II. TINJAUAN PUSTAKA Pendidikan Politeknik

Ukuran: px
Mulai penontonan dengan halaman:

Download "II. TINJAUAN PUSTAKA Pendidikan Politeknik"

Transkripsi

1 6 II. TINJAUAN PUSTAKA.. Peddka Poltekk Peddka Poltekk merupaka alur peddka profesoal a membekal lulusaa dea keterampla, peetahua teor da skap dspl a t. Poltekk membekal mahasswaa dsamp kemampua Hardskll ua kemampua Sofskll. Seha dharapka alum Poltekk mead teaa profesoal a sap paka da kompetes d bdaa. Pada prosesa belaar d poltekk, mahasswa memperoleh 4% praktek da 6% teor. Kods demka membutuhka suatu adaptas da motvas a saat t dar mahasswa aar dapat bertaha d tap semestera seha mereka berhasl meelesaka peddka d Poltekk tepat waktu. Salah satu a mead tolak ukur keberhasla stud mahasswa adalah la deks prestas IP, betu ua d Poltekk Neer Badu POLBAN. Nla IP tap semester mead salah satu faktor a meetuka apakah mahasswa tersebut dapat melautka ke semester berkuta atau tdak drop out. Dalam atura d POLBAN, deraat keberhasla stud mahasswa POLBAN dataka dea Ideks Prestas Kumulatf IPK. Seora mahasswa POLBAN dataka lulus peuh pada suatu semester bla mempua la IP. da umlah mata kulah dea la D maksmum 7 SKS da tapa la E. Mahasswa dataka lulus percobaa pada suatu semester ka dpeuh : la IP. da la D>7 SKS, tapa la E atau.7 IP. da la D 7 SKS tapa la E. Mahasswa aka dkeluarka dar Poltekk DO dea alasa akademk bla dua semester berturut-turut lulus percobaa sampa dea semester IV, mempua la.7 IP<. da umlah SKS la D>7 SKS, la IP d bawah.7, mempua la E pada semester I, II, III da IV, melewat batas stud a telah dtetapka ak sekura-kuraa 6 semester da selama-lamaa semester, termasuk cut da meula, da mempua status ketdakhadra a tdak dzka, ak tdak hadr tapa selama 38

2 7 am, da tdak memeuh sarat kelulusa pada semester VI setelah dber kesempata meula... Faktor-faktor a Berpearuh Terhadap Keberhasla Mahasswa Secara ars besar faktor-faktor a mempearuh keberhasla stud mahasswa d perurua t dba mead faktor ak faktor telektual da faktor o-telektual Muthe 995 dacu Hdaat. Faktor telektual adalah kemampua seseora a dperlhatka melalu kecerdasa da kepadaaa dalam berfkr da berbuat a melput : bakat, kapastas belaar, kecerdasa da hasl belaar a telah dcapa. Faktor o-telektual adalah seala kods dar dalam da dar luar dra atau lkua sektar a terkat dea dr seseora dalam mempearuh kemampua berfkr da bertdak. Meurut Surabrata 989, hal-hal a mempearuh proses belaar meaar melput pearuh dar dalam atu keadaa fskolos kesehata, kods paca dra, da z a cukup da keadaa fsolos mat, kecerdasa, motvas da kemampua kotf. Selauta pearuh dar luar melput put lkua da put strumetal..3. Reres Lostk Aalss Reres Lostk duaka utuk memerksa hubua atara peubah respo a berupa peubah kualtatf, atu peubah berskala omal atau ordal dea peubah-peubah peelas predctor a bsa terdr dar peubah kualtatf maupu kuattatf. Peubah respo dalam reres lostk dapat berupa peubah dkhotom ber maupu poltom ordal atau omal. Msalka data hasl peamata mempua peubah peelas a dataka oleh vektor X,X,..., X a berpasaa dea peubah respo Y a berla da. Nla peubah meataka bahwa respo memlk krtera a dharapka da tdak memlk krtera a dharapka, maka peubah respo Y memlk sebara Beroull dea parameter da fus sebara peluaa adalah :

3 8 f Model Reres Lostk atara dea adalah : ep ep Fus reres d atas berbetuk curvlear. Dea trasformas lot maka curvlear tersebut aka mead fus lear. Arest 996. Ilustras pada Gambar aka memperelas trasformas lot. Lot Trasformas Lot Predktor X Predktor X Gambar Trasformas Lot curvlear ke Lear Model Lot metrasformas masalah predks pelua dea rae, mead masalah predks lo odds. Trasformas Lot dataka dalam persamaa berkut : lot l 3 dmaa X X... X merupaka lot Hosmer & Lemeshow. Pembukta : l ep dmaa ep 4

4 9 maka [ ] ep l ep ep ep ep ep ep l 5 Jad terbukt bahwa lot l Betuk 4 dapat ua dtuls sebaa... 6 Seha persamaa dapat dotaska mead 8 ep - da 7 ep ep Selauta karea ada peamata, a dasumska bebas, maka utuk medua parameter,,..., dlakuka dea metode kemuka maksmum sebaa berkut f f l,...,, 9 l l l l l l L L l L Fus L tersebut dturuka terhadap parameter,,...,, seha dperoleh sstem persamaa dferesal a bsa dselesaka dea cara

5 teras. Setelah dperoleh la duaa,,...,,, maka dapat dperoleh pedua dar dea persamaa : ep 3 ep dmaa... X merupaka pedua Lot ak fus lear dar peubah peelas Hosmer & Lemeshow..3.. Peua Kesesuaa Model Peua kesesuaa model dlakuka dea memerksa peraa peubah-peubah peelas dalam model. Peua dlakuka terhadap parameter model. Peua secara smulta melbatka seluruh peubah peelas dlakuka dea meuaka u sbah kemuka lkelhood rato test atau u-g. U-G duaka utuk peua parameter dea hpotess sebaa berkut: H :... p H : mmal ada satu a tdak sama dea ol Statstk u a duaka adalah statstk G : lkelhood tapa peubah peelas G l 4 lkelhood dea peubah peelas Statstk U- G secara teorts mekut sebara χ dea deraat bebas k. Krtera keputusa a dambl adalah meolak H, \ ka G htu χ α k Hosmer & Lemeshow. Apabla pada U G, H dtolak maka lautka dea U- Wald a duaka utuk meu parameter secara parsal. Hpotess a aka du adalah : H : H :,,...,k Statstk u Wald adalah :

6 Λ W 5 SE Λ Secara teor, statstk W mekut sebara ormal baku. Dea krtera keputusa adalah meolak H ka W Z α/ atau la p α..3.. Pereduksa Peubah Peelas Pereduksa peubah dalam reres lostk dkeal sebaa aalss reres lostk bertatar stepwse lostc reresso, dmaa lakah a dlakuka adalah meambah da meura peubah-peubah peelas satu dem satu dar model sampa ddapatka model de peubah-peubah peelas a mempua pearuh sfka. Aalss reres lostk bertatar stepwse lostc reresso terdr dar forward selecto da backward elmato. Dalam metode forward selecto prosedur dmula dea tersep, kemuda peubah peelas dmasukka satu persatu ke dalam model da du dea u Kh-Kuadrat. Apabla peubah peelas tdak sfka pada la α a dtetuka, maka peubah dkeluarka dar model. Tetap peubah peelas a sfka aka dmasukka ke dalam model. Sedaka dalam metode backward elmato, prosedur dmula dea memasukka semua peubah peelas ke dalam model, kemuda peubah du satu persatu dea u Kh-Kuadrat. Peubah peelas a tdak sfka pada la α a dtetuka dkeluarka dar model, tetap peubah peelas a sfka tetap berada dalam model Gozales 3. Tekk pereduksa peubah peelas telah terseda dalam paket peolaha komputer. Dalam peelta metode pereduksa a duaka adalah backward elmato Iterpretas Koefse Ukura utuk melhat seberapa besar kecederua pearuh peubah peelas terhadap respo duaka Raso Odds Hosmer & Lemeshow. Sedaka terpretas koefse pada model reres lostk dlakuka dea melhat la raso odds da sela kepercaaa raso oddsa. Tada postf dar

7 koefse meuukka bahwa la raso odds lebh dar satu. Betupu sebalka, utuk tada koefse eatf, maka la raso oddsa kura dar satu. Koefse model lot dapat dtuls sebaa - a meterpretaska bahwa perubaha la lot terad utuk setap perubaha satu ut peubah peelas X a selauta dsebut lo odds. Secara umum dapat dkataka bahwa lo odds adalah beda atara pedua lot a dhtu pada dua la sembara, msala a da b a dotaska sebaa : l [ψa,b] a-ba-b 6 Sedaka pedua raso odds dataka sebaa ψa,bep[a-b]. Seha apabla dmsalka a-b maka dperoleh ψa,bep, dapat dterpretaska bahwa pelua utuk pada adalah ψ kal dbadka dea. Utuk lebh elasa berkut dsaka tabel model lostk dea satu peubah dkotom. Tabel Nla-la Model Reres Lostk dea Peubah Peelas Dkotom Peubah Respo Y Y Peubah Bebas X e e e e e e Jumlah Trasformas lota : l... 7 Nla odds pada utuk adalah dea la lo adalah

8 3 Nla odds pada utuk adalah dea la lo adalah Maka la raso odds ψ merupaka raso dar odds utuk dea a dotaska sebaa : ψ 8 Jka adalah beda lot, maka ep adalah la raso odds Hosmer & Lemeshow. Sela kepercaaa -α% utuk la raso odds adalah ep[ ± Z SE ] 9 α /.3.4. Ketepata da Kesalaha Klasfkas Salah satu ukura kebaka model dalam reres lostk adalah ka model mempua pelua salah klasfkas mmal Hosmer & Lemeshow. Ketepata da kesalaha klasfkas dapat dlhat dalam tabel klasfkas. Tabel klasfkas utuk peubah respo dkotom terdr atas dua kolom la duaa da dua bars la amata. Dalam meetuka ketepata klasfkas correct classfcato terhadap amata harus dtetuka terlebh dahulu la cutpot c. Nla c a basa duaka adalah.5. Jka pelua duaa c, maka la duaa termasuk pada respo da sebalka adalah. Tabel memperlhatka tabel klasfkas secara umum. Tabel. Klasfkas Respo Amata Duaa Total Ketepata a b ab. a/. c d cd. d/. Total ac. bd. abcd ad/ Kesalaha c/. b/. bc/ Ketepata klasfkas correct classfcato terdr atas specfct da sestvt. Ketepata klasfkas dalam medua keada bahwa respo tdak memlk

9 4 krtera a dharapka, atau prosetase la duaa a sama dea la amata utuk dsebut specfct. Dalam Tabel la specfct dataka dea d/. %. Sedaka prosetase la duaa a sama dea la amata utuk dsebut sestvt. Dalam Tabel la sestvt dataka dea a/. %. Persetase total la amata a secara tepat dapat ddua oleh model dsebut total correct classfcato. Dalam Tabel total correct classfcato dataka dea ad/%. Kesalaha klasfkas terdr dar kesalaha postf da kesalaha eatf. Persetase kesalaha dalam medua respo memlk krtera a dharapka, padahal sebeara berla dsebut kesalaha postf. Dalam Tabel kesalaha postf dataka dea b/. %. Persetase kesalaha dalam medua respo tdak memlk krtera a dharapka, padahal sebeara berla dsebut kesalaha eatf. Dalam Tabel kesalaha eatf dataka dea c/. %. Selauta persetase kesalaha klasfkas total adalah bc/% dsebut total msclassfcato rate..4. Aalss Daa Taha Aalss Daa Taha Survval Aalss adalah suatu tekk aalss a duaka dalam meaalss daa taha dar satu dvdu atau beberapa dvdu Lee 99. Data daa taha ds merupaka data teta aka waktu terada suatu keada evet. Dalam aalss daa taha dapat dtetuka waktu keada sesuatu a ser dsebut waktu keaala falure, da waktu bertahaa sesuatu a dsebut waktu ketahaa lfe tme. Pada bda bomedcal, data tersesor dapat berupa waktu berkembaa suatu peakt, waktu kemata pederta kaker. Pada bda dustr, berkata dea tkat keteradala suatu alat elektrok atau kompoe sstem. Pada bda sosal dapat kta temuka pada data masa / duras suatu perkawa pertama, waktu keahata krmal da la-la. Berdasarka esa, data atau peamata tersesor dba 3, ak : sesor kaa rht sesor, sesor kr left cesor, da sesor terval terval cesor. Sesor kaa dba la mead sesor kaa es, sesor kaa es da

10 5 sesor acak. Dketahu pada sesor kaa, dvdu peamata mash hdup sampa peelta berakhr. Pada sesor kr, basaa keada a sudah damat sudah terad sebelum dvdu dtelt. Utuk sesor terval, keada atuh dalam suatu terval, dmaa peamata dlakuka secara perodk. Sedaka pada sesor kaa es, basaa waktu peelta dtetuka tetap umlah peamata a tersesor radom. Da pada sesor kaa es, waktu peamata sfata radom, amu umlah peamata a tersesor dtetuka. Dalam meetuka waktu daa taha ada 3 hal a harus dperhatka, atu :. waktu awal harus ddefska dea elas, walaupu tdak sama satuaa. skala peukura harus dtetuka 3. peerta keada evet harus dtetuka dea elas Pada peelta, waktu awal dtetuka awal semester satu da waktu akhr peelta adalah akhr semester 4empat. Sedaka skala peukura a duaka adalah semester. Keada a dharapka evet adalah mahasswa aal DO. Utuk lebh elasa dsaka lustras data survval pada Gambar. Evet keada a dharapka/do keada a tdak dharapka A B C D E 3 4 t waktu awal w a k t u semester waktu akhr Gambar Ilustras Data Survval

11 6 Pada Gambar, dperlhatka bahwa subek A mealam keaala / DO setelah semester 3, maka dalam hal subek A dkataka tdak tersesor. Subek B, sampa waktu peelta berakhr semester 4 tdak mealam evet, maka dkataka subek B tersesor d kaa. Semetara subek C, setelah melampau satu semester mealam keaala DO, dalam hal subek C dkataka tdak tersesor. Semetara tu subek D setelah semester 3 meudurka dr, maka subek D dkataka tersesor. Subek E mealam keaala / DO pada semester 4, maka dapat dkataka bahwa subek E tdak tersesor. Dalam peelta ds es data tersesor a damat adalah es data tersesor kaa es satu, karea sebaa mahasswa a damat setelah melampau kuru waktu peelta semester 4 tdak mealam keaala DO da umlah a mahasswa a tersesor tdak dtetuka radom..4.. Fus-fus dalam Aalss Daa Taha Sebara waktu daa taha basaa dataka dalam 3 fus, ak : Fus daa taha Survval fucto, fus Hazard Hazard fucto, da fus kepekata pelua probablt dest fucto. Keta fus secara matematk ekuvale. Arta ka salah satu fus dketahu, maka fus a la dapat dturuka. a. Fus Daa Taha Survval fucto Fus daa taha adalah feomea a meelaska ukura waktu terada suatu keada. Fus daa taha ddefska sebaa pelua mahasswa bertaha dalam melautka stud d POLBAN selama kuru waktu t a dataka dalam betuk St P suatu dvdu bertaha lebh dar waktu t PT t f u du Collet 996 t Meurut defs Fus dstrbus kumulatf Ft dar T, karea St-Pseora mahasswa aal /DO sebelum waktu tpt<t

12 7 atau St - Ft maka Ft-St seha dperoleh Ft t f u du Collet 996 b. Fus Kepekata Pelua probablt dest fucto Fus kepekata pelua dar waktu daa taha T ddefska sebaa lmt dar pelua a aal pada sela waktu t sampa Λ t. Dalam hal ddefska bahwa ft adalah fus kepekata pelua dar T. Da Ft adalah fus kepekata kumulatf dar T a drumuska sebaa berkut Pdvdu aal dalam terval t, t Δt ft lm Δt Δt d ft S t S' t Lee 99 dt c. Fus Hazard Hazard fucto Fus Hazard ht dar waktu daa taha T dsebut ua lau keaala bersarat Codtoal falure rate, a ddefska sebaa pelua terada kemata dvdu dalam sela waktu a pedek t,t Δ t, apabla dketahu bahwa dvdu sudah bertaha hdup selama waktu t. Fus Hazard dataka sebaa P{dvdu pada waktu t aal dalam terval t,t Δt} ht lm Δt Δt P t T < t Δt} T > t} ht lm Δt Δt f t Collet s t Hubua atara St da ht adalah ka la St ak, maka la ht turu. Betu ua sebalka, ka la St turu, maka la ht ak. Secara matemats St da ft dapat dataka dalam betuk ht. Karea ft dapat dtuls sebaa S t, maka d ht- l S t 4 dt seha dperoleh :

13 8 t h t dt l S t 5 t Dsamp tu S, maka St ep -l Fus Hazard Kumulatf dotaska sebaa t Ht h u du 6 h u du atau Ht-l St seha Step-Ht 7 t Maka fus destas mead ftht. ep - f u du Lee Model Reres Hazard Proporsoal Reres Co Model reres Hazard Proporsoal Reres Co mekatka atara varabel respo a berupa waktu bertaha dea peubah peelas. Selauta peubah peelas a meadu karakterstk-karakterstk dsebut sebaa kovarat atau peubah peelas, sedaka peubah respo adalah waktu ketahaa mahasswa. Tkat Keaala bersarat / tkat hazard dapat dtuls dalam betuk P[ t T < t Δt T t] ht lm 9 Δt Δt Setap peamata dalam aalss daa taha dapat dataka dalam betuk t, w, X J dmaa:,,..., adalah baaka peamata t, waktu seora mahasswa dapat bertaha dalam melautka studa d POLBAN sampa mealam keaala DO W dkator a berla ka mahasswa mealam keaala peamata tdak tersesor da berla ka mahasswa dapat bertaha peamata tersesor X kovarat atau peubah peelas ke- dmaa X dapat dtuls dalam vektor X [ X, X,..., X p ] merupaka peubah boeka / dumm a memlk la atau.

14 9 Fus hazard a telah dsebutka sebeluma dapat duraka mead betuk perkala atara fus hazard dasar a beratu pada waktu da fus a beratu pada kovarat, atau dtuls dalam betuk ht,x h tgx; 3 karea la ht,x da h t postf, maka la GX; ua harus postf. Co Co & Oakes,984 memlh GX; ep T X seha model 3 berubah mead: ht,x h t ep T X 3 dmaa: t waktu ha suatu keada terad waktu mahasswa aal ht,x resko mahasswa aal pada waktu t dea karakterstk X. h t fus hazard dasar basele hazard fucto atau fus hazard pada saat t da tdak beratu pada karakterstk. Β T [,,..., p ] adalah vektor koefse reres atau vektor parameter. Model 3 dsebut ua sebaa model hazard proporsoal karea merupaka sbah fus hazard dar dua dvdu dea vektor kovarat X da X a bebas terhadap t. h t, X h t, X T ep X X 3 Raso dalam persamaa 3 dsebut hazard relatf a meuukka adaa pekata atau peurua resko mahasswa a mealam kods tertetu atau dkea perlakua tertetu Lee, Peduaa Parameter Dalam medua parameter, Co dalam Lee 99 mearaka prosedur peduaa kemuka maksmum mamum lkelhood estmato berdasar atas fus kemuka bersarat. Msalka ada peamata dea k peamata a tdak tersesor da -k adalah peamata a tersesor durutka mead t < t < t 3... < t k. Selauta {R } {Rt adalah

15 hmpua resko pada waktu t, terdr atas dvdu-dvdu a bertaha ha waktu t. Pelua bahwa dvdu / mahasswa ke- aal DO, ka dketahu dvdu tersebut berada dalam R pada waktu t adalah l R h t. X h t, X atau ep X l R T T ep X Hasl kal pelua utuk setap peamata / observas waktu a tdak tersesor aka membetuk fus kemuka a haa teratu pada. Fus selauta dsebut fus kemuka bersarat dea otas k T ep X Lc 34 T ep X l l R Fus tersebut tdak beratu pada la h t. Seha utuk medua parameter model reres tdak perlu harus meetahu la h t asalka data berasal dar populas a sama. Utuk memudahka kta dalam mecar pedua kemuka maksmum L c maka duaka kosep loartma atu L L c. Selauta L L c dmaksmumka dea meurukaa terhadap da kemuda meamakaa dea ol, sepert otas berkut L L c 35 l Peua Kotrbus Peubah Peua kotrbus peubah secara bersama-sama smulta dalam aalss peubah ada duaka u sbah kemuka dea statstk u : χ [l L l L ] 36 sbl ssd Krtera keputusa adalah ka la χ htu dea taraf.5 lebh besar dar la χ tabel dea deraat bebas tertetu maka peubah-peubah tersebut memberka pearuh a ata pada taraf ata 5% Lee 99. Sedaka utuk meu hpotess H : da H : pada peua kotrbus mas-mas peubah dalam aalss tual duaka u Wald dea statstk u :

16 W Λ SE Λ 37 dmaa SE adalah alat baku pedua parameter. Statstk u aka meebar χ dea deraat bebas, utuk H berla bear Peua Fus Daa Taha Utuk medua fus daa taha dalam Reres Co duaka pedua Breslow. Fus daa taha dvdu pada t dea peubah peelas X adalah St,X [ S t] T ep X Utuk medua St,X harus terlebh dahulu medua S t. Meurut Breslow dalam Aderso 98, S t dapat dtetuka dea rumus berkut 38 Λ S t l, t l < t R d T ep X 39 d : umlah keaala pada t

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

Sudaryatno Sudirham. Permutasi dan Kombinasi

Sudaryatno Sudirham. Permutasi dan Kombinasi Sudaryato Sudrham Permutas da Kombas Permutas Permutas adalah bayakya peelompoka sejumlah tertetu kompoe ya dambl dar sejumlah kompoe ya terseda; dalam setap kelompok uruta kompoe dperhatka Msalka terseda

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin 4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER

FAKTOR-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 terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA 1. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable)

Lebih terperinci

= 8 = 7. x 4 = 24 = 8 = 5 = 13. pada persamaan ketiga dan x 3 = 5

= 8 = 7. x 4 = 24 = 8 = 5 = 13. pada persamaan ketiga dan x 3 = 5 III. REDUKSI GANJIL-GENAP/REDUKSI SIKLIS.. Alortma Sequesal Coto 9. Selesaka sstem persamaa erkut : Jawa 6 x + x = 8 x + x 5 x = 7 x + x 6 x = 5 x + 8 x = Vektor x = [ x x x x ] T dperole melalu prosedur

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN A. Jes Peelta Dalam pelta peelt megguaka racaga eksperme. Eksperme adalah observas dbawah kods buata (artfcal codto), dmaa kods tersebut dbuat da d atur oleh s peelt. Dega

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema II. LANDASAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teorea-teorea ag edukug utuk pebahasa pada bab IV. Pegerta (defs) da teorea tersebut dtulska sebaga berkut... Teorea Proeks Teorea proeks

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB Dasar Ekoom Tekk: Matematka Uag Ekoom Tekk TIP TP UB Bahasa lra Kas (Cash low Tme Value of Moey Buga Ekvales Cash low Tata alra uag masuk da keluar per perode waktu pada suatu perusahaa lra kas aka terjad

Lebih terperinci

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKIR RAIO REGREI LINEAR ANG EFIIEN UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Ed Jamlu 1* Harso Haposa rat 1 Mahasswa Program tud 1 Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENTUK IMAGE

MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENTUK IMAGE MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENUK IMAGE Irwa Bud Satoso Jurusa ekk Iformatka, Sas da ekolo Uverstas Islam Neer (UIN) Maulaa Malk Ibrahm Mala rwa.bud3377@mal.com Abstrak-Dstrbus

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB METODE PENELTAN 3.1 Tempat da Waktu Peelta Peelta dlaksaaka d areal/wlaah koses huta PT. Sarmeto Parakata Tmber, Kalmata Tegah pada bula Aprl sampa dega Me 007. 3. Baha da Alat Baha ag dguaka utuk

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA ENAKSI DUAL ATIO-UM-ODUT UNTUK ATA-ATA OULASI ADA SAMLING AAK SEDEHANA hrsta ajata, Frdaus, Haposa Srat Mahasswa rogram Stud S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu egetahua Alam Uverstas

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS PENAKIR REGREI CUM RAIO UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN KOEFIIEN KURTOI DAN KOEFIIEN KEWNE usta Wula ar *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Masalah Norm Mmum (Karat) MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Karat da Dhorva Urwatul Wutsqa Jurusa Peddka Matematka FMIPA Uverstas Neger Yogakarta Abstract I ths paper, wll be dscussed

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Metode penelitian sangat diperlukan dalam sebuah penelitian untuk

BAB III METODOLOGI PENELITIAN. Metode penelitian sangat diperlukan dalam sebuah penelitian untuk BAB III METODOLOGI PENELITIAN A. Metode Peelta Metode peelta sagat dperluka dalam sebuah peelta utuk memaham suatu objek peelta da utuk medapatka sejumlah formas tetag masalah pokok yag aka dpecahka. Ada

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB 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 terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter

Lebih terperinci

Analisis Regresi Logistik Ordinal terhadap Faktor-faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya

Analisis Regresi Logistik Ordinal terhadap Faktor-faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (013) ISSN: 337-350 (301-98X Prt) D-177 Aalss Regres Logstk Ordal terhadap Faktor-faktor yag Mempegaruh Predkat Kelulusa Mahasswa S1 d ITS Surabaya Stt Imaslhkah,

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN 11 Latar Belakag Peelta yag dlakuka oleh Va der Pol pada sebuah tabug trode tertutup, yatu sebuah alat yag dguaka utuk megedalka arus lstrk dalam suatu srkut pada trasmtter da recever meghaslka

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah

Lebih terperinci

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com

Lebih terperinci