Rata-rata Nilai. 2 saudara 25%

Ukuran: px
Mulai penontonan dengan halaman:

Download "Rata-rata Nilai. 2 saudara 25%"

Transkripsi

1 Nilai Rata-rata UASBN ,96 laki-laki,36 perempuan Gambar 6.2 Bar Chart Nilai Rata-Rata UASBN 2009/2010 Menurut Jenis Kelamin Berdasarkan Gambar 6.2, dapat diketahui hubungan antara nilai rata-rata UASBN siswasiswi SD/MI di kecamatan Tulangan dengan jenis kelamin siswa tersebut. Dari data nilai UASBN yang didapatkan pada tahun ajaran 2009/2010, dapat dilihat adanya perbedaan nilai UASBN antara siswa laki-laki dan perempuan. Terlihat bahwa rata-rata nilai UASBN siswa laki-laki lebih rendah dari nilai rata-rata UASBN siswa perempuan. Nilai rata-rata UASBN siswa laki-laki yang terdiri dari 690 siswa adalah sebesar 23,96. Sedangkan nilai-rata-rata UASBN siswa perempuan yang terdiri dari 627 siswi adalah sebesar,36. Nilai rata-rata siswa laki-laki dan perempuan memiliki selisih sebesar 0,40. 13th 38% 14th 4% 15th11th 1% 1% 12th 56% Gambar 6.3. Pie Chart peserta UASBN 2009/2010 Menurut Umur Pada Gambar 6.3 dapat diketahui bahwa peserta UASBN tahun 2009/2010 yang berjumlah siswa tersebut terdiri dari beberapa usia. Siswa SD/MI di kecamatan Tulangan terdiri atas siswa-siswi kelas enam dengan usia antara 11 hingga 15 tahun. 56% atau sebanyak 745 siswa berusia 12 tahun. Sebanyak 38% dari 1317 siswa atau sebanyak 496 siswa berusia 13 tahun. Selain itu, terdapat 4% dari siswa berusia 14 tahun. Terdapat juga 1% siswa yang mungkin terlalu dini ketika masuk SD sehingga pada saat mengikuti UASBN tahun 2009/2010 masih berusia 11 tahun. Namun ada juga 1% siswa yang mengikuti UASBN tahun 2009/2010 berusia 15 tahun. Hal ini mungkin terjadi karena siswa tersebut terlambat ketika masuk sekolah dasar atau mungkin siswa tersebut beberapa kali mengalami tinggal kelas atau terlambat masuk Sekolah Dasar. Rata-rata Nilai UASBN.70,13,26 23,75 21,08 11th 12th 13th 14th 15th Gambar 6.4 Bar Chart Nilai Rata-Rata UASBN 2009/2010 Menurut Umur Gambar 6.4 menunjukkan hubungan antara nilai rata-rata UASBN SD/MI di kecamatan Tulangan dengan usia siswa yang mengikuti UASBN tersebut. Terlihat bahwa nilai rata-rata UASBN tertinggi diraih oleh siswa-siswi dengan usia 11 tahun. Padahal pada usia ini siswa dinilai terlalu dini jika mengikuti UASBN SD/MI. Nilai rata-rata UASBN siswa yang berumur 11 tahun adalah,70. Sementara itu, nilai rata-rata UASBN terendah didapat oleh siswa-siswi yang berumur 15 tahun ketika mengikuti UASBN. Nilai rata-rata UASBN siswa dengan usia 15 tahun tersebut adalah 21,08. Siswa dengan usia 13 tahun memiliki nilai UASBN yang relatif lebih tinggi dibanding nilai rata-rata UASBN siswa dengan usia 12 dan 14 tahun. Nilai rata-rata UASBN siswa dengan usia 12 hingga 14 tahun berturut-turut adalah sebesar,13,,26, serta 23,75. Usia siswa ketika mengikuti UASBN berbanding terbalik dengan nilai rata-rata UASBN siswa tersebut. 2 saudara 25% 3 saudara 13% 4 saudara0 saudara 0% 7% 1 saudara 55% Gambar 6.5. Pie Chart peserta UASBN 2009/2010 Menurut Jumlah Saudara Pada Gambar 6.5 dapat diketahui bahwa peserta UASBN tahun 2009/2010 yang berjumlah 1317 siswa tersebut memiliki jumlah saudara yang berbeda. Siswa SD/MI di kecamatan Tulangan terdiri atas siswa-siswi kelas enam dengan jumlah saudara yang berkisar antara 0 hingga 4 saudara. 7% dari 1317 siswa merupakan anak tunggal atau tidak memiliki saudara. 55% dari siswa hanya memiliki satu saudara. Sisanya memiliki 2 hingga 4 saudara. Jumlah saudara yang dimiliki siswa erat kaitannya dengan perhatian orang tua terhadap siswa tersebut. Apabila saudara yang dimiliki siswa semakin banyak, maka perhatian orang tua 7

2 akan terpecah dan kurang terkonsentrasi pada siswa tersebut. Selain itu, apabila semakin banyak saudara yang dimiliki oleh siswa tersebut maka kondisi rumah akan semakin ramai dan kurang kondusif untuk belajar. Karakteristik nilai UASBN terhadap jumlah saudara yang dimiliki para siswa dapat dilihat pada Gambar saudara saudara saudara saudara saudara Gambar 6.6. Bar Chart peserta UASBN 2009/2010 Menurut Jumlah Saudara Berdasarkan Gambar 6.6 dapat diketahui bahwa justru semakin banyak jumlah saudara yang dimiliki, siswa tersebut mendapatkan nilai UASBN yang semakin tinggi. Hal ini mungkin saja terjadi karena bagi siswa dengan jumlah saudara yang banyak, siswa tersebut cenderung terpicu untuk berlomba-lomba dalam berprestasi dengan suadara-saudaranya. 6.2 Karakteristik Sekolah Pelaksana UASBN SD/MI Berdasarkan Akreditasi Sekolah-sekolah di kecamatan Tulangan baik Sekolah Dasar Negeri (SDN), Sekolah Dasar Swasta (SDS), maupun Madrasah Ibtidaiyah (MI) terbagi atas beberapa akreditasi. Akreditasi merupakan sebuah pengakuan untuk kompetensi. kredibilitas, kemandirian dan integritas dari Lembaga penilaian kesesuaian (LPK) dalam rangka melaksanakan kegiatan penilaian kesesuaian. Akreditasi diatur oleh Badan Akreditasi Nasional Sekolah/ Madrasah (BAN- S/M). Akredita si B 68% Akredita si A 32%.80 Gambar 6.7 Pie Chart Presentase SD/MI di Kecamatan Tulangan Berdasarkan Akreditasi Gambar 6.7 menunjukkan presentase SD/MI di Kecamatan Tulangan berdasarkan akreditasi. Terdapat 44 sekolah dasar di kecamatan Tulangan baik Sekolah Dasar Negeri (SDN), Sekolah Dasar Swasta (SDS), maupun Madrasah Ibtidaiyah. Sebanyak 32% dari 44 sekolah tersebut yaitu sebanyak 14 sekolah terakreditasi A. Sebanyak 68% sisanya, yaitu 30 sekolah mendapatkan akreditasi B. Di kecamatan Tulangan memang masih banyak sekolah dasar yang hanya mendapatkan akreditasi B. Namun, tidak ada sekolah dasar di kecamatan Tulangan yang mendapatkan akreditasi C atau belum terakreditasi pada tahun ajaran 2009/2010. Hal ini menunjukkan bawa kualitas Sekolah Dasar (SD) di Kecamatan Tulangan sudah baik mengingat akreditasi terendah adalah B. Akreditasi erat kaitannya dengan nilai UASBN. Semakin tinggi akreditasi sekolah tersebut seharusnya nilai UASBN sekolah tersebut juga semakin tinggi Gambar 6.8. Bar Chart Rata-rata Nilai UASBN di Kecamatan Tulangan Berdasarkan Akreditasi Berdasarkan Gambar 6.8 dapat diketahui nilai rata-rata UASBN sekolah berdasarkan akreditasi sekolah. Dari data yang diperoleh pada UASBN SD/MI kecamatan Tulangan pada tahun 2009/2010, dapat diketahui bahwa sekolah-sekolah dengan akreditasi A memiliki nilai rata-rata UASBN sebesar,26 Sekolah-sekolah yang mendapatkan akrditasi B justru mendapatkan nilai rata-rata sebesar 23, 96. Hal ini menunjukkan bahwa nilai rata-rata UASBN sekolah dengan akreditasi lebih rendah yaitu B lebih rendah daripada sekolah-sekolah dengan akreditasi A. Jumlah sekolah A Gambar 6.9 Bar Chart SD/MI di Kecamatan Tulangan Berdasarkan Status Sekolah Berdasarkan Gambar 6.9 dapat diketahui persebaran sekolah-sekolah dasar dan sederajat di kecamatan Tulangan. Dapat diketahui bahwa terdapat 44 sekolah dasar dan sederajat di kecamatan Tulangan. Hanya terdapat satu sekolah dasar swasta selain Madrasah Ibtidaiyah di B SDN SDS MI

3 kecamatan Tulangan. Sekolah dasar tersebut adalah Sekolah Dasar (SD) Muhammadiyah 2. Selain itu, terdapat 12 sekolah dasar swasta berbasis Madrasah Ibtidaiyah di kecamatan Tulangan. Sisanya yaitu 31 sekolah dasar merupakan Sekolah Dasar (SD) yang dikelola oleh pemerintah atau disebut juga Sekolah Dasar Negeri (SDN). 8 siswa 19% 33 siswa 2% 1036 siswa SDN SDS 79% Gambar 6.10 Pie Chart Peserta UASBN di Kecamatan Tulangan Berdasarkan Status Sekolah Dari 44 sekolah dasar penyelenggara UASBN SD/MI di kecamatan Tulangan pada tahun 2009/2010 dapat diketahui pula jumlah siswa yang menjadi peserta UASBN SD/MI di kecamatan Tulangan pada tahun 2009/2010 berdasarkan status sekolahnya. Dapat dilihat dari Gambar 4.8 bahwa 19% dari peserta UASBN SD/MI di kecamatan Tulangan pada tahun 2009/2010 tersebut berasal dari Madrasah Ibtdaiyah (MI) swasta di kecamatan Tulangan. 25 dari peserta UASBN SD/MI di kecamatan Tulangan pada tahun 2009/2010 berasal dari Sekolah Dasar (SD) swasta non MI. Selain itu, 79% dari 1317 siswa yang menjadi peserta UASBN SD/MI di kecamatan Tulangan pada tahun 2009/2010 merupakan siswa Sekolah Dasar Negeri (SDN) yang tersebar di seluruh wilayah kecamatan Tulangan. Rata-rata UASBN 26 25, SDN SDS MI Gambar 6.11 Bar Chart Rata-rata Nilai UASBN di Kecamatan Tulangan Berdasarkan Status Sekolah Berdasarkan Gambar 6.11, diketahui bahwa rata-rata nilai UASBN SDN di kecamatan Tulangan pada tahun ajaran 2009/2010 adalah sebesar,07. Nilai rata-rata UASBN untuk sekolah dasar swasta non MI adalah sebesar 25,68. Selain itu, diketahui pula nilai rata-rata UASBN Madrasah Ibtidaiyah (MI) swasta di kecamatan Tulangan adalah sebesar,07. Dapat dilihat bahwa sekolah dasar swasta non madrasah memiliki nilai rata-rata UASBN tertinggi di MI kecamatan Tulangan. Sekolah Dasar Negeri (SDN) dengan Madrasah Ibtidaiyah memiliki nilai ratarata UASBN yang relatif sepadan yaitu sekitar,075. jur.lain 43% PGSD 57% Gambar 6.12 Pie Chart Guru Kelas 6 Berdasarkan Pendidikan Terakhir Berdasarkan Gambar 6.12, dapat diketahui pendidikan guru kelas 6 dari masing-masing 44 sekolah baik Sekolah Dasar Negeri (SDN), Sekolah Dasar Swasta (SDS) non madrasah, serta Madrasah Ibtidaiyah (MI). Sebanyak 43% dari 44 sekolah dasar di kecamatan Tulangan menempatkan guru dengan pendidikan bukan Pendidikan Guru Sekolah Dasar (PGSD) sebagai guru kelas 6. Sedangkan sebanyak 57% dari 44 sekolah dasar menempatkan guru yang memang merupakan lulusan Pendidikan Guru Sekolah Dasar (PGSD) sebagai guru kelas 6. Siswa siswi yang dididik oleh masing-masing guru kelas baik dengan pendidikan terakhir Pendidikan Guru Sekolah Dasar (PGSD) maupun dari jurusan lain tentunya memiliki hasil yang berbeda. Pengaruh pendidikan terakhir guru terhadap nilai UASBN sekolah dapat dilihat berdasarkan gambar dibawah ini PGSD jur.lain Gambar Bar Chart Rata-rata UASBN Sekolah Berdasarkan Pendidikan Terakhir Guru Kelas 6 Gambar 6.13 menunjukkan hubungan antara pendidikan terakhir guru kelas 6 dengan rata-rata nilai UASBN sekolah tempat guru tersebut mengajar. Nilai rata-rata UASBN sekolah dengan guru kelas 6 yang berpendidikan terakhir PGSD adalah sebesar,43. Namun, rata-rata nilai UASBN sekolah dengan guru kelas 6 yang memiliki pendidikan terakhir selain PGSD adalah sebesar 23,57. 9

4 1.1 Uji Signifikansi Serentak Variabel Prediktor Terhadap Variabel Respon Untuk mengetahui signifikan atau tidaknya suatu variabel pada model dapat diketahui melalui pengujian signifikansi parameter. Berikut adalah pengujian signifikansi secara serentak dengan menggunakan pengujian chi-square. H 0 : γ 00 = γ 01 = = γ rp = 0 H 1 : Minimal ada satu γ rp 0, r = 0,1,,s dan p = 0,1,,s Statistik hitung: χ 2 statistik = , df = 9 p-value = <0.001 Berdasarkan hasil pengujian di atas, dapat diketahui bahwa nilai p-value dari pengujian signifikansi secara serentak yang didapatkan adalah kurang dari α yang ditentukan yaitu 0,05. Hal ini menunjukkan bahwa terjadi penolakan terhadap hipotesis nol sehingga menunjukkan bahwa minimal terdapat satu variabel yang koefisiennya tidak sama dengan nol. 1.2 Uji SignifikansiIndividu Variabel Prediktor Terhadap Variabel Respon Berpengaruh atau tidaknya masing-masing variabel prediktor tersebut dapat diketahui melalui pengujian signifikansi individu. Berikut adalah pengujian signifikansi individu setelah dilakukan pemodelan multilevel awal dengan sotware HLM7. Pengujian dilakukan dengan menggunakan uji T- rasio. H 0 : Tidak ada hubungan antara variabel prediktor dengan variabel respon H 1 : Ada hubungan antara variabel prediktor dengan variabel respon Tabel 6.1 Uji Signifikansi Individu Variabel Prediktor terhadap Variabel Respon Efek Tetap t-rasio P-value Keterangan Intersep ,00 Tolak H 0 X 1 W 1 (ukuran kelas) W 2 (pendidikan guru) W 3 (pengalaman guru kelas) W 4 (akreditasi sekolah) (jenis kelamin) X 2 (umur) X 3 0,80 0,43 Gagal Tolak H 0-2,30 0,03 Tolak H 0 1,09 0,28 Gagal tolak H 0-0,91 0,37 Gagal Tolak H 0 4,87 0,00 Tolak H 0-3,85 0,00 Tolak H 0 (jumlah saudara) 1,34 0,18 Gagal Tolak H 0 X 4 (nilai raport kls 4 smt 1) 5,95 0,00 Tolak H 0 *) signifikan pada = 0,05 Tabel 6.1 menunjukkan ada hubungan antara pendidikan guru kelas 6 (W 2 ), jenis kelamin siswa (X 1 ), umur siswa (X 2 ), serta nilai raport kelas 4 semester 1 siswa tersebut (X 4 ) dengan nilai UASBN siswa tersebut. Namun terdapat 4 variabel yang tidak signifikan terhadap nilai UASBN siswa. Variabel-variabel tersebut adalah ukuran kelas (W 1 ), pengalaman guru kelas (W 3 ), akreditasi sekolah (W 4 ) serta jumlah saudara dari siswa tersebut (X 3 ). Keempat variabel yang signifikan tersebut kemudian akan dianalisis lebih lanjut menggunakan analisis regresi multilevel. 6.4 Analisis Regresi Multilevel Random Intersep Setelah dilakukan pemodelan regresi multilevel random intersep dan didapatkan variabel-variabel yang signifikan, dilakukan kembali analisis lebih lanjut terhadap variabelvariabel yang signifikan tersebut. Pemodelan regresi multilevel random intersep dilakukan kembali pada variabel-variabel yang signifikan tersebut. Berikut adalah model regresi multilevel random intersep yang akan dibentuk. Model Level-1 Y ij = β 0j + β 1j Jk ij + β 2j umur ij + β 3j raport ij + ε ij Model Level-2 β 0j = γ 00 + γ 01 pendidikan guru kelas j + δ 0j β 1j = γ 10 β 2j = γ 20 β 3j = γ 30 Setelah persamaan digabungkan, maka akan didapatkan persamaan berikut. Y ij = γ 00 + γ 01 pendidikan guru kelas j + γ 10 Jk ij + γ 20 umur ij + γ 30 raport ij + ε ij + δ 0j Untuk mendapatkan model tersebut, digunakan suatu software yang khusus menangani tentang kasus multilevel model. Software tersebut adalah Hierarchial Linier Model (HLM7). Berikut adalah hasil output dari model yang dibentuk dan analisisnya. Tabel 6.2 Pemodelan Variabel Prediktor terhadap Variabel Respon Efek Tetap Koefisian Error t-rasio d.f. P-value ββ 0 Intersep ,19 18,80 42 <0,001 W 1 (pendidikan guru kelas) -0,90 0,35-2, ,012 X 1 (jk) 0,40 0,08 4, <0,001 X 2 (umur) -0,26 0,07-3, <0,001 X 3 (raport) 0,22 0,04 6, <0,001 10

5 Berdasarkan Tabel 6.2 diatas dapat diketahui model regresi multilevel yang didapatkan dari analisis adalah y ij = 22,33 0,90(W 1j ) + 0,40(X 1ij ) 0,26(X 2ij ) + 0,22(X 3ij ) Interpretasi dari model di atas adalah sebagai berikut. 1. Untuk siswa yang bersekolah dengan guru kelas berpendidikan PGSD berjenis kelamin laki-laki, didapatkan model regresi multilevel sebagai berikut. y ij = 22,33 0,26(X 2ij ) + 0,22(X 3ij ) y senilai 22, Untuk siswa yang bersekolah dengan guru kelas berpendidikan non PGSD berjenis kelamin lakilaki, didapatkan model regresi multilevel y ij = 21,43 0,26(X 2ij ) + 0,22(X 3ij ) y senilai 21, Untuk siswa yang bersekolah dengan guru kelas berpendidikan PGSD berjenis kelamin perempuan didapatkan model regresi multilevel y ij = 22,73 0,26(X 2ij ) + 0,22(X 3ij ) y senilai 22, Untuk siswa yang bersekolah dengan guru kelas berpendidikan non PGSD berjenis kelamin perempuan didapatkan model regresi multilevel y ij = 21,83 0,26(X 2ij ) + 0,22(X 3ij ) y senilai 21,83. Setelah didapat model regresi multilevel, maka diketahui pula nilai σ 2 dan τ dari model regresi tersebut. Dengan menggunakan nilai σ 2 dan τ, dapat dihitung nilai Intra Class Correlation (ICC) dari masing-masing variabel dalam model tersebut. Perhitungan ICC model tersebut adalah ICC = τ τ + σ 2 = = 0, Nilai dari Intra Class Correlation (ICC) tersebut menunjukkan nilai korelasi atau hubungan dari masing-masing unit pada level 2(sekolah). Semakin tinggi nilai ICC menunjukkan bahwa masing-masing sekolah tersebut memiliki hubungan yang semakin berkaitan. Berdasarkan perhitungan didapatkan bahwa nilai ICC adalah sebesar 0,349. Hal tersebut menunjukkan bahwa terdapat 34% variansi pada nilai UASBN yang merupakan variansi antar sekolah, sedangkan 66% sisanya merupakan variansi yang terdapat pada level siswa (individu). Dengan menggunakan HLM, dapat pula diketahu R 2 dari model yang terbentuk. R 2 merupakan proporsi pereduksian varians setelah dimasukkan variabel-variabel yang dianggap signifikan. Nilai R 2 menunjukkan berapa besar varians yang dijelaskan dalam model. Persentase variansi yang dijelaskan (proporsi pereduksian variansi) berdasarkan prediktor pada level 1 adalah 2 R level 1 = σσ2 mmmmmmmmmm haaaaaaaa iiiiiiiiiiiiiiii σσ 2 mmmmmmmmmm ssssssssssssssssssss σσ 2 mmmmmmmmmm haaaaaaaa iiiiiiiiiiiiiiii = = 0,0547 ~ 5,5% Berdasarkan perhitungan tersebut dapat diketahui bahwa variansi yang dijelaskan oleh variabel variabel prediktor pada level 1 terhadap model adalah sebesar 5,5 %. Hal ini terjadi karena kemungkinan besar masih banyak faktor-faktor lain yang mempengaruhi nilai UASBN siswa SD/MI di Kecamatan Tulangan pada tahun ajaran 2009/2010 dan belum masuk dalam model level satu tersebut. Persentase variansi yang dijelaskan (proporsi pereduksian variansi) berdasarkan prediktor pada level 2 adalah 11

6 2 R level 2 = τ model hanya intersep τ model signifikan τ model hanya intersep = = 0, ~ 14,26% Berdasarkan hasil berhitungan R 2 berdasarkan variabel prediktor level 2 tersebut dapat diketahui 2 bahwa nilai R level 2 adalah 14,26 persen. Hal tersebut menunjukkan bahwa variabel prediktor pada level dua yaitu pendidikan guru kelas enam mampu mereduksi variansi awal atau mampu menjelaskan nilai UASBN siswa sebesar 14,26 %. 2 Nilai R level 2 tersebut relatif kecil mengingat masih banyak variabel lain pada sekolah penyelenggara UASBN yang mempengaruhi nilai UASBN siswa di sekolah tersebut. 2. Kesimpulan dan Saran 7.1 Kesimpulan Berdasarkan hasil analisis data terhadap faktor-faktor yang mempengaruhi UASBN SD/MI di Kecamatan Tulangan pada tahun ajaran 2009/2010 dengan menggunakan analisis regresi multilevel, diperoleh hasil 1. Karakteristik peserta UASBN dan sekolah penyelenggara UASBN SD/MI di Kecamatan Tulangan pada tahun 2009/2010 adalah sebagai berikut. a. Siswa peserta UASBN terdiri dari 48% laki-laki dan 52% perempuan. 38% siswa berusia 13 tahun, 56% berusia 12 tahun dan sisanya berusia 11, 14, dan 15 tahun. 55% peserta UASBN memiliki 1 saudara, 25% memiliki 2 saudara, 13% memiiki 3 saudara, 7% anak tunggal dan sisanya memiliki 4 saudara. b. Sekolah penyelenggara UASBN terdiri dari 68% sekolah dengan akreditasi B dan 32% berakreditasi A. 31 sekolah adalah SD Negeri, 1 SD swasta non madrasah, dan 12 MI. 57% sekolah memiliki guru kelas 6 berpendidikan PGSD dan 43% guru kelas 6 non-pgsd. 2. Faktor-faktor yang mempengaruhi nilai UASBN SD/MI di Kecamatan Tulangan tahun ajaran 2009/2010 adalah jenis kelamin, umur, nilai raport kelas IV, dan pendidikan guru. UASBN cenderung berkurang sebesar 0,26 dan pada setiap peningkatan nilai raport kelas 4 semester 1 pada tiga pelajaran UASBN, nilai UASBN cenderung bertambah sebesar 0,22 satuan. Perpotongan pada sumbu x (intersep) untuk siswa laki-laki dengan pendidikan guru kelas PGSD dan non PGSD maupun siswa perempuan dengan pendidikan guru kelas PGSD maupun non PGSD berturut-turut adalah sebesar 22,33, 21,43, 22,73 dan 21, Saran Adapun saran yang dapat diberikan setelah melakukan penelitian adalah perlu digali lebih lanjut akan faktor-faktor yang mempengaruhi nilai UASBN siswa disamping faktor-faktor yang telah diteliti di atas. Hal tersebut mengingat masih banyak lagi faktor-faktor yang mungkin mempengaruhi ketidak-berhasilan seorang siswa dalam UASBN. 3. PUSTAKA BSNP. (2008). Standar Nasional Pendidikan. Jakarta : BSNP dan BALITBANG. Dewi L., Anastasia. (2008). Estimasi Parameter Regresi Logistik Multilevel. Jakarta: Skripsi FMIPA UI. Ermawati. (2008). Perbandingan Prestasi Belajar Siswa dengan Mengunakan Multigroup Structural Equation model. Surabaya: Tesis Jurusan Statistika ITS. Mendiknas. (2009). Permendiknas No.74 Th.2009 Tentang Ujian Akhir Sekolah Berstandar Nasional (UASBN) Sekolah Dasar/Madrasah Ibtidaiyah/Sekolah Dasar Luar Biasa (SD/MI/SDLB) Tahun Pelajaran 2009/2010. Jakarta: Mendiknas press. Dalyono, M. dan TIM MKDK IKIP Semarang. (1997). Psikologi Pendidikan. Semarang: IKIP Semarang Press. Drapper, N.R. dan Smith, H. (1981). Applied Regression Analysis. New York: John Wiley & Sons. Goldstein, H. (2003). Multilevel Statistical Models. London: Arnold Publishers. Hox, J.J. (2002). Multilevel Analysis: Techniques and Applications. Mahwah: Lawrence Erlbaum Associates. Kreft, I. dan De Leeuw. (1998). Introducing Multilevel Modeling. London: Sage. Raudenbush, S., dkk. (2001). HLM 7: Hierarchical Linear and Nonlinear Model. USA: SSI, Inc. Singer, J.D. dan Willet, J.B. (2003). Applied Longitudinal Data Analysis: Modelling Change and Event Occurrence. London: Oxford University Press. Sutarsih. (2008). Pemodelan Nilai UNAS Dengan Pendekatan Regresi Spline. Surabaya : Tesis Jurusan Statistika ITS. 12

OLEH: SINDY FEBRI A DOSEN PEMBINGBING: Ir. ARIE KISMANTO, M.Si. Monday, July 18, 2011 Seminar Tugas Akhir Jurusan Statistika ITS 1

OLEH: SINDY FEBRI A DOSEN PEMBINGBING: Ir. ARIE KISMANTO, M.Si. Monday, July 18, 2011 Seminar Tugas Akhir Jurusan Statistika ITS 1 ANALISIS REGRESI MULTILEVEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI NILAI UASBN SD/MI (Studi Kasus Nilai UASBN SD/MI di Kecamatan Tulangan Tahun Ajaran 2009/2010) OLEH: SINDY FEBRI A. 1307 100 066 DOSEN

Lebih terperinci

1 Sindy Febri Antika, 2 Ir. Arie Kismanto, M.Sc 1 Mahasiswa S1 Statistika ITS Surabaya, 2 Dosen Jurusan Statistika ITS Surabaya

1 Sindy Febri Antika, 2 Ir. Arie Kismanto, M.Sc 1 Mahasiswa S1 Statistika ITS Surabaya, 2 Dosen Jurusan Statistika ITS Surabaya ANALISIS REGRESI MULTILEVEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI NILAI UASBN SD/MI (Studi Kasus Nilai UASBN SD/MI di Kecamatan Tulangan Tahun Ajaran 009/010) 1 Sindy Febri Antika, Ir. Arie Kismanto,

Lebih terperinci

PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti

PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah

Lebih terperinci

Kelas 2. Kelas 1 Mahasiswa. Mahasiswa. Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika

Kelas 2. Kelas 1 Mahasiswa. Mahasiswa. Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika 4 Kelas 2 Kelas 1 N3 N4 N3 N4 Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika BAHAN DAN METODE Bahan Data yang digunakan adalah data nilai capaian mahasiswa dalam

Lebih terperinci

PENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES

PENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES PENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES Bertho Tantular 1 S-1 1 Jurusan Statistika FMIPA Universitas Padjadjaran 1 bertho@unpad.ac.id Abstrak Data yang diperoleh dari pengukuran berulang

Lebih terperinci

PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE

PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST

Lebih terperinci

Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)

Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1) Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model

Lebih terperinci

APLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA. Indahwati, Dian Kusumaningrum, Wiwid Widiyani

APLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA. Indahwati, Dian Kusumaningrum, Wiwid Widiyani S-4 APLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA Indahwati, Dian Kusumaningrum, Wiwid Widiyani Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Metode Statistika

Lebih terperinci

PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models)

PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models) , Oktober 2009 p : 1-7 ISSN : 0853-8115 Vol 14 No.2 PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK Bertho Tantular 1, Aunuddin 2, Hari Wijayanto 2 1 Jurusan Statistika FMIPA Universitas Padjadjaran

Lebih terperinci

BAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan

BAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan 6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga

Lebih terperinci

PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)

PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung) ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL

Lebih terperinci

Pemodelan Regresi 2-Level Dengan Metode Iterative Generalized Least Square (IGLS) (Studi Kasus: Tingkat Pendidikan Anak di Kabupaten Semarang)

Pemodelan Regresi 2-Level Dengan Metode Iterative Generalized Least Square (IGLS) (Studi Kasus: Tingkat Pendidikan Anak di Kabupaten Semarang) ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 51-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian Pemodelan Regresi 2-Level Dengan Metode Iterative Generalized

Lebih terperinci

LOGO. Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si

LOGO. Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si LOGO Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si PENDAHULUAN 1 2 3 4 Latar Belakang Tujuan Manfaat Batasan Masalah Latar Belakang Kesempatan memperoleh pendidikan merupakan prioritas utama

Lebih terperinci

REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R.

REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R. REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R Tiani Wahyu Utami 1), Alan Prahutama 2) 1 Program studi Statistika, FMIPA, Universitas Mumammadiyah Semarang email: tianiutami@unimus.ac.id 2 Departemen

Lebih terperinci

PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA

PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR

Lebih terperinci

A. Sekilas tentang Pemodelan Multilevel

A. Sekilas tentang Pemodelan Multilevel Analisis Pemodelan Multilevel Melalui Program SPSS Wahyu Widhiarso Fakultas Psikologi UGM Responden penelitian tentunya tidak hanya berasal dari satu jenis latar belakang saja, akan tetapi berasal dari

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 19 BAB 2 LANDASAN TEORI 2.1. Metode Analisis Data 2.1.1. Uji Validitas Validitas adalah suatu ukuran yang membuktikan bahwa apa yang diamati peneliti sesuai dengan apa yang sesungguhnya ada dalam dunia

Lebih terperinci

PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang)

PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang) ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 21-30 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED

Lebih terperinci

STATISTIKA INDUSTRI 2 TIN 4004

STATISTIKA INDUSTRI 2 TIN 4004 STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and

Lebih terperinci

(S.3) METODE MULTILEVEL STRUCTURAL EQUATION MODELING DENGAN WEIGHTED LEAST SQUARE ESTIMATION UNTUK ANALISIS PELAYANAN KESEHATAN IBU

(S.3) METODE MULTILEVEL STRUCTURAL EQUATION MODELING DENGAN WEIGHTED LEAST SQUARE ESTIMATION UNTUK ANALISIS PELAYANAN KESEHATAN IBU (S.3) METODE MULTILEVEL STRUCTURAL EQUATION MODELING DENGAN WEIGHTED LEAST SQUARE ESTIMATION UNTUK ANALISIS PELAYANAN KESEHATAN IBU Winih Budiarti 1, Jadi Supriyadi 2, Bertho Tantular 3 1 Mahasiswa Magister

Lebih terperinci

PEMODELAN REGRESI 2-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Tingkat pendidikan Anak di Kabupaten Semarang)

PEMODELAN REGRESI 2-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Tingkat pendidikan Anak di Kabupaten Semarang) PEMODELAN REGRESI 2-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Tingkat pendidikan Anak di Kabupaten Semarang) SKRIPSI Oleh: DYAN ANGGUN KRISMALA NIM: J2E 009 040 JURUSAN

Lebih terperinci

Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017

Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic

Lebih terperinci

PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA

PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika

Lebih terperinci

Dosen Pembimbing : Dr. Purhadi, M.Sc

Dosen Pembimbing : Dr. Purhadi, M.Sc Citra Fatimah Nur / 1306 100 065 Dosen Pembimbing : Dr. Purhadi, M.Sc Outline 1 PENDAHULUAN TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 ANALISIS DAN PEMBAHASAN 5 KESIMPULAN Latar Belakang 1960-1970 1970-1980

Lebih terperinci

MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan

MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA

Lebih terperinci

Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri

Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan

Lebih terperinci

PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang)

PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang) PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang) SKRIPSI Oleh: AMANDA DEVI PARAMITHA NIM: 24010210141036 JURUSAN

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Analisa Regresi Regresi pertama kali dipergunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton. Galton melakukan studi tentang kecenderungan tinggi badan

Lebih terperinci

PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER. Agustini Tripena Br.Sb.

PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER. Agustini Tripena Br.Sb. JMP : Volume 3 Nomor 1, Juni 2011 PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER Agustini Tripena Br.Sb. Fakultas Sains dan Teknik, Universitas Jenderal Soedirman Purwokerto, Indonesia ABSTRAK.

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang

BAB I PENDAHULUAN Latar Belakang 14 BAB I PENDAHULUAN 1.1. Latar Belakang Model multilevel merupakan teknik statistik yang telah mengalami pengembangan dari regresi klasik/sederhana. Pengembangan itu didasari karena dalam penelitian diberbagai

Lebih terperinci

BAB 2 LANDASAN TEORI. 1. Analisis regresi linier sederhana 2. Analisis regresi linier berganda. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. 1. Analisis regresi linier sederhana 2. Analisis regresi linier berganda. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Istilah

Lebih terperinci

Analisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit

Analisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit Analisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit Nama : Margareth G. Shari NRP : 1307 100 026 JURUSAN STATISTIKA

Lebih terperinci

METODE PREDICTION CONFIGURAL FREQUENCY ANALYSIS (PCFA) UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR X DI JAWA BARAT ABSTRAK

METODE PREDICTION CONFIGURAL FREQUENCY ANALYSIS (PCFA) UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR X DI JAWA BARAT ABSTRAK METODE PREDICTION CONFIGURAL FREQUENCY ANALYSIS (PCFA) UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR X DI JAWA BARAT (Studi Kasus PT. XYZ) Muhamad Iqbal Mawardi Departemen Statistika, Universitas

Lebih terperinci

Analisis Regresi Multilevel dalam Menentukan Variabel Determinan Nilai Ujian Akhir Nasional Siswa

Analisis Regresi Multilevel dalam Menentukan Variabel Determinan Nilai Ujian Akhir Nasional Siswa Jurnal Matematika Vol. 6 No. 1, Juni 2016. ISSN: 1693-1394 Analisis Regresi Multilevel dalam Menentukan Variabel Determinan Nilai Ujian Akhir Nasional Siswa Ni Luh Putu Ayu Fitriani Jurusan Matematika,

Lebih terperinci

PEMODELAN REGRESI MULTILEVEL ORDINAL PADA DATA PENDIDIKAN DI JAWA BARAT

PEMODELAN REGRESI MULTILEVEL ORDINAL PADA DATA PENDIDIKAN DI JAWA BARAT PEMODELAN REGRESI MULTILEVEL ORDINAL PADA DATA PENDIDIKAN DI JAWA BARAT Bertho Tantular Departemen Statistika FMIPA Universitas Padjadjaran bertho@unpad.ac.id ABSTRAK. Dalam generalized linear models,

Lebih terperinci

ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK

ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK LAPORAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK Latar Belakang Katarak Indonesia Klinik

Lebih terperinci

PEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN

PEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN SIDANG LAPORAN TUGAS AKHIR PEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN Oleh : Servianie Purnamasari (1310 030

Lebih terperinci

PENERAPAN HIERARCHICAL LINEAR MODELING UNTUK MENGANALISIS DATA MULTILEVEL

PENERAPAN HIERARCHICAL LINEAR MODELING UNTUK MENGANALISIS DATA MULTILEVEL Jurnal UJMC, Volume 2, Nomor 1, Hal. 16-21 pissn:2460-3333 eissn:2579-907x PENERAPAN HIERARCHICAL LINEAR MODELING UNTUK MENGANALISIS DATA MULTILEVEL Dewi Wulandari 1, Ali Shodiqin 2, dan Aurora Nur Aini

Lebih terperinci

BAB I PENDAHULUAN. dijumpai data populasi yang berstruktur hirarki. Struktur data tersebut biasanya

BAB I PENDAHULUAN. dijumpai data populasi yang berstruktur hirarki. Struktur data tersebut biasanya BAB I PENDAHULUAN 1.1 Latar Belakang Pada berbagai disiplin ilmu, antara lain ilmu sosial dan biologi, sering dijumpai data populasi yang berstruktur hirarki. Struktur data tersebut biasanya berasal dari

Lebih terperinci

MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS

MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS

Lebih terperinci

Model Cox Extended dengan untuk Mengatasi Nonproportional Hazard pada Kejadian Bersama

Model Cox Extended dengan untuk Mengatasi Nonproportional Hazard pada Kejadian Bersama SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Model Cox Extended dengan untuk Mengatasi Nonproportional Hazard pada Kejadian Bersama Anita Nur Vitriana, Rosita Kusumawati Program Studi

Lebih terperinci

Pertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression

Pertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Konsep dan Definisi Pendapatan Regional adalah tingkat (besarnya) pendapatan masyarakat pada wilayah analisis. Tingkat pendapatan dapat diukur dari total pendapatan wilayah maupun

Lebih terperinci

Oleh : Arief Yudissanta ( ) Pembimbing : Prof. Susanti Linuwih Mstat.PHD

Oleh : Arief Yudissanta ( ) Pembimbing : Prof. Susanti Linuwih Mstat.PHD TUGAS AKHIR Oleh : Arief Yudissanta (1307 030 019) Pembimbing : Prof. Susanti Linuwih Mstat.PHD PENGELOMPOKAN SEKOLAH DASAR BERDASARKAN RATA-RATA NILAI UJIAN AKHIR SEKOLAH BERSTANDAR NASIONAL DI SETIAP

Lebih terperinci

PENENTUAN MODEL REGRESI SPLINE TERBAIK. Agustini Tripena 1

PENENTUAN MODEL REGRESI SPLINE TERBAIK. Agustini Tripena 1 PENENTUAN MODEL REGRESI SPLINE TERBAIK Agustini Tripena 1 1) Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Pada paper ini

Lebih terperinci

BAB III MODEL REGRESI DATA PANEL. Pada bab ini akan dikemukakan dua pendekatan dari model regresi data

BAB III MODEL REGRESI DATA PANEL. Pada bab ini akan dikemukakan dua pendekatan dari model regresi data BAB III MODEL REGRESI DATA PANEL Pada bab ini akan dikemukakan dua pendekatan dari model regresi data panel, yaitu pendekatan fixed effect dan pendekatan random effect yang merupakan ide pokok dari tugas

Lebih terperinci

REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL

REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 167 174 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL ALDILA SARTI Program Studi Matematika, Fakultas Matematika

Lebih terperinci

ANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN I SUKASARI PURWAKARTA)

ANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN I SUKASARI PURWAKARTA) Prosiding Seminar Matematika dan Pendidikan Matematika ISBN: 978-60-61-0-9 hal 693-703 November 016 ANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN

Lebih terperinci

Model Probit Untuk Ordinal Response

Model Probit Untuk Ordinal Response SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY Model Probit Untuk Ordinal Response S - 4 Defi Yusti Faidah, Resa Septiani Pontoh, Departemen Statistika FMIPA Universitas Padadaran defi.yusti@unpad.ac.id

Lebih terperinci

PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL

PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL 1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut

Lebih terperinci

pendekatan regresi logistik biner Oleh :Wida Suliasih ( )

pendekatan regresi logistik biner Oleh :Wida Suliasih ( ) Analisis kepuasan karyawan pt. x dengan pendekatan regresi logistik biner Oleh :Wida Suliasih (1308 030 059) Pembimbing : Wibawati, S.Si, M.Si 1 2 Latar belakang permasalahan Tujuan manfaat Batasan penelitian

Lebih terperinci

BINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA

BINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA BINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA Moh. Yamin Darsyah 1 Arianto Wijaya 2 1,2 Program Studi S1 Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas

Lebih terperinci

BAB IV HASIL PENELITIAN. dilakukan. Pembahasan tersebut meliputi dua bagian yaitu analisis deskriptif serta uji

BAB IV HASIL PENELITIAN. dilakukan. Pembahasan tersebut meliputi dua bagian yaitu analisis deskriptif serta uji BAB IV HASIL PENELITIAN Pada bab ini peneliti akan membahas mengenai hasil penelitian yang telah dilakukan. Pembahasan tersebut meliputi dua bagian yaitu analisis deskriptif serta uji hipotesis penelitian

Lebih terperinci

ANALISIS REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAHTANGGA UNTUK MAKANAN BERPROTEIN TINGGI. Abstrak

ANALISIS REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAHTANGGA UNTUK MAKANAN BERPROTEIN TINGGI. Abstrak Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAHTANGGA UNTUK MAKANAN BERPROTEIN TINGGI 1

Lebih terperinci

Oleh: Dian Cahyawati S. Jurusan Matematika FMIPA Universitas Sriwijaya ABSTRAK

Oleh: Dian Cahyawati S. Jurusan Matematika FMIPA Universitas Sriwijaya   ABSTRAK (M.3) ANALISIS HUBUNGAN FAKTOR-FAKTOR YANG BERKAITAN DENGAN RISIKO ANAK PUTUS SEKOLAH PENDIDIKAN DASAR (Kasus : Wilayah Kabupaten Ogan Ilir Provinsi Sumatera Selatan) Oleh: Dian Cahyawati S. Jurusan Matematika

Lebih terperinci

ANALISIS REGRESI MULTILEVEL DALAM MENENTUKAN VARIABEL DETERMINAN NILAI UJIAN AKHIR NASIONAL SISWA

ANALISIS REGRESI MULTILEVEL DALAM MENENTUKAN VARIABEL DETERMINAN NILAI UJIAN AKHIR NASIONAL SISWA ANALISIS REGRESI MULTILEVEL DALAM MENENTUKAN VARIABEL DETERMINAN NILAI UJIAN AKHIR NASIONAL SISWA Ni Luh Ayu Fitriani 1, Eka N. Kencana 2, IW. Sumarjaya 3 1 Jurusan Matematika Universitas Udayana, INDONESIA

Lebih terperinci

ANALISIS STATISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI (IP) MAHASISWA DIPLOMA PENERIMA BEASISWA BIDIK MISI DI SURABAYA TAHUN 2010

ANALISIS STATISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI (IP) MAHASISWA DIPLOMA PENERIMA BEASISWA BIDIK MISI DI SURABAYA TAHUN 2010 ANALISIS STATISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI (IP) MAHASISWA DIPLOMA PENERIMA BEASISWA BIDIK MISI DI SURABAYA TAHUN 2010 Disusun Oleh: Hanna Silia Karti (1308030043) Dosen Pembimbing:

Lebih terperinci

BAB II LANDASAN TEORI. Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan

BAB II LANDASAN TEORI. Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan BAB II LANDASAN TEORI 21 Konsep Dasar Analisis Regresi Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan

Lebih terperinci

PROSIDING ISBN :

PROSIDING ISBN : APLIKASI METODE CHAID DALAM MENGANALISIS KETERKAITAN FAKTOR RISIKO LAMA PENYELESAIAN SKRIPSI MAHASISWA (Studi Kasus di Jurusan Matematika FMIPA Universitas Sriwijaya) Dian Cahyawati S., Susi Yohana, Putera

Lebih terperinci

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika

Lebih terperinci

Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan

Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas

Lebih terperinci

BAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi

BAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi 76 BAB IV PENUTUP A. Kesimpulan Model Seemingly Unrelated Regression (SUR) merupakan perluasan dari analisis regresi linear yang berupa sistem persamaan yang terdiri dari beberapa persamaam regresi yang

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun

BAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).

Lebih terperinci

Forum Statistika dan Komputasi, Oktober 2010 p : ISSN :

Forum Statistika dan Komputasi, Oktober 2010 p : ISSN : , Oktober 2010 p : 23-31 ISSN : 0853-8115 Vol 15 No.2 APLIKASI REGRESI LOGISTIK ORDINAL MULTILEVEL UNTUK PEMODELAN DAN KLASIFIKASI HURUF MUTU MATA KULIAH METODE STATISTIKA (The Application of Multilevel

Lebih terperinci

X 3 : Flow Top (Aliran Atas) (lt/min) X 4 : Speed (Kecepatan) (m/min)

X 3 : Flow Top (Aliran Atas) (lt/min) X 4 : Speed (Kecepatan) (m/min) Periode Maret 06, Samarinda, Indonesia ISBN: 978-60-7658--3 Pemilihan Model Regresi Linier Multivariat Terbaik Dengan Kriteria Mean Square Error Dan Akaike s Information Criterion Edriani Lestari, Rito

Lebih terperinci

MODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA

MODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA MODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA 1 Mifta Luthfin Alfiani, 2 Indah Manfaati Nur, 3 Tiani Wahyu Utami 1,2,3 Program Studi Statistika,

Lebih terperinci

BAB 2 LANDASAN TEORI. regresi adalah sebuah teknik statistik untuk membuat model dan menyelediki

BAB 2 LANDASAN TEORI. regresi adalah sebuah teknik statistik untuk membuat model dan menyelediki BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan, dan hal tersebut biasanya diselidiki sifat hubungannya.

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut

Lebih terperinci

PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal)

PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) Yanti I 1, Islamiyati A, Raupong 3 Abstrak Regresi geometrik

Lebih terperinci

Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur

Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,

Lebih terperinci

Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak

Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang

Lebih terperinci

BAB 2 LANDASAN TEORI. Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang

BAB 2 LANDASAN TEORI. Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang 13 BAB 2 LANDASAN TEORI 2.1 Analisis Regresi Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang terkenal Galton menemukan bahwa meskipun terdapat tendensi atau kecenderungan

Lebih terperinci

ABSTRAK. Pada prakternya tolak ukur yang dapat dilihat oleh keberhasilan mahasiswa adalah

ABSTRAK. Pada prakternya tolak ukur yang dapat dilihat oleh keberhasilan mahasiswa adalah PEMODELAN PRESTASI MAHASISWA TERHADAP MATAKULIAH WAJIB DENGAN ANALISIS REGRESI Anik Rufaidah Program Studi Teknik Industri Sekolah Tinggi Teknik Qomaruddin Jalan Raya No. 01 Bungah Gresik 61152 Indonesia

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun

BAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).

Lebih terperinci

BAB V KESIMPULAN DAN SARAN

BAB V KESIMPULAN DAN SARAN 5 BAB V KESIMPULAN DAN SARAN 5. Kesimpulan Berdasarkan hasil analisis sebelumnya, dapat ditarik kesimpulan bahwa :. Model regresi yang mampu menjelaskan hubungan antara angka kematian bayi di Jawa Timur

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 14 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Kata regresi (regression) diperkenalkan pertama kali oleh Francis Dalton pada tahun 1886. Menurut Dalton, analisis regresi berkenaan dengan studi

Lebih terperinci

BAB 4 ANALISIS DAN PEMBAHASAN

BAB 4 ANALISIS DAN PEMBAHASAN BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan

Lebih terperinci

PENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR

PENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR PENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR Neser Ike Cahyaningrum 1307100012 Dosen Pembimbing Dr. Dra. Ismaini Zain, M.Si AGENDA

Lebih terperinci

FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)

FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono

Lebih terperinci

PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI

PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA

Lebih terperinci

SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS

SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.

Lebih terperinci

BAB V KESIMPULAN DAN SARAN

BAB V KESIMPULAN DAN SARAN BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil analisis dan pembahasan dapat diambil kesimpulan sebagai berikut, 1. Karakteristik perempuan yang bekerja di bidang informal mayoritas pada perempuan

Lebih terperinci

Analisis Regresi Spline Kuadratik

Analisis Regresi Spline Kuadratik Analisis Regresi Spline Kuadratik S 2 Oleh: Agustini Tripena Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Regresi spline

Lebih terperinci

MODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI TENGAH

MODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI TENGAH JIMT Vol. 13 No. 1 Juni 2016 (Hal. 24 37) Jurnal Ilmiah Matematika dan Terapan ISSN : 2450 766X MODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI

Lebih terperinci

4 HASIL DAN PEMBAHASAN

4 HASIL DAN PEMBAHASAN 9 4 HASIL DAN PEMBAHASAN Deskripsi Mahasiswa Pascasarjana IPB 2005-2010 Berhenti Studi Pada Tabel 1 terlihat bahwa persentase mahasiswa pascasarjana IPB yang berhenti studi tahun 2005-2010 menurun tetapi

Lebih terperinci

METODE BOOTSTRAP AGGREGATING REGRESI LOGISTIK BINER UNTUK KETEPATAN KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI KOTA PATI

METODE BOOTSTRAP AGGREGATING REGRESI LOGISTIK BINER UNTUK KETEPATAN KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI KOTA PATI ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 121-130 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian METODE BOOTSTRAP AGGREGATING REGRESI LOGISTIK BINER UNTUK KETEPATAN

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor

BAB 2 LANDASAN TEORI. Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor 8 BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor (variabel independent) dengan variabel outcome (variabel dependen) untuk

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 907-916 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI LINIER MULTIVARIAT DENGAN METODE PEMILIHAN

Lebih terperinci

(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG)

(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) (R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) 1Agus Muslim, 2 Sutawanir Darwis, 3 Achmad Zanbar Soleh 1Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran,

Lebih terperinci

Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal

Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Oleh: DELTA ARLINTHA PURBASARI 1311030086 Dosen Pembimbing: Dr. Vita

Lebih terperinci

Kegiatan Anak Usia Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran

Kegiatan Anak Usia Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran Kegiatan Anak Usia 10-15 Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran Rudi Salam Badan Pusat Statistik, Tinggi Ilmu Statistik, Jakarta, Indonesia rudisalam@stis.ac.id

Lebih terperinci

ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH

ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH Rizal Rahmad 1, Toni Toharudin 2, Anna Chadijah 3 Prodi Master Statistika Terapan,

Lebih terperinci

PENDEKATAN REGRESI SEMIPARAMETRIK SPLINE LINIER UNTUK MEMODELKAN ANGKA KEMATIAN BAYI DI JAWA TIMUR

PENDEKATAN REGRESI SEMIPARAMETRIK SPLINE LINIER UNTUK MEMODELKAN ANGKA KEMATIAN BAYI DI JAWA TIMUR SULVIA MEGASARI 1310 100 037 PENDEKATAN REGRESI SEMIPARAMETRIK SPLINE LINIER UNTUK MEMODELKAN ANGKA KEMATIAN BAYI DI JAWA TIMUR 1 Sulvia Megasari dan I Nyoman Budiantara Jurusan Statistika, Fakultas Matematika

Lebih terperinci

BAB 2 LANDASAN TEORI. dangkal, sehingga air mudah di gali (Ruslan H Prawiro, 1983).

BAB 2 LANDASAN TEORI. dangkal, sehingga air mudah di gali (Ruslan H Prawiro, 1983). BAB 2 LANDASAN TEORI 2.1 Pengertian Air Minum Semua makhluk hidup membutuhkan air, maka tempat yang tersedia air tentu penuh dengan makhluk hidup, kecuali air tersebut sudah sangat tercemar. Manusia juga

Lebih terperinci

VI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN

VI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN VI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN Penelitian ini menggunakan regresi logistik untuk mengetahui faktorfaktor yang mempengaruhi

Lebih terperinci

BAB V HASIL PENELITIAN DAN PEMBAHASAN

BAB V HASIL PENELITIAN DAN PEMBAHASAN BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1. Karakteristik Responden Responden dalam penelitian ini adalah konsumen di rumah makan Mie Ayam Oplosan Kedai Shoimah. Responden yang menjadi objek penelitian

Lebih terperinci

RMSE = dimana : y = nilai observasi ke-i V PEMBAHASAN. = Jenis kelamin responden (GENDER) X. = Pendidikan responden (EDU) X

RMSE = dimana : y = nilai observasi ke-i V PEMBAHASAN. = Jenis kelamin responden (GENDER) X. = Pendidikan responden (EDU) X pembilang persamaan (3) adalah rataan jumlah kuadrat galat, N jumlah pengamatan dan M jumlah himpunan bagian. Penyebutnya merupakan fungsi nilai kompleks, dengan C(M) adalah nilai kompleksitas model yang

Lebih terperinci

Hubungan Indeks Prestasi Kumulatif (IPK) dengan Nilai Ujian Akhir Nasional (UAN): Studi Kasus di FMIPA Unsyiah

Hubungan Indeks Prestasi Kumulatif (IPK) dengan Nilai Ujian Akhir Nasional (UAN): Studi Kasus di FMIPA Unsyiah Statistika, Vol. 15 No. 1, 17 23 Mei 2015 Hubungan Indeks Prestasi Kumulatif (IPK) dengan Nilai Ujian Akhir Nasional (UAN): Studi Kasus di FMIPA Unsyiah Ridha Ferdhiana, 1,2, Ira Julita 1, Asep rusyana

Lebih terperinci

x 1 x 3 x 4 y 1 x 5 x 6 x 7 x 8 BAHAN DAN METODE δ 1 λ 41 ξ 1 δ 4 λ 51 γ 21 δ 6 λ 61 ε 1 δ 3 η 1 γ 31 δ 7 λ 71 ξ 2 λ 81 ξ 3 λ 31 δ 5

x 1 x 3 x 4 y 1 x 5 x 6 x 7 x 8 BAHAN DAN METODE δ 1 λ 41 ξ 1 δ 4 λ 51 γ 21 δ 6 λ 61 ε 1 δ 3 η 1 γ 31 δ 7 λ 71 ξ 2 λ 81 ξ 3 λ 31 δ 5 8 BAHAN DAN METODE Bahan Data yang digunakan dalam penulisan ini diperoleh dari PT. MARS yaitu hasil survei konsumen terhadap produk-produk toilettris (keperluan mandi) pada tahun 005. Metode Secara garis

Lebih terperinci