Program studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin
|
|
- Johan Widjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Uiversitas Hasauddi ESTIMASI PARAMETER GENERALIZED LINEAR MIXED MODELS PADA DATA LONGITUDINAL DENGAN METODE GAUSS-HERMITE QUADRATURE Ahid Iai Fitriaigsih, Adi Kresa Jaya 2, Raupog 3 Progra studi Statistika, Jurusa Mateatika, FMIPA, Uiversitas Hasauddi ahidiai735@gail.co ABSTRAK Geeralized liear ixed odel (GLMM) erupaka kobiasi dari Geeral Liear Model (GLM) da liear ixed odel (LMM). Sebagai pegebaga dari GLM, GLMM eggabugka efek acak ke dala prediktor liear. Sebagai pegebaga dari LMM, GLMM egadug palig sedikit satu efek tetap da palig sedikit satu efek acak. GLMM erupaka salah satu alteratif yag diguaka utuk aalisis data logitudial. Data logitudial erupaka gabuga dari data cross sectio da data tie series sehigga dapat dikataka data logitudial erupaka data yag eggabarka hubuga atara perubaha subjek peelitia terhadap waktu. Estiasi axiu Likelihood diguaka utuk edapatka paraeter regresi dari odel GLMM dega eperhitugka distribusi dari efek acak. Tetapi, peabaha efek acak aka eyebabka proses estiasi yag ruit sehigga diguaka etode Gauss- Herite Quadrature utuk egatasi asalah tersebut. Pada peelitia ii diguaka data peafaata perawata kesehata yag berdistribusi poisso. Hasil yag diperoleh eujukka bahwa peigkata julah kujuga subjek ke pusat kesehata dipegaruhi oleh faktor jeis kelai da status peyakit kroik. Kata Kuci : Data Logitudial, Estiasi Maxiu Likelihood, Gauss-Herite Quadrature, Geeralized Liear Mixed Model.. Pedahulua `Studi tetag data logitudial sagat berpera petig dala kehidupa sehari-hari khususya dala ilu kedoktera, sosial, da sais. Data logitudial erupaka gabuga dari data cross sectio da data tie series. Data cross sectio adalah data yag terdiri dari satu subjek au eerluka sub objek-objek laiya yag berkaita pada satu waktu. Sedagka data tie series adalah data yag terdiri dari beberapa waktu periode, seperti haria, bulaa, da tahua sehigga, dapat dikataka data logitudial erupaka data yag eggabarka hubuga atara perubaha subjek peelitia terhadap waktu. Ada beberapa aalisis yag diguaka utuk eggabarka pola hubuga diataraya adalah aalisis regresi. Aalisis regresi adalah aalisis yag diguaka utuk elihat suatu hubuga atau pegaruh atara variabel idepede terhadap dega variabel depede. Aalisis regresi juga serig diguaka utuk elakuka prediksi atau raala. Aalisis regresi klasik egasusika bahwa variabel depede erupaka variabel kotiu da egikuti distribusi oral. Apabila variabel depede tidak lagi kotiu elaika diskret aka aalisis ii tidak dapat diguaka. Salah satu feoea dega variabel depede diskret adalah feoea bayakya kejadia yag jarag terjadi seperti bayakya kecelakaa obil setiap bula, bayakya huja badai setiap tahu, bayakya barag cacat dala suatu produksi tertetu. Data yag diperoleh berupa cacaha biasa dikeal dega data hitug (cout data) (Megawati, 20). Aalisis regresi yag diguaka jika variabel depede berasal dari data hitug (cout data) adalah regresi poisso. Meurut Tirta (2008), salah satu perkebaga pesat yag terjadi dala bidag statistika adalah aalisis regresi atau odel liear. Model ii telah egalai perkebaga pesat di ataraya adalah odel liear klasik, odel liear capura, geeral liear odel (GLM), geeralized liear ixed odel (GLMM), da geeralized estiatig equatio (GEE). Model liear klasik egasusika bahwa variabel depede berdistribusi oral da salig bebas dega varias kosta yag haya egadug efek tetap saja. Nau, dala pegguaaya
2 Uiversitas Hasauddi terdapat variabel depede yag tidak berdistribusi oral sehigga odel liear klasik tidak dapat diterapka. Salah satu solusi yag diguaka jika variabel depede tidak berdistribusi oral adalah dega cara etrasforasi data. Selai itu, utuk egatasi asalah tersebut dikebagka sebuah odel yaitu geeral liear odel (GLM). Dala pegguaaya uit cross sectio dala data logitudial biasaya berkorelasi. Korelasi atara pegaata di dala uit yag saa pada data logitudial eyebabka GLM tidak dapat diterapka. Oleh karea itu kita egguaka sebuah pegebaga dari GLM utuk egatasi adaya korelasi tersebut. Cara ii disebut juga dega geeralized liear ixed odels (GLMM). Geeralized liear ixed odels erupaka kobiasi dari GLM da liear ixed odel (LMM). Sebagai pegebaga dari GLM, GLMM eggabugka efek acak ke dala prediktor liear. Sebagai pegebaga dari LMM, GLMM egadug palig sedikit satu efek tetap da palig sedikit satu efek acak (E.Gbar, et al., 202). Variabel depede yag diterapka pada GLMM tidak harus berdistribusi oral. GLMM dapat diguaka utuk variabel depede yag berdistribusi gologa keluarga ekspoesial. Peelitia tetag GLMM pada data logitudial telah dilakuka beberapa peeliti sebeluya. Salah satu peeliti adalah Ahad da Rasha (202). Ahad da Rasha eerapka etode GLMM haya pada data logitudial dega variabel depede berbetuk bier saja dega egguaka algorita Mote Carlo EM (MCEM) utuk eyelesaika persaaa likelihood. Sedagka GLMM juga dapat diterapka pada data logitudial dega variabel depede berbetuk data hitug yag biasa berdistribusi Poisso. Oleh karea itu, peeliti tertarik utuk egkaji peerapa GLMM pada regresi Poisso dega egguaka Gauss-Herite Quadrature sebagai etode utuk eyelesaika persaaa likelihood yag ruit. Berdasarka pebahasa di atas aka dala tugas akhir ii aka dibahas tetag; Estiasi Paraeter Geeralized Liear Mixed Models pada Data Logitudial dega Metode Gauss-Herite Quadrature. 2. Tijaua Pustaka 2.. Kosep Data Logitudial Studi logitudial sebagai suatu studi terhadap uit eksperie dega respo yag diaati dala dua atau lebih dala selag tertetu. Data logitudial erupaka data yag dihipu dari suatu pegaata atau pegukura atas sejulah subjek yag dilakuka berulag dari waktu ke waktu. Data logitudial adalah data yag eggabugka data tie series da data cross sectio, yaitu data dari asig-asig idividu diaati t kali waktu (Adityaigru, 204). Pada peelitia diaa bayakya uit waktu utuk setiap uit cross-sectio saa disebut data logitudial seibag (Greee, 2002). Model regresi data logitudial secara uu dapat diyataka pada persaaa berikut : y ij = β 0 + βx ij + ε ij i =,, j =,, (2.) dega : y ij : Variabel depede utuk uit cross sectio ke-i da periode waktu ke-j, β 0 : Kostata itersep, x ij : Variabel idepede utuk uit cross sectio ke-i da periode waktu ke-j, β : Kostata slope, ε ij : eror regresi utuk uit cross sectio ke-i da periode waktu ke j, 2.2 Regresi Poisso Aalisis regresi adalah aalisis yag diguaka utuk elihat suatu hubuga atau pegaruh atara variabel idepede terhadap variabel depede. Model tersebut eghubugka variabel idepede da depede elalui paraeter yag diaaka. Variabel depede dala regresi poisso berasal dari data hitug yag diharapka jarag terjadi (Setiawa, 205). 2
3 Uiversitas Hasauddi Jika μ i adalah rata-rata bayakya sukses terjadi dala selag waktu tertetu da diasusika μ i tidak berubah dari data poit yag satu ke data poit yag lai secara idepede aka μ i dapat diodelka sebagai fugsi dari k variabel prediktor (Myers, 990). Dala GLM terdapat sebuah fugsi g yag eghubugka rata-rata dari variabel depedeya dega sebuah prediktor liier, yaitu: g(μ ij ) = η ij = β 0 + β x i + β 2 x i2 + + β p x ij + e ij, (2.2) fugsi g disebut fugsi peghubug. Pada odel regresi poisso, fugsi peghubug yag diguaka adalah fugsi peghubug log karea fugsi log ejai bahwa ilai variabel yag diharapka dari variabel depedeya aka berilai o-egatif. Berikut ii adalah fugsi peghubug yag diguaka utuk odel regresi poisso (Sudari, 202). l E(y x) = l(μ ij ) = β 0 + β x i + β 2x i2 + + β px ij μ ij = exp( β 0 + β x i + β 2x i2 + + β px ij ). (2.3) 2.3 Geeralized Liear Mixed Model Geeralized Liear Mixed Models erupaka pegebaga dari GLM diaa prediktor liear egadug efek rado da efek tetap. Geeralized Liear Mixed Models dapat diruuska sebagai berikut: y ( ) = x ( p) β (p ) + z ( q) u (q ) + ε ( ). (2.4) Efek acak u diasusika berdistribusi oral dega ea 0 da varias σ u 2, sehigga dapat dituliska u ~ N(0, σ u 2 ) Prediktor Liear Meurut Masjkur (2008), dala GLMM efek acak da efek tetap digabugka utuk ebetuk prediktor liear sebagai berikut : η = xβ + zu. (2.5) Model utuk vektor pegaata y diperoleh dega eabahka vektor ε, sebagai berikut: y = η + ε = xβ + zu + ε Fugsi Hubug Fugsi peghubug ( g(. ) ) erupaka fugsi yag eghubugka ea μ ij dega prediktor liear η ij. Tabel.2 Fugsi Hubug da fugsi varia dari beberapa distribusi Distribusi Lik fuctio g υ (μ) Noral Idetitas η Bioial Logit e η = ( + e η ) μ( μ)/ Probit Φ(η) Poisso Log e η μ Gaa Iverse η μ 2 Log e η Suber : Masjkur,
4 Uiversitas Hasauddi Distribusi Bersyarat Lagkah awal utuk eetuka odel adalah eetuka distribusi bersyarat y i u. Vektor variabel depede y biasaya diasusika terdiri dari usur-usur kodisioal idepede, asigasig dega distribusi dega kepadata dari keluarga ekspoesial atau irip dega keluarga ekspoesial. y i u ~ idep. f Yi u(y i u ) f Yi u(y i u ) = exp{[y i γ i b(γ i )]/τ 2 c(y i, τ)} (2.6) 2.4 Estiasi Maksiu Likelihood Persaaa likelihood dapat dituliska sebagai berikut. L = i f Y u (y i u)f U (u)du (2.7) 2.5 Gauss-Herite Quadrature Gauss-Herite quadrature serig diguaka utuk peaksira uerik pada itegral dari betuk Gaussia karel. Persaaa Gaussia karel dapat ditulis sebagai berikut: G(x; σ) = x2 exp ( 2πσ 2σ2). (2.8) Gauss-Herite quadrature didefiisika dala betuk itegrasi sebagai berikut: f(x) exp( x 2 ) dx (2.9) yag dapat didekati dega, k= w k f(x k ). (2.0) 2.6 Newto-Rapsho Meurut Rahayu (2009), etode ewto raphso adalah etode pedekata yag egguaka satu titik awal da edekatiya dega eperhatika slope atau gradiet pada titik tersebut. Titik pedekata ke + dituliska dega : X + = X f(x) f (x) (2.) 2.7 Uji Chi-Square Uji Chi-Square dapat diguaka utuk variable acak diskrit aupu kotiu, uji ii didasarka atas perbadiga fugsi kepadata probabilitas dari fugsi kepadata kuulatif (Setiawa, 205). Adapu lagkah-lagkahya sebagai berikut :. Peruusa hipotesis : H 0 Data Berdistribusi Poisso H Data Tidak Berdistribusi Poisso 2. Tetuka ilai sigifikasi α 3. Statistik Uji : χ 2 k = (f 0 f e ) 2 i= ; df = k c. (2.2) 3 Metode Peelitia 3. Suber Data Data yag diguaka pada peelitia ii erupaka data sekuder yag diperoleh dari Sutradhar,B.C (20). Data logitudial yag diguaka ialah data logitudial seibag yaitu setiap uit cross-sectio diaati pada waktu yag saa da erupaka data peafaata perawata kesehata yag dikupulka oleh Ilu Kesehata Ceter, Meorial Uiversity, St. Joh, Kaada. f e 4
5 Uiversitas Hasauddi 3.2 Idetifikasi Variabel Variabel depede (y) dala peelitia ii adalah bayakya kujuga ke pusat ilu kesehata yag diabil selaa 4 tahu yaitu sejak 985 sapai 988 da variabel idepede (x) yaitu Jeis Kelai, Status Peyakit Kroik, da Usia. 3.3 Prosedur Kerja Adapu lagkah-lagkah yag aka dilakuka dala peelitia ii adalah :. Megidetifikasi distribusi data dega elakuka uji Chi-Square dega ebadigka ilai χ 2 dega χ 2 α,df atau ebadigka ilai p-value dega ilai alpha. Jika χ2 < χ 2 α,df atau p-value >0,05 aka H 0 diteria da sebalikya jika χ 2 > χ 2 α,df atau p-value < 0,05 aka H 0 ditolak (Wachidah, 2009) 2. Melakuka Eksplorasi data utuk egidetifikasi struktur rata-rata, struktur variasi, da adaya korelasi atar pegaata dala uit cross-sectio yag saa. 3. Aalisis dega egguaka GLMM ; a. Meetuka distribusi bersyarat y i u. b. Megestiasi paraeter dega egguaka peduga paraeter Maxiu Likelihood Estiatio (MLE), Gauss Herite Quadrature (GHQ) da Newto Rapsho. 4. Mebetuk odel regresi berdasarka hasil estiasi paraeter pada data peafaata perawata kesehata. 5. Mearik kesipula. 4. Hasil da Pebahasa 4.. Distribusi Bersyarat y Lagkah awal utuk eetuka odel adalah eetuka distribusi bersyarat y i u. Data yag diguaka dala peelitia ii adalah data logitudial berdistribusi poisso dega sebagai berikut: f(y i u) = e μ μ y i y i! 5, i = 0,,2,3,, (4.) diketahui fugsi hubug utuk data depede berditribusi poisso adalah log dega basis bilaga atural atau l sehigga, dapat ditulis sebagai berikut : l μ = xβ + zu (4.2) jadi, μ = exp{ xβ + zu} (4.3) dega esubsitusika Persaaa (4.2) ke dala Persaaa (4.), aka didapatka fugsi kepadata peluag (fkp) adalah f(y i u) = exp{ exp{xβ+zu}} (exp{xβ+zu})y i y i! = exp { exp{xβ+zu}+{y ixβ+y i zu} y i! 4.2. Mea dari y Mea dari y dapat dituruka dega egguaka iterasi ekspektasi, sehigga dapat dituliska sebagai berikut E[y i ] = E[E[y i u]] = E[μ i ] = E[g (x i β + z i u)] (4.5) utuk distribusi poisso diketahui g(μ) = l μ sehigga, g (μ) = exp(μ) aka Persaaa (4.5) dapat ditulis sebagai berikut; E[y i ] = E[μ i ] = E[exp{x i β + z i u}] = exp{x i β} E[exp{z i u}] = exp{x i β} M u (z i ) (4.6) (4.4)
6 Uiversitas Hasauddi utuk u i ~ N(0, σ 2 u ) da z erupaka vektor berukura aka, M u (z i ) = exp{μ z i + σ u 2 (z i ) 2 } = exp {0 + σ u 2 2 } = exp{ σ u 2 2 } 2 Berdasarka uraia diatas aka Persaaa (4.5) dapat dituliska sebagai berikut: E[y i ] = exp (x i β + σ u 2 2 (4.7) 4.3. Varias dari y var (y i ) = var (μ i ) + E[μ i ] = var (exp{x i β + z i u} + E[exp{x i β + z i u} = E[(exp{2 (x i β + z i u)}] (E[exp{x i β + z i u}]) 2 + E[exp{x i β + z i u}] = exp{2x i β} (M u (2z i ) (M u (z i )) 2 + exp{ x i β} M u (z i )) (4.8) var (y i ) = E[y i ] (exp{x i β} (exp { 3σ u 2 } exp 2 2 {σ u }) + ) (4.9) Estiasi Paraeter Persaaa Likelihood Setelah didapatka fugsi pdf dari distribusi y bersyarat u i (y u i ) pada Persaaa (4.4) da distribusi dari efek acak u pada Persaaa (4.) aka ditetuka peaksir dari asig-asig paraeter dega egguaka Metode Maxiu Likelihood Estiastio (MLE). L = i f Yi u(y i u)f U (u) du j= = μ ij yij e μ ij j= i= j= y ij! i= ] = exp[ j= y ijx ij β y ij! j= 6 2πσ exp [ u 2 2σ 2 i 2 ] du i exp [ y i u i i= j= exp [ x ij β + u i ]] exp [ 2πσ2 2σ 2 u i 2 ] du i j= i= ] j= y ij! l L = l exp[ j= y ijx ij β exp[ y i u i exp[ x ij β + u i ]] exp [ u 2πσ2 2σ 2 i 2 ] du i = y xβ ij l y i! + i= l exp[y i u i j exp x ij β + u i ] exp [ u 2πσ2 2σ 2 i 2 ] du i (4.) Nau dala peyelesaia estiasi paraeter dega egguaka Estiasi aksiu likelihood (MLE) aka diperoleh persaaa yag tidak dapat disederhaaka, sehigga tidak dapat dievaluasi lebih lajut. Oleh karea itu, utuk eyelesaika perasalaha tersebut aka diguaka suatu etode uerik Gauss Herite Quadrature (GHQ) Gauss-Herite Quadrature Persaaa 4.2 belu berbetuk seperti Persaaa 2.9 aka terlebih dahulu kita egkostruksi persaaa tersebut. Persaaa 4.4 yag egadug itegrasi yaitu, dega eisalka, i= i= l exp[y i u i j exp x ij β + u i ] exp [ u 2 2σ 2 i 2 ] du i (4.2) j= 2πσ j= (4.0)
7 Uiversitas Hasauddi u = 2σ 2 v da v = aka didapatka u 2σ 2 i= l exp[y i 2σv exp[x ij β + 2σv] π exp[ v2 ] dv (4.3) j ] Lagkah awal yag dilakuka utuk eyelesaika Persaaa tersebut dega egguaka GHQ adalah eetuka poit, seaki besar ilai poit yag kita pilih aka hasil estiasi paraeterya aka seaki baik. Nau, dala peulisa tugas akhir ii peulis haya eilih poit yaitu 3. Tabel titik da bobot utuk beberapa ilai k. Nilai titik da bobot dapat diperoleh pada tabel Gauss-Herite Quadrature. Tabel 4. Titik da bobot dari Gauss Herite Quadrature k x k w k -, Setelah eetuka poit, kita subsitusi ilai x k da w k ke dala Persaaa (4.5) sebagai berikut; f(v) exp( v 2 ) dx = w k f(v k ) utuk k = 3 = 3 k= w k f(v k ) = w f(v ) + w 2 f(v 2 ) + w 3 f(v 3 ) = exp[y i 2σ(,224) j exp[x ij β + 2σ(,224)] ] +.8 exp[ j exp x ij β] exp[y i 2σ(.224) j exp[x ij β + 2σ(.224)] ] (4.4) Subsitusi Persaaa (4.4) ke dala Persaaa (4.3) utuk eyelesaika persaaa yag egadug itegral sehigga Persaaa (4.) ejadi, = l ( ( exp[(,224)y i= π i 2σ j exp[x ij β + (,2249) 2σ]] +.8 exp[ j exp x ij β] exp[(.224)y i 2σ j [exp x ij β + (.224) 2σ]] )) k= (4.5) Setelah edapatka persaaa yag tidak egadug itegral, aka kita dapat eyelesaika estiasi paraeter egguaka MLE. Sebeluya telah ditetuka persaaa likelihood da ebetuk persaaa log likelihood. Lagkah selajutya yaitu esubsitusi Persaaa (4.5) ke dala Persaaa (4.). Keudia ecari ilai paraeter asig-asig. Setelah dituruka edapatka hasil seperti berikut; x ij i= i= exp[x ij β] = x y (4.6) Persaaa (4.6) eghasilka estiator yag iplisit sehigga dala pegaplikasia pada data dibutuhka solusi uerik. Solusi uerik yag aka diguaka yaitu etode Newto Raphso. 7
8 Variasi Rata-rata Julah Kujuga Uiversitas Hasauddi 4.6 Aplikasi pada Data Logitudial 4.6. Megidetifikasi Distribusi Data Dega egguaka software SPSS 22 aka dilakuka uji Chi-square. Adapu hipotesisya sebagai berikut: H 0 : Data egikuti distribusi Poisso H : Data tidak egikuti distribusi Poisso Setelah dilakuka uji Chi-square didapatka hasil output SPSS diperoleh ilai p-value 0,267. Sesuai dega kriteria pegujia diaa ilai p-value > 0,05 aka kita eeria H 0 da dapat disipulka bahwa data egikuti distribusi Poisso Eksplorasi data. Idividual Profile Eksprolasi ii bertujua utuk eggabarka perubaha subjek terhadap waktu pada setiap subjek yag diaati. Gabar berikut eujukka perubaha 20 subjek dala hal ii yaitu pegujug pusat kesehata yag diaati selaa 4 tahu. 20 Idividual Profile Tie Gabar 4. : Idividual Profile Data Peafaata Perawata Kesehata 2. Struktur Rata-Rata Eksplorasi yag kedua yaitu struktur rata-rata. Hasil dari eksplorasi ii aka bergua utuk eilih struktur efek tetap pada GLMM. 5 Struktur Rata-rata Waktu Gabar 4.2 Struktur Rata-rata Data Peafaata Perawata Kesehata 3. Struktur Variasi Eksplorasi ii bertujua utuk eggabarka perubaha variasi subjek dari waktu ke waktu Struktur variasi Waktu Gabar 4.3 Variace Structure Data Peafaata Perawata Kesehata 4. Struktur Korelasi 8
9 Uiversitas Hasauddi Struktur korelasi eggabarka pegukura di dala subjek berkorelasi. Gabar 4.4 Correlatio structure Data Peafaata Perawata Kesehata Model Regresi Poisso Setelah kodisi koverge telah terpeuhi, aka lagkah selajutya yaitu ecari ilai estiasi berdasarka ilai paraeter yag diperoleh elalui etode iterasi Newto Rapsho. Setelah diperoleh ilai estiasi paraeter aka didapatka gabuga sebagai berikut. μ ij = exp( x ij x ij x ij3 ) Dari odel di atas dapat dilihat bahwa jeis kelai epegaruhi julah kujuga yaitu sebesar exp(0.5486) yag berarti bahwa subjek yag berjeis kelai perepua lebih atusias elakuka kujuga ke pusat kesehata. Selai jeis kelai, tigkat kekroika peyakit da usia epegaruhi julah kujuga. Seaki tiggi tigkat kekroika peyakit subjek aka aka eigkatka exp(0.82) kujuga subjek ke pusat kesehata. Seaki tiggi usia seorag subjek aka eyebabka peurua julah kujuga yaitu sebesar exp( 0.008). 5. Kesipula Berdasarka hasil da pebahasa aka dapat disipulka bahwa:. Estiasi paraeter pada data logitudial berdistribusi poisso dega egguaka etode estiasi MLE eghasilka persaaa yag iplisit yaitu x ij i= i= exp[x ij β] = y x, sehigga diperluka prosedur iteratif yaitu etode iterasi Newto Rapsho. 2. Model regresi poisso data peafaata perawata kesehata secara uu adalah sebagai berikut. μ ij = exp( x ij x ij x ij3 ) Berdasarka persaaa di atas dapat eujukka bahwa faktor-faktor yag epegerahui peigkata julah kujuga subjek ke pusat kesehata adalah faktor jeis kelai da status peyakit kroik. Daftar Pustaka Adityaigru, A. (204). Estiasi Model Regresi Liear Bergada Data Logitudial Dega Geeralized Method Pada Agka Keiskia Sulawesi Selata. Jurusa Mateatika: Uiversitas Hasauddi. Ahad M.Gad, R. B. (202). Geeralized Liear Mixed Models for Logitudial Data. Iteratioal Joural of Probability ad Statistics,
10 Uiversitas Hasauddi E.Gbar, E., W.Stroup, W., S.McCarter, K., Durha, S., J.Youg, L., Christa, M.,... Kraer, M. (202). Aalysis of Geeralized Liear Mixed Models i the Agricultural ad Natural Resources Scieces. USA: Book ad Multiedia Publishig Coitte. Greee, W. H. (2002). Ecooetric Aalysis. New York: McMilla Publishig Copay. Masjkur, M. (2008). Pedugaa Kopoe Utaa pada Pegaruh Acak Model Liear Capura. Departee Statistika: FMIPA-IPB. McCulloch, C. E., & Searle, S. R. (200). Geeralized, Liear, ad Mixed Models. New York: Joh Wiley & Sos,Ic. Megawati, M. (20). Model Regresi Zero Iflated Negative Bioial (ZINB) pada data hitug aplikasiya pada pederita peyakit dea berdarah di RS. Wahidi Sudirohusodo. Jurusa Mateatika: Uiversitas Hasauddi. Myers, R. H. (990). Classical ad Moder Regressio with Aplicatio. PWS-KENT Publishig Copay: Bosto. Nia, V. P. (2006). Gauss Herite Quadrature: Nuerical or Statistical Method. Istitude of Matheatics Ecole Polytechique Federal de Lausae: Ferdowsi Uiversity of Mashhad. Rahayu, Lilik Ei. Biseksi#scribd [ diakses taggal 2 Agustus 206 ]. Setiawa, I. (205). Aalisis Regresi Model Data Pael Berdistrubusi Poisso dega Metode Efek Acak ( MEA ). Jurusa Mateatika: Uiversitas Hasauddi. Sudari, I. (202). Regresi Poisso da Peerapa Meodelka Hubuga Usia da Berperilaku Perokok Terhadap Julah Keatia Pederita Peyakit Kaker Paru-paru. Jurusa Mateatika: Uiversitas Adalas. Sutradhar,B.C.(20). Dyaic Mixed Models For failial Logitudial Data. Spriger, vol XVIII, 494 p. Tirta, I. (2008). Model Statistika Liear. Jeber: Uiversitas Jeber. Wachidah, L. (2009). Uji Kecocoka Chi-Kuadrat Utuk Distribusi Poisso. Yogyakarta: Pedidika Mateatika FMIPA UNY. Ware, N. M. (982). Rado-Effects Models for Logitudial Data. Bioetrics, Vol. 38, No.4, Wu, H., & Zhag, J.-T. (2006). Noparaetric Regressio Methods for Logitudial Data Aalysis. New Jersey: Joh Wiley ad Sos,Is. 0
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Kehidupa ausia seatiasa diarahka pada kodisi yag aka datag, yag keberadaaya tidak dapat diketahui secara pasti. Sehigga ausia berusaha elakuka kegiata kegiata dega berorietasi
Lebih terperinciTAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD
TAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD Jailah * Firdaus Sigit Sugiarto Mahasiwa Progra S Mateatika Dose Jurusa Mateatika Fakultas Mateatika
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN Persoala trasportasi yag serig ucul dala kehidupa sehari-hari, erupaka gologa tersediri dala persoala progra liier. Maka etode traportasi ii juga dapat diguaka utuk eyelesaika beberapa
Lebih terperinciSIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON
J. Math. ad Its Appl. ISSN: 829-605X Vol. 2, No., Mei 205, 3-22 SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON Farida Agustii Widjajati, Marselly Dia Saputri 2, Nur Asiyah 3,2,3
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciDISTRIBUSI BINOMIAL. (sukses sebanyak x kali, gagal sebanyak n x kali)
DISTRIBUSI BINOMIAL Distribusi bioial berasal dari percobaa bioial yaitu suatu proses Beroulli yag diulag sebayak kali da salig bebas. Distribusi Bioial erupaka distribusi peubah acak diskrit. Secara lagsug,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
5 I PENDAHULUAN Latar Belakag Persaaa diferesial adalah suatu persaaa ag egadug sebuah fugsi ag tak diketahui dega satu atau lebih turuaa [Stewart, 3] Persaaa diferesial dapat dibedaka eurut ordea, salah
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB 4: PELUANG DAN DISTRIBUSI NORMAL.
BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciPenerapan Teorema Perron-Frobenius pada Penentuan Distribusi Stasioner Rantai Markov
Vol. 3, No., 85-9, Juli 6 Peerapa Teorea Perro-Frobeius pada Peetua Distribusi Stasioer Ratai Markov Jusawati Massalesse Abstrak Perilaku suatu ratai Markov setelah berala ukup laa dapat diketahui elalui
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciMENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH. Warsito. Program Studi Matematika FMIPA Universitas Terbuka.
MENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH Warsito Progra Studi Mateatika FMIPA Uiversitas Terbuka warsito@ut.ac.id Abstrak Peyelesaia pertidaksaaa ( x- a, a Î R adalah x a (egguaka
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciLEMBAR KERJA SISWA 5
94 LEMBAR KERJA SISWA 5 Mata Pelajara Kelas/Seester Materi Pokok Subateri Pokok Alokasi Waktu : Kiia : XI/gajil : Laju Reaksi : Orde Reaksi : 2 x 45 eit Stadar Kopetesi 3. Meahai Kietika Reaksi, Kesetibaga
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciJurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 1-13 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D
Jural Mateatika Muri da Terapa Vol 4 No Deseber : - 3 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D Muhaad Ahsar Kari, Dewi Sri Susati, da Nurul Huda Progra Studi Mateatika Uiversitas Labug Magkurat Jl
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciMAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +mk n
MAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +K Oleh : MOHAMMAD IQBAL 1 0 100 01 Pebibig : Drs. Suhud Wahyudi, M.Si. 1900109 198701 1 001 ABSTRAK Graph adalah hipua
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciPerbandingan Inversi Least-Square dengan Levenberg- Marquardt pada Metode Geomagnet untuk Model Crustal Block
PROSIDING SKF 6 Perbadiga Iversi Least-Square dega Leveberg- Marquardt pada Metode Geoaget utuk Model Crustal Block Uar Said a, Mohaad eriyato b, da Wahyu Srigutoo c Laboratoriu Fisika Bui, Kelopok Keilua
Lebih terperinciOptimisasi Terpadu Persoalan Inventori dan Persoalan Transfortasi dengan Metode ITIO ( Inventory Transfortation Integrated Optimization)
Prosidig Seirata FMIP Uiversitas Lapug, Optiisasi Terpadu Persoala Ivetori da Persoala Trasfortasi dega Metode ITIO ( Ivetory Trasfortatio Itegrated Optiizatio) T.P.Nababa, Sukato, Karida Puspita N Jurusa
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
Lebih terperinciREGRESI LINIER SEDERHANA
REGRESI LINIER SEDERHANA REGRESI, KAUSALITAS DAN KORELASI DALAM EKONOMETRIKA Regresi adalah salah satu metode aalisis statistik yag diguaka utuk melihat pegaruh atara dua atau lebih variabel Kausalitas
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPerbaikan Bagan Kendali Pergerakan Data (Data Driven)
Bab 3 Perbaika Baga Kedali Pergeraka Data Data Drive) 3.1 Pedahulua Baga kedali klasik utuk eoitorig rataa didasarka pada asusi keorala. Ketika syarat keorala tidak dipeuhi, baga kedali klasik ii tidak
Lebih terperinciBAB III MENENTUKAN MODEL KERUSAKAN DAN INTERVAL WAKTU PREVENTIVE MAINTENANCE OPTIMUM SISTEM AXIS PADA MESIN CINCINNATI MILACRON DOUBLE GANTRY TIPE-F
BAB III MENENUKAN MODEL KERUSAKAN DAN INERVAL WAKU PREVENIVE MAINENANCE OPIMUM SISEM AXIS PADA MESIN CINCINNAI MILACRON DOUBLE GANRY IPE-F 3.1 Pedahulua Pada Bab II telah dijelaska beberapa teori yag diguaka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciSIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT
Jural Matematika UNAND Vol. 4 No. 1 Hal. 12 22 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND SIFAT-SIFAT FUNGSI EKSPONENSIAL BERBASIS BILANGAN NATURAL YANG DIDEFINISIKAN SEBAGAI LIMIT ENIVA RAMADANI
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciTri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak
PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciBAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN
BAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN Siste idetifikasi daerah rawa bajir ebutuhka adaya data spasial yag diolah dega eafaatka tekologi Siste
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Probabilitas
BAB DASAR TEORI. Probabilitas Probabilitas epuyai bayak persaaa seperti keugkia, kesepata da kecederuga. Probabilitas eujukka keugkia terjadiya suatu peristiwa yag bersifat acak. Suatu peristiwa disebut
Lebih terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciPENGUJIAN HIPOTESIS PADA REGRESI KUANTIL
PENGUJIAN HIPOTESIS PADA REGRESI KUANTIL Nurwahida Astari, Amra, Adi Kresa Jaya Departeme Matematika Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Hasauddi E-mail: urwahida.astari95yahoo.co.id
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciAPLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS
APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS Idah Ayustia, Aa Islamiyati, Raupog Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciPemodelan pada Regresi Linier Berganda dengan Variabel Prediktor Stokastik
Jural Matematika, Statistika & Komputasi Vol. 8 No. Juli 0 Pemodela pada Regresi Liier Bergada dega Variabel Prediktor Stokastik Prodi Statistika, Jurusa Matematika, Uivesitas Hasauddi, Sulfiyati, Jaya
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
Lebih terperinciAnalisis Regresi Ordinal Untuk Mengetahui Faktor-Faktor Yang Mempengaruhi Kualitas Pelayanan Kesehatan Pada Komunitas Latino
Jural Gradie Vol 8 No 2 Juli 22 82-88 Aalisis Regresi Ordial Utuk Megetahui Faktor-Faktor Yag Mempegaruhi Kualitas Pelayaa Kesehata Pada Komuitas Latio Idhia Sriliaa Jurusa Matematika, Fakultas Matematika
Lebih terperinciLAJU REAKSI. A. KEMOLARAN - Kemolaran adalah menyatakan banyaknya mol zat terlarut dalam 1 liter larutan. M = V
LAJU REAKSI STANDART KOMPETENSI; Meahai kietika reaksi, kesetibaga kiia, da faktor-faktor yag berpegaruh, serta peerapaya dala kehidupa sehari-hari KOMPETENSI DASAR; Medeskripsika pegertia laju reaksi
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciPerbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciBAB III ANUITAS DENGAN BEBERAPA KALI PEMBAYARAN SETAHUN TERHADAP TABUNGAN PENDIDIKAN
BAB III ANUITAS DNGAN BBRAPA KALI PMBAYARAN STAHUN TRHADAP TABUNGAN PNDIDIKAN. Tabuga Pedidika Aak Tabuga erupaka salah satu produk yag ditawarka oleh bak utuk eyipa uag. Utuk epersiapka daa pedidika aak,
Lebih terperinciDefinisi 2.3 : Jika max min E(X,Y) = min
Teori Peraia 22 Peelitia Operasioal II Defiisi 23 : Jika ax i E(X,Y) = z y i y ax E(X,Y) =E(x 0, y 0 ), aka (x 0, y 0 ) didefiisika z sebagai strategi uri dari peraia itu dega x 0 sebagai strategi optiu
Lebih terperinciPenyelesaian Masalah Penugasan Menggunakan Metode Hungarian dan Pinalti (Studi Kasus: CV. Surya Pelangi)
Peyelesaia Masalah Peugasa Megguaka Metode Hugaria da Pialti (Studi Kasus: CV. Surya Pelagi) Sri Basriati 1, Ayu Lestari 2 1,2 Jurusa Mateatika, Fakultas Sais da Tekologi, UIN Sulta Syarif Kasi Riau Jl.
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang
IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciLinear and Generalized Linear Mixed Models and Their Applications (Jiang 2007)
Tugas Aalisis Data Lajuta Liear ad Geeralized Liear Mixed Models ad Their Applicatios (Jiag 007) Geeralized Liear Mixed Models : Part I 3.7 Further Results ad Techical Notes Oleh Yei Agraii (G161150051)
Lebih terperinciTUGAS ANALISIS REGRESI (HALAMAN
TUGAS ANALISIS REGRESI (HALAMAN 85-88) 1. Tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b. Hitug Sum of Square for Residual c. Hitug Mea Sum of Square for Regresssio
Lebih terperinciRepresentasi Deret ke dalam Bentuk Integral Lipat Dua
Jural Kubik, Volue 2 No. (27) ISSN : 2338-896 Represetasi Deret ke dala Betuk Itegral Lipat Dua Siti Julaeha, a) 2, b) da Arii Soesatyo Putri Jurusa Mateatika Fakultas Sais da Tekologi UIN SGD Badug 2
Lebih terperinciKata Kunci : CHAID, IPM, regresi logistik ordinal.
ANALISIS CHAID DAN REGRESI LOGISTIK ORDINAL PADA INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH Liaa Yuita Sari, Sri Sulistijowati Hadajai, da Satoso Budiwiyoo Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciMINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA
MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA TEOREMA LIMIT PUSAT DAN TERAPANNYA Telah dikeal bahwa X 1, X 2...X sampel radom dari distribusi ormal dega mea µ da variasi σ 2, maka x µ σ/ atau xi µ σ
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Disai Peelitia Tujua Jeis Peelitia Uit Aalisis Time Horiso T-1 Assosiatif survey Orgaisasi Logitudial T-2 Assosiatif survey Orgaisasi Logitudial T-3 Assosiatif survey Orgaisasi
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciBAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL
BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi
Lebih terperinci