Model Geographically Weighted Poisson Regression Studi Kasus : Jumlah Kematian Bayi di Jawa Timur & Jawa Tengah Tahun 2007 ABSTRAK

Ukuran: px
Mulai penontonan dengan halaman:

Download "Model Geographically Weighted Poisson Regression Studi Kasus : Jumlah Kematian Bayi di Jawa Timur & Jawa Tengah Tahun 2007 ABSTRAK"

Transkripsi

1 Model Geographcall Weghted Posso Regresso Std Kass : Jlah Keata Ba d Jaa r & Jaa egah ah 7 Salo Note Alele Prhad Mahassa Magster Jrsa Statsta IS Dose Jrsa Statsta IS eal : oce_cacer@ahoo.co Prhad@statsta.ts.ac.d ABSRAK Aalss regres erpaa aalss statst ag berta t eodela hbga atara arabel respo dega arabel predtor. Apabla arabel respo berdstrbs Posso aa odel regres ag dgaa adalah regres Posso. Masalah taa dar etode adalah a etode dterapa pada data spatal. Ut egatas perasalaha pada data spatal aa etode statst ag aa dgaa adalah Geographcall Weghted Posso Regresso GWPR at bet loal dar regres Posso daa loas dperhata. Hasl peelta ea baha peasra paraeter odel GWPR eggaa etode MLE da dselesaa dega eggaa teras Neto-Raphso. Pega esaaa odel regres Posso da GWPR ddeat dega dstrbs F sedaga pega paraeter odel secara parsal eggaa dstrbs t. Aplas odel GWPR pada data lah eata ba d Jaa r da Jaa egah ea baha dega eggaa pebobot ag berbeda aa arabel-arabel ag berpegarh terhadap lah eata ba tap Kab/Kota d Jaa r da Jaa egah ga berbeda. Berdasara la AIC atara odel regres Posso da odel GWPR detah baha odel GWPR dega pebobot fgs erel bsqare erpaa odel ag lebh ba dgaa t egaalss lah eata ba d Props Jaa r da Jaa egah tah 7 area el la AIC ag terecl. Kata Kc : Keata Ba Geographcall Weghted Posso Regresso Ma Lelhood Estator Fgs Kerel Gass Fgs Kerel Bsqare. PENDAHULUAN Mlle Deelopet Goals MDGs adalah sebah ote bersaa asaraat terasoal t epercepat pebaga asa da pegetasa esa. Salah sat ta MDGs at era Aga Keata Balta sebesar da pertga dar tah 99 sapa dega tah 5. Idator aga eata balta ag palg patg adalah aga eata ba. Negara Idoesa ash hars berag eras t eperba dator pebaga esehata hssa aga eata ba area tre aga eata ba selaa beberapa tah terahr bel er. Berdasara preds dar t BPS-UNDP-Bappeas 5 pera aga eata ba tda berlagsg cepat tetap tr perlaha secara espoesal. Berdasara pola dperraa d tah 5 aga eata ba d Idoesa ecapa eata ba tap elahra. Aga bel eeh target dar MDGs at sebesar 7 eata ba tap elahra. Ut t peertah hars berpaa eras elal berbaga progra t eea aga eata ba. Geographcall Weghted Posso Regresso GWPR adalah bet loal dar regres posso daa loas dperhata ag berass baha data berdstrbs Posso. Naaa d eggaa odel GWPR t sat hpa data peeraa dega sa eata d oo. Hasl ag dperoleh ea baha ada aras ag sgfa dala hbga era da sa eata. Hasl peelta ea baha odel GWPR lebh ba dgaa darpada Geeralzed Lear Model ag oesoal. Hasl peelta d atas bel eaa peasra paraeter da statst odel GWPR secara terperc da haa eggaa sat pebobot sehgga tda bsa dspla pebobot aa ag lebh ba dgaa. Model GWPR aa dterapa t peodela lah eata ba d Pros Jaa r da Jaa egah tah 7 dega eggaa pebobot fgs erel gass ap fgs erel bsqare.

2 . INJAUAN PUSAKA. Model Regres Posso Regres Posso erpaa sat bet aalss regres ag dgaa t eodela data ag berbet cot lah sala data tersebt dlabaga dega Y at baaa eada ag terad dala sat perode at da/ata laah tertet. Regres Posso egassa baha arabel rado Y berdstrbs Posso. Sat arabel rado Y ddefsa epa dstrbs Posso a destas fgs pelaga dbera sebaga bert Mood Grabll & Boes 97: e... fy fy ;! laa Dega paraeter >. Persaaa d atas dsebt ga sebaga fgs pelag Posso. Model regres Posso dapat dtls sebaga bert: log... ep. dega Peasra paraeter regres Posso dlaa dega eggaa etode Ma Lelhood Estato MLE eda dselesaa dega etode teras er at Neto- Raphso. Pega paraeter odel regres Posso eggaa etode Ma Lelhood Rato est MLR.. Model Geographcall Weghted Regresso GWR Model GWR erpaa pegebaga dar odel regres global daa de dasara dabl dar regres o parater Me 5. Model erpaa odel reges ler bersfat loal locall ler regresso ag eghasla peasr paraeter odel ag bersfat loal t setap tt ata loas daa data tersebt dpla. Model GWR dapat dtls sebaga bert : dega : ε 3 : Nla obseras arabel respo e- : Meataa tt oordat logtde lattde loas e- : Koefse regres ;...p : Nla obseras arabel predtor pada pegaata e- p ε : Error e- Estas paraeter odel GWR eggaa etode Weghted Least Sqares WLS at dega ebera pebobot ag berbeda t setap loas daa data tersebt dpla. Sehgga peasr paraeter odel 3 t setap loasa adalah : X W X X W.3 Keata Ba Keata ba adalah sat eata ag dala aa sebel acapa sa sat tah. Aga eata ba AKB adalah besara ega ba eggal sebel ecapa sa sat tah dataa dala perserb elahra hdp. Keata ba sagat dpegarh oleh ods esehata peraha da eadaa sosal eoo orag ta BPS 9. Fator sosal eoo da bdaa erpaa fator peet orbdtas da eata ba a pegarh bersfat tda lagsg area hars elal ease bolog tertet arabel atara ag eda aa ebla reso orbdtas eda ba sat da apabla tda sebh aa ba aa cacat ata eggal. Dala asalah orbdtas da eata ba sebaga asalah

3 poo sedaga sosal eoo da bdaa serta arabel-arabel atara sebaga fator ag eepegarh eata ba. 3 MEODOLOGI Data ag dpergaa dala peelta adalah data seder ag dperoleh dar Bada Psat Statsta at data sre Sosal Eoo Nasoal SUSENAS tah 7 t Pros Jaa r da Pros Jaa egah. Ut edg proses peelta dgaa paet progra opter at softare MINIAB da GWR. Varabel ag dgaa at Jlah eata ba Y Persetase persala ag dlaa dega bata o eds X Rata-rata sa peraa pertaa ata X Rata-rata lah pegelara rah tagga perapta sebla X 3 Rata-rata pebera ASI eslsf X Persetase pedd sx 5 Jlah eaga Kesehata X 6 Jlah Saraa Kesehata X 7 Gars Ltag da Gars Br Lagah-lagah dala aalss data adalah sebaga bert :. Lagah-lagah t ega estas paraeter da statst pada odel GWPR adalah sebaga bert :. Mebet fgs lelhood. Mebet fgs l lelhood dar fgs ag dperoleh dar lagah eda ebera bobot pada fgs l lelhood 3. Measr paraeter dega easa fgs l lelhood. Mebet hpotess t eg esaaa odel regres Posso da GWPR : p H : H : palg tda ada sat 5. Meeta deas t odel GWPR dega lagah-lagah sebaga bert : a. Mebet hpotess : H... : p H : palg tda ada sat b. Meeta hpa paraeter-paraeter d baah H ω c. Mebat fgs lelhood dbaah H L ω d. Meeta hpa paraeter-paraeter d baah poplas Ω e. Mebat fgs lelhood dbaah poplas L Ω f. Meeta statst dega eggaa etode Ma Lelhood Rato est MLR 6. Meeta deas t odel regres Posso 7. Meeta statst t eg esaaa odel regres Posso da GWPR 8. Melaa parsal dega lagah-lagah sebaga bert : a. Mebet hpotess : H : H ; p :... b. Meeta statst c. Meeta teral epercaaa t. Ut egetah fator-fator ag berpegarh pada lah eata ba d Pros Jaa r da Jaa egah tah 7 dlaa aalss dega lagah-lagah sebaga bert: a. Megaalss odel regres Posso dega lagah-lagah sebaga bert :. Peersaa olertas atara arabel predtor. Measr paraeter odel regres Posso 3. Pega esesaa odel regres Posso b. Megaalss odel GWPR dega lagah-lagah sebaga bert:. Meeta da setap abpate/ota d Pros Jaa r da Jaa egah. Meeta baddth opt dega eggaa etode Cross Valdato CV 3

4 3. Meghtg ara Eclde aatara loas pegaata berdasara poss geografs.. Meghtg atrs pebobot dega eggaa fgs erel Gass da fgs bsqare 5. Measr paraeter odel GWPR 6. Melaa pega esaaa odel regres Posso da GWPR t eg sgfas dar fator geografs dega eggaa hpotess bert : p H : H : palg tda ada sat 7. Melaa pega paraeter secara parsal dega eggaa hpotess bert :. H : H ; p : Mebat espla c. Mebadga odel regres Posso dega odel GWPR HASIL DAN PEMBAHASAN. Peasra Paraeter da Pega Hpotess Model GWPR Pada peelta aa dgaa etode MLE dala estas paraetera. Lagah aal dar etode tersebt adalah dega ebet fgs lelhood. Karea arabel respo berdstrbs Y Posso aa fgs lelhood adalah sebaga bert: Posso ~ L ep! Setelah dperoleh bet lelhood eda dlaa operas logarta atral sehgga persaaa 5 ead : L L L L! 5 6 Berdasara persaaa aa persaaa 6 dapat dtls sebaga : ep L L L! 7 Fator leta geografs erpaa fator pebobot pada odel GWPR. Fator el la ag berbeda t setap daerah ag ea sfat loal pada odel GWPR. Oleh area t pebobot dbera pada bet log-lelhooda t odel loal GWPR aa dperoleh : L! L L ep Estas paraeter 8 dperoleh dega edefferesala persaaa 8 terhadap aa dperoleh : L L ep 9 Nla estas dperoleh dega easa bet dfferesal tersebt sehgga dperoleh L L ep Karea fgs pada persaaa berbet plst aa dgaa sat prosedr teras er at etode Neto-Raphso. Secara persaaa t teras Neto-Raphso adalah : H g

5 5 Daa L L ep g L L ep H 3 Apabla persaaa da 3 dsbttsa e persaaa aa dperoleh : Persaaa dapat dtls ead : 5 Apabla dgaa pedeata atrs aa persaaa 5 dapat dtls sebaga bert : z A W X X A W X 6 Daa X : Matrs predtor dotasa sebaga bert : p p p X O W : Matrs pebobot dotasa sebaga bert : [ ] dag W... A : Matrs pebobot aras t setap loas dotasa sebaga bert : [ ] dag A... z : Vetor dar arabel respo ddefsa sebaga bert : z z z z... Dega eglag prosedr teras t setap tt regres e- aa peasr paraeter loal aa ddapata. Iteras berhet pada saat oerge at pada saat ε daa ε erpaa blaga ag sagat ecl. U hpotess ag pertaa dlaa adalah pega esaaa odel regres Posso da GWPR t eg sgfas dar fator geografs. Bet hpotessa adalah :

6 ;... ; p H :... tda ada perbedaa ag sgfa atara odel regres Posso dega odel GWPR H : palg tda ada sat ada perbedaa ag sgfa atara odel regres Posso dega odel GWPR Pega esaaa odel regres Posso da GWPR eggaa perbadga la deas odel regres Posso da odel GWPR. Msala odel regres Posso dataa dega odel A dega deraat bebas df A da odel GWPR dataa dega odel B dega deraat bebas df B aa : Deas Model A/ df A Fht Deas Model B / df B Aa egt dstrbs F dega deraat bebas df A da df B. Krtera pegaa adalah tola H a F ht > F α ; df A ; df B Pega paraeter odel dlaa dega eg paraeter secara parsal. Pega t egetah paraeter aa saa ag sgfa eepegarh arabel respoa. Bet hpotess pega paraeter odel secara parsal adalah : H : ;... ;... p H : Dala pega hpotess d atas dapat dgaa statst sebaga bert : Z se Nla stadar error dperoleh dar : se ar Dega ar erpaa elee e- dagoal pada atrs ar p p da ag berra erpaa tasra paraeter odel ag easa fgs log-lelhood. Krtera pegaa adalah tola H a Zht > Z α ; p Pebobot ag dgaa t egestas paraater dala odel GWPR adalah fgs erel ag terdr dar fgs erel Gass da fgs erel Bsqare ag dapat dtls sebaga bert : Fgs Kerel Gass : ep d h Kerel Kerel Bsqare : dega d ara atara loas d h e loas t d h t d > h da h adalah paraeter o egatf ag detah da basaa dsebt paraeter peghals baddth. Salah sat etode ag dgaa t t elh baddth opt adalah etode Cross Valdato CV ag ddefsa sebaga bert: dega : h : Nla peasr proses peasra CV h h fttg ale daa pegaata dloas dhlaga dar 6

7 h fttg ale daa pegaata dloas dasa dala : Nla peasr proses peasra : Jlah peasr ag efetf : Jlah sapel Metode ag dgaa t elh odel terba t GWPR at Aae Iforato Crtero AIC ag ddefsa sebaga bert : AIC DG KG dega DG erpaa la deas odel dega baddth G da KG erpaa lah paraeter dala odel dega baddth G. Model terba adalah odel dega la AIC terecl. Aalss Jlah Keata Ba d Jaa r da Jaa egah Sebaga lagah aal t aalss odel GWPR aa perl dbet regres global at odel regres Posso. Sebel ebet regres Posso aa perl dlaa olertas t egetah apaah arabel predtor telah eeh ods salg tda berorelas. Beberapa rtera ag dapat dgaa t egetah adaa olertas datara arabel predtor at dega eggaa oefse orelas Pearso Correlato da la Varace Iflato Factors VIF. Keda rtera ea hasl ag saa at tda adaa olertas datara arabel-arabel predtor sehgga arabel-arabel predtor ag dgaa dala peelta d pros Jaa r da Jaa egah tah 7 dapat dgaa dala pebeta odel regres Posso. Bert estas paraeter odel regres Posso d pros Jaa r da Jaa tegah abel. Estas Paraeter Model Regres Posso Jat 3 Paraeter Estas t_ht * * * * * Estas Jateg t_ht * * * * Paraeter ag berpegarh secara sgfa pada α 5% Dar abel dperoleh 5 paraeter ag sgfa at da 7 sehgga odel regres Posso ag dbet t lah eata ba d pros Jaa r adalah : ep 39 5X 39X 998X 396X 7 Sedaga t pros Jaa egah terdapat 3 paraeter ag sgfa at da sehgga odel regres Posso ag dbet t lah eata ba d pros Jaa egah adalah : ep X 968X Berdasara la deace D odel regres Posso t pros Jaa r da Jaa egah laa dgaa tetap odel tersebt ea ods oerdspers area la deas dbag dega deraat bebasa lebh besar dar. Selata dlaa peodela dega eggaa odel GWPR. Lagah pertaa t ebag odel GWPR adalah dega eeta leta geografs tap abpate/ota d pros Jaa r da Jaa egah setelah dperoleh leta geografs aa lagah selata at elh baddth opt. Nla baddth t pros Jaa r ag dperoleh dar hasl teras adalah q: dega la rtera CV: 969. sedaga la baddth t pros Jaa egah ag dperoleh dar hasl teras adalah q: dega la rtera CV: Ut setap loas psat aa dperoleh la baddth opt ag berbeda-beda. Setelah edapata la baddth opt aa lagah selata adalah edapata atrs pebobot daa dala peelta aa dgaa da pebobot at fgs erel Gass da bsqare. Msala atrs pebobot d loas adalah W aa lagah aal sebel edapata atrs pebobot adalah dega ecar ara ecld loas 7

8 e sea loas peelta. Matrs pebobot ag dbet dega fgs erel gass pada loas at abpate Pacta d pros Jaa r adalah : W dag Matrs pebobot ag dbet dega fgs erel bsqare pada loas at abpate Clacap d pros Jaa egah adalah : W dag Peasra paraeter odel GWPR eggaa etode Neto-Raphso dapat dselesaa dega eggaa softare GWR sehgga ddapata la tasra paraeter dsea loas... Pega esaaa odel dlaa dega eggaa F. Dperoleh espla baha tda ada perbedaa ag sgfa atara odel GWPR ba dega eggaa pebobot fgs erel gass ap bsqare dega odel regres Posso d pros Jaa r da Jaa egah. Selata dlaa pega paraeter odel t egetah fator-fator ag epegarh lah eata ba dsetap loas. Dega eggaa α 5% Kabpate/Kota d Jaa r da Jaa egah dapat delopoa berdasara arabel-arabel ag sgfa dala epegarh lah eata ba dega eggaa pebobot fgs erel gass ap fgs erel bsqare at : N W E S U BA N LAM ON GAN GRESIK SUMENE P SAM PANG BANGKA LAN PAM EKA SAN BOJONEGORO SURA BAYA KOA NGA W I SIDOARJO NGA N JUKJOMB ANG MOJO KERO MADIUN MAG EAN PASURUAN SIUBONDO PONOROGO KEDIRI PROBOLINGGO BONDOW OSO MAL ANG KO A PACIAN BLIA R MAL ANG LU MA JAN G RENGG ALE K JEMB ER BANYUW ANGI Varabel X X da X X X X da X7 Gabar Pegelopoa Kab/Kota d Jaa r Berdasara Varabel Yag Sgfa Dega Meggaa Pebobot Fgs Kerel Gass Berdasara Gabar terlhat baha d pros Jaa r dega eggaa pebobot fgs erel gass terdapat da elopo Kabpate/Kota. Secara eselrha fator-fator ag epegarh lah eata ba d Jaa r berdasara odel GWPR dega pebobot fgs erel gass adalah persetase persala ag dlaa dega bata teaga o eds X rata-rata sa peraa pertaa ata X rata-rata pebera ASI eslsf X da lah saraa esehata X 7. 8

9 N W E JEPA RA S EGAL KOA PEKALONGAN KOA DE MAK KUDUS PAI RE MBANG PEKALONGAN KENDAL BREBES PEMALANG SEMARANG KOA BAANG GROBOGAN EG AL BLORA EMANGGUNG SEMARANG BANJARNEGARA BANYUMAS PURBALINGGA SALAIGA KOA SRAGEN CILACAP WONOSOBO MAGELANG KOA BOYOLALI MAGELANG SURAKARA KOA KARANGANYAR KEBUMEN KLAEN PURWOREJO SUKOHARJO WONOGIRI Varabel X da X X5 da X7 X X3 X X7 X - X7 tda sgfa Gabar Pegelopoa Kab/Kota d Jaa egah Berdasara Varabel Yag Sgfa Dega Meggaa Pebobot Fgs Kerel Bsqare Berdasara Gabar terlhat baha d Jaa egah dega eggaa pebobot fgs bsqare terdapat 7 elopo Kabpate/Kota. Secara eselrha fator-fator ag epegarh lah eata ba d Jaa egah berdasara odel GWPR dega pebobot fgs erel bsqare adalah rata-rata sa peraa pertaa ata X rata-rata lah pegelara rah tagga perapta sebla X 3 rata-rata pebera ASI eslsf X persetase pedd s X 5 da lah saraa esehata X 7. Perbadga odel regres Posso dega odel GWPR ba dega eggaa pebobot fgs erel gass ap erel bsqare dlaa t egetah odel aa ag lebh ba dterapa t lah eata ba d pros Jaa r da Jaa egah. Krtera ebaa odel ag dgaa adalah dega ebadga la AIC dar etga odel tersebt. Model ag terba adalah odel dega la AIC terecl. Hasl ag dperoleh adalah sebaga bert : abel Perbadga Kesesaa Model Pros Jaa r Jaa egah Model Deas Regres Posso AIC Model Deas GWPRKerel Gass Model GWPRKerel Bsqare * Model erba AIC Deas AIC 33* 8833* Berdasara abel dperoleh baha odel GWPR dega eggaa pebobot fgs erel bsqare lebh ba dgaa t egaalss lah eata ba d pros Jaa r da Jaa egah area epa la AIC ag terecl. 5 KESIMPULAN DAN SARAN Dar hasl aalsa data da pebahasa dapat dperoleh espla sebaga bert:. Model GWPR adalah bet loal dar regres Posso daa loas dperhata ag berass baha data berdstrbs Posso. Peasra paraeter odel GWPR eggaa etode MLE da dselesaa dega eggaa teras Neto-Raphso. Pega esaaa odel regres Posso da GWPR ddeat dega dstrbs F sedaga paraeter odel secara parsal eggaa Z. Pelha odel terba pada odel GWPR eggaa etode AIC. Model GWPR dega eggaa pebobot fgs erel bsqare lebh ba dgaa t egaalss lah eata ba d pros Jaa r da Jaa egah tah 7 area epa la AIC ag terecl. 9

10 Dar peelta sara ag dapat dbera adalah dala peelta lebh lat hedaa sapel ag dgaa sapa e leel lebh ecl ecaata sehgga ap epertaa aalss spasala. Varabel-arabel ag dgaa p hedaa easa sr sosal bdaa ag bersfat loal sehgga hasl ahr ag dharapa ap eeraga ods loal daerah tersebt DAFAR PUSAKA [] BPS. 9. Aga Keata Ba Data Statst Idoesa. Bada Psat Statst Jaarta Idoesa [] Bappeas 5 Lapora Perebaga Pecapaa a Pebaga Mle Mlle Deelopet Goals/MDGs. Bappeas Jaarta Idoesa [3] Brsdo C. Fothergha A.S. ad Charlto M Geographcall Weghted Regresso: a ethod for eplorg spatal ostatoart Geographcal Aalss [] Faoe F. Wl J.. ad Sgh K.P.. O he Geeralzed Posso Regresso Model th a Applcato to Accdet Data. Joral of Data Scece [5] Hadaegh A. Shalab A. ad Persad B. 9. Deelopet of Plag-Leel rasportato Safet ools Usg Geographcall Weghted Posso Regresso Natoal Acade of Sceces. [6] Hocg R Methods ad Applcato of Lear Models. Joh Wle & Sos Ne Yor [7] Hag Y. ad Leg Y.. Aalsg Regoal Idstralsato Jags Proce Usg Geographcall Weghted Regresso Joral of Geographcal Sste : 33-9 [8] Me C. L. 5. Geographcall Weghted Regresso echqe for Spatal Data Aalss School of Scece X a Jaotog Uerst. [9] McCllagh P. ad Nelder J.A Geeralzed Lear Models Secod Edto Chapa & Hall Lodo. [] Mood A.M. Grabll F.A. ad Boes D.C. 97. Itrodcto to he heor of Statstcs hrd Edto McGra-Hll Sgapra [] Naaa. Fothergha A.S. Brsdo C. ad Charlto M.. Geographcall Weghted Posso Regresso for Dsease Assocato Mappg Statstcs Medce Vole Isse 7 pages

MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DENGAN PEMBOBOT FUNGSI KERNEL GAUSS Studi Kasus: Jumlah Kematian Bayi di Jawa Timur Tahun 2007

MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DENGAN PEMBOBOT FUNGSI KERNEL GAUSS Studi Kasus: Jumlah Kematian Bayi di Jawa Timur Tahun 2007 Jural Barekeg Vol. 5 No. 2 Hal. 25 3 (2) MODEL GEOGRAPHICALLY WEIGHED POISSON REGRESSION DENGAN PEMBOBO FUNGSI KERNEL GAUSS Stud Kasus: Julah Keata Bay d Jawa ur ahu 27 SALMON NOJE AULELE Staf Jurusa Mateatka

Lebih terperinci

Pemodelan Geographically Weighted Logistic Regression pada Indeks Pembangunan Kesehatan Masyarakat di Provinsi Papua

Pemodelan Geographically Weighted Logistic Regression pada Indeks Pembangunan Kesehatan Masyarakat di Provinsi Papua Prosdg Sear Nasoal MIPA 06 Pera Peelta Ilu Dasar dala Meuag Pebagua Berelauta Jatagor, 7-8 Otober 06 ISBN 978-60-76-- Peodela Geographcally Weghted Logstc Regresso pada Ides Pebagua Kesehata Masyaraat

Lebih terperinci

TAKSIRAN MEAN DAN TOTAL PADA TWO STAGE ADAPTIVE CLUSTER SAMPLING MAYRAMADAN MADYA PUTRA

TAKSIRAN MEAN DAN TOTAL PADA TWO STAGE ADAPTIVE CLUSTER SAMPLING MAYRAMADAN MADYA PUTRA TAKSIRA EA DA TOTAL PADA TWO STAGE ADAPTIVE CLUSTER SAPLIG AYRAADA ADYA PUTRA 03050035 UIVERSITAS IDOESIA FAKULTAS ATEATIKA DA ILU PEGETAHUA ALA DEPARTEE ATEATIKA DEPOK 009 Tasra ea..., ayraada adya Ptra,

Lebih terperinci

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

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor, ahu 015, Halama 05-14 Ole d: http://eoural-s1.udp.ac.d/dex.php/gaussa ANALISIS FAKOR FAKOR YANG MEMPENGARUHI JUMLAH KEJAHAAN PENCURIAN KENDARAAN BERMOOR

Lebih terperinci

GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DAN APLIKASINYA Studi Kasus : Indeks Pembangunan Manusia di Provinsi Jawa Timur

GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DAN APLIKASINYA Studi Kasus : Indeks Pembangunan Manusia di Provinsi Jawa Timur SEMINAR HASIL TUGAS AKHIR GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DAN APLIKASINYA Std Kass : Ides Pembaga Masa d Pros Jawa Tmr Oleh : Ney Ptr Pradta (307 00 055) Dose Pembmbg : Dr. Prhad M.Sc GEOGRAPHICALLY

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus

Lebih terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB III UKURAN PEMUSATAN (RATA-RATA) BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata

Lebih terperinci

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) D-361 Pemodela Aga Buta Huruf d Provs Sumatera Barat Tahu 014 dega Geographcally Weghted Regresso Rath Mahara da Wwe Setya Wahju Jurusa

Lebih terperinci

PEMODELAN DATA KEMISKINAN DI PROVINSI SUMATERA BARAT DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) Ilham Maggri 1, Dwi Ispriyanti 2.

PEMODELAN DATA KEMISKINAN DI PROVINSI SUMATERA BARAT DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) Ilham Maggri 1, Dwi Ispriyanti 2. Pemodela Data (Ilham Maggr) PEMODELAN DAA KEMISKINAN DI PROVINSI SUMAERA BARA DENGAN MEODE GEOGRAPHICALLY EIGHED REGRESSION (GR) Ilham Maggr Dw Israt Alm Jrsa Statsta FSM UNDIP Staf Pegaar Jrsa Statsta

Lebih terperinci

ESTIMASI DAN PENGUJIAN HIPOTESIS GEOGRAPHICALLY WEIGHTED REGRESSION

ESTIMASI DAN PENGUJIAN HIPOTESIS GEOGRAPHICALLY WEIGHTED REGRESSION eta -N: 85-5893 / e-n: 54-458 htt://ralbeta.ac.d Vol. 5 No. Me Hal. 4-56 eta MA DAN PNGUJAN HPO GOGRAPHCALLY GHD RGRON Alfra Mla Astt Abstra: alah sat aalss statsta ag meghbga arabel reso dega arabel bebas

Lebih terperinci

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

UJI SATU ARAH UNTUK DATA BIVARIAT BERKORELASI

UJI SATU ARAH UNTUK DATA BIVARIAT BERKORELASI J. Sas MIPA, Eds Khss Tah 8, ol. 4, No., Hal.: 74-78 ISSN 978-87 ABSTRACT UJI SATU ARAH UNTUK DATA BIARIAT BERKOREASI Mlaa Jrsa Statsta FMIPA Uverstas Padaara, Badg Dterma 8 Agsts 7, perbaa Desember 7,

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama)

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama) H. Maa Suhera,Drs.,M.S PROSEDUR PEGUJIA HIPOTESIS SEHUBUGA DEGA AKAR-AKAR LATE DARI MATRIKS KOVARIAS (Dala Aalss Kopoe Utaa) Abstra Utu ebuat espula tetag araterst populas ultvarat husuya populas varat

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-127

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-127 JURNAL SAINS DAN SENI IS Vol. 4, No., (05) 337-350 (30-98X Prt) D-7 ANALISIS HUBUNGAN DAN PEMODELAN LUAS PANEN PADI DENGAN INDIKAOR EL-NINO SOUHERN OSCILLAION (ENSO) DI KABUPAEN BOJONEGORO MELALUI PENDEKAAN

Lebih terperinci

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi JURNAL SAINS DAN SENI POMITS Vol., No., (13) ISSN: 337-35 (31-98X Prt D-5 Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa

Lebih terperinci

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa Statsta, Faultas Matemata da Ilmu Pegetahua Alam, Isttut Teolog Sepuluh Nopember

Lebih terperinci

Pengujian Hipotesis untuk Kombinasi Ketidak-Bebasan (test of signifikans for combining non-independent)

Pengujian Hipotesis untuk Kombinasi Ketidak-Bebasan (test of signifikans for combining non-independent) Statsta ol. 6 No. 47 53 Nopember 006 47 Pegja Hpotess t Kombas Ketda-Bebasa (test of sgfas for ombg o-depedet) Mlaa Jrsa Statsta FMIPA Upad. Pedahla Perhata sampel bvarat ; =... dar poplas bvarat ag berdstrbs

Lebih terperinci

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prt) D-39 Pemodela Pedudu Ms d Jawa Tmur Megguaa Metode Geographcally Weghted Regresso (GWR) Yuata Damayat, Vta Ratasar Jurusa Statsta, Faultas

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR)

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI POMIS Vol., No., () 7-5 (-98X Prt) D-75 Pemodela Aga Prevales Kusta da Fator- Fator yag Memegaruh d Jaa mur dega Pedeata Geograhcally Weghted Regresso (GWR) Alefa Maulda Dzra, Sat

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

Prosiding Statistika ISSN:

Prosiding Statistika ISSN: Prosdg Statsta ISSN: 246-6456 Pemodela Aga Kemata Ba d Kabuate Kuga ahu 24 dega Regres Geeralzed Posso da RegresBomal Negatf Modelled Number Of Brth Mortalt I Kuga Resdece I 24 B Geeralzed Posso Regresso

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

π(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277

π(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: 23-928X D-277 Klasfas Pase Hasl Pap Smear Test sebaga Pedetes Awal Upaya Peagaa D pada Peyat Kaer Servs d RS. X Surabaya dega Metode Baggg Logstc Regresso

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event.

BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event. BAB II TINJAUAN PUSTAKA. Peahulua Sebelum melaua pembahasa megea permasalaha ar srps, paa Bab II aa uraa beberapa teor peujag ag perraa apat membatu alam pembahasa bab-bab selajuta. Pembahasa paa Bab II

Lebih terperinci

MENTERI DALAM NEGERI REPUBLIK INDONESIA

MENTERI DALAM NEGERI REPUBLIK INDONESIA SALINAN REPUBLI INDONESIA PERATURAN REPUBLI INDONESIA NOMOR 47 TAHUN 2017 TENTANG BATAS DAERAH ABUPATEN MUSI RAWAS UTARA PROVINSI SUMATERA SELATAN DENGAN ABUPATEN LEBONG PROVINSI BENGULU DENGAN RAHMAT

Lebih terperinci

BAB I PANDAHULUAN. 1.1 Latar Belakang

BAB I PANDAHULUAN. 1.1 Latar Belakang BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,

Lebih terperinci

BAB IV ANALISIS DAN PEMBAHASAN

BAB IV ANALISIS DAN PEMBAHASAN BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan dibahas mengenai gambaran persebaran IPM dan komponen-komponen penyususn IPM di Provinsi Jawa Tengah. Selanjutnya dilakukan pemodelan dengan menggunakan

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 2 LANDASAN TEORI. menentukan hubungan antara variabel independen (x) dengan variabel dependen (y).

BAB 2 LANDASAN TEORI. menentukan hubungan antara variabel independen (x) dengan variabel dependen (y). BAB LANDASAN EORI Aalss Regres Aalss regres adalah salah satu metode ag dapat dguaa utu meetua hubuga atara varabel depede dega varabel depede Utu pegamata dega p varabel depede, maa model regres tersebut

Lebih terperinci

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD

Lebih terperinci

ASPEK : PARTISIPASI MASYARAKAT DALAM PEMAKAIAN KONTRASEPSI INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU

ASPEK : PARTISIPASI MASYARAKAT DALAM PEMAKAIAN KONTRASEPSI INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU BULAN : KABUPATEN/KOTA IUD MOW MOP KDM IMPL STK PILL JML PPM PB % 1 Banyumas 748 34 3 790 684 2,379 1,165 5,803 57,379 10.11 2 Purbalingga 141 51 10 139 228

Lebih terperinci

PEMODELAN REGRESI PROBIT ORDINAL TERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA TENGAH TAHUN 2007

PEMODELAN REGRESI PROBIT ORDINAL TERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA TENGAH TAHUN 2007 Semar Nasoal Statstka IX Isttt ekolog Seplh Nopember, 7 November 009 PEMODEAN REGRESI PROBI ORDINA ERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA ENGAH AHUN 007 Def Yst Fadah da Prhad Mahasswa Jrsa Statstka

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

ASPEK : PARTISIPASI MASYARAKAT DALAM PEMAKAIAN KONTRASEPSI INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU

ASPEK : PARTISIPASI MASYARAKAT DALAM PEMAKAIAN KONTRASEPSI INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU BULAN : KABUPATEN/KOTA IUD MOW MOP KDM IMPL STK PILL JML PPM PB % 1 Banyumas 447 60 8 364 478 2.632 629 4.618 57.379 8,05 2 Purbalingga 87 145 33 174 119 1.137

Lebih terperinci

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK NM VI 3-6 Jul 0 UNPAD, Jatagor PERBANDINGAN ESTIMATOR ERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRI I OMANG GDE SUARSA, I GUSTI AYU MADE SRINADI, NI LUH AYU PUSPA LESTARI 3 Jurusa Mateata

Lebih terperinci

NILAI DAN VEKTOR EIGEN MATRIKS INTERVAL ATAS ALJABAR MAX-PLUS. Dwi Suci Maharani 1 dan Suryoto 2. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang

NILAI DAN VEKTOR EIGEN MATRIKS INTERVAL ATAS ALJABAR MAX-PLUS. Dwi Suci Maharani 1 dan Suryoto 2. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang NILAI DAN VEKTOR EIGEN MATRIKS INTERVAL ATAS ALJABAR MAX-PLUS Dw Sc Mahara da Sryoto, Jrsa Mateata FMIPA Uverstas Dpoegoro J Prof H Soedarto, SH, Tebaag, Searag Abstract A terva atr A A, A wth gve A, A

Lebih terperinci

Himpunan Spektrum Real Untuk Masalah Balikan Nilai Eigen Dari Matriks Tak Negatif

Himpunan Spektrum Real Untuk Masalah Balikan Nilai Eigen Dari Matriks Tak Negatif Vol.4, No., -, Jaar 8 Hmpa petrm Real Ut Masalah ala Nla Ege ar Matrs Ta Negatf Kresa Jaya bstra Paa paper aa bahas represetas geometr ar hmpa spetrm la ege real yag la ege masmalya t masalah bala la ege

Lebih terperinci

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-311

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-311 JURNAL SAINS DAN SENI POMIS Vol., No., (03) 337-350 (30-98X Prt) D-3 Pemodela Fator-Fator yag Memegaruh Jumlah Kemata Ibu d Jatm dega Pedeata GWPR (Geograhcally Weghted Posso Regresso) Dtau dar Seg Fasltas

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

PENDEKATAN MODEL GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH RUMAH TANGGA MISKIN DI PULAU BURU

PENDEKATAN MODEL GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH RUMAH TANGGA MISKIN DI PULAU BURU Jural Barekeg Vol. 8 No. 2 Hal. 53 57 (2014) PENDEKATAN MODEL GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH RUMAH TANGGA MISKIN DI PULAU BURU Geographcally

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Persoala utaa yag dhadap oleh seorag aaer atau pegabl eputusa adalah bagaaa egaloasa suatu suber yag terbatas datara berbaga atvtas atau proye Progra lear adalah suatu etode yag dapat

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen BAB DAAR TEOR ALRAN DAA. Umum,,3,4 stem teaga lstr Electrc ower stem terdr dar tga ompoe utama, atu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar ag membetu

Lebih terperinci

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK BAB II PEMODELAN SRUKUR DAN ANALISIS DINAMIK II Pedaulua Aalss da saga dperlua uu bagua-bagua berlaa baya aau yag el egga leb dar eer Respo da sruur dabaa ole beba beba da yag basaya erupaa fugs dar wau

Lebih terperinci

Kontrol Model Prediksi Robas Pada. Waste Heat Boiler : Parametric Ellipsoidal. Uncertainty

Kontrol Model Prediksi Robas Pada. Waste Heat Boiler : Parametric Ellipsoidal. Uncertainty JtoKtrlst J AtoCtrlst Vol SSN: 85-57 Abstra Kotrol oel Pres Robas Paa Waste eat oler : Paraetrc Ellpsoal Ucertat F hlsh E Joelato D Chaera Progra St e Fsa sttt eolog ag Recee ate : e Accepte ate : 9 e

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014) Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number

Lebih terperinci

ANALISIS INFLASI KOTA SEMARANG MENGGUNAKAN METODE REGRESI NON PARAMETRIK B-SPLINE

ANALISIS INFLASI KOTA SEMARANG MENGGUNAKAN METODE REGRESI NON PARAMETRIK B-SPLINE ISS: 339-54 JURAL GAUSSIA Volue 3 oor Tahu 04 Halaa 93-0 Ole d: http://eoural-sudpacd/dephp/gaussa AALISIS IFLASI KOTA SEMARAG MEGGUAKA METODE REGRESI O PARAMETRIK B-SPLIE Alvta Racha Dev Moch Adul Mud

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159 JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Set. 1 ISSN: 31-X D-15 Pemodela Fator-Fator Yag Beregaruh Terhada Prevales Balta Kurag Gz D Provs Jawa Tmur Dega Pedeata Geograhcally Weghted Logstc Regresso (GWLR

Lebih terperinci

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh

Lebih terperinci

1.1. UMUM. Statistik BPKH Wilayah XI Jawa-Madura Tahun

1.1. UMUM. Statistik BPKH Wilayah XI Jawa-Madura Tahun 1.1. UMUM 1.1.1. DASAR Balai Pemantapan Kawasan Hutan adalah Unit Pelaksana Teknis Badan Planologi Kehutanan yang dibentuk berdasarkan Surat Keputusan Menteri Kehutanan No. 6188/Kpts-II/2002, Tanggal 10

Lebih terperinci

Pemodelan MGWR Pada Tingkat Kemiskinan di Provinsi Jawa Tengah

Pemodelan MGWR Pada Tingkat Kemiskinan di Provinsi Jawa Tengah Value Added, Vol., No., 5 Pemodelan MGWR Pada Tngat Kemsnan d Provns Jawa Tengah Moh Yamn Darsyah, Rochd Wasono, Monca Frda Agustna 3,,3 Program Stud StatstaUnverstas Muhammadyah Semarang Emal: mydarsyah@unmus.ac.d

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura

Lebih terperinci

GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) UNTUK PEMODELAN JUMLAH PENDERITA KUSTA DI JAWA TENGAH

GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) UNTUK PEMODELAN JUMLAH PENDERITA KUSTA DI JAWA TENGAH Statstka, Vol., No., November 04 GEOGRAPHICALLY WEIGHED POISSON REGRESSION (GWPR) UNUK PEMODELAN JUMLAH PENDERIA KUSA DI JAWA ENGAH Devy Nova, Rochd Wasoo, Idah Mafaat Nur,, Program Stud Statstka FMIPA

Lebih terperinci

Lampiran 1. Data Penelitian No Kabupaten Y X1 X2 X3 1 Kab. Cilacap Kab. Banyumas Kab.

Lampiran 1. Data Penelitian No Kabupaten Y X1 X2 X3 1 Kab. Cilacap Kab. Banyumas Kab. LAMPIRAN Lampiran 1. Data Penelitian No Kabupaten Y X1 X2 X3 1 Kab. Cilacap 15.24 6.68 22.78 1676090 2 Kab. Banyumas 18.44 5.45 21.18 1605580 3 Kab. Purbalingga 20.53 5.63 21.56 879880 4 Kab. Banjarnegara

Lebih terperinci

ASPEK : PARTISIPASI MASYARAKAT DALAM PEMAKAIAN KONTRASEPSI INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU

ASPEK : PARTISIPASI MASYARAKAT DALAM PEMAKAIAN KONTRASEPSI INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU INDIKATOR : HASIL PEROLEHAN PESERTA KB BARU BULAN : KABUPATEN/KOTA IUD MOW MOP KDM IMPL STK PILL JML PPM PB % 1 Banyumas 728 112 20 1,955 2,178 2,627 1,802 9,422 57,379 16.42 2 Purbalingga 70 50 11 471

Lebih terperinci

BAB V HASIL DAN PEMBAHASAN. Kecepatan Angin Awal untuk Berputar (m/s)

BAB V HASIL DAN PEMBAHASAN. Kecepatan Angin Awal untuk Berputar (m/s) BAB V HASIL DAN PEMBAHASAN 5.. Pegarh Baha Kicir Terhadap Kecepa Pr kicir Pegarh baha pebat kicir (blade terhadap kecepa pr kicir pak dala gabar 5.. Dala gabar 5., pak bahwa dega berbedaya aterial blade,

Lebih terperinci

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK PROSIDING ISSN : 87-59. Semar Nasoal Statsta November Vol, November (R.7) ESIMASI SMOOHING SPLINE PADA FUNGSI VARIANSI BERDISRIBUSI GAMMA DALAM PENDEKAAN REGRESI NONPARAMERIK Sfrya Dose Program Stud Statsta

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas

Lebih terperinci

PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH TAHUN 2014 PROVINSI JAWA TENGAH

PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH TAHUN 2014 PROVINSI JAWA TENGAH No. 56/08/33 Th.IX, 3 Agustus 2015 PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH TAHUN 2014 PROVINSI JAWA TENGAH PRODUKSI CABAI BESAR SEBESAR 167,79 RIBU TON, CABAI RAWIT SEBESAR 107,95 RIBU TON,

Lebih terperinci

PERMASALAHAN LOKASI (Model Dasar) [2]

PERMASALAHAN LOKASI (Model Dasar) [2] PERMASALAHAN LOKASI Model Dasar [] Technques of Contnuous Space Locaton Probles Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch provde

Lebih terperinci

Median Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance

Median Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance 30/05/04 Technques of Contnuous Space Locaton Probles PERMASALAHAN LOKASI Model Dasar [] Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch

Lebih terperinci

PERBANDINGAN METODE MARQUARDT COMPROMISE DAN METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER REGRESI NONLINIER SKRIPSI SRIDEWI NAINGGOLAN

PERBANDINGAN METODE MARQUARDT COMPROMISE DAN METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER REGRESI NONLINIER SKRIPSI SRIDEWI NAINGGOLAN PERBANDINGAN METODE MARQUARDT COMPROMISE DAN METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER REGRESI NONLINIER SKRIPSI SRIDEWI NAINGGOLAN 7837 FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA

Lebih terperinci

SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING AROUND IDEAL OF THE SKEW POLYNOMIAL RING

SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING AROUND IDEAL OF THE SKEW POLYNOMIAL RING SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING Afra, Ar Kaal Ar da Nur Erawaty Jurusa Mateata Faultas Mateata da Ilu Pegetahua Ala Uverstas Hasaudd (UNHAS) Jl. Perts Keerdeaa KM.0 Maassar 90245, Idoesa thalabu@gal.co

Lebih terperinci

LOCALLY DAN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA [a,b]

LOCALLY DAN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA [a,b] PROSIING ISBN : 978 979 6353 9 4 LOCALLY AN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-UNFOR PAA [a,b] A-8 Solh, Y Suato, St Khabbah 3,,3 Jurusa Mateata, Faultas Sas da Mateata, Uverstas poegoro

Lebih terperinci

BAB 1 PENDAHULUAN. dan Jusuf Kalla, Indonesia mempunyai strategi pembangunan yang

BAB 1 PENDAHULUAN. dan Jusuf Kalla, Indonesia mempunyai strategi pembangunan yang BAB 1 PENDAHULUAN A. Latar Belakang Masalah Di era Presiden dan Wakil Presiden Republik Indonesia, Joko Widodo dan Jusuf Kalla, Indonesia mempunyai strategi pembangunan yang dinamakan dengan nawacita.

Lebih terperinci

PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH PROVINSI JAWA TENGAH TAHUN 2013

PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH PROVINSI JAWA TENGAH TAHUN 2013 No. 50/08/33/Th. VIII, 4 Agustus 2014 PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH PROVINSI JAWA TENGAH TAHUN 2013 PRODUKSI CABAI BESAR SEBESAR 145,04 RIBU TON, CABAI RAWIT 85,36 RIBU TON, DAN BAWANG

Lebih terperinci

KONDISI UMUM PROVINSI JAWA TENGAH

KONDISI UMUM PROVINSI JAWA TENGAH KONDISI UMUM PROVINSI JAWA TENGAH Kondisi umum Provinsi Jawa Tengah ditinjau dari aspek pemerintahan, wilayah, kependudukan dan ketenagakerjaan antara lain sebagai berikut : A. Administrasi Pemerintah,

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III MEODE PEELIIA 3. Keraga Pemra Peelta dlaa erdasara seah eraga emra seert ada Gamar 3. ert : Persaa Peelta Esloras Ide Aalss Ketha Pegmla Lteratr Peelta Pedahla Std Lteratr Dss da Wawacara dega

Lebih terperinci

TABEL 4.1. TINGKAT KONSUMSI PANGAN NASIONAL BERDASARKAN POLA PANGAN HARAPAN

TABEL 4.1. TINGKAT KONSUMSI PANGAN NASIONAL BERDASARKAN POLA PANGAN HARAPAN TABEL 4.1. TINGKAT KONSUMSI PANGAN NASIONAL BERDASARKAN POLA PANGAN HARAPAN No Kelompok Pola Harapan Nasional Gram/hari2) Energi (kkal) %AKG 2) 1 Padi-padian 275 1000 50.0 25.0 2 Umbi-umbian 100 120 6.0

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion) Jural EKSPONENSIALVolume Nomor September 00 ISSN 085-789 Pemlha Model Regres Terba Megguaa Aae s Iformato Crtero (The Best Regresso ModelSelecto UsgAae s Iformato Crtero) M. Fathurahma Staf Pegaar Program

Lebih terperinci

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC

Lebih terperinci

GUBERNUR JAWA TENGAH

GUBERNUR JAWA TENGAH GUBERNUR JAWA TENGAH PERATURAN GUBERNUR JAWA TENGAH NOMOR 78 TAHUN 2013 TAHUN 2012 TENTANG PERKIRAAN ALOKASI DANA BAGI HASIL CUKAI HASIL TEMBAKAU BAGIAN PEMERINTAH PROVINSI JAWA TENGAH DAN PEMERINTAH KABUPATEN/KOTA

Lebih terperinci

PERATURAN GUBERNUR JAWA TENGAH NOMOR 7 TAHUN 2018 TAHUN 2012 TENTANG

PERATURAN GUBERNUR JAWA TENGAH NOMOR 7 TAHUN 2018 TAHUN 2012 TENTANG PERATURAN GUBERNUR JAWA TENGAH NOMOR 7 TAHUN 2018 TAHUN 2012 TENTANG ALOKASI DANA BAGI HASIL CUKAI HASIL TEMBAKAU BAGIAN PEMERINTAH PROVINSI JAWA TENGAH DAN PEMERINTAH KABUPATEN/KOTA DI JAWA TENGAH TAHUN

Lebih terperinci

MODIFIKASI PENAKSIR UNTUK RASIO PADA SAMPLING BERPERINGKAT. ABSTRACT 1. PENDAHULUAN

MODIFIKASI PENAKSIR UNTUK RASIO PADA SAMPLING BERPERINGKAT. ABSTRACT 1. PENDAHULUAN MODIFIKAI PAKIR UTUK RAIO PADA AMPLIG BRPRIGKAT Deva rw, Arsma Ada, Rstam fed Devaerw@ahoo.com Mahasswa Program Matematka Dose Jrsa Matematka Fakltas Matematka da Ilm Pegetaha Alam Kamps Bawda Pekabar,893,Idoesa

Lebih terperinci

Karakteristik Siswa Putus Sekolah Tingkat SD dan SMP di Kawasan Surabaya Utara

Karakteristik Siswa Putus Sekolah Tingkat SD dan SMP di Kawasan Surabaya Utara Karaterst Sswa Putus Seolah Tgat SD da SMP d Kawasa Surabaya Utara Nur Ia Choryah, Prof.Dra.Susat Luwh,M.Stat,PhD, 3 Ir.Mutah Salamah,M.Kes Mahasswa Jurusa Statsta FMIPA-ITS (36 3,3 Dose Jurusa Statsta

Lebih terperinci

Pemodelan dan Pemetaan Kasus Pneumonia di Kota Padang Tahun 2014 dengan Geograpghically Weighted Negative Binomial Regression

Pemodelan dan Pemetaan Kasus Pneumonia di Kota Padang Tahun 2014 dengan Geograpghically Weighted Negative Binomial Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98 Prt) D-355 Pemodela da Pemetaa Kasus Peumoa d Kota Padag Tahu 04 dega Geograpghcally Weghted Negatve Bomal Regresso Reo War Dva Rahmtr da Wwek Setya

Lebih terperinci