PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA JURUSAN DISAIN KOMUNIKASI VISUAL UK. PETRA SURABAYA
|
|
- Vera Yuliana Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA (I Nyoman Budantara, et al.) PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA JURUSAN DISAIN KOMUNIKASI VISUAL UK. PETRA SURABAYA I Nyoman Budantara ), Fred Suryad 2), Bambang Wdanarko Otok 3), Suryo Gurtno 4) ) Lecturer at Department of Statstcs, ITS, Surabaya 2) Staf. at Petra Chrstan Unversty, Surabaya e-mal: fsuryad@petra.ac.d 3) Ph.D Student at Department of Mathematcs, UGM; Lecturer at Department of Statstcs, ITS, Surabaya e-mal: otok_bw@yahoo.com 4) Lecturer at Department of Mathematcs UGM, Yogyakarta e-mal: suryogurtno@ugm.ac.d ABSTRAK Analsa regres dgunakan untuk melhat pengaruh varabel ndependen terhadap varabel dependent dengan terlebh dulu melhat pola hubungan varabel tersebut. Hal n dapat dlakukan dengan melalu dua pendekatan. Pendekatan yang palng umum dan serngkal dgunakan adalah pendekatan parametrk. Pendekatan parametrk mengasumskan bentuk model sudah dtentukan. Apabla tdak ada nformas apapun tentang bentuk dar fungs regres, maka pendekatan yang dgunakan adalah pendekatan nonparametrk. (Haerdle, 990). Karena pendekatan tdak tergantung pada asums bentuk kurva tertentu, sehngga memberkan fleksbeltas yang lebh besar. Tuuan peneltan n adalah mendapatkan model terbak mengena nla uan masuk terhadap nla IPK (Indek Prestas Kumulatf) mahasswa urusan Dsan Komunkas Vsual tahun 999 d Unverstas Krsten Petra Surabaya dengan analss regres, bak parametrk maupun nonparametrk. Pendekatan regres parametrk menggunakan regres lnear sederhana, kuadratk dan kubk, sedangkan regres nonparametrk dgunakan B-Splne dan Multvarate Adaptve Regresson Splnes (MARS). Secara keseluruhan, model terbak dplh berdasarkan koefsen determnas terbesar. Namun demkan untuk MARS, model terbak dplh berdasarkan pada GCV, mnmum MSA dan koefsen determnas terbesar. Kata kunc: regres nonparametrk, B-Splne, MARS, koefsen determnas. ABSTRACT Regresson analyss s constructed for capturng the nfluences of ndependent varables to dependent ones. It can be done by lookng at the relatonshp between those varables. Ths task of approxmatng the mean functon can be done essentally n two ways. The quet often use parametrc approach s to assume that the mean curve has some prespecfed functonal forms. Alternatvely, nonparametrc approach,..e., wthout reference to a specfc form, s used when there s no nformaton of the regresson functon form (Haerdle, 990). Therefore nonparametrc approach has more flexbltes than the parametrc one. The am of ths research s to fnd the best ft model that captures relatonshp between admsson test score to the GPA. Ths partcular data was taken from the Department of Desgn Communcaton and Vsual, Petra Chrstan Unversty, Surabaya for year 999. Those two approaches were used here. In the parametrc approach, we use smple lnear, quadrc cubc regresson, and n the nonparametrc ones, we use B-Splne and Multvarate Adaptve Regresson Splnes (MARS). Overall, the best model was chosen based on the maxmum determnant coeffcent. However, for MARS, the best model was chosen based on the GCV, mnmum MSE, maxmum determnant coeffcent. Keywords: nonparametrc regresson, B-Splne, MARS, determnant coeffcents.
2 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 2006: -3. PENDAHULUAN Analss regres memperlhatkan hubungan dan pengaruh varabel predktor terhadap varabel respon. Msalnya y adalah varabel respon dan t adalah varabel predktor, untuk n buah pengamatan, secara umum hubungan antara y dan t dapat dtuls sebaga berkut: y = g( t ) + ε ; =, 2... n () dengan ε adalah sesatan random dan g ( t ) merupakan kurva regres. Jka kurva regres merupakan model parametrk maka dsebut sebaga regres parametrk dan apabla model yang dasumskan n benar, maka pendugaan parametrk sangat efsen, tetap ka tdak, menyebabkan nterpretas data yang menyesatkan (Haerdle, 990). Pendekatan parametrk mengasumskan bentuk model sudah dtentukan. Apabla tdak ada nformas apapun tentang bentuk g ( t ), maka pendekatan yang dgunakan adalah pendekatan nonparametrk. Karena pendekatan tdak tergantung pada asums bentuk kurva tertentu, sehngga memberkan fleksbeltas yang lebh besar. Dalam hal n dasumskan g ( t ) termuat dalam ruang fungs (Eubank, 988). Ada beberapa teknk estmas dalam regres nonparametrk antara lan pendekatan hstogram, estmator Splne, estmator kernel, estmator deret orthogonal, analss wavelet dan lan-lan. Pendekatan estmator Splne ada bermacam-macam antara lan Splne orgnal, Splne type M, Splne relaxed, Splne terbobot dan lan-lan. Pendekatan Splne mempunya suatu bass fungs. Bass fungs yang basa dpaka antara lan Splne truncated dan B-Splne. (Lyche dan Morken, 2004). Wahba (990) menunukkan bahwa Splne memlk sfat-sfat statstk yang berguna untuk menganalss hubungan dalam regres. Splne dalam regres nonparametrk terus berkembang sampa pada model adaptve (Bller dan Fahrmer, 2000) dan multvarate respon (Holmes dan Mallck, 2003). Untuk mengestmas bass fungs Splne telah dkembangkan beberapa metode sepert monotoncty (He dan Sh, 998) dan penalsed (Hall dan Opsomer, 2005). Splne adalah salah satu ens pecewse polnomal, yatu polnomal yang memlk sfat tersegmen. Sfat tersegmen n memberkan fleksbltas lebh dar polnomal basa, sehngga memungknkan untuk menyesuakan dr secara lebh efektf terhadap karakterstk lokal suatu fungs atau data. Splne mempunya kelemahan pada saat orde Splne tngg, knots yang banyak dan knot yang terlalu dekat akan membentuk matrk dalam perhtungan yang hampr sngular, sehngga persamaan normal tdak dapat dselesakan. Bass lan yang yang dapat mengatas kelemahan n adalah bass B-Splne. Namun kesultan dengan B-Splne karena bass n hanya dapat ddefnskan secara rekursf dan karenanya tdak dapat devaluas secara langsung (Eubank, 988) dan (Schuemaker, 98). Salah satu penerapan B-Splne dlakukan dalam bdang Flud Dynamcs (Botella dan Sharff, 2003). Dalam tulsan n dlakukan stud perbandngan antara Splne truncated dan B-Splne. Sedangkan stud perbandngan Splne yang pernah dlakukan adalah stud perbandngan Rensch dan Speckman Splne dalam regres nonparametrk (Carter dan Slverman, 992). Pada peneltan n dbahas mengena estmas B-Splne pada model regres nonparametrk, dan melakukan smulas untuk membandngkan MSE B-Splne dan Splne truncated. Selan tu uga penerapan B-Splne pada data rl. 2
3 PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA (I Nyoman Budantara, et al.) 2. B-SPLINE Model regres y = g( t ) + ε ; =, 2... n, denganε merupakan resdual dan g ( t ) kurva regres. Apabla dgunakan pendekatan kurva Splne truncated dkatakan regres nonparametrk, maka kurva regres g dapat dtuls menad: m = K g ( = α t + β ( t u ) (Eubank, 988) (2) = m + dmana u, =, 2,..., K dengan u < u2 <... < u K adalah knot dan m Ν 0 ( nteger non negatf). Nla m menunukkan deraat Splne truncated. Jka kurva regres g ddekat dengan fungs B- Splne maka g dapat dtuls menad: m K = + = g( γ B, ( (3) m m dengan B m, m merupakan bass B-Splne. Cara membangun fungs B-Splne orde m dengan ttk ttk knot a < u <... < uk < b adalah dengan terlebh dahulu mendefnskan knot tambahan sebanyak 2m, yatu u ( m ), K, u, u K, uk+ m dmana u ( m ) =... = u0 = a dan uk + =... = u K + m = b. Basanya a dambl dar nla mnmum t dan b dambl dar nla maksmum t. Fungs B-Splne ddefnskan secara rekursf sebaga berkut: t u u+ m t B, m( = B, m ( + B +, m ( u+ m u u+ m u+ dmana B, ( =, ka u < t u + (Botella dan Sharff, 2003) (4) 0 ka t < u atau t u m adalah deraat dar B-Splne. Untuk m=2 memberkan fungs B-Splne lnear, m=3 memberkan fungs B-Splne kuadratk dan m=4 memberkan fungs B-Splne kubk. Untuk mengestmas koefsen γ pada persamaan (3), ddefnskan matrk B( λ ) = ( B, m( t)) =,..., n = ( m ),..., K atau dapat dtuls sebaga berkut B ( m ), m(, B ( m 2), m(, L, BK, m( B( λ ) = M M M B ( m ), m( tn), B ( m 2), m( tn), L, BK, m( tn) Jad B (λ) adalah sebuah matrk berukuran n x (m+k) Sebaga gambaran untuk menelaskan fungs B-Splne, msalnya B-Splne lnear (m=2), dengan satu ttk knot, pada t= 5, dengan nla t mnmum dan nla t maksmum 0. Langkahnya adalah menentukan knot tambahan sebanyak 2m yatu dambl dar nla mnmum dan maksmum sehngga knots menad u = u0 =, u = 5, u2 = u3 = 0, maka matrk yang akan dbentuk adalah B( λ ) = ( B, 2( t ), B 2( t ), B, 2( t )), =,2,...,n yatu sebuah matrk dengan ukuran n x 3. Dar persamaan (4) B ( ) dapat dtuls:, 2 t 3
4 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 2006: -3 t 5 t B, 2( = B, ( + B ( 5 B, ( ddefnskan bernla 0 karena u = u0 (Eubank,988), sedangkan B 0, ( akan bernla pada t yang bernla u 0 = 0 sampa dengan u =, dan bernla 0 untuk yang lan, sehngga dapat dtuls sebaga berkut: 5 t, < t 5 B = 4, 2 ( 0, 5 < t 0 Bentuk kurva B, 2 ( dan B 0, 2 ( dtunukkan dalam gambar berkut: Kurva B-splne Lnear Dengan knots= 5 Kurva B-splne Lnear Dengan knots= 5 B, -, B, 0, t t Gambar. Kurva B ) Gambar 2. Kurva B ),,2( t 2( t Untuk bass B 0, 2 ( dengan menggunakan Persamaan (4) dapat dtuls: t 0 t B 2( = B ( + B, ( Selanutnya dapat dtuls sebaga berkut: t, < t 5 4 B 0, 2 ( = 0 t, 5 < t 0 5 Bentuk kurva B 0, 2 ( dtunukkan pada Gambar 2. Untuk bass B t ) dengan menggunakan persamaan (4) dapat dtuls:,2( t 5 0 t t 5 B, 2( = B, ( + B2, ( B, 2( = B, ( Selanutnya dapat dtuls sebaga berkut: 0, < t 5 B, 2 ( = t 5, 5 < t 0 5 Bentuk kurva B,2( dtunukkan pada Gambar 3. Untuk kurva B-Splne kuadratk dengan 2 ttk knot msalnya pada t= 3 dan t=7 dapat dcar dengan cara yang serupa, dengan hasl sebaga berkut: 4
5 PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA (I Nyoman Budantara, et al.) ( t )( 3 3, < t ( 7 B =, 3(, 3 < t < t 0 Bentuk kurva B, 3 ( dtunukkan pada Gambar 4. Kurva B-splne Lnear Dengan knots= 5 Kurva B-splne Kuadratk Dengan knots= 3, 7 B,, B, -, t t Gambar 3. Kurva B, 2 ( Gambar 4. Kurva B,3 ( Dengan cara yang serupa, dapat dbuat gambar kurva B-Splne dengan berbaga m dan beberapa ttk knots. 3. MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) Splne adalah salah satu ens potongan polnomal, yatu polnomal yang memlk sfat tersegmen. Sfat tersegmen n memberkan fleksbltas lebh dar polnomal basa, sehngga memungknkan untuk menyesuakan dr secara lebh efektf terhadap karakterstk lokal dar suatu fungs atau data. Secara umum, fungs Splne berorde k adalah sembarang fungs yang dnyatakan sebaga: k h k k k = ( t u ), t u S ( = α t + δ ( t u ) + dengan, ( t u ) + = 0 = 0, t < u dmana: α dan δ : konstanta rl u,..., : ttk-ttk knot u h Fungs Splne tersebut datas menunukkan: a) fungs S merupakan potongan polnomal berorde k pada subnterval [ u, u + ] b) fungs S memlk turunan kontnu tngkat k-2 ( k ) c) S merupakan fungs tangga dengan ttk-ttk lompatan u,..., uh d) fungs S adalah suatu polnomal dengan orde m d luar u, ] [ un 5
6 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 2006: -3 Recursve Parttonng Regresson (RPR) merupakan pendekatan dar fungs f( yang tdak dketahu dengan: S f ˆ ( = c ( B ( (5) = dmana, B ( = I[ t R ], I[.] menunukkan fungs ndkator yang mempunya nla (satu) ka pernyataan benar (t R ) dan 0 (nol) ka salah, c ( merupakan koefsen (konstanta) yang dtentukan dalam subregon. Penentuan knots pada regres dummy dlakukan secara manual, karena memlk dmens data yang rendah dan hal n tdak akan mengalam kesultan, sedangkan untuk data yang berdmens tngg terdapat kesultan. Untuk mengatas hal tersebut dgunakan model Recursve Partton Regresson karena penentuan knots tergantung (otomats) dar data. Namun demkan model n mash terdapat kelemahan yatu model yang dhaslkan tdak kontnu pada knots, dan untuk mengatasnya dgunakan model MARS. Model MARS selan penentuan knots yang dlakukan secara otomats dar data, uga menghaslkan model yang kontnu pada knots. Pemlhan knots pada MARS menggunakan algortma forward stepwse dan backward stepwse yang salah satunya ddasarkan nla Generalzed Cross Valdaton (GCV) mnmum. Model MARS dapat dtuls sebaga berkut: M Km m m= k = f ˆ( = a + a [ s.( t (, ) u )] (6) d mana: a 0 = bass fungs nduk a m = koefsen dar bass fungs ke-m M = maksmum bass fungs (nonconstant bass fungs) K m = deraat nteraks S km = nlanya ± t v(k,m) = varabel ndependen u km = nla knots dar varabel ndependen t v(k,m) 0 km v k m Penabaran dar Persamaan (6) dapat dsakan sebaga berkut: fˆ( = a M am m= M am m= M am m= [ s [ s [ s m m m.( t.( t.( t v(, m) v(, m) v(, m) u u u m m m )] )][ s )][ s 2m 2m +... dan secara umum Persamaan (6) dapat dtulskan sebaga berkut: f ˆ ( = a + f ( t ) + f ( t, t ) + f ( t, t, t ) +... (8) 0.( t.( t v( 2, m) v( 2, m) u u 2m 2m k Km = Km = 2 Km = 3 )] km )][ s 3m.( t k v( 3, m) Persamaan (8), menunukkan bahwa penumlahan pertama melput semua bass fungs untuk satu varabel, penumlahan kedua melput semua bass fungs untuk nteraks antara dua varabel, penumlahan ketga melput semua bass fungs untuk nteraks antara tga varabel dan seterusnya. u 3m )] (7) 6
7 PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA (I Nyoman Budantara, et al.) m k v m V )}, ( { ) ( = Msalkan adalah hmpunan dar varabel yang dhubungkan K dengan bass m fungs B m ke-m, maka setap penumlahan pertama pada Persamaan (8) dapat dnyatakan sebaga: (9) f ( t ) = ambm( t ) Km = V ( m) f(t ) merupakan penumlahan semua bass fungs untuk satu varabel x dan merupakan Splne dengan deraat q= yang merepresentaskan fungs unvarat. Setap fungs bvarat pada Persamaan (8) dapat dtuls sebaga: f ( t, t ) = ambm ( t, t ) (0) Km 2 (, ) V = ( m) yang merepresentaskan penumlahan semua bass fungs dua varabel t dan t. Penambahan n untuk menghubungkan kontrbus unvarat, yang dtulskan sebaga berkut: f ( t, t ) = f ( t ) + f ( t ) + f ( t, t ) () Untuk fungs trvarat pada penumlahan yang ketga dperoleh dengan menumlahkan semua bass fungs untuk tga varabel, yang dtulskan sebaga berkut: f ( t, t, tk ) = ambm ( t, t, tk ) (2) Km 3 (,, k) = V ( m) Penambahan fungs unvarate dan bvarate mempunya kontrbus dalam bentuk: k f ( t, t, t k ) = f ( t ) + + f k ( t f ( t, t k ) + ) + f k k f ( t k ) + ( t, t, t f ( t, t ) + f k ) Persamaan (8) merupakan dekomposs dar analss varans untuk table kontngens, yang dkenal dengan dekomposs ANOVA dar model MARS. Interpretas model MARS melalu dekomposs ANOVA adalah merepresentaskan varabel yang masuk dalam model, bak untuk satu varabel maupun nteraks antara varabel, selanutnya merepresentaskan secara grafk. Penambahan adtf Persamaan (9) dapat dtunukan dengan membuat plot antara f (t ) dengan t sebaga salah satu model adtf. Kontrbus nteraks antara dua varabel dapat dvsualsaskan dengan membuat plot antara f ( t, t ) dengan t dan t menggunakan kontur plot. Model dengan nteraks yang lebh tngg dalam vsualsas dapat dbuat dengan menggunakan plot dalam beberapa varabel fxed dengan varabel komplemen. Pada model MARS, pemlhan model menggunakan metode stepwse yang terdr dar forward dan backward. Forward stepwse dlakukan untuk mendapatkan umlah bass fungs maksmum dengan krtera pemlhan bass fungs adalah memnmumkan Average Sum Of Square Resdual (ASR). Untuk memenuh konsep parsemon (model sederhana) dlakukan backward stepwse yatu memlh bass fungs yang dhaslkan dar forward stepwse dengan memnmumkan nla Generalzed Cross-Valdaton (GCV). (Fredman and Slverman, 989, Fredman, 99 99). 4. ANALISIS DATA DAN PEMBAHASAN Pola Hubungan Nla Uan Masuk terhadap IPK dengan Regres Lnear Salah satu varabel yang dpaka untuk menentukan seorang calon mahasswa lulus atau tdak lulus dalam uan masuk d Unverstas Krsten Petra adalah nla uan tuls. Dasar tu dpaka karena dharapkan ada pola hubungan antara nla uan masuk tuls ( dengan varabel Indek k ( t, t k ) (3) 7
8 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 2006: -3 Prestas Kumulatf kelulusan (y). Data yang danalss sebaga kasus adalah data nla uan masuk tuls dan IPK, 97 mahasswa urusan Dsan Komunkas Vsual angkatan 999. Pola hubungan nla uan masuk tuls( dengan varabel Indek Prestas Kumulatf kelulusan (y) dengan analss pada regres lnear, kuadratk dan kubk adalah sebaga berkut: IPK IPK 3.60 Observed Lnear 3.60 Observed Quadratc Uan (a) Lnear Uan (b) Kuadratk IPK 3.60 Observed Cubc Uan (c) Kubk Gambar 5. Plot Regres lnear, kuadratk dan kubk Sedangkan pengaruh nla uan masuk tuls ( dengan varabel Indek Prestas Kumulatf kelulusan (y) masng-masng model, secara rnc dsakan pada Tabel berkut: Tabel. Pengaruh Nla Uan Masuk Terhadap IPK dengan Regres Lnear Model Regres Parameter Koefsen Regres F-Htung Sg. R-Square Lnear β 0,427 β 020 6, β 0-4,3 Kuadratk β 389 2, β β 0-8,957 Kubk β 202 β , β
9 PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA (I Nyoman Budantara, et al.) Dar Tabel, menunukkan bahwa nla uan masuk tuls ( berpengaruh terhadap IPK (y) bak pada model regres lnear, kuadratk dan kubk. Hal n dapat dlhat dar nla Sg. Yang lebh kecl dar nla alpa (000 < 05). Sedangkan nla koefsen determnas (R 2 ) pada model regres kuadratk dan kubk memberkan nla yang sama yatu sebesar 26 dan pada model regres lnear sebesar 48. Hal n menunukkan bahwa model terbak pada pemodelan regres lnear adalah model regres kuadratk dan kubk. Namun demkan untuk kemudahan nterpretas dan kesederhanaan model dan uga ddukung Gambar 5.b) dan 5.c) maka pola hubungan nla uan masuk tuls ( dengan IPK (y), yang terbak menggunakan model regres kuadratk. Persamaan masng-masng model regres lnear adalah sebaga berkut: Model Regres Lnear: y ˆ =, t d mana: t = nla uan Model Regres Kuadratk: y ˆ = 4, t 002t d mana: t = nla uan Model Regres Kubk: y ˆ = 8, t t t d mana: t = nla uan 2 2 Pola Hubungan Nla Uan Masuk terhadap IPK dengan Pendekatan B-Splne 3 Pola hubungan nla uan masuk tuls ( antara varabel Indek Prestas Kumulatf kelulusan (y) dengan analss B-Splne yatu B-Splne lnear, kuadratk dan kubk adalah sebaga berkut: oooo Lnear kuadratk kubk + = data Gambar 6. Plot B-Splne lnear, kuadratk dan kubk Sedangkan pengaruh nla uan masuk tuls ( dengan varabel Indek Prestas Kumulatf kelulusan (y) masng-masng model, secara rnc dsakan pada tabel berkut: 9
10 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 2006: -3 Tabel 2. Pengaruh Nla Uan Masuk Terhadap IPK dengan B-Splne Model B-Splne Parameter Koefsen Regres F-Htung Sg. MSE R-Square γ,03532 Lnear γ 2, , γ 3,4943 γ,268 Kuadratk γ 2,03838 γ 3, γ 4,0664 γ,268 γ 2,0276 Kubk γ 3, , γ 4,7548 γ 5,808 Berdasarkan Tabel 2 d atas, ketga model memberkan nla MSE untuk model B-Splne lnear, kuadratk maupun kubk masng masng mempunya nla yang mendekat sama yatu 0037; 0037; 0037, begtu uga nla koefsen determnas (R 2 ) sebesar 997. Untuk kemudahan nterpretas dan kesederhanaan model dan uga ddukung Gambar 6 maka pola hubungan nla uan masuk tuls ( dengan IPK (y), yang terbak menggunakan model B-Splne lnear. Persamaan masng-masng model regres lnear adalah sebaga berkut: Model B-Splne Lnear: dengan = B ( ), ) B0, 2 t Model B-Splne Kuadratk: dengan = B ( ), ) B0 2, 3 t ^ y =, 03532B0 +, 4796B +, 4943B2 B = B 2 ( t dan B 2 = B,2( ^ y =, 268B0 +, 03838B +, B2 +, 0664B3 B = B, 3 ( t, B2 = B 3 ( dan B3 = B, 3 ( Model B-Splne Kubk adalah: ^ y =, 268B0 +, 0276 B +, 20037B2 +, 7548B3 +, 808B4 dengan B0 = B 3, 4 (, B = B 2, 4 (, B2 = B, 4 (, B3 = B 4 (, B 4 = B, 4 Ttk knot model B-Splne lnear terletak pada nla uan masuk ( sebesar 84, hal n menunukkan terad perubahan pola sebelum dan sesudah nla uan masuk ( sebesar 84. Pola Hubungan Nla Uan Masuk terhadap IPK dengan Pendekatan MARS Pola hubungan antara nla uan masuk tuls ( dengan varabel Indek Prestas Kumulatf kelulusan (y) pendekatan MARS, dengan varas pada bass fungs, nteraks antar varabel ndependen dan mnmum observas subregon secara lengkap tersa pada Tabel 3. berkut. 0
11 PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA (I Nyoman Budantara, et al.) Tabel 3. Pengaruh Nla Uan Masuk Terhadap IPK dengan MARS Model MARS BF MO F-Htung GCV R 2 MSE Model 0 0 4, Model , Model , Model , Model , Model Model , Keterangan: BF= bass fungs, MI= maksmum nteraks, MO = mnmum observas pada setap subregon Berdasarkan Tabel 3 d atas, ternyata dengan krtera GCV, R 2 dan MSE, maka model memberkan nla MSE dan GCV yang kecl adalah Model 6, begtu uga pada Model 6 memberkan nla R 2 yang palng besar yatu 997. Sehngga model yang terbak untuk pola hubungan nla uan masuk tuls ( dengan IPK (y) pada pendekatan MARS adalah Model 6. Adapun persamaan Model 6 adalah sebaga berkut. dengan, BF = max( t 83,5) BF2 = max( 83,5 BF3 = max( t 83,7) Secara vsual dapat dlhat pada gambar berkut: y ˆ = 3, BF 027BF BF3 Gambar 7. Plot MARS, Pecewse Cubc dengan 3 Bass Functons Model 6 dan Gambar 7 menunukkan bahwa terad perubahan pola pada t=83,7 dan t = 83,5. Pola dar t=78,5 sampa nla t=83,7 mempunya kecenderungan nak secara taam, dan begtu uga nla dar t=83,7 sampa t=83,5 mempunya kecenderungan nak secara taam menuu nla t = 83,5, sedangkan nla d atas t = 83,5 mempunya kecenderungan turun sampa IPK tertentu.
12 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 2006: KESIMPULAN Berdasarkan analss data tentang pola hubungan nla IPK sebaga varabel dependen (Y) dan nla uan masuk tuls sebaga varabel ndependen (, dapat dsmpulkan: a. Hasl analss regres lnear, kuadratk dan kubk menghaslkan nla R 2 yang cenderung sama dengan persamaan regres kuadratk adalah sebaga berkut: 2 y ˆ = 4, t 002t dengan, t = nla uan b. Hasl analss model B-Splne lnear, kuadratk maupun kubk mempunya nla MSE yang mendekat sama. Model yang dperoleh untuk masng-masng orde adalah sebaga berkut : Model B-Splne Lnear adalah: dengan 84 t, 765, < t 84 B = B t = , ( ) 0, 84< t 985, ^ y =, 03532B0 +, 4796B +, 4943B2 t 765,, 765, < t 84 75, B = B02, ( = 985, t, 84< t 985, 45, 0, untuk yang lan B2 = B, 2 ( = t 84, 84 < t 98, 5 4, 5 Pada Model B-Splne lnear, terad perubahan pola pada t=84. Pola sebelum nla 84 mempunya kemrngan yang lebh taam dbandng setelah nla 84. Nla setelah 84 mempunya gars yang hampr mendatar, artnya nla setelah 84, IPK kelulusannya cenderung sama c. Hasl analss model MARS menghaslkan persamaan berkut: y ˆ = 3, BF 027BF BF3 dengan, BF = max( t 83,5) BF2 = max( 83,5 BF3 = max( t 83,7) terad perubahan pola pada t=83,7 dan t = 83,5. Pola dar t=78,5 sampa nla t=83,7 mempunya kecenderungan nak secara taam, dan begtu uga nla dar t=83,7 sampa t=83,5 mempunya kecenderungan nak secara taam menuu nla t = 83,5, sedangkan nla d atas t = 83,5 mempunya kecenderungan turun sampa IPK tertentu. DAFTAR PUSTAKA. Bller, C., and Fahrmer, L., 200 Bayesan varyng-coeffcent models usng adaptve regresson Splne, Statstcal Modelng, 2. Botella, O. and Sharff, K., 2003, B-Splne Methods n Flud Dynamcs. Internatonal Journal of Computatonal Flud Dynamcs, 7 (2), Carter, C.K., and Slverman, B.W., 992, A comparson of the Rensch and Speckman Splnes. Bometrka, 79(), pp Eubank, R.L., 988. Splne Smootng and Nonparametrc Regresson, Marcel Deker: New York. 5. Fredman, J.H., 99 Estmatng functons of mxed ordnal and categorcal varables usng Multvarate Adaptve Regresson Splnes. Techncal Report LCS 07, Statstcs Department, Stanford Unversty. 2
13 PEMODELAN B-SPLINE DAN MARS PADA NILAI UJIAN MASUK TERHADAP IPK MAHASISWA (I Nyoman Budantara, et al.) 6. Fredman, J.H. and Slverman, B.W., 989. Flexble parsmony smoothng and addtve modelng. Technometrcs, 3, Fredman, J.H., 99. Multvarate Adaptve Regresson Splnes (Wth Dscusson). Stanford Calforna Hall, P., and Opsomer, J.D., Theory for penalzed Splne regresson, Bometrka, 92,. pg Haerdle, W., 99 Appled Nonparametrc Regresson, Cambrge Unversty Press: New York. 0. He, X. and Sh P., 998. Monotone B-Splne Smoothng, Journal of the Amercan Statstcal Assocaton; Jun 998; 93, Holmes, C.C., and Mallck B.K., 2003, Generalzed Nonlnear Modellng Wth Multvarate Free-Knot Regresson Splne, Journal of the Amercan Statstcal Assocaton; 98, Lyche, T., and Morken, K., Splne Methods Draft, ( ndex.html), down load tanggal 23 Feb Schuemaker, L.L., 98, Splne Functons : Basc Theory, John Wley & Sons, Inc: Canada. 4. Wahba, G., 99 Splne Models For Observatonal Data. SIAM, CBMS-NSF Regonal Conference Seres n Appled mathematcs, Phladelpha. 3
BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBootstrap Pada Regresi Linear dan Spline Truncated
Statstka, Vol. 8 No. 1, 47 54 Me 2008 Bootstrap Pada Regres Lnear dan Splne runcated Harson Darmaw 1) dan Bambang Wdjanarko Otok 2) 1) enaga Pengajar d Jurusan Matematka UNRI, Pekanbaru e-mal: son_ms@yahoo.co.d
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciSpline Truncated Multivariabel pada Permodelan Nilai Ujian Nasional di Kabupaten Lombok Barat
Jurnal Matematka Vol. 7, No., Desember 07, pp. 3-43 ISSN: 693-394 Artcle DOI: 0.4843/JMAT.07.v07.0.p90 Splne Truncated Multvarabel pada Permodelan Nla Ujan Nasonal d Kabupaten Lombok Barat Nurul Ftryan
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinciSTATISTICAL STUDENT OF IST AKPRIND
E-mal : statstkasta@yahoo.com Blog : Analss Regres SederhanaMenggunakan MS Excel 2007 Lsens Dokumen: Copyrght 2010 sssta.wordpress.com Seluruh dokumen d sssta.wordpress.com dapat dgunakan dan dsebarkan
Lebih terperinciTaksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil
Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Analisis regresi adalah suatu metode statistika yang umum digunakan untuk
BAB II TINJAUAN PUSTAKA 2. Analss Regres Analss regres adalah suatu metode statstka yang umum dgunakan untuk melhat pengaruh antara varabel ndependen dengan varabel dependen. Hal n dapat dlakukan melalu
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciParameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized-Splines
Statstka, Vol. 8, No. 1, 31-36 Unsba Bandung, Me 2008 Parameter Quantle-lke dalam Pendugaan Area Kecl Melalu Pendekatan Penalzed-Splnes Kusman Sadk Departemen Statstka IPB, Bogor Jl. Merant, Kampus IPB
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
Lebih terperinciCorresponding Author:
Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciOleh : Enny Supartini Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran
Abstrak MENGESTIMASI BEBERAPA DATA HILANG (MISSING DATA) DAN ANALISIS VARIANS UNTUK RANCANGAN BLOK ACAK SEMPURNA Oleh : Enny Supartn Departemen Statstka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciInstitut Teknologi Sepuluh Nopember, Jurusan Statistika Arief Rahman Hakim, Surabaya 60111, Indonesia. Surel:
MODEL KLASIFIKASI MENGGUNAKAN METODE REGRESI LOGISTIK DAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) (Stud Kasus: Data Surve Baya Hdup (SBH) Kota Kedr Tahun 2012) Sumarno 1), dan Bambang Wdanarko
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
Lebih terperinciPowerPoint Slides by Yana Rohmana Education University of Indonesian
SIFAT-SIFAT ANALISIS REGRESI PowerPont Sldes by Yana Rohmana Educaton Unversty of Indonesan 2007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag
BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciMETODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline.
METODE NUMERIK INTERPOLASI Interpolas Beda Terbag Newton Interpolas Lagrange Interpolas Splne http://maulana.lecture.ub.ac.d Interpolas n-derajat polnom Tujuan Interpolas berguna untuk menaksr hargaharga
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tempat, Subek, Waktu dan Jens Peneltan Pada bagan n akan dbahas tentang tempat peneltan, waktu peneltan dar perencanaan sampa penulsan hasl peneltan, serta ens peneltan n.
Lebih terperinciAnalysis of Covariance (ANACOVA)
Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciPELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC
PELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC Kurnawan *, Rolan Pane, Asl Srat Mahasswa Program Stud S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK CAMPURAN SPLINE TRUNCATED DAN DERET FOURIER (Studi Kasus : Angka Harapan Hidup Provinsi Jawa Timur)
TESIS SS 14501 MODEL REGRESI SEMIPARAMETRIK CAMPURAN SPLINE TRUNCATED DAN DERET FOURIER (Stud Kasus : Angka Harapan Hdup Provns Jawa Tmur) KHAERUN NISA NRP. 1315 01 018 DOSEN PEMBIMBING Prof. Dr. Drs.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinci