KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

Ukuran: px
Mulai penontonan dengan halaman:

Download "KAJIAN ANALISIS REGRESI DENGAN DATA PANEL"

Transkripsi

1 Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta Unvrsas Padjadjaran Abstra Data st yang mrupaan ombnas data cross scton dan tm srs srng sal dmuan dalam ajan onom, dsbut sbaga data panl. Dalam pmodlan data panl a dhadapan pada omponn stoast yang rlatf ompls. Analss rgrs data panl adalah analss rgrs dngan strutur data mrupaan data panl. Umumnya pndugaan paramtr dalam analss rgrs dngan data cross scton dlauan mnggunaan pndugaan mtod uadrat trcl (MT). Mtod n aan mmbran hasl pndugaan yang brsfat Bst Lnar Unbasd Estmaton (BLUE) ja smua asums Gauss Marov trpnuh dantaranya adalah non-autcorrlaton. onds trahr n tntunya sul trpnuh pada saat a brhadapan dngan data panl. Shngga pndugaan paramtr tda lag brsfat BLUE. Ja data panl danalss dngan pndatan modl-modl tm srs sprt fungs transfr, maa ada nformas ragaman dar un cross scton yang dabaan dalam pmodlan. Salan satu untungan dar analss rgrs data panl adalah mmprtmbangan ragamaan yang trjad dalam un cross scton. Dalam pnlan n pnuls mnrapan analss rgrs data panl untu mlauan pmodlan pnyrapan tnaga rja ndustr cl d wlayah Jawa Barat dan mngtahu fator-fator apa saja yang mmpngaruh pnyrapan tnaga rja d Jawa Barat. ata unc : Rgrs Data Panl, Fxd Modl, Random Modl PENDAHULUAN Data st yang mrupaan ombnas data cross scton dan tm srs srng sal a tmuan dalam ajan onom, dsbut sbaga data panl. Dalam pmodlan data panl a dhadapan pada omponn stoast yang rlatf ompls. Analss rgrs data panl adalah analss rgrs dngan strutur data mrupaan data panl. Umumnya pndugaan paramtr dalam analss rgrs dngan data cross scton dlauan mnggunaan pndugaan mtod uadrat trcl (MT). Mtod n aan mmbran hasl pndugaan yang brsfat Bst Lnar Unbasd Estmaton (BLUE) ja smua asums Gauss Marov trpnuh dantaranya adalah non-autcorrlaton. onds trahr n tntunya sul trpnuh pada saat a brhadapan dngan data panl. Shngga pndugaan paramtr tda lag brsfat BLUE. Ja data panl danalss dngan pndatan modl-modl tm srs sprt fungs transfr, maa ada nformas ragaman dar un cross scton yang dabaan dalam pmodlan. Salan satu untungan dar analss rgrs data panl adalah mmprtmbangan ragamaan yang trjad dalam un cross scton. Dalam pnlan n pnuls mnrapan analss rgrs data panl untu mlauan pmodlan pnyrapan tnaga rja ndustr cl d wlayah Jawa Barat dan mngtahu fatorfator apa saja yang mmpngaruh pnyrapan tnaga rja d Jawa Barat. Analss Rgrs Data Panl Data panl adalah gabungan antara data cross scton dan data tm srs, dmana un cross scton yang sama duur pada watu yang brbda. Analss rgrs data panl adalah analss rgrs yang ddasaran pada data panl untu mngamat hubungan antara satu varabl trat (dpndnt varabl) dngan satu atau lbh varabl bbas ndpndn varabl. Bbrapa altrnatf modl yang dapat dslsaan dngan data panl yau : Modl 1 : smua ofsn ba ntrsp maupun slop ofsn onstan M-51

2 I Gd Nyoman Mndra Jaya/ AJIAN ANALISIS REGRESI M-5 = β + β 1 (1) = Modl : slop ofsn onstan, ttap ntrsp brbda abat prbdaan un cross scton. = β + β 1 () = Modl 3 : slop ofsn onstan, ttap ntrsp brbda abat prbdaan un cross scton dan brubahnya watu. = β + β 1 (3) = Modl 4 : ntrsp dan slop ofsn brbda abat prbdaan un cross scton. = β + β 1 (4) = Modl 5 : ntrsp dan slop ofsn brbda abat prbdaan un cross scton dan brubahanya watu. = β 1 + β (5) = dngan =1,,,N t = 1,,,T N : Banya un cross scton T : Banya data tm srs : Nla varabl trat cross scton - tm srs t-t : Nla varabl bbas - untu cross scton - tahun -t β : paramtr yang dasr ε : unsur gangguan populas :Banya paramtr rgrs yang aan dasr Modl dngan Slop ofsn onstan dan Intrsp Brvaras Abat Prbdaan Un Corss Scton Modl n mmprhatan f pnggabungan un cross scton yang brbda sdangan brubanya watu (tahun) hanya sbaga transs. = β 1 + β ; =1,,,N (6) = ; t=1,,..,t Prsamaan d atas dapat duls sbaga brut : = ( α + ) + β Dngan β = ( α + ) 1 N = β1 = α = 1 N : nla varabl trat wlaya - tahun -t β : ntrsp wlayah - α : rata-rata nstrsp (onstanta) : prbdaan rata-rata ntrsp dngan ntrsp wlayah - : prbdaan rata-rata ntrsp dngan ntrsp wlayah - β : slop coffcnt varabl - : nla varabl bbas - untu wlayah - tahun -t (7)

3 Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 ε : unsur gangguan populas Prosdur pndugaan prsamaan d atas trgantung apaah dasumsan fxd atau random. Ja dasumsan fxd, mrupaan bagan dar ntrsp maa prsamaan d atas adalah Fxd Effct Modl (). Ja dasumsan random, sbaga bagan dar unsur gangguan atau rror maa prsamaan d atas adalah Random Effct Modl (REM) Fxd Effct Modl dan Random Effct Modl Fxd Effct Modl () : = ( α + ) + β = (8) Random Effct Modl (REM) : = α + β + ( ) = (9) Pada Fxd Effct Modl tda lngapnya normas arna prbdaan un cross scton dcrmnan dngan prbdan ntrsp untu masng-masng un cross scton. Sdangan Random Effcts Modl tda lngapnya nformas pada modl dpandang sbaga rror. Fxd Effct Modl dasr dngan mtod Last Squar Dummy Varabl (LSDV). Sdangan Random Effcts Modl dasr dngan mtod Gnralzd Last Squar (GLS). Prbandngan Fxd Effcts Modl dan Random Effct Modl. Last Squar Dummy Varabl (LSVD) Last Squar Dummy Varabl (LSVD) mrupaan mtod pndugaan pamatr rgrs data panl untu Fxd Effct Modl. Pnyrtaan varabl dummy dalam analss rgrs data panl untu asus fxd ffct dharapan mampu mwal tdalngapan nformas dalam pmbuatan modl. Scara umum modl data panl dngan pndatan varabl dummy dapat duls sbaga brut : = α + = 1 β + N = D ; (10) Dngan D adalah varabl Dummy -, =,3,,N dan N adalah banyanya un cross scton. Pndugaan paramtr rgrs data panl dlauan dngan mnggunaan Ordnary Last Squar. Uj Spsfas Fxd Effct Modls Hpotss nol mnyataan bahwa ntrsp stap un cross scton adalah sama, artnya f un cross scton scara sluruhan tda brart dalam modl dugaan. Sbaga altrnatfnya bahwa f un cross scton brart dalam modl dugaan. Ja H 0 drma maa poold modl lbh ba darpada Fxd Effct Modl. Sbalnya ja H 0 dola maa Fxd Effct Modl lbh ba dbandngan poold modl. Hpotss statst : H 0 : 1 = = = I =0 (f un cross scton scara sluruhan tda brart) H 0 : surang-urangnya ada sbuah 0 (f wlayah brart) Statst uj ( ` poold ` ) /( N 1) ( R R poold ) /( N 1) F = = ~ F ( N 1),( NT N ) ` /( NT N ) (1 R ) /( NT N ) (11) Tola hpotss nol ja F hung lbh bsar dar F tabl Gnralzd Last Squar (GLS) Untu Random Effct Modl (REM), pndugaan paramtrnya dlauan mnggunaan Gnralzd Last Squar ja matrs Ω dtahu, namun ja tda dtahu dlauan dngan FGLS yau mnduga lmn matrs Ω. Pada REM tdlngapan nformas untu stap un cross scton dpandang sbaga rror shngga adalah bagan dar unsur gangguan. Modl REM dapat dulsan dapat dulsan sbaga brut : M-53

4 I Gd Nyoman Mndra Jaya/ AJIAN ANALISIS REGRESI Asums : = α + β + ( + E( = 1 ~ N(0, ) ~ N(0, ) s ) = E( jt ) = E( ) E( j ) = 0; E( ) = 0 js ) = 0 ; j j; t s (1) Untu data cross scton - prsamaan d atas dapat duls y = β+( 1+ ). Varans omponn dar unsur gangguan ( 1+ ) untu un cross scton -I adalah : +... Ω = TxT + + (13) Varans omponn Ω dnt untu stap un cross scton. Shngga varans omponn untu sluruh obsrvas dapat dulsaan : Ω Ω 0 W = NTxNT 0 0 Ω (14) Ja nla Ω dtahu maa prsamaan dapat dduga mnggunaan Gnralzd Last Squar (GLS) dngan ˆ 1 1 β = ( `W ) ( `W 1 y). Ja Ω tda dtahu maa Ω prlu dduga dngan mnduga ˆ dan ˆ, shngga prsamaan d atas dduga dngan ˆ ˆ 1 1 ( ` ) ( ` ˆ β = W W 1 y), ˆ`ˆ Dmana ˆ = dngan ˆ = y βˆ adalah rsdu dar Last Squar Dummy NT N ˆ 1 ˆ Varabls (LSDV). Sdangan ˆ = T Uj Spsfas random Effct Modl Hpotss nol mnyataan bahwa smua varans rror cross scton adalah no. artnya f random dar un cross scton tda bart. Ja H 0 drma maa poold modl lbh ba dar Random ffct modl. Sdangan ja H0 dola maa Random Effct modl lbh ssua. Hpotss statst yang dgunaan adalah : H 0 : = 0 M-54 H 1 : 0 Statst uj : NT T ` LM = 1 ~ χ (1) ( T 1) ` (15) Dmana adalah vtor (Nx1) dar rata-rata rsdu poold modl dan ` adalah jumlah uadrat rsdu dar poold modl. rra pngujan

5 Tola hpots nol (H 0 ) ja χ hung lbh bsar dar Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 χ tabl Uj Hausman Uj Hausman dgunaan untu mmlh modl trba apaah Fxd Effct Modl () atau Random Effct Modl (REM). Ja H 0 drma maa Random Effct Modl (REM) lbh fsn, sdangan ja H 0 dola maa Fxd Effct Modl lbh ssua darpada Random Effct Modl. Hpotss stats : H 0 : ρ = 0 Effct Cross scton tda brhubungan dngan rgrs lan (REM) H 0 : ρ 0 Effct Cross scton brhubungan dngan rgrs lan () Statst uj : Statst uj yang dgunaan untu mnguj hpotss d atas adalah statst uj m dngan rumus sbaga brut : m = ( b b REM )`ˆ Σ( b b REM ) ~ χ (16) Dngan Σ ˆ = var( b ) var( ) b REM rra pngujan Tola hpotss nol ja m > χ Tabl 1 Fxd Effcts Modl dan Random Effcts Modl Fxd Effct Modl Random Effcts Modl Modl Intrsp Varans Error = + ) + =1 ( α β = α + β + ( ) Brbda untu tap un cross scton onstan onstan = 1 Brbda untu tap un cross scton Slops onstan onstan Mtod LSDV GLS-FGLS Hpotss Uj F Uj Lagrang Multplr (LM) Contoh Aplas Analss rgrs data panl drapan dalam pmodlan pnyrapan tnanga rja d Jawa Barat. Data panl trdr dar pnggabungan data cross ston dan tm srs yang dambl pada prod watu dngan obj yang sama. Data cross scton yang dgunaan adalah wlayah d Jawa Barat sdangan data tm srs dgunaan sampl pada tahun 001 sampa 004 untu masng-masng wlayah. Shngga slurhan data yang dugunaan adalah sbanya 88 data cross scton-tm srs. Varabl dpndn dalam pnlan n adalah jumlah pnrapan tnaga rja ndustr cl d wlayah Jawa Barat. Sdangan varabl bbasnya adalah nla produs, modal dan upah. Untu mngtahu fator-fator yang mmpngaruh pnyrapan tnanga rja, dgunaan fungs prmntaan tnanga rja dngan pndatan masmas untungan (Gujarat, 1978 : 350). Mlalu pndatan fungs Cobb Duoglas, prmntaan trhadap tnaga rja mrupaan fungs dar nla produs (PQ) dan Upah (W) atau dalam notas L=f(PQ,W) Slanjutnya mnurut Arsyad (1987 :87) prmntaan aan nput tnanga rja juga dpngaruh olh nput nla modl rja R. Shnga fungs prmntaan tnanga rja mnjad : L=f(PQ, W, R) M-55

6 I Gd Nyoman Mndra Jaya/ AJIAN ANALISIS REGRESI Scara lbh lngap fungs pnyrapan tnanga rja dulsan sbaga brut : β1 β β3 ε L = α(pq) (R) (W) ln L = ln α + β1 ln(pq) + β ln(r) + β3 ln(w) Msalan : ln = ln(pq) = 1 ln(r) = ln(w) = 3 ln α Shngga modl rgrs samplnya dapat duls : β + β + β + + = β L 1 0 = β3 3 HASIL ANALISIS Stlah dlauan pngolahan dngan softwar SAS 9.1 dprolh hasl sbaga brut : 1. Fxd Effct Modl () Mmandang bahwa tdalngapan nformas dar stap wlayah sbaga bagan dar ntrsp, mlalu mtod Last Squar Dummy Varabls (LSVD) dprolh modl tasran Fxd Effct Modl sbaga brut : = D D3 967D D D D7 960D D D D D D13 768D D D D17 834D D D0 58D1 758D. Random Effct Modl (REM) Mmandang bahwa tdalngapan nformas dar stap wlayah sbaga bagan dar unsur gangguan, mlalu mtod Gnralzd Last Squar (GLS) dprolh nla tasran Random Effct Mod sbaga brtu : = Uj Hausman Untu mnntuan apaah modl trba untu data adalah fxd ffct mods atau Random Effct Modl dapat dlauan dngan uj Hausman dngan hasl sbaga brut : Hasl prhungan dnga SAS 9.0 mmbran nla m dan p-valu sbaga brut : Tabl. Uj Hausman Hausman Tst for Random Effcts DF m Valu Pr > m Hasl uj Hausman mnunjuan bahwa hpotss nol drma dmana trhat nla p-valu nya lbh bsar dabandngan dngan 0,05 shngga dapat dsmpulan bahwa modl yang lbh tpat untu data adalah Random Effct Modl. 4. Uj Spsfas Modl Untu mnguj apaah Random Effct Modl lbh ba dbandngan dngan Poold Modl, maa dlauan pngujan dngan mnggunana Lagrang Multplr (LM). Dar hasl prhungan dprolh nla LM = Sdangan nla χ (1;0,05) = Nla LM lbh bsar dbandngan dngan nla Chs-Squar pada drajat bbas 1 dan tngat sgnfans 5%. Artnya modl yang lbh tpat adalah modl REM. 5. Intrprtas Hasl Dar hasl pngujan Hausman dprolh smpulan bahwa Random Effct Modl lbh ba dbandngan dngan Fxd Effct Modl. Uj spsfas modl juga mnunjuan modl trba adalah REM. M-56

7 Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 Stlah dtahu modl trba, slanjutnya dlauan pngujan sgnfans modl ba scara parsal ataupun ovrall. Hasl pngujan dujuan pada tabl-tabl d bawah n : Tabl 4. Uj Ovrall F Statstcs SSE DFE 84 MSE Root MSE R-Squar Tabl 5. Dugaan Paramtr Paramtr Estmats Varabl DF Estmat Standard Error t Valu Pr > t Intrcpt Produs (x 1 ) Modal (x ) <.0001 Upah (x 3 ) Hasl pngujan mnunjuan bahwa fator produs dan modal brpngaruh sgnfan trhadap pnyrapan tnanga rja d Jawa Barat. Sdangan upah dnyataan tda brpngaruh sgnfan pada taraf sgnfans 5%. ESIMPULAN 1. Untu analss rgrs dngan data panl trdapat dua pndatan yau Fxd Effct Modl dan Random Effct Modl. Untu mngtahu apaah Fxd Effct Modl yang lbh ba dbandngan dngan Random Effct Modl dapat dlauan dngan uj Hausman.. Untu pmodlan pnyrapan tnanga rja d Jawa Barat, modl yang dnyataan lbh tpat adalah modl REM. Modl n mampu mnjlasan varans data mncapa 60,8%. Pnyrapan tnaga rja scara sgnfan dpngaurh olh produs dan modal. Sdangan upah dnyataan tda brpngaruh. DAFTAR PUSTAA Myoung Par, Hun Lnar Rgrsson Modls for Panl Data Usng SAS, STATA, LIMDEP, and SPSS, 005 Th Trusts of Indana Unvrsy Wooldrdg, Jffry M. Economtrc Analyss of Cross Scton and Panl Data, Th MIT Prss, 008, Cambrdg, Massachustts, London, England M-57

8 I Gd Nyoman Mndra Jaya/ AJIAN ANALISIS REGRESI LAMPIRAN Program SAS Data Panls; Input ab Thn y x1 x x3 d d3 d4 d5 d6 d7 d8 d9 d10 d11 d1 d13 d14 d15 d16 d17 d18 d19 d0 d1 d; cards; ; ; Proc Rg Data=Panls; Modl y=x1 x x3 d d3 d4 d5 d6 d7 d8 d9 d10 d11 d1 d13 d14 d15 d16 d17 d18 d19 d0 d1 d; Run; Proc Sort Data=Panls; by ab Thn; run; Proc Tscsrg Data=Panls; modl y=x1 x x3/fuller; Id ab Thn; Run; M-58

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih 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

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN II. PERANAN TATITIK DALAM ANALII PERCOBAAN Hal-hal yang prl dplajar. 1. baran Normal dan sbaran t- stdnt. Mmbandngan da harga rata-rata sampl. a. Prbandngan da harga rata-rata sampl tda brpasangan npard

Lebih terperinci

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. Algorta AdaBoost Dala Pnglasfasan Zulhanf Staf Pngajar Jurusan Statsta FMIPA, Unpad Bandung Eal : dzulhanf@yahoo.co ABSTRAK Mtod AdaBoost rupaan salah satu algorta suprvsd pada data nng yang dtrapaan scara

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam

Lebih 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

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih 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 Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

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

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

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

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

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE MODE INFEENSI BEBASIS FUZZY NEUA NETWOK MENGGUNAKAN METODE PEMBEAJAAN DETA UE Sr Kusumadw Sr Hartat tantyo Wardoyo Agus Harjoo Jurusan Tn Informata Unvrstas Islam Indonsa Yogyaarta, cc@ft.u.ac.d Faultas

Lebih terperinci

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM

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

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

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

BAB VI METODE BELAJAR WIDROW-HOFF

BAB VI METODE BELAJAR WIDROW-HOFF BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan

Lebih terperinci

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST) UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan

Lebih terperinci

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.

Lebih terperinci

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB)

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB) OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Stud Kasus Produk Flash Dsk dngan Kapastas Pnympanan 4 GB dan 8 GB) Skrps OLEH: DIAN SETYA ARINI I0307038 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

KOMPUTASI DAN DINAMIKA FLUIDA

KOMPUTASI DAN DINAMIKA FLUIDA KOMPUTASI DAN DINAMIKA FLUIDA TUGAS Olh RIRIN SISPIYATI NIM : 006003 Program Studi Matmatia INSTITUT TEKNOLOGI BANDUNG 009 Ercis 40 Ta as initial spctrum a bloc function nonzro for ½. Animat th initial

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

PEMODELAN KOMPUTASI DENGAN METODE RUNGE KUTTA ORDE 4 UNTUK MENGHITUNG PROSES PENGISIAN DAN PENGOSONGAN KAPASITOR

PEMODELAN KOMPUTASI DENGAN METODE RUNGE KUTTA ORDE 4 UNTUK MENGHITUNG PROSES PENGISIAN DAN PENGOSONGAN KAPASITOR ol. No. Jul, Tahun 07 Jurnal Pnlan Pnddan MIP Kharah PMODLN KOMPUTSI DNGN MTOD RUNG KUTT ORD UNTUK MNGHITUNG PROSS PNGISIN DN PNGOSONGN KPSITOR Kharah Unvrsas Muslm Nusanara l-washlyah -mal: harahlubs0@gmal.com

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

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI )

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI ) A VI MODL LKRON AS GAS RMI MARI 6.1. ltron bbas dalam satu dimnsi. 6.1.1.tingat nrgi 6.1..distribusi rmi-dirac 6.1..nrgi rmi 6.. ltron bbas dalam tiga dimnsi. 6..1.nrgi rmi untu tiga dimnsi. 6...cpatan

Lebih terperinci

BAB 2 SISTEM MAKRO DAN MIKRO

BAB 2 SISTEM MAKRO DAN MIKRO BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh

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

ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO

ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO Saptana 1, Arf Daryanto 2, Hny K. Daryanto 2, dan Kuntjoro 2 1 Pusat Analss Sosal Ekonom dan Kbjakan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2 Komonn Utama...Nun Nurhasanah KOMPONEN UAMA UNUK PENGENDALIAN KUALIAS SECARA SAISIK Nun Nurhasanah, Dah Saftr Alumn Program Stu Statsta FMIPA UNDIP Staf Pngaar Program Stu Statsta FMIPA UNDIP Abstract

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. DESKRIPSI DATA Data pnlitian diprolh dari siswa klas XII Jurusan Tknik Elktronika Industri SMK Ma arif 1 kbumn. Data variabl pngalaman praktik industri, kmandirian

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian

BAB III METODE PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian deskriptif dengan pendekatan kuantitatif. Menurut Sugiyono (2012: 13), penelitian deskriptif

Lebih terperinci

BAB V DISTRIBUSI PROBABILITAS DISKRIT

BAB V DISTRIBUSI PROBABILITAS DISKRIT BAB V DISTRIBUSI ROBABILITAS DISKRIT 5.. Distribusi Uniform Disrit Bila variabl aca X mmilii nilai,,... dngan probabilitas yang sama, maa distribusi uniform disrit dinyataan sbagai: f (, ) ;,,... paramtr

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

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

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial Prhungan Pr dngan Asus Wau Anar Kla Brdsrbus Esponnsal Fahauz Zuharoh Jurusan Pnddan Maaa, STKIP, YPUP Maassar Info: Jurnal MSA Vol. 2 o. Eds: Januar Jun 24 Arl o.: 3 Halaan: 5-22 ISS: 2355-83X Prod Maaa

Lebih terperinci

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bbrapa tor yag dprlua utu mduug pmbahasa dataraya adalah rgrs lar brgada, mtod uadrat trcl (MKT), pguja asums aalss rgrs, outlr, rgrs robust, ofs dtrmas, bradow pot. A. Rgrs Lar Brgada

Lebih 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

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

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 IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi BAB IV AKSIRA MAKSIMUM LIKELIHOOD FUGSI IESIAS POISSO OHOMOGE 4 Pndahuluan Brku n, akan dbahas nang dua pndkaan unuk mndapakan aksran fungs nnsas pross Posson nonhomogn, yau scara ors dan sud kasus Pada

Lebih terperinci

HASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api.

HASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api. 6 yang diharapkan. Msin infrnsi disusun brdasarkan stratgi pnalaran yang akan digunakan dalam sistm dan rprsntasi pngtahuan. Msin infrnsi yang digunakan dalam pngmbangan sistm pakar ini adalah FIS. Implmntasi

Lebih terperinci

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract JRNAL MATEMATIKA DAN KOMPTER Vol. 5. No., 4-4, Aprl, ISSN : 4-858 METODE ELEMEN INGGA NTK MASALA SARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF Sutrma Jurusan matmatka FMIPA NS Abstract Th purpos of ths

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

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,

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

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

Analisis Dinamis Portal Bertingkat Banyak Multi Bentang Dengan Variasi Tingkat (Storey) Pada Tiap Bentang

Analisis Dinamis Portal Bertingkat Banyak Multi Bentang Dengan Variasi Tingkat (Storey) Pada Tiap Bentang Analisis Dinamis Portal Brtingkat Banyak Multi Bntang Dngan Variasi Tingkat (Story) Pada Tiap Bntang Hiryco Manalip Rky Stnly Windah Jams Albrt Kaunang Univrsitas Sam Ratulangi Fakultas Tknik Jurusan Sipil

Lebih terperinci

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan Aplikasi Intgral Intgral dapat diaplikasikan k dalam banyak hal. Dari yang sdrhana, hingga aplikasi prhitungan yang sangat komplks. Brikut mrupakan aplikasi-aplikasi intgral yang tlah diklompokkan dalam

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

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

Jurnal Inovasi Pembelajaran Fisika (INPAFI)

Jurnal Inovasi Pembelajaran Fisika (INPAFI) Jurnal Inovas Pmblajaran Fska (INPAFI) Avalabl onln http://jurnal.unmd.ac.d/01/ndx.php/npaf -ssn 59-5, p-ssn 337-6 IMPLEMENTASI PEDAGOGICAL CONTENT KNOWLEDGE (PCK) DALAM PEMBELAJARAN SAINTIFIK UNTUK MENINGKATKAN

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

Uji Homogenitas Varians

Uji Homogenitas Varians Uj Homogentas Varans I. DUA VARIANS Pengujan hpotess dua varans dlakukan untuk mengetahu varans dua populas sama (homogen atau tdak (heterogen. S dan S merupakan penduga σ dan σ Rumus varans : x ( x S

Lebih terperinci

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA Olh : Yanti Muliyaningsih G40026 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

ANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK

ANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

BAB IV FUNGSI KOMPLEKS 47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas

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 II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11]

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11] BAB II TINJAUAN PUSTAKA II.1 Umum Tngkat playanan suatu jarngan jalan tntukan olh waktu prjalanan, baya prjalanan (tarf an bahan bakar), knyamanan, an kamanan pnumpang. Jka trja pnurunan tngkat playanan

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

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

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN BAB IV HASIL DAN PEMBAHASAN. Solusi Numri Modl H-R dngan RKF Modl H-R ang trbntu dari tiga prsamaan diffrnsial ord satu ang saling brhubungan atau tropl. Prsamaan trsbut brsifat autonomous ang brarti brdiri

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

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

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan

Lebih 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

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah JEKT JURNAL EKONOMI 9 [] : 80 KUANTITATIF - 84 TERAPAN Vol. 9 No. FEBRUARI 06 ISSN : 30-8968 Modl Rrs Lost pada Klulusa Uja Srtfas Padaa Bara da Jasa Pmrtah Ru *) ABSTRAK Modl rrs mrupaa alat utu maalss

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor

Lebih terperinci

VI. EFISIENSI PRODUKSI DAN PERILAKU RISIKO PRODUKTIVITAS PETANI PADA USAHATANI CABAI MERAH

VI. EFISIENSI PRODUKSI DAN PERILAKU RISIKO PRODUKTIVITAS PETANI PADA USAHATANI CABAI MERAH VI. EFISIENSI PRODUKSI DAN PERILAKU RISIKO PRODUKTIVITAS PETANI PADA USAHATANI CABAI MERAH.. Faktor-Faktor yang Mmpngaruhi Produktivitas Cabai Mrah dan Nilai Elastisitas Input trhadap Produktivitas...

Lebih terperinci

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan II. BILANGAN KOMPLEKS. Pndahuluan Sstm blangan komplks pada dasarna mrupakan prluasan dar sstm blangan rl. Sstm blangan n dprknalkan untuk mmcahkan sstm-sstm prsamaan aljabar ang tdak mmpuna jawaban dalam

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

III. METODE PENELITIAN. Ruang lingkup penelitian ini bertujuan untuk menganalisis pengaruh pertumbuhan

III. METODE PENELITIAN. Ruang lingkup penelitian ini bertujuan untuk menganalisis pengaruh pertumbuhan 49 III. METODE PENELITIAN A. Ruang Lingkup Penelitian Ruang lingkup penelitian ini bertujuan untuk menganalisis pengaruh pertumbuhan ekonomi, inflasi dan kualitas sumber daya manusia terhadap tingkat pengangguran

Lebih terperinci

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN : JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka

Lebih terperinci

ADAPTIF NEUROFUZZY INFERENCE SYSTEM UNTUK PENGUKURAN ph

ADAPTIF NEUROFUZZY INFERENCE SYSTEM UNTUK PENGUKURAN ph ADAPTIF EUROFUZZ IFERECE SSTEM UTUK PEGUKURA ph Totok R. Byanto Tknk Fska FTI, ITS Surabaya Kampus ITS Surabaya, Sukollo Surabaya Tlp: 597 Fax: 590 Emal: trb@p.ts.ac.d ABSTRAK: Srng dngan mnngkatnya kbutuhan

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.

Lebih terperinci

Pendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Pendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.

Lebih terperinci

MODEL EVAPOTRANSPIRASI PADA VEGETASI DENGAN KETEBALAN KANOPI YANG BERVARIASI

MODEL EVAPOTRANSPIRASI PADA VEGETASI DENGAN KETEBALAN KANOPI YANG BERVARIASI MODEL EVAPOTRANSPIRASI PADA VEGETASI DENGAN KETEBALAN KANOPI YANG BERVARIASI Evapotranspraton modl on vgtaton wth vard canopy layr Yanto yanto@unsod.ac.d, ynt@umch.du Program Stud Tknk Spl Fakultas Sans

Lebih terperinci

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR

Lebih terperinci

BAB I METODE NUMERIK SECARA UMUM

BAB I METODE NUMERIK SECARA UMUM BAB I METODE NUMERIK SECARA UMUM Aplikasi modl matmatika banyak muncul dalam brbagai disiplin ilmu pngtahuan, sprti isika, kimia, konomi, prsoalan rkayasa (tknik msin, sipil, lktro). Modl matmatika yang

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhus, Dva Wdyananto,dan Brnadta Dsnova Kr Cntr of Ald Mathmatcs (CAM), Program tud Matmatka

Lebih terperinci

Model Regresi Berganda

Model Regresi Berganda Model Regres Berganda Huungan lnear (dlm parameter) antara peuah tak eas & atau leh peuah eas Intersep-Y Populas Slope Populas Random Error Y 0 p p Ŷ 0 p p e Peuah tak eas (Respons) utk sampel Peuah eas

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

BAB III METODE PENELITIAN. kuantitatif. Penelitian asosiatif merupakan penelitian yang bertujuan untuk

BAB III METODE PENELITIAN. kuantitatif. Penelitian asosiatif merupakan penelitian yang bertujuan untuk BAB III METODE PENELITIAN A. Jenis Penelian Penelian ini mengunakan metode penelian asosiatif dengan pendekatan kuantatif. Penelian asosiatif merupakan penelian yang bertujuan untuk mengetahui pengaruh

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

IV. HASIL DAN PEMBAHASAN

IV. HASIL DAN PEMBAHASAN IV. HASIL DAN PEMBAHASAN A. KARAKTERISTIK MUTU DAN REOLOGI CPO AWAL Minyak sawit kasar (crud palm oil/cpo) mrupakan komoditas unggulan Indonsia yang juga brpran pnting dalam prdagangan dunia. Mngingat

Lebih terperinci