Pemodelan Regresi Logistik Biner terhadap Peminat ITS di Seleksi Bersama Masuk Perguruan Tinggi Negeri (SBMPTN) 2014

Ukuran: px
Mulai penontonan dengan halaman:

Download "Pemodelan Regresi Logistik Biner terhadap Peminat ITS di Seleksi Bersama Masuk Perguruan Tinggi Negeri (SBMPTN) 2014"

Transkripsi

1 JURNAL SAINS DAN SENI ITS Vo. 4, No., (05) (30-98X Prit) D-5 Poda Rgrsi Logisti Bir trhadap Piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04 Yati Aggrai da Isaii Zai Jurusa Statistia, Fautas da Iu Pgtahua Aa, Istitut Toogi Spuuh Nopbr (ITS) J. Arif Raha Hai, Surabaya 60 Idosia -ai: Abstra SBMPTN rupaa poa ssi yag diasaaa scara srta oh suruh Prgurua Tiggi Ngri aui ujia trtuis. Istitut Toogi Spuuh Nopbr (ITS) Surabaya rupaa prgurua tiggi yag ria ahasiswa baru dga jaur SBMPTN. Dari bayaya piat, ada bbrapa yag diyataa ditria da sisaya diyataa tida ditria. Oh ara itu, igi ditahui aratristi srta poda gguaa tod rgrsi ogisti bir dga variab rspo adaah status priaa diaa briai satu yaitu ditria da briai o apabia gaga ditria. Brdasara hasi aaisis ditahui bahwa juah piat yag diyataa ditria adaah sbsar.50 psrta, sdaga sisaya sbsar 3.03 psrta diyataa tida ditria. Pada poda rgrsi ogisti bir diproh variab yag brpgaruh yaitu doisii, iai vrba, iai uria, iai figura, iai atatia dasar, iai bahasa Idosia, iai bahasa Iggris, iai atatia IPA, iai fisia, iai iia da iai bioogi. Kata Kuci Rgrsi Logisti priaa, variab brpgaruh. Bir, SBMPTN, status I. PENDAHULUAN S ALAH satu ssi btu ai dari priaa ahasiswa baru adaah Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN). Pada ssi SBMPTN iputi opo ujia sait, soshu, da capura. Kopo ujia sait diprutua bagi psrta SBMPTN dga progra IPA, atri ujia diataraya Ts Kapua da Potsi Aadi (TKPA) da Ts Kapua Dasar (TKD) Sait. Piat ITS aui SBMPTN brasa dari brbagai SMA/MA/SMK dibrbagai darah di Idosia. Dari pjasa sbuya dapat ditahui bahwa dari sia baya piat, ada bbrapa yag ditria da sisaya tida ditria. Brdasara profi piat yag ada igi ditahui aratristi da poda dari piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04. Poda diaua gguaa tod rgrsi ogisti bir dga variab rspo adaah status priaa diaa briai satu yaitu ditria da briai o apabia gaga ditria. Pitia ii diharapa dapat diguaa sbagai subr iforasi yag vaid da aurat pada piha ITS daa gtahui cdruga piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04 srta dapat jadi baha prtibaga daa sporasi apus. II. TINJAUAN PUSTAKA A. Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) SBMPTN rupaa poa ssi yag diasaaa scara brsaa oh suruh Prgurua Tiggi Ngri daa satu sist yag trpadu da disggaraa scara srta aui ujia trtuis. Sai ujia trtuis, progra studi iu si da oahragaa juga prsyarata uji trapia. []. B. Kopo da Matri Ujia Ujia SBMPTN trdiri atas ujia trtuis da ujia trapia. Kopo ujia trdiri dari Ts Kapua Potsi Aadi (TKPA) dga ata uji atatia dasar, bahasa Idosia, bahasa Iggris, vrba, uria, da figura da Ts Kapua Dasar (TKD) Sait dga ata uji atatia, bioogi, iia, da fisia. C. Uji Idpdsi Uji Chi-Squar diguaa utu gtahui ada tidaya hubuga atara dua variab. Hipotsis : H0 : Tida ada hubuga atara variab bbas dga variab ta bbas. H : atara variab bbas dga variab ta bbas. Statisti uji : hit i, j O ij Eij () Eij diaa: Oij : iai obsrvasi / pgaata baris -i, oo -j. E ij : iai sptasi baris -i, oo -j. Darah ritis : Toa H0 jia X hit X a (b ). Korasi Spara diguaa utu tua hubuga atar variab yag iii tigata, shigga

2 JURNAL SAINS DAN SENI ITS Vo. 4, No., (05) (30-98X Prit) srig disbut orasi brtigat, orasi bruruta, da orasi brpagat []. Hipotsis : H0 : 0 H : 0 Statisti Uji : 6 d () rs ( ) diaa : rs : ofisi orasi spara d : tota uadrat sisih atar ragig : juah sap pitia Utu data bih bsar dari 30, aa cari iai z hitug sbagai briut. diaa : z : iai z hitug Darah ritis : zhitug z. D. Rgrsi Logisti Bir Rgrsi ogisti bir rupaa suatu tod aaisis data yag diguaa utu cari hubuga atar variab rspo (y) yag brsifat bir atau diotous dga variab prditor (x) yag brsifat poiotous [3]. Fugsi rgrsi ogisti-ya dapat dituisa sbagai briut. x... x p p 0 x... p x p 0 diaa p = bayaya variab prditor (3) xi. E. Estiasi Paratr Mtod MLE diguaa utu gstiasi paratrparatr daa rgrsi ogsiti da pada dasarya tod asiu iihood bria iai stiasi β dga asiua fugsi iihoodya [4]. Scara tatis fugsi iihood dapat diyataa (β) (xi ) yi ( ((xi )) yi (4) i diaa x (x ) xp x xp i p j 0 j 0 (OR) g () g (0) ( ) (7) (8) H. Uji Kssuaia Mod Pgujia ii diaua utu guji apaah od yag dihasia brdasara rgrsi ogisti utivariat/srta sudah aya. Pgujia ssuaia od diaua gguaa Hosr-Lshow Goodss-of-fit tst dga hipotsis sbagai briut. H0 : Mod ssuai (tida trdapat prbdaa yag sigifia atara hasi pgaata dga ugia hasi prdisi od) H : Mod tida ssuai (trdapat prbdaa yag sigifia atara hasi pgaata dga ugia hasi prdisi od) Statisti uji : g o ' (9) Cˆ ' diaa o : Obsrvasi pada grup - ( C y dga c : rspo (0,)) j j C : Rata-rata tasira puag ( j ˆ j ) ' g : Juah grup (obiasi atgori daa od srta) ' : ya obsrvasi pada grup -. j Darah ritis: Toa H0 jia hitug (db, ). III. METODOLOGI PENELITIAN i ij L(β) ( ) p L(β) yi xij j i xp j xij j 0 i i j 0 () / () (OR) (0) / (0) i ij p p G. Itrprtasi Kofisi Paratr Saah satu uura yag diguaa utu gitrprtasi ofisi variab prditor disbut Odds ratio. Odds ratio rupaa prbadiga puag ucuya suatu jadia dga puag tida ucuya jadia trsbut. Odds ratio didfiisia sbagai briut. () / () () (0) 0 (6) 0 OR (0) / (0) (0) () OR(c ) OR( x c, x) xp(c ) rs : ofisi orasi spara : juah sap pitia ( x) sigifiasi scara srta da uji sigifiasi scara idividu [3]. Utu variab X dga saa rasio gguaa (.5) prsaaa briut. z rs Toa H0 jia D-6 (5) F. Pgujia Paratr Mod Rgrsi Logisti Pgujia paratr diaua utu guji variab prditor brpgaruh atau tida trhadap variab rspo. Adapu pgujia paratr yag diaua adaah uji A. Subr yag diguaa daa pitia ii rupaa data sudr yaitu data Biodata Piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04 yag diproh dari Lbaga Pgbaga Pdidia Kahasiswaa da Hubuga Aui (LPKHA) ITS.

3 JURNAL SAINS DAN SENI ITS Vo. 4, No., (05) (30-98X Prit) D-7 B. Pitia Papara gai variab yag diguaa daa pitia ii trbagi jadi dua opo, yaitu sbagai briut. Tab. Pitia utu Karatristi Profi Piat Profi Piat Ktraga Jurusa ditria rupaa jurusa Jurusa Ditria priaa pist ITS di SBMPTN pada 8 Progra Studi yag ada di ITS. Provisi SLTA adaah asa SMA/MA/SMK Provisi SLTA dari provisi di da-rah suruh Idosia. Tab. Pitia utu Poda Logisti Bir Ktraga Y (0) Status Priaa Tida Ditria Y () Status Priaa Ditria X (0) Jis Kai Prpua X () Jis Kai Lai-ai X (0) Doisii Jawa X () Doisii Luar Jawa X 3 Vrba X 4 Nuria X 5 Figura X 6 Dasar X 7 Idosia X 8 Iggris X 9 IPA X 0 Fisia X Kiia X C. Lagah-agah Pitia Lagah-agah yag diaua daa pitia ii adaah sbagai briut :. Utu jawab tujua prtaa, aa agah-agah yag diprua adaah sbagai briut. a. Mghitug iai a, dia, odus dari data piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04. b. Mbuat histogra, diagra batag, da diagra igara dari data piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04. c. Mbuat tab otigsi dari data piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04.. Utu jawab tujua dua, aa agah-agah yag diprua adaah sbagai briut. a. Maua uji idpdsi pada data piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04. b. Maua uji sigifiasi paratr scara idividu pada data ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04. c. Maua uji sigifiasi paratr scara srta pada data piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04. d. Maua uji ssuaia od pada data piat ITS di Ssi Brsaa Masu Prgurua Tiggi Ngri (SBMPTN) 04.. Maua itrprtasi da ari sipua. IV. ANALISIS DAN PEMBAHASAN A. Statistia Dsriptif Piat Its di SBMPTN 04 Utu gtahui gabara scara uu piat ITS di SBMPTN 04 aa aa diaaisis dga gguaa statistia dsriptif gai piat ITS di SBMPTN 04.. Status Priaa ITS di SBMPTN 04 Status priaa piat ITS di SBMPTN 04 dapat disajia pada Gabar 4.. Gabar Prostas Status Priaa Piat ITS di SBMPTN Juah piat ITS di SBMPTN adaah sbsar 4.63 psrta. Brdasara Gabar ditahui bahwa juah piat yag ditria sbaya 8% dari tota piat SBMPTN di ITS yaitu sbsar.50 psrta, sdaga sbaya 9% sisaya diyataa tida ditria yaitu sbaya 3.03 psrta.. Doisii Piat ITS di SBMPTN 04. Piat ITS aui SBMPTN brasa dari brbagai darah di Idosia. Dari 4.63 piat, ditahui bahwa juah piat yag brasa dari Puau Jawa adaah sbsar.003 psrta sdaga dari uar Puau Jawa adaah sbsar.60 psrta. Briut rupaa data provisi SLTA piat ITS di SBMPTN 04 dga 0 proporsi trtiggi. Provisi SLTA Tab 3. Provisi SLTA Piat ITS di SBMPTN 04 Juah Juah Proporsi Tida Tota Ditria Ditria Ditria i t Bguu DKI Jaarta Gorotao Jabi Jawa Tgah Jawa Tiur Kpuaua Riau Luar Ngri Mauu Suatra rat Suatra Sata Brdasara Tab 4 dapat ditahui proporsi trdah adaah provisi SLTA di t, Suatra Sata, da i. Juah piat dari asig-asig ota cuup bsar, aa ttapi juah ditria sdiit shigga proporsiya ci. Ha ii diaraa proha iai piat tida cuupi utu dapat ditria di ITS.

4 JURNAL SAINS DAN SENI ITS Vo. 4, No., (05) (30-98X Prit) Jawa Tiur iii juah tota piat trbsar yaitu sbaya 9.03 diaa piat ditria sbaya 860 psrta, sdaga sisaya sbaya 8.53 psrta diyataa tida ditria. Briut rupaa gabara sbara juah piat ITS di SBMPTN 04 di stiap Kabupat/Kota di Jawa Tiur. D-8 figura sbsar 56,8; iai atatia dasar sbsar 78,8; iai bahasa Idosia sbsar 79,3; srta iai bahasa Iggris sbsar 476,3. Msipu iai trsbut rdah, aa ttapi uhi ritria utu dapat ditria di ITS. Briut rupaa box-pot utu iai TKD Sait tida ditria da iai TKD Sait ditria. Boxpot of TKD Sait Tida Ditria Boxpot of TKD Sait Ditria IPA Fisia Kiia IPA Fisia Kiia Gabar 4 Box-pot TKD Sait Gabar Piat ITS di SBMPTN 04 Pada Tiap Kabupat/Kota di Jawa Tiur. Brdasara Gabar 4. dapat ditahui bahwa piat ITS di SBMPTN iputi suruh Kabupat/Kota di Jawa Tiur dibagi jadi 4 astr. Juah piat trbsar adaah ota Surabaya yaitu sbsar.430 psrta. Ha ii diaraa ITS trta di Kota Surabaya, shigga piat trbsar di Jawa Tiur brasa dari ota sitar Surabaya, yaitu Sidoarjo, Grsi, Mojorto, Pasurua, Jobag, Laoga da sitarya. Utu piat trdah adaah Kota Bodowoso yaitu sbsar 3 psrta, sdaga pada Kota Pacita tida ada satupu piat ITS di SBMPTN. 3. Proha Piat ITS di SBMPTN 04 Proha iai piat ITS di SBMPTN 04 dapat diaaisis dga statistia dsriptif sbagai briut. Briut rupaa box-pot utu iai TKPA tida ditria da iai TKPA ditria. 00 Tab 4 Uji Idpdsi Chi-squar Df 0,78a 0,377 38,367a hitug Ktraga Tida ada hubuga B. Poda Rgrsi Logisti Bir trhadap Piat ITS di SBMPTN 04. Poda rgrsi ogisti bir trhadap piat ITS di SBMPTN 04 diaua dga gguaa variab rspo yaitu status priaa, diaa briai o apabia psrta diyataa tida ditria da briai satu apabia psrta diyataa ditria.. Uji Idpdsi Briut rupaa tab uji idpdsi utu stiap variab. Jis Kai(X) Doisii(X()) Boxpot of TKPA Ditria Boxpot of TKPA Tida Ditria 00 Brdasara Gabar 4 pada box-pot utu iai TKD Sait piat yag diyataa tida ditria bih baya iii outir. Saah satu cotoh proha iai piat yag tida ditria, pada box-pot utu proha iai atatia IPA, outir trtiggi rupaa data -90 dga fisia sbsar 53,4; iai iia sbsar 44,4; srta iai bioogi sbsar 379,6. -iai trsbut bu cuupi ritria utu ditria di ITS r V ba Nu i a r ura Fig M at a ati r sa Da h a as d I o sia h a as gr Ig is rb V a Nu i a r a ur Fig M at a ati r sa Da do I sa ha ia s h a as g I is gr Gabar 3 Box-pot TKPA Dari Gabar 3 ditahui bahwa pada box-pot utu iai TKPA piat yag diyataa tida ditria bih baya iii outir. Saah satu cotoh pada box-pot utu proha iai atatia dasar, outir trtiggi rupaa data -795 dga iai atatia dasar adaah sbsar 98,66, aa ttapi pada ata uji aiya sprti vrba sbsar 49,3; uria sbsar 663,3; figura sbsar 405,3677; bahasa Idosia sbsar 496,4; da bahasa Iggris sbsar 508,6. -iai trsbut bu cuupi ritria utu ditria di ITS. Utu proha iai piat yag diyataa ditria, pada box-pot uria trdapat outir trdah rupaa data -869 dga iai uria sbsar 383,7; iai vrba sbsar 378,7; iai Tab 5 Uji Idpdsi utu dga Spara RS Ktraga Vrba(X3) 0,4 Nuria 0,334 Figura(X5) 0,85 Tab 6 Uji Idpdsi utu dga Spara (ajuta) 0,387 Dasar(X6) 0,5 Idosia(X7) 0,9 Iggris(X8) 0,60 IPA(X9) Fisia(X0) 0,37 Kiia(X) 0,339 0,3 (X)

5 JURNAL SAINS DAN SENI ITS Vo. 4, No., (05) (30-98X Prit) Brdasara tab di atas ditahui bahwa haya ada variab yag sigifia. Ii brarti ada hubuga atara variab prditor trhadap variab rspo. Ha ii ditujua oh iai P-vau yag urag dari α = 5% atau iai hitug bih bsar dari (0,05; df ).. Aaisis Rgrsi Logisti Scara Idividu Aaisis rgrsi ogisti scara uivariat diaua utu gtahui adaya pgaruh dari asig-asig variab dpd trhadap variab idpd scara idividu. Doisii (X()) Vrba (X3) Nuria (X4) Figura (X5) Dasar (X6) Ido-sia (X7) Iggris (X8) IPA (X9) Fisia (X0) Kiia (X) (X) Tab 7 Mod Rgrsi Logisti Uji Idividu Estiasi PKtraga Wad B Vau -, ,430 Doisii 0,646 37,60-8,85 66,476 Vrba 0,00 65,47-4,853 44,40 Exp(B) 0,050,908,00 Stp Boc Mod,804,00 Figura -,087 0,04-0,63 398,907 96, ,650,04 Dasar 0,0 89,545,0-8, ,365 Idosia 0,00 93,696,00-7,74 94,55 0,009 56,975,009-7, ,08 Doisii(X()) Vrba(X3) Nuria(X4) Figura(X5) Dasar(X6) Idosia(X7) Iggris(X8) IPA(X9) Fisia(X0) Kiia(X) (X) 993,905,00 -,437 0,05-9,789 0,03-7,94 48, , , ,404 53,0,05,03 0,00 0, ,06,009 Brdasara tab 7 dapat ditahui bahwa variab yag puyai pgaruh sigifia trhadap status priaa piat ITS di SBMPTN 04 adaah variab Doisii (X), Vrba(X3), Nuria(X4), Figura(X5), Dasar(X6), Idosia(X7), Iggris(X8), IPA(X9), Fisia(X0), Kiia(X), da (X). Ha ii didapata ara iai Wad bih bsar dari iai (0,05;) yaitu 3,84 atau iai yag urag dari 0, Aaisis Rgrsi Logisti Scara Mutivariab Aaisis rgrsi ogisti scara utivariat diaua utu gtahui sigifiasi suruh variab idpd da variab dpd. a. Uji Srta Pbtua od rgrsi ogisti srta brtujua utu proh od yag tpat da sdrhaa brdasara fator-fator yag diaggap brpgaruh trhadap variab rspo. Tab 9 Uji Parsia 0,00 0,00 Tab 8 Uji Srta Chi-squar df 6375, , ,880 Brdasara tab 8 diproh bahwa iai utu od sbsar bih ci dari iai taraf sigifia sbsar 0,05 aa toa H0, shigga ofisi brpgaruh sigifia scara srta. Kudia diaua aaisis scara parsia. b. Uji Parsia Uji parsia diaua utu gtahui adaya pgaruh dari asig-asig variab dpd trhadap variab idpd scara parsia. Nuria Iggris IPA Fisia Kiia D-9 Estiasi B -66,084 0,799 0,0 Wad df Exp(B) 774,76 3,668 53,04,3,0 0,007 33,07,007 0,009 86,73,009 0,00 30,059,00 0,0 63,00,0 0,00 30,583,00 0,0 5,873,0 0,0 47,635,0 0,00 56,60,00 0,0 6,80,0 Brdasara tab 9 dapat ditahui bahwa variab yag puyai pgaruh sigifia trhadap status priaa piat ITS di SBMPTN 04 adaah variab Doisii (X), Vrba(X3), Nuria(X4), Figura(X5), Dasar(X6), Idosia(X7), Iggris(X8), IPA(X9), Fisia(X0), Kiia(X), da (X). Ha ii didapata ara iai Wad bih bsar dari iai (0,05;) yaitu 3,84 atau iai yag urag dari 0, 05 shigga putusa yag didapata adaah toa H0 da diproh sipua bahwa paig tida trdapat satu variab idpd yag brpgaruh trhadap variab dpd. 4. Itrprtasi Mod Itrprtasi od diaua utu gtahui od rgrsi ogisti bir pada piat ITS di SBMPTN 04 yag dihasia dari variab-variab yag sigifia, itrprtasi od yaitu sbagai briut.

6 JURNAL SAINS DAN SENI ITS Vo. 4, No., (05) (30-98X Prit) D-0 xp( g( x)) ( x) xp( g( x)) diaa g( x) 66, 084 0, 799X 0, 0X 0, 007X 0, 009X () ,00X 0,0X 0,00X 0,0X 0,0X ,00X 0,0X 5. Itrprtasi Kofisi Paratr Itrprtasi trhadap ofisi paratr ii diaua utu tua cdruga atara variab idpd dga variab dpd. Saah satu uura yag diguaa utu gitrprtasi ofisi variab prditor disbut odds ratio. Tab 0 Odds Ratio Exp(B) Doisii(X ()),3 Vrba(X 3) 3,3 Nuria(X 4),0 Figura(X 5),46 Dasar(X 6),7 Idosia(X 7) 3,3 Iggris(X 8),7 IPA(X 9) 3,004 Fisia(X 0) 3,004 Kiia(X ),7 (X ) 3,3 Brdasara tab 0 dapat ditahui iai odds ratio utu suruh variab prditor. Pada variab doisii diproh iai odds ratio sbsar,3. Ha ii brarti puag ditria utu piat brdoisii uar Jawa,3 ai bih bsar dibadiga piat brdoisii Jawa. odds ratio utu variab iai TKPA da variab iai TKD Sait diproh dari prsaaa.4 diaa c rupaa suatu biaga yag biasaya cuup bsar (0, 00, 000, dst). Daa ha ii dittua sbsar 00, udia disubstitusi daa prsaaa. Dari hasi prhituga ujua rsio ditria apabia aia iai sbsar 00 pada stiap ata uji. 6. Kssuaia Mod Pgujia ssuaia od diaua gguaa Hosr-Lshow Goodss-of-fit tst. diproh bahwa juah piat suruha adaah sbsar 4.63 dga juah ditria sbsar.50 psrta, sisaya sbsar 3.03 psrta diyataa tida ditria. Dari suruha piat, ditahui bahwa sbaya 9. psrta brjis ai ai-ai, sisaya sbaya psrta brjis ai prpua. Brdasara doisii piat, diproh bahwa piat trbsar brasa dari darah Jawa Tiur yaitu sbsar 9.03 psrta. Brdasara aaisis rgrsi ogisti bir diproh od sbagai briut. g( x) 66, 084 0, 799X 0, 0X 0, 007X 0, 009X () ,00X 0,0X 0,00X 0,0X 0,0X ,00X 0,0X Brdasara hasi pitia yag tah diaua aa sara yag dapat dibria oh piti adaah Pru adaya prsiapa yag atag utu ghadapi SBMPTN diaraa prsaiga yag sai tat da juah priaa yag sagat sdiit. Mtod yag diguaa daa pitia ii urag ssuai diaraa proporsi atara ditria da tida ditria tida sibag, shigga sbaiya gguaa tod ai utu prbaii pitia ii. Disaraa gguaa tod yag bih ssuai. DAFTAR PUSTAKA [] SBMPTN. (04). Diabi bai dari [] Vaus, D. A. (00). Survy i Socia Rsarch 5th Editio. Nw South Was : A ad Uwi. [3] Hosr, D. W., & Lshow, S. (000). Appid Logistic Rgrssio. USA: Joh Wiy & Sos. [4] Agrsti, A. (00). Catgorica Aaysis. Nw Yor: Joh Wiy & Sos. Tab Uji Kssuaia Mod Stp Chi-squar df 4,35 8 0,074 Brdasara tab dapat ditahui bahwa yag dihasia adaah 0,074 atau bih dari 0, 05 shigga ghasia putusa gaga toa H 0 aa od ssuai (tida trdapat prbdaa yag sigifia atara hasi pgaata dga ugia hasi prdisi od). V. KESIMPULAN DAN SARAN Brdasara aaisis da pbahasa aa dapat diabi sipua bahwa gabara uu dari piat ITS di SBMPTN 04, brdasara data Biodata Piat ITS

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n.

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n. 0 DISTRIBUSI POISSO Distribusi Poisso ii diprolh dari distribusi biomial, apabila dalam distribusi biomial brlau syarat-syarat sbagai briut: a. baya pgulaga sprimya sagat bsar ( ). b. pluag trjadiya pristiwa

Lebih terperinci

Perluasan Uji Kruskal Wallis untuk Data Multivariat

Perluasan Uji Kruskal Wallis untuk Data Multivariat Statistia, Vol. No., Mei Perluasa Uji Krusal Wallis utu Data Multivariat TETI SOFIA YANTI Program Studi Statistia, Uiversitas Islam Badug, Jl. Purawarma No. Badug. E-mail: buitet@yahoo.com ABSTAK Adaia

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Moita Dwiyai ), Ni Wahyu Utami ) Faultas Kgurua da Ilmu Pdidia Uivrsitas

Lebih terperinci

METODE PENGUKURAN FERTILITAS

METODE PENGUKURAN FERTILITAS Diisi Pua Aa Kotiu Pua aa iataa otiu jia F P apat ugsi sara ( ( iyataa sagai ( ( F u u R ga : R aala ugsi yag tritgrala. Fugsi isut ugsi pata pluag ari. [Gritt a Stirzar 199] Nilai Harapa Diisi Nilai Harapa

Lebih terperinci

MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA.

MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA. MDIFIKASI METDE NEWTN DENGAN KEKNVERGENAN RDE TIGA Fby Satrya HP ), Agusi ), Musraii ) bysatrya@ymail.om ) Mahasiswa Program Studi S Matmatia ) Dos Matmatia, Jurusa Matmatia Faultas Matmatia da Ilmu Pgtahua

Lebih terperinci

Aprillyan Cahyanti Mahasiswa S1 Pend. Tata Busana, Fakultas Teknik, Universitas Negeri Surabaya

Aprillyan Cahyanti Mahasiswa S1 Pend. Tata Busana, Fakultas Teknik, Universitas Negeri Surabaya PENGARUH UKURAN LEBAR LIPATAN TERHADAP HASIL JADI UNDULATING TUCKS PADA ROK SUAI BERBAHAN DENIM Aprillya Cahyati Mahasiswa S1 Pd. Tata Busaa, Faultas Ti, Uivrsitas Ngri Surabaya aprillya91@yahoo.com Sri

Lebih terperinci

TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS

TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Jural Matematia Vol.6 No. November 6 [ 5 : ] TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Ooy Rohaei Jurusa Matematia, UNISBA, Jala Tamasari No, Badug,6, Idoesia

Lebih terperinci

Gambar 3.1Single Channel Multiple Phase

Gambar 3.1Single Channel Multiple Phase BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag

Lebih terperinci

Transformasi Z Materi :

Transformasi Z Materi : 4 Trasformasi Z Matri : Dfiisi Trasformasi Darah Kovrgsi (Rgio of Covrgc) Diagram Pol Zro Sifat Trasformasi Trasformasi dalam Btu Poliomial Rasioal Fugsi Sistm atau Fugsi Trasfr H() dari Sistm Liir Tida

Lebih terperinci

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT Catata Kuliah EL Aalisis Numrik BAB HAMPIRAN TAYLOR DAN ANALISIS GALAT. Pgatar Mtod Numrik Ktika kita mylsaika prsamaa-prsamaa matmatika di maa torma-tormaya masih dapat ditrapka, solusi aalitik atau solusi

Lebih terperinci

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C. BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.

Lebih terperinci

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag

Lebih terperinci

APLIKASI METODE ELEMEN HINGGA PADA ANALISIS STRUKTUR RANGKA BATANG

APLIKASI METODE ELEMEN HINGGA PADA ANALISIS STRUKTUR RANGKA BATANG Jurna Iiah MEDIA ENGINEERING Vo., No., Jui 0 ISSN 087-9334 (56-60) APLIKASI METODE ELEMEN HINGGA PADA ANALISIS STRKTR RANGKA BATANG Srvi O. Dapas Dosn Jurusan Tknik Sipi Fakutas Tknik nivrsitas Sa Ratuangi

Lebih terperinci

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik Sifat-sifat Fugsi Karateristi dari Sebara Geometri Dodi Deviato Jurusa Matematia, Faultas MIPA, Uiversitas Adalas Kamus Limau Mais, Padag 563, Sumatera Barat, Idoesia Abstra Fugsi arateristi dari suatu

Lebih terperinci

Aplikasi Metode Matrix Cascade Pada Perhitungan Koefisien Pantul Gelombang Suara Bawah Air Untuk Dasar Laut Miring

Aplikasi Metode Matrix Cascade Pada Perhitungan Koefisien Pantul Gelombang Suara Bawah Air Untuk Dasar Laut Miring Apliasi tod atri Cascad Pada Prhituga Kofisi Patul Glombag Suara Bawah Air Utu Dasar aut irig Day Friyadi da Irsa Somatri Brodjogoro Program Studi Ti Klauta, Istitut Tologi Badug (Email : dayf899@gmail.com)

Lebih terperinci

Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal

Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal Jural Ilmu Matematia da Terapa Maret 16 Volume 1 Nomor 1 Hal. 61 68 ANALISIS FAKTOR-FAKTOR YANG MEMPERNGARUHI KANKER LEHER RAHIM DI KOTA AMBON DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (Studi asus: Pasie

Lebih terperinci

MENGUJI KEMAKNAAN SAMPEL TUNGGAL

MENGUJI KEMAKNAAN SAMPEL TUNGGAL MENGUJI KEMAKNAAN SAMPEL TUNGGAL 1.1 Uji Biomial 1. Uji esesuaia Chi Kuadrat 1.3 Uji Kesesuaia K-S 1.4 Uji Ideedesi Chi Kuadrat 1.5 Uji Pasti Fisher UJI BINOMIAL Meruaa uji roorsi dalam suatu oulasi Poulasi

Lebih terperinci

BAB 6 NOTASI SIGMA, BARISAN DAN DERET

BAB 6 NOTASI SIGMA, BARISAN DAN DERET BAB 6 NOTASI SIGMA, BARISAN DAN DERET A RINGKASAN MATERI. Notasi Sigma Diberia suatu barisa bilaga, a, a,..., a. Lambag deret tersebut, yaitu: a = a + a +... + a a meyataa jumlah suu pertama barisa Sifat-sifat

Lebih terperinci

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain. BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama

Lebih terperinci

Distribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data

Distribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data Esata: Jural Imu-Ilmu MIA p. ISSN: 4-47. ISSN: 5-64 Distributio of th Diffrc of Two Idpdt oisso Radom Variabls ad Its Applicatio to th Litrat opulatio Data Atia Ahdia rogram Studi Statistia Uivrsitas Islam

Lebih terperinci

S - 1 Penggunaan Metode Bayesian Obyektif dalam Analisis Pengukuran Tingkat Kepuasan Pelanggan Berdasarkan Kuesioner

S - 1 Penggunaan Metode Bayesian Obyektif dalam Analisis Pengukuran Tingkat Kepuasan Pelanggan Berdasarkan Kuesioner PROSIDING ISBN : 978 979 6353 6 3 S - Pgguaa Mtod Baysia Obyktif dalam Aalisis Pgukura Tigkat Kpuasa Plagga Brdasarka Kusior Adi Stiawa Program Studi Matmatika, Fakultas Sais da Matmatika Uivrsitas Krist

Lebih terperinci

Bab 5: Discrete Fourier Transform dan FFT

Bab 5: Discrete Fourier Transform dan FFT BAB 5 Dicrt Fourir Traform da FFT Bab 5: Dicrt Fourir Traform da FFT Dicrt Fourir Traform DFT. Dfiii Tuua Blaar Prta dapat mdfiiia DFT, da mghitugya. Utu mlaua aalii frui dari iyal watu dirit maa prlu

Lebih terperinci

MODUL BARISAN DAN DERET

MODUL BARISAN DAN DERET MODUL BARISAN DAN DERET SEMESTER 2 Muhammad Zaial Abidi Persoal Blog http://meetabied.wordpress.com BAB I. PENDAHULUAN A. Desripsi Dalam modul ii, ada aa mempelajari pola bilaga, barisa, da deret diidetifiasi

Lebih terperinci

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST) UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan

Lebih terperinci

Respon Frekuensi pada FIR Filter. Oleh:Tri Budi Sanrtoso ITS

Respon Frekuensi pada FIR Filter. Oleh:Tri Budi Sanrtoso ITS Rpo Frui pada FIR Filtr Olh:Tri Budi Sartoo Lab Siyal,, EEPIS-ITS ITS 1 Rpo iuoida pada itm FIR Suatu itm FIR diyataa: y[ ] b x[ ] h[ ] x[ ] 0 0 (1 Siyal iput cara umum mrupaa btu ompl dirit x[ ] x[ A

Lebih terperinci

Distribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data

Distribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data Distributio o th Dirc o Two Idpdt oisso Radom Variabls ad Its Applicatio to th Litrat opulatio Data Atia Ahdia rogram Studi Statistia Uivrsitas Islam Idosia Jala Kaliurag Km 45 Slma Yogaarta atia.a@uii.ac.id

Lebih terperinci

ALGORITMA FAST FOURIER TRANSFORM (FFT) DECIMATION IN TIME (DIT) DENGAN RESOLUSI 1/10 HERTZ

ALGORITMA FAST FOURIER TRANSFORM (FFT) DECIMATION IN TIME (DIT) DENGAN RESOLUSI 1/10 HERTZ Prosidig Siar asioa Pitia, Pdidia, da Prapa MIPA Fatas MIPA, Uivrsitas gri ogyaarta, 6 Mi 9 ALORITMA FAST FOURIER TRASFORM FFT DECIMATIO I TIME DIT DEA RESOLUSI ERT Sgg Riyato, Ags Prwato, Spardi Laboratori

Lebih terperinci

Representasi sinyal dalam impuls

Representasi sinyal dalam impuls Represetasi siyal dalam impuls Represetasi siyal dalam impuls adalah siyal yag diyataa sebagai fugsi dari impuls atau sebagai umpula dari impuls-impuls. Sembarag siyal disret dapat diyataa sebagai pejumlaha

Lebih terperinci

PEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)

PEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG) PEMBAHASAN SOAL OLIMPIADE SAINS NASIONAL SMP A. ISIAN SINGKAT SELEKSI TINGKAT PROPINSI TAHUN 011 BIDANG STUDI MATEMATIKA WAKTU : 150 MENIT 1. Jia x adalah jumlah 99 bilaga gajil terecil yag lebih besar

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)

BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) 5.1. Pembagit Radom Variate Disrit Suatu Radom Variate diartia sebagai ilai suatu radom variate yag mempuyai distribusi tertetu. Utu megambil

Lebih terperinci

1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi

1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi Statisti Desriptif Keruciga atau Kurtosis Pegertia Kurtosis Peguura urtosis (peruciga) sebuah distribusi teoritis adaalaya diamaam peguura eses (excess) dari sebuah distribusi Sebearya urtosis bisa diaggap

Lebih terperinci

BAB VIII KRISTAL KRIST SEMIKONDUKT SEMIK

BAB VIII KRISTAL KRIST SEMIKONDUKT SEMIK A VIII KRISAL SEMIKONDUKOR MAERI : 8.1.Kristal smiodutor itrisi. 8.1.1.ti pguura clah rgi. 8.1..massa ftif 8.1.3.lima alasa hol diaggap sbagai partil brmuata positif. 8.1.4.ostrasi ltro 8.1.5.ostrasi hol.

Lebih terperinci

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu

Lebih terperinci

( α = 0, 05 ) rumus yang digunakan untuk menentukan jumlah anggota sampel adalah:

( α = 0, 05 ) rumus yang digunakan untuk menentukan jumlah anggota sampel adalah: BAB LANDASAN TEORI Pramala adalah giaa umu mmpriraa apa ag aa rjadi pada masa ag aa daag brdasara pgalama di masa lalu. Mod pramala ag srig diguaa dalam oomi da duia usaha adalah dr wau (im sris).. Bbrapa

Lebih terperinci

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu

Lebih terperinci

FAKTOR PENGARUH GADGET TERHADAP KECERDASAN MOTORIK SISWA SD MELALUI REGRESI LOGISTIK ORDINAL

FAKTOR PENGARUH GADGET TERHADAP KECERDASAN MOTORIK SISWA SD MELALUI REGRESI LOGISTIK ORDINAL FAKTOR PENGARUH GADGET TERHADAP KECERDASAN MOTORIK SISWA SD MELALUI REGRESI LOGISTIK ORDINAL Fanny Ayu Octaviana ), Tutut Januar Prtiwi ), Giyanti Linda Purnama 3), Alfisyahrina Hapsry 4), Andriana Yoshinta

Lebih terperinci

ANALISIS REGRESI LOGISTIK ORDINAL UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS GIZI BALITA NELAYAN KECAMATAN BULAK SURABAYA

ANALISIS REGRESI LOGISTIK ORDINAL UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS GIZI BALITA NELAYAN KECAMATAN BULAK SURABAYA ANALISIS REGRESI LOGISTIK ORDINAL UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS GIZI BALITA NELAYAN KECAMATAN BULAK SURABAYA Citra Elok Mgahardiyai, da Dstri Susilaigrum Mahasiswa Jurusa Statistika

Lebih terperinci

Anova (analysis of varian)

Anova (analysis of varian) ova (aalysis of varia) Ui hipotesis perbedaa ilai rata-rata dari atau lebih elompo idepede Cotoh: daah perbedaa berat bayi lahir dari eluarga E tiggi dega E sedag atau E redah sumsi Ui ova: 1. ube diambil

Lebih terperinci

MAKALAH TEOREMA BINOMIAL

MAKALAH TEOREMA BINOMIAL MAKALAH TEOREMA BINOMIAL Disusu utu memeuhi tugas mata uliah Matematia Disrit Dose Pegampu : Dr. Isaii Rosyida, S.Si, M.Si Rombel B Kelompo 2 1. Wihdati Martalya (0401516006) 2. Betha Kuria S. (0401516012)

Lebih terperinci

BAB 2 SOLUSI NUMERIK PERSAMAAN

BAB 2 SOLUSI NUMERIK PERSAMAAN BAB SOLUSI NUMERIK PERSAMAAN Dalam sais da rkayasa, kita srigkali harus mcari akar solusi dari prsamaa f 0. Jika f mrupaka fugsi poliomial liar atau kuadratis, solusi ksakya mudah utuk didapatka kara rumusya

Lebih terperinci

Peluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes

Peluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes eluag uatu Kejadia, Kaidah ejumlaha, eluag ersyarat, Kaidah eralia da Kaidah aiyes.eluag uatu Kejadia Defiisi : eluag suatu ejadia adalah jumlah peluag semua titi otoh dalam. Dega demiia : 0 (), ( ) =

Lebih terperinci

Transformasi Fourier Waktu Diskrit

Transformasi Fourier Waktu Diskrit Praktikum Isyarat da Sistm Topik 5 Trasformasi ourir Waktu Diskrit Tuua Mahasiswa dapat mtuka da mgguaka trasformasi ourir waktu diskrit dalam aalisa suatu sistm LTI Mahasiswa dapat mgguaka MATLAB sbagai

Lebih terperinci

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,

Lebih terperinci

Biostatistics UJI CHI-SQUARE UJI HIPOTESIS CHI-SQUARE

Biostatistics UJI CHI-SQUARE UJI HIPOTESIS CHI-SQUARE Biostatistics UJI CHI-SQUARE I N T A N Y U S U F H A B I B I E, S. G Z - Ilmu statistik tidak haya membatu kita utuk medeskripsika data secara rigkas, tapi juga dapat diguaka utuk meguji hipotesa. - Hipotesa

Lebih terperinci

Aproksimasi Terbaik dalam Ruang Metrik Konveks

Aproksimasi Terbaik dalam Ruang Metrik Konveks Aprosimasi Terbai dalam Ruag etri Koves Oleh : Suharsoo S Jurusa atematia FIPA Uiversitas Lampug Abstra asalah esistesi da etuggala aprosimasi terbai suatu titi dalam ruag berorm telah dipelajari oleh

Lebih terperinci

Aplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier

Aplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier Apliasi Sistem Orthoormal Di Ruag Hilbert Pada Deret Fourier A 7 Fitriaa Yuli S. FMIPA UNY Abstra Ruag hilbert aa dibahas pada papper ii. Apliasi system orthoormal aa diaji da aa diapliasia pada ruahg

Lebih terperinci

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,

Lebih terperinci

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia? Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai

Lebih terperinci

Pemodelan dan Pemetaan Rata-rata Usia Kawin Pertama Wanita di Provinsi Jawa Timur dengan Pendekatan Regresi Logistik Ordinal

Pemodelan dan Pemetaan Rata-rata Usia Kawin Pertama Wanita di Provinsi Jawa Timur dengan Pendekatan Regresi Logistik Ordinal Pmodlan dan Pmtaan Rata-rata Usia Kawin Prtama Wanita di Provinsi Jawa Timur dngan Pndatan Rgrsi Logisti Ordinal Ang Kusumaningtyas P. Ananto, Dr. Vita Ratnasari, S.Si, M.Si Jurusan Statistia, Faultas

Lebih terperinci

ESTIMASI MISSING DATA DALAM MULTIVARIAT BERDASARKAN DATA YANG TERAMATI

ESTIMASI MISSING DATA DALAM MULTIVARIAT BERDASARKAN DATA YANG TERAMATI ESTIMSI MISSIG DT DM MUTIRIT BERDSRK DT G TERMTI Hutrisah S.M Sitohag, Pro. I Ktut Budaasa, Ph.D. Jurusa Matatika, Fakultas Martatika da Ilu Pgtahua la, UES Kapus Ktitag 603,Surabaa Eail : hutrisa-sitohag@ahoo.co.id,ktutbudaasa@ahoo.co

Lebih terperinci

PENENTUAN TINGKAT HARAPAN HIDUP SEHAT DENGAN MENGGUNAKAN LIFE TABLE SERTA APLIKASINYA LUKMANUL HAKIM

PENENTUAN TINGKAT HARAPAN HIDUP SEHAT DENGAN MENGGUNAKAN LIFE TABLE SERTA APLIKASINYA LUKMANUL HAKIM PENENUAN INGKA HARAPAN HIDUP SEHA DENGAN MENGGUNAKAN IFE ABE SERA APIKASINYA UKMANU HAKIM DEPAREMEN MAEMAIKA FAKUAS MAEMAIKA DAN IMU PENGEAHUAN AAM INSIU PERANIAN BOGOR BOGOR 212 i ABSRAK ukmau Hakim.

Lebih terperinci

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.

Lebih terperinci

BAB II TEORI DASAR. 2.1 Fenomena Yang Mempengaruhi Curah Hujan

BAB II TEORI DASAR. 2.1 Fenomena Yang Mempengaruhi Curah Hujan BAB II TEORI DASAR.1 Fnona Yang Mpngaruhi Curah Huan Indonsia sbagai Ngara brili tropis yang trlta blah garis uator, ilii brbagai fnona ili dan cuaca yang pngaruhi tradinya curah huan, McBrid (199) bagi

Lebih terperinci

PENERIMAAN APLIKASI KAMUS ISTILAH AKUNTANSI PADA SMARTPHONE DENGAN METODE UTAUT

PENERIMAAN APLIKASI KAMUS ISTILAH AKUNTANSI PADA SMARTPHONE DENGAN METODE UTAUT PENERIMAAN APLIKASI KAMUS ISTILAH AKUNTANSI PADA SMARTPHONE DENGAN METODE UTAUT Qoriai Widayati 1, Fbriyati Pajaita 2 Dos Uivrsitas Bia Darma 1, Dos Uivrsitas Bia Darma 2 Jala Jdral Ahmad Yai No.12 Palmbag

Lebih terperinci

PENGEMBANGAN METODE ITERASI DUA DAN TIGA LANGKAH DENGAN ORDE KONVERGENSI OPTIMAL

PENGEMBANGAN METODE ITERASI DUA DAN TIGA LANGKAH DENGAN ORDE KONVERGENSI OPTIMAL PENGEMBANGAN METODE ITEASI DUA DAN TIGA LANGKAH DENGAN ODE KONVEGENSI OPTIMAL Supriadi Putra M.Si* Dr. Sasudhuha M.S urusa Matatika FMIPA Uivrsitas iau *sputra@uri.a.id ABSTAK Dala akalah ii disajika dua

Lebih terperinci

BAB I PENDAHULUAN Tujuan Makalah ini disusun agar mahasiswa mengetahui bagaimana keadaan elektron dalam sebuah atom kristal

BAB I PENDAHULUAN Tujuan Makalah ini disusun agar mahasiswa mengetahui bagaimana keadaan elektron dalam sebuah atom kristal A I PDAHUUA.. atar blaang oga gang pranan pnting dala hidupan anusia, isalna bsi dala produsi otoobil, tbaga untu pnghantar listri, dan lain-lain. Uuna loga ilii siat uatan isi tinggi, rapatan tinggi,

Lebih terperinci

TEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t}

TEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t} Elm Dasar Modl Atria. TEORI ANTRIAN Aktor utama customr da srvr. Elm dasar :. distribusi kdataga customr.. distribusi waktu playaa. 3. disai fasilitas playaa (sri, parall atau jariga). 4. disipli atria

Lebih terperinci

SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL

SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL Edag Habiuddi (Staf Pegajar UP MKU Politei Negeri Badug (Email : ed_.hab@yahoo.co.id ABSTRAK Sistem ragaia listri RLC seri

Lebih terperinci

Jurnal Mutiara Pendidikan Indonesia, 10/08 (2016), 67-73

Jurnal Mutiara Pendidikan Indonesia, 10/08 (2016), 67-73 67, 1/ (16), 67-73 STUDI OPARASI IPLEENTASI URIULU PADA PEBELAJARAN ASELERASI DAN PEBELAJARAN REGULER (ajia pada las XI CI+BI IPA da las XI IPA di SAN 1 Padag) Yssi Rifmasari STIP Adzkia Padag Email :

Lebih terperinci

Chapter 7 Student Lecture Notes 7-1

Chapter 7 Student Lecture Notes 7-1 Chapter 7 Studet Lecture Notes 7-1 DASAR-DASAR UJI Hipotesis: Hipo (di bawah) da Tesis (peryataa yag telah diuji) Hipotesis Statistik:suatu proposisi atau aggapa megeai parameter populasi yag dapat diuji

Lebih terperinci

SEBARAN t dan SEBARAN F

SEBARAN t dan SEBARAN F SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1. Tempat da Watu Peelitia Peelitia megeai Kepuasa Kosume Restora Gampoeg Aceh, dilasaaa pada bula Mei 2011 higga Jui 2011. Restora Gampoeg Aceh, bertempat di Jl Pajajara, Batarjati,

Lebih terperinci

MANAJEMEN RISIKO INVESTASI

MANAJEMEN RISIKO INVESTASI MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya

Lebih terperinci

MODUL BARISAN DAN DERET

MODUL BARISAN DAN DERET MODUL BARISAN DAN DERET KELAS XII. IPS SEMESTER I Oleh : Drs. Pudjul Prijoo ( http://vidyagata.wordpress.co ) SMA NEGERI 6 Jala Mayje Sugoo 58 Malag Telp./Fax : (034) 75036 E-Mail : sa6_alag@yahoo.co.id

Lebih terperinci

Analisis regresi linear ganda bertujuan untuk mencari bentuk hubungan linear antara satu variabel terikat Y dan k variabel bebas X1, X2, X3,..., Xk.

Analisis regresi linear ganda bertujuan untuk mencari bentuk hubungan linear antara satu variabel terikat Y dan k variabel bebas X1, X2, X3,..., Xk. EGESI DAN KOELASI LINEA GANDA Aalisis egesi liea gada etujua utu mecai etu huuga liea ataa satu vaiael teiat da vaiael eas,, 3,...,. Meetua pesamaa egesi liea gada Pesamaa egesi pada da adalah Dega metode

Lebih terperinci

FAKTOR YANG BERPENGARUH TERHADAP KONDISI GRADE KANKER PAYUDARA DI RUMAH SAKIT ONKOLOGI SURABAYA MENGGUNAKAN REGRESI LOGISTIK ORDINAL

FAKTOR YANG BERPENGARUH TERHADAP KONDISI GRADE KANKER PAYUDARA DI RUMAH SAKIT ONKOLOGI SURABAYA MENGGUNAKAN REGRESI LOGISTIK ORDINAL TUGAS AKHIR SS 4556 FAKTOR YANG BERPENGARUH TERHADAP KONDISI GRADE KANKER PAYUDARA DI RUMAH SAKIT ONKOLOGI SURABAYA MENGGUNAKAN REGRESI LOGISTIK ORDINAL ELIYA AINUL FARRI NRP 34 030 040 Pmbimbing Ir. Sri

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat

Lebih terperinci

ESTIMASI TITIK BAYESIAN OBYEKTIF

ESTIMASI TITIK BAYESIAN OBYEKTIF ESTIMASI TITIK BAYESIAN OBYEKTIF Adi Stiawa (adi_stia_3@yahoo.com) Program Studi Matmatika, Fakultas Sais da Matmatika Uivrsitas Krist Satya Wacaa Jl Dipogoro 52-6 Salatiga 57, Idosia Abstrak Estimasi

Lebih terperinci

x x x1 x x,..., 2 x, 1

x x x1 x x,..., 2 x, 1 0.4 Variasi Kaoi amel Da Korelasi Kaoi amel amel aca dari observasi ada masig-masig variabel dari ( + q) variabel (), () daat digabuga edalam (( + q) ) data matris,,..., dimaa (0-5) Adau vetor rata-rata

Lebih terperinci

OLEH: DESTRIYANTI TRI BUDIARTI YULLIA HESTIANA IRWAN SEPTEMBER GUNAWAN

OLEH: DESTRIYANTI TRI BUDIARTI YULLIA HESTIANA IRWAN SEPTEMBER GUNAWAN OLEH: DESTRIYANTI 7 58 TRI BUDIARTI 7 YULLIA HESTIANA 7 5 IRWAN SEPTEBER 7 46 GUNAWAN 7 KELAS : 6. L ATA KULIAH : ATEATIKA LANJUTAN DOSEN PENGASUH : FADLI, S.Si FAKULTAS KEGURUAN DAN ILU PENDIDIKAN UNIVERSITAS

Lebih terperinci

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak: PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.

Lebih terperinci

PEMODELAN REGRESI LOGISTIK BINER TERHADAP PEMINAT ITS DI SELEKSI BERSAMA MASUK PERGURUAN TINGGI NEGERI (SBMPTN) 2014

PEMODELAN REGRESI LOGISTIK BINER TERHADAP PEMINAT ITS DI SELEKSI BERSAMA MASUK PERGURUAN TINGGI NEGERI (SBMPTN) 2014 TUGAS AKHIR SS 141501 PEMODELAN REGRESI LOGISTIK BINER TERHADAP PEMINAT ITS DI SELEKSI BERSAMA MASUK PERGURUAN TINGGI NEGERI (SBMPTN) 2014 YANTI ANGGRAENI NRP 1310 100 100 Dosen Pembimbing Dr. Dra. Ismaini

Lebih terperinci

A. Pengertian Hipotesis

A. Pengertian Hipotesis PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa

Lebih terperinci

PENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN

PENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN Jural Autasi FE Usil, Vol. 4, No., 009 ISSN : 907-9958 PENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN Rai Rahma Dose Jurusa Autasi Faultas Eoomi Uiversitas

Lebih terperinci

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian 19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.

Lebih terperinci

ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN METODE WAVELET THRESHOLDING DENGAN MAXIMAL OVERLAP DISCRETE TRANSFORM

ANALISIS DATA RUNTUN WAKTU MENGGUNAKAN METODE WAVELET THRESHOLDING DENGAN MAXIMAL OVERLAP DISCRETE TRANSFORM ISSN: 339-54 JURNAL GAUSSIAN oume 6 Nomor ahu 7 Haama 5-59 Oie di: http://eoura-s.udip.ac.id/idex.php/gaussia ANALISIS DAA RUNUN AKU MENGGUNAKAN MEODE AELE HRESHOLDING DENGAN MAXIMAL OERLAP DISCREE RANSFORM

Lebih terperinci

BAB 4: PELUANG DAN DISTRIBUSI NORMAL.

BAB 4: PELUANG DAN DISTRIBUSI NORMAL. BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk

Lebih terperinci

BAB II TINJAUAN PUSTAKA. membahas distribusi normal dan distribusi normal baku, penaksir takbias μ dan σ,

BAB II TINJAUAN PUSTAKA. membahas distribusi normal dan distribusi normal baku, penaksir takbias μ dan σ, BAB II TINJAUAN PUSTAKA.1 Pedahulua Dalam peulisa materi poo dari sripsi ii diperlua beberapa teori-teori yag meduug, yag mejadi uraia poo pada bab ii. Uraia dimulai dega membahas distribusi ormal da distribusi

Lebih terperinci

BAHAN AJAR DIKLAT GURU MATEMATIKA

BAHAN AJAR DIKLAT GURU MATEMATIKA BAHAN AJAR DIKLAT GURU MATEMATIKA DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL PENDIDIKAN DASAR DAN MENENGAH DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN 005 DAFTAR ISI Kata Pegatar.. i Daftar Isi...

Lebih terperinci

MODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng

MODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng MODUL 1.03 DINMIK PROSES Ole : Ir. Tatag Kusmara, M.Eg LBORTORIUM OPERSI TEKNIK KIMI JURUSN TEKNIK KIMI UNIVERSITS SULTN GENG TIRTYS CILEGON BNTEN 2008 2 Modul 1.03 DINMIK PROSES I. Pedaulua Dalam bidag

Lebih terperinci

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas

Lebih terperinci

STRUKTUR BAJA I. Perhitungan Sambungan Las

STRUKTUR BAJA I. Perhitungan Sambungan Las STRUKTUR BAJA I rhituga Samuga Las Samuga Las Samuga as ada dua macam, yaitu: - as tumpu - as sudut Tgaga: σ as σ 0, 6σ a Las Tumpu: s s sa Utuk s s ---- ta as tumpu (a) s Utuk s s ----- ta as tumpu (a)

Lebih terperinci

Konvolusi pada Distribusi dengan Support Kompak

Konvolusi pada Distribusi dengan Support Kompak Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematia da Nilai Islami) Vol1, No1, Juli 2017, Hal 453-457 p-issn: 2580-4596; e-issn: 2580-460X Halama 453 Kovolusi pada Distribusi dega Support Kompa Cythia

Lebih terperinci

LAMPIRAN I GREEK ALPHABET

LAMPIRAN I GREEK ALPHABET LAMPIRAN I GREEK ALPHABE Α, Alpha Μ, µ Mu Ψ, Psi Β, β Ba Ν, ν Nu Ω, ω Oga. Γ, γ Gaa, δ Dla Ε, ε Epsilo Ζ, ζ Za Η, η Ea Θ, θ ha Ι, ι Ioa Κ, κ Kappa Λ, λ Labda Ξ, ξ i Ο,ο Oico Π, π Pi Ρ, ρ Rho Σ, σ Siga

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI A II LANDASAN TEORI. Distribusi Pluag Diisi. (Walpol da M rs 995) Jika X adalah suatu variabl radom kotiu maka ugsi dsitas pluaga adalah suatu ugsi ag mmuhi kodisi: i. ; utuk x (- ) ii. = iii. = (.) Diisi.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu

Lebih terperinci

MODUL PRAKTIKUM Statistik Inferens (MIK 411)

MODUL PRAKTIKUM Statistik Inferens (MIK 411) MODUL PRAKTIKUM tatistik Iferes (MIK 4) Disusu Oleh Nada Aula Rumaa, KM., MKM UNIVERITA EA UNGGUL 07 Revisi (tgl) : 0 (0 Desember 07) / 4 UJI T DEPENDEN/BERPAANGAN (PAIRED T TET) A. Pedahulua Uji t berpasaga,

Lebih terperinci

Oleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3,

Oleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3, Kpdulian trhadap sanitasi lingkungan diprdiksi dari tingkat pndidikan ibu dan pndapatan kluarga pada kluarga sjahtra I klurahan Krtn kcamatan Lawyan kota Surakarta Olh : Bustanul Arifin K.39817 BAB IV

Lebih terperinci

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.

Lebih terperinci

9 Departemen Statistika FMIPA IPB

9 Departemen Statistika FMIPA IPB Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara

Lebih terperinci

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered. 2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug

Lebih terperinci

BAB V DISTRIBUSI PROBABILITAS DISKRIT

BAB V DISTRIBUSI PROBABILITAS DISKRIT BAB V DISTRIBUSI ROBABILITAS DISKRIT 5.. Distribusi Uniform Disrit Bila variabl aca X mmilii nilai,,... dngan probabilitas yang sama, maa distribusi uniform disrit dinyataan sbagai: f (, ) ;,,... paramtr

Lebih terperinci

PEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH

PEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH PEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH Yermia Firma Setiawirawa da Dr. Bambag Widjaaro Oto, S.Si, M.Si Mahasiswa Jurusa

Lebih terperinci

Penulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed.

Penulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed. PAKET FASILITASI PEMBERDAYAAN KKG/MGMP MATEMATIKA Pembelajara Barisa, Deret Bilaga da Notasi Sigma di SMA Peulis: Dra. Puji Iryati, M.Sc. Ed. Peilai: Al. Krismato, M.Sc. Editor: Sri Purama Surya, S.Pd,

Lebih terperinci

Sinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit

Sinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit Siyal da Sistem Watu Disrit ET 35 Pegolaha Siyal Watu Disrit EL 5155 Pegolaha Siyal Watu Disrit Effria Yati Hamid 1 2 Siyal da Sistem Watu Disrit 2.1 Siyal Watu Disrit 2.1.1 Pegertia Siyal Watu Disrit

Lebih terperinci

ANALISA PENGARUH PANJANG BELT CONVEYOR TERHADAP FREKUENSI REPAIR SEBELUM DAN SESUDAH MENGGUNAKAN LOCKING BOLT PADA SAMBUNGAN COLD SPLICING ABSTRAKSI

ANALISA PENGARUH PANJANG BELT CONVEYOR TERHADAP FREKUENSI REPAIR SEBELUM DAN SESUDAH MENGGUNAKAN LOCKING BOLT PADA SAMBUNGAN COLD SPLICING ABSTRAKSI ANALIA PENGARUH PANJANG BELT CONVEYOR TERHAAP FREKUENI REPAIR EBELUM AN EUAH MENGGUNAKAN LOCKING BOLT PAA AMBUNGAN COL PLICING ABTRAKI Ach. Hadi Widodo¹,Priyagug Hartoo²,uatmio³ ¹Mahasiswa Tei Mesi,Uiversitas

Lebih terperinci

BAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan

BAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan BAB LADASA TEORI Teorema Shao-yquist meyataa agar tida ada iformasi yag hilag etia pecuplia siyal, maa ecepata pecuplia harus miimal dua ali dari lebar pita siyal tersebut. Pada ebayaa apliasi, termasu

Lebih terperinci

Sistem Pendidikan Tinggi

Sistem Pendidikan Tinggi 4/08/01 Sist Pdidika Tiggi PEMERINTAH DITI PT MUTU BSNP BAN PT I Masyarakat PS IQA Idustrial Busiss Cuity LSM 1. Orgaisasi Prfsi. Ikata Alui 3. Ikata Orag Tua Mhs 4. dll lgkaa tsi ualifikasi Stadar tsi

Lebih terperinci

TINJAUAN PUSTAKA PENDAHULUAN

TINJAUAN PUSTAKA PENDAHULUAN PEDAHULUA Latar Blakag Dalam bidag didika, kgiata ilaia atau valuasi hasil blajar srta didik mruaka salah satu tugas tig yag harus dilakuka olh didik. Evaluasi hasil blajar srta didik dilakuka utuk mgtahui

Lebih terperinci