PERBANDINGAN METODE MODEL-BASED DENGAN METODE K-MEAN DALAM ANALISIS CLUSTER
|
|
- Doddy Tan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERBANDINGAN METODE MODEL-BASED DENGAN METODE K-MEAN DALAM ANALISIS CLUSTER Tmbul Pardede Unverstas Terbua ABSTRACT K-mean method s a clustern method n whch roupn technques are based only on dstance measure amon observed obects, wthout consdern statstcal aspects. Modelbased clustern s a method that use statstcal aspects, as ts theoretcal bass.e. probablty maxmum crteron. Ths model has several varatons wth a varety of eometrcal characterstcs obtaned by mean Gauss component. Data partton s conducted by utlzn EM (expectaton-maxmzaton) alorthm. Then by usn Bayesan Informaton Crteron (BIC) the best model s obtaned. Ths research amed to comparn result of roupn methods between model-based clustern and K-mean clustern. The results showed that model-based clustern was more effectve n separatn overlap roups than K- mean. Keywords: BIC, EM alorthm, K-mean clustern method, model-based clustern method. Analss cluster merupaan suatu metode penelompoan satuan obe penamatan menad beberapa elompo obe penamatan berdasaran peubah-peubah yan dml. Analss n menadan obe-obe yan terleta dalam elompo yan sama relatf lebh homoen dbandnan denan obe-obe pada elompo yan berbeda. Dewasa n terdapat beberapa metode cluster yan dapat delompoan berdasaran alortma proses yan dlauan, yan ten yan berdasaran uuran ara sebaa bass penelompoannya. Metode berbass uuran ara n terdr dar metode cluster berherar denan penabunan (alomeratve), antara lan metode Ward dan ua metode cluster ta berherar, msalnya metode K-mean (Anderber 973). Metode cluster n meml ten yan berbeda dalam proses pembentuan elompo, namun ten tersebut hanya memperhatan uuran ara antar obe penamatan. Metode-metode n tda mempertmbanan aspe statstnya, sepert sebaran datanya. Metode model-based adalah suatu metode yan berbeda denan metode cluster yan ddasaran pada uuran ara. Metode n merupaan suatu alortma cluster yan terolon baru. Analss n dlauan berdasaran pada aspe statst yatu menunaan rtera emunnan masmum dalam memutusan hasl elomponya. Metode n mempunya beberapa model denan berbaa macam sfat eometrs yan dperoleh melalu omponen Gauss. Dar metode-metode cluster yan telah dunapan d atas, tda semua metode dapat dunaan untu menanalss data, hususnya apabla data penamatannya cuup besar atau data penamatannya merupaan data cluster yan saln tumpan tndh. Sern muncul pertanyaan menena Berapa banya cluster yan ada?, Metode cluster apa yan dunaan?. Penuna statsta sernal melauan denan coba-coba (tral and error) untu mendapatan hasl yan bermana atau yan dapat dnterpretasan sesua denan masalah aannya (Sswad & Suharo,
2 Pardede, Perbandnan Metode Model-Based denan Metode K-Mean dalam Analss Cluster 999). Hal n sudah baran tentu aan menmbulan subetvtas penuna statsta dalam memutusan hasl cluster tersebut. Oleh arena tu upaya membandnan hasl penelompoan metode model-based denan metode cluster yan ddasaran pada uuran ara (metode K-mean) menad suatu hal yan perlu dan menar untu da. Berdasaran permasalahan tersebut, tuuan peneltan n adalah untu membandnan hasl penelompoan metode model-based denan metode K-mean dalam analss cluster. Peneltan n dharapan dapat member reomendas yan tepat tentan metode cluster yan dunaan dalam penelompoan data yan cenderun terdapat cluster yan saln tumpan tndh. Metode Cluster K-Mean Metode K-mean merupaan suatu metode cluster ta berherar, yatu metode cluster yan menyeat obe penamatan e dalam cluster. Metode n pada umumnya daplasan pada uus data yan beruuran relatf besar. Macqueen dalam Johnson dan Wchern (998) menambaran alortma cluster untu menyeles n unt data e dalam cluster adalah berdasaran edeatan pusat (rataan) yan dsusun denan tahapan berut n.. Menambl unt data pertama yan dunaan sebaa pusat cluster awal.. Menabunan setap (n-) data yan merupaan ssa anota e pusat cluster terdeat. Kemudan dhtun masn-masn pusat (rataan) cluster baru yan terbentu dar hasl penabunan. 3. Setelah semua data dabunan pada tahap, pusat cluster yan terbentu dadan sebuah tt pusat (rataan) cluster. Kemudan dlauan penabunan embal dar setap unt data e dalam tt pusat terdeat. Suatu cluster yan onveren dperoleh denan memperba secara berulan tt pusat cluster yan terbentu pada tahap e-3 melalu penabunan semua n data e tt pusat terdeat. Cluster yan onveren dtanda denan adanya tt pusat yan tetap dan tda ada la perubahan anota d antara cluster. Uuran etamrpan antar obe penamatan yan dunaan dalam analss cluster adalah ara antar obe. Jara antar dua obe harus ddefnsan sedeman rupa sehna seman pende ara antar dua obe, seman ecl etamrpannya. Nla uuran etamrpan yan sern dunaan adalah ara Eucld dan ara Mahalanobs. Jara Mahalanobs dunaan bla semua peubah saln berorelas atau tda saln ortoonal, sebalnya ara Eucld dunaan bla antar peubah saln bebas atau saln ortoonal (Johnson & Wchern, 998). Jara Eucld antara obe e- p dan obe e- denan p peubah ddefnsan denan d X X - Mahalanobs ddefnsan denan d x x S x x ovarans. / / dan ara denan S adalah matrs Metode Cluster Model-Based Dalam metode model-based (Fraley & Raftery, 998), dasumsan bahwa data dbantan oleh sebaran peluan campuran denan setap subpopulas mewal suatu cluster yan berbeda. Msalan X, X,..., Xn adalah varabel aca multvarat (p-varat) dar suatu populas, denan p 99
3 Jurnal Matemata, Sans, dan Tenolo, Volume 8, Nomor, September 007, menyataan dmens data dan n menyataan banyanya obe penamatan. Ke-n obe penamatan n danap berasal dar campuran G subpopulas G, G,..., G yan masn-masn terdr atas n data denan n n. Secara umum funs epeatan peubah aca anda n dapat dnyataan sebaa funs epeatan campuran berhna denan xθ f π f xθ ; Ω x () f merupaan funs epeatan θ yan tda detahu dan π dan 0,,..., π G, yatu subpopulas e- denan vetor parameter π merupaan propors data yan berasal dar subpopulas e- denan, sedanan, adalah uus semua parameter dar funs epeatan campuran yan berasal dar ruan parameter (Mclachlan & Basford, 988). Denan asums X,X,...X n bebas stoast dan dent denan funs epeatan f x θ merupaan funs epeatan penamatan x dar cluster e- maa Funs emunnan sebaran campuran (mxture lelhood) pada persamaan () adalah: n L( ) π f x θ () f x adalah funs epeatan Dalam peneltan n dfousan pada suatu asus denan peubah anda campuran normal (Gauss) denan parameter matrs oraam, yan dnyataan dalam bentu: x x p π terdr dar vetor rataan dan exp f (x ; ) (3) Dalam Metode model-based, dasumsan bahwa data dbantan denan funs epeatan peubah anda campuran. Data bantan tersebut dcran oleh cluster ellpsodal yan terpusat pada rataan (Fraley & Raftery, 999). Karaterst eometr (bentu (shape), volume, dan orentas (orentaton)) cluster dhtun denan matrs oraam yan dparametersasan untu menentuan batasan antar cluster. Banfeld & Raftery (993) menembanan metode model-based denan memparametersasan setap matrs oraam melalu suu deomposs nla cr dalam bentu : D A D (4) denan : D adalah matrs ortoonal dar vetor cr, yan menelasan orentas dar omponen e-, 00
4 Pardede, Perbandnan Metode Model-Based denan Metode K-Mean dalam Analss Cluster A adalah matrs daonal denan masn-masn unsurnya proporsonal terhadap nla cr dar, yan menelasan bentu, adalah salar yan menelasan volume. Sebaa lustras, model I mempunya volume sama dan semua cluster berbentu bola (sphercal). Model DAD mempunya cr eometr sama dan semua cluster berbentu ellpsodal. Model D A D mempunya model tanpa batasan denan setap cluster mempunya cr eometr yan berbeda. Tabel menunuan matrs oraam campuran normal anda dan nterpretas eometr (Fraley & Raftery, 999). Tabel. Interpretas eometr dan parametersas matrs oraam normal anda. untu model dalam model campuran Volume Bentu Geometr Orentas Tebaran Smbol Mclust I Sama Sama - Sphercal EI Berbeda Sama - Sphercal VI I DAD Sama Sama Sama Ellpsodal EEE D A D Berbeda Berbeda Berbeda Ellpsodal VVV D AD Sama Sama Berbeda Ellpsodal EEV D AD Berbeda Sama Berbeda Ellpsodal VEV Pendua Kemunnan Masmum Model Campuran melalu Alorthma EM Alortma EM (Expectaton- maxmzaton) merupaan metode perhtunan teratf terhadap masalah penduaan emunnan masmum parameter pada data tda lenap. Model data y x,z z z,z,..., z merupaan vetor ndator yan ddefnsan lenap, dmana denan :, x G z ;,..., n ;,..., (5) 0, lannya. Alortma EM n terdr dar dua tahap yatu tahap E untu penduaan dan tahap M untu pemasmuman. Denan asums Z bebas dan dent menurut sebaran multnomal denan peluan,,..., dan funs epeatan x denan z adalah f x θ emunnan data lenap (complete-data lelhood) adalah z, maa funs 0
5 Jurnal Matemata, Sans, dan Tenolo, Volume 8, Nomor, September 007, L( θ,π,z x) n z π f x θ n lolelhood) adalah L θ,π,z x) z lnπ lnf x θ Ja x θ atau funs lo emunnan data lenap (complete-data (. f merupaan model campuran sebaran normal anda yatu f x θ f ( x ; ) maa funs lo emunnan data lenap pada model campuran normal anda adalah: n, L( θ,π,z x) z lnπ lnf(x ; ) (6) denan tahap E pada teras EM pada model campuran normal anda dperoleh z π f x μ, π f x μ, ^ z merupaan duaan peluan ahr untu parameter ;,..., n ;,..., x dalam elompo e-. Pendua emunnan masmum θ dan π dperoleh denan memasuan nla (7) ^ z e dalam persamaan (6), yatu n ^ ^ ^ * L ( θ,π,z x) zlnπ lnf ( x ; ). * Kemudan L ( θ,π,z x) dmasmuman denan tahap M pada teras EM. Deman proses teras n berlansun hna dperoleh hasl teras yan onveren. Tahapan penduaan dan pemasmuman untu asus model campuran normal anda dparametersasan melalu deomposs nla cr sepert pada persamaan (4). Pemlhan Model Cluster denan Fator Bayes Dalam aplas analss cluster ada dua masalah yan dhadap, yatu pemlhan metode cluster dan memutusan umlah cluster. Untu menanan edua masalah n dlauan pendeatan model campuran melalu fator Bayes (Bayes Factor). Salah satu euntunan pendeatan model campuran denan menunaan pendeatan fator Bayes adalah dapat membandnan antar model. Sstemata pemlhan tda hanya untu parametersas model (metode cluster yan dunaan), tetap ua banyanya cluster. Msalan X adalah data penamatan, M dan M adalah dua model yan berbeda denan parameter masn-masn adalah dan. Interal atau marnal emunnan (Interal or marnal lelhood) ddefnsan sebaa: P X M P X, M P M d =, denan P M adalah sebaran awal, denan adalah parameter model M. 0
6 Pardede, Perbandnan Metode Model-Based denan Metode K-Mean dalam Analss Cluster Fator Bayes ddefnsan sebaa raso dar nteral emunnan dar edua model, yan P( X M ) B. Metode n dembanan secara umum untu lebh dar dua model (Kass & P( X M ) Raftery, 995). Kass & Raftery (995) menemuaan bahwa nteral emunnannya dapat ddeat denan pendeatan fator Bayes melalu alortma EM (Espetas-Masmum). Pendeatan n dsebut BIC (Bayesan Informaton Crteron) denan formulas sebaa berut. ln P X ln P X θ M, V M ln(n) BIC denan P X M : adalah nteral emunnan untu model M V : adalah banyanya parameter bebas yan ddua pada model M P X θ, M : adalah emunnan masmum model campuran untu model M θ : adalah duaan emunnan masmum untu parameter pada model M. Nla BIC terbesar menndasan bahwa model tersebut adalah model yan paln laya. Fraley & Raftery (998) membuat strate metode model-based denan cara menombnasan cluster berherar penabunan, alortma EM, dan fator Bayes denan lanah-lanah sebaa berut.. Tentuan banya cluster masmum (m) dan hmpunan model campuran anda normal.. Lauan cluster berherar penabunan untu setap model campuran normal anda. Hasl cluster n dtransformas e dalam peubah ndator pada persamaan (5), yan emudan dunaan sebaa nla awal untu alortma EM. 3. Lauan alortma EM untu setap model dan masn-masn banya cluster, 3,., m, yan dawal denan lassfas cluster berherar. 4. Htun nla BIC untu asus satu cluster pada setap model dan untu model emunnan campuran denan parameter optmal dar alortma EM untu, 3,., m cluster. 5. Plotan nla BIC untu setap model. Nla BIC terbesar menndasan bahwa model tersebut adalah model yan paln laya. METODOLOGI Data yan dunaan dalam peneltan n adalah data hasl smulas, yan dbantan denan menunaan peranat luna proram Mntab.. Data yan dbantan terdr dar 3 cluster denan 3 peubah dan umlah penamatan tap cluster yan dcobaan sebesar 50, 00 dan 50. Keta cluster yan aan dbantan dbuat dalam 3 macam onds, () eta cluster saln terpsah, () satu cluster terpsah dan dua cluster tumpan tndh, dan (3) eta cluster saln tumpan tndh. Untu membantan banyanya penamatan yan tumpan tndh, maa dcobaan 3 ens uuran ara antara dua nla tenah (pusat) cluster, yan dsesuaan denan auh deatnya ara antara vetor rataan cluster. Untu melhat penaruh tnat orelas antara peubah terhadap hasl ahr cluster, dcobaan 3 tnat orelas, yatu tnat rendah (0.0), tnat orelas 03
7 Comp Comp Comp Jurnal Matemata, Sans, dan Tenolo, Volume 8, Nomor, September 007, sedan (0.50) dan tnat orelas tn (0.80). Selan tu sebaa contoh penerapan untu menduun hasl peneltan n, dambl data seunder, yatu data Irs yan banya dunaan dalam buu tes statsta multvarat dan dalam paet proram statsta sepert S-plus dan Mntab. Prosedur analss data dlauan sebaa berut.. Data hasl bantan, selanutnya dlauan analss cluster denan menunaan paet proram Splus 000 untu metode K-mean, sedanan untu metode model-based dunaan paet proram Mclust denan nterface Splus Bandnan hasl cluster masn-masn metode denan cluster yan sebenarnya (dtentuan saat smulas). 3. Htun persentase salah penelompoan dar masn-masn metode, emudan haslnya dbandnan. 4. Persentase salah penelompoan yan terecl menunuan bahwa metode yan dunaan lebh ba. HASIL DAN PEMBAHASAN Data yan dbantan terdr dar 8 asus data smulas denan masn-masn asus terdr dar 3 cluster. Semua asus data dbedaan atas onds penelompoan, ara antar pusat cluster, tnat orelas dan banya data. Setap asus data dunaan sebaa data awal ba masn-masn metode K-mean dan metode model-based. Keta Cluster Saln Terpsah Persentase salah penelompoan untu onds eta cluster saln terpsah dperoleh hasl yan sama besar pada edua metode yan dbandnan, yatu 0%. In menunuan bahwa penelompoan setap metode sesua dan tepat denan penelompoan yan sebenarnya (dtentuan saat smulas). Hal n dsebaban oleh uuran ara antar vetor rataan cluster yan relatf auh dan varans setap peubah cenderun ecl sehna obe penamatan menelompo d setar vetor rataannya (lhat Gambar ). Persentase salah penelompoan n tda terpenaruh terhadap banya obe penamatan tap cluster, eta ara antar pusat cluster dan ua tnat orelas antar peubah V V V d deat, tnat orelas rendah dan V V V b. d sedan, tnat orelas rendah dan V3 8 V c. d auh, tnat orelas rendah dan Gambar. Pola smulas data untu onds eta cluster saln terpsah denan banya obe penamatan untu tap cluster sebesar V
8 Comp Comp Comp Pardede, Perbandnan Metode Model-Based denan Metode K-Mean dalam Analss Cluster Satu Cluster Terpsah dan Dua Cluster Tumpan Tndh Pada Gambar dsaan hasl plot dua omponen utama pertama dar onds penelompoan satu cluster terpsah dan dua cluster tumpan tndh, tnat orelas rendah denan banya obe penamatan tap cluster sebesar 50 penamatan V V V V V V V V V a. d deat, tnat orelas rendah dan b. d sedan, tnat orelas rendah dan c. d auh, tnat orelas rendah dan Gambar. Pola smulas data untu onds satu cluster terpsah dan dua cluster tumpan tndh denan banya obe penamatan tap cluster sebesar Persentase salah penelompoan untu onds n dperoleh hasl sepert tercantum pada Tabel. Metode model-based memperoleh persentase salah penelompoan terecl dan bahan auh lebh ecl persentase penelompoannya dbandnan metode K-mean. Dtnau dar ara antar pusat cluster, terad penurunan salah penelompoan denan seman auh ara antar pusat cluster untu edua metode cluster. Dtnau dar tnat orelas antar peubah menunuan bahwa metode model-based terad penurunan persentase salah penelompoan dar tnat orelas rendah e tnat orelas tn, walaupun penurunan n hampr tda ada perbedaan yan berart. Untu banya obe penamatan tap cluster sebesar 50 mempunya pola persentase salah penelompoan yan tda auh berbeda denan obe penamatan tap cluster sebesar 00 dan 50. Tabel. Persentase Salah Penelompoan pada Konds Satu Cluster Terpsah dan Dua Cluster Saln Tumpan Tndh. Tnat Korelas Metode n=00 Jara Jara Jara Deat Sedan Jauh Deat Sedan Jauh Deat Sedan Jauh Rendah K-mean Model-based Sedan K-mean Model-based Tn K-mean Model-based
9 Comp Comp Comp Jurnal Matemata, Sans, dan Tenolo, Volume 8, Nomor, September 007, Hasl penelompoan edua metode cluster yan dbandnan, menunuan bahwa metode model-based lebh efetf dalam memsahan elompo-elompo pada onds satu cluster terpsah dan dua cluster tumpan tndh dbandnan metode K-mean. Keta Cluster Saln Tumpan Tndh Persentase salah penelompoan untu onds eta cluster saln tumpan tndh dsaan pada Tabel 3. Metode model-based pada tnat orelas rendah dan tnat orelas sedan denan eta ens ara yan dcobaan tda mampu memsahan elompo-elompo yan saln tumpan tndh. Hal n munn dsebaban oleh obe-obe penamatannya menelompo pada satu cluster (lhat Gambar 3). Sehna secara eometrs dar 6 model dar metode model-based tda mampu memsahan cluster yan saln tumpan tndh. Bahan metode model-based n menanuran bahwa aan lebh efetf a penelompoannya dba dalam atau 4 cluster V V V V V V V V V a. d deat, tnat orelas rendah dan b. d sedan, tnat orelas rendah dan c. d auh, tnat orelas rendah dan Gambar 3. Pola smulas data untu onds eta cluster saln tumpan tndh denan banya obe penamatan untu tap cluster sebesar Hasl penelompoan edua metode yan dbandnan menunuan bahwa metode model-based lebh efetf memsahan cluster yan saln tumpan tndh apabla tnat orelas tn dan ara antar pusat cluster relatf sedan dan auh. Sebalnya, apabla tnat orelas tn denan ara antar pusat cluster relatf deat dan ua pada tnat orelas rendah dan sedan denan ara antar pusat cluster deat, sedan dan auh, edua metode yan dbandnan tda efetf dalam memsahan cluster yan tumpan tndh. Tabel 3. Persentase salah penelompoan pada onds eta cluster saln tumpan tndh Tnat Korelas Metode n=00 Jara Jara Jara Deat Sedan Jauh Deat Sedan Jauh Deat Sedan Jauh Rendah K-mean Model-based Sedan K-mean Model-based Tn K-mean Model-based
10 Comp Pardede, Perbandnan Metode Model-Based denan Metode K-Mean dalam Analss Cluster Data Irs Data Irs merupaan contoh las yan sern dunaan dalam buu-buu tes statst untu menlustrasan masalah penelompoan data. Data Irs n adalah seens buna yan terdr dar 4 peubah yatu, Panan Petal (PP), Lebar Petal (LP), Panan Sepal (PS) dan Lebar Sepal (LS). Masn-masn peubah terdr dar 50 penamatan, setap uuran peubah terba atas ta speses yatu Irs Setosa (IS), Irs Verscolor (IC), dan Irs Vrnca (IV) yan masn-masn terdr dar 50 penamatan LS PS LP PP Gambar 4. Plot dua omponen utama pertama pada data Irs Berdasaran hasl plot dua omponen utama pertama (lhat Gambar 4) dapat dunaan sebaa petunu awal bahwa speses IS terpsah dar edua speses lannya. Ilustras data Irs n dapat mewal onds satu cluster terpsah dan dua cluster tumpan tndh. Dar Tabel 4 terlhat bahwa untu elompo IC, metode model-based memperoleh 5 amatan masu dalam elompo IV, yan seharusnya masu dalam elompo IC, sementara untu metode K-mean memperoleh salah penelompoan sebesar amatan masu dalam elompo IV, yan seharusnya masu dalam elompo IC. Untu elompo IV, metode model-based dapat memsahan denan tepat elompo IV dar dua elompo lannya, sedanan untu metode K- mean memperoleh salah penelompoan yan cuup besar, yatu sebesar 4 amatan masu dalam elompo IC. Tabel 4. Hasl penelompoan data Irs menad 3 cluster dan persentase salah penelompoannya. Metode cluster IS (50,0,0) IC (0,50,0) IV (0,0,50) Salah penelompoan K-mean (50,0,0) (0,48,) (0,4,36) 6 (0.67%) Model-based (50,0,0) (0,45,5) (0,0,50) 5 (3.33%) Ket.: (50,0,0) : 50 masu elompo IS, 0 masu elompo IC dan 0 masu elompo IV Salah penelompoan terecl terad pada metode penelompoan model-based sebesar 3.33% (5 penamatan), sementara persentase salah penelompoan metode K-mean sebesar 0.67% (6 penamatan). 07
11 Jurnal Matemata, Sans, dan Tenolo, Volume 8, Nomor, September 007, Salah penelompoan yan terad dsn hanya melbatan speses IC dan IV, sementara untu speses IS tda terpenaruh untu edua metode yan dcobaan. Hal n dsebaban oleh cuup deatnya ara antar pusat cluster speses IC denan speses IV, sehna menyebaban speses IS meman benar-benar terpsah dar dua speses lannya. KESIMPULAN Hasl peneltan n menunuan bahwa secara umum metode model-based lebh efetf memsahan cluster yan saln tumpan tndh dbandnan denan metode K-mean. Dalam hal untu data lapanan yan cenderun terdapat cluster yan saln tumpan tndh dsaranan menunaan metode model-based. REFERENSI Anderber, M.R. (973). Cluster analyss for applcatons, New Yor: Academc Press. Banfeld, J.D. & Raftery, A.E. (993). Model-based Gaussan and non-gaussan clustern. Bometrcs, 49, Fraley, C. & Raftery, A.E. (998). How many clusters? Whch clustern method? Answers va modelbased cluster analyss. The Computer Journal, 4, Fraley, C. & Raftery, A.E. (999). MCLUST: Software for model-based clustern analyss. Journal of Classfcatons, 6, Johnson, R.A. & Wchern, D.W. (998). Appled multvarate statstcal analyss, 4 th Edton. New Jersey: Prentce-Hall. Kass, R.E. & Raftery, A.E. (995). Bayes Factor. Journal of the Amercan Statstcal Assocaton, 90, Mclachlan, G.J. & Basford, K.E. (988). Mxture models: Inference and applcatons to clustern, New Yor: Marcel Deer. Sswad & Suharo, B. (999). Analss esploras data peubah anda. Boor: Jurusan Matemata FMIPA IPB. Boor. 08
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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciProbabilitas 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 terperinciEKSPEKTASI 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 terperinciBAB 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 terperinciBAB 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 terperinciPEMODELAN 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 terperinciBAB 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 terperinciMODEL 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBAB 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 terperinciKarakterisasi 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 terperinciFUZZY 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 terperinciBab 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 terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciPendekatan 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 terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBAB 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 terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciBAB 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 terperinciPengaruh 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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciIV. 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 terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakan Kualtas telah menjad karakterstk utama dalam oransas atau perusahaan aar dapat berkemban lebh bak la dalam bdan produks d suatu oransas atau perusahaan. Hal n dpenaruh
Lebih terperinciBab III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
Lebih terperinciUSULAN 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(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY
Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar
Lebih terperinciANALISIS KLASTER UNTUK SEGMENTASI PEMIRSA PROGRAM BERITA SORE STASIUN TV SWASTA
Analss Klaster (Aan Rosatun) ANALISIS KLASTER UNTUK SEGMENTASI PEMIRSA PROGRAM BERITA SORE STASIUN TV SWASTA Aan Rosatun Tat Wdharh, Dah Saftr Staf Nusantara Sat Motor Jaarta Staf Pengaar Prod Statsta
Lebih terperinciMODEL PENGAMBILAN KEPUTUSAN KABUR UNTUK PEMILIHAN PRESIDAN-WAKIL PRESIDEN
Semnar Nasonal Informatka 2009 (semnasif 2009) ISSN: 1979-2328 UPN Veteran Yoyakarta, 23 Me 2009 MODEL PENGAMBILAN KEPUTUSAN KABUR UNTUK PEMILIHAN PRESIDAN-WAKIL PRESIDEN Eko Har Parmad Proram Stud Teknk
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciIMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 20 MALANG
IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 0 MALANG Erm Andayan, Swasono Rahardjo, I Nengah Parta Unverstas
Lebih terperinciANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA
ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011).
ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). Try Azsah Nurman Dosen Pada Jurusan Matemata, Faultas Sans
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB III MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
Lebih terperinciCONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA
CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA LAPORAN PENELITIAN MANDIRI PENELITI RESA SEPTIANI PONTOH NIP : 132 317 117 JURUSAN STATISTIKA
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)
ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP
Lebih terperinciKOLINEARITAS 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 terperinciPENDUGAAN PARAMETER MODEL HIDDEN MARKOV *
PEDUGAA PARAMETER MODEL HIDDE MARKOV * BERLIA SETIAWATY DA LIDA KRISTIA Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut Petanan Bogo Jl Meant, Kampus IPB Damaga, Bogo 6680 Indonesa
Lebih terperinciBAB 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 terperinciDEFORMASI INTERAKSI DUA PAKET GELOMBANG DARI PERSAMAAN IMPROVED KdV (IKdV)
DEFORMASI INTERAKSI DUA PAKET GELOMBANG DARI PERSAMAAN IMPROVED KdV (IKdV Sutmn Jurusan Matemata FMIPA Unverstas Dponegoro Jl Prof H Soedarto SH Tembalang, Semarang 575 E-mal: su_tmn@yahoocom Abstract:
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciINDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5. Anik Djuraidah
S-20 INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5 An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Analss erentanan berembang dan dgunaan dalam
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN :
JURNAL MATEMATIKA DAN KOMUTER Vol.. No., -, Aprl, ISSN : -88 ENDEKATAN RERESI OLINOMIAL ORTHOONAL ADA RANCANAN DUA FAKTOR (DENAN ALIKASI SAS DAN MINITAB) Tat Wharh Jurusan Matemata FMIA UNDI Abstra eneatan
Lebih terperinciPEMODELAN 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 terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperincititik tengah kelas ke i k = banyaknya kelas
STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e
Lebih terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciVLE dari Korelasi nilai K
VLE dar orelas nla Penggunaan utama hubungan kesetmbangan fasa, yatu dalam perancangan proses pemsahan yang bergantung pada kecenderungan zat-zat kma yang dberkan untuk mendstrbuskan dr, terutama dalam
Lebih terperinciPENYELESAIAN 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 terperinciPengaruh Korelasi Antar Respon pada Model Multinomial Logit
Pengaruh Korelas Antar Respon pada Model Multnomal Logt Jaa Nugraha, Suryo Gurtno, dan Sr Haryatm Jurusan Statsta, UII, S3 Matemata UGM Jurusan Matemata, Unverstas Gadjah Mada e-mal : jnugraha@fmpauacd
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang
JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciBAB 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 terperinciBIPLOT UNTUK MENGETAHUI KARAKTERISTIK KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN PRODUKSI BAWANG PUTIH, BAWANG MERAH, CABE BESAR DAN CABE RAWIT
Bplot (DahSaftr) BIPLOT UNTUK MENGETAHUI KARAKTERISTIK KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN PRODUKSI BAWANG PUTIH, BAWANG MERAH, CABE BESAR DAN CABE RAWIT Dah Saftr 1, Supart 2, Est Pratw 3, Tyas
Lebih terperinciGambar 1.1 Nilai tukar Rupiah terhadap $US dari tahun 1998 s/ d 2005 (Sumber: Bank of Canada 21 Agustus 2005)
JMA, VOL 4, O2, DESEMBER, 25, 3-9 3 PEMODELA ILAI TUKAR RUPIAH TERHADAP $US MEGGUAKA HIDDE MARKOV* BERLIA SETIAWATY dan DEWI OVIYATI SARI Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciTinjauan Ulang Konsep Mekanika Klasik
Modul 1 Tnauan Ulang Konsep Meana Klas Paen Pandangan, S.S., M.S. P PENDAHULUAN ada Buu Mater Poo (BMP) Meana, Anda sudah mempelaar tentang neta dan dnama suatu sstem ba melalu huum-huum Newton, Lagrange,
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciEVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6. Oleh : Anik Djuraidah
EVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6 S-21 Oleh : An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Pembangunan daerah tertnggal merupaan upaya
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu
Lebih terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu
Lebih terperinciPemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression
JURNAL SAINS DAN SENI IS Vol., No., (Sept. 0) ISSN: 30-98X D-3 Pemodelan Fator-Fator Yang Mempengaruh ngat Buta Huruf Kabupaten/ota d Jawa mur dengan Geographcally Weghted Ordnal Logstc Regresson Nur Lalyah
Lebih terperinciBAB 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 terperinciadalah nilai-nilai yang mungkin diambil oleh parameter jika H
Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol.3, No. 2, (2014) ISSN: ( Print) D-188
JURNL SINS DN SENI POMITS Vol., No., () ISSN: - (- Prnt) D- Pemodelan Fator-Fator yang Mempengaruh Jumlah Kasus Penyat Tuberuloss d Jawa Tmur dengan Pendeatan Generaled Posson Regresson dan Geographcally
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciBAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam
BAB III METODE PEELITIA A. Bentuk Peneltan Peneltan n merupakan peneltan ekspermen dengan model pretest postes control group desgn dengan satu macam perlakuan. D dalam model n sebelum dmula perlakuan kedua
Lebih terperinciPemodelan 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 terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciInversi Tak-Linier Magnetotelurik Dua-Dimensi Menggunakan Algoritma Monte Carlo Rantai Markov
Invers Ta-Lner Magnetotelur Dua-Dmens Menggunaan Algortma Monte Carlo Ranta Marov ugroho D. Hananto dan Ded S. Wdarto Pusat Peneltan Geotenolog Lembaga Ilmu Pengetahuan Indonesa Komple LIPI Jl. Sangurang
Lebih terperinci