Bab II LANDASAN TEORI
|
|
- Hartanti Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Bab II LANDASAN TEORI 2 Regres 2 Pengertan Komponen-Komponen Persamaan Regres Persamaan regres adalah persamaan matematk yang memungknkan untuk meramalkan nla-nla suatu peubah tak bebas dar nla-nla satu atau lebh peubah bebas (Walpole, 995, p340) Menurut Supranto (200, p78), kuat atau tdaknya hubungan varabel ndependen (X) dan varabel dependen (Y) dukur dengan suatu nla yang dsebut dengan koefsen korelas, sedangkan besarnya pengaruh X terhadap Y, dukur dengan koefsen regres Persamaan regres juga menggambarkan relas dar varabel-varabel yang ada ddalamnya D dalam pemakaannya, varabel dependen (Y) ternyata juga dpengaruh oleh faktor lan selan varabel ndependen (X) yang tdak dmasukkan kedalam persamaan tersebut Oleh karena persamaan dar regres perlu untuk mengambarkan bentuk dar data dengan tepat, maka dmasukkanlah error ε ke dalam persamaan regres tersebut Menurut Supranto (995, p79), karena error tu tdak dapat dhlangkan sama sekal, maka resko tu akan selalu ada Resko hanya bsa dperkecl dengan memperkecl kesalahan (mnmzed error) 22 Regres Lnear Dan Non Lnear Secara umum, regres adalah suatu metode untuk meramalkan nla harapan yang bersyarat Regres dkatakan lnear apabla hubungan antara varabel ndependen dan
2 7 varabel dependennya adalah lnear Hubungan antara varabel ndependen dan varabel dependen dapat dkatakan lnear apabla dagram pencar data dar peubah-peubah tersebut mendekat pola gars lurus Fungs lnear selan mudah nterpretasnya, juga dapat dgunakan sebaga hampran (approxmaton) atas hubungan yang bukan non-lnear Bentuk dar regres lnear adalah: Y = β o + β X + β + + ε (2) 2X2 Apabla hubungan antara varabel ndependent dan varabel dependen tdak lnear, maka regres dkatakan regres non-lnear Bentuk dar hubungan regres non-lnear adalah: Y = f X, γ ) +ε (22) ( dengan γ adalah fungs respon non-lnear dar parameternya Error pada regres non-lnear dasumskan untuk mempunya nla harapan sebesar nol, ragam yang konstan dan tdak dkorelaskan, sama sepert asums error pada model regres lnear (Neter, J, Kutner, MH, Nachtshem, CJ,Wasserman,W, 996) 22 Dstrbus Bnomal Dstrbus bnomal menurut Walpole (995, p52) adalah suatu percobaan yang terdr atas ulangan-ulangan, dan masng-masng mempunya dua kemungknan hasl yatu sukses atau gagal Probabltas pada dstrbus bnomal yang sukses dtanda dengan smbol p dan yang gagal dtanda dengan smbol q dmana q=-p Probabltas pada dstrbus bnomal dhtung sebaga berkut: p x n! p x!( n x)! q x n x r( ) = (23)
3 8 Nla tengah dar sebaran bnomal adalah : μ = E ( X) = np (24) Ragam dar sebaran bnomal adalah : 2 2 σ = E { X E( X)} 2 = E( X np) = npq (25) Standar devas dar sebaran bnomal adalah : σ = npq (26) 23 R-Language R-language adalah software komputas statstk dan grafs R-language adalah salah satu bentuk object-orented programmng yang mempunya sntaks sepert bahasa C R- language memperbolehkan computng on the language sehngga memungknkan untuk menuls suatu ekspres tertentu dan dgunakan sebaga nput, yang berguna untuk permodelan statsts dan grafs Pada penggunaanya ekspres dar R-language adalah case senstve sehngga huruf besar dan huruf kecl danggap berbeda pada R-language Lngkungan pada R-language dnamakan GNU S yang menyedakan keragaman yang luas untuk menghtung dan memodelkan segala yang berhubungan dengan statstk dan grafk 24 Regres Logstk Regres logstk adalah salah satu bentuk regres non-lnear yang mempunya varabel dependen yang dskrt dan mempunya sebaran bnomal, sedangkan varabel ndependennya dapat terdr dar varabel yang contnu, dskrt, dkotomus, ataupun gabungannya Estmas parameter dar regres logstk tu menggunakan metode maxmum lkelhood yang akan djelaskan kemudan
4 9 Probabltas dar tap nla varabel dependennya memlk nla sendr-sendr tap barsnya Hal tersebut dapat dlhat sepert pada persamaan (27) dengan μ mempunya nla p untuk P(Y=), dan nla q=- μ untuk P(Y=0) Berkut n adalah bentuk matrx yang akan dpaka dalam regres logstk : Y = y y 2 y B = b o b b n ε = e e 2 e P= p p p 2 X = x x 2 x n x 2 x 22 x n2 x n x 2n x n Gambar 2: Bentuk pokok dar matrx pada regres logstk dengan μ = P 24 Fungs Respon Regres Logstk E{Y} 0 X Gambar 22: Bentuk fungs respon regres logstk
5 0 Dstrbus logstk merupakan salah satu bentuk dstrbus probabltas non-lnear yang kontnu Kegunaan terpentng dar dstrbus n adalah menghaslkan nformas tentang hubungan antara varabel dependen (Y) dan varabel ndependennya (X) Bentuk dasar dar fungs respon regres logstk (logstc response functon) menurut Neter, J, Kutner, MH, Nachtshem, CJ,Wasserman,W (996, p570) adalah : E { Y } = exp( β 0 + β x + ) μ = (27) + exp( β + β x + ) 0 Pada persamaan (27), μ adalah ftted value yang merupakan nla ekpektas Y dar persamaan regres logstk Menurut Mahadevan, S ( lectures/week8pdf, p9), bentuk probablty densty functon (PDF) dar logstk regres adalah: (28) 242 Odds Rato Pada persamaan regres logstk terdapat yang dnamakan dengan odds rato Odds rato adalah perbandngan dar probabltas satu kejadan yang terjad P(Y=) dbandngkan dengan probabltas tdak terjad P(Y=0) Odds rato dsmbolkan sebaga ψ mempunya bentuk berkut : μ() /[ μ()] ψ = (29) μ(0) /[ μ(0)] μ() /[ μ()] ln( ψ ) = ln = μ(0) /[ μ(0)] e + e e + e β + β β o β 0+ β o β + β o + e β o + e β 0 + β (20)
6 odds 2 ψ = = exp( b ) (2) odds 243 Estmas Parameter Dar Regres Logstk Menurut Supranto (200, p22), parameter adalah sembarang nla yang menjelaskan cr populas tersebut Parameter yang destmas harus mempunya nla yang mencermnkan data yang destmas parameternya, sehngga nla hasl dar estmas parameter dharapkan mempunya nla error yang kecl Hubungan setap parameter mempengaruh nla dar varabel dependen Y, Sepert gambar d bawah n: Gambar 23: Hubungan parameter dan varabel dependen Y Menurut Neter, J, Kutner, MH, Nachtshem, CJ,Wasserman,W (996, p574), untuk mengestmas parameter pada regres logstk menggunakan metode maxmum lkelhood Metode maxmum lkelhood adalah salah satu metode untuk mengestmas parameter pada suatu persamaan dengan cara memaksmumkan nla L (β ) pada persamaan (24) atau yang dsebut dengan condtonal log-lkelhood functon Condtonal log-lkelhood functon berasal dar probabltas persamaan regres logstk yang akan destmasnya
7 2 Untuk mencar condtonal log-lkelhood yang maksmum pada metode maxmum lkelhood dapat menggunakan metode yang dnamakan Newton-Raphson Langkah selanjutnya setelah ddapatkan nla estmas parameter yang optmal, nla tersebut dapat dmasukkan ke dalam persamaan (27) untuk mendapatkan ftted value 244 Metode Newton-Raphson Metode Newton-Raphson adalah metode untuk menemukan akar dar persamaan dengan asums f(x)=0 Metode Newton-Raphson ddapatkan dar turunan deret Taylor : 2 f ( x) = f ( x ) + ( x x ) f '( x ) + ( x x) f ''( x ) + (22) 2! Menurut Mahadevan, S ( lectures/week8pdf, p9), Algortma untuk menemukan nla maksmum dengan metode Newton-Raphson adalah: x= x 2 = x -f (x)/f (x) (23) Perhtungan pada persamaan datas (23) dlakukan dengan teras sampa dengan nla x 2 sama dengan x Dar PDF pada persamaan (28) regres logstk, maka condtonal lkelhood dar regres logstk adalah: n y l( = β y β X, Y ) μ ( x β ) ( μ ( x )) (24) =
8 Untuk memudahkan perhtungan persamaan (24), dgunakan logartma, sehngga persamaan menjad: 3 L( β) = lnl( β X, Y) = y n = lnμ( x β) + ( y )ln( μ( x β)) (25) Turunan pertama dar persamaan (25) adalah: L( β X, Y) = β n = x ( y μ( x β)) (26) Turunan kedua dar persamaan (25) adalah: 2 L( β X, Y) = T ββ n = T x ( x ) μ( x β)( μ( x β)) (27) Untuk mendapatkan condtonal log-lkelhood yang maksmum pada metode maxmum lkelhood menurut Newton, E ( School-of-Management/5-075Appled-StatstcsSprng2003/8C07CE0F-70BB-4C8F- 9A7B-9AD0AF643D7/0/lec5_logstc_regressonpdf, p) dapat menggunakan algortma yang dnamakan Newton-Raphson Iteratvely Reweghted Least Square (IRLS) Cara perhtungan dar (IRLS) adalah sebaga berkut: t μ = ' + exp( X * β ) (28) Dengan ' X adalah bagan dar matrx X dmana adalah smbol yang mewaklkan tap-tap bars dar matrx X tersebut dan logstk μ adalah ftted value dar regres Iteras berawal dengan pemberan nla awal pada matrx B yang berbentuk sepert pada gambar (2) yang mempunya nla yang besarnya nol semua
9 Bentuk persamaan dar metode Newton-Raphson untuk menentukan maxmum lkelhood yang berasal dar turunan pertama dan turunan kedua dar condtonal loglkelhood untuk mendapatkan nla estmas parameter yang optmal adalah: B = B + (( x' vx) x'( y μ ) t t + (29) Pada persamaan (29), jka nla B t + tdak sama dengan B t, maka B dan persamaan akan dulang kembal ke persamaan (28) sampa nla B t + t = B t+ 4 sama dengan nla B t Matrx V adalah matrx dengan besar bars dan kolomnya * (besarnya sesua dengan banyak data) yang nlanya dagonalnya μ ( μ ) atau berart p*(-p) * V(*) = p*(-p) p2*(-p2) p3*(-p3) p4*(-p4) pp*(-p) Gambar 24: Matrx V 245 Devance Resdual Dar Regres Logstk Devance resdual dar regres logstk dgunakan untuk mengukur goodness-of-ft pada model regres logstk tersebut Goodness-of-ft adalah kebakan ft suatu parameter yang telah destmas pada regres logstk Menurut Hosmer dan Lemeshow (989, p36), pengukuran goodness-of-ft tu memberkan keseluruhan ndkas ft dar model Sebuah model dapat dkatakan ft dengan bak jka jumlah pengukuran jarak antara Y dan Yˆ kecl
10 5 Pada regres logstk penghtungan goodness-of-ft ddapatkan dar devance resdualnya yang mempunya persamaan: D = j j= 2 d ( Yj, μ j) (220) dmana d adalah : d( Yj, μ j) = 2 ln( ˆ μj) (22) Menurut Hosmer dan Lemeshow (989, p35) Hasl dar persamaan (220) tu dgunakan untuk: Mengevaluas kecocokan secara keseluruhan 2 Mengkaj masng-masng komponen bak tu varabel dependen maupun varabel ndependen dengan hasl 3 Mengkaj jarak antara Y asl dengan Yˆ Untuk menghtung varans dan standar error setap parameter dar regres logstk maka harus mengunakan estmas matrx kovarans Bentuk matrx kovarans menurut Hosmer dan Lemeshow (989, p29) pada regres logstk adalah: ( β ) = I ( β ) = ( X ' VX ) (222) 25 Metode Bootstrap Bootstrap adalah sebuah metode smulas berdasarkan data untuk statstk nferensa yang dapat dgunakan untuk mempelajar varas dar data yang dobservas (Inferensa statstk adalah semua metode yang dgunakan dalam penarkan kesmpulan dan generalsas suatu populas tertentu) Ide utama dar metode n bootstrap adalah menggunakan sekumpulan observas sebaga gambaran emprs dar dstrbus yang sesungguhnya
11 Pada metode bootstrap probabltas terplhnya suatu sampel acak jka terdapat satu 6 unt data yang observas u, u2, u3,, u menurut Efron dan Tbshran (998, p8) n adalah sama sama yatu /n Sampel bootstrap ddapatkan dar data observas yang dplh dengan pengembalan, sehngga dapat terjad suatu data dapat muncul lebh dar satu kal Metode bootstrap dbutuhkan pada keadaan dmana dbutuhkan data yang banyak sedangkan proses untuk mendapatkan data terbatas Proses dar bootstrappng menurut Efron dan Tbshran (998, p3) dgambarkan sebaga berkut: Gambar 25: Proses dar bootstrappng Pada gambar (25) data observas dlambangkan dengan: X = x, x, x ) n =,2,3,, n ( 2 n Sedangkan data hasl replkas dar bootstrap dlambangkan dengan X = ( x *, x *, x *) n =,2,3,, n * 2 n Jumlah replkas bootstrap dlambangkan dengan smbol B Contoh proses bootstrap pada nla tengah sesua dengan gambar (25) adalah:
12 7 Ambl secara acak data sebanyak n dengan probabltas terplhnya satu unt data adalah sama 2 Lakukan langkah pertama sampa dengan jumlah replkas bootstrap yang dngnkan 3 Htung nla tengah bootstrap pada masng-masng kelompok replkas yang dhaslkan Jumlah replkas bootstrap pada regres, menurut Faraway, JJ(2002, p54) jumlah replkas bootstrap pada regres dlakukan 000 kal Cara melakukan pengamblan sampel pada metode bootstrap ada berbaga macam sepert bootstrap resdual, bootstrap mean, dst Pada regres logstk, metode bootstrap yang dpaka dnamakan bootstrap probabltas bersyarat yang akan djelaskan kemudan 25 Bootstrap Probabltas bersyarat Dstrbus probabltas bersyarat (condtonal probablty dstrbuton) adalah nla probabltas dar suatu nla varabel dependen (Y) yang nlanya berasal dar akbat varabel ndependennya (X) terhadap kemungknan dhaslkannya suatu nla oleh varabel Y tersebut Nla varabel yang bergantung pada konds dar varabel lan yang berhubungan dengannya pada regres logstk adalah nla dar varabel dependen (Y) yang bergantung dengan nla dar varabel ndependen (X) tertentu Nla varabel tersebut dnamakan dengan condtonal expected values yang basa dnotaskan dengan smbol E(Y X) Berdasarkan hal tersebut, maka cara melakukan bootstrap pada probabltas bersyarat menurut Pardoe dan Wesberg (200, p2) dapat dlakukan dengan menghtung kemungknan yang ada pada μ (ftted value dar bootstrap) yang merupakan
13 kemungknan atau probabltas dar event sukses (p = P(Y*= X) = μ (x)) ) Nla probabltas tersebut juga adalah condtonal expected value dar tap bars pada regres logstk yang telah dbootstrap Semakn besar nla 8 μ maka semakn besar kemungknan varabel Y* bernla (event sukses) dbandngkan dengan besar kemungknan Y* bernla 0 (event gagal) Sedangkan kebalkannya jka semakn kecl nla μ maka semakn kecl juga kemungknan varabel Y* bernla atau berart besar kemungknan nla Y* bernla 0 adalah besar Algortma dar bootstrap probabltas bersyarat adalah: Dapatkan nla μ dar persamaan regres logstk basa yang datanya akan dgunakan sebaga data observas metode bootstrap 2 Dapatkan nla acak dar y *,, y * dar Y sesua dengan dstrbus varabel Y n dan (p = P(Y*= X) = μ *(x)) ) dmana μ * adalah ftted value bootsrap dar regres logstk yang berdstrbus bnomal tersebut 3 Suakan y *,, y * yang merupakan hasl dar bootsrap dengan varabel n dependen (X) dar regres logstk basa dan bentuklah persamaan θ *(b) yang adalah persamaan regres logstk dengan metode bootstrap 4 Lakukan cara sampa 3 sebanyak teras bootstrap yang dngnkan 5 Lakukan perhtungan devase resdual bootstrapnya 252 Devance Resdual Bootstrap Sepert yang dketahu devance resdual dar regres logstk mengukur perbedaan antara Y dengan Yˆ, maka untuk menganalss perbedaan antara regres logstk dan
14 9 regres logstk dengan metode bootstrap dapat dlakukan dengan menghtung perbedaan devance resdual antara kedua regres tersebut Rumus bootstrap untuk mengestmas devance resdual pada regres logstk adalah sebaga berkut : D B = D *( )) t(d) (223) dmana B D *( ) = b= D *(b)/b (224) t(d) adalah devance resdual dar regres logstk basa dan D *( )) adalah devance resdual rata-rata dar metode bootstrap logstc regresson Persamaan (223) tersebut ddasarkan pada devance resdual pada regres logstk Oleh karena tu hasl devance resdual dar regres logstk tersebut akan dbandngkan dengan keseluruhan rata-rata devance resdual dar setap regres logstk hasl dar bootstrap untuk membandngkan perbedaan devance resdual antara metode bootstrap dengan regres logstk dan regres logstk basa Perbedaan yang besar pada devase resdual antara metode bootstrap dengan regres logstk basa tentunya tdak dkehendak dan menandakan ketdakakuratan antara bootstrap dengan yang metode regres logstk basa 26 Peneltan yang Relevan Samn, H (2005) Analss dan Peracangan program aplkas untuk mengestmas tngkat loyaltas konsumen terhadap merk Sony Car Audo (stud kasus: Pt Tr Audophle Center) Unverstas bna nusantara Jakarta Peneltan tersebut bertujuan menerapkan model regres logstk untuk melhat bentuk
15 20 hubungan loyaltas konsumen dengan frekuens pembelan dan volume pembelan Sony Car Audo oleh pelanggan Horton, NJ, dan Lard, NM (200) Maxmum Lkelhood Analyss of Logstc Regresson Peneltan tersebut dlakukan dengan mengunakan Regres Logstk dan metode bootstrap untuk kasus data kesehatan anak-anak Akses: Desember 26, 2005 Bull, SB, Mak, C dan Greenwood, CMT (2002) Modfed Score Functon Estmator for Multnomal Logstc Regresson n Small Samples D mana peneltan dlakukan dengan data dar penyakt hepatts dengan regres logstk multnom dan bootstrap Akses: Desember, 2005 Pardoe, I dan Wesberg, S(200) An Introducton to Bootstrap Methods usng Arc D mana peneltan dlakukan dengan membandngkan beberapa metode bootstrap pada regres yang salah satunya adalah regres logstk dan salah satu metode bootsrap yang dgunakan adalah bootsrap probabltas bersyarat Peneltan tersebut dlakukan menggunakan bahasa pemrogram Arc Akses: Januar 0, 2006
BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBootstrap Pada Regresi Linear dan Spline Truncated
Statstka, Vol. 8 No. 1, 47 54 Me 2008 Bootstrap Pada Regres Lnear dan Splne runcated Harson Darmaw 1) dan Bambang Wdjanarko Otok 2) 1) enaga Pengajar d Jurusan Matematka UNRI, Pekanbaru e-mal: son_ms@yahoo.co.d
Lebih terperinciANALISIS PEUBAH RESPON BINER
Analss Peubah Respon Bner... (Ksmantn) ANALISIS PEUBAH RESPON BINER Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Pada regres lner klask, peubah respon dasumskan merupakan
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciBAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciEVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS
EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS Resa Septan Pontoh Departemen Statstka Unverstas Padjadjaran resa.septan@unpad.ac.d ABSTRAK.
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB III METODE PENELITIAN. bersumber dari Badan Pusat Statistik (BPS) dan Bank Indonesia (BI). Data yang
BAB III METODE PENELITIAN 3.1. Jens dan Sumber Data Sumber data yang dgunakan dalam peneltan n adalah data sekunder bersumber dar Badan Pusat Statstk (BPS) dan Bank Indonesa (BI). Data yang dgunakan dalam
Lebih terperinciOleh : Deri Akhmad (9738) Johan Arifin (9834) Muhammad Alawido (10830) esi Hapsari (10832) Windu Pramana Putra (10835) Tya Hermoza (10849) Gempur
Oleh : Der Akhmad (9738) Johan Arfn (9834) Muhammad Alawdo (83) es Hapsar (83) Wndu Pramana Putra (835) Tya Hermoza (849) Gempur Safar (877) Febra Aryan (97) Asr Wdyasar (978) Nur Inayah (4) Adharsa Rakhman
Lebih terperinciBAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi
BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciMINGGU KE- V: UKURAN PENYEBARAN
MINGGU KE- V: UKURAN PENYEBARAN Tujuan Instruksonal Umum :. Mahasswa mampu memaham apa yang dmaksud dengan ukuran penyebaran. Mahasswa mampu memaham berbaga pengukuran untuk mencar nla ukuran penyebaran
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam
BAB III METODE PEELITIA A. Bentuk Peneltan Peneltan n merupakan peneltan ekspermen dengan model pretest postes control group desgn dengan satu macam perlakuan. D dalam model n sebelum dmula perlakuan kedua
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciBAB III METODE PENELITIAN. atau sedang mengkonsumsi produk Kalimilk Susu Yogyakarta.
BAB III METODE PENELITIAN 3.1 Lokas Peneltan dan Unt Analss Peneltan n dlakukan d wlayah Yogyakarta pada konsumen yang sudah pernah atau sedang mengkonsums produk Kalmlk Susu Yogyakarta. 3.2 Unt Analss
Lebih terperinciAnalysis of Covariance (ANACOVA)
Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciPENERAPAN MODEL REGRESI LINEAR ROBUST DENGAN ESTIMASI M PADA DATA NILAI KALKULUS II MAHASISWA UNIVERSITAS WIDYA DHARMA KLATEN
PENERAPAN MODEL REGRESI LINEAR ROBUST DENGAN ESTIMASI M PADA DATA NILAI KALKULUS II MAHASISWA UNIVERSITAS WIDYA DHARMA KLATEN Yulana Abstrak:Model persamaan regres lnear dapat dnyatakan dalam bentuk matrks
Lebih terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciPowerPoint Slides by Yana Rohmana Education University of Indonesian
SIFAT-SIFAT ANALISIS REGRESI PowerPont Sldes by Yana Rohmana Educaton Unversty of Indonesan 2007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan
Lebih terperinciPendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciTIN309 - Desain Eksperimen Materi #13 Genap 2016/2017 TIN309 DESAIN EKSPERIMEN
Mater #13 Genap 016/017 6 6 3 - T a u f q u r R a c h m a n 6 6 3 - T a u f q u r R a c h m a n Mater #13 TIN309 DESAIN EKSPERIMEN Prnsp Dasar ANCOVA merupakan teknk analss yang berguna untuk menngkatkan
Lebih terperinciINFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER
Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB III METODOLOGI PENELITIAN. bulan November 2011 dan direncanakan selesai pada bulan Mei 2012.
BAB III METODOLOGI PENELITIAN 1.1. Tempat dan waktu Peneltan Peneltan dlakukan pada Perusahaan Daerah Ar Mnum Kabupaten Gorontalo yang beralamat d jalan Gunung Bolyohuto No. 390 Kelurahan Bolhuangga Kecamatan
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinci