Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee

Ukuran: px
Mulai penontonan dengan halaman:

Download "Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee"

Transkripsi

1 Jural ILMU DASAR Vol. 0 No : Esmas Parameer Model Log pada Respos Ber Mulvara Megguaka Meode Mle da Gee Esmag Parameers of Log Model o Mulvarae Bary Respose Usg Mle ad Gee Jaka Nugraha, Suryo Guro, Sr Haryam Jurusa Saska UII, Jurusa Maemaka UGM ABSTRACT I hs paper, we dscuss bary mulvarae respose modelg based o exreme value dsrbuo. Idepede varables used hese models are some arbues of he alerave (labeled j ad some arbues of he decso maker (labeled. We assumed ha he decso maker observed wh T respose. Y s d respose varables from decso maker ad value Y s bary. Respose of decso maker ca be expressed as Y (Y,...,Y T. I each of he decso maker, we have daa (Y,,. Models are derved by he assumpo ha maxmum radom uly whch he decso maker choose oe of he aleraves havg greaes uly. Mehods of parameer esmao are Maxmum Lkelhood Esmaor (MLE mehod ad Geeralzed Esmag Equao (GEE. Frs dscusso hs sudy s he esmao by MLE wh depede assumpo amog respose ad he he MLE esmao usg jo dsrbuo by Bahadur s represeao. By MLE ad GEE, esmag equaos are obaed ad solved by umercal (lke s Newho-Rahpso mehod he codo ha o all of he parameers of dvdual arbues ca be esmaed (defed. Based o esg smulao daa wh R..5.0, we recommed (a low correlao, GEE s beer ha MLE (b moderae correlao, MLE s mos effce bu o sable (c hgh or moderae correlao, MLE ad GEE should be used (d correlao esmaors cao expla he real correlao because of s bas. Keywords : Radom uly models, log models, dscree choce models PENDAHULUAN Model pemlha dskr meggambarka pembua kepuusa memlh daara aleraf yag erseda. Model pemlha dskr duruka dega asums bahwa pembua kepuusa memlh aleraf yag mempuya ul erbesar (Tra 003. Model regres yag duruka dar dsrbus la ekreme merupaka baga dar pemodela Plha Dskre (DCM, Dscree Choce Model. Model rccccegres pada respo omal yag dperoleh dcega megguaka dsrbus la ekreme c sama dega model logsk (Nugraha e al Lag & eger (986 meyampaka bahwa aalss logsk maupu prob pada daa pael dega megguaka pedekaa uvara, yak megabaka adaya korelas aka meghaslka esmaor parameer yag mash kose eap jka erdapa korelas yag besar maka peaksr ersebu mejad dak efse. Prece (988 meyampaka sraeg pemodela megguaka pedekaa GEE uuk medapaka esmaor koefse regres yag kosse da asmos ormal. Pedekaa GEE dak megguaka perhuga egral ragkap. Cooyas e al. (00 meyaaka bahwa pada model efccek eap jka erdapa korelas aara efcccek dvdu erhadap varabel depede maka esmaor yag dperoleh mejad dak efse. Dega megasumska model efek radom, esmaor yag ddapaka mejad lebh efse. Harrs e al. (000 elah melakuka peguja sfa-sfa esmaor model prob pada daa pael. Dsmpulka bahwa meskpu jumlah sampel erbaas, esmas megguaka MLE mash meghaslka esmaor yag bak. MLE mempuya sfa-sfa yag bak uuk sampel besar, khususya asympocally effce (Horrowz e al. 00. Dalam makalah aka dbahas esmas parameer model log pada respo ber mulvara. Varabel depede yag

2 86 Esmas... (Jaka Nugraha e al. dpermbagka dalam model varabel karakersk dvdu da varabel karakersk plha. Meode esmas parameer megguaka MLE da meode GEE. Pembahasa esmas MLE dawal dega asums depede aar respo da kemuda dlajuka pembahasa esmas MLE megguaka dsrbus gabuga dar Bahadur s represeao. Beberapa meode esmas ersebu dmpleaska pada daa smulas. Daa dbagkka pada la parameer yag sudah deuka. Hasl esmas dbadgka dega la parameer sesugguhya. Model ulas Dasumska bahwa dvdu masg-masg dobservas sebayak T respo. Y respo ke- pada dvdu/subjek ke- da seap respoya ber. Sehgga respo pada dvdu ke-, dapa dsajka dalam beuk Y (Y,...,Y T sebaga vekor xt, Seap dvdu mempuya kovarae sebaga karakersk dvdu da kovarae j sebaga karakersk aleraf/plha j pada dvdu. Uuk meyederhaaka peulsa, dambl sau varabel karakersk dvdu da sau varabel karakersk plha. Ulas subjek memlh aleraf j pada perode U j V j + ε j uuk,,...,t ;,,..., ; j0, ( V j α j +β j + γ j U j ulas yag merupaka varabel lae da V j damaka represeaf ulas. Dega megasumska bahwa pembua kepuusa (subjek meeuka plha berdasarka la ulas yag maksmum, maka model dapa dsajka dalam beuk selsh ulas, U U - U 0 (V V 0 + (ε - ε 0 V +ε ( Selajuya dapa dsusu hubuga aara Y da varabel lae U, yau y <> U > U 0 <> U > 0 <> -V < ε Probablas subjek memlh (y,..., y T P(y,..., y T P(0 < U,..., 0 < U T P(-V < ε,..., -V T < ε T ε LL ' I( V < ε. f ( ε ' dε T { y ( V V + V l[exp( ( V0 + exp( V] } 0 0 (3 dega ε (ε,..., ε T. Nla probablas merupaka huga egral ragkap T da ergaug pada parameer α, β da γ maupu dsrbus ε. MLE pada model log Model Log dapa duruka dar asums bahwa ε j berdsrbus la eksrm (exreme value yag salg depede uuk semua,j da. Fugs desas la eksrem (Gumbel f ε ε j j ε ( ε ε ε (4 j Teorema Jka ε j varabel radom yag mempuya desas exreme value maka berdasarka asums bahwa pembua kepuusa (subjek meeuka plha berdasarka la ulas yag maksmum, probablas subjek memlh j uuk respo ke- (probablas margal P( y exp( V [exp( V + exp( V 0 dega V j α j +β j + γ j uuk,,...,t ;,,..., ; j0,. Jka varabel radom ε j salg depede uuk semua,j da maka fugs loglkelhooya (5 Proposs. Dervarf perama fugs loglkelhood (5 α α 0 β ( y ( y ; ; ( y ]

3 Jural ILMU DASAR Vol. 0 No : β γ ( uuk,,..,t. ( y 0 ( y da Pada kods dervaf perama sama dega ul maka agar MLE uuk parameer α da β erdefkas/eresmas maka perlu dsyaraka α 0 da β 0. Sehgga parameer yag harus desmas θ (α, β, γ dega α α da β β. Fugs log-lkehood (5 mejad da peaksr MLE parameer θ mempuya sfa ˆ a θ N[ θ,{ H } ( k ( k dega g ( y da H ( k 0 ( 0 ( 0 ( 0 ( 0 ( ] 0 ( ( θ ( 0 ( y (6 MLE megguaka Bahadur s Represeao Peyaja dsrbus bersama uuk T respo ber, Y,...,Y T dapa dulska sebaga P(Y y,...,y T y T Proposs. Dervarf ke-dua fugs loglkelhood (5 pada α 0 da β 0 θ 0 LL ( 0 ( ' θ ( 0 ( 0 ( 0 ( dega θ (α, β, γ da merupaka mark defe egaf. Teorema. MLE uuk parameer θ (α, β, γ dega asums depede aar respo Y peyelesaa dar persamaa ( 0 ( y 0 yag berlaku uuk seap,..,t dega α 0 da β 0 Lemma. Peyelesaa persamaa peaksr pada Teorema uuk parameer θ (α, β, γ da ereu dega megguaka meode Newo-Raphso pada eras ke-(k+ θ ( k + ( k θ ( H ( k g ( k ( ρ T y y + ρkeek + ρkleekel < k < k< l ( Y [ ( ]... T e e... et P(Y y,...,y T y T T y y Y Y ( ( k k ( + ρ k < k [ ( k( k] (7 dega e da ρ / k E(e e k,..., ρ...t E(e e...e T. Peulsa dsrbus pada persamaa (7 dsebu Bahadur s represeao (Fzmaurce e al. 993 yag memua parameer korelas ρ (ρ, ρ 3,..., ρ 3...T. Jka dasumska bahwa korelas ga respo aau lebh berla ul, maka persamaa (7 dapa dsederhaaka mejad / (8 dega parameer korelas ρ (ρ, ρ 3,..., ρ (T- T. Parameer ρ merepreseaska ukura assosas aar respo. Asosas (hubuga aara Y da Y k dapa berupa ukura koefse korelas, raso odd (odds rao aaupu rsko relaf (relave rsk. Koefse korelas ρ k

4 88 Esmas... (Jaka Nugraha e al. ρ k Cov( var( Y / Y,Y k var( Y dega k P(Y,Y k. Selajuya parameer ρ k aka desmas dar dsrbus bersama (Y y ;Y k y k. Dar persamaa (9 dperoleh P(Y,Y k P(Y,Y k 0 P(Y 0,Y k / k k k k ] Dar (a, (b, (c da (d, fugs probablas bvara P(Y,Y k dapa dulska sebaga P ( Y k k y, Y y Esmaor ak bas dar ρ k k k k / / (9 k (0 Proposs 3. Parameer ρ k yag merupaka korelas aara Y da Y k mempuya la ( ( k, (- k (- k m ( k / ρk / k k + ρk[ (- k (- k ] / ( k ρk[ (- k (- k ] / k ( ρk[ (- k (- k ] (- ( k ; k k m (- ( k k k (8 / [ (- k (- k ] P(Y 0,Y k 0 ( ( ρ [ (- (- y y yk yk y + yk / ( k ( k + ( ρk[ (- k (- k ] (Y - ˆ (Yk - ˆ k ˆ ρ [ ˆ (- ˆ ˆ (- ˆ ] / Proposs 4. Berdasarka Bahadur s represeao da megabaka korelas ga respo aau lebh, maka fugs log-lkelhood uuk parameer θ (β ;γ LL(θ T T y y ( l ( + l + ρ k < k ( Y ( Y [ ( ( ] k k / k k ( 0 LL ( 0 θ' θ ( 0 ( 0 ( 0 B k ( ( + ( CC ( Y ( Yk k [ ( ( ] y + + ρkbk θ ( 0 < k Yk ( ( Yk k ρ k / / < k [ ( ] [ k ( k ] dega k / C + ρkbk ρk ( ( Yk k < k < k Yk + [ ( ] 4 Proposs 5. Persamaa peaksr uuk parameer θ ( y + Ψ 0 uuk ( 0,...,T GEE uuk model log Lag & eger (986 da Prece (988 elah megembagka GEE. Pedekaa GEE meghaslka esmaor kosse uuk parameer regres, d bawah spesfkas yag bear uuk fugs mea, yag merupaka vekor respos uuk masg-masg dvdu. GEE megguaka pedekaa dsrbus margal. GEE uuk θ dapa dulska dalam beuk k

5 Jural ILMU DASAR Vol. 0 No : W dag ( da G(θ W Δ S (Y' ' 0 ( Δ dag ( T T (... (,..., ( 0 T 0T Y (Y,...,Y T ; (,..., T ; S / / A R A ; A / dag ( Var( Y... Var( Y R mark workg korelas Y da W dsebu mark observas. Uuk megesmas R, ddefska vekor korelas emprk r yag berukura T(T-/ dega eleme-eleme ( Ys s( Y rs ( / [ ( ( ] s s Korelas emprk r s merupaka esmaor ak bas parameer ρ s uuk,,.. da s,r,, T. Jka dasumska ρ s ρ s uuk semua maka peaksrya ˆρ (3 s r s Persamaa ( da (4 dselesaka secara bersamaa uuk medapaka peaksr parameer θ da ρ. Prosedur medapaka peaksr θ da ρ memberka la peduga awal uuk R uuk meghug parameer θ secara eras Newo-Raphso. Nla θ yag dperoleh pada lagkah ( dguaka uuk meghug ρ (rumus pada persamaa (3 da (4, la ρ dar lagkah ( uuk meghug paramaer θ megguaka eras Newo-Raphso. Lagkah ( da (3 dulag sampa mecapa k koverge. Persamaa eras Newo-Raphso ke (k+ uuk parameer θ θ (k+ θ (k - - ' (k W Δ S Δ W WΔ S (Y' ' (4 T Lag & eger (986 merekomedaska esmaor yag kosse uuk Var(θ, Vˆ ar( ˆ θ M M M (5 M M 0 0 ˆ S θ ˆ S θ ( y' ˆ' ( y' ˆ' ' S - ' 0 ˆ θ ˆ Var( θg WΔ S Δ W (k (k WΔ S (Y' ' (Y' ' 'S ΔW - ' WΔ S ΔW ˆ θ da Teorema 3. θˆ merupaka esmaor GEE, maka G lm mulvara, lm dega ( ˆ θ θ berdsrbus ormal G ( ˆ θ θ ~ NM 0; Var. ( ˆ θ G ( G Peguja daa smulas Selajuya aka dlakuka peguja pada sampel erbaas berdasarka daa smulas uuk megama sfa esmaor yag dperoleh dar meode MLE da meode GEE, sera pegaruh besarya sampel da besarya korelas. Peela dlakuka uuk sampel berukura 50, 00, 500, 000 da Dambl kasus T3. Model ulas subjek memlh aleraf j pada perode U j V j + ε j. uuk,,3 ;,,..., ; j0,; V j β j + γ j, β 0 (6 Daa dbagkka pada β β 0.3; β β 0.6; β 3 β 3 0.9, γ 3 ; γ 3.5 ; γ 3. Nla varabel observas da j dambl dar dsrbus ormal, yau ~ N(0, ; 0 ~N(0, ; ~N(, Persamaa (4 draformas ke dalam selsh ulas

6 90 Esmas... (Jaka Nugraha e al. U U 0 U (β - + γ ( - 0 β + γ ( - 0 (7 dega β -0.7; β -0.4 ;β 3-0.; γ 3 ; γ 3.5 ; γ 3. Tga srukur korelas, yau depede (ρ 0, korelas sedag (ρ, korelas kua (ρ ρ 0 0 0, ρ, ρ Aalss megguaka sofware R khususya lbrary (morm, lbrary(sysemf, lbrary(mceco, lbrary(geepack yag dapa dakses pada sus HASIL DAN PEMBAHASAN Hasl esmas dar perulaga sebayak 50 kal dsajka dalam Tabel. Seap sel pada abel memua raa-raa da devas sadar uuk masg-masg parameer. Pada ukura sampel lebh dar 500, esmaor yag dhaslka sudah cukup bak (varas da bas kecl. Semak besar sampelya, esmaor yag dperoleh semak medeka la parameer yag sesugguhya. Pada 5000, besarya fakor pegal dar dsrbus ormal ke dsrbus la eksrm ±,83. Nugraha (008 elah meyampaka bahwa esmaor model log besarya sekar,6 kal esmaor pada model prob. Pada smulas berkuya aka dlakuka pada 500. Smulas dlakuka uuk melha pegaruh gka korelas erhadap esmaor. Meode esmas yag dguaka meode MLE da meode GEE. Pada meode MLE dguaka dua jes asums yau asums korelas ul/depede (θ MLE. da asums korelas dak dkeahu (θ MLE.. Pada meode GEE megguaka dua asums, yau asums depede (θ GEE., da asums korelas dak dkeahu (θ GEE.. Esmaor parameer korelas dapa dlha pada θ MLE. da θ GEE.. Korelas redah (depede. Dar Tabel, esmaor θ MLE. meghaslka bas yag lebh besar dbadg dega θ MLE.. Walaupu esmaor θ MLE. dak sabl, eap lebh efse dbadgka esmaor yag la. Esmaor θ GEE. da θ GEE. pada umumya berbeda, eap perbedaaya dak sgfka, demka juga la efses relafya relaf sama. Jad dapa dsmpulka bahwa pada srukur korelas redah, esmaor θ MLE., θ GEE. da θ GEE. sama. Esmas parameer pada srukur korelas depede (korelas redah, dsaraka dak megguaka esmaor θ MLE.. Korelas sedag (ρ Dar Tabel 3, esmaor θ MLE. berbeda secara sgfka erhadap esmaor yag la. Varas esmaor θ MLE. dar 50 perulaga cukup besar, yag meggdkaska esmaor dak sabl. Namu demka esmaor θ MLE. yag palg efse. Esmaor θ GEE. lebh efse dbadgka esmaor θ MLE. da θ GEE.. Pada gka korelas meegah dsaraka uuk megguaka esmaor θ MLE. da θ GEE.. Tabel. Esmaor pada srukur depede dega 50, 00, 500, 000, θ β β β γ γ γ

7 Jural ILMU DASAR Vol. 0 No : Tabel. Raa-raa selsh esmaor dar 50 ulaga korelas ul megguaka meode MLE da GEE. Parameer θ MLE. θ MLE. -θ MLE. + θ θ GEE. θ GEE. -θ GEE. + θ θ mea sd mea sd mea sd mea sd β β β γ γ γ Tabel 3. Raa-raa da sadard devas esmaor pada srukur korelas ρ meode MLE da GEE dar 50 kal perulaga Parameer θ MLE. θ MLE. θ GEE. θ GEE. θ mea sd mea sd mea sd mea sd β β β γ γ γ ρ ρ ρ Tabel 4. Raa-raa da sadar devas esmaor pada srukur korelas ρ meode MLE dar replkas sebayak 50 kal Parameer θ MLE. θ MLE. θ GEE. θ GEE. θ mea sd mea sd mea sd mea sd β β β γ γ γ ρ ρ ρ Korelas kua (ρ Dar Tabel 4, pada srukur korelas ρ esmaor θ MLE. berbeda secara sgfka erhadap esmaor la. Esmaor θ GEE. lebh efse dbadgka dega esmaor θ GEE., θ MLE. Sehgga dapa dsmpulka, jka erdapa korelas kua aar respo sebakya dguaka esmaor θ GEE. da θ MLE.. Daara esmaor θ GEE. da θ MLE., keuggula masg-masg esmaor saga ergaug pada daa yag daalss, sehgga dak dapa dgeeralka.

8 9 Esmas... (Jaka Nugraha e al. KESIMPULAN Pemodela pada respo ber mulvara dega varabel depede berupa karakersk dvdu da karakersk plha dapa dlakuka megguaka model dsrbus la eksrm. Meode MLE da meode GEE dapa dguaka uuk megesmas parameer. Kedua meode meghaslka persamaa peaksr yag harus dselesaka secara eras. Peguja esmaor dapa dlakuka megguaka pedekaa eor sampel besar. Pada gka korelas redah, dsaraka dak megguaka esmaor θ MLE.. Pada gka korelas sedag maupu korelas gg, sebakya dguaka esmaor θ MLE. da θ GEE.. Esmaor parameer korelas pada meode θ MLE. da θ GEE.3 dak dapa dguaka uuk meggambarka gka korelas yag sesugguhya. DAFTAR PUSTAKA Cooyas P, Adrew MJ, Gozales RL. 00. Usg Smulao-Based Iferece Wh Pael Daa I Healh Ecoomcs. Workg Paper Deparme of Ecoomcs ad Relaed Sudes, Uversy of York. Fzmaurce GM, Lard NM, Razky AG Regresso Models for DscreeLogudal Resposes. Sascal Scece Vol. 8 No. 3 : Harrs MN, Macquare LR, Soucls AJ. 000, Comparso of alerave Esmaors for Bary Pael Prob Models, Melboure Isue Workg Paper o 3/00 Horowz JL & Sav NE. 00. Bary Respose Models : Logs, Probs ad Semparamercs, Joural of Ecoomc Perspecves, Volume 5(4: Nugraha J, Haryam S, Guro S Model Dscree Choce da Regres Logsk, Prosedg Semar Nasoal MIPA, UNY. Nugraha J.008. Model Prob da Model Log pada Respo Ber. Eksaka, Jural Ilmu-lmu MIPA Vol 0(: 9-7 Lag KY & eger SL Logudal Daa Aalyss Usg Geeralsed Lear Models, Bomerka 73: 3-. Prece.988. Correlaed Bary Regresso wh Covaraes Specfc o Each Bary Observao. Bomercs 44 : R Developme Core Team (008. R: A laguage ad Evrome for Sascal Compug. R Foudao for Sascal Compug, Vea, Ausra. ISBN , URL hp:// [ , :3] Tra K.003. Dscree Choce Mehods wh Smulao, UK Press, Cambrdge.

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV 4. Proses Sokask Dalam kehdupa yaa, sergkal orag g megama keerkaa sau kejada dega kejada la dalam suau erval waku ereu, yag merupaka suau barsa kejada.

Lebih terperinci

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Bule Ilmah Mah. Sa. da Terapaya Bmaser Volume 5, No. 3 26, hal 23 22. ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Syarah

Lebih terperinci

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc. Aalss Regres Webull uuk Megeahu Fakor-Fakor yag Mempegaruh Laju Perbaka Kods Kls Pedera Sroke Sud kasus RSU Haj Surabaya Oleh : Azzahrowa Furqo 3090004 Dose Pembmbg Dr. Purhad, M.Sc. AGENDA OUTLINE PENDAHULUAN

Lebih terperinci

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL MESIN OKK Gll BCG1-P PADA BAGIAN DRAWING PT VONEX INDONESIA 3.1 Pedahulua Pada Bab II elah djelaska megea eor eor yag dbuuhka uuk meeuka jadwal opmum

Lebih terperinci

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma. DITRIBUI GAMMA Ada beberaa dsrbus eg dalam dsrbus uj hdu, salah sauya adalah dsrbus gamma. A. Fugs keadaa eluag (fk) Fugs keadaa eluag (fk) dar dsrbus gamma dega dua arameer yau da adalah sebaga berku:

Lebih terperinci

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL RISK ANALYSIS Dr. Mohammad Abdul Mukhy,, SE., MM RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL kepuusa maageral dbua d bawah kods-kods kepasa, kedak-pasa aau resko. Kepasa megacu pada suas

Lebih terperinci

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF A Seawa Program Su Maemaka Iusr a Saska Fakulas Sas a Maemaka Uversas Krse Saya Wacaa Jl Dpoegoro 52-6 Salaga 57 Ioesa e-mal: a_sea_3@yahoocom Absrak Dega

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX ANAISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCUOSIS DENGAN MODE REGRESI COX Es Okava Sr Seyagsh da A Adrya Program Sud Maemaka Fakulas Maemaka da Ilmu Pegeahua Alam Uversas Pakua

Lebih terperinci

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2 INFERENSI DAA UJI HIDUP ERSENSOR IPE II BERDISRIBUSI RAYLEIGH Oleh : ak Wdhah Ww Madjya Saf Pogam Sud Saska FMIPA UNDIP Alum Pogam Sud Saska FMIPA UNDIP Absac Aalyss of lfe me s oe of sascal aalyss whch

Lebih terperinci

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA Prosdg Semar Nasoal Sas da Peddka Sas IX, Fakulas Sas da Maemaka, UKSW Salaga, Ju 4, Vol 5, No., ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN KOA -

Lebih terperinci

Hidraulika Komputasi

Hidraulika Komputasi Hdraulka Kompuas Meoda Beda Hgga Ir. Djoko Lukao, M.Sc., Ph.D. Jurusa Tekk Spl Fakulas Tekk Uversas Gadjah Mada Peyelesaa Pedekaa Karea dak dperoleh peyelesaa aals, maka dguaka peyelesaa pedekaa umers.

Lebih terperinci

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik III. METODE PENELITIAN A. Jes da Sumber Daa Daa yag dguaka adalah daa sekuder dar publkas das aau sas pemerah, daaraya adalah publkas daa dar Bada Pusa Sask megea PDRB Koa Badar Lampug da PDRB Props Lampug.

Lebih terperinci

LOGO ANALISIS REGRESI LINIER

LOGO ANALISIS REGRESI LINIER LOGO ANALISIS REGRESI LINIER BERGANDA Hazmra Yozza Jur. Maemaka FMIPA Uv. Adalas KOMPETENSI megdefkaska model regres ler bergada dalam oas aljabar basa maupu oas marks da asumsya medapaka model regres

Lebih terperinci

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik Jural Jural Maemaka, Saska, & Kompuas Vol. 4 No. Jauar 08 Vol. 3 No Jul 006 p-issn: 858-38 53 e-issn: 64-88 Vol. 4, No., 54-59, Jauar 08 Vol. 4, No., 54-58, Jauar 08 Meode Bayes Da Kedaksamaa Cramer-Rao

Lebih terperinci

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2 PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI D DENGAN SKEMA FCS, LAASONEN DAN CRANK-NICOLSON Eko Praseya Budaa Syamsul Had Absrac, Fe dfferece mehod ( FCS, Laasoe ad Crak-Ncholso scheme) have bee develop for

Lebih terperinci

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA Jural Maemaka, Vol., No., 2, 6 2 BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA AMIR KAMAL AMIR Jurusa Maemaka, FMIPA, Uversas Hasaudd 9245 Emal : amrkamalamr@yahoo.com INTISARI Msalka

Lebih terperinci

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU 8345 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA

Lebih terperinci

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur Decluserg Peaks Over Threshold Pada Daa Curah Huja Eksrm Depede d Sera Produks Pad Jawa Tmur Rosa Malka () da Suko () ()() Jurusa Saska, FMIPA, ITS, Isu Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm,

Lebih terperinci

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (13) 337-35 (31-98X Pr) D-165 Aalss Survval dega Model Regres Cox Webull pada Pedera Demam Berdarah Degue (DBD) d Rumah Sak Haj Sukollo Surabaya Edhy Basya, da I

Lebih terperinci

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

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

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 0- A- Esmas Parameer a Dalam Pemulusa Ekspoesal Gaa Dua Parameer Dega Meoe Mofkas Gole Seco Nla Yuwa, Lukma Haaf, Nur Wahyugsh Jurusa Maemaka, Fakulas

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

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

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

Lebih terperinci

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD Vol. 7, No., 3-33, Jul Pegguaa Uj Koegras pada Daa Kurs IDR erhadap AUD Asa Absrak Peela megkaj peerapa Saska pada daa ruu waku yag megkaj uj koegras pada daa ersebu. Koegras adalah suau uj yag dguaka

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

Rancangan Acak Kelompok

Rancangan Acak Kelompok Racaga Acak Kelompok Saua percoaa dak seragam dlakuka pegelompoka egacaka dlakuka per kelompok Model : Y j μ + β + τ + ε dega : Y j respos pada perlakua ke -, ulaga ke - j μ raaa umum j τ pegaruh perlakuake

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

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

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

Lebih terperinci

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV Jural Wahaa Maemaka da Sas, Volume 8 Nomor, Aprl 4 77 PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV I Gus Nyoma Yud Harawa Jurusa Peddka Maemaka, Fakulas Maemaka da Ilmu Pegeahua

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Bab 7 NILAI DAN VEKTOR EIGEN

Bab 7 NILAI DAN VEKTOR EIGEN Bab 7 NILAI DAN VEKTOR EIGEN 7 Movas Dmovas bab dega medskuska persamaa a hy by c, dega dak semua dar a, b, da c adalah ol Peryaaa a hy by dsebu beuk kuadrak dalam da y, sera erdapa deas a hy by a h [

Lebih terperinci

Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator

Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator 70 Mode Pob... (Jaka Nugaha dkk) Mode Pob pada Respos Be Muvaa Megguaka Smuaed Maxmum Lkehood Esmao Pob Mode o Muvaae Bay Respose Usg Smuaed Maxmum Lkehood Esmao Jaka Nugaha ), Suyo Guo ), S Hayam ) Juusa

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

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

Lebih terperinci

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

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

Lebih terperinci

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE ESTIMATION OF PARAMETER REGRESION MODEL USING BOOTSTRAP AND JACKKNIFE Hed (Staf Pegajar UP MKU Poltekk Neger Badug)

Lebih terperinci

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

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

Lebih terperinci

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati REFLEKTANS DAN TRANSMTANS CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM Chrsa Dw Raawa Jurusa Fska Fakulas Maemaka da lmu Pegeahua Alam Uversas Dpoegoro sar : Telah dlakuka kaja erhadap larua gula da larua

Lebih terperinci

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU Dyah Rosa STEM Akamgas, Jl. Gajah Mada No. 38 Cepu E-mal: a_dyah@yahoo.com ABSTRAK Peramala produks d masa medaag saga

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Bab II Teori Pendukung

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

Lebih terperinci

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

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

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

X a, TINJAUAN PUSTAKA

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

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

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

Lebih terperinci

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

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

Lebih terperinci

Suatu Tinjauan Tentang Generalized Estimating Equation

Suatu Tinjauan Tentang Generalized Estimating Equation Vol. 4, No.1, 19-25, Jul 2007 Suatu Tjaua Tetag Geeralzed Estmatg Equato Muhammad Abdy Abstrak Geeralzed Estmatg Equato (GEE) yag pertama kal dperkealka oleh Lag da Zeger pada tahu 1986 telah medapat perhata

Lebih terperinci

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban

Lebih terperinci

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

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

Lebih terperinci

PEMBENTUKAN MODEL PROBIT BIVARIAT

PEMBENTUKAN MODEL PROBIT BIVARIAT PEMBENTUKAN MODEL PROBIT BIVARIAT SKRIPSI Dsusu Oleh : Yudh Cadra JE 003 66 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS DIPONEGORO SEMARANG 009

Lebih terperinci

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh

Lebih terperinci

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

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

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN PENAKI AIO UNTUK ATA-ATA POPULAI PADA AMPLING ACAK EDEHANA MENGGUNAKAN KOEFIIEN VAIAI DAN MEDIAN sk ahmada *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da

Lebih terperinci

2.2.3 Ukuran Dispersi

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

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

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

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

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

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Peremua 3 Oule: Meode Peramala: Expoeal Smoohg (Sgle) Double Expoeal Smoohg Wer s Mehod for Seasoal Problems Error Forecas MAD, MSE, MAPE, MFE aau Bas Referes:

Lebih terperinci

Regression Logistic Model for Multivariate biner Response by Generalized Estimating Equation

Regression Logistic Model for Multivariate biner Response by Generalized Estimating Equation Model Regres Logstk utuk Resos Ber Multvarate dega Geeralzed Estmatg Euato Oleh : Jaka Nugraha, Suryo Gurto & Sr Haryatm Kartko. Jurusa Statstka, FMIPA UII. Emal: ugraha@fma.u.ac.d.jurusa Matematka FMIPA

Lebih terperinci

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb. JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

PENGGUNAAN REGRESI KONTINUM DENGAN PRA- PEMROSESAN ROBPCA UNTUK PEMODELAN STATISTICAL DOWNSCALING. Sutikno 1 dan Setiawan 2

PENGGUNAAN REGRESI KONTINUM DENGAN PRA- PEMROSESAN ROBPCA UNTUK PEMODELAN STATISTICAL DOWNSCALING. Sutikno 1 dan Setiawan 2 Semar Nasoal Saska IX Isu ekolog Sepulu Nopember, 7 November 009 PENGGUNAAN REGRESI KONINUM DENGAN PRA- PEMROSESAN ROBPCA UNUK PEMODELAN SAISICAL DOWNSCALING Suko da Seaa, Jurusa Saska FMIPA IS suko@saska.s.ac.d,

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson.

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson. JURNAL SAINS DAN SENI IS Vol. 4, No., (5) 337-35 (3-98X Prt) D45 Pemodela Faktor-Faktor yag Mempegaruh Jumlah Kasus IV & AIDS d Provs Jawa mur ahu 3 Megguaka Bvarate Posso Regresso Lucy Da Pusptasar da

Lebih terperinci

V. PENGUJIAN HIPOTESIS

V. PENGUJIAN HIPOTESIS V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska

Lebih terperinci

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract Esmas Paamee (Ida sa) ESIMASI PARAMEER DISRIBUSI WEIBULL DUA PARAMEER MENGGUNAKAN MEODE BAYES Ida sa Hazhah, Sugo, Ra Rahmawa Mahasswa Juusa Saska FSM Uvesas Dpoegoo Sa Pegaja Juusa Saska FSM UNDIP Absa

Lebih terperinci

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

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

Lebih terperinci

( L ). Matriks varians kovarians dari

( L ). Matriks varians kovarians dari LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

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

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

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

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

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

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

Lebih terperinci

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6)

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6) Pemecaha Masalah Ieger Programmg Ber Dega Meode Peambaha Wawa Lakso YS 6) ISSN : 1693 1173 Absrak Program Ler adalah perecaaa akfas-akfas uuk memperoleh suau hasl yag opmal. Tdak semua varabel kepuusa

Lebih terperinci

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015 JURNAL SAINS DAN SENI IS Vol 6, No, (7) ISSN: 337-35 (3-98X Prt) D-44 Pemodela Regres Posso Iverse Gaussa Stud Kasus: Jumlah Kasus Baru HIV d Provs Jawa egah ahu 5 Adraa Y Herdrawat, I Nyoma Latra, da

Lebih terperinci

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST KONSISTENSI KOEFISIEN DETERINASI SEBAGAI UKURAN KESESUAIAN ODEL PADA REGRESI ROBUST Harm Sugart (harm@ut.ac.d) Ad egawar Jurusa Statstka FIPA Uverstas Terbuka ABSTRACT I statstcs, the coeffcet of determato

Lebih terperinci

PENAKSIR RATIO-CUM-PRODUCT YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS

PENAKSIR RATIO-CUM-PRODUCT YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PEASIR RATIO-UM-PRODUT AG EFISIE UTU RATA-RATA POPULASI PADA SAMPLIG AA SEDERHAA MEGGUAA OEFISIE VARIASI DA OEFISIE URTOSIS Lza armata *, Arsma Ada, Frdaus Mahasswa Program S Matematka Dose Jurusa Matematka

Lebih terperinci

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

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

Lebih terperinci

STRUKTUR MARKOV PADA MASALAH LAJU KREDIT Riri Syafitri Lubis

STRUKTUR MARKOV PADA MASALAH LAJU KREDIT Riri Syafitri Lubis STRUKTUR MARKOV ADA MASALAH LAJU KREDIT Rr Syafr Lubs Dose Jurusa eddka Maemaka Fakulas Tarbyah IAIN - SU Jl. Wllem Iskadar asar V Meda Esae, 37 تجريدي: تستخدم هذه الدراسة نموذج ماركوف (Markov) لتحليل

Lebih terperinci

BAB II LANDASAN TEORI. penulisan skripsi yaitu mengenai data panel, beberapa bentuk dan sifat

BAB II LANDASAN TEORI. penulisan skripsi yaitu mengenai data panel, beberapa bentuk dan sifat BAB II LANDASAN TEORI Pada Bab II aka dbahas dasar-dasar teor yag dguaka dalam peulsa skrps yatu megea data pael, beberapa betuk da sfat matrks, matrks parts, betuk ler da betuk kuadratk beserta ekspektasya,

Lebih terperinci

PEMERIKSAAN DATA BERPENGARUH DALAM MODEL GAMMA

PEMERIKSAAN DATA BERPENGARUH DALAM MODEL GAMMA PEMERIKSAAN DATA BERPENGARUH DALAM MODEL GAMMA Nusar Hajarsma Jurusa Statstka, Uverstas Islam Badug Jl. Purawarma No.69, Badug 406 rsma@yahoo.co.uk ABSTRACT I statstcal modelg, especally modelg of categorcal

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

FINITE FIELD (LAPANGAN BERHINGGA)

FINITE FIELD (LAPANGAN BERHINGGA) INITE IELD (LAPANGAN BERHINGGA) Muhamad Zak Ryao NIM: /5679/PA/8944 E-mal: zak@malugmacd h://zakmahwebd Dose Pembmbg: Drs Al Sujaa, MSc Jka suau laaga (feld) memua eleme yag bayakya berhgga, maka laaga

Lebih terperinci

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit)

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit) Jural Sas Matematka da Statstka, Vol., No. I, Jauar ISSN - Peyelesaa Sstem Persamaa Ler Kompleks Dega Ivers Matrks Megguaka Metode Faddev Cotoh Kasus: SPL Kompleks da Hermt F. rya da Tka Rzka, Jurusa Matematka,

Lebih terperinci

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

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

Lebih terperinci

TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA Y

TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA Y TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA 030501061Y UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA DEPOK 009

Lebih terperinci