Gambar 3 Diagram aliran data level 1.
|
|
- Ridwan Hermanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 6 Gambar 3 Diagram aliran data level 1. menjadi input untuk proses 2. Proses 2 dapat didekomposisi menjadi Proses 2.1 Pilih Dataset Aktif, Proses 2.2 Edit Dataset Aktif, Proses 2.3 Kalkulator, Proses 2.4 Bangkitkan Bilangan Acak, dan Proses 2.5 Pilih Peubah. Setelah pengguna memilih peubah, maka dataset telah siap digunakan untuk analisis. Proses manajemen data ini ditampilkan pada Lampiran 2. Data yang telah diolah dalam sistem kemudian dapat disimpan melalui dua proses, yaitu Proses 10.1 Ekspor Dataset dan Proses 10.2 Simpan Dataset (Lampiran 3). Aliran data pada Proses 5 Analisis Regresi dijelaskan oleh Gambar 4. Proses 6.2 Analisis Regresi Logistik didekomposisi lagi menjadi Proses Regresi Logistik Biner, Proses Regresi Logistik Ordinal, dan Proses Regresi Logistik Multinomial (Lampiran 4). Kemudian Proses dan Proses akan masuk ke Proses Fungsi Penghubung. Proses ini didekomposisi kembali menjadi tiga fungsi penghubung, yaitu logit, probit dan complementary log-log yang disajikan dalam Lampiran 5. Setelah menentukan fungsi penghubung, data yang masuk dapat langsung dianalisis baik melalui prosedur pemilihan model regresi terbaik (stepwise, forward, dan backward) ataupun tidak (Lampiran 6). Nilai sisaan, nilai peluang respons, dan nilai dugaan kategori respons hasil analisis regresi logistik kemudian disimpan dalam dataset. Proses 5.7 Analisis Regresi Kuadrat Terkecil Parsial didekomposisi kembali berdasarkan empat algoritma yang biasaa digunakan, yaitu algoritma kernel, wide kernel, SIMPLS dan orthogonal scores atau biasa dikenal dengan NIPALS. Proses ini dijelaskan pada Lampiran 7. Analisis regresi komponen utama melibatkan keluaran dari analisis komponen utama yang merupakan bagian dari proses analisis peubah ganda. Nilai akar ciri dan vektor ciri yang dihasilkan dari analisis komponen utama akan digunakan dalam analisis regresi linier untuk melakukan analisis regresi komponen utama. Selanjutnya pengguna dapat langsung mencetak hasil analisis regresi kuadrat terkecil parsial dan hasil analisis regresi komponen utama atau melakukan Proses 6.6 Validasi Silang. Ada dua jenis validasi silang yang digunakan, yaitu buang satu amatan dan buang lebih dari satu amatan (Lampiran 8). Nilai dugaan respons, sisaan, skor X dan skor Y dari analisis regresi komponen utama dan analisis regresi kuadrat terkecil parsial tersimpan dalam dataset.
2 7 Gambar 4 Diagram aliran data level 2 proses 1. Implementasi Sistem Implementasi sistem menggunakan program R dan beberapa paket tambahan lainnya untuk menjalankan fungsi - fungsi pada Pakar 2.0. Tabel 1 menunjukkan paket-paket yang diperlukan untuk menjalankan Pakar 2.0. Paket standar adalah paket yang sudah tersedia dalam program R. Sedangkan paket tambahan adalah paket yang harus diunduh melalui Project.org Tabel 1. Paket-paket yang dibutuhkan untuk menjalankan Pakar 2.0 No. Paket standar Paket tambahan 1. tcltk tkrplot 2. stats RODBC 3. foreign R2HTML 4. MASS car 5. nnet nortest 6. tseries 7. pls Pakar 2.0 tersusun oleh pilihan menu di bagian atas dan jendela hasil di bagian bawah menu untuk menampilkan keluaran. Pakar 2.0 terdiri atas lima menu utamaa yaitu Menu File, Menu Edit, Menu Data, Menu Statistika, dan Menu Bantuan. Lingkungan utama dan skema menu Pakar 2.0 disajikan pada Lampiran 9. Menu File Menu File terdiri atas delapan submenu yaitu: 1. Buat Dataset Baru Submenu ini digunakan untuk memasukkan data ke dalam sistem secara langsung. Sebelum membuat dataset baru, pengguna harus memberi nama untuk dataset tersebut. 2. Memuat Dataset memuat dataset yang telah disimpan dalam file R dengan ekstensi.rda atau.rdata. Namun fungsi ini tidak dapat digunakan untuk memuat dataset yang tersimpan pada paket R tambahan. 3. Impor Dataset Submenu ini terdiri atas lima fungsi yaitu SPSS,.csv (,),.csv (;), Ms. Excel dan Ms. Access. Fungsi-fungsi tersebut memungkinkan pengguna untuk mengimpor dataset dari file SPSS (.sav dan.por), Ms. Excel (.xls,.xlsx, dan.csv), dan Ms. Access (.mdb dan.accdb). Impor data dengan ekstensi.csv dapat digunakan untuk mengimpor file dengan pembatas, dan ;. Sebelum mengimpor data, pengguna harus memberi nama untuk dataset yang akan diimpor dataa tersebut.
3 8 4. Ekspor Dataset Submenu ini terdiri atas empat fungsi yaitu SPSS,.csv (,),.csv (;), dan Ms. Excel Fungsi-fungsi tersebut memungkinkan pengguna untuk mengekspor dataset aktif ke file SPSS (.sps) dan Ms. Excel 2003 (.xls dan.csv). Ekspor data dengan ekstensi.csv dapat digunakan untuk mengekspor file dengan pembatas, dan ;. 5. Simpan Dataset Submenu simpan dataset digunakan untuk menyimpan dataset hasil input langsung atau dataset hasil pengolahan data dengan Pakar 2.0. Dataset tersebut akan tersimpan dengan ekstensi.rda atau.rdata. 6. Simpan Hasil menyimpan keluaran yang terdapat pada jendela hasil dalam bentuk teks dengan ekstensi.txt. Selain itu hasil juga dapat disimpan dengan ekstensi.doc. 7. Hasil HTML menampilkan keluaran yang dicetak ke jendela hasil dalam format HTML. Fungsi ini aktif jika tombol cek Tampilkan Output HTML dan direktori folder terisi. Jika fungsi ini aktif maka setiap pengguna mencetak keluaran ke jendela hasil, keluaran tersebut juga akan ditampilkan oleh browser yang terdapat pada komputer pengguna. 8. Keluar keluar dari Pakar 2.0. Menu Edit Menu edit terdiri atas tujuh submenu untuk melakukan edit pada jendela hasil. Ketujuh submenu tersebut antara lain : 1. Cut mengirimkan objek yang terpilih pada jendela hasil ke clipboard sistem komputer dan menghapus objek yang terpilih pada jendela hasil. 2. Salin mengirimkan objek yang terpilih pada jendela hasil ke clipboard sistem komputer. Fungsi ini biasanya digunakan untuk menyalin objek yang terpilih. 3. Paste menampilkan objek yang ada pada clipboard sistem komputer ke jendela hasil. Fungsi ini biasanya digunakan untuk menampilkan objek yang sudah disalin. 4. Hapus menghapus objek yang terpilih pada jendela hasil. 5. Undo mengembalikan tampilan jendela hasil ke tampilan sebelum tampilan terakhir. 6. Pilih Semua memilih semua objek yang ada pada jendela hasil. 7. Bersihkan Jendela menghapus semua objek yang ada pada jendela hasil. Untuk menggunakan fungsi pada menu edit, pengguna harus mengaktifkan kursor pada jendela hasil. Fungsi-fungsi dalam menu ini mempunyai kegunaan yang sama dengan fungsi klik kanan pada jendela hasil. Menu Data Menu data merupakan menu untuk memodifikasi, memilih, melihat, mengedit, dan mencetak dataset. Menu ini dapat dijalankan jika terdapat dataset aktif pada program. Submenu dalam menu data antara lain: 1. Pilih Dataset Aktif Submenu pilih dataset aktif digunakan untuk memilih dataset mana yang akan digunakan, sehingga memungkinkan pengguna untuk memiliki lebih dari satu dataset dalam sistem. 2. Lihat Dataset Aktif melihat dataset aktif. 3. Edit Dataset Aktif mengedit data atau menambahkan data baru pada dataset aktif. 4. Kalkulator Submenu kalkulator terdiri atas perhitungan aritmatika standar (+, -, *, /, ^), operator perbandingan (>, <, >=, <=,!=), operator logika (&, ), serta beberapa fungsi lain yang tersedia dalam program R. Submenu ini memungkinkan pengguna untuk melakukan modifikasi data. 5. Bangkitkan Bilangan Acak membangkitkan bilangan acak dari sebaran seragam, sebaran binomial, dan sebaran normal. 6. Cetak Dataset Aktif mencetak dataset aktif yang kemudian ditampilkan pada jendela hasil.
4 9 Menu Statistika Menu statistika adalah menu utama dalam Pakar 2.0 yang berisi fungsi-fungsi untuk melakukan analisis regresi dan perhitungan statistika dasar. Menu ini terdiri atas dua submenu, yaitu statistika dasar dan analisis regresi. Submenu statistika dasar terdiri atas perhitungan korelasi, perhit ungan kovarian, dan uji kenormalan. Submenu analisis regresi terdiri atas sembilan sub-submenu, yaitu plot pengepasan garis, analisis regresi linier, analisis regresi bertatar, analisis regresi komponen utama, analisis regresi gulud, analisis regresi logistik biner, analisis regresi logistik ordinal, analisis regresi logistik multinomial, dan analisis regresi kuadrat terkecil parsial. Sesuai dengan ruang lingkup dalam karya ilmiah ini, maka yang akan dibahas lebih lanjut adalah enam sub -submenu terakhir: 1. Regresi Komponen Utama untuk mengatasi masalah multikolinieritas pada regresi linier berganda menggunakan analisis komponen utama. Sub-submenu ini memanfaatkan paket pls. Pengguna harus memasukkan peubah respons dan peubah prediktor terlebih dahulu. Peubah prediktor minimal terdiri atas dua peubah. Pengguna dapat menentukan berapa jumlah komponen yang akan disertakan dalam model dengan mengetikkan jumlah komponen yang diinginkan. Input data yang digunakan adalah matriks X dan matriks Y. Matriks X adalah matriks yang setiap kolomnya merupakan peubah prediktor dan berukuran (n x p). Sedangakan matriks Y adalah matriks peubah respons berukuran (n x 1). Hasil dari fungsi ini adalah nilai proporsi keragaman, nilai loading, nil ai skor, RMSEP, R 2, MSEP, koefisien regresi, serta plot-plot regresi komponen utama. Nilai skor X dari regresi komponen utama tersimpan dalam dataset aktif. Plot yang dihasilkan dalam fungsi ini antara lain plot R 2, plot RMSEP, plot MSEP, plot prediksi, plot koefisien, plot skor, plot loading, biplot skor X vs loading X, dan biplot loading X vs loading Y. Kotak dialog untuk fungsi ini disajikan pada Lampiran 10. Berikut adalah sintaks R yang digunakan untuk melakukan analisis regresi komponen utama (misalka n jumlah komponen = 1): rku <- mvr(y ~ X, ncomp = 1, data = Data, scale = TRUE, method = svdpc ) Fungsi validasi silang digunakan untuk menentukan jumlah komponen yang optimum dalam model. Ada dua jenis validasi yang digunakan dalam analisis ini, yaitu validasi dengan membuang satu amatan dan validasi dengan membuang lebih dari satu amatan. Buang satu amatan: rku <- mvr(y ~ X, ncomp = 1, data = Data, scale = TRUE, method = svdpc, validation = LOO ) Buang lebih dari satu amatan (misalkan 10 kelompok amatan): val <- crossval(rku, ncomp = 1, segments = 10, segment.type= c( random, consecutive, interleaved )) Validasi silang akan menghasilkan nilai PRESS, RMSECV, dan R 2 prediksi. Fungsi plot yang digunakan dalam analisis regresi komponen utama sama d engan fungsi plot pada analisis regresi kuadrat terkecil parsial. Berikut adalah sintaks R yang digunakan untuk menampilkan plot -plot regresi komponen utama: Plot R 2 : plot(rku, estimate = all, validation, val.type = R2 ) Plot RMSEP: plot(rku, estimate = all, validation, val.type= RMSEP ) Plot MSEP: plot(rku, estimate = all, validation, val.type = MSEP ) Plot prediksi: predplot(rku, ncomp=rku$ncomp) Plot koefisien: plot(rku, plottype = coefficients, ncomp = 1:rktp$ncomp, type = l ) Plot skor: plot(rku, plottype = scores, comps = 1: rktp$ncomp) Plot loading: plot(rku, plottype= loadings, comps = 1: rktp$ncomp) Biplot skor X vs loading X: biplot(rku, which = x ) Biplot loading X vs loading Y: biplot(rku, which = loadings ) 2. Regresi Gulud untuk mengatasi masalah multikolinieritas pada regresi linier berganda dengan menambahkan konstanta k pada diagonal utama matriks X X. sub-submenu ini memanfaatkan paket MASS. Data yang
5 10 digunakan dalam analisis ini ha rus berskala interval atau rasio. Pengguna harus memasukkan peubah respons dan peubah prediktor terlebih dahulu. Untuk melakukan ridge trace, pengguna harus mengisis tombol cek pada jejak gulud dan mengisi nilai k awal, k akhir dan lebar grid yang ingin digunakan. Fungsi ini menghasilkan koefisien regresi gulud, persamaan gulud, serta plot koefisien gulud. Kotak dialog untuk fungsi regresi gulud disajikan pada Lampiran 11. Berikut adalah sintaks R yang digunakan (misalkan nilai k awal=0, k akhir=0.1 dan lebar grid=0.01): gulud <- lm.ridge(y ~ x1 + x2, data = Data, lambda = seq(0,0.1,0.01)) select(gulud) Plot koefisien gulud: matplot(lambda, t(koef), lwd = 2, type = "l", xlab = expression(lambda), ylab = expression(hat(beta))) 3. Regresi Logistik Biner untuk melakukan analisis regresi logistik biner berdasarkan tiga jenis fungsi penghubung (logit, probit, da n complementary log-log). Sub-submenu ini memanfaatkan paket stats. Data respons yang digunakan dalam analisis ini harus memiliki dua kategori. Pengguna harus memasukkan peubah respons dan peubah prediktor terlebih dahulu. Kemudian pengguna harus memilih f ungsi penghubung yang ingin digunakan. Fungsi ini menghasilkan tabel analisis deviance, uji Wald, uji G, tabel klasifikasi, prosedur regresi bertatar, serta nilai rasio odds khusus untuk fungsi penghubung logit. Kotak dialog untuk fungsi ini disajikan pada Lampiran 12. Berikut adalah sintaks R yang digunakan: logistik <- glm(y ~ x1 + x2, data = Data, family = binomial( logit, probit, cloglog )) summary(logistik) anova(logistik, test = Chisq ) Prosedur pemilihan model regresi terbaik menggunakan statistik AIC sebagai indikator. Berikut adalah sintaksnya: null <- glm(y ~ 1, data=data, family = binomial ( logit, probit, cloglog )) atas <- glm(y ~ x1 + x2, data = Data, family =binomial ( logit, probit, clo glog )) untuk stepwise: step.aic(null, scope = list(lower = null, upper = atas), direction = 'both') untuk forward: step.aic(null, scope = list(lower = null, upper = atas), direction = 'forward') untuk backward: step.aic(atas, direction = 'backward') Tabel klasifikasi yang dihasilkan adalah tabulasi silang antara respons dengan dugaan kategori respons. Nilai peluang respons yang melebihi atau sama dengan batas cutoff akan dikategorikan sebagai kategori tinggi. Sedangkan nilai peluang respons yang kurang dari batas cutoff akan dikategorikan sebagai kategori rendah. Kategori tinggi dan rendah dalam fungsi ini disesuaikan berdasarkan abjad atau angka dari kategori yang dimasukkan oleh pengguna. Berikut adalah fungsi untuk membuat dugaan kategori respons pada regresi logistik biner: y <- logistik$fitted n <- length(data[,y]) Kategori <- 1:n for (i in 1:n) { if (y[i] >= cutoff) {Kategori[i] <- kategori2} else if (y[i] < cutoff) {Kategori[i] <- kategori1} } 4. Regresi Logistik Ordinal untuk melakukan analisis regresi logistik ordinal berdasarkan tiga jenis fungsi penghubung (logistic, probit, dan complementary log-log) dengan metode kemungkinan maksimum. Sub-submenu ini memanfaatkan paket MASS. Model regresi logistik ordinal yang digunakan adalah proportional odds. Data respons yang digunakan dalam analisis ini harus berskala ordinal dengan lebih dari dua kategori. Pengguna harus memasukkan peubah respons dan peubah prediktor terlebih dahulu. Kemudian pengguna harus memilih fungsi penghubung yang ingin digunakan. Fungsi ini menghasilkan uji Wald, tabel klasifikasi, prosedur regresi bertatar, serta nilai rasio odds khusus untuk fungsi penghubung logit. Kotak dialog untuk fungsi ini disajikan pada Lampiran 13.
6 11 Berikut adalah sintaks R yang digunakan untuk melakukan analisis regresi logistik ordinal: logistik <- polr(y ~ x1 + x2, data = Data, method = c( logistic, probit, cloglog )) Sintaks regresi bertatar yang digunakan sama dengan sintaks regresi bertatar pada analisis regresi logistik biner. 5. Regresi Logistik Multinomial untuk melakukan analisis regresi logistik multiomial berdasarkan fungsi penghubung logit. Sub-submenu ini memanfaatkan paket nnet. Data respons yang digunakan dalam analisis ini harus berskala nominal dengan lebih dari dua kategori. Pengguna harus memasukkan peubah respons dan peubah prediktor terlebih dahulu. Fungsi ini menghasilkan uji Wald, tabel klasifikasi, prosedur regresi bertatar, serta nilai rasio odds. Kotak dialog untuk fungsi ini disajikan pada Lampiran 14. Berikut adalah sintaks R yang digunakan: logistik <- multinom(y ~ x1 + x2, data = Data) summary(logistik, Wald =T) Sintaks regresi bertatar yang digunakan sama dengan sintaks regresi bertatar pada analisis regresi logistik biner. 6. Regresi Kuadrat Terkecil Parsial untuk melakukan analisis regresi kuadrat terkecil parsial. Sub-submenu ini memanfaatkan paket pls. Fungsi ini digunakan ketika peubah-peubah prediktor saling berkorelasi tinggi atau ketika jumlah pengamatan lebih sedikit daripada jumlah peubah prediktor. Pengguna harus memasukkan peubah respons dan peubah prediktor terlebih dahulu. Peubah respons dapat berjumlah lebih dari satu peubah. Peubah prediktor minimal terdiri atas dua peubah. Pengguna dapat menentukan berapa jumlah komponen yang akan disertakan dalam model dengan mengetikkan jumlah komponen yang diinginkan. Selanjutnya pengguna harus memilih algoritma dan tipe validasi silang yang akan digunakan. Input data yang digunakan adalah matriks X dan matriks Y. Matriks X adalah matriks yang setiap kolomnya merupakan peubah prediktor dan berukuran (n x p). Matriks Y adalah matriks yang setiap kolomnya merupakan peubah respons dan berukuran (n x q). Hasil dari fungsi ini adalah nilai proporsi keragam an, nilai loading, nilai skor, RMSEP, R 2, MSEP, koefisien regresi, serta plot-plot regresi kuadrat terkecil parsial. Nilai skor X dari regresi kuadrat terkecil parsial tersimpan dalam dataset aktif. Plot yang dihasilkan dalam fungsi ini antara lain plot R 2, plot RMSEP, plot MSEP, plot prediksi, plot koefisien, plot skor, plot loading, biplot skor X vs loading X, biplot skor Y vs loading Y, biplot skor X vs skor Y, dan biplot loading X vs loading Y. Biplot antara skor Y vs loading Y serta skor X vs skor Y tidak dapat ditampilkan jika hanya terdapat satu komponen dalam model. Kotak dialog untuk fungsi ini disajikan pada Lampiran 15. Berikut adalah sintaks R yang digunakan (misalkan jumlah komponen = 1): rktp <- mvr(y ~ X, ncomp = 1, data = Data, scale = TRUE, method = c( oscorespls, simpls, kernelpls, widekernelpls )) Fungsi validasi silang digunakan untuk menentukan jumlah komponen yang optimum dalam model. Ada dua jenis validasi yang digunakan dalam analisis ini, yaitu validasi dengan membuang satu amatan dan validasi dengan membuang lebih dari satu amatan. Buang satu amatan: rktp <- mvr(y ~ X, ncomp = 1, data = Data, scale = TRUE, method = c( oscorespls, simpls, kernelpls, widekernelpls ), validation = LOO ) Buang lebih dari satu amatan (misalka n 10 kelompok amatan): val <- crossval(rktp, ncomp = 1, segments = 10, segment.type= c( random, consecutive, interleaved )) Terdapat tiga cara untuk membangkitkan data yang akan dibuang dalam setiap kelompok amatan yaitu acak ( random), berurutan (consecutive), dan berselangseling (interleaved). Validasi silang akan menghasilkan nilai PRESS, RMSECV, dan R 2 prediksi. Berikut adalah sintaks R yang digunakan untuk menampilkan plot -plot regresi kuadrat terkecil parsial:
7 12 Plot R 2 : plot(rktp, estimate = all, validation, val.type = R2 ) Plot RMSEP: plot(rktp, estimate = all, validation, val.type= RMSEP ) Plot MSEP: plot(rktp, estimate = all, validation, val.type = MSEP ) Plot prediksi: predplot(rktp, ncomp=rktp$ncomp) Plot koefisien: plot(rktp, plottype = coefficients, ncomp = 1:rktp$ncomp, type = l ) Plot skor: plot(rktp, plottype = scores, comps = 1: rktp$ncomp) Plot loading: plot(rktp, plottype= loadings, comps = 1: rktp$ncomp) Biplot skor X vs loading X: biplot(rktp, which = x ) Biplot skor Y vs loading Y: biplot(rktp, which = y ) Biplot skor X vs skor Y: biplot(rktp, which = scores ) Biplot loading X vs loading Y: biplot(rktp, which = loadings ) Menu Bantuan Menu bantuan digunakan untuk memberikan informasi penggunaan Pakar 2.0. Menu ini terdiri atas dua submenu yaitu: 1. Bantuan Pakar 2.0 Submenu ini berisis dokumentasi tentang pengunaan Pakar Tentang Pakar 2.0 Submenu ini berisi informasi tentang versi Pakar 2.0 dan pengembangan Pakar 2.0. Pengujian Pengujian Pakar 2.0 dimulai dari implementasi fungsi-fungsi Pakar 2.0 hingga pengujian Pakar 2.0 secara menyeluruh. Ada beberapa data yang digunakan dalam pengujian ini. Data Winearoma.MTW yang berasal dari lembar kerja Minitab digunakan untuk menguji regresi kuadrat terkecil parsial dan regresi komponen utama. Data EXH_REGR.MTW digunakan untuk menguji regresi logistik biner. Data mlogit.csv digunakan untuk menguji regresi logistik multinomial dan diunduh dari Data ologit.csv digunakan untuk menguji regresi logistik ordinal dan diunduh dari Data longley yang berasal dari dataset R digunakan untuk menguji regresi gulud. Tabel 2. Perbandingan keluaran Pakar 2.0 dengan Minitab, SAS, dan SPSS menggunakan metode blackbox Fungsi dalam Pakar 2.0 Perangkat Lunak Perbandingan Keluaran Regresi Minitab - Komponen SAS Berbeda* Utama SPSS - Minitab - Regresi Gulud SAS Berbeda SPSS - Minitab Sama Regresi SAS Sama Logistik Biner SPSS Sama Regresi Minitab Berbeda* Logistik SAS Berbeda* Ordinal SPSS Sama Regresi Minitab Sama Logistik SAS Sama Multinomial SPSS Berbeda* Minitab Sama Regresi Kuadrat SAS Berbeda* Terkecil Parsial SPSS - *) berbeda tidak signifikan akibat adanya perbedaan kategori acuan yang digunakan dan perbedaan nilai desimal hasil iterasi. Pengujian paket dilakukan dengan membandingkan keluaran Pakar 2.0 dengan keluaran dari perangkat lunak statistika lainnya yaitu Minitab, SAS, dan SPSS. Hasil perbandingan dari keempat perangkat lun ak tersebut ditampilkan pada Tabel 2. Berikut adalah penjelasan mengenai tabel perbandingan di atas: 1. Regresi Komponen Utama Data yang digunakan untuk analisis regresi komponen utama adalah data terbakukan. Matriks yang digunakan dalam analisis ini adalah matriks kovarian. Terdapat perbedaan nilai loading antara Pakar 2.0 dengan SAS, namun kisaran nilai loading yang dihasilkan sama. Nilai loading dalam analisis ini adalah vektor ciri. Oleh sebab itu, perbedaan nilai loading antara kedua perangkat lunak dikarenakan nilai vektor ciri yang tidak unik. Hasil perbandingan antara Pakar 2.0 dan SAS dapat dilihat pada Lampiran 16. Berdasarkan hasil simulasi, analisis regresi komponen utama pada Pakar 2.0 mampu menganalisis hingga 5000 peubah prediktor. 2. Regresi Gulud Perbandingan regresi gulud antara Pakar 2.0 dan SAS menunjukkan hasil yang berbeda. Hal ini disebabkan metode pendugaan koefisien regresi yang berbeda
8 13 antara kedua perangkat lunak. Hasil perbandingan regresi gulud dis ajikan pada Lampiran 17. Sedangkan perbandingan plot regresi gulud antara Pakar 2.0 dan SAS ditampilkan pada Lampiran Regresi Logistik Biner Perbandingan analisis regresi logistik biner antara Pakar 2.0, Minitab, SPSS, dan SAS menunjukkan hasil yang sama untuk beberapa kasus uji. Tabel klasifikasi keluaran dari Pakar 2.0, SPSS dan SAS menunjukkan hasil yang sama. Hasil perbandingan regresi logistik biner dengan fungsi penghubung logit ditampilkan pada Lampiran 19. Sedangkan perbandingan tabel klasifikasinya ditampilkan pada Lampiran Regresi Logistik Ordinal Perbandingan nilai koefisien regresi untuk analisis regresi ordinal antara Pakar 2.0, Minitab, SPSS, dan SAS menunjukkan hasil yang berbeda. Perbedaan tersebut terjadi pada peubah prediktor yang bernilai kategorik. Peubah pared dan public merupakan peubah kategorik dengan nilai 0 dan 1. Pakar 2.0 dan SPSS menggunakan 1 sebagai kategori acuan, sedangkan Minitab dan SAS menggunakan 0 sebagai kategori acuan, oleh sebab itu tanda koefisiennya menjadi berbeda. Nilai koefisien antara Pakar 2.0, Minitab, dan SAS berbeda dengan SPSS. Hal ini disebabkan oleh proses iterasi pada metode kemungkinan maksimum yang berbeda. Nilai rasio odds hasil keluaran Pakar 2.0 berbeda dengan Minitab dan SAS disebabkan oleh perbedaan tanda pada koefisien regresi. Hasil perbandingan regresi logistik ordinal dapat dilihat pada Lampiran Regresi Logistik Multinomial Perbandingan analisis regresi multinomial antara Pakar 2.0, Minitab, SPSS, dan SAS menunjukkan hasil yang sama untuk beberapa kasus uji. Namun nilai dugaan koefisien SPSS sedikit berbeda dibandingkan hasil keluaran dari perangkat lunak lainnya. Hal ini disebabkan karena SPSS menggunakan kategori acuan dan proses iterasi pada metode kemungkinan maksimum yang berbeda dengan ketiga perangkat lunak lainnya. Hasil perbandingan regresi logistik multinomial dapat dilihat pada Lampiran Regresi Kuadrat Terkecil Parsial Hasil perbandingan menggunakan algoritma NIPALS menunjukkan bahwa nilai loading keluaran Pakar 2.0 dan Minitab sama, tetapi berbeda dengan SAS. Hal ini dikarenakan proses iterasi yang berbeda pada setiap perangkat lunak. Tabel hasil perbandingan antara Pakar 2.0, Minitab dan SAS dapat dilihat pada Lampiran 23. Berdasarkan hasil simula si, analisis regresi kuadrat terkecil parsial pada Pakar 2.0 mampu menganalisis hingga 5000 peubah prediktor. Batasan dan Pemasangan Sistem Sistem ini mempunyai batasan-batasan tertentu yaitu: 1. Analisis regresi gulud hanya menghasilkan nilai koefisien regresi gulud dan plotnya, tidak menghasilkan nilai RMSE. 2. Analisis regresi logistik belum mampu melakukan pengaturan terhadap kategori acuan yang digunakan. 3. Plot regresi komponen utama dan plot regresi kuadrat terkecil parsial yang mampu ditampilkan dalam satu jendela grafik maksimum berjumlah sembilan plot. 4. Analisis regresi komponen utama dan analisis regresi kuadrat terkecil parsial belum menghasilkan nilai prediksi. 5. Ekspor dataset aktif pada Pakar 2.0 masih terbatas pada file SPSS dan Ms. Excel Pemasangan Pakar 2.0 diawali dengan pemasangan program R dan paket R lain yang dibutuhkan. Setelah itu, pasang paket Pakar 2.0 melalui menu Packages > Install package(s) from local zip file. Untuk memuat Pakar 2.0 ketikkan pada R console sebagai berikut: library(pakar2) Pakar2() KESIMPULAN DAN SARAN Kesimpulan Penelitian ini telah berhasil menyusun paket R dengan antarmuka user friendly sebagai pengembangan dari paket analisis regresi (Pakar) yang telah ada sebelumnya. Paket ini diberi nama Pakar 2.0. Fungsi -fungsi statistika dalam Pakar 2.0 mencakup fungsi kovarian, korelasi, uji kenomalan, plot pengepasan garis, analisis regresi linier, prosedur pemilihan model regresi terbaik, analisis regresi kuadrat terkecil parsial, analisis regresi logisitik (biner, ordinal, dan multinomial), analisis regresi komponen utama, dan analisis regresi gulud. Pakar 2.0 terdiri atas lima menu utama, yaitu Menu File,
PENYUSUNAN PAKET R UNTUK PENGEMBANGAN PAKAR (PAKET ANALISIS REGRESI) KAMELIA
PENYUSUNAN PAKET R UNTUK PENGEMBANGAN PAKAR (PAKET ANALISIS REGRESI) KAMELIA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciLampiran 2. Diagram aliran data level 2 proses 2 (Manajemen Data)
L A M P I R A N 15 16 Lampiran 1. Diagram aliran data level 2 proses 1 (Input Data) Lampiran 2. Diagram aliran data level 2 proses 2 (Manajemen Data) Lampiran 3. Diagram aliran data level 2 proses 10 (Simpan
Lebih terperinciHASIL DAN PEMBAHASAN Kebutuhan Sistem
5 dan identifikasi kebutuhan perancangan sistem Implementasi dan Pengujian Unit Integrasi dan pengujian sistem Operasi dan pemeliharaan Gambar 1 Tahapan pengembangan paket AMV 2.0. serta dilakukan pengujian
Lebih terperincipemisahan perlakuan tidak terlalu (Mattjik & Sumertajaya 2002). Hipotesis yang diuji adalah:
6 pemisahan perlakuan tidak terlalu Hipotesis yang diuji adalah: H0 : μ = μ H1 : μ μ Nilai kritis BNT: ketat 1 1 BNT=t α/2,dbg KTG( + * ) ri ri 2. Uji Tukey (Beda Nyata Jujur (BNJ)) Prosedur perbandingan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. mahasiswa lulusan yang berasal dari School of Computer Science BINUS. datanya adalah seperti yang tertera pada Tabel 4.1.
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Analisis Data dan Pembahasan Jumlah keseluruhan data yang peneliti peroleh adalah sebanyak 718 data mahasiswa lulusan yang berasal dari School of Computer Science BINUS
Lebih terperinciRINGKASAN. Kata kunci: paket AMV, paket AMV 2.0, analisis peubah ganda
RINGKASAN DEFRI RAMADHAN ISMANA. Penyusunan Paket R untuk Pengembangan Paket Analisis Multivariat (AMV). Dibimbing oleh AGUS M. SOLEH dan UTAMI DYAH SYAFITRI. Pengembangan paket R untuk analisis statistika
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciRMSE = dimana : y = nilai observasi ke-i V PEMBAHASAN. = Jenis kelamin responden (GENDER) X. = Pendidikan responden (EDU) X
pembilang persamaan (3) adalah rataan jumlah kuadrat galat, N jumlah pengamatan dan M jumlah himpunan bagian. Penyebutnya merupakan fungsi nilai kompleks, dengan C(M) adalah nilai kompleksitas model yang
Lebih terperinciUji statistik multivariat digunakan untuk menguji
132 PEMANFAATAN SPSS DALAM PENELITIAN BIDANG KESEHATAN & UMUM PEMANFAATAN SPSS DALAM PENELITIAN BIDANG KESEHATAN & UMUM 133 BAB 6 ANALISIS MULTIVARIAT Uji statistik multivariat digunakan untuk menguji
Lebih terperinciPEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R
PEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R Margaretha Ohyver Mathematics & Statistics Department, School of Computer Science, Binus University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta
Lebih terperinciResume Regresi Linear dan Korelasi
Rendy Dwi Ardiansyah Putra 7410040018 / 2 D4 IT A Statistika Resume Regresi Linear dan Korelasi 1. Regresi Linear Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan
Lebih terperinciPENGEMBANGAN PAKET R ANALISIS REGRESI LINIER DENGAN ANTARMUKA USER FRIENDLY BAGI PRAKTISI MELISA
PENGEMBANGAN PAKET R ANALISIS REGRESI LINIER DENGAN ANTARMUKA USER FRIENDLY BAGI PRAKTISI MELISA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 009 RINGKASAN
Lebih terperinciPENYUSUNAN PAKET R UNTUK PENYEMPURNAAN PAKET ARP (DESAIN DAN ANALISIS RANCANGAN PERCOBAAN)
i PENYUSUNAN PAKET R UNTUK PENYEMPURNAAN PAKET ARP (DESAIN DAN ANALISIS RANCANGAN PERCOBAAN) M. MUFTI MUBARAK DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
Lebih terperinciREGRESI LOGISTIK (LOGISTIC REGRESSION)
REGRESI LOGISTIK (LOGISTIC REGRESSION) REGRESI LOGISTIK Adalah regresi parametrik yang digunakan untuk Y berskala kategorik dan X berskala bebas. Biner Y berskala nominal dengan 2 kategori Regresi Logistik
Lebih terperinciBAB 3 PERANCANGAN PROGRAM APLIKASI
BAB 3 PERANCANGAN PROGRAM APLIKASI 3.1 Perencanaan 3.1.1 Sejarah Umum Perusahaan CV Madrhos merupakan salah satu perusahaan yang bergerak di bidang kosmetik, khususnya memproduksi bedak dengan merk Trisna
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciRegresi Logistik Nominal dengan Fungsi Hubung CLOGLOG
Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG Julio Adisantoso, G16109011/STK 11 Mei 2010 Ringkasan Regresi logistik merupakan suatu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan
Lebih terperinciBAB 3 PENGOLAHAN DATA
BAB 3 PENGOLAHAN DATA 3.1 Menentukan Model Persamaan Regresi Linier Berganda Data yang dikumpulkan dalam penelitian ini adalah jumlah kecelakaan lalu lintas dan faktor-faktor yang mempengaruhinya yaitu
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Rancangan 4.1.1 Spesifikasi Perangkat Lunak Spesifikasi perangkat lunak yang digunakan pada saat implementasi program aplikasi adalah : 1. Sistem Operasi
Lebih terperinciBAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat
BAB II LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian
Lebih terperinciR Commander - Rcmdr. A. Instalasi & Menu dalam Rcmdr 1. Instalasi
+ R Commander - Rcmdr Seperti kita telah pelajari dan lihat sebelumnya, R adalah perangkat lunak statistik berbasiskan perintah (command driven), yang sepertinya dapat memberi kesulitan bagi pengguna pemula
Lebih terperinciMINITAB. Perbandingan kelebihan dan kelemahan program aplikasi statistik Minitab SPSS SAS Eviews. Analisis statistik dalam
MINITAB Minitab adalah salah satu aplikasi yang digunakan untuk mengolah data statistik. Selain minitab aplikasi lainnya yang digunakan dalam mengolah data statistik adalah: SPSS. SAS. StatGraph. Eviews.
Lebih terperinciMENGUBAH DATA ORDINAL KE DATA INTERVAL DENGAN METODE SUKSESIF INTERVAL (MSI) Oleh: Jonathan Sarwono
MENGUBAH DATA ORDINAL KE DATA INTERVAL DENGAN METODE SUKSESIF INTERVAL (MSI) Oleh: Jonathan Sarwono Cara Penghitungan MSI Apa yang dimaksud dengan metode suksesif interval (Method of Successive Interval
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN APLIKASI 3.1 ANALISIS
29 BAB III ANALISIS DAN PERANCANGAN APLIKASI 3.1 ANALISIS Dengan menggunakan Visual Basic 6.0 aplikasi perangkat ajar pengelolaan dan perhitungan ekspresi matematika yang akan dibangun dalam penelitian
Lebih terperinciBAB 3 METODE PENELITIAN
1 BAB 3 METODE PENELITIAN 3.1 Sumber Data Sumber data yang digunakan adalah data hasil survei demografi dan kesehatan Indonesia (SDKI) tahun 2007. SDKI merupakan survei yang dilaksanakan oleh badan pusat
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciDATA DAN METODE Sumber Data
14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan
Lebih terperinciPengenalan SPSS 15.0
Pengenalan SPSS 15.0 1.1 Pengantar SPSS SPSS atau kepanjangan dari Statistical Product and Service Solution merupakan salah satu dari sekian banyak software statistika yang banyak digunakan oleh berbagai
Lebih terperinciKORELASI. Alat hitung koefisien korelasi Pearson (data kuantitatif dan berskala rasio) Kendall, Spearman (data kualitatif dan berskala ordinal)
KORELASI Pada SPSS korelasi ada pada menu Correlate dengan submenu: 1. BIVARIATE Besar hubungan antara dua (bi) variabel. a. Koefisien korelasi bivariate/product moment Pearson Mengukur keeratan hubungan
Lebih terperinci- Setelah aplikasi terbuka, klik kanan kemudian pilih run
- Buka aplikasi netbeans 7.0.1 - Pilih file open CARA MENJALANKAN PROGRAM - Pilih lokasi aplikasi berada - Setelah aplikasi terbuka, klik kanan kemudian pilih run Akan muncul halaman login seperti berikut:
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Spesifikasi Rancangan Pada sub bab spesifikasi rancangan ini akan dibahas mengenai spesifikasi perangkat lunak dan spesifikasi perangkat keras. 4.1.1 Spesifikasi Perangkat
Lebih terperinci03ILMU. Microsoft Word Mata Kuliah: Aplikasi Komputer. Sabar Rudiarto, S.Kom., M.Kom. KOMPUTER. Modul ke: Fakultas
Modul ke: Microsoft Word 2007 Mata Kuliah: Aplikasi Komputer Fakultas 03ILMU KOMPUTER Sabar Rudiarto, S.Kom., M.Kom. Program Studi Teknik Informatika Materi Yang Akan Disampaikan Pendahuluan Membuat Dokumen
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
Lebih terperinciSTK 211 Metode statistika. Agus Mohamad Soleh
STK 211 Metode statistika Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan dan diringkas? --> PEUBAH Univariate vs Bivariate vs Multivariate
Lebih terperinci10 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK35) 0 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Tabel Kontingensi Struktur peluang tabel kontingensi Perbandingan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. Pada bab ini akan dijelaskan mengenai kebutuhan sistem, implementasi dan
BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dijelaskan mengenai kebutuhan sistem, implementasi dan evaluasi simulasi pelayanan retoran cepat saji dengan menggunakan metode next event time advance.
Lebih terperinciSTATISTIKA UNIPA SURABAYA PEMODELAN REGRESI LINIER DENGAN SOFTWARE R
PEMODELAN REGRESI LINIER DENGAN SOFTWARE R Regresi linier adalah suatu metode analisis untuk mengetahui hubungan fungsional antar variabel. Regresi linier dibedakan menjadi dua, yaitu regresi linier sederhana
Lebih terperinciA. Menggunakan MS.EXCEL Tujuan Siswa dapat denggunakan perangkat lunak pengolah angka (Ms.Excel)
A. Menggunakan MS.EXCEL Tujuan Siswa dapat denggunakan perangkat lunak pengolah angka (Ms.Excel) Indikator Mengenal menu-menu di MS.Excel Membuat dan mengolah tabel di MS.Excel Menggunakan rumus-rumsu
Lebih terperinciBab 2 Entri dan Modifikasi Sel
Bab 2 Entri dan Modifikasi Sel Pada Bab ini anda akan mempelajari cara: Memasukkan teks dan angka pada spreadsheet secara manual Menyimpan file spreadsheet Menggunakan fasilitas cepat Fill Series Memotong,
Lebih terperinciRegresi dengan Microsoft Office Excel
Regresi dengan Microsoft Office Excel Author: Junaidi Junaidi 1. Pengantar Dalam statistik, regresi merupakan salah satu peralatan yang populer digunakan, baik pada ilmu-ilmu sosial maupun ilmu-ilmu eksak.
Lebih terperinciMAKALAH REGRESI LOGISTIK DAN REGRESI DENGAN VARIABLE DUMMY
MAKALAH REGRESI LOGISTIK DAN REGRESI DENGAN VARIABLE DUMMY KELOMPOK : Karlina Siti Faresha 135020200111071 Rezky Ridhowati 135020200111074 Pahriyatul Ummah 135020201111002 JURUSAN MANAJEMEN FAKULTAS EKONOMI
Lebih terperinciPengantar Pengolahan Data Statistik Menggunakan SPSS 22. Isram Rasal ST, MMSI, MSc
Pengantar Pengolahan Data Statistik Menggunakan SPSS 22 Isram Rasal ST, MMSI, MSc Statistika Statistika Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi,
Lebih terperinciStatistika Deskriptif
Statistika Deskriptif Materi 2 - STK511 AnalisisStatistika September 26, 2017 Sep, 2017 1 Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan
Lebih terperinciMetode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas
Vol. 14, No. 1, 93-99, Juli 2017 Metode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas Nurhasanah Abstrak Regresi berganda dengan peubah bebas saling berkorelasi (multikolinearitas)
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Karakteristik Siswa Gambar 1 memperlihatkan Karakteristik siswa SMA Negeri Ulu Siau berdasarkan jurusan. Berdasarkan Gambar 1 umumya siswa lebih memilih jurusan IPA daripada jurusan
Lebih terperinciBAB 3 RANCANGAN PROGRAM APLIKASI
36 BAB 3 RANCANGAN PROGRAM APLIKASI 3.1 Struktur Menu Pertama-tama, pada program ini, terdapat 2 buah tombol utama, yaitu tombol Kuantitatif, dan tombol Kualitatif. Berikut, digambarkan struktur masingmasing
Lebih terperinciEntri dan Modifikasi Sel
BAB Entri dan Modifikasi Sel 6 Pada Bab ini anda akan mempelajari cara: Memasukkan teks dan angka pada spreadsheet secara manual Menyimpan file spreadsheet Menggunakan fasilitas cepat Fill Series Memotong,
Lebih terperinciMODUL 3 ANALISIS FAKTOR
TUJUAN PRAKTIKUM Tujuan dari praktikum modul 3 ini adalah : 1. Mahasiswa memahami apa yang dilakukan dalam proses Analisis Faktor; 2. Mahasiswa dapat menjalankan prosedur Analisis Faktor dalam SPSS; 3.
Lebih terperinciBAB 11 ANALISIS REGRESI LINIER BERGANDA
BAB 11 ANALISIS REGRESI LINIER BERGANDA Selain regresi linier sederhana, metode regresi yang juga banyak digunakan adalah regresi linier berganda. Regresi linier berganda digunakan untuk penelitian yang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, akan diuraikan beberapa teori penunjang antara lain: Kredit Macet, Regresi Logistik, Model Terbaik
Lebih terperinciDistribusi Frekuensi dan Statistik Deskriptif Lainnya
BAB 2 Distribusi Frekuensi dan Statistik Deskriptif Lainnya Misalnya seorang penjaga gudang mencatat berapa sak gandum keluar dari gudang selama 15 hari kerja, maka diperoleh distribusi data seperti berikut.
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Lokasi penelitian dilakukan di enam kelurahan di Kota Depok, yaitu Kelurahan Pondok Petir, Kelurahan Curug, Kelurahan Tapos, Kelurahan Beji, Kelurahan
Lebih terperincidi masa yang akan datang dilihat dari aspek demografi dan kepuasannya. PENDAHULUAN
1 PENDAHULUAN Latar Belakang Saat ini ada dua teknologi yang diusung oleh perusahaan-perusahaan telekomunikasi Indonesia yaitu teknologi Global System for Mobile communication (GSM) dan teknologi Code
Lebih terperinciMinimum Variance Unbiased Estimator (MVUE) K-Fold Cross Validation
6 Individu kemudian diseleksi dengan metode Roulette Wheel, dengan peluang suatu individu untuk terpilih dinyatakan dengan persamaan sebagai berikut: 4. Pindah silang (cross-over) Metode pindah silang
Lebih terperinciHASIL DAN PEMBAHASAN. Statistika grafik meliputi Histogram Boxplot Diagram batang Diagram kue
5. Operasi dan pemeliharaan Tahap ini merupakan tahap akhir dari keseluruhan proses pembangunan sistem suatu perangkat lunak. Perangkat lunak yang telah selesai dalam pembuatannya kemudian mulai dijalankan
Lebih terperinciAnalisis Korelasi dan Regresi Sederhana
Analisis Korelasi dan Regresi Sederhana Pada minggu ini akan dipelajari : Menghitung Korelasi Melakukan Analisis Regresi Sederhana Pemeriksaan Asumsi dalam Analisis Regresi Untuk melakukan kegiatan pada
Lebih terperinciBAB III METODE PENELITIAN. Agar suatu penelitian dapat dipertanggungjawabkan kebenarannya, maka
BAB III METODE PENELITIAN 3.1 Desain Penelitian Agar suatu penelitian dapat dipertanggungjawabkan kebenarannya, maka terlebih dahulu harus menemukan metode penelitian yang tepat, untuk memperoleh data
Lebih terperinciContact : Blog : suyatno.blog.undip.ac.id
Uji Asosiasi (Hubungan) Ir. Suyatno, M.Kes. Contact : 08122815730 E-mail : suyatno_undip@yahoo.com Blog : suyatno.blog.undip.ac.id Program S2 Gizi Paccasarjana UNDIP Semarang 2009 Jenis Uji Asosiasi 1.
Lebih terperinciAnalisis Regresi 2. Multikolinier & penanganannya
Analisis Regresi 2 Pokok Bahasan : Multikolinier & penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasiswa dapat menjelaskan adanya multikolinieritas pada regresi linier berganda serta prosedur penanganannya
Lebih terperinciSISTEM VERIFIKASI DAN VALIDASI (VERVAL) PROSES PEMBELAJARAN
SISTEM VERIFIKASI DAN VALIDASI (VERVAL) PROSES PEMBELAJARAN Sistem "Verifikasi dan Validasi Data Proses Pembelajaran" dimaksudkan untuk memastikan konsistensi proses belajar mengajar (PBM) dengan acuan
Lebih terperinciOthers Institution Credit Job Code
4. Residence status (status kepemilikan rumah) yang dinotasikan dengan RS. Peubah ini dibagi menjadi enam kelompok. 5. Job code (kode pekerjaan) yang dinotasikan dengan JC. Peubah ini dibagi menjadi lima
Lebih terperinciPANDUAN MELAKUKAN PENGINPUTAN DATA USULAN ANGGOTA DPRD (RESES) APLIKASI SIMRENBANGDA KABUPATEN BANJARNEGARA
PANDUAN MELAKUKAN PENGINPUTAN DATA USULAN ANGGOTA DPRD (RESES) KABUPATEN BANJARNEGARA Untuk melakukan pengentrian data usulan anggota DPRD terlebih dahulu harus masuk ke dalam aplikasi. Untuk masuk ke
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1 Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemenelemen yang disusun secara teratur menurut baris dan kolom berbentuk
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciGambar 1. Jendela Ms. Access Pilihan: New : menu untuk membuat file basis data baru. Recent : menu untuk membuka file basis data yang sudah ada.
Mata Pelajaran : Keterampilan Komputer dan Pengelolaan Informasi Standar Kompetensi : Microsoft Office Access Kompetensi Dasar : Mengoperasikan Software Aplikasi Basis Data Kelas : XI Pertemuan 2 A. Menjalankan
Lebih terperinciPBSTAT 1.0. Petunjuk Penggunaan. Software Statistik untuk Pemuliaan Tanaman Partisipatif. PBSTAT 1.0 Team
PBSTAT 1.0 Software Statistik untuk Pemuliaan Tanaman Partisipatif Petunjuk Penggunaan PBSTAT 1.0 Team Willy Bayuardi Suwarno, SP, MSi. Sobir, PhD. Hajrial Aswidinnoor, PhD. Dr. Muhamad Syukur Daftar Isi
Lebih terperinciCara menjalankan program
Cara menjalankan program - Tempatkan aplikasi web di C -> appserv -> www - Kemudian buka browser, panggil dengan cara ketikkan localhost/topsis.ok (nama folder aplikasi web) - Akan muncul tampilan : SEBAGAI
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinci-eq/(ha.tahun). Keluaran matriks emisi untuk tab unit perencanaan dapat dilihat pada gambar di bawah ini.
Keluaran Matriks Emisi Keluaran dari matriks emisi adalah total hasil perhitungan matriks yang terbagi atas tab unit perencanaan, emisi bersih, emisi total, dan sekuestrasi total dengan satuan unit ton
Lebih terperinciBAB III METODE PENELITIAN
17 BAB III METODE PENELITIAN 3.1.Waktu dan Tempat Penelitian ini dilaksanakan pada bulan februari 2009-Juni 2009 di beberapa wilayah terutama Jakarta, Depok dan Bogor untuk pengambilan sampel responden
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Analisis Jalur Analisis jalur dalam penelitian ini digunakan dalam meneliti interaksi pengaruh secara langsung dan secara tidak langsung data bahan baku (X 1 ), data promosi
Lebih terperinci3.2.3 Resiko, Keuntungan dan Kerugian Forex Metode Prediksi dalam Forex MetaTrader 4 sebagai Platform Trading dalam Forex...
DAFTAR ISI HALAMAN PENGESAHAN... iii PERNYATAAN... iv HALAMAN MOTTO DAN PERSEMBAHAN... v PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR LAMPIRAN...
Lebih terperinciMODUL PPN: MICROSOFT EXCEL
MODUL PPN: MICROSOFT EXCEL Tentang Microsoft Office Microsoft Excel adalah salah satu bagian dari paket Microsoft Office, yaitu sekumpulan perangkat lunak untuk keperluan perkantoran secara umum. Berikut
Lebih terperinciDAFTAR ISI. Panduan Penggunaan Pengadaan Software Dan Aplikasi E-Planning (User SKPD)
DAFTAR ISI A.- Persyaratan Penggunaan Aplikasi E Planning --------------------------------------------------.----Kebutuhan Sistem ------------------------------------------------------------------------------------
Lebih terperinciMengelola Bagian. Website Sekolah. Mengelola bagian utama Website Sekolah dibagi menjadi 3
Bab II: Mengelola Bagian Website Sekolah Utama Mengelola bagian utama Website Sekolah dibagi menjadi 3 kategori pokok, yakni: Mengelola Admin Merubah Disain Banner Atas Melengkapi Profil Sekolah A. Mengelola
Lebih terperinciBAB I. REGRESI LINIER BERGANDA
BAB I. REGRESI LINIER BERGANDA Membuka program SPSS kemudian memilih tab sheet Variable View. Melakukan input variabel yang akan diteliti pada sheet Variable View. Input dilakukan dengan memperhatikan
Lebih terperinciPerbandingan Analisis Diskriminan dan Analisis Regresi Logistik Ordinal dalam Prediksi Klasifikasi Kondisi Kesehatan Bank
Perbandingan Analisis Diskriminan dan Analisis Regresi Logistik Ordinal dalam Prediksi Klasifikasi Kondisi Kesehatan Bank Fajri Zufa Alumni Program Studi Statistika, FMIPA, Universitas Bengkulu e-mail
Lebih terperinciPengolahan Data dengan Regresi Linier Berganda (dengan SPSS )
Pengolahan Data dengan Regresi Linier Berganda (dengan SPSS ) Muhammad Iqbal, S.Si., M.Si. Regresi Linier Berganda yang akan disimulasikan pada bagian ini menggunakan pendekatan Ordinary Least Squares
Lebih terperinciBAB III LANDASAN TEORI. A. Regresi
BAB III LANDASAN TEORI A. Regresi 1. Pengertian Regresi Regeresi adalah alat yang berfungsi untuk membantu memperkirakan nilai suatu varibel yang tidak diketahui dari satu atau beberapa variabel yang tidak
Lebih terperinciHASIL DAN PEMBAHASAN
Konsentrasi lemak ikan (%) Kandungan zat aktif (absorban) HASIL DAN PEMBAHASAN Deskripsi Data Berdasarkan data yang digunakan dalam penelitian ini, akan dilakukan pengidentifikasian multikolinieritas.
Lebih terperinciMODUL 2 UJI DATA NORMALITAS, HOMOSEDASTISITAS, & LINIERITAS
TUJUAN PRAKTIKUM Tujuan dari praktikum modul 2 ini adalah : 1. Mahasiswa mampu menilai kualitas data yang hendak digunakan dalam penelitian; 2. Mahasiswa mampu menelaah apakah data yang dimiliki memenuhi
Lebih terperinciPENGENALAN SPSS & PEMBUATAN FILE DATA
Materi I PENGENALAN SPSS & PEMBUATAN FILE DATA STMIK KAPUTAMA BINJAI W A H Y U S. I. S O E P A R N O, S E., M. S I SPSS merupakan software pengolah data statistik dengan cara penggunaan yang mudah dipahami.
Lebih terperinciModel Regresi Binary Logit (Aplikasi Model dengan Program SPSS)
Model Regresi Binary Logit (Aplikasi Model dengan Program SPSS) Author: Junaidi Junaidi 1. Pengantar Salah satu persyaratan dalam mengestimasi persamaan regresi dengan metode OLS (Ordinary Least Square)
Lebih terperinciBAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.
Lebih terperinciTampilan Perangkat PC, Laptop, Netbook, Tablet
I. APLIKASI SIM PERENCANAAN Aplikasi SIM Perencanaan Pembangunan Daerah ini merupakan langkah lanjutan aplikasi yang berjalan menggunakan web browser dan tidak perlu mengintalnya terlebih dahulu, sehingga
Lebih terperinci6. PENGGUNAAN REGRESI SPLINES ADAPTIF BERGANDA UNTUK STATISTICAL DOWNSCALING LUARAN GCM
6. PENGGUNAAN REGRESI SPLINES ADAPTIF BERGANDA UNTUK STATISTICAL DOWNSCALING LUARAN GCM 6.1 Pendahuluan Model regresi SD dinyatakan y = f(x) ε dimana y adalah peubah respon (curah hujan observasi, beresolusi
Lebih terperinciBUKU PANDUAN UNTUK PENGGUNA
BUKU PANDUAN UNTUK PENGGUNA WEB-BASE SISTEM PELAPORAN ON LINE PENGENDALIAN KEBAKARAN HUTAN DAN LAHAN DI AREAL KONSESI MITRA Buku Panduan untuk Pengguna - Web-Base Sistem Pelaporan On Line Pengendalian
Lebih terperinciDalam bab ini akan dijelaskan tatacara penggunaan R, dimulai dari mendapatkan source-nya, instalasi dan penggunaan serta pengenalan menu-menu.
BAB III Memulai R Dalam bab ini akan dijelaskan tatacara penggunaan R, dimulai dari mendapatkan source-nya, instalasi dan penggunaan serta pengenalan menu-menu. III.1. Mendapatkan Program (source) R Program
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciIII. METODOLOGI PENELITIAN. penelitian ini, penulis menggunakan dua sumber data, yaitu :
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Salah satu yang mempengaruhi kualitas penelitian adalah kualitas data yang dikumpulkan. Pengumpulan data dapat dilakukan dengan berbagai cara. Dalam
Lebih terperinciBAB II. REGRESI LINIER BERGANDA DENGAN VARIABEL DUMMY
BAB II. REGRESI LINIER BERGANDA DENGAN VARIABEL DUMMY Membuka program SPSS kemudian memilih tab sheet Variable View. Melakukan input variabel yang akan diteliti pada sheet Variable View. Input dilakukan
Lebih terperinciAplikasi Komputer. Microsoft Office 2010 Microsoft Office Word 2010 Part 1. Miftahul Fikri, M.Si. Modul ke: Fakultas Ekonomi dan Bisnis
Modul ke: Microsoft Office 2010 Microsoft Office Word 2010 Part 1 Fakultas Ekonomi dan Bisnis Miftahul Fikri, M.Si Program Studi Manajemen www.mercubuana.ac.id Microsoft Office adalah perangkat lunak paket
Lebih terperinciTABEL 3 DATA PENELITIAN
Analisis Regresi Linier Bentuk LN (Logaritma Natural) Pengubahan data ke bentuk LN dimaksudkan untuk meniadakan atau meminimalkan adanya pelanggaran asumsi normalitas dan asumsi klasik regresi. Jika data-data
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. rangka memenuhi kebutuhan pengguna agar permasalahan yang ada dapat
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Kebutuhan Sistem Sistem yang telah dibuat sebelumnya telah di analisa dan di rancang dalam rangka memenuhi kebutuhan pengguna agar permasalahan yang ada dapat terselesaikan
Lebih terperinciBAB III METODE PENELITIAN. A. Model Pengembangan
30 BAB III METODE PENELITIAN A. Model Pengembangan Penelitian yang dilaksanakan termasuk ke dalam jenis penelitian dan pengembangan atau Research and Development (R & D). Model pengembangan yang digunakan
Lebih terperinciGeneralized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017
Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic
Lebih terperinciMETODE REGRESI KOMPONEN UTAMA, REGRESI KUADRAT TERKECIL PARSIAL, DAN LASSO PADA DATA KEMISKINAN HASIL OLAHAN SUSENAS 2012 NURHAYATI
METODE REGRESI KOMPONEN UTAMA, REGRESI KUADRAT TERKECIL PARSIAL, DAN LASSO PADA DATA KEMISKINAN HASIL OLAHAN SUSENAS 2012 NURHAYATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciDAFTAR ISI. Panduan Penggunaan Pengadaan Software Dan Aplikasi E-Planning (User Kecamatan)
DAFTAR ISI A.- Persyaratan Penggunaan Aplikasi E-Planning ---------------------------------------------------- 1 1.----Kebutuhan Sistem ------------------------------------------------------------------------------------
Lebih terperinci