYES DALAM PENDUGAAN PARAMETER DISTRIBUSI EKSPONENSIAL

PERBANDINGAN 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 terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA

PENERAPAN 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 terperinci

2.2.3 Ukuran Dispersi

2.2.3 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 terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS 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 terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak 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

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

PENGOPTIMUMAN PADA FUNGSI PRODUKSI CROPPES

PENGOPTIMUMAN PADA FUNGSI PRODUKSI CROPPES PENGOPTIMUMAN PADA FUNGSI PRODUSI CROPPES NURJANAH G5404008 DEPARTEMEN MATEMATIA FAUTAS MATEMATIA DAN IMU PENGETAHUAN AAM INSTITUT PERTANIAN BOGOR 008 ABSTRACT NURJANAH Optmzato Cropps producto ucto Suprvsd

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

TURUNAN FUNGSI. Definisi. 3.1 Pengertian Turunan Fungsi. Turunan fungsi f adalah fungsi f yang nilainya di c adalah. h asalkan limit ini ada.

TURUNAN FUNGSI. Definisi. 3.1 Pengertian Turunan Fungsi. Turunan fungsi f adalah fungsi f yang nilainya di c adalah. h asalkan limit ini ada. 3 TURUNAN FUNGSI 3. Pgrtia Turua Fugsi Diisi Turua ugsi adala ugsi yag ilaiya di c adala c c c asalka it ii ada. Coto Jika 3 4, maka turua di adala 3 4 3.. 4 3 4 4 4 4 4 4 3 3 3 4 Jika mmpuyai turua di

Lebih terperinci

Estimasi dan Statistik Uji pada Model Probit Biner Bivariat. Estimation and Statistical Test in Bivariate Binary Probit Model

Estimasi dan Statistik Uji pada Model Probit Biner Bivariat. Estimation and Statistical Test in Bivariate Binary Probit Model Jural ILMU DASAR Vol. No.. 0 : 97-0 97 Estmas da Statstk Uj ada Model robt Ber Bvarat Estmato ad Statstcal est Bvarate Bar robt Model Vta Ratasar, urhad, Isma & Suhartoo Mahasswa S-3 Statstka FMIA IS,

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

Statistika ITS Surabaya

Statistika ITS Surabaya UJIAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS GIZI BALITA MASYARAKAT NELAYAN KECAMATAN BULAK SURABAYA Oleh : Ctra Elok M 305 00 03 Dose Pembmbg

Lebih terperinci

PENENTUAN MODEL KURVA PERTUMBUHAN PADA TULANG RAMUS

PENENTUAN MODEL KURVA PERTUMBUHAN PADA TULANG RAMUS Prosdg SPMIPA. pp. 6-69. 6 ISBN : 979.74.47. PENENUAN MODEL KURVA PERUMBUHAN PADA ULANG RAMUS Sudaro Jurusa Matematka FMIPA UNDIP Jl. Prof. Soedarto, Kampus UNDIP embalag, Semarag Abstrak: Model kurva

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci