Optimum Simplex Lattice Designs of Low Order Multiresponse Surface Model by D-Optimum Criterion

Ukuran: px
Mulai penontonan dengan halaman:

Download "Optimum Simplex Lattice Designs of Low Order Multiresponse Surface Model by D-Optimum Criterion"

Transkripsi

1 7 Otmum Smlex.(Ruslan et al.) Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron ) Ruslan, ) Susant L, ) Purhad, ) Sony S ) Mahasswa S Statstka Insttut eknolog Seuluh Noember Surabaya ) Staf Pengajar Jurusan Statstka Insttut eknolog Seuluh Noember Surabaya ABSRAC Smlex lattce desgn s a art of mxture desgns has atterns smlex {, m} where s number of factors and m s degree of olynomal. If entanglng a number of the resonse varables whch measured from a number of factors called the multresonse surface model, hence to obtan get the matrx desgns of otmum mxture at multresonse surface model wll be used by the otmum-d crteron. In ths research, we studed about theoretcal aroach to get otmum smlex lattce desgn of low order multresonse surface model by otmum-d crteron. We assumed that desgn onts have smlar weghted values Keywords : Smlex lattce desgns, multresonse surface models, D-Otmum crteron PENDAHULUAN Rancangan ercobaan camuran adalah suatu rancangan ercobaan yang mengasumskan bahwa erbedaan reson yang teramat antar erlakuan hanya dengaruh oleh erbedaan roors dar seta komonen ada camuran tersebut bukan banyaknya camuran. Dalam rancangan ercobaan camuran yang melbatkan satu varabel reson dengan varabel nut (faktor) harus memenuh kendala yang terdaat ada rancangan tersebut. Untuk rancangan ercobaan camuran yang melbatkan faktor-faktor yang bersfat kuanttatf dar model ercobaan yang telah dtentukan sebelumnya serngkal menetakan taraf faktornya berdasarkan kengnan enelt saja atau coba-coba. Haslnya kemungknan besar akan menmbulkan varans enaksr reson yang besar. Untuk tu derlukan suatu metode yang daat menangannya suaya menghaslkan varans enaksr reson yang mnmum yatu rancangan ercobaan otmum. erdaat berbaga krtera otmum, dantaranya adalah krtera otmum-d. Krtera otmum-d adalah suatu krtera yang beruaya mendaatkan matrks rancangan δ sehngga determnan dar matrks nformas maksmum dan mendaatkan nla atau taraf faktor yang membuat varans enaksr varabel reson mnmum. Jka melbatkan sejumlah varabel reson yang dukur dar sejumlah varabel bebas atau dsebut model ermukaan multreson maka untuk memeroleh matrks rancangan ercobaan camuran yang otmum ada model ermukaan multreson akan dgunakan krtera otmum-d. eor mengena cara mendaatkan rancangan ercobaan otmal dengan krtera otmum D, E dan A untuk analss varans dan analss regres untuk reson tunggal telah dbahas oleh Schwabe (996) eor mengena krtera otmum untuk memeroleh rancangan ercobaan yang otmal dengan cara memberkan embobotan ada ttk-ttk ercobaan dalam analss varans dua arah atau lebh telah dbahas oleh Kunert (98), Atknson dan Bogacka (997). Sedangkan ercobaan rancangan otmum untuk model regres lner telah dbahas oleh Lm dan Studden (998), Mentre, Mallet dan Baccar (997). eor tentang model ermukaan multreson mengena enaksran arameter dan uj hotess untuk menguj ketdaksesuaan model dengan menguj arameter-arameternya telah dbahas oleh Khur & Cornell (996). Rancangan ercobaan otmum untuk rancangan ercobaan camuran otmum ada reson tunggal dengan asums fungs resonnya adalah orde dua telah dbahas oleh Pal & Mandal (006). Pada eneltan n dbahas mengena kajan teor untuk mendaatkan rancangan ercobaan camuran smleks latcce ada model ermukaan multreson orde rendah yang otmum berdasarkan krtera otmum D. Orde rendah yang akan dbahas adalah orde

2 Jurnal ILMU DASAR, Vol. No., Jul 00: satu dan orde dua dengan mengasumskan bahwa bobot W yang akan dberkan memlk nla bobot yang sama. HASIL DAN PEMBAHASAN Rancangan ercobaan camuran smleks Lattce Dalam ercobaan camuran jka x meruakan roors komonen ke - dalam camuran dmana banyaknya komonen adalah, maka: x 0 dengan,,..., () x x + x x () Rancangan smleks lattce meruakan bagan dar rancangan ercobaan camuran yang memlk ola smleks {, m} dmana adalah banyaknya komonen dan m adalah derajat olnomal. Banyaknya ttk-ttk rancangan untuk rancangan smleks lattce ada komonen dan m derajat olnomal yatu: + m ( + m )! () m m!( )! (Cornel 98). Rancangan ercobaan camuran smleks Lattce otmal ada model ermukaan multreson Orde satu Jka melbatkan sejumlah varabel reson yang dukur dar sejumlah faktor dnamakan model ermukaan multreson, model ermukaan multreson ada rancangan smleks lattce orde satu yatu: Y % X % β + % ε, untuk r,,...,. r r r r dmana r adalah banyaknya reson. Sedangkan model orde satu rancangan smleks lattce dalam bentuk nla haraan yatu : η β x Untuk memeroleh matrks rancangan ercobaan camuran yang otmum ada model ermukaan multreson akan dgunakan krtera otmum D. Suatu rancangan otmum D adalah suatu rancangan yang memaksmumkan XX dar suatu model yang sesua. Atau beruaya memnmumkan (X X) -. Sehngga rancangan otmum D memunya : varans dar enaksr arameter yang kecl, korelas antar enaksr arameter yang kecl, dan varans enaksr reson yang kecl. Suatu rancangan ercobaan camuran akan otmum jka dberkan embobot yang memlk nla berdasarkan ada determnan X WX dmana W adalah suatu matrks dagonal dengan elemen w untuk w 0 dan w. Msalkan adalah banyaknya komonen atau faktor, r adalah banyaknya reson, s adalah banyaknya relkas dan m adalah derajat olnomal, maka untuk ada model orde satu m ttk rancangan sebanyak yatu : (, 0) dan (0, ), sehngga matrks rancangan X 0 0. Jka dber embobotan yatu w adalah nla embobot dengan nla yang sama yatu w w dan memenuh w 0 dan w dmana W adalah matrks dagonal dengan elemenelemennya w X WX 0 0 w w. y Y y % Untuk r, makay% Y dan % y y matrks rancangan untuk kasus multreson tana relkas adalah w w 0 0 (I X WX), 0 0 w w dengan menggunakan krtera otmum D sehngga det(i X WX) w (-w). rancangan akan otmum

3 74 Otmum Smlex.(Ruslan et al.) (det( I X WX)) ( w ( w) ) + ( 0 deroleh nla embobot w ½ dan (det( I X WX)) ( w ( w) ) (( w) + w()( w)( )) w( w) w )( w)( ) (4 w( w) w ( )) + 6w 6w+ untuk w ½ adalah 6(½) -6(½) + -½ < 0 menunjukan bahwa memberkan w ½ maka rancangan akan otmum. Dengan langkah engerjaan yang sama deroleh untuk r adalah w /, sehngga untuk r dan ada m sehngga deroleh det(i X WX) w ( ) ( ( )w) maka rancangan akan otmum jka ( ) (det( I X WX)) ( w ( ( ) w) ) (( ) ) ( ) w ( ( ) w) + ( ) w ( ( ) w) ( ( )) 0 deroleh w / dengan asums nla tara faktor yang dbobot sama. Dengan melbatkan relkas sebanyak s ada deroleh untuk ada m, ttk-ttk ercobaannya adalah : (, 0, 0), (0,, 0), (0, 0, ) maka matrks rancangannya adalah : 0 0 X 0 0, 0 0 dengan relkas s, maka X 0 0, maka X WX w w w w w X WX 0 w w Untuk s deroleh X WX dagonal{w, w, 6w}, s 4 deroleh X WX dagonal { 4w, 4w, 8w}. Untuk s s deroleh X WX dagonal{sw, sw, sw}. Untuk r deroleh (I X WX) dagonal {sw, sw, sw, sw, sw, sw}, det(i X WX)(sw) 4 ( sw) akan otmum jka 4 (det( I X WX)) (( sw) ( sw) ) yatu w s dan 4s 4 w (-sw) 4s(sw) 4 (-sw) 0 (det( I X WX)) ( w ( w) ) s 4 w ( sw) 6s 5 w ( sw) 6s 5 w (-sw) + 8s 6 w 4 untuk w s deroleh - 4 s < 0. Untuk r 7, rancangan akan otmum jka w s, untuk r, det(i X WX) (sw) r ( sw) r, akan otmum jka w. Jad untuk s ada m dengan relkas ke f dan reson ke r dmana f,,...,s dan r,,..., r maka rancangan akan otmum jka dbobot ta ttk rancangan dengan nla bobot yang sama ada w.untuk 4 ada m, f s s maka X WX dagonal {sw, sw, sw, sw}. Untuk r maka deroleh det(i X WX) (sw) ( sw), akan otmum jka w 4s. Untuk ada m dengan r dan f s deroleh: det(i X WX) (sw) ( ) ( (-

4 Jurnal ILMU DASAR, Vol. No., Jul 00: )sw), deroleh w, maka rancangan s akan otmum jka w dengan asums s bahwa nla bobot yang sama dberkan ada ta ttk rancangan. Orde dua Model ermukaan multreson ada rancangan smleks lattce orde dua yatu: Y (x) % β + x % % β + x % B x % + ε, r,,..., r 0 r r r Sedangkan model orde dua rancangan smleks lattce dalam bentuk nla haraan yatu : η β x + β xx j j j < j Untuk ada m banyaknya ttk rancangan adalah yatu (,0), (0,), (/,/), sehngga matrks rancangan 0 X 0. / / Jka dber embobotan yatu w adalah nla embobot dengan nla yang sama dan memenuh w 0 dan w dmana W adalah matrks dagonal dengan elemenelemennya w. w+ w X 4 4 WX, w + w 4 4 untuk r deroleh (I X WX) w+ w 4 4 w + w w+ w 4 4 w + w 4 4 det(i X WX) ( + w) ( w ) w. Rancangan akan otmum jka w (det( I X WX)) 4 w 0 deroleh w 0. Untuk r deroleh det(i X WX) + w w 4 4 w, rancangan akan otmum jka w (det( I X WX)) w 0 8 deroleh w 0. Untuk r deroleh det(i X WX) + w w w, 4 4 rancangan akan otmum jka w (det( I X WX)) w 0 deroleh w 0. Untuk ada m terdaat 6 ttk ercobaan yatu (,0,0), (0,,0), (0, 0, ), (,,0), (, 0, ), (0,, ). untuk r maka r det(i X WX) x w ( ) r 4 deroleh w 0. Untuk 4 ada m terdaat 0 ttk ercobaan yatu (, 0, 0, 0), (0,, 0, 0), (0, 0,, 0), (0, 0, 0, ), (,, 0, 0), (, 0,, 0), (, 0, 0, ), (0,,, 0), (0,, 0, ), (0, 0,, ), Jka dber embobotan yatu w adalah nla embobot dengan nla yang sama dan memenuh w 0 dan w dmana W adalah matrks dagonal dengan elemen-elemennya w.

5 76 Otmum Smlex.(Ruslan et al.) Jka dber embobotan yatu w adalah nla embobot dengan nla yang sama dan memenuh w 0 dan w dmana W adalah matrks dagonal dengan elemenelemennya w. 7 w w w w (X w w w w WX) , w w w w w w w w untuk r maka 4 4 det (I 7 X WX) w w 4 4 4, maka ( w w ) (det( I X WX)) deroleh w 0. Aabla dasumskan nla bobot yang sama tdak deroleh nla embobot dalam rancangan otmum ada model ermukaan multreson rancangan smleks lattce orde dua tana relkas. KESIMPULAN Rancangan ercobaan camuran smleks lattce ada model ermukaan multreson orde satu yang otmum tana reslkas berdasarkan krtera otmum D dengan adalah banyak komonen, s adalah banyaknya relkas dengan mengasumskan nla bobot yang sama ada ta ttk rancangan menghaslkan nla bobot ada ta ttk rancangan sebesar w dan dengan relkas w. Sedangkan untuk rancangan s ercobaan camuran smleks lattce ada model ermukaan multreson orde dua yang otmum tana reslkas dengan asums nla bobot yang sama ada ta ttk rancangan tdak menghaslkan nla bobot yang akan dberkan ada ta ttk rancangan. DAFAR PUSAKA Atknson AC & Bogacka B Comound D-and D s -Otmum Desgns for Determnng he Order of A Chemcal Reacton; echnometrcs, 9(4): Cornell. 98. Exerment Wth Mxture, John Wley & Sons, New York. Khur Al & Cornell JA Resonse Surface Desgn Analyss, Second Edton Marcel Dekker, Inc New York. Kunert J. 98. Otmal Desgns and Refnement of he Lnear Models Wth Alcaton to Reeated Measurement Desgns, Ann Statstcs, : Lm YB & WJ Studden Effcent D s Otmal Desgns for Multvarate Polynomnal Regresson on he -cube, An Statstcs, 6: Mentre F, Mallet A & Baccar D Otmal Desgns n Random Effect Regresson Models; Bometrka, 84:, Pal M & Mandal NK Otmum Desgns for Otmum Mxtures, Statstcs & Probablty Letters,.76: Schwabe R Otmum Desgn for Mult Factor Models, Lecture Notes n Statstc, Srnges, New York.

Taksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil

Taksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI 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 terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL 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 terperinci

I DEWA AYU MADE ISTRI WULANDARI

I DEWA AYU MADE ISTRI WULANDARI I DEWA AYU MADE ISTRI WULANDARI 1310 100 009 1 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERSENTASE PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR MENGGUNAKAN REGRESI NONPARAMETRIK BIRESPON

Lebih terperinci

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR

METODE 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 terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-30

JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-30 JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Prnt) D-30 Analss Faktor-Faktor yang Memengaruh Persentase Penduduk Mskn dan Pengeluaran Perkata Makanan d Jawa Tmur menggunakan Regres

Lebih terperinci

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik

Pendeteksian 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 terperinci

PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:

PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN: ANALISIS ANGKA KEMATIAN IBU MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF (Stud kasus : Angka Kematan Ibu d Provns Jawa Tmur Tahun 011) M. Al Ma sum 1, Suart, Dw Isryant 3 1 Mahasswa Jurusan Statstka FSM

Lebih terperinci

Pemodelan Biaya Langsung Proyek Perusahaan Jasa Konstruksi PT. X dengan Multivariate Regression

Pemodelan Biaya Langsung Proyek Perusahaan Jasa Konstruksi PT. X dengan Multivariate Regression JURNAL SAINS DAN SENI POMIS Vol., No., (3) 337-35 (3-98 Prnt) D-48 Pemodelan Baya Langsung Proyek Perusahaan Jasa Konstruks P. dengan Multvarate Regresson Sulstanngrum, Irhamah, dan Muhammad Mashur Jurusan

Lebih terperinci

ABSTRAK ANALISIS KOMPONEN UTAMA

ABSTRAK ANALISIS KOMPONEN UTAMA JURNAL MATEMATIKA DAN PEMBELAJARANNYA 03 VOLUME, NO.. ISSN 303-099 ABSTRAK ANALISIS KOMPONEN UTAMA Marana, Dosen Penddkan Matematka Fakultas Tarbyah dan Keguruan, IAIN Ambon 0854435773, E-mal: anastt_0@yahoo.com

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB 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 terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 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 terperinci

REGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut :

REGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut : BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA REGRESI DAN KORELASI Tujuan metode kuadrat terkecl adalah menemukan nla dugaan b0 dan b yang menghaslkan jumlah kesalahan kuadrat

Lebih terperinci

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari

MULTIVARIATE 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 terperinci

JURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman Online di:

JURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman Online di: JURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman 25-26 Onlne d: htt://ejournal-s1.und.ac.d/ndex.h/gaussan PERBANDINGAN MODEL REGRESI BINOMIAL NEGATIF DENGAN MODEL GEOGRAPHICALLY WEIGHTED POISSON

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS

ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS Pengantar Analss Peubah Ganda Dr.Ir. I Made Sumertajaya, MS Deartemen Statstka-FMIPA IPB Emal : kulah_ag@yahoo.com Password: akmade Mater APG No I II III IV

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

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 terperinci

SELANG 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 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 terperinci

Regresi Linear Sederhana dan Korelasi

Regresi 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 terperinci

PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA

PERBANDINGAN 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 terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε 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 terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan 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 terperinci

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :

Analisis 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 terperinci

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam

Lebih terperinci

PEMODELAN PERSENTASE PENDUDUK MISKIN DI KABUPATEN DAN KOTA DI JAWA TENGAH DENGAN PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION

PEMODELAN PERSENTASE PENDUDUK MISKIN DI KABUPATEN DAN KOTA DI JAWA TENGAH DENGAN PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 575-584 Onlne d: http://ejournal-s1.undp.ac.d/ndex.php/gaussan PEMODELAN PERSENTASE PENDUDUK MISKIN DI KABUPATEN DAN KOTA DI JAWA

Lebih terperinci

PENENTUAN KOEFISIEN MULTIPLE REGRESI DENGAN MENGGUNAKAN METODE LINIER PROGRAMMING

PENENTUAN KOEFISIEN MULTIPLE REGRESI DENGAN MENGGUNAKAN METODE LINIER PROGRAMMING PENENTUAN KOEFISIEN MULTIPLE REGRESI DENGAN MENGGUNAKAN METODE LINIER PROGRAMMING SKRIPSI RINA ASTRY GINTING 060823031 PROGRAM STUDI SARJANA MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk

BAB 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 terperinci

MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS

MODEL 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 terperinci

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB 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 terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

PENGGUNAAN KRITERIA rcp PADA PEMILIHAN PEUBAH BEBAS TERBAIK JIKA TERDAPAT MULTIKOLINEARITAS

PENGGUNAAN KRITERIA rcp PADA PEMILIHAN PEUBAH BEBAS TERBAIK JIKA TERDAPAT MULTIKOLINEARITAS PENGGUNAAN KRIERIA rp PADA PEMILIHAN PEUBAH BEBAS ERBAIK JIKA ERDAPA MULIKOLINEARIAS Harm Sugart (harm@mal.ut.a.d) Unverstas erbuka ABSRAC Some roedures an be used for seletng ndeendent varables, one of

Lebih terperinci

Oleh : Deri Akhmad (9738) Johan Arifin (9834) Muhammad Alawido (10830) esi Hapsari (10832) Windu Pramana Putra (10835) Tya Hermoza (10849) Gempur

Oleh : 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 terperinci

PENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA

PENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com

Lebih terperinci

KOMBINASI PENAKSIR RASIO-PRODUK EKSPONENSIAL UNTUK RATA-RATA POPULASI MENGGUNAKAN PROPORSI PADA SAMPLING GANDA

KOMBINASI PENAKSIR RASIO-PRODUK EKSPONENSIAL UNTUK RATA-RATA POPULASI MENGGUNAKAN PROPORSI PADA SAMPLING GANDA KOMBIASI PEAKSIR RASIO-PRODUK EKSPOESIAL UTUK RATA-RATA POPULASI MEGGUAKA PROPORSI PADA SAMPLIG GADA ke Selna *, Arsman Adnan, Sgt Sugarto Mahasswa Program S Matematka Dosen jurusan Matematka Fakultas

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. 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 terperinci

BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan

BAB 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

BAB X RUANG HASIL KALI DALAM

BAB X RUANG HASIL KALI DALAM BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di: ISSN: 339-54 JURNAL GAUSSIAN, Volume 3, Nomor, Tahun 04, Halaman 4-50 Onlne d: htt://ejournal-s.und.ac.d/ndex.h/gaussan ANALISIS RANCANGAN BUJUR SANGKAR GRAECO LATIN Yuun Nafular, Trastut Wurandar *),

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 193-204 Onlne d: http://ejournal-s1.undp.ac.d/ndex.php/gaussan PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION (GWLR) DENGAN

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB 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 terperinci

BAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus

BAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan

Lebih terperinci

ANALISIS KOVARIANSI bagian 2..

ANALISIS KOVARIANSI bagian 2.. ANALISIS KOVARIANSI bagan Uj Efek Perlakuan... v. H H F 1 0 5% StatstkaUj: raso : 0, : 0,, DK : RK RK H 0 P S (adj) (adj) 1,, t dtolak jka F raso F α,t1,t(r1) 1 Ingat model anakova 1 faktor 1 kovarat :

Lebih terperinci

Oleh : Enny Supartini Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran

Oleh : Enny Supartini Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran Abstrak MENGESTIMASI BEBERAPA DATA HILANG (MISSING DATA) DAN ANALISIS VARIANS UNTUK RANCANGAN BLOK ACAK SEMPURNA Oleh : Enny Supartn Departemen Statstka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

KOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA., R. Efendi 2, H.

KOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA., R. Efendi 2, H. KOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING AAK SEDERHANA A. F. Indraan *, R. Efend, H. Srat Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.

Lebih terperinci

BAB IV TRIP GENERATION

BAB IV TRIP GENERATION BAB IV TRIP GENERATION 4.1 PENDAHULUAN Trp Generaton td : 1. Trp Producton 2. Trp Attracton j Generator Attractor - Setap tempat mempunya fktor untuk membangktkan dan menark pergerakan - Bangktan, Tarkan

Lebih terperinci

PEMODELAN REGRESI POISSON MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN Yayuk Listiani NRP Dr. Purhadi, M. Sc.

PEMODELAN 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 terperinci

ANALISIS PEUBAH RESPON BINER

ANALISIS 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 terperinci

KAITAN ANTARA SUPLEMEN SUATU MODUL DAN EKSISTENSI AMPLOP PROYEKTIF MODUL FAKTORNYA DALAM KATEGORI σ[m]

KAITAN ANTARA SUPLEMEN SUATU MODUL DAN EKSISTENSI AMPLOP PROYEKTIF MODUL FAKTORNYA DALAM KATEGORI σ[m] KAITAN ANTARA SULEEN SUATU ODUL DAN EKSISTENSI ALO ROYEKTIF ODUL FAKTORNYA DALA KATEGORI σ[] Ftran urusan atematka FIA Unverstas Lamung l rofdr Soemantr Brojonegoro No1 Bandar Lamung Abstract Let be an

Lebih terperinci

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk

Lebih terperinci

Analisis Regresi 2. Mendeteksi pencilan dan penanganannya

Analisis 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 terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS 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 terperinci

Pendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Pendugaan 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 terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS 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 terperinci

BAB III METODOLOGI PENELITIAN. bulan November 2011 dan direncanakan selesai pada bulan Mei 2012.

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB LANDASAN TEORI.1 Regres Lner Analss regres dgunakan untuk mengetahu hubungan antara varabel terkat (Y) dengan satu atau lebh varabel bebas (X). Menurut Har et al (009) regres lnear sederhana dapat

Lebih terperinci

KORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /

KORELASI DAN REGRESI LINIER. Debrina Puspita Andriani    / KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 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 terperinci

PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI

PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa

III. 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 terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB LANDASAN TEORI Unverstas Sumatera Utara . Pengertan Regres Istlah regres pertama kal dperkenalkan oleh Francs Galtom. Menurut Galtom, analss regres erkenaan dengan stud ketergantungan dar satu varael

Lebih terperinci

BAB 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. 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 terperinci

III. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.

III. 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 terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan

BAB 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 terperinci

TINJAUAN PUSTAKA Tingkat Keberhasilan Mahasiswa Regresi Logistik

TINJAUAN PUSTAKA Tingkat Keberhasilan Mahasiswa Regresi Logistik 5 TINJAUAN PUSTAKA Tngkat Keberhaslan Mahasswa Secara gars besar, faktor-faktor yang memengaruh keberhaslan mahasswa dalam enddkan (Munthe 983, dacu dalam Halm 29 adalah:. Faktor ntelektual seert masalah

Lebih terperinci

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi

BAB 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 terperinci

METODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline.

METODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline. METODE NUMERIK INTERPOLASI Interpolas Beda Terbag Newton Interpolas Lagrange Interpolas Splne http://maulana.lecture.ub.ac.d Interpolas n-derajat polnom Tujuan Interpolas berguna untuk menaksr hargaharga

Lebih terperinci

ESTIMASI PARAMETER AUTOREGRESSIVE DENGAN FUNGSI MARGINAL LIKELIHOOD

ESTIMASI PARAMETER AUTOREGRESSIVE DENGAN FUNGSI MARGINAL LIKELIHOOD ESTIMASI PARAMETER AUTOREGRESSIVE DEGA FUGSI MARGIAL LIKELIHOOD ILMIYATI SARI 356 UIVERSITAS IDOESIA FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM DEPARTEME MATEMATIKA DEPOK 9 Estmas arameter..., Ilmyat Sar,

Lebih terperinci

PERBANDINGAN ROTASI FAKTOR DALAM ANALISIS FAKTOR PENILAIAN SIKAP

PERBANDINGAN ROTASI FAKTOR DALAM ANALISIS FAKTOR PENILAIAN SIKAP PERBANDINGAN ROTASI FAKTOR DALAM ANALISIS FAKTOR PENILAIAN SIKAP (Tess) Oleh DWI MARDIANI MAGISTER MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG BANDAR LAMPUNG 016 ABSTRACT

Lebih terperinci

ANALISIS KOMPONEN UTAMA

ANALISIS KOMPONEN UTAMA ANALISIS KOMPONEN UTAMA Dajukan Untuk Memenuh Salah Satu Tugas Mata Kulah Analss Multvarat Dsusun oleh: Novtr Smanjuntak (05583) Dw Melan P. (05559) Nurul Kurnawat (0448) Dena Rahayu (0555) Naom Nessyana

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Jens dan Pendekatan Peneltan Jens peneltan n termasuk peneltan korelasonal (correlatonal studes. Peneltan korelasonal merupakan peneltan yang dmaksudkan untuk mengetahu ada

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 40 BAB III METODOLOGI PENELITIAN Dalam peneltan n penuls bermaksud untuk menelt bagamana pengaruh perubahan kebjakan moneter terhadap jumlah kredt yang dberkan oleh bank pada beberapa kelompok bank berdasarkan

Lebih terperinci

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut

Lebih terperinci

Uji Homogenitas Varians

Uji Homogenitas Varians Uj Homogentas Varans I. DUA VARIANS Pengujan hpotess dua varans dlakukan untuk mengetahu varans dua populas sama (homogen atau tdak (heterogen. S dan S merupakan penduga σ dan σ Rumus varans : x ( x S

Lebih terperinci

PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL

PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com

Lebih terperinci

Analisis Regresi Linear Sederhana

Analisis Regresi Linear Sederhana Analss Regres Lnear Sederhana Al Muhson Pendahuluan Menggunakan metode statstk berdasarkan data yang lalu untuk mempredks konds yang akan datang Menggunakan pengalaman, pernyataan ahl dan surve untuk mempredks

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

JMP : Volume 5 Nomor 1, Juni 2013, hal SPEKTRUM PADA GRAF REGULER KUAT

JMP : Volume 5 Nomor 1, Juni 2013, hal SPEKTRUM PADA GRAF REGULER KUAT JMP : Volume 5 Nomor, Jun 03, hal. 3 - SPEKTRUM PD GRF REGULER KUT Rzk Mulyan, Tryan dan Nken Larasat Program Stud Matematka, Fakultas Sans dan Teknk Unerstas Jenderal Soedrman Emal : rzky90@gmal.com BSTRCT.

Lebih terperinci

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah

BAB 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 terperinci

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan nla harapannya ) E [Y x ] E [Y x] =

Lebih terperinci

I BBB TINJAUAN PUSTAKA

I BBB TINJAUAN PUSTAKA I BBB TINJAUAN PUTAKA. Pendahuluan Dalam enulsan mater okok dar skrs n derlukan beberaa teor-teor yang mendukung, yang menjad uraan okok ada bab n. Uraan dmula dengan membahas dstrbus varabel acak kontnu,

Lebih terperinci

Dekomposisi Nilai Singular dan Aplikasinya

Dekomposisi Nilai Singular dan Aplikasinya A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak

Lebih terperinci

PEMILIHAN MODEL REGRESI LINEAR TERBAIK BERDASARKAN MODIFIKASI STATISTIK C p MALLOWS

PEMILIHAN MODEL REGRESI LINEAR TERBAIK BERDASARKAN MODIFIKASI STATISTIK C p MALLOWS PEMILIHAN MODEL REGRESI LINEAR TERBAIK BERDASARKAN MODIFIKASI STATISTIK MALLOWS (Stud Kasus : Faktor-Faktor yang Memengaruh Indeks Prestas Mahasswa D MI F MIPA UNS) Dsusun Oleh : TINA YUNIATI M00006 Dtuls

Lebih terperinci

PERBANDINGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DAN ORDINARY LEAST SQUARE (OLS) DALAM PEMODELAN KETIMPANGAN DI PROVINSI JAWA TENGAH

PERBANDINGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DAN ORDINARY LEAST SQUARE (OLS) DALAM PEMODELAN KETIMPANGAN DI PROVINSI JAWA TENGAH PERBANDINGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DAN ORDINARY LEAST SQUARE (OLS) DALAM PEMODELAN KETIMPANGAN DI PROVINSI JAWA TENGAH La Mftakhul Janah 1, TanWahyu Utam 2 1, emal: lamftakhul7@gmal.com

Lebih terperinci

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh Analss Regres 1 Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan nla harapannya E[Y x] E[Y x] y b

Lebih terperinci

Evaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT)

Evaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT) Evaluas Tngkat Valdtas Metode Penggabungan Reson (Indeks Penamlan Tanaman, IPT) 1 Gust N Adh Wbawa I Made Sumertajaya 3 Ahmad Ansor Mattjk 1 Mahasswa S3 Pascasarjana Statstka IPB,3 Staf Pengajar Deartemen

Lebih terperinci

METODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang

METODE 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 terperinci

1. Pendahuluan MENENTUKAN PROPORSI SAHAM PORTOFOLIO DENGAN METODE LAGRANGE

1. Pendahuluan MENENTUKAN PROPORSI SAHAM PORTOFOLIO DENGAN METODE LAGRANGE Prosdng SNaPP04 Sans, Teknolog, dan Kesehatan ISSN 089-358 EISSN 303-480 MENENTUKAN PROPORSI SAHAM PORTOFOLIO DENGAN METODE LAGRANGE Et Kurnat, Gan Gunaan, 3 Tegar Aj Sukma Bestar,,3 Prod Matematka FMIPA

Lebih terperinci

2 TINJAUAN PUSTAKA. Model Persamaan Struktural (MPS)

2 TINJAUAN PUSTAKA. Model Persamaan Struktural (MPS) 3 2 TINJAUAN PUSTAKA Model Persamaan Struktural (MPS) Model persamaan struktural (MPS) merupakan salah satu analss multvarat yang dapat menganalss hubungan peubah secara kompleks. Analss n pada umumnya

Lebih terperinci

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1 Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.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 terperinci

METODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity

METODE 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 terperinci