BAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
|
|
- Sudirman Rachman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan menganggap semua area terwakl dalam contoh atau menganggap contoh area dplh dengan peluang yang sama (Pfeffermann, 2010). Beberapa penelt yatu Kott (1990), Arora dan Lahr (1997) serta Prasad dan Rao (1999), yang mengembangkan model SAE yang memperhatkan peluang pengamblan contoh menyatakan bahwa pendugaan yang dlakukan tanpa memperhatkan peluang penarkan contoh akan menghaslkan penduga yang berbas. Model SAE yang dkembangkan dengan memperhtungkan peluang penarkan contoh umumnya untuk peubah respon bertpe kontnu khususnya peubah respon yang memlk dstrbus normal. Lehtonen et al. (2009) mengaplkaskan Model Generalzed Regreson (GREG) mengaplkaskan metode PTLTE untuk pendugaan parameter area dengan menyertakan bobot unt contoh. Peneltan oleh Lehtonen R (2009) tersebut menghaslkan penngkatan akuras dan mengurang bas. Dengan memberkan bobot pada unt contoh, You dan Rao (2002) mengembangkan model SAE dengan mengaplkaskan metode Pseudo PTLTE untuk pendugaan parameter area kecl. Model tersebut dterapkan untuk menduga produks jagung d wlayah kecl (kota) dan dhaslkan bahwa metode PTLTE semu (pseudo EBLUP) menghaslkan KTG yang sedkt lebh kecl dbandngkan dengan metode PTLTE. Dalam bukunya Rao (2003) juga membahas model SAE untuk peubah respon normal dmana pendugaan parameter mengaplkaskan PTLT semu ( Pseudo BLUP) atau PTLTE. semu (Pseudo EBLUP) Pfefferman et al. (1998) juga telah membahas pengaruh peluang penarkan contoh dar proses penarkan contoh gerombol dua tahap (multstage cluster samplng) terhadap kualtas penduga model SAE. Pfefferman et al.(1998) mengasumskan bahwa peluang penarkan contoh memlk korelas dengan 62
2 karakterstk area atau unt percontohan, oleh karena tu dsebut sebaga percontohan nformatf (nformatve samplng). Selanjutnya berdasarkan de Pfefferman tersebut, Edeh dan Nathan (2009) mengasumskan bahwa peluang penarkan contoh memlk hubungan dalam bentuk fungs eksponensal dengan karakterstk area dan unt. Pengembangan model SAE yang dlakukan oleh Edeh dan Nathan (2009) yatu dengan menyertakan model eksponensal tersebut ke dalam model SAE. Sepert telah djelaskan sebelumnya bahwa tujuan utama peneltan n adalah mengembangkan model SAE yang dapat daplkaskan dalam menduga Indeks Penddkan yang merupakan salah satu komponen IPM d area kecl dmana data dasar yang dgunakan adalah Susenas yang penarkan contohnya berpeluang tdak sama. Oleh karena de pengembangan metode SAE yang memperhatkan peluang penarkan contoh sepert yang telah dlakukan oleh para penelt d atas dgunakan sebaga dasar pengembangan model SAE dengan memperhtungkan peluang penarkan contoh yang dapat dgunakan untuk menduga komponen Indeks Penddkan yatu model SAE untuk respon bnomal dan multnomal. Pendugaan parameter area kecl dlakukan dengan pendekatan Bayes. Selanjutnya metode tersebut akan daplkaskan untuk menduga angka melek huruf dan rata-rata lama sekolah d Kabupaten Sumenep dan Kabupaten Pasuruan, Provns Jawa Tmur Penyertaan Peluang Penarkan Contoh pada Model SAE. Mengacu pada peneltan Pfefferman (1998), Edeh dan Nathan (2009) mengembangkan model SAE berbass peluang tdak sama dengan penarkan contoh dua tahap yang mengasumskan bahwa peluang penarkan contoh bak untuk penarkan contoh area dan penarkan contoh unt memlk hubungan dengan karakterstk area dan unt dalam bentuk fungs eksponensal. Pada tahap pertama, msalkan pengaruh area yang dnyatakan dengan peubah u memlk hubungan dengan karakterstk area z, sehngga hubungan antara peubah u dan z dnyatakan oleh fungs ' u = z γ +η, nd η ~ N(0, σ ) u (5.1) Untuk tahap ke dua, dasumskan terdapat peubah penyerta x j =(x j1,...,x jr ) yang mempengaruh y j yang terseda untuk semua kelompok percontohan maka hubungan antara y j dan x j dnyatakan oleh fungs: 63
3 dmana y j ' j = µ + x β + e j, e j nd 2 e ~ N(0, σ ) (5.2) Dengan cara lebh sederhana maka gabungan dar persamaan (5.1) dan (5.2) adalah: Mengkut cara yang dkembangkan oleh Pfefferman (1998) yatu dengan memperhatkan peluang penarkan contoh, maka, fungs kepadatan peluang untuk dalam percontohan area ke- adalah: dmana. (5.3) Edeh dan Nathan (2009) mengasumskan bahwa rata-rata peluang teramblnya area ke- sebaga contoh dapat dnyatakan sebaga fungs eksponensal dar peubah yang menggambarkan karaketrstk area sebaga berkut:. (5.4) Msalkan model matematk yang menghubungkan peluang penarkan contoh ke- dengan peubah area dnyatakan dalam bentuk fungs eksponensal sebaga berkut: E s { b b' z )} ( π µ, z ) = 1/ E ( π µ, z ) = exp ( µ + p (5.5) dmana z adalah peubah yang menyatakan karakterstk area ke- dan b adalah parameter yang menghubungkan kedua peubah. Jka = 1/ π menyatakan bobot dar area ke-, maka persamaan (5.5) dapat dnyatakan sebaga: w { ( b b' z )} Es ( w µ, z ) = 1/ E p ( π µ, z ) = exp µ + Berdasarkan persamaan (5.3), maka fungs kepadatan peluang untuk pengaruh acak u dapat dtuls sebaga: dmana: (5.6) (5.7). (5.8) 64
4 Dengan cara yang sama maka pada tahap kedua, fungs kepekatan peluang untuk y j dapat dtulskan dalam formula: (5.9) Selanjutnya peluang teramblnya contoh unt ke j pada area ke- yatu damsumskan memlk hubungan dengan karakterstk unt yang dnyatakan sebaga peubah x j dalam bentuk fungs eksponensal sebaga berkut: π j /. (5.10) Sama dengan peluang area, model matematk yang menghubungkan peluang ( π j / ) atau bobot ( w j / = 1/ π j / ) teramblnya unt ke-j pada area ke- dengan peubah penyerta adalah: E p ( π ' j yj, x j, µ ) = exp( dyj + d xj Oleh karena tu fungs kepadatan peluang untuk y j untuk µ dan x j adalah: ) (5.11) (5.12) tertentu (5.13) dmana (5.14) Persamaan (5.8) dan (5.14) menunjukkan bahwa jka dasumskan peluang penarkan contoh memlk hubungan dengan karakterstk area dan unt dalam bentuk fungs eksponensal, maka terjad pergeseran rata-rata sebesar untuk pengaruh area dan untuk unt. Dengan mendefnskan b = ( b 0, b1,..., bq )', z = (1, z2,..., zq )', d = ( d0, d1,... d r )' dan x j = ( 1, xj2,..., xjr )', maka dengan menggunakan metode penduga KM, pendugaan vektor parameter B dan D adalah (5.15) (5.16) dmana. Untuk y j yang dasumskan memlk sebaran normal dan dengan menyertakan peluang teramblnya contoh maka bentuk fungs kepadatan 65
5 peluang y j untuk µ dan x j dketahu dapat dnyatakan oleh persamaan (5.14). Nla harapan dan ragam dar sebaran tersebut adalah: (5.17) + (5.18) (5.19) 1) Pendugaan Parameter Model SAE Selanjutnya pendugaan parameter model SAE dlakukan dengan memaksmumkan fungs kemungknan bak untuk area dan unt yang terambl sebaga contoh serta untuk area dan unt yang tdak terambl sebaga contoh. Dalam pendugaan paramater, Edeh dan Nathan (2009) mengaplkaskan dua cara yatu melalu metode Kemungknan Maksmum (Maxmum Lkelhood ) dan metode Pendugaan Kemungknan Maksmum Semu (KMS) atau Pseudo Maxmum Lkelhood ). Metode KM tdak memperhtungkan bobot penarkan contoh sehngga rancangan percontohan dabakan, sedangkan metode KMS memperhtungkan bobot penarkan contoh. Jka m adalah jumlah contoh pada area ke dan penarkan contoh dlakukan secara acak, maka untuk j=1,2...m, sebaran y j akan salng bebas dan masng-masng memlk sebaran normal dengan rataan dan ragam, koragam sepert dnyatakan oleh persamaan (5.17), (5.18) dan (5.19). Oleh karena tu fungs peluang bersama antara ( y j,... y m ) untuk percontohan area ke- adalah: x. (5.20) Metode Kemungknan Maksmum Fungs kemungknan dperoleh dar mentransformaskan persamaan (5.20) dengan transformas logartma natural, yatu: 66
6 Jka ddefnskan, maka fungs lkelhood datas menjad lebh sederhana dan merupakan fungs dar, yatu:. ( 5.21) Dengan memaksmumkan fungs kemungknan yang dnyatakan oleh persamaan (5.21) datas maka akan dperoleh penduga. Jka parameter nformatf tdak dketahu maka parameter b dan d yang dgunakan untuk menghtung 2 0 µ β = bσ dan 2 0 dσ e γ = dapat dduga dengan menggunakan persamaan (5.15) dan (5.16). Metode Kemungknan Maksmum Semu Alternatf lan untuk pendugaan parameter model SAE adalah dengan menggunakan metode Kemungknan Maksmum Semu (KMS). Metode KMS n dkembangkan oleh beberapa penelt sepert Bnder (1983), Asparouhov (2006) dan Edeh dan Nathan (2009). Pada kasus penarkan contoh dua tahap, peluang penarkan contoh untuk unt ke- pada area ke j adalah π = π π, =1,2...,N ; j=1,2...,m. Oleh j j / karena tu bobot percontohan adalah w j =w w j/ dmana w =1/ π dan 67
7 w j / 1/ π j / =, =1,2...N. Edeh dan Nathan (2009) menyatakan bahwa kontrbus dar area ke- pada log-lkelhood sensus (untuk seluruh populas) adalah: Sehngga fungs kemungknan yang harus dmaksmumkan adalah: Oleh karena tu penduga fungs kemungknan adalah: (5.22) Secara sngkat persamaan (5.31) dtuls dalam bentuk:. (5.23) Penduga KMS adalah nla-nla yang dperoleh dengan cara memaksmumkan persamaan (5.23) menggunakan metode numerk. Pendugaan Ragam dmana. (5.24) 2) Pendugaan parameter pengaruh area Sebaran percontohan bersyarat µ y,... y tergantung pada sebaran 1 m percontohan dar efek area pada tahap pertama dan sebaran y µ pada tahap j kedua. Untuk µ y,... y yang dasumskan menyebar normal, maka 1 m penduga Bayes untuk µ y merupakan nla tengah dar sebaran posteror 68
8 f( yang dperoleh dar: f( Nla tengah untuk sebaran posteror f( adalah: Parameter rataan untuk sebaran normal d atas dapat dnyatakan sebaga: dmana: (5.25) dan Sehngga: (5.26). Pendugaan paramater d area yang terambl sebaga contoh dmana. (5.27) 69
9 Pendugaan parameter untuk area yang tdak terambl sebaga contoh Untuk area yang tdak terambl sebaga contoh, maka peluang untuk tdak terambl sebaga contoh adalah. Karena tdak ada unt yang damat atau terambl dalam percontohan maka pengaruh area yang tdak terambl sebaga contoh bukan merupakan fungs dar percontohan unt, sehngga: µ j, c y s ' 2 2 { bˆ( z 0.5 ˆ j ˆ) γ + b ˆ σ µ { bˆ( z } ' y) + 0.5) bˆ ˆ σ 2 2 gˆ( z ) ˆ ˆ exp ' j bσ µ = z ˆ jγ. (5.28) 1 gˆ( z )exp j j µ } Menurut Edeh dan Nathan (2006) Untuk model SAE sepert yang dnyatakan oleh persamaan y = x ' β + µ + e j j j dmana µ + = µ η, maka pendugaan parameter area ke- yang terambl sebaga contoh adalah: ' 2 2 ˆ µ s, = φ ( y x β ˆ) + (1 φ )( ˆ) µ + (1 φ ) bσ µ φdσ e (5.29) dmana Sedangkan dugaan parameter untuk area yang tdak terambl sebaga contoh dnyatakan oleh persamaan : ˆ µ c, j bσ µ exp( b ˆ µ + 0.5b σ µ ) = ˆ µ. (5.30) exp( b ˆ µ + 0.5b σ ) µ 5.3. Pendugaan Area Kecl Menggunakan Model Campuran Lner Terbobot. Rao (2003) membahas model SAE berbass penarkan contoh berpeluang tdak sama untuk peubah respon normal. Model SAE dkembangkan dengan memberkan bobot pada area surve dengan manggunakan rata-rata bobot level w = w / w = w / w unt j j k j. k y w j j j j = x T w j T j = w y = w ( x β + µ + e ) β + µ + e w j (5.31) 70
10 dmana e = w e dengan ( ) = 0 w j j j E dan V ( e w ) = σ e wj = σ e δ w e w j dan x w w j j x =. Selanjutnya pendugaan parameter dlakukan dengan j mengaplkaskan metode PTLT atau PTLTE untuk persamaan (5.31) d atas. Rao (2003) menyebut metode pendugaan untuk unt contoh berpeluang tdak sama dengan stlah PTLT semu (pseudo BLUP) atau PTLTE semu (pseudo EBLUP). You dan Rao (2002) mencoba menerapkan metode PTLTE semu untuk menduga produks jagung d wlayah kecl (kota) dan dhaslkan bahwa metode PTLTE semu menghaslkan KTG yang sedkt lebh kecl dbandngkan dengan PTLTE Pengembangan Model Bayes SAE Berbass Penarkan Contoh Berpeluang Tdak Sama untuk Respon Bnomal Sepert telah djelaskan pada Bab III, setap ndvdu dalam populas dklasfkaskan berdasarkan pada 2 peubah demograf yatu usa (yang terdr dar 5 katagor) dan jens kelamn (terdr dar 2 katagor) sehngga terdapat maksmum k=10 katagor. Jumlah ndvdu yang berada dalam area ke dan katagor ke j (j=1,...k ) merupakan peubah Bnomal dengan peluang p j. Selanjutnya peubah respon y j ddefnskan sebaga fungs logt(p j ) yatu y j pj = logt( pj ) = 1 p j. Dengan memperhatkan peluang penarkan contoh, maka dalam peneltan n pendugaan area kecl melalu pendekatan Bayes untuk peubah respon Bnomal ddasarkan pada pengembangan 2 model SAE sebaga berkut: 1) Menggunakan model lner terampat untuk sebaran respon logt normal dengan memberkan bobot penarkan contoh pada peubah respon y j = logt (p j ) dan peubah predktor x j. 2) Menggunakan model SAE dengan menyertakan peluang percontohan dalam bentuk fungs eksponensal sepert yang dkembangkan oleh Edeh dan Nathan (2009). Kedua metode d atas dbandngkan dengan metode SAE yang tdak memperhtungkan bobot peluang dengan menggunakan model sepert pada persamaan (3.23). Pendugaan propors d area kecl menggunakan pendekatan 71
11 Bayes dengan mengaplkaskan formula Bayes sepert yang dtunjukkan oleh persamaan (3.25) Penentuan Bobot Bobot percontohan untuk penarkan contoh merupakan kebalkan dar peluang penarkan contoh. Msalkan pada penarkan contoh dua tahap sepert yang dlakukan dalam Susenas, maka bobot percontohan dhtung dar perkalan fraks penarkan contoh pada tahap satu dan tahap dua. Jka d kecamatan tertentu contoh dambl dalam dua tahap dmana pada tahap pertama dplh blok sensus secara pps (proportonal to sze) dengan sze banyaknya rumah tangga hasl lstng SP2010 ( N ), maka peluang contoh pada N blok sensus ke- untuk terplh sebaga percontohan adalah π = M N = N N. Dar M area atau blok sensus yang ada dplh m area kecl (blok sensus), sehngga fraks penarkan contoh tahap pertama adalah: N n N f = n =. N N N (5.32) Bla pada blok sensus yang terplh dtark sejumlah rumah tangga (n ) dengan peluang yang sama, maka peluang bersyarat terplhnya ndvdu ke-j pada blok sensus ke- dnyatakan sebaga π j, dmana π j = 1 N. Jumlah ndvdu yang terplh adalah n, sehngga fraks penarkan contoh pada tahap kedua n adalah f j =. Sehngga overall samplng fracton adalah: N f j m N n m n = f f j = =. (5.33) N N N Dengan demkan desgn weght dapat drumuskan sebaga berkut: dengan: w j N = m n w : bobot ndvdu ke-j, blok sensus ke- j N : banyaknya populas lstng SP2010 d kecamatan tertentu (5.34) 72
12 m : banyaknya contoh blok sensus yang dambl d kecamatan tertentu n : banyaknya contoh ndvdu d blok sensus ke Metode Pendugaan Parameter Area Kecl dengan Menyertakan Peluang Penarkan Contoh yang Bersfat Eksponensal. Hubungan antara peluang penarkan contoh dengan karakterstk area dan unt dnyatakan dalam bentuk fungs eksponensal sepert djelaskan oleh persamaan (5.15) dan (5.21). Dalam peneltan n bobot peluang teramblnya contoh dhtung berdasarkan penarkan contoh dua tahap sehngga bobot peluang penarkan contoh untuk tahap satu adalah w = mn N dan bobot peluang N untuk unt sepert dnyatakan oleh persamaan (5.43) yatu wj =. m n Peubah yang dduga memlk hubungan dengan peluang penarkan contoh adalah peubah respon yatu logt (p ) untuk penarkan contoh area dan logt (p j ) untuk unt. Peluang penarkan contoh untuk area adalah pps, tergantung pada jumlah penduduk, dmana jumlah penduduk sangat dpengaruh oleh maju tdaknya suatu wlayah. D Indonesa, semakn maju suatu wlayah, maka jumlah penduduknya semakn besar dan tngkat penddkannya juga makn bak artnya angka melek hurufnya makn tngg. Karena tu jka penarkan contoh area (blok sensus) dlakukan secara pps, maka akan sangat beralasan menghubungkan peluang penarkan contoh dengan angka melek huruf. Dengan kata lan peluang area ke- terambl sebaga contoh ( ) dasumskan memlk hubungan dengan p atau logt (p ). melalu formula: w = exp dmana y =logt (p ). (5.35) by Sedangkan untuk level unt, (p j ) melalu formula: w = exp j dy j dasumskan memlk hubungan dengan logt dmana y j =logt (p j ), (5.36) oleh karena tu koefsen z dan x j pada persamaan (5.6) dan (5.12) dambl sama dengan nol. Jka seluruh area kecl dalam populas dbedakan atas area yang terambl sebaga contoh dan yang tdak terambl sebaga contoh, maka dengan menggunakan formula (5.29) dan (5.30), parameter area ke- yang terambl sebaga contoh dduga dengan: 73
13 ' 2 2 ˆ µ s, = φ ( y x β ˆ) + (1 φ )( ˆ) µ + (1 φ ) bσ µ φdσ e (5.37) sedangkan pendugaan parameter untuk area yang tdak terambl sebaga contoh: ˆ µ c, j bσ µ exp( b ˆ µ + 0.5b σ µ ) = ˆ µ 2 2 (5.38) 1 exp( b ˆ µ + 0.5b σ ) µ dmana dan Metode Pendugaan Parameter Area Kecl menggunakan Model Lner Campuran Terbobot Dengan memperhatkan peluang penarkan contoh, pengaruh bobot penarkan contoh untuk pendugaan area kecl dwujudkan dalam model-logt normal terbobot mengacu kepada cara Rao (2003) yang dnyatakan dalam persamaan (5.31). Dalam peneltan n bobot tap ndvdu yang berada pada klasfkas ke j pada area ke- adalah w j, sehngga model SAE untuk y j =logt (p j ) terbobot adalah: j j j T j j T w w y = w ( x β + µ + e ) = x β + µ + e dmana y logt( p ) = log[ p /(1 p )] j = j j j dan w j j 2 e j 2 j 2 e V ( e w ) = σ w = σ δ w w (5.39) e = w e, E ( ) = 0, Pendugaan parameter pada model (5.39) menggunakan metode KMB yang dterapkan untuk model lner logstk terbobot. ~ ~ ~ T ~ µ = X β + γ ( y x β ) (5.40) j T a a e w dmana ~ = log t p µ j j. Predks yang dperoleh adalah y j terbobot yatu yˆ ' j = w yˆ, sehngga j j penduga y j tanpa bobot adalah y ˆ = yˆ / w. Selanjutnya pendugaan area kecl j ' j j menggunakan pendekatan Bayes sepert yang djelaskan pada persamaan (3.25) Evaluas Terhadap Penduga Evaluas terhadap kualtas penduga ddasarkan pada besarnya smpangan dar nla dugaan terhadap nla parameter populas yang dukur dar 74
14 Rata-rata Bas Relatf (RBR), Akar dar Rata-rata Kuadrat Bas Relatf (ARKBR) dan Kuadrat Tengah Galat (KTG): (5.41) (5.42). (5.43) Smulas Dalam rangka mengevaluas sfat penduga, maka dlakukan stud smulas dengan mengambl salah satu kecamatan d Kabupaten Sumenep yatu kecamatan Lenteng yang terdr dar 16 blok sensus dengan jumlah penduduk jwa. Jumlah penduduk berusa 10 tahun keatas jwa, terdr dar lak-lak dan perempuan. Jumlah penduduk berusa 10 tahun ke atas d tap blok sensus sangat bervaras, yatu antara 559 jwa sampa 7110 jwa. Propors penduduk yang bsa baca tuls sektar 74%, untuk lak-lak sebesar 80,53% dan perempuan hanya 69,32%. 1) Proses Penarkan contoh dan penentuan bobot Pada surva Susenas, blok sensus dplh secara acak dengan peluang proportonal to sze, oleh karena tu blok sensus merupakan area kecl yang damat. Dalam smulas n, metode penarkan contoh dlakukan sesua dengan metode Susenas yatu penarkan contoh dua tahap dmana pada tahap pertama dplh 5 blok sensus secara pps (Probablty Proportonal to Sze) dengan sze banyaknya rumah tangga hasl senara SP2010 (N ) dan pada tahap kedua, dar setap blok sensus terplh dplh sejumlah 16 rumah tangga basa secara acak berdasarkan hasl lstng SP2010. Penarkan contoh dulang sebanyak 100 kal Fraks penarkan contoh pada tahap pertama sesua dengan persamaan (5.34) dan untuk tahap kedua sesua dengan persamaan (5.35), yatu: Tahap pertama, peluang teramblnya contoh area (blok sensus) tertentu adalah dmana N adalah jumlah populas pada blok sensus ke dan N adalah jumlah populas d seluruh kecamatan. Tahap kedua, peluang teramblnya contoh da area ke- adalah 75
15 2) Pendugaan Area Kecl Sesua dengan proses yang telah djelaskan pada sub bab 5.3, pendugaan parameter model dlakukan dengan 3 cara yatu: a. Dengan menggunakan model SAE dengan tdak memperhtungkan bobot sepert pada persamaan (3.23). Pendugaan propors d area kecl menggunakan pendekatan Bayes dengan mengaplkaskan formula Bayes sepert yang dtunjukkan oleh persamaan (3.25) b. Dengan memperhtungkan bobot penarkan contoh yang dasumskan memlk hubungan eksponensal sepert dtunjukkan oleh persamaan (5.35) dan (5.36). Pendugaan area kecl menggunakan rumus (5.37) dan (5.38) c. Dengan memperhtungkan bobot penarkan contoh sepert dtunjukkan oleh persamaan (5.39) Evaluas terhadap kualtas penduga ddasarkan pada besarnya smpangan dar nla dugaan terhadap nla parameter populas yang dukur dengan RBR, ARKBR dan KTG sepert pada rumus (5.41), (5.42) dan (5.43). 3) Hasl Smulas Nla dugaan angka melek huruf (propors penduduk usa 10 tahun ke atas yang bsa baca tuls) untuk tap blok sensus d Kecamatan Lenteng, Kabupaten Sumenep sepert djelaskan pada Tabel 5.2 dan dalam bentuk grafk dtunjukkan pada Gambar 5.1. Gambar 5.2 menjelaskan besarnya bas dugaan dar masngmasng metode. Gambar 5.1 maupun Gambar 5.2 menunjukkan bahwa metode pendugaan parameter melalu pendekatan Bayes dengan menggunakan model logt normal campuran terbobot memberkan hasl yang terbak. Sedangkan untuk pendugaan parameter yang menyertakan fungs peluang dalam bentuk eksponensal memlk bas yang lebh besar. 76
16 1 0,95 0,9 0,85 0,8 0,75 0,7 0,65 0,6 0,55 0,5 Dugaan Angka Melek Huruf Populas Model Eksponensal Model logt normal Tanpa Bobot Model Logt normal dengan bobot Gambar 5.1 Plot hasl smulas pendugaan p (angka melek huruf) untuk tap blok sensus d Kecamatan Lenteng, Kabupaten Sumenep 0,500 0,400 Bas Dugaan Angka Melek Huruf 0,300 0,200 0,100 0,000-0, ,200 Bas Model Eksponensal Bas Model logt normal Tanpa Bobot Bas Model Logt normal dengan bobot Gambar 5.2 Plot hasl smulas bas pendugaan p untuk tap blok sensus d Kecamatan Lenteng, Kabupaten Sumenep Hasl smulas n juga menunjukkan bahwa model logt normal campuran terbobot dengan pendekatan Bayes memberkan nla ARKBR dan KTG palng kecl yatu sebesar 0,0107 dbandngkan metode yang lan (lhattabel 5.1). Namun hasl perhtungan nla rata-rata bas relatf (RBR) lebh tngg dbandngkan dengan dengan SAE yang menyertakan model peluang eksponensal. Tnggnya nla KTG untuk model SAE eksponensal tersebut dsebabkan karena bas pada area (blok sensus) ke-7 sangat tngg dan model 77
17 nla pendugaan dar hasl smulas lebh menyebar dbandngkan dengan metode yang lan. Tabel 5.1. Nla rata-rata bas relatf dan rata-rata kuadrat bas relatf untuk model terbobot dan model eksponensal pˆ EB KTG RBR RKBR Model Logt Normal 0,824 0,0203 0,1122 0,1430 Model Logt Normal Terbobot (W) 0,835 0,0107 0,0414 0,1298 Model Eksponensal 0,740 0,1172-0,0009 0,2266 Populas 0,741 Tabel 5.2. Hasl Smulas Dugaan p (propors penduduk usa 10 tahun ke atas yang bsa baca tuls) untuk tap blok sensus d Kecamatan Lenteng, Kabupaten Sumenep Blok ModelCampuran Logt Normal Tanpa Bobot Model Campuran Logt Normal Terbobot Model- Eksponensal Populas pˆ EB -TB pˆ EB -B pˆ EB - Exp p Angka Melek Huruf Kecamatan Lenteng Aplkas : Pendugaan Angka Melek Huruf d Kabupaten Sumenep dan Kabupaten Pasuruan Provns Jawa Tmur Berdasarkan hasl smulas, metode terbak untuk pendugaan parameter propors adalah model logt normal terbobot dmana pendugaan parameter area dlakukan melalu pendekatan Bayes. Selanjutnya metode tersebut dgunakan untuk menduga angka melek huruf d Kabupaten Sumenep dan Pasuruan. Hasl 78
18 pendugaan parameter model SAE dengan menggunakan metode PQL dapat dlhat pada Tabel 5.3 Gambar 5.3. menunjukkan hasl dugaan angka melek huruf d Kabupaten Sumenep dan Kabupaten Pasuruan. Predks angka melek huruf d kabupaten Sumenep adalah 0,8189 dmana nla parameter populas 0,7589. Propors 1,00 0,90 0,80 0,70 0,60 0,50 0, Kode Kecamatan Populas Model Bobot B a s 0,20 0,15 0,10 0,05 0,00-0,05-0,10-0,15-0,20-0,25-0, Kode Kecamatan rata-rata bas = (a) Nla parameter vs dugaan angka melek huruf (b) Nla bas dugaan angka melek huruf Propors Gambar 5.3 Nla dugaan, parameter populas dan bas dugaan angka melek huruf d Kabupaten Sumenep 1,0000 0,9000 0,8000 0,7000 0,6000 0,5000 0, Populas Kode Kecamatan Model Bobot B a s 0,6 0,5 0,4 0,3 0,2 0,1 0-0,1-0,2-0, Kode Kecamatan rata-rata bas = Kec. Bej (a) Nla parameter vs dugaan angka melek huruf (b) Nla bas dugaan angka melek huruf Gambar 5.4. Nla dugaan, parameter populas dan bas dugaan angka melek huruf d Kabupaten Pasuruan 79
19 Sedangkan untuk kabupaten Pasuruan, nla predksnya adalah 0,8808 dengan nla parameter populas: 0,9044. Terlhat bahwa perbedaan antara nla dugaan dan nla parameter populas relatf sangat kecl, artnya Model Logt Normal Terbobot dapat menghaslkan bas yang sangat kecl. Nla KTG untuk dugaan tersebut adalah 0,0149 untuk Kabupaten Sumenep dan untuk Kabupaten Pasuruan sedkt lebh besar yatu 0,0202. Tnggnya nla KTG d Kabupaten Pasuruan dsebabkan karena bas dugaan yang relatf tngg d salah satu kecamatan yatu d Kecamatan Tosar karena propors penduduk berusa 10 tahun keatas yang bsa baca tuls d kecamatan tersebut sangat rendah dbandngkan dengan kecamatan yang lan yatu hanya sektar 50% Model SAE Berbass Penarkan Contoh Berpeluang Tdak Sama Untuk Peubah Respon Multnomal Pengembangan model SAE: Model Campuran Logt Multnomal Terbobot y Sebaran marjnal dar setap komponen multnomal y k adalah bnomal: B( n, p ). Jka X k merupakan vektor kovarat tetap dan dasumskan tdak k ~ k tdak tergantung pada dan k, maka model lner yang ddasarkan pada raso θ = log k q 1 ( p / p ) = log p / 1 p k q k k k = 1 (4.2) adalah θ k = xkβk + uk, untuk =1,...m dan k=1,...q sepert yang dnyatakan oleh persamaan Hasl pengembangan model SAE untuk respon bnomal sebelumnya telah dsmpulkan bahwa model SAE terbak untuk respon bnomal yang menyertakan peluang penarkan contoh adalah model campuran logt-normal terbobot. Oleh karena tu dalam peneltan n, bobot peluang juga dperhtungkan dalam model SAE untuk peubah respon multnomal. Bobot peluang dberkan kepada setap unt percobaan sehngga pada model SAE yang djelaskan oleh persamaan (4.2) adalah w = w / n dmana w jk adalah bobot pengamatan ke j pada katagor k j jk k. ke k d area ke. Sehngga model SAE untuk logt (p k ) terbobot dar peubah respon multnomal adalah: y = w y = w [ x β + u + e ] kw k k k k k k k (5.52) 80
20 dmana q 1 y = log p / p = log p / 1 p dar percontohan. k k q k k k = 1 Selanjutnya pendugaan parameter model dlakukan dengan metode PQL dan REML sama sepert pada pendugaan parameter model SAE untuk respon bnomal untuk memperoleh pendugaan βˆ danσˆ dar model terbobot. kw kυw Untuk X k, yatu peubah penyerta dar populas dketahu, maka nla dugaan dar logt (p kw ) adalah ˆ θ = X ˆ β + u. Untuk mendapatkan nla kw k kw k ˆ θ = log p / p k maka k q katagor yatu 1/w k. θˆ dkalkan dengan kebalkan bobot untuk setap kw Pendugaan parameter model (5.22) menggunakan metode PQL yang dterapkan untuk model lner logstk terbobot. Predks yang dperoleh adalah y k terbobot yatu yˆ ' = k w k yˆ k, sehngga penduga y k tanpa bobot adalah y ˆ = yˆ' / w k k w. Selanjutnya pendugaan area kecl menggunakan pendekatan Bayes sepert yang djelaskan pada persamaan (3.25) yatu dengan menduga * komponen y dar persamaan k p k = f y + f y. p k adalah propors unt k k * ( 1 k ) k populas pada katagor ke-k d area ke- yang dnyatakan sebaga jumlah dar komponen percontohan dan komponen bukan percontohan dmana f k = n k /N k adalah fraks percontohan untuk katagor ke k. y k * y k adalah rata-rata contoh (propors) d area ke dan katagor ke k adalah rata-rata dar unt-unt yang tdak dambl contohnya pada Pendugaan katagor ke-k dalam area * yk dturunkan dengan cara yang sama dengan penduga Bayes untuk model SAE dengan peubah respon multnomal pada Bab IV yatu dengan persamaan (4.8). Penduga Bayes emprk untuk p k katagor ke k d area ke ) yatu p EB = k pˆ B ( ˆ, β ˆ σ ) k υ (propors pada Pendugaaan KTG ( pˆ EB ) dlakukan dengan metode Jackknfe sepert k yang dlakukan pada pendugaan SAE untuk peubah respon Bnomal pada Bab III atau respon multnomal tanpa bobot pada Bab IV yatu dengan menggantkan 81
21 p ˆ EB = k ( y, ˆ, µ ˆ) σ dan pˆ EB = k ( y, ˆ µ, ˆ σ ) dalam persamaan (4.5) k k k k, l k k l l sampa dengan persamaan (4.6) untuk memperoleh Mˆ dan 1k Mˆ 2k. Dengan demkan nla KTG KTG ( pˆ EB ) = k Mˆ + Mˆ. 1k 2k untuk pendugaan pada katagor ke k dan area ke Aplkas: Pendugaan Rata-rata Lama Sekolah d Tngkat Kecamatan d Kabupaten Sumenep dan Kabupaten Pasuruan. Model SAE untuk respon multnomal terbobot sepert djelaskan oleh persamaan (5.22) daplkaskan untuk menghtung rata-rata lama sekolah kecamatan d Kabupaten Sumenep dan Kabupaten Pasuruan. Pendugaan ratarata lama sekolah d tap kecamatan ddasarkan pada model area kecl yatu blok sensus. Melalu pendekatan Bayes, dengan menggunakan rumus (3.25), nla penduga propors penduduk d tap jenjang penddkan dan rata-rata nla KTG berdasarkan model SAE yang dperoleh dtunjukkan oleh Lampran 17 dan Lampran 19 dan secara grafs dtunjukkan oleh Gambar 5.5 dan Gambar 5.6. Dalam satu kecamatan, propors penduduk d tap jenjang penddkan relatf sama dar satu blok sensus ke blok sensus yang lan relatf homogen, sehngga dengan metode Jackknfe, penduga KTG relatf sangat kecl yatu untuk Kabupaten Sumenep antara 3,9 x sampa 1,2 x10-5, sedangkan untuk Kabupaten Pasuruan antara 1, sampa 1, Gambar 5.7 menunjukkan rata-rata lama sekolah d tap kecamatan berdasarkan model SAE logt multnomal terbobot. Untuk Kabupaten Sumenep, rata-rata lama sekolah antara 3.99 tahun sampa 8,36 tahun dan d Kabupaten Pasuruan antara 4,11 tahun sampa 10,97 tahun. Beberapa kecamatan d Kabupaten Sumenep dan Pasuruan bahkan memlk rata-rata lama sekolah relatf rendah yatu sektar 4 tahun. 82
22 0,7000 Dugaan propors d tap jenjang penddkan Kab. Sumenep (dengan pembobotan) Dugaan KTG (dengan pembobotan) Propors 0,6000 0,5000 0,4000 0,3000 0,2000 0,1000 0, MSE 9,00E-05 8,00E-05 7,00E-05 6,00E-05 5,00E-05 4,00E-05 3,00E-05 2,00E-05 1,00E-05 0,00E Tdak Sekolah SD SMA Kecamatan Putus SD SMP PT Tdak Sekolah SD SMA Kecamatan Putus SD SMP PT Gambar 5.5. Nla dugaan propors penduduk pada tap jenjang penddkan tertentu dan dugaan KTG menggunakan model SAE logt multnomal terbobot d Kabupaten Sumenep Pendugaan Tngkat Penddkan Kab. Pasuruan (dengan pembobotan) MSE Pendugaan Tngkat Penddkan Kab. Pasuruan (dengan pembobotan) Propors 0,9000 0,8000 0,7000 0,6000 0,5000 0,4000 0,3000 0,2000 0,1000 0, Tdak Sekolah SD SMA Kecamatan Putus SD SMP PT MSE 9,00E-03 8,00E-03 7,00E-03 6,00E-03 5,00E-03 4,00E-03 3,00E-03 2,00E-03 1,00E-03 0,00E Tdak Sekolah SD SMA Kecamatan Putus SD SMP PT Gambar 5.6. Nla dugaan propors penduduk pada tap jenjang penddkan tertentu dan dugaan KTG menggunakan model SAE logt multnomal terbobot d Kabupaten Pasuruan 83
23 Rata-rata Lama Sekolah d tap kecamatan, Kabupaten Sumenep 9,500 10,500 Rata-rata Lama Sekolah d tap kecamatan,kabupaten Pasuruan 8,500 7,500 6,500 5,500 4,500 3,500 8,36 6,31 5,68 5,37 7,68 7,49 7,23 7,11 6,94 6,84 6,81 6,38 4,66 4,84 4,15 5,48 5,68 7,18 7,14 7,887,95 3,99 6,98 6,72 5,51 4, Tahun Tahun 9,500 8,500 7,500 6,500 5,500 4,500 3,500 9,32 8,318,27 8,46 7,99 7,68 7,26 6,61 6,29 6,46 6,16 6,38 6,21 5,97 5,535,62 5,30 5,41 5,03 4,45 4,65 4,60 4, Kecamatan Kecamatan Gambar 5.7 Nla dugaan rata-rata lama sekolah menggunakan model SAE logt multnomal terbobot d Kabupaten Sumenep dan Pasuruan 5.6. Perhtungan Indeks Penddkan d Kabupaten Sumenep dan Pasuruan Berdasarkan predks angka melek huruf dan rata-rata lama sekolah, berkut n dhtung nla Indeks Penddkan d tap kecamatan menggunakan rumus sebaga berkut: Indeks Penddkan = 2/3 I MH +1/3 IRLS dmana: Indeks AMH/RLS: (X X mn )/ (X max X mn ) AMH: Angka melek huruf IMH: Indeks melek huruf RLS: Rata-rata lama sekolah IRLS : Indeks Rata-rata lama sekolah Dalam bentuk grafk nla ndeks penddkan d tap kecamatan dkabupaten Sumenep dan Pasuruan dapat dlhat pada Gambar 5.8. Sedangkan dalam peta tematk ndeks penddkan d Kabupaten Sumenep dan pasuruan dtunjukkan pada Gambar 5.9. dan Gambar
24 Kabupaten Sumenep Kabupaten Pasuruan Indeks 90,00 80,00 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00 Indeks 90,00 80,00 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0, Kecamatan Kecamatan Gambar 5.8. Predks Indeks Penddkan d kabupaten Sumenep dan Kabupaten Pasuruan menggunakan model SAE Gambar 5.9. Peta Tematk Indeks Penddkan d kabupaten Sumenep 85
25 Gambar Peta Tematk Indeks Penddkan d kabupaten Pasuruan 5.7. Pembahasan Model SAE untuk respon Bnomal dengan memperhtungkan peluang penarkan contoh. Hasl smulas menunjukkan bahwa metode pendugaan area kecl menggunakan sebaran pror logt normal melalu pendekatan Bayes emprk yang dkembangkan dengan memperhtungkan peluang penarkan contoh memberkan penduga parameter propors area kecl yang palng bak karena dapat menurunkan bas dan KTG dar penduga. Sementara tu metode pendugaan area kecl yang dkembangkan berdasarkan penarkan contoh nformatf yatu dengan menyertakan model peluang penarkan contoh dalam bentuk fungs eksponensal memberkan rata-rata bas relatf yang rendah namun memberkan akar rata-rata kuadrat bas relatf maupun KGT yang lebh tngg dbandngkan dengan metode pendugaan menggunakan sebaran pror logt normal terbobot. Besarnya nla KTG lebh banyak dsebabkan karena ragam pendugaan yang relatf besar sehngga walaupun memberkan bas yang kecl maka KTG akan cenderung tngg. Penurunan bas dar model SAE eksponensal n menunjukkan 86
26 bahwa memperhtungkan peluang penarkan contoh dalam model SAE akan dapat menurunkan bas. Pfefferman (2010) mengatakan bahwa mengabakan peluang penarkan contoh dalam model SAE akan menghaslkan bas pendugaan karena dengan mengabakan peluang penarkan contoh, maka pendugaan parameter model untuk area/unt yang terambl sebaga contoh sama dengan area/unt yang tdak terambl sebaga contoh. Dengan mengaplkaskan model SAE logt normal terbobot melalu pendekatan Bayes, dhaslkan perbedaan antara nla parameter populas dengan predksnya relatf kecl, rata-rata bas relatf mutlak untuk Kabupaten Sumenep 0,0628 dengan KTG sebesar 0,0149. Untuk Kabupaten Pasuruan, rata-rata bas relatf mutlak adalah 0,0136 dengan nla KTG sebesar 0,0202. Oleh karena tu, berdasarkan hasl smulas maupun aplkas d Kabupaten Sumenep dan Pasuruan menunjukkan bahwa model SAE untuk peubah respon Bnomal menggunakan model campran logt normal terbobot memberkan hasl yang palng akurat dalam pendugaan parameter propors area kecl Model SAE untuk respon Multnomal dengan memperhtungkan peluang penarkan contoh. Oleh karena model campuran logt normal terbobot memberkan hasl yang palng bak pada pendugaan area kecl untuk respon bnomal, maka dterapkan cara yang sama pada pendugaan area kecl untuk respon multnomal. Untuk Kabupaten Sumenep, nla pendugaan rata-rata lama sekolah antara 3,99 tahun sampa 8,36 tahun. Untuk Kabupaten Pasuruan rata-rata lama sekolah antara 4,11 tahun sampa 10,92 tahun. Nla dugaan KTG menggunakan metode Jackknfe relatf sangat kecl, tertngg adalah 0,00137 karena pada umumnya konds blok sensus d tap kecamatan relatf sama. Besarnya KTG tersebut sangat dpengaruh oleh homogentas atau heterogentas dar nla respon dar area yang satu ke area yang lan. 87
MODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL
MODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL APLIKASI : PENDUGAAN INDEKS PENDIDIKAN LEVEL KECAMATAN DI JAWA TIMUR AGNES
Lebih terperinciPemetaan Penyakit Demam Berdarah (DBD) Kota Makassar Dengan Penduga Empirical Bayes
Jurnal Matematka, Statstka & Komputas 1 Vol. 4 No. Januar 008 Pemetaan Penyakt Demam Berdarah (DBD) Kota Makassar Dengan Penduga Emprcal Bayes Ansa Abstrak Peneltan n mengkaj penggunaan model Emprcal Bayes
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 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 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 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 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 terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
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 terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
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 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 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 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 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 terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
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 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. 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 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 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 terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinci2. ANALISIS DATA LONGITUDINAL
. ANALISIS DATA LONGITUDINAL Data longtudnal merupakan salah satu bentuk data berkorelas. Pada data longtudnal, peubah respon dukur pada beberapa ttk waktu untuk setap subyek. Dalam stud longtudnal dmungknkan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBADAN PUSAT STATISTIK KABUPATEN JAYAPURA
BADAN PUSAT STATISTIK KABUPATEN JAYAPURA BADAN PUSAT STATISTIK KABUPATEN JAYAPURA Sensus Penduduk 2010 merupakan sebuah kegatan besar bangsa Badan Pusat Statstk (BPS) berdasarkan Undang-undang Nomor 16
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
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 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 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 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 terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciMINGGU KE- V: UKURAN PENYEBARAN
MINGGU KE- V: UKURAN PENYEBARAN Tujuan Instruksonal Umum :. Mahasswa mampu memaham apa yang dmaksud dengan ukuran penyebaran. Mahasswa mampu memaham berbaga pengukuran untuk mencar nla ukuran penyebaran
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB 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 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
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 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 terperinciEVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS
EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS Resa Septan Pontoh Departemen Statstka Unverstas Padjadjaran resa.septan@unpad.ac.d ABSTRAK.
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 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 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 terperinciANALISIS PEUBAH RESPON BINER
Analss Peubah Respon Bner... (Ksmantn) ANALISIS PEUBAH RESPON BINER Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Pada regres lner klask, peubah respon dasumskan merupakan
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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
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 terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBAB IV TRIP GENERATION
BAB IV TRIP GENERATION 4.1 PENDAHULUAN Trp Generaton td : 1. Trp Producton 2. Trp Attracton j Generator Attractor - Setap tempat mempunya fktor untuk membangktkan dan menark pergerakan - Bangktan, Tarkan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciNirwan Ilyas, Anisa, Andi Kresna Jaya ABSTRAK
PERBANDINGAN MODEL REGRESI LOGISTIK DAN ZERO-INFLATED POISSON (ZIP) UNTUK MENGANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS KELANGSUNGAN HIDUP PENDERITA PENYAKIT DEMAM BERDARAH (DBD) RS WAHIDIN SUDIROHUSODO
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 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 VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
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 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 terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
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 terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
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 terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB 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 terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciRegresi Polinomial local untuk Data Survey Skala Besar
Semnar Nasonal Statstka IX Insttut eknolog Sepuluh Nopember, 7 November 009 Regres Polnomal local untuk Data Survey Skala Besar Stud kasus: Model Pengeluaran Rumah angga berdasarkan Data Susenas Jawa mur
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 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 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 IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
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 terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciPost test (Treatment) Y 1 X Y 2
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl
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 terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciBAB 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 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 terperinci2 TINJAUAN PUSTAKA. Model Persamaan Struktural (MPS)
3 2 TINJAUAN PUSTAKA Model Persamaan Struktural (MPS) Model persamaan struktural (MPS) merupakan salah satu analss multvarat yang dapat menganalss hubungan peubah secara kompleks. Analss n pada umumnya
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
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 terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB IV HASIL PENELITIAN
6 BAB IV HAIL PENELITIAN A. Deskrps Data Hasl Peneltan Untuk mengetahu keefektfan penerapan model pembelajaran cooperatve learnng tpe TAD (tudent Teams-Achevement Dvsons) terhadap hasl belajar matematka
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 II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi
BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data
Lebih terperinciBAB V ANALISIS FAKTOR-FAKTOR BEBAN DAN TAHANAN (LOAD AND RESISTANCE FACTOR)
BAB V ANALISIS FAKTOR-FAKTOR BEBAN DAN TAHANAN (LOAD AND RESISTANCE FACTOR) 5.1 Umum Pada bab V n dbahas mengena hasl perhtungan faktor-faktor beban (load) atau serng dsebut dengan faktor pengal beban,
Lebih terperinciIII. METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
8 III. METODE PENELITIAN A. Metode Peneltan Metode peneltan adalah suatu cara yang dpergunakan untuk pemecahan masalah dengan teknk dan alat tertentu sehngga dperoleh hasl yang sesua dengan tujuan peneltan.
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 terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
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 terperinci