BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
|
|
- Irwan Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat yatu varabel bebas dan varabel terat. Varabel bebas dalam analss dsrmnan berupa data metr (nterval dan raso) sedanan varabel teratnya berupa data nonmetr (nomnal dan ordnal). Oleh arena tu, analss dsrmnan termasu e dalam analss multvarat metode dependens (Sharma, 996). Analss dsrmnan adalah ten multvarat untu memsahan objeobje dalam elompo yan berbeda dan menelompoan obje baru e dalam elompo-elompo tersebut (Johnson, 956). Analss dsrmnan dapat dunaan ja varabel teratnya terdr dar dua elompo atau lebh. Apabla varabel teratnya lebh dar dua elompo, maa metode yan dunaan adalah analss dsrmnan multpel (multple dscrmnant analyss). Ada dua tujuan utama dalam pemsahan elompo dalam analss dsrmnan, yatu (Rencher, 2002) :. Aspe desrptf atau menambaran pemsahan elompo, d mana funs lner varabel (funs dsrmnan) dunaan untu menambaran atau menjelasan perbedaan-perbedaan antara dua atau lebh elompo. Tujuan dar ambaran analss dsrmnan melput dentfas ontrbus p varabel 45
2 46 untu memsahan elompo dan mencar hasl yan optmal d mana ponpon tersebut dapat menjelasan ambaran terba setap elompo. 2. Aspe preds atau menelompoan observas e dalam elompo, d mana funs lner atau uadrat varabel (funs penelompoan) dunaan untu menentuan unt sampel ndvdu e dalam salah satu dar beberapa elompo. Nla-nla yan duur dalam vetor observas dar ndvdu atau obje aan devaluas oleh funs penelompoan untu mencar elompo d mana ndvdu dpastan termasu d dalamnya. Ada beberapa asus analss dsrmnan, d antaranya:. Analss Dsrmnan Lner (Lnear Dscrmnant Analyss). Analss dsrmnan lner dunaan ja data p buah varabel bebas berdstrbus normal multvarat dan setap elomponya meml matrs varans ovarans yan sama. 2. Analss Dsrmnan Kuadrat (Quadratc Dscrmnant Analyss). Analss dsrmnan uadrat dunaan ja data p buah varabel bebas berdstrbus normal multvarat tetap matrs varans ovaransnya tda sama dalam setap elomponya. 3. Analss Dsrmnan Fsher (Fsher Dscrmnant Analyss). Analss dsrmnan Fsher dunaan ja data p buah varabel bebas tda berdstrbus normal multvarat tetap matrs varans ovaransnya sama dalam setap elomponya.
3 47 4. Analss Dsrmnan Nonparametr (Nonparametrc Dscrmnant Analyss). Analss dsrmnan nonparametr dunaan ja data p buah varabel bebas tda berdstrbus normal multvarat dan matrs varans ovaransnya tda sama dalam setap elomponya. Analss dsrmnan melbatan ombnas lner dar dua atau lebh varabel bebas untu membentu suatu funs dsrmnan yan dapat dunaan untu membedaan suatu elompo denan elompo lannya. Kombnas lner untu analss dsrmnan meml bentu persamaan lner, yatu: L = b0 + b X + b2 X bp X p (3.) d mana, L = score dsrmnan, b = bobot (weht) dan X = varabel bebas. Dalam tujuan utama analss dsrmnan, yatu aspe desrptf, funs dsrmnan yan terbentu dunaan untu membedaan suatu elompo denan elompo lannya dalam suatu populas. Selan untu membedaan elompo, funs dsrmnan jua dapat dunaan untu masalah penelompoan yatu dalam aspe preds, funs yan terbentu adalah funs penelompoan yan dunaan untu menelompoan observas e dalam elompo yan telah ada. Funs penelompoan n dsebut jua funs dsrmnan, namun funs dsrmnan n tda sama denan funs dsrmnan pada aspe desrptf. Pada proses penelompoan analss dsrmnan, setap observas sebelumnya sudah detahu masu e dalam salah satu elompo dar beberapa elompo yan ada. Denan deman, aan muncul onsep esalahan
4 48 penelompoan. Dar onsep nlah dapat detahu seberapa banya penelompoan yan dlauan oleh analss dsrmnan tersebut. Proses penelompoan dalam analss dsrmnan dlauan denan cara membentu suatu funs penelompoan masn-masn elompo, selanjutnya dhtun suatu sor setap observas dar masn-masn funs penelompoan tersebut yan dsebut denan sor dsrmnan. Penelompoan menunaan sor dsrmnan dlauan denan membuat suatu aturan penelompoan untu menetahu observas masu e dalam elompo yan ada. Berut aan dbahas aturan penelompoan dalam analss dsrmnan. 3.2 Aturan Penelompoan Msalan sebuah populas Ω terdr dar elompo π, π 2, K, π denan masn-masn wlayah (reon) R, R2, K, R. Suatu penuuran terdr dar p varabel bebas, X = x, x2, K, x p dlauan pada setap elompo sebanya n observas atau obje, = { x, x 2,, x } x K ; m =, 2, K, p. Perbedaan antar m m m mn elompo dapat dlhat dar funs epadatannya, f ( ) x ja observas berasal dar elompo, π ; =, 2, K, denan peluan pror p d mana p =. = Besarnya baya/reso salah penelompoan ada bla observas yan berasal dar elompo ( π ) delompoan sebaa elompo ( π ) dnotasan denan c ( ) denan peluan ( ) P ;, =, 2, K,.
5 49 Berut aan dbahas beberapa metode untu memperoleh aturan penelompoan observas atau obje e dalam salah satu elompo dar beberapa elompo yan ada pada analss dsrmnan Metode ECM Mnmum Nla harapan dar salah penelompoan (Expected Cost of Msclassfcaton = ECM) dbanun oleh ta omponen, yatu peluan pror p, baya/reso salah menelompoan c ( ) dan peluan salah menelompoan P ( ). Baya/reso salah penelompoan aan bernla sama denan nol atau c ( ) = 0 ja =. Msalan R adalah hmpunan semua x yan delompoan sebaa π, maa peluan salah penelompoan ( P ( ) ) adalah peluan bersyarat menelompoan observas sebaa π padahal observas tersebut berasal dar π, yatu: untu ;,, 2,, P = f x dx, ( ) ( ) R = K, peluan bersyarat P ( ) P ( ) =. =
6 50 Baya/reso salah penelompoan dapat ddefnsan sebaa matrs baya. Msalan suatu populas terdr dar dua elompo π dan π 2, maa matrs bayanya adalah Populas yan benar Dlasfasan sebaa Untu populas yan terdr dar elompo π, π 2, K, π, maa ECM bersyarat dar x yan berasal dar yan delompoan e dalam 2, atau 3,, atau adalah ECM() = = 2 = P( ) c( ) Denan menalan setap ECM bersyarat (ECM() ; =, 2, K, ) denan masn-masn peluan prornya ( p ; =, 2, K, ), maa dperoleh total baya/reso salah penelompoan (Total Cost of Msclassfcaton = TCM), yatu: TCM = ECM() + 2 ECM(2) + + ECM( ) TCM = p P( ) c( ) p 2 P( 2) c( 2 + ) + K + p P( ) c( ) = 2 = = 2 TCM = p P ( ) c ( ) (3.2) = =
7 5 Plh, 2,, aar TCM bernla mnmum, sehna dperoleh aturan penelompoan yan optmal sebaa berut: Result. Aturan penelompoan denan metode ECM mnmum adalah elompoan x e dalam, =,2,, d mana But. p f ( x ) c( ) bernla mnmum. (3.3) = Ja terdapat satu atau lebh, dplh salah satu d antaranya. Dalam metode ECM, peluan pror populas detahu. Oleh arena tu, dapat ddefnsan peluan posteror berdasaran teor Bayesan (lampran 7). Peluan posteror dar observas yan berasal dar, P ( π x ) adalah P ( π x) = l= Ja observas tersebut delompoan sebaa, maa eruan harapannya adalah = j pl fl l= ( ) p f x p f ( x) l p f ( x) l ( x) ( ) c j Untu memnmuman eruan harapan tersebut, plh j aar nla eruan harapan mnmum. Kta menanap p f ( ) c( j ).. x untu semua j = j
8 52 dan memlh j yan meml baya/reso salah penelompoannya ( ) mnmum sehna aan menyebaban nla p f ( ) c( j ) x menjad mnmum. Oleh arena tu, elompoan x e dalam, =,2,, d mana = j ( ) ( ) < ( ) ( ) p f x c p f x c j, = = j atau denan ata lan elompoan x e dalam, =,2,, d mana p f ( x ) c( ) bernla mnmum. = Bla omponen baya/reso salah penelompoan c ( ) dabaan atau dasumsan sama untu setap elompo, maa dar persamaan TCM aan dhaslan aturan total peluan salah penelompoan (Total Probablty of Msclassfcaton = TPM) Metode TPM Mnmum Krtera lan dar ECM yatu bla baya/reso salah penelompoan c ( ) dabaan atau dasumsan sama untu setap elomponya dapat dunaan untu memperoleh aturan penelompoan optmal, yatu denan memlh R, R2, K, R untu memnmuman total peluan salah penelompoan (Total Probablty of Msclassfcaton = TPM).
9 53 Msalan suatu populas terdr dar dua elompo π dan π 2, maa TPMnya adalah TPM = P( Salah penelompoan observas π atau salah penelompoan observas π ) 2 TPM = P ( observas berasal dar π dan salah penelompoan ) + P ( observas berasal dar π dan salah penelompoan ) TPM = ( ) + ( ) adalah denan p f x d x p f x d x. R R 2 Untu populas yan terdr dar elompo π, π 2, K, π, maa TPMnya ( ) = ( ) f x dx P. R TPM = = R p f ( x) dx (3.4) Kta jua dapat menelompoan observas e dalam elompo yan meml peluan posteror masmum. Menurut aturan Bayes (lampran 7), peluan posteror dar observas yan berasal dar, P ( π x ) adalah P ( π x) = l= p f l p f ( x) l ( x). (3.5)
10 54 Aturan TPM adalah aturan ECM bla baya/reso salah penelompoan c ( ) dabaan atau dasumsan sama untu setap elomponya, maa aturan penelompoan yan optmal denan metode yan memnmuman TPM adalah: Result 2. Aturan penelompoan denan metode TPM mnmum adalah elompoan x e dalam ja atau, setara denan, p f ( x) > p f ( x ) untu semua, (3.6) elompoan x e dalam ja But. ln p f ( x) > ln p f ( x ) untu semua. (3.7) Andaan semua baya/reso salah penelompoan adalah sama atau dabaan, maa persamaan pada result (asus aturan ECM mnmum) menjad p f x = yan merupaan aturan TPM mnmum. TPM yatu jumlah semua peluan ( ) penelompoan yan bersfat salah penelompoan. Oleh arena tu, elompoan x e dalam, =,2,, d mana p f ( x ) bernla mnmum. = Nla tersebut aan bernla mnmum ja p f ( x ) bernla masmum, n menyebaban peluan posterornya menjad masmum. Hal n merupaan salah satu rtera dalam mendapatan aturan penelompoan yan optmal.
11 55 Jad elompoan x e dalam ja p f ( x ) bernla masmum. Atau denan ata lan elompoan x e dalam ja p f ( x) > p f ( x ) untu semua, atau, setara denan, elompoan x e dalam ja ln p f ( x) > ln p f ( x ) untu semua Penelompoan denan Populas Normal Multvarat Pada asus d mana f ( ) x, =,2,, meml funs epadatan normal multvarat denan vetor rata-rata dan matrs varans ovarans denan bentu: f x = exp x µ Σ x µ ( ) ( 2π ) ( ) ( ) p 2 2 Σ 2, =,2,,. (3.8) Ja semua baya/reso salah penelompoan adalah sama ( =0, = ; ), maa aturan penelompoan yan optmal yan memnmuman ECM (sama denan aturan TPM mnmum) menjad elompoan x e dalam ja p p f ( x ) = ln p ( ) ln ( 2π ) lnσ ( x µ ) Σ ( x µ ) ln Catatan : = ln Σ x µ Σ x µ (3.9) ( ) ( ) p 2 ln 2 ( ) = masln p f x
12 56 x µ Σ x µ = x = xσ x + µ Σ x µ Σ µ. L ( ) ( ) d ( ) But. ln p f ( x) = ln p exp x µ Σ x µ ( 2π ) ( 2π ) ( 2π ) ( ) ( ) p 2 2 Σ 2 ln p f ( x) = ln p + ln exp x µ Σ x µ Σ 2 ( ) ( ) p 2 2 ln p f ( x) = ln p + ln + ln + x µ Σ x µ Σ 2 ( ) ( ) p 2 2 p ( ) ( ) 2 2 x = p + π + Σ ( x µ ) Σ ( x µ ) ln p f ln ln ln 2 ln ln ln p f p p π ( x) = ln ln ( 2 ) lnσ ( x µ ) Σ ( x µ ) Konstanta ( p 2) ln ( 2 ) elompo. Maa persamaan d atas menjad π dapat dabaan arena bernla sama untu semua ln p f x ln lnσ x µ Σ x µ. ( ) = p ( ) ( ) 2 2 Dar result 2 dperoleh ln p f ( ) > ln p f ( ) supremum dar p f ( ) ln x, sehna ln p f 2 x x, maa p f ( ) ( ) = mas ln p f ( ) ln x merupaan nla x x. Analss dsrmnan yan memenuh asums dstrbus normal multvarat terdr dar dua macam, yatu analss dsrmnan lner dan analss dsrmnan uadrat Analss Dsrmnan Lner
13 57 Analss dsrmnan lner (Lnear Dscrmnant Analyss = LDA) dunaan apabla observas X memenuh asums dstrbus normal multvarat dan homoentas matrs varans ovarans. Berdasaran persamaan (3.9) dapat ddefnsan sor dsrmnan lner. Karena matrs varans ovarans sama untu setap elomponya maa substtusan Σ =Σ, untu =,2,,. Oleh arena tu, untu populas e- sor dsrmnan lner ddefnsan sebaa: d ( ) ln x = Σ xσ x + µ Σ x µ Σ µ + ln p. (3.0) L L L L Dua suu pertama aan bernla sama untu ( x), ( x),, ( x) d d2 d maa suu tersebut dapat dabaan. Sor dsrmnan lner menjad d ( ) K, x = µ Σ x 2µ Σ µ + ln p (3.) L Ja dan tda detahu, maa unaan x sebaa tasran vetor rata-rata dan unaan S ab sebaa tasran matrs varans ovarans abunan, yatu: S ab = ( n ) + ( n2 ) 2 + L+ ( n ) S S S n + n + L+ n 2. (3.2) Maa tasran ˆ L L d ( x ) dapat dperoleh dar sor dsrmnan lner d ( x ) yan dbentu berdasaran tasran matrs varans ovarans abunan yatu: dˆ ( ) x = x S x x S x + ln p (3.3) L ab 2 ab denan
14 58 x = vetor rata-rata sampel elompo e- S = matrs varans ovarans sampel elompo e- n = uuran sampel elompo e-. Oleh arena tu, tasran aturan penelompoannya adalah elompoan x e dalam ja ( 2 ) Sor dsrmnan lner ˆ L ( ) ˆ L ( ) ˆ L mas, ( ),, ˆ L d x = d x d x d ( x) K. (3.4) Analss Dsrmnan Kuadrat Analss dsrmnan uadrat (Quadratc Dscrmnant Analyss = QDA) dunaan apabla observas X memenuh asums dstrbus normal multvarat tetap tda memenuh homoentas matrs varans ovarans (Σ tda sama). Berdasaran persamaan (3.9) dapat ddefnsan sor dsrmnan uadrat. Karena matrs varans ovarans tda sama untu setap elomponya, maa untu populas e- sor dsrmnan uadrat ddefnsan sebaa: d x = Σ x µ Σ x µ + ln p, =,2,,. (3.5) ( ) ln ( ) ( ) Q 2 2 Maa aturan penelompoannya adalah elompoan x e dalam ja ( 2 ) Q Q Q Q sor dsrmnan uadrat d ( x) = mas d ( x), d ( x),, d ( x) Ja dan tda detahu, maa tasran d ˆ Q ( ) Q uadrat d ( ) x adalah K. (3.6) x dar sor dsrmnan
15 59 dˆ x = ln S x x S x x + ln p, =,2,,, (3.7) ( ) ( ) ( ) Q 2 2 denan x = vetor rata-rata sampel elompo e- S = matrs varans ovarans sampel elompo e- n = uuran sampel elompo e-. Oleh arena tu, tasran aturan penelompoannya adalah elompoan x e dalam ja ( 2 ) sor dsrmnan uadrat ˆQ ( ) ˆQ ( ) ˆQ mas, ( ),, ˆQ d x = d x d x d ( x) K. (3.8) Metode Jara Kuadrat Jara uadrat dperoleh dar persamaan (3.5) denan menabaan suu onstan, ln 2 Σ. Ja nla populas tda detahu, maa bentu tasran jara uadrat dar x e vetor rata-rata sampel e- x adalah. Untu asus matrs varans ovarans yan sama dalam setap elomponya atau Σ = Σ2 = L = Σ = Σ, yatu: D x = x x S x x, =, 2,...,. (3.9) ( ) ( ) ( ) 2 ab 2. Untu asus matrs varans ovarans yan tda sama dalam setap elomponya, yatu: D x = x x S x x, =,2,...,. (3.20) ( ) ( ) ( ) 2
16 60 Maa aturan penelompoannya adalah elompoan x e dalam atau, elompoan x e dalam 2 π ja D ( ) 2 π ja ( ) 2 x + ln p bernla masmum. (3.2) D x bernla mnmum (3.22) Ja peluan pror elompo e- tda detahu, maa aturan penelompoan basa menetapan p = p2 = L = p = atau suu ln p dapat dhlanan. (3.23) 3.3 Evaluas Hasl Penelompoan Ada suatu prosedur untu menetahu tnat etepatan penelompoan, d antaranya Actual Error Rate (AER) dan Apparent Error Rate (APER). Prosedur tersebut berdasaran dar matrs onfus. Matrs onfus menunjuan eanotaan elompo pada enyataan melawan eanotaan elompo yan dpreds. Untu observas dar dan 2 observas dar 2, maa matrs onfusnya adalah Keanotaan pada enyataan Keanotaan yan dpreds 2 = 2 2 = D mana = jumlah tem yan delompoan secara benar sebaa tem = jumlah tem yan salah delompoan sebaa tem 2
17 6 2 = jumlah tem 2 yan delompoan secara benar sebaa tem 2 2 = jumlah tem 2 yan salah delompoan sebaa tem Apparent Error Rate (APER) Error Rate pada Apparent Error Rate (APER) merupaan propors salah penelompoan pada data trann sample. APER dapat denan mudah dhtun denan matrs onfus. Maa evaluas hasl penelompoan menunaan Apparent Error Rate (APER) adalah APER = = = n M n. (3.24) D mana n M adalah banyanya observas trann sample yan salah penelompoan pada elompo e-. n adalah banyanya observas pada elompo e-. Ketepatan penelompoannya adalah APER (3.25) Actual Error Rate (AER) Error Rate pada Actual Error Rate (AER) merupaan propors salah penelompoan pada data sampel valdas atau holdout sample. Prosedur holdout
18 62 Lachenbruch dapat dunaan untu menetahu tnat etepatan penelompoan melalu Actual Error Rate (AER), d mana tasran dar espetas Actual Error Rate (AER) adalah: D mana ( H ) nm ˆ ( AER = ) =, =,2,..., E. (3.26) n = n adalah banyanya observas holdout yan salah penelompoan pada ( H ) M elompo e-. n adalah banyanya observas pada elompo e-. Ketepatan penelompoannya adalah ( ) Eˆ AER. (3.27)
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciPERBANDINGAN METODE MODEL-BASED DENGAN METODE K-MEAN DALAM ANALISIS CLUSTER
PERBANDINGAN METODE MODEL-BASED DENGAN METODE K-MEAN DALAM ANALISIS CLUSTER Tmbul Pardede (tmbul@mal.ut.ac.d) Unverstas Terbua ABSTRACT K-mean method s a clustern method n whch roupn technques are based
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
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 terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciINDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5. Anik Djuraidah
S-20 INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5 An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Analss erentanan berembang dan dgunaan dalam
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciBAB III MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
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 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 terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciEVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6. Oleh : Anik Djuraidah
EVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6 S-21 Oleh : An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Pembangunan daerah tertnggal merupaan upaya
Lebih terperinciANALISIS DISKRIMINAN
LAPORAN MULTIVARIAT ANALISIS DISKRIMINAN Dsusun oleh : Indra Syahrar 5534 Agung Dw Suprapto 5545 Fathurochman 5576 Julanto 55889 Muhammad Nurvana 5768 FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN
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 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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
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 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 terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
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 terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
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 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.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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakan Kualtas telah menjad karakterstk utama dalam oransas atau perusahaan aar dapat berkemban lebh bak la dalam bdan produks d suatu oransas atau perusahaan. Hal n dpenaruh
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 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 terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciANALISIS KAPABILITAS PROSES
TI PENGENLIN KULITS STTISTIK TOPIK 0 NLISIS KPILITS PROSES L, Semester II 00/0 Hlm. TI PENGENLIN KULITS STTISTIK. PENHULUN esrps : Merupaan uuran eseragaman proses dalam menghaslan produ dengan araterst
Lebih terperinciANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA
ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
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 terperinciBab III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
Lebih terperinciBAB 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 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 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 terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
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 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang
JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,
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 terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
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 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 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 terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
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 terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciIMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 20 MALANG
IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 0 MALANG Erm Andayan, Swasono Rahardjo, I Nengah Parta Unverstas
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
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 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 Penyelesaian Persamaan Kuadrat Matriks
Jurnal Matemata, Jurnal Matemata, tatsta tatsta, & Komutas & Komutas Vol. 3 No Vol. Jul No. 6 Jul 5 Vol, No, 9-3, 9-9, Jul 5 9 Analss Penyelesaan Persamaan Kuadrat Matrs Hasmawat dan Amr Kamal Amr Abstra
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 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 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 terperinciDr. Nussar Hajarisma, M.Si Jurusan Statistika Terapan Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjajaran.
STUDI SIMULASI EVALUASI KETEPATAN KLASIFIKASI INDEKS MASSA TUBUH BERDASARKAN TABEL KLASIFIKASI INDEKS MASSA TUBUH WHO DENGAN PENDEKATAN REGRESI LOGISTIK ORDINAL DAN ANALISIS DISKRIMINAN (Stud Kasus Klasfkas
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 terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciEstimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural
Estmas Relabltas Penguuran Dalam Pendeatan Model Persamaan Strutural Wahyu Wdharso Unverstas Gadjah Mada Pendeatan analss data peneltan dengan menggunaan persamaan model strutural (SEM telah banya dgunaan
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 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 terperinciPemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prnt) D-333 Pemetaan Anga Gz Buru pada Balta d Jawa Tmur dengan Geographcally Weghted Regresson Adtya Kurnawat, Mutah Salamah C., dan Shof Andar
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 terperinci