PERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta
|
|
- Yandi Tedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1 Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Dalam menganalss hubungan antara beberapa peubah, terdapat sejumlah fenomena dmana peubah responnya bukan lag kontnu melankan berbentuk dskret. Fenomena peubah respon berbentuk dskret dengan data berupa cacahan basanya danalss dengan regres Posson. Permasalahan yang serng muncul dar regres Posson adalah overdspers (ragam melebh rata-ratanya), untuk menangannya dapat dgunakan teknk regres bnomal negatf. Hpotess parameter dspers sama dengan nol atau tdak dapat dgunakan untuk mengetahu model yang lebh bak dantara model regres Posson dan model regres bnomal negatf. Kata kunc : Data cacahan, regres Posson, regres bnomal negatf PENDAHULUAN Serngkal peneltan mengkaj hubungan antara peubah respon (atau peubah tak bebas) dengan peubah bebas, dengan peubah respon dapat berupa kontnu maupun dskret. Hubungan fungsonal antara peubah respon dengan peubah bebas dapat djelaskan oleh teknk analss regres (Kutner et al., 005). Analss regres klask mengasumskan bahwa peubah respon merupakan peubah kontnu dan mengkut dstrbus normal. Apabla peubah respon tdak lag kontnu melankan dskret maka analss n tdak dapat dgunakan. Salah satu fenomena dmana peubah responnya dskret adalah fenomena banyaknya kejadan yang jarang terjad. Msalnya banyaknya kecelakaan mobl setap bulan, banyaknya hujan bada setap tahun, banyaknya kebakaran hutan setap tahun, banyaknya barang yang cacat dalam suatu produks tertentu. Data yang dperoleh berupa cacahan. Model regres yang dapat dgunakan untuk menjelaskan hubungan antara peubah bebas dengan peubah respon berupa cacahan adalah regres Posson dan regres bnomal negatf (Park, 005). Regres bnomal negatf serng dgunakan untuk mengatas masalah overdspers pada regres Posson (Berk & MacDonald, 007). Overdspers terjad ketka ragam melebh rataan pada kasus Posson. 1 Makalah n dsampakan pada Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA yang dselenggarakan oleh FMIPA Unverstas Neger Yogyakarta pada tanggal 30 Me 008 1
2 PEMBAHASAN Data cacahan merupakan data yang serng djumpa pada peneltan krmnolog, kesehatan maupun bolog. Ketka peubah respon berupa cacahan, sangat umum untuk menggunakan regres Posson (kasus khusus dar model lnear terampat). Masalah yang serng dhadap dalam regres Posson adalah overdspers, hal n dsebabkan dantaranya peubah bebas yang tdak termuat dalam model, sehngga mash dmungknkan adanya keragaman dar peubah respon yang dsebabkan oleh peubah lan. Regres Posson Model regres untuk data cacahan dantaranya adalah model regres Posson. Pada model regres n, peubah respon berupa data cacahan yang mengkut dstrbus Posson. Dstrbus Posson serng dgunakan untuk kejadan-kejadan yang jarang terjad dengan data berupa cacahan yang mempunya nla non negatf. Peubah acak Y dkatakan berdstrbus Posson dengan parameter µ dengan y 0, 1,,... bla fungs peluangnya adalah p µ y e µ y! ( y), µ > 0 Dstrbus Posson n mempunya rata-rata dan ragam berkut ( Y ) Var( Y ) µ E () Karena rata-rata sama dengan ragamnya, maka sembarang faktor akan berpengaruh terhadap lannya, sehngga asums homogentas tdak harus dpenuh pada data Posson (Rodrquez, 001). Selanjutnya untuk membangun model regres Posson, dmsalkan sampel acak ( ) Y ~ Posson µ, 1,,..., n dan rata-rata µ bergantung pada vektor peubah bebas (peubah penjelas) x dan vektor koefsen regres β, yatu µ x T β (3) Tetap model n memlk kelemahan yatu predktor lnear ( x T (1) β ) dapat dasumskan dengan sebarang nla, padahal rata-rata Posson merupakan harapan cacahan yang nlanya harus non negatf. Untuk mengatas permasalahan n dgunakan log rata-rata dengan model lnear sebaga berkut log ( µ ) x T β (4)
3 Regres Bnomal Negatf Jka model regres Posson tdak ft dengan data cacahan dan ragam peubah respon melebh rata-ratanya yang serng dsebut sebaga overdspers (hal n dapat dlhat dar plot ssaan dengan predktor lnear dengan ttk-ttk berpola menyebar) maka model regres bnomal negatf dapat dgunakan sebaga alternatf untuk mengatas permasalahan tersebut (Cameron & Trved, 1999). Langkah pertama dalam membangun model regres bnomal negatf adalah dengan mengasumskan bahwa peubah respon Y merupakan peubah acak yang salng bebas dan dentk yatu Y Posson( λ ) y 0,1,,K dan λ > 0. d λ ~, dengan fungs peluang f ( y λ ) Langkah kedua adalah dengan mengasumskan bahwa λ ~ Gamma( α, β ) dengan ratarata αβ, ragamαβ dan fungs padat peluang berkut λ y λ e, y! m 0 1 α 1 λ α ( λ ) β Γ( α ) exp Maka dperoleh fungs bersama adalah ( λ β ), λ > 0, λ yang lan (5) f ( y, λ ) e λ y! λ y 1 α β Γ ( α ) λ α 1 exp ( λ β ), y 0, 1, K ; λ > 0 (6) Selanjutnya dperoleh fungs marjnal dapat dperoleh merupakan fungs peluang dar dstrbus bnomal negatf sebaga berkut m 0 ( y ) f ( y, λ ) d Γ Γ ( α + y ) ( α ) y! λ β 1+ β y 1 1+ β α, y 0,1,, K (7) Dstrbus bnomal negatf dengan fungs peluang pada (7) n mempunya rata-rata E dan ragam ( Y ) E[ E( Y λ )] E( λ) αβ Var ( Y ) E[ Var( Y λ) ] + Var[ E( Y λ) ] Var ( λ) + E( λ) αβ + αβ 3
4 Selanjutnya dalam membangun model regres bnomal negatf, dasumskan bahwa µ αβ dan κ 1 α, sehngga E ( Y ) µ dan Var( Y ) µ + κµ, ragam n merupakan fungs kuadratk yang mengakomodas parameter overdspers κ >0. Sehngga dstrbus Y menjad 1 ( κ + y ) 1 ( κ ) y y Γ κµ 1 ( )! 1 κµ 1 κµ m y (8) Γ + + Jka κ 0 maka dstrbus n mendekat Posson(µ). Bnomal negatf mampu mengakomodas overdspers ( κ > 0 ) tetap tdak underdspers ( κ < 1) pada model Posson. Secara umum ddefnskan bahwa peubah respon merupakan peubah acak berdstrbus bnomal negatf dengan parameter µ dan κ berkut ~ ( µ,κ ) Y BN (9) dan fungs hubung log yatu log µ β (10) x T dengan x vektor peubah bebas (peubah penjelas) dan β vektor koefsen regres. 1/ κ Perbandngan Model Regres Posson dan Model Regres Bnomal Negatf Model regres Posson dan model regres bnomal negatf termasuk dalam model lnear terampat (Generalzed Lnear Model). Ada tga komponen utama dalam GLM yatu (McCullagh & Nelder, 1989): 1. Komponen acak, yatu komponen dar Y yang bebas dan fungs padat peluang atau fungs peluang Y termasuk dalam keluarga sebaran eksponensal dengan E ( Y ) µ.. Komponen sstematk, yatu x, x, 1 K, x p yang menghaslkan penduga lnear η dmana η β + β x β x p p. 3. Fungs penghubung (lnk functon) g(.), yang menggambarkan hubungan antara penduga lnear η dengan nla tengah µ. (η g(µ)). Berkut adalah tabel yang menjelaskan tga komponen utama GLM pada model regres Posson dan model regres bnomal negatf. Model Regres Tabel 1. Komponen GLM Komponen acak Posson Y Posson( µ ) Bnomal Negatf BN ( µ,κ ) d Komponen Sstematk Fungs hubung ~ x T β log d ~ Y x T β log 4
5 Model regres bnomal negatf memuat parameter dspers κ yang mengakomodas overdspers. Menurut Long (1997), uj lkelhood rato dapat dgunakan untuk memerksa hpotess nol tdak ada overdspers, yatu hpotess H 0 : κ LR ln L BN ln L Posson ~ χ. Jka 0 lawan H 1 : κ 0. Statstk uj yang dgunakan ( ) H 0 dtolak maka terjad overdspers dengan kata lan model regres bnomal negatf lebh bak dgunakan darpada model regres Posson. Tabel. Perbandngan Model Regres Posson dan Model Regres Bnomal Negatf Peubah respon Rata-rata dan ragam dar d Model Regres Posson (1) Model Regres Bnomal Negatf ~ Posson( ) Y BN ( µ,κ ) Y µ E Y Var µ d ~ Y, E µ ( ) ( Y ) ( ) peubah respon Y Var( ) µ + κµ Parameter dspers (κ) Tdak ada Ada Hpotess H 0 : κ 0 H 1 : κ 0 H 0 dterma maka model regres Posson lebh bak darpada model regres bnomal negatf. Y H 0 dtolak maka model regres bnomal negatf lebh bak darpada model Posson. Tabel menjelaskan secara gars besar perbedaan dar model regres Posson dan model regres bnomal negatf, walaupun kedua model n sama-sama dgunakan untuk memodelkan data berupa cacahan. Ilustras Data yang dgunakan dalam makalah n adalah dua data sekunder. Data pertama dambl dar Gal (1978) dalam Stokes et al. (000) yatu tentang penderta melanoma pada pra berkult puth dar tahun d dua wlayah. Data n berupa banyaknya penderta melanoma (sebaga peubah respon), wlayah, kelompok usa (sebaga peubah bebas), dan banyaknya penduduk yang beresko pada wlayah dan kelompok usa tertentu. Input data melanoma pada SAS vers 9.1, data melanoma; nput age $ regon $ cases total; ltotallog(total); datalnes; south south south south south <35 south north north
6 55-64 north north north <35 north ; proc genmod datamelanoma orderdata; class age regon; model cases age regon / dstposson lnklog offsetltotal; run; Berkut output SAS vers 9.1 dar data melanoma dengan model regres Posson. Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Selanjutnya untuk mendapatkan Lkelhood Rato dar model regres bnomal negatf pada data melanoma adalah dengan menggant dstrbus pada nput data, yatu semula dstposson menjad dstnegbn, sehngga dperoleh output berkut : Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Berdasarkan kedua output SAS n dperoleh bahwa LR ( ).566. Bla dplh taraf nyata α 0.05, χ 3, 841, maka LR < sehngga H (1) dterma (κ 0), yang berart tdak terjad overdspers atau dengan kata lan model regres Posson lebh bak dgunakan darpada model regres bnomal negatf. Data kedua dambl dar LaVange et al. (1994) tentang nfeks pernapasan pendek. Data n berupa banyaknya penderta pernapasan pendek setap tahun (sebaga peubah respon), banyaknya perokok pasf dalam rumahtangga, status sosal ekonom, crowdng, ras dan kelompok usa (sebaga peubah bebas), dengan jumlah pengamatan ada sebanyak 84 anak. Dalam kasus n, sangat masuk akal bahwa anak yang terserang batuk kebanyakan dsebabkan oleh hal lan, sehngga dmungknkan tambahan keragaman atau terjad overdspers pada data n. Input data nfeks pernapasan pendek pada SAS vers 9.1, data lr; nput d count rsk passve crowdng ses agegroup logrsk log(rsk/5); datalnes; 6
7 ; proc genmod datalr; class ses d race agegroup; model count passve crowdng ses race agegroup / dstnegbn offsetlogrsk type3; run; Berkut output SAS vers 9.1 dar data nfeks pernapasan pendek dengan model regres Posson. Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Berdasarkan output n, dperoleh nla untuk devance/df dan untuk Perason/df, nla n mengndkaskan terjadnya overdspers. Selanjutnya dengan cara yang sama pada data pertama, untuk mendapatkan Lkelhood Rato dar model regres bnomal negatf pada data nfeks pernapasan pendek n adalah dengan menggant dstrbus pada nput data, yatu semula dstposson menjad dstnegbn, sehngga dperoleh output berkut : Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Berdasarkan output n, nla untuk devance/df dan untuk Perason/df, nla n mengndkaskan tdak terjadnya overdspers. Dar kedua output SAS n dperoleh bahwa LR (-4.93 ( ) Bla dplh taraf nyata α 7
8 0.05, χ 3, 841, maka LR > sehngga H 0 dtolak (κ 0), yang berart 0.05(1) terjad overdspers atau dengan kata lan model regres bnomal negatf lebh bak dgunakan darpada model regres Posson. PENUTUP Model regres bnomal negatf memlk parameter dspers κ yang mampu mengakomodas permasalahan overdspers pada model regres Posson. Bla hpotess nol tdak terjad overdspers dterma maka model regres Posson lebh bak darpada model regres bnomal negatf dan sebalknya bla hpotess nol tdak terjad overdspers dtolak maka model regres bnomal negatf lebh bak dgunakan darpada model regres Posson. Bla nla devance/df dan Pearson/df pada goodness of ft mendekat satu maka tdak mengndkaskan terjadnya overdspers. DAFTAR PUSTAKA Berk, D. & MacDonald, J Overdsperson and Posson regresson. Department of Statstcs, Department of Crmnology, Unversty of Pennsylvana. Cameron, A.C. & Trved, P.K Essentals of count data regresson. A Companon to Theoretcal Econometrcs, Blackwell. Gal, M The analyss of heterogenety for ndrect standardzed mortalty ratos. Journal of the Royal Statstcal Socety A 141: Kutner, M.H., Nachtshem, C.J., Neter, J. & L, W Appled Lnear Statstcal Models. New York: McGraw-Hll. Lavange, L.M., Keyes, L.L., Koch, G.G. & Margols, P.E Applcaton sample survey methods for modellng ratos to ncdence denstes. Statstcs n Medcne 13: Long, J.S Regresson models for categorcal and lmt dependent varables. Advanced Quanttatve Technques n the Socal Scences. Sage Publcatons. McCullagh, P. & Nelder, J.A Generalzed Lnear Models. London: Chapman & Hall. Park, H.M Regresson models for event count data usng SAS, STATA, and LIMDEP. Indana: The Trustees of Indana Unversty. Rodrguez, G Posson models for count data. [terhubung berkala] [13 Jun 006]. Stokes, M.E., Davs, C.S. & Koch, G.G Categorcal data analyss usng the SAS system second edton. North Carolna: John Wley & Sons. 8
ANALISIS 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 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 terperinciMODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT 1. Setiawan 2
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT Setawan Jurusan Statstka FMIPA Insttut Teknolog Sepuluh Nopember,
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 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 terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciRahmadeni 1, Zulya Desmita 2 ABSTRAK. Kata Kunci: Overdispersi, Regresi Binomial Negatif, Regresi Generalized Poisson, Regresi Poisson.
Jurnal Sans Matematka dan Statstka, Vol. No. Jul 16 ISSN 46-454 Perbandngan Model Regres Generalzed Posson Dan Bnomal Negatf Untuk Mengatas Overdspers Pada Regres Posson (Stud Kasus: Penderta Flarass d
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 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. 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 terperinciBINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 2009 BINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro
Lebih terperinciOVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL
OVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL Heru Wbowo, Suyono, Wdyant Rahayu Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas Neger Jakarta
Lebih terperinciPEMODELAN REGRESI POISSON MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN Yayuk Listiani NRP Dr. Purhadi, M. Sc.
PEMODELAN REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN 007 Yayuk Lstan NRP 06 00 068 DOSEN PEMBIMBING Dr. Purhad, M. Sc. JURUSAN STATISTIKA FAKULTAS MATEMATIKA
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 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 terperinciBINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 BINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro Jurusan Matematka
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 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 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 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 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 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 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 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 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 terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 4, Tahun 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 4, Tahun 2013, Halaman 361-368 Onlne d: http://ejournal-s1.undp.ac.d/ndex.php/gaussan APLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA
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 terperinciANALISIS REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION REGRESI POISSON PADA KASUS DEMAM BERDARAH DENGUE
Statstka, Vol., No., November ANALISIS REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION REGRESI POISSON PADA KASUS DEMAM BERDARA DENGUE Tan Wahyu Utam Program Stud Statstka, Fakultas Matematka dan
Lebih terperinciPemodelan Regresi Zero-Inflated Poisson (ZIP) tentang Faktor-Faktor yang Mempengaruhi Penyakit Tuberkulosis (TBC) di Kabupaten Sorong Selatan
Semnar Hasl Tugas Akhr Pemodelan Regres Zero-Inflated Posson (ZIP) tentang Faktor-Faktor yang Mempengaruh Penyakt Tuberkuloss (TBC) d Kabupaten Sorong Selatan Oleh : Nur Setyanngrum 1307100078 Pembmbng
Lebih terperinciPEMODELAN GENERALIZED REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2007
PEMODELAN GENERALIZED REGRESI POISSON PADA FAKOR-FAKOR YANG MEMPENGARUHI ANGKA KEMAIAN BAYI DI PROVINSI JAWA IMUR AHUN 007 Yayuk Lstan 1 dan Purhad 1 Mahasswa S1 Statstka IS, Dosen statstka IS 1 yayuk.yangce@gmal.com,
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 terperinciTUGAS #1 STK731 MODEL LINIER TERAMPAT
TUGAS #1 STK731 MODEL LINIER TERAMPAT Tugas n mengolah data Beetle Mortalty sepert yang tercantum pada contoh 7.3.1 pada buku Dobson (2001) sebaga berkut: Dose, x Number of Number (log10cs2mgl 1 ) beetles,
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 terperinciPEMODELAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA KASUS TETANUS NEONATORUMDI PROVINSIJAWA TIMUR
ISBN : 978.602.36.002.0 PEMODELAN REGRESI ZERO INFLAED NEGAIVE BINOMIAL (ZINB) PADA KASUS EANUS NEONAORUMDI PROVINSIJAWA IMUR Cndy Cahyanng Asut, Isman Zan 2 Mahasswa Jurusan Statstka Insttut eknolog Sepuluh
Lebih terperinciPERHITUNGAN HARGA PREMI MODEL DUA TAHUNAN DENGAN FAKTOR UNDERWRITING MENGGUNAKAN GENERALIZED LINEAR MODELS
PROSIDING ISSN: 50-656 M- PERHITUNGAN HARGA PREMI MODEL DUA TAHUNAN DENGAN FAKTOR UNDERWRITING MENGGUNAKAN GENERALIZED LINEAR MODELS St Alfatur Rohmanah ), Danardono ) ) Unverstas Islam Darul Ulum Lamongan,
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 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 terperinciRegresi Linear Sederhana dan Korelasi
Regres Lnear Sederhana dan Korelas 1. Model Regres Lnear. Penaksr Kuadrat Terkecl 3. Predks Nla Respons 4. Inferens Untuk Parameter-parameter Regres 5. Kecocokan Model Regres 6. Korelas Utrwen Mukhayar
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 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 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 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 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 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 terperinciMatematika dan Statistika
ISSN 4-6669 Volume, Jun MAJALAH ILMIAH Matematka dan Statstka DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Maalah Ilmah Matematka dan Statstka Volume, Jun MODEL UNTUK DATA BERDISTRIBUSI
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 HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
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 terperinciPendekatan Fungsi Quasi-Likelihood dan Implementasinya dalam Sistem SAS
Statstka, Vol. 0 No., 5 6 Me 00 Pendekatan Fungs Quas-Lkelhood dan Implementasnya dalam Sstem SAS NUSAR HAJARISMAN Jurusan Stattka, Unverstas Islam Bandung Jalan Purnawarman 69 Bandung 406. E-mal: nrsman@yahoo.co.uk
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 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 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 terperinciANALISIS PENGARUH IKLIM TERHADAP DEMAM BERDARAH (DBD) DI KABUPATEN SLEMAN MENGGUNAKAN REGRESI POISSON DAN REGRESI BINOMIAL NEGATIF
Template Artkel Prosdng Sendka 017 ANALISIS PENGARUH IKLIM TERHADAP DEMAM BERDARAH (DBD) DI KABUPATEN SLEMAN MENGGUNAKAN REGRESI POISSON DAN REGRESI BINOMIAL NEGATIF Ummu Ftryan 1), Jaka Nugraha ) 1 Departemen
Lebih terperinciPEMODELAN TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK MISKIN DI JAWA TIMUR MENGGUNAKAN GENERALIZED POISSON REGRESSION
TUGAS AKHIR SS 4556 PEMODELAN TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK MISKIN DI JAWA TIMUR MENGGUNAKAN GENERALIZED POISSON REGRESSION Vresa Endra Marta NRP 34 030 063 Dosen Pembmbng :
Lebih terperinciPemodelan Pengaruh Iklim Terhadap Angka Kejadian Demam Berdarah Dengue di Surabaya
JURNAL SAINS DAN SENI IS Vol., (Sept, 0 ISSN: 30-98X D-9 Pemodelan Pengaruh Iklm erhadap Angka Kejadan Demam Berdarah Dengue d Surabaya Dan Rahayu K., Wwek Setya Wnahju, Adatul Mukarromah Jurusan Statstka,
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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
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 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 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
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 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 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 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 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 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 terperinciSTATISTICAL STUDENT OF IST AKPRIND
E-mal : statstkasta@yahoo.com Blog : Analss Regres SederhanaMenggunakan MS Excel 2007 Lsens Dokumen: Copyrght 2010 sssta.wordpress.com Seluruh dokumen d sssta.wordpress.com dapat dgunakan dan dsebarkan
Lebih terperinciKEMAMPUAN REPRESENTASI MATEMATIS MAHASISWA PADA MATA KULIAH KALKULUS PEUBAH BANYAK
Semnar Nasonal dan Rapat ahunan Bdang MIPA 2014 SEMIRAA KEMAMPUAN REPRESENASI MAEMAIS MAHASISWA PADA MAA KULIAH KALKULUS PEUBAH BANYAK Yerzon... 371 ANALISIS PENGEAHUAN MEAKOGNIIF SISWA IPE KEPRIBADIAN
Lebih terperinciPEMODELAN JUMLAH ANAK PUTUS SEKOLAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION
TUGAS MATA KULIAH ANALISIS SPASIAL PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION Dosen: Dr. Sutkno Dr. Setawan Dsusun Oleh: RINDANG BANGUN PRASETYO
Lebih terperinciBab II LANDASAN TEORI
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
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 terperinciAnalisis Regresi 2. Mendeteksi pencilan dan penanganannya
Analss Regres Pokok Bahasan : Mendeteks penclan dan penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasswa dapat mendeteks adanya penclan pada regres lner berganda Penclan Penclan adalah pengamatan yang
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 terperinciRESAMPLING UNTUK MEMPERBESAR KOEFISIEN DETERMINASI DALAM MODEL REGRESI LINEAR.
Resamplng untuk Memperbesar Koefsen Determnas RESAMPLING UNUK MEMPERBESAR KOEFISIEN DEERMINASI DALAM MODEL REGRESI LINEAR. Ad Setawan Program Stud Matematka Fakultas Sans dan Matematka, Unverstas Krsten
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 terperinciUji Park Dan Uji Breusch Pagan Godfrey Dalam Pendeteksian Heteroskedastisitas Pada Analisis Regresi
Al-Jabar: Jurnal Penddkan Matematka Vol. 8, No., 07, Hal 63-7 Uj Park Dan Uj Breusch Pagan Godfrey Dalam Pendeteksan Heteroskedaststas Pada Analss Regres Sska Andran UIN Raden Intan Lampung: sskaandran@radenntan.ac.d
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciCorresponding Author:
Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept
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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tujuan Peneltan Tujuan dalm peneltan n adalah mengetahu keefektfan strateg pembelajaran practce-rehearsal pars dengan alat peraga smetr lpat dan smetr putar dalam menngkatkan
Lebih terperinciBAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan
BAB III MODEL LINEAR TERGENERALISASI 3.1 Moel Lnear Perkembangan pemoelan stokastk, terutama moel lner, apat katakan mula paa aba ke 19 yang asar oleh teor matematka yang elaskan antaranya oleh Gauss,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
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 terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
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 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 terperinciLAPORAN PENELITIAN. Pola Kecenderungan Penempatan Kunci Jawaban Pada Soal Tipe-D Melengkapi Berganda. Oleh: Drs. Pramono Sidi
LAPORAN PENELITIAN Pola Kecenderungan Penempatan Kunc Jawaban Pada Soal Tpe-D Melengkap Berganda Oleh: Drs. Pramono Sd Fakultas Matematka dan Ilmu Pengetahuan Alam Me 1990 RINGKASAN Populas yang dambl
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciLABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR
TNR 1 space 1.15 LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL IV TNR 1 Space.0 ANALISIS
Lebih terperinci2. ANALISIS DATA LONGITUDINAL
. ANALISIS DATA LONGITUDINAL Data longtudnal merupakan salah satu bentuk data berkorelas. Pada data longtudnal, peubah respon dukur pada beberapa ttk waktu untuk setap subyek. Dalam stud longtudnal dmungknkan
Lebih terperinci