UJI PENDEKATAN NORMAL OSIUS-ROJEK PADA DIAGNOSTIK MODEL REGRESI LOGISTIK
|
|
- Ridwan Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 UJI PENDEKATAN NORMAL OSIUS-ROJEK PADA DIAGNOSTIK MODEL REGRESI LOGISTIK Oleh ANTO WICAKSONO NIM. M SKRIPSI ditulis da diauka utuk memeuhi sebagia persyarata memperoleh gelar Saraa Sais Matematika JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET 009 i
2 SKRIPSI UJI PENDEKATAN NORMAL OSIUS-ROJEK PADA DIAGNOSTIK MODEL REGRESI LOGISTIK yag disusu oleh ANTO WICAKSONO NIM. M dibimbig oleh Pembimbig I Pembimbig II Dra. Respatiwula, M.Si. NIP Sri Kutari, M.Si. NIP telah dipertahaka di depa Dewa Pegui pada hari Selasa, taggal 4 Agustus 009 da diyataka telah memeuhi syarat. Aggota Tim Pegui Tada Taga 1. Irwa Susato, S.Si, DEA NIP Drs. Muslich, M.Si.... NIP Dra. Yuliaa Susati, M.Si NIP Disahka oleh Fakultas Matematika da Ilmu Pegetahua Alam Deka Ketua Jurusa Matematika Prof. Drs. Sutaro, M.Sc., Ph.D. NIP Drs. Kartiko, M.Si. NIP ii
3 ABSTRAK Ato Wicaksoo, 009. UJI PENDEKATAN NORMAL OSIUS-ROJEK PADA DIAGNOSTIK MODEL REGRESI LOGISTIK. Fakultas Matematika da Ilmu Pegetahua Alam, Uiversitas Sebelas Maret. Model regresi logistik diguaka utuk meuukka pola hubuga atara variabel respo yag bersifat kualitatif da variabel prediktor. Pada model regresi logistik diguaka ui diagostik model utuk megevaluasi apakah model sesuai dega data. Metode peelitia yag diguaka dalam skripsi ii adalah studi literatur. Tuua skripsi yaitu meetuka statistik ui pedekata ormal Osius-Roek da meerapka dalam cotoh. Estimasi parameter model regresi logistik dilakuka dega metode maksimum likelihood. Ui sigifikasi parameter yag diguaka pada model adalah ui rasio likelihood da ui chi-kuadrat Wald. Hasil pembahasa didapatka statistik ui pedekata ormal Osius-Roek berdistribusi ormal stadar utuk ukura sampel besar. Hasil peerapa ui diagostik pada cotoh megeai pegaruh da pegalama seseorag terhadap status pegguaa mammography (Hosmer ad Lemeshow, 1989) didapatka bahwa model regresi logistik sesuai dega data. Kata Kuci: Model regresi logistik, maksimum likelihood, ui pedekata ormal Osius-Roek. iii
4 ABSTRACT Ato Wicaksoo, 009. THE DIAGNOSTIC OF LOGISTIC REGRESSION MODEL WITH OSIUS-ROJEK NORMAL APPROXIMATION TEST. Mathematics ad Natural Sciece Faculty, Sebelas Maret Uiversity. Logistic regressio model is used to explai the relatioship betwee of qualitative respose variables ad variables predictor. I the logistic regressio model, the test diagostic is used to evaluate whether the model is apropriate to the data. The research method is literature study. The obective are to determie the statistic test of Osius-Roek ormal approximatio test ad to apply i a example. The parameter estimatio use the maximum likelihood method. The parameter sigificace test are doe by likelihood ratio test ad Wald chi-square test. The result of discussio are the distributio of a statistics test for Osius- Roek ormal approximatio test is ormal stadard for large sample. The applicatio of the test results o the ifluece ad experiece of someoe of the status of the use of mammography (Hosmer ad Lemeshow, 1989) foud that the logistic regressio model is apropriate to the data. Keywords: Logistic regressio model, maximum likelihood, Osius-Roek ormal approximatio test. iv
5 MOTO Sesugguhya bersama kesulita ada kemudaha. Maka apabila egkau telah selesai (dari sesuatu urusa), tetaplah bekera keras (utuk urusa yag lai), da haya kepada Tuha-mulah egkau berharap. ( Teremaha Qs Al Isyrah, 6-8). v
6 PERSEMBAHAN Karya sederhaa ii kupersembahka utuk. Bapak da Ibu tercita, begitu besar pegorbaa da kasih sayagmu terhadap diriku serta seatiasa berdoa kepada Allah SWT utuk kebaika aak-aakya semua itu tak ka terbayarka sampai kapapu. Kakakku Okta, adikku Sari da Dimas terima kasih utuk motivasi da dukugaya. Keluarga besar yag selalu memberi semagat da medukug setiap lagkahku. Sahabat-sahabatku yag telah memberi dukuga da memotivasi utuk segera meyelesaika tugas akhir ii. vi
7 KATA PENGANTAR Pui syukur peulis paatka kepada Allah SWT yag telah melimpahka rahmat da hidayah-nya sehigga peulis berhasil meyelesaika skripsi yag berudul ui pedekata ormal Osius-Roek pada diagostik model regresi logistik. Sholawat da salam semoga seatiasa tercurahka kepada Nabi Muhammad SAW sebagai pembawa risalah islam. Pada kesempata ii peulis megucapka terima kasih kepada 1. Dra. Respatiwula, M.Si sebagai pembimbig I da Sri Kutari, M.Si sebagai pembimbig II yag telah bayak memberika ide, bimbiga, araha da kesabara bagi peulis dalam meyelesaika skripsi ii.. Budi yag telah memberika masuka dalam peulisa skripsi ii. 3. Semua pihak yag telah membatu kelacara peulisa skripsi ii. Peulis berharap semoga sara da kritik yag membagu utuk perbaika skripsi ii da semoga karya sederhaa ii dapat bermafaat bagi semua pembaca. Surakarta, Agustus 009 Peulis vii
8 DAFTAR ISI halama JUDUL... i PENGESAHAN... ii ABSTRAK...iii ABSTRACT...iv MOTO... v PERSEMBAHAN...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...x BAB I PENDAHULUAN Latar Belakag Masalah Rumusa Masalah Batasa Masalah Tuua Peulisa Mafaat Peulisa... 3 BAB II LANDASAN TEORI Tiaua Pustaka Probabilitas Variabel Radom Distribusi Samplig Distribusi Beroulli da biomial Model Regresi Liear Regresi Liear Terbobot Model Regresi Logistik Bier Estimasi Maksimum Likelihood Ui Sigifikasi Parameter Ui Chi-kuadrat Pearso...14 viii
9 .1.10 Iterpretasi Parameter Model Keragka Pemikira...16 BAB III METODE PENELITIAN...17 BAB IV PEMBAHASAN Prosedur ui pedekata ormal Osius da Roek Cotoh...0 BAB V PENUTUP Kesimpula Sara...7 DAFTAR PUSTAKA...8 LAMPIRAN LAMPIRAN...3 LAMPIRAN LAMPIRAN ix
10 DAFTAR TABEL 4..1 Sikap waita terhadap status pegguaa mammography Estimasi Parameter 5 Variabel Prediktor Ui Rasio Likelihood 5 Variabel Prediktor Estimasi parameter 3 Variabel Prediktor Ui rasio likelihood 3 Variabel Prediktor Hasil perhituga ilai ˆ π, v, da c Aova Odds Ratio...4 x
11 BAB I PENDAHULUAN 1. Latar Belakag Masalah Pada bidag ilmu kesehata, bayak peeliti igi mempelaari hubuga atara variabel atau lebih. Misalya, hubuga atara tekaa darah da umur, kosetrasi obat da kecepata detak atug (Daiel,1995). Oleh karea itu diperluka metode utuk meuukka hubuga atara variabel-variabel tersebut. Meurut Soeoeti (1986) metode yag diguaka utuk meuukka hubuga atar variabel atau lebih adalah model regresi. Model regresi memiliki variabel prediktor da variabel respo. Variabel prediktor da variabel respo dapat bertipe data kuatitatif atau kualitatif. Meurut Hosmer da Lemeshow (1989) model regresi yag sesuai bila variabel respo bersifat kualitatif adalah model regresi logistik. Model regresi logistik dega ilai variabel respo terdiri dari kategori disebut model regresi logistik bier sedagka model regresi logistik dega ilai variabel respo lebih dari kategori disebut model regresi logistik polytomous. Model regresi logistik memuat parameter yag harus diestimasi. Meurut Neter et al (1996) estimasi parameter model regresi logistik didapatka melalui metode maksimum likelihood. Hasil estimasi parameter perlu ui sigifikasi terhadap model. Meurut Hosmer da Lemeshow (1989) ui sigifikasi parameter yag diguaka pada model regresi logistik adalah ui rasio likelihood da ui chikuadrat Wald. Setelah estimasi da ui sigifikasi parameter model, perlu dilakuka ui diagostik model utuk megevaluasi apakah model regresi logistik sesuai dega data (Hosmer ad Lemeshow, 1989). Meurut Liu (007) salah satu ui diagostik model regresi logistik adalah ui chi-kuadrat Pearso yag didasarka pada pola kovariat. Pola kovariat adalah kelompok ilai yag sama dari masig-masig variabel prediktor (kovariat). 1
12 Selai ui chi-kuadrat Pearso terdapat ui diagostik lai yag didasarka pada pola kovariat yaitu ui pedekata ormal Osius-Roek (Liu,007). Statistik ui pedekata ormal Osius-Roek merupaka pegembaga statistik ui chi-kuadrat Pearso. Statistik ui pedekata ormal Osius-Roek berdistribusi ormal stadar utuk ukura sampel besar. Pada peulisa skripsi ii dilakuka ui diagostik model melalui ui pedekata ormal Osius-Roek da meerapka ui pada pegaruh da pegalama seseorag terhadap status pegguaa mammography (Hosmer ad Lemeshow, 1989) melalui ui pedekata ormal Osius-Roek.. Rumusa Masalah Masalah yag dibahas dalam skripsi adalah 1. Bagaimaa meetuka statistik ui pedekata ormal Osius-Roek pada model regresi logistik.. Bagaimaa meerapka ui pedekata ormal Osius-Roek pada pegaruh da pegalama seseorag terhadap status pegguaa mammography. 3. Batasa Masalah Peulisa skripsi dibatasi pada kasus model regresi logistik bier da metode yag diguaka utuk megestimasi parameter model adalah metode maksimum likelihood. 4. Tuua Peulisa Tuua dari peulisa skripsi ii adalah 1. Meetuka statistik ui pedekata ormal Osius-Roek pada model regresi logistik.. Meerapka ui pedekata ormal Osius-Roek pada pegaruh da pegalama seseorag terhadap status pegguaa mammography.
13 5. Mafaat Peulisa Mafaat yag diperoleh dari peulisa skripsi adalah memperluas wawasa megeai ui diagostik model melalui ui pedekata Osius-Roek sebagai suatu metode utuk megevaluasi apakah model sesuai dega data. 3
14 BAB II LANDASAN TEORI.1 Tiaua Pustaka Pada tiaua pustaka diberika hal-hal yag medasari peulisa skripsi ii, yaitu berupa kosep da teori yag berkaita dega diagostik model regresi logistik. Teori yag berkaita meliputi probabilitas variabel radom, distribusi samplig, distribusi Beroulli da biomial, model regresi liear, regresi liear terbobot, model regresi logistik bier, estimasi maksimum likelihood, ui chi-kuadrat Pearso, iterpretasi model regresi logistik..1.1 Probabilitas Variabel Radom Berikut ii defiisi-defiisi yag berkaita dega variabel radom meurut Bai da Egelhardt (199). Defiisi.1.1 Suatu variabel radom X adalah suatu fugsi berilai real R dega domai ruag sampel S, utuk setiap S da suatu bilaga real x atau x, sedemikia sehigga X x. Berikut ii diberika defiisi megeai variabel radom diskrit da variabel radom kotiu. Defiisi.1. Variabel radom X dikataka variabel radom diskrit ika himpua semua ilai yag mugki dari variabel radom X adalah himpua yag terhitug yaitu x, x,, x atau x, x, da fugsi f ( x ) disebut fugsi probabilitas diskrit
15 Defiisi.1.3 Variabel radom X dikataka variabel radom kotiu ika terdapat fugsi desitas probabilitas f ( x ) sehigga fugsi distribusi kumulatif dapat diyataka sebagai x F( x) = f () t dt. Defiisi.1.4. Diberika X suatu variabel radom kotiu dega fugsi desitas probabilitas f x. Harga harapa dari X diyataka dega EX ( ) xf( xdx ). Selautya diberika defiisi tetag fugsi pembagkit mome yag diambil dari Bai da Egelhardt (199). Defiisi.1.5. Diberika X suatu variabel radom, fugsi pembagkit mome (fpm) diyataka dega X tx. M t E e Harga harapa dari X atau E X didapatka melalui mome pertama dari fpm yaitu 1 1 M t 0 da variasi X diyataka dega XM t M t X X Var 0 0. X.1. Distribusi Samplig Distribusi samplig adalah distribusi dari suatu statistik. Berikut ii diberika teorema-teorema yag berkaita dega distribusi samplig meurut Bai da Egelhardt (199). Teorema.1.1. Jika X 1,, X adalah variabel radom dari suatu distribusi dega rata-rata da variasi <, maka distribusi limit dari 5
16 X i i= 1 Z = d adalah ormal stadar, Z Z ~ N ( 0,1) utuk. Teorema.1.. Jika Z ~ N ( 0,1) maka Z ~ () 1 Teorema.1.3. Jika maka ( X ) 1,, i ~ ( ) da i= 1 X X merupaka variabel radom sampel dari N (, ) ( ) X ~ () 1 Teorema.1.4. Jika Xi 1,, X X adalah sampel radom dari N ( 0, ) maka X da X dega i = 1,, adalah idepede, serta X da S adalah idepede dega ( ) 1 S ~ ( 1) Teorema.1.5. Jika X ~ ( v ) maka M () t = ( 1 t), E( X) = v, Var( X) = v X Y Teorema.1.6. Jika ~ v v d Y () v v maka Zv = Z ~ N ( 0,1) utuk v v v.1.3 Distribusi Beroulli da Biomial Meurut Bai da Egelhardt (199), variabel radom yag meyataka kemugkia keadia yaitu sukses atau gagal disebut variabel Beroulli da diyataka dega X e 1, ika ekeadia sukses 0, ika ekeadia gagal Jika a adalah probabilitas sukses da b adalah probabilitas gagal maka fugsi desitas probabilitas utuk distribusi Beroulli didefiisika sebagai x 1 x f x a b, x0,1 6
17 Distribusi biomial merupaka ulaga kali percobaa Beroulli dega variabel radom X meyataka bayak keadia sukses. Probabilitas bayakya peristiwa sukses dari suatu distribusi probabilitas biomial dirumuska sebagai x x f x a b, x0,1,, x dega x adalah bayakya peristiwa sukses, adalah bayakya percobaa yag dilakuka. Variabel radom X dega distribusi biomial memiliki EX var X ab. ada.1.4 Model Regresi Liear Meurut Neter et al. (1996) model regresi yag memiliki satu variabel prediktor X disebut model regresi liear sederhaa da dimodelka sebagai dega Yi 0 1 Xi i, i1,,, (.1) Y i : variabel respo percobaa ke-i, X i : variabel prediktor percobaa ke-i,, merupaka parameter regresi, 0 1 i merupaka galat radom da i ~ N 0,. Model regresi yag memiliki lebih dari satu variabel prediktor disebut model regresi liear gada. Jika X1, X,, X p adalah variabel prediktor dega pegamata da Y adalah variabel respo maka model regresi liear gada dapat diyataka sebagai da utuk pegamata ke-i dapat dituliska Y X X X, p p Yi 0 1Xi 1 Xi pxi p i, i1,,, (.) 7
18 .1.5 Regresi Liear Terbobot Model regresi liear dega variasi galat tidak kosta dapat diestimasi megguaka metode kuadrat terkecil terbobot. Meurut Neter da Wasserma (1996) metode kuadrat bobot terkecil utuk satu variabel prediktor diyataka dega, S w Y X 0 1 i i 0 1 i i1 dega w i adalah pembobot. Estimasi parameter regresi didapatka dega memiimumka S, yaitu meuruka, parameter regresi da 0 1 S 0, 1 ˆ ˆ S terhadap masig-masig 0 1 0, 0,1 sehigga didapatka persamaa w ˆ w X wy 0 i 1 i i i i i1 i1 i1 ˆ 0wX i i 1wX i i wxy i i i i1 i1 i1. (.3) Estimasi parameter regresi didapatka dega meyelesaika persamaa (.3) yag merupaka persamaa ormal utuk, ˆ 0 ˆ S yaitu 0 1 wy ˆ i i 1 i i i1 i1 i1 i i i i i1 i1 wxy i i i i1 wi i1 1 i1 w i w X wx i i1 i i wx i1 wx w i i wy. 8
19 .1.6 Model Regresi Logistik Bier Meurut Hosmer da Lemeshow (1989) model regresi logistik adalah model yag meyataka pola hubuga atara variabel prediktor da variabel respo yag bersifat kualitatif. Model regresi logistik sederhaa yaitu model regresi logistik yag memiliki satu variabel prediktor X sedagka model regresi logistik yag memiliki lebih dari satu variabel prediktor X disebut model regresi logistik gada. Misalka ilai variabel y 1 meyataka adaya suatu karakteristik dega probabilitas da 0 x y meyataka tidak adaya suatu karakteristik dega probabilitas 1 x sehigga E y 1 X x 0 1 adalah harga harapa dari y 1 utuk setiap harga x da E y X x da ilai (x) terletak pada iterval [0,1]. Misalka terdapat p variabel prediktor sehigga model regresi logistik dapat diyataka sebagai harga harapa dari Y utuk setiap harga x yag diberika, diyataka sebagai x EY X h p 0 0 1X k 1 px p h1 (... ) e e ( 01X1... px p) 1 e 1 e ( X ) ( X ) 0 k p k h1 k (.4) dega meyataka parameter-parameter regresi ke-h, X h adalah pegamata variabel prediktor ke-h utuk h1,, p Pada model regresi logistik dilakuka trasformasi utuk meliearka variabel prediktor terhadap fugsi respo. Trasformasi yag diguaka pada model (.4) adalah trasformasi logit yag diyataka dega gx. Traformasi logit didapatka melalui perbadiga dari x x e 1 logaritma dari persamaa (.5) adalah x terhadap 1 x ( 01X1... p X p ) yaitu (.5) 9
20 l x x sehigga persamaa (.4) meadi ( 01X1... px p) l e 1 x 0 1X1... px g x exp( gx ( )). 1 exp( g( x)) Apabila variabel prediktor bersifat kualitatif, meurut Draper ad Smith (1998) variabel racaga diperluka utuk meuukka ilai dari variabel prediktor dalam model. Jika sebuah variabel berskala kualitatif mempuyai k kategori, maka dibutuhka k 1 variabel racaga (Hosmer ad Lemeshow, 1989). Misalka variabel prediktor ke-h = x h berskala kualitatif dega k kategori, diguaka k 1 variabel racaga dalam model. Jika variabel-variabel racaga tersebut diyataka dega x h (u) da koefisie-koefisieya diyataka dega hu, dega u=1,,..., k-1 maka betuk logit utuk model dega p variabel prediktor adalah 1 1 g x 0 1x1h1xh hk1xh k pxp k 1 0 1x1 hu xh upxp u1 p.1.7 Estimasi Maksimum Likelihood Meurut Hosmer da Lemeshow (1989) estimasi parameter yag diguaka dalam model regresi logistik adalah metode maksimum likelihood. Berikut ii diberika defiisi yag diacu dari Bai da Egelhardt (199). Defiisi.1.6 Fugsi desitas probabilitas bersama dari variabel radom X1, X,, X yag mempuyai ilai di x1, x,, x diotasika f x, x,, x ; merupaka fugsi likelihood. Fugsi likelihood adalah fugsi dari parameter yag 1 10
21 tidak diketahui yag diotasika X1, X,, X adalah sampel radom dari f ; L utuk x1, x,, x tertetu. Jika x, maka L f x1 f x f x ; ; ;. Defiisi.1.7 Misalka L f x1 x x probabilitas bersama dari X1, X,, X,,, ;, adalah fugsi desitas. Nilai ˆ pada estimasi maksimum likelihood dari yag memeuhi 1,,, ˆ ; max 1,,, ; f x x x f x x x. L maksimum disebut Setiap variabel respo Y i utuk model regresi logistik adalah variabel radom berdistribusi Beroulli dega probabilitas sukses x i da X i adalah variabel prediktor yag bersesuaia dega Y i dega i1,,,. Meurut Hosmer da Lameshow (1989), fugsi likelihood distribusi Beroulli utuk sampel idepede adalah yi 1 yi ( ) ( i) (1 ( i)). i1 L x x (.6) Meurut Bai da Egelhart (199) memaksimumka fugsi likelihood sama dega memaksimumka fugsi log-likelihood. Fugsi log-likelihood diyataka dega l L sehigga persamaa (.6) meadi yi l L l ( x ) (1 ( x )) i1 i1 1 yi { y l ( x ) 1 y l(1 ( x ))} p p yi0 hxhil 1 exphxhi i1 h1 h1 estimasi maksimum likelihood didapatka dega mecari ilai i i i i i i (.7) ˆ yag memaksimumka fugsi log-likelihood pada persamaa (.7) yaitu dega 11
22 meuruka fugsi log-likelihood terhadap parameter h da ( ) 0. Betuk umum turua pertama dari terhadap masig-masig parameter adalah ( ) xhi yi xi 0 h i1 dega h 0,1,,, p da x 0 i 1. Misal utuk meetuka rumus ˆ 0 sebagai estimasi parameter 0 da x0i 1 sehigga yi xi 0. (.8) i1 Pada persamaa (.8) ilai yi xi aka samadega 0 ika yi xi Padag kembali persamaa (.4) sehigga y x i1 p exp ˆ 0 yi 1exp ˆ 0 h1 h1 i meadi i h. ˆ hi X hi. (.9) p ˆ hi X hi Estimasi parameter 0 didapatka dega meyelesaika persamaa (.9) yaitu ˆ p ˆ l y 0 hx h 1 h1 y p ˆ y ˆ 0 l hx h 1. y h1 Estimasi dari 0 teryata bergatug pada harga ˆh, padahal harga ˆh belum diperoleh da aka ditetuka kemudia. Hal ii meuukka bahwa turua pertama fugsi likelihood tidak memberika peyelesaia estimasi parameter regresi. Meurut Agresti (1984) estimasi parameter 0,, p dari fugsi likelihood yag mempuyai parameter tak liier diguaka metode iterasi Newto-Raphso. 1
23 Algoritma iterasi Newto-Raphso dipakai oleh software SPSS versio 16 dalam meetuka estimasi paremeter regresi..1.8 Ui Sigifikasi Parameter Ui sigifikasi parameter diguaka utuk megevaluasi apakah variabel prediktor berpegaruh terhadap variabel respo. Statistik ui yag diguaka utuk meilai sigifikasi parameter model regresi logistik didasarka pada ui rasio likelihood (Hosmer ad Lemeshow,1989). Meurut Hosmer da Lemeshow (1989) statistik ui rasio likelihood G didefiisika sebagai G L L 0 1 dega L0 adalah fugsi log-likelihood dari model tapa variabel prediktor, sedagka L 1 adalah fugsi log-likelihood dari model dega p variabel prediktor. Ui sigifikasi parameter dilakuka dega membadigka statistik ui G dega utuk tigkat sigifikasi da deraat bebas p (umlah variabel prediktor). (, p) Jika G maka H 0 ditolak pada sigfikasi. Ui hipotesis H 0 meyataka (, p) bahwa tidak ada variabel prediktor yag berpegaruh terhadap respo da H 1 meyataka bahwa terdapat palig tidak satu variabel prediktor yag berpegaruh terhadap respo. Jika H 0 ditolak maka dilakuka ui laut utuk megevaluasi pegaruh masig-masig variabel prediktor terhadap variabel respo. Meurut Agresti (1984) ui sigifikasi setiap variabel prediktor dalam model dapat dilakuka megguaka ui chi-kuadrat Wald. Meurut Hosmer da Lemeshow (1989) statisik ui chi-kuadrat Wald didefiisika sebagai ˆ h Wh, h1,,, p SE ˆ h 13
24 dega hipotesis H0 : h 0, h1,,, p (variabel prediktor ke-h tidak berpegaruh terhadap variabel respo) H1 : h 0 (variabel prediktor ke-h berpegaruh terhadap variabel respo) Jika W 1, maka H 0 ditolak yag berarti variabel prediktor ke-h berpegaruh terhadap variabel respo..1.9 Ui Chi-kuadrat Pearso Pada aalisis model regresi logistik diguaka ui diagostik model utuk megevaluasi kesesuaia model dega data. Meurut Liu (007) salah satu ui diagostik model regresi logistik adalah ui chi-kuadrat Pearso yag didasarka pada pola kovariat. Pola kovariat adalah kelompok ilai utuk kovariat yag sama. Meurut Liu (007) pola kovariat dibagi meadi tipe pola yaitu tipe pola pertama da tipe pola kedua. Tipe pola pertama meuukka bahwa umlah pola kovariat J sama dega ukura sampel J sedagka tipe pola kedua meuukka bahwa umlah pola kovariat J lebih kecil dari ukura sampel J. Meurut Hosmer da Lemeshow (1989) statistik ui chi kuadrat Pearso didefiisika sebagai X J 1 y ˆ m v dega y adalah umlah keadia sukses pada pola kovariat ke-, m adalah umlah subyek pada pola kovariat ke-, ˆ adalah estimasi probabilitas sukses utuk pola kovariat ke-, da v adalah variasi umlah keadia sukses utuk pola kovariat ke-. Meurut Liu (007) statistik ui chi-kuadrat Pearso berdistribusi chi-kuadrat dega deraat bebas J p 1 dega p adalah umlah variabel prediktor dalam model. Distribusi statistik ui chi-kuadrat Pearso dituukka pada Lampira 1. Daerah 14
25 kritis meuukka bahwa H 0 ditolak ika X, Jp1. Ui hipotesis H 0 meyataka bahwa model sesuai dega data da H 1 meyataka bahwa model tidak sesuai dega data Iterpretasi Parameter Model Iterpretasi model dalam model regresi logistik megguaka rasio odds (Hosmer da Lemeshow, 1989). Odds adalah rasio probabilitas keadia sukses terhadap probabilitas keadia gagal. Misalka variabel prediktor X dikategorika 0 da 1 sehigga odds dari variabel respo dega kategori x 1 diyataka dega 1/1 1. Odds dari variabel respo dega kategori x 0 diyataka dega 0 /1 0. Meurut Hosmer da Lemeshow (1989) rasio odds merupaka perbadiga ilai odds utuk kategori x 1 terhadap odds utuk kategori x 0 da didefiisika sebagai (1) 1 (1). (0) 1 (0) Variabel prediktor X utuk kategori 1 aka memberika ilai kali dibadig variabel prediktor X pada kategori 0 dalam meghasilka keadia sukses Y. Apabila variabel prediktor X bertipe data kuatitatif, iterpretasi utuk setiap perubaha c uit dalam X adalah exp exp x x c 1 exp c. 15
26 . Keragka Pemikira Model regresi logistik diguaka ketika variabel respo bersifat kualitatif. Model regresi logistik didapatka melalui estimasi parameter megguaka metode maksimum likelihood. Kemudia diui sigifikasi parameter dega megguaka ui rasio likelihood da ui chi-kuadrat Wald. Setelah estimasi da ui sigifikasi parameter model, perlu dilakuka ui diagostik model utuk megevaluasi apakah model regresi logistik sesuai dega data. Pada sampel besar ui diagostik yag diguaka pada model adalah ui pedekata ormal Osius-Roek Statistik ui pedekata ormal Osius-Roek merupaka pegembaga statistik ui chi-kuadrat Pearso. Statistik ui pedekata ormal Osius-Roek didapatka dega meghitug harga harapa dari statistik ui chi-kuadrat Pearso da megestimasi variasi galat model melalui regresi liier terbobot. Hasil perhituga statistik ui diguaka utuk megevaluasi apakah model sesuai dega data. Apabila model sesuai dega data, maka model dapat diiterpretasika. 16
27 BAB III METODE PENELITIAN Metode yag diguaka dalam peulisa skripsi ii adalah studi literatur yaitu melakuka studi ulag megeai ui diagostik model regresi logistik melalui ui pedekata ormal Osius-Roek. Lagkah-lagkah yag ditempuh utuk megui diagostik model regresi logistik dega ui pedekata ormal Osius-Roek sebagai berikut 1. Meetuka statistik ui pedekata ormal Osius-Roek pada model regresi logistik.. Meerapka model regresi logistik pada data peelitia Zapka da Spotts dari Divisi Kesehata Uiversitas Massachusetts (Hosmer da Lemeshow, 1989). 3. Estimasi parameter model megguaka metode maksimum likelihood. 4. Ui sigifikasi parameter megguaka ui rasio likelihood da chi-kuadrat Wald. 5. Ui diagostik model megguaka ui pedekata ormal Osius-Roek. 6. Memberika iterpretasi model. 17
28 BAB IV PEMBAHASAN Ui diagostik model diguaka utuk megetahui kesesuaia model dega data. Meurut Hosmer da Lemeshow (1989) salah satu ui diagostik model regresi logistik adalah ui chi kuadrat Pearso. Pada kasus tipe pola pertama yaitu umlah pola kovariat J sama dega ukura sampel J, statistik ui chi-kuadrat Pearso tidak berdistribusi chi-kuadrat sehigga statistik ui chi-kuadrat Pearso tidak dapat diguaka sebagai ui kecocoka model (Liu, 007). Oleh karea itu diguaka ui pedekata ormal Osius-Roek yag dapat diaplikasika pada kasus J da J (Liu, 007). Statistik ui pedekata ormal Osius-Roek merupaka pegembaga dari statistik ui chi-kuadrat Pearso utuk ukura sampel besar (Liu, 007). 4.1 Prosedur Ui Pedekata Normal Osius-Roek Ui pedekata ormal Osius-Roek merupaka ui diagostik model yag didasarka pada pola kovariat. Tahapa ui pedekata ormal Osius-Roek adalah meghitug ilai ˆ, 1,,3,, J dega ˆ merupaka estimasi probabilitas pola kovariat ke-. Kemudia dihitug variasi umlah sukses utuk setiap pola kovariat sebesar v ˆ (1 ˆ m ) utuk 1,,3,, J dega m adalah bayak sampel pada pola kovariat ke-. Model regresi logistik meghasilka variasi galat yag tidak kosta (Neter ad Wasserma, 1974). Pada kodisi variasi galat tidak kosta diguaka metode kuadrat terkecil terbobot utuk medapatka estimasi variasi galat. Meurut Hosmer da Lemeshow (1989) tahapa prosedur ui pedekata ormal Osius-Roek selautya adalah melakuka regresi liier terbobot utuk variabel respo c terhadap kovariat X dega pembobot v. Variabel c didefiisika 1 ˆ sebagai c, 1,,3,, J da estimasi variasi galat didapatka melalui v 18
29 perhituga Jumlah Kuadrat Galat (JKG) dari regresi liier terbobot tersebut. JKG merupaka umlah kuadrat dari ilai estimasi dega ilai pegamata sebearya. Meurut McCullagh da Nelder (1989) ika ilai m ˆ lebih dari 1 utuk setiap pola kovariat ke- maka diberika faktor koreksi utuk variasi galat J sebesar AJ 1/ m. 1 Meurut Hosmer da Lemeshow (1989) statistik ui pedekata ormal Osius-Roek didefiisika sebagai X J p1 z. A JKG Liu (007) meyebutka bahwa statistik ui z berdistribusi ormal stadar atau z ~ N 0,1 utuk ukura sampel besar. Harga harapa dari statistik ui chi-kuadrat Pearso didapatka melalui mome pertama dari fugsi pembagkit mome statistik ui X yaitu () ( ) ( Jp1 M t 1 t ) X = (4.1.1) Pada persamaa (4.1.1) dicari mome ke-1 da dievaluasi pada t = 0 sehigga didapatka 1 J p 1 Jp1 1 M 0 E X 1 0 J p 1. X Estimasi variasi dari statistik ui chi-kuadrat pearso didapatka dari ilai JKG hasil regresi liear terbobot. Meurut Liu (007) faktor koreksi A sama dega 0 atau A 0 bila umlah pola kovariat J sama dega umlah ukura sampel J. Hasil perhituga statistik ui pedekata ormal Osius-Roek diguaka utuk megevaluasi apakah model sesuai dega data. Daerah kritis meuukka daerah peolaka H 0 da H 0 ditolak ika z z / atau z z1 / pada sigifikasi 19
30 . Ui hipotesis H 0 meyataka model sesuai dega data da H 1 meyataka model tidak sesuai dega data. 4. Cotoh Data yag diguaka utuk meerapka ui pedekata ormal Osius-Roek adalah data peelitia Zapka da Spotts dari Divisi Kesehata Uiversitas Massachusetts (Hosmer da Lemeshow, 1989). Data peelitia diguaka utuk meelaska pegaruh pedapat da pegalama seseorag terhadap status pegguaa mammography. Nilai variabel prediktor da variabel respo diberika pada Tabel Tabel 4..1 Sikap Waita Terhadap Status Pegguaa Mammography Pertayaa Jawaba Perah melakuka percobaa mammography? 0 : Tidak perah, Variabel Respo Y 1 : Perah Tidak membutuhka mammography kecuali 1 : Sagat Setuu, 3 : Tidak Setuu puya geala? SYMPT ( X 1 ) : Setuu, 4 : Sagat Tidak Setuu Merasaka mafaat mammography? PB X Skor persepsi 5 0 Riwayat kaker payudara? HIST X 3 Periksa payudara sediri? BSE X 4 Mugkikah mammography temuka kaker baru? DETC ( X 5 ) 0 : Tidak, 1 : Ya 0 : Tidak, 1 : Ya 1 : Tidak Mugki : Mugki, 3 : Sagat Mugki Nilai variabel PB X pada Tabel 4..1 meuukka semaki tiggi ilai skor persepsi semaki meuruka pedapat orag terhadap mafaat pegguaa mammography. Hasil estimasi parameter model dega batua program SPSS versio 16 dituukka pada Tabel 4.. sehigga didapatka estimasi model regresi logistik gˆ x e ˆ x 1 e gˆ x 0
31 dega x gˆ X 1.869X 0.450X 0.185X 1.5X 1.164X 0.168X 0.556X Tabel 4... Estimasi Parameter 5 Variabel Prediktor Variabel Db Estimasi Parameter SE Wald p-value Kosta SYMPT(1) X11 1-1, SYMPT() X SYMPT(3) X PB X HIST X BSE X DETC(1) X DETC() X Kemudia dilakuka ui sigifikasi parameter dega megguaka ui rasio likelihood. Pada Tabel 4..3 yag selegkapya dapat dilihat pada Lampira didapatka ilai ui rasio likelihood. Tabel 4..3 Ui Rasio Likelihood 5 Variabel Prediktor - Log Model Likelihood G db Kostata X1, X, X3, X4, X Tabel 4..3 meuukka ilai G (0.05,8) maka H 0 ditolak, berarti terdapat pegaruh sekurag-kuragya satu variabel prediktor terhadap variabel respo atau terdapat pegaruh sikap waita terhadap status pegguaa mammography. Tabel 4..3 selegkapya dapat dilihat pada Lampira. 1
32 Selautya dilakuka ui chi-kuadrat Wald utuk megetahui variabel prediktor yag berpegaruh terhadap variabel respo. Nilai ui chi-kuadrat Wald dari masig-masig variabel prediktor dituukka pada Tabel 4... Daerah kritis meuukka bahwa H 0 ditolak ika statistik ui chi-kuadrat Wald > X (1;0.05) = 3,84 pada tigkat sigifikasi Pada Tabel 4.. didapat ilai statistik ui chi-kuadrat Wald dari seluruh variabel prediktor da kostata yag lebih besar dari 0.05, kecuali variabel X 13 da X 51 yag memiliki ilai statistik ui chi-kuadrat Wald lebih kecil dari. Hasil ui sigifikasi parameter didapatka bahwa variabel SYMPT(3) ,1 [X 13 ] da DETC(1) [X 51 ] tidak berpegaruh sigifika terhadap model regresi logistik sehigga variabel SYMPT da DETC (Hosmer da Lemeshow, 1989). Selautya estimasi parameter model regresi logistik utuk 3 variabel prediktor yaitu PB [X ], HIST [X 3 ], BSE [X 4 ] dilakuka melalui estimasi parameter dega batua program SPSS versio 16. Hasil estimasi parameter dituukka pada Tabel 4..4 sehigga diperoleh estimasi model regresi logistik dega fugsi logit sebagai berkut gx ˆ e ˆ x 1 e gˆ x gˆ x X 1.103X31.179X4 Tabel 4..4 Estimasi Parameter 3 Variabel Prediktor Variabel db Estimasi Parameter SE Wald KONSTAN PB [X ] HIST [X 3 ] BSE [X 4 ]
33 Tabel 4..5 Ui Rasio Likelihood 3 Variabel Prediktor Model - Log Likelihood G db Kostata Variabel X, X 3, X Tabel 4..5 meuukka ilai G maka H 0 ditolak, (0.05,3) berarti terdapat pegaruh sekurag-kuragya satu variabel prediktor terhadap variabel respo atau terdapat pegaruh sikap waita terhadap status pegguaa mammography. Selautya dilakuka ui sigifikasi parameter satu-satu dega megguaka ui chi-kuadrat Wald. Pada Tabel 4..4 didapatka ilai statistik ui chi-kuadrat Wald dari seluruh variabel prediktor da kostata yag lebih besar dari sehigga H 0 ditolak, berarti masig-masig variabel prediktor sikap ,1 waita secara sigifika berpegaruh terhadap status pegguaa mammography. Tabel 4..4 da Tabel 4..5 selegkapya dapat dilihat pada Lampira. Setelah didapatka model regresi logistik yag sigifika dalam parameterya dilakuka ui diagostik model melalui ui pedekata ormal Osius-Roek utuk megevaluasi apakah model sesuai dega data. Prosedur ui pedekata ormal Osius-Roek yaitu meghitug ilai ˆ, v, da c yag disaika pada Tabel Tabel Hasil perhituga ilai ˆ, v, da c J m ˆ v c y Tabel Aova Model Jumlah Kuadrat db Rataa kuadrat F Regresi Galat Total
34 Tabel 4..6 selegkapya dapat dilihat pada Lampira 3 da Tabel 4..7 selegkapya dapat dilihat pada Lampira 4. Pada Tabel 4..7 didapatka ilai JKG sebesar Berdasarka pada Tabel 4..6 dihitug statistik ui chi-kuadrat Pearso X J 1 y ˆ m , v da ilai A J m Osius-roek adalah J = = Nilai statistik ui pedekata ormal 1 / / z 0.4. Hasil perhituga ilai z adalah z z 1.96 yag berarti H 0 diterima sehigga model regresi logistik sesuai dega data. Setelah diketahui bahwa parameter regresi logistik memiliki pegaruh yag sigifika terhadap estimasi model regresi logistik da model sesuai dega data, selautya dilakuka iterpretasi model regresi logistik dega megguaka odds ratio. Pada Tabel 4..8 dituukka ilai odds ratio utuk model regresi logistik bier yag megadug 3 variabel prediktor. Tabel 4..8 selegkapya dapat dilihat pada lampira. Tabel 4..8 Odds Ratio Variabel Odds Ratio PB X HIST X BSE X Berdasarka ilai odds ratio dapat diambil kesimpula bahwa setiap keaika 1 skor persepsi mafaat pegguaa mammography meuukka peurua 4
35 pegguaa mammography sebesar kali. Proporsi waita yag mempuyai riwayat kaker payudara teryata perah memeriksaka payudaraya dega mammography sebayak 0.33 kali lebih besar dibadigka waita yag tidak mempuyai riwayat kaker payudara. Proporsi waita yag dapat memeriksa payudara sediri teryata perah memeriksaka payudaraya dega mammography sebayak kali lebih besar dibadigka waita yag tidak dapat memeriksa payudara sediri. 5
36 BAB V PENUTUP 5.1. Kesimpula Berdasarka hasil pembahasa, diperoleh kesimpula sebagai berikut : 1. Ui pedekata Osius-Roek merupaka ui diagostik model regresi logistik utuk ukura sampel besar. Statistik ui pedekata Osius-Roek adalah J p1 z ~ N0,1. A JKG. Pada pegaruh da pegalama seseorag terhadap status pegguaa mammography didapatka estimasi model regresi logistik yag sesuai adalah gx ˆ e ˆ x gˆ x 1 e dega gˆ x X 1.103X 1.179X 3 4. Hasil perhituga ilai z adalah z / z / 1.96 yag berarti H 0 diterima sehigga model regresi logistik sesuai dega data. 3. Berdasarka ilai odds ratio disimpulka setiap keaika 1 skor persepsi mafaat pegguaa mammography meuukka peurua pegguaa mammography sebesar kali. Proporsi waita yag mempuyai riwayat kaker payudara perah memeriksaka payudaraya dega mammography sebayak 0.33 kali lebih besar dibadigka waita yag tidak mempuyai riwayat kaker payudara. Proporsi waita yag dapat memeriksa payudara sediri teryata perah memeriksaka payudaraya dega mammography sebayak kali lebih besar dibadigka waita yag tidak dapat memeriksa payudara sediri. 6
37 5.. Sara Sara yag dapat peulis sampaika adalah pegguaa ui pedekata ormal Osius-Roek pada peulisa skripsi ii dibatasi pada kasus model regresi logistik bier. Hal ii dimugkika utuk membahas ui pedekata ormal Osius-Roek pada kasus model regresi logistik polytomous. 7
TINJAUAN 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 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 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 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 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 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 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 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 terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
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 terperinci1200 (0,535) (0,465) (1200 1).0,05 + (0,535) (0,465)
= DATA DAN METODE PENELITIAN Data Peelitia Data yag diguaka dalam peelitia ii adalah data primer hasil yag diperoleh melalui peyebara kuisioer da metode wawacara sebagai data pelegkap. Pegumpula data dilaksaaka
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 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 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 VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
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 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 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 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 terperinciDISTRIBUSI KHUSUS YANG DIKENAL
0 DISTRIBUSI KHUSUS YANG DIKENAL Kita sudah membahas fugsi peluag atau fugsi desitas, baik defiisiya maupu sifatya. Fugsi peluag atau fugsi desitas ii merupaka ciri dari sebuah distribusi, artiya fugsi
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah
BAB I PENDAHULUAN A. Latar Belakag Masalah Struktur alabar adalah suatu himpua yag di dalamya didefiisika suatu operasi bier yag memeuhi aksioma-aksioma tertetu. Gelaggag ( Rig ) merupaka suatu struktur
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 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 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 terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
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 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 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 terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
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 terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
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 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 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 terperinciStatistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015
Statistika Iferesia: Pedugaa Parameter Dr. Kusma Sadik, M.Si Dept. Statistika IPB, 05 Populasi : Parameter Sampel : Statistik Statistik merupaka PENDUGA bagi parameter populasi Pegetahua megeai distribusi
Lebih terperinciANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI
ANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI Diajuka kepada Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Negeri Yogyakarta utuk memeuhi sebagia persyarata gua memperoleh
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 terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini adalah penelitian pengembangan (research and
BAB III METODE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia pegembaga (research ad developmet), yaitu suatu proses peelitia utuk megembagka suatu produk. Produk yag dikembagka dalam peelitia
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
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 terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
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 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 terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
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 terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
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 terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciProbabilitas dan Statistika Korelasi dan Regresi. Adam Hendra Brata
Probabilitas da Statistika da Adam Hedra Brata Dua Peubah Acak dua perubah acah X da Y dega rata-rata da diberika oleh rumus : E(XY) - - - Sifat Sifat Sifat kovariasi utuk X da Y diskrit : f(, ) f(, )
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
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 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 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 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 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 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 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 terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciStatistika Inferensial
Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi
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 terperinciBAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan
BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
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 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 terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
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 terperinciPENDUGAAN PARAMETER DISTRIBUSI RAYLEIGH DENGAN METODE KUADRAT TERKECIL DAN METODE KEMUNGKINAN MAKSIMUM. Skripsi
PENDUGAAN PARAMETER DISTRIBUSI RAYLEIGH DENGAN METODE KUADRAT TERKECIL DAN METODE KEMUNGKINAN MAKSIMUM Skripsi Diajuka utuk Memeuhi Salah Satu Syarat Memperoleh Gelar Sarjaa Matematika Program Studi Matematika
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
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 terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
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 terperinciIII. METODE PENELITIAN. Variabel X merupakan variabel bebas adalah kepemimpinan dan motivasi,
7 III. METODE PENELITIAN 3.1 Idetifikasi Masalah Variabel yag diguaka dalam peelitia ii adalah variabel X da variabel Y. Variabel X merupaka variabel bebas adalah kepemimpia da motivasi, variabel Y merupaka
Lebih terperinciBAB V METODOLOGI PENELITIAN
BAB V METODOLOGI PEELITIA 5.1 Racaga Peelitia Peelitia ii merupaka peelitia kualitatif dega metode wawacara medalam (i depth iterview) utuk memperoleh gambara ketidaklegkapa pegisia berkas rekam medis
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciTEOREMA WEYL UNTUK OPERATOR HYPONORMAL
Jural UJMC, Volume 3, Nomor, Hal. - 6 pissn : 460-3333 eissn : 579-907X TEOREMA WEYL UNTUK OPERATOR HYPONORMAL Guawa Uiversitas Muhammadiyah Purwokerto, gu.oge@gmail.com Abstract This paper aims at describig
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciPeubah Acak. Peubah Acak Diskrit dan Distribusi Peluang. Peubah Acak. Peubah Acak
Peubah Acak Peubah Acak Diskrit da Distribusi Peluag Peubah Acak (Radom Variable): Sebuah keluara umerik yag merupaka hasil dari percobaa (eksperime) Utuk setiap aggota dari ruag sampel percobaa, peubah
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciBAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah penelitian korelasi,
BAB III METODE PENELITIAN 3.1 Metode Peelitia Metode yag diguaka dalam peelitia ii adalah peelitia korelasi, yaitu suatu metode yag secara sistematis meggambarka tetag hubuga pola asuh orag tua dega kosep
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 20 Bandar Lampung, dengan populasi
5 III. METODE PENELITIAN A. Populasi da Sampel Peelitia ii dilaksaaka di SMPN 0 Badar Lampug, dega populasi seluruh siswa kelas VII. Bayak kelas VII disekolah tersebut ada 7 kelas, da setiap kelas memiliki
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I PENDAHULUAN 1 Latar belakag Model pertumbuha Solow-Swa (the Solow-Swa growth model) atau disebut juga model eoklasik (the eo-classical model) pertama kali dikembagka pada tahu 195 oleh Robert Solow da
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag
Lebih terperincib. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:
Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah
Lebih terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinciPROSES INFERENSI PADA MODEL LOGIT. Oleh: Agus Rusgiyono Program Studi Statistika FMIPA UNDIP. 1 n
PROSS INFRNSI PADA MODL LOGIT Oleh: Agus Rusgiyoo Program Studi Statistika FMIPA UNDIP Abstracts Let { 3 L } rereset the resose o a omial radom variable o Beroulli distributio with P[ ] P[ ] where is a
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 terperinciIII PERBANDINGAN MODEL-MODEL BINOMIAL. : harga saham : tingkat harapan pendapatan. yaitu
III PERBANDINGAN MODEL-MODEL BINOMIAL 3. Model Kotiu da Model Diskret Perkembaga Harga Saham Saham merupaka aset fiasial yag ilaiya berubah-ubah megikuti harga pasar, sehigga dalam jagka waktu tertetu
Lebih terperinci