KARAKTERISTIK SISWA KELAS LAYANAN KHUSUS (KLK) DI SURABAYA UTARA. Oleh : Lina Firdausiyah ( )

Ukuran: px
Mulai penontonan dengan halaman:

Download "KARAKTERISTIK SISWA KELAS LAYANAN KHUSUS (KLK) DI SURABAYA UTARA. Oleh : Lina Firdausiyah ( )"

Transkripsi

1 KARAKTERISTIK SISWA KELAS LAYANAN KHUSUS (KLK DI SURABAYA UTARA Oeh : La Frdausah (36 Pembmbg : Prof. Dra. Susat Luwh, M.Stat, PhD. da Wbawat, S.S., M.S. ABSTRAK Keas Laaa Khusus (KLK merupaa saah satu dar program pemertah ag dasaaa d beberapa ota, saah satua d Kota Surabaa ag bertuua utu membera aaa pedda bag aa-aa dar euarga ms. Watu persapa utu program bag tap aa berbeda, sesua dega emampua aa tersebut daam peesuaa dr terhadap peaara. I dbutuha watu atara 3- bua. Sebaa 65.4% dar sswa KLK ag bsa trasfer e eas reguer daam uru watu urag dar 6 bua perah berseoah sebeuma. Sswa ag uus KLK urag dar 6 bua maortas beaar d rumah seama ebh dar am sehar, atu sebaa 73% da dtema oeh euarga atau tema daam proses beaar d rumah. Regres ogst dapat meghtug peuag seorag sswa KLK utu uus urag dar 6 bua atau ebh dar 6 bua dega mehat beberapa varabe predtor otu da ategor. Varabe es eam, ama beaar, perhata orag tua, da beera tdaa sswa tersebut d uar seoah, berpegaruh secara sereta daam meetua ama sswa meempuh masa stud d KLK. Secara parsa varabe ada tdaa saudara ag putus seoah, ama tgga d Surabaa, perah tdaa seoah sebeuma, ama beaar, perhata orag tua berpegaruh terhadap ama stud sswa KLK d Surabaa Utara. Kata uc: Regres ogst ber, KLK. Pedahuua Dar sswa ag putus seoah d waah Surabaa, propors tertgg berasa dar awasa Surabaa Utara atu sebaa 35%. Kods euarga ag ms meuta sswa meauta pedda e tgat ag ebh tgg. Sea rawa putus seoah, ada uga ag tda mampu megeam bagu pedda. Merea ag tda seoah ebaaa berusa 7- tahu da umaha mecapa 894 aa (Kompas, 9. Keas Laaa Khusus (KLK merupaa saah satu dar program pemertah ag dasaaa d beberapa ota, saah satua d Kota Surabaa ag bertuua utu membera aaa pedda bag aa-aa dega ods tersebut d atas. Program eas aaa husus SD adaah ateratf mode pedda utu mearg aa usa SD ag beum berseoah atau putus seoah. Program KLK merupaa program ag mempersapa aa ag putus seoah atau ag terambat megeam pedda SD dega cara membera bea agar aa tersebut sap memperoeh peaara d eas reguer. Watu persapa utu program bag tap aa berbeda, sesua dega emampua aa tersebut daam peesuaa dr terhadap peaara. I dbutuha watu atara 3- bua. Regres ogst merupaa suatu metode statsta utu meggambara hubuga atara varabe respo ag bersfat ategor da varabe-varabe predtor ag bersfat uatatf maupu uattatf (Agrest, 99. Dega megguaa regres ogst dapat meghtug peuag seorag sswa KLK utu uus urag dar 6 bua atau ebh dar 6 bua dega mehat beberapa varabe predtor otu da atagor. Berdasara mode ag dperoeh dapat dtetua besara peuag sswa KLK dapat uus seteah meempuh pedda d KLK seama urag dar 6 bua atau ebh dar 6 bua. Peeta daua utu megetahu araterst sswa KLK d Surabaa Utara, medapata fator-fator ag mempegaruh ama euusa sswa KLK

2 d Surabaa Utara, serta memodeaa ba secara sereta maupu secara dvdu. Dega adaa peeta dharapa dapat meggambara eadaa sswa KLK d Surabaa Utara. Dega dema dapat membera masua daam megamb ebaa dar das terat (guru atau das Pedda daam raga pegguaa metode pembeaara d KLK sehgga sswa KLK dapat ebh cepat meeesaa program peesuaa d KLK.. Regres Logst Ber Aass regres ogst ber adaah suatu regres ogst atara varabe respo da varabe predtor dmaa varabe respoa terdr dar dua ategor atu da, sehgga varabe respo tersebut megut dstrbus berou dega fugs probabtas sebaga berut : (Agrest, 99 f ( ( ( ; =, ( adaah peuag eada ag dabata o- eh varabe predtor. Fugs ogst adaah sebaga berut : f e, ( Betu mode regres ogsta a- daah : π( ep( ep( (3 Persamaa (3 tersebut emuda dtrasformas ag dea dega trasformas ogt. Utu memudaha daam megestmas parametera maa trasformas ogt dguaa utu memperoeh fugs g( ag er daam parametera. g( = dega (4 ( g ( (5 ( Mode regres ogst dega ebh dar satu varabe predtor dsebut uga mode bergada. Mode regres ogst dega varabe predtor adaah : π( ep( ep(... (6... Mode pada persamaa (6 dtrasformas megguaa trasformas ogt, mead g( =..., = umah parameter (7 Suatu mode ag mem varabe respo ber, dmaa atar pegamata dasumsa depede da a harapa varabe respoa tda er terhadap parameter β, maa peduga β dapat dperoeh dega metode mamum ehood. Pada dasara metode mamum ehood membera a dugaa β dega memasmuma suatu fugs ehood. Fugs ehood ag dmasmuma adaah : (Hosmer da Lemeshow, π π (8 Karea pegamata bersfat depede maa ehood pegamata merupaa peraa dar fugs ( ehood masgmasg, msaa dataa : ( ( ( [ ( ] (9 Apaba daua trasformas ogt terhadap mode regres ogst persamaa (9 maa ddapata : ( = ep ep ep ep ep ep ep ( Berut adaah a masmum dar persamaa ( ag dsebut og ehood (Agrest, 99. L β β ep Na dperoeh meau turua parsa pertama L(β terhadap β sehgga persamaa ( mead : L β πˆ ep ep ( (

3 dega ep ep ˆ ˆ Sedaga utu megestmas ovaras dperoeh dar turua parsa edua persamaa (, dperoeh : L β u (3 u Utu u = adaah estmas varas, sehgga persamaa (3 dapat dtus mead : ( L( (4 dega ( Pegua estmas parameter daua utu megetahu apaah varabe ag ada daam mode mem hubuga dega varabe respoa. Peguaa adaah sebaga berut : (Hosmer da Lemeshow, a. U Sereta U sereta daua utu megetahu sgfas parameter β secara eseuruha atau sereta. Pegua ag daua sebaga berut : H : β = β =... = β = H : pag sedt ada satu Statst u : G Lehood dmaa : Rato Test ; Toa H ba G > L πˆ πˆ ;,v (5, dega v atu baaa parameter ag ada daam mode (Hosmer da Lemeshow,. b. U Parsa U parsa dguaa utu megetahu sgfas parameter β secara parsa. Pegua ag daua adaah sebaga berut : H : = ; =,,..., H : ; Statst u : Wad (W ˆ SE ( ˆ Dmaa : SE ( ( ˆ (6 Toa H ba W > Z α/ atau W < -Z α/ Pegua esesuaa mode dguaa utu mea apaah mode dega satu atau ebh varabe predtor merupaa mode ag sesua atau tda. U esesuaa mode megguaa U Hosmer-Lemeshow test (. U daua utu megetahu apaah mode tapa varabe-varabe ag sgfa merupaa mode ag sesua atau tda. Pegua ag daua adaah sebaga berut : H : Mode sesua (tda ada perbedaa atara has observas dega preds H : Mode tda sesua (ada perbedaa atara has observas dega preds Statst u ag dguaa : g ˆ o ' π (7 C ' π dmaa : ' = Baaa sube pada grup e- o c, umah a varabe respo C ( g, pada grup e- Apaba g adaah umah grup ag b-sa dbetu oeh mode ag sedag du da α adaah tgat epercaaa maa H dtoa a ˆ (Hosmer da Lemeshow,. Iterpretas oefse mode regres ogst megguaa odd rato. Odds rato (ψ atu a ag meuua besara pegaruh atara ategor satu dega ategor dua (ategor dua terhadap respo dega ategor pembadg daam satu varabe tersebut. Ja varabe respo dategora daam ategor da dataa dega da da varabe predtor uga dbag daam ategor da dataa dega ode da. Sehgga aa ddapata mode dega a π( da a - π(. ep (8 3

4 Apparet Error Rate (APER merupaa uura ag dpaa utu meghtug propors esaaha asfas (Johso da Wcher, 99. Ja daua pegasfasa utu dua eompo, maa peetua esaaha asfas dtuua pada Tabe berut. Tabe Has Kasfas Preds Atua dmaa : : Jumah sube dar tepat dasfasa sebaga : Jumah sube dar tda tepat dasfasa sebaga : Jumah sube dar tda tepat dasfasa sebaga : Jumah sube dar tepat dasfasa sebaga Na APER dperoeh dega persamaa berut : APER (9 3. Program KLK da Proses Beaar Program KLK bertuua utu mempersapa aa usa SD ag putus seoah atau beum berseoah area aasa geografs da eoom agar dapat meauta atau memperoeh pedda forma d SD hgga tamat da dapat meauta hgga e eag pedda SMP. Sasaraa aa-aa usa SD ag beum berseoah atau putus seoah d Idoesa. Krtera peserta dd program KLK atara a : a. Aa berusa 8 4 tahu b. Beum berseoah atau teah putus seoah mma (satu tahu area aasa eoom c. Mem orag tua/wa da tempat tgga ag tetap d. Tergoog aa orma bua aa bereaa meta Seoah ag berha meeeggaraa program KLK adaah SDN ag berada d suatu oas dega osetras aaaa ag beum berseoah atau putus seoah da mem mma 3 (tga ruag eas ag dapat dperguaa utu proses beaar megaar KLK, serta mem murd KLK mma orag. Program KLK merupaa eas semetara bua eas permae da pembeaaraa dasaaa d uar adwa eas reguar. Setap peserta dd dber esempata seama 3 (tga bua s/d (satu tahu dudu d KLK sampa a mem emampua psoogs, sosoogs, da aadems ag memada utu daha e eas reguar berdasara has tes peempata (pacemet test. Peserta dd dbag mead 3 (tga eas atu eas ragap A (KRA terdr dar peserta dd dega tgat eas da, eas ragap B (KRB terdr dar peserta dd dega tgat eas 3 da 4, da eas ragap C (KRC terdr dar peserta dd dega tgat eas 5 da 6 (Aom, 9. Peeta pedahuu tetag KLK daua oeh M. Shodq Abd. Wahd ag meet tetag maaeme pegeoaa KLK Peeta megguaa pedeata uatatf dega racaga stud mutstus d SDN Kutomo Mear da SDN Tauga 5 Mear. We (997 berpedapat bahwa beaar pada mausa dapat drumusa sebaga suatu atvtas meta atau pss ag beragsug daam teras atf dega guga, ag meghasa perubahaperubaha daam pegetahua da a sap. Meurut Wahugsh (4, secara gars besar fator-fator ag mempegaruh beaar da prestas beaar dapat dgooga mead dua baga, atu fator tera da fator estera. a. Fator tera Merupaa fator ag berasa dar daam dr sswa ag dapat mempegaruh prestas beaar. Fator dapat dbedaa mead dua eompo, atu : - Fator fsoogs 4

5 Daam ha, fator fsoogs ag dmasud adaah fator ag berhubuga dega esehata da pacadera. - Fator psoogs Ada baa fator psoogs ag dapat mempegaruh prestas beaar sswa, atara a adaah fator teeges, sap, da motvas. Mustam ( meataa bahwa perhata sswa daam proses beaar meetua prestas beaar. Ma tesf perhata beaar maa ma berhas proses beaar tersebut. b. Fator estera Sea fator-fator ag ada daam dr sswa, ada ha-ha a d uar dr ag dapat mempegaruh prestas beaar ag aa drah, atara a adaah : - Fator guga euarga, meput sosa eoom euarga, pedda orag tua, perhata orag tua da suasaa hubuga atara aggota euarga - Fator guga seoah, meput saraa da prasaraa, ompetes guru da sswa, uruum da metode megaar - Fator guga masaraat dmaa guga sswa aa mempegaruh prestas beaar sswa. Prbad (987 meataa bahwa geaa-geaa eaaa aa abat pegaruh gugaa sepert serg memboos da ebh baa berma darpada beaar aa mempe-garuh efetftas beaar sswa tersebut. 4. Metodoog Peeta Data ag dguaa daam peeta adaah data prmer da data seuder. Data seuder merupaa data sswa ag teah uus KLK da mash seoah d SD peeeggara KLK sampa tahu 9. Sedaga data prmer dperoeh dega cara meaua surve terhadap popuas sswa ag teah uus KLK da masu d eas reguer ag saat mash seoah d SD peeeggara KLK d awasa Surabaa Utara. Jumah respode sebaa 6 sswa. Peeta daua d SDN Pegra I da SDN Woousumo XII ag tereta d ecamata Semampr. Varabe-varabe ag dguaa pada peeta adaah sebaga berut. a. Varabe respo, terdr atas dua ategor atu: - Sswa KLK ag uus urag dar 6 bua, dber ode - Sswa KLK ag uus ebh dar 6 bua, dber ode b. Varabe-varabe predtor Tabe Varabe Predtor Var Keteraga Kodg Data X Jes Keam : La-La : Perempua X Umur Kotu X 3 Adaa Saudara : tda ada ag Putus Seoah : Ada X 4 Jumah Saudara Kotu X 5 Status : pedudu as Kepedudua Bapa : pedatag X 6 X 7 X 8 X 9 X Lama Tgga d Surabaa Apaah perah seoah sebeuma Lama Beaar d rumah Perhata Orag Tua Atvtas d uar seoah : urag dar 5 tahu : 6- tahu : ebh dar tahu : tda perah : perah : tda beaar : urag dar am sehar : ebh dar am sehar : tda ada perhata : ada perhata : beera : tda beera Lagah aass daua daam peeta sebaga berut : - Utu megetahu araterst sswa KLK daua aass desrptf da tabuas sag. - Utu megetahu fator-fator ag mempegaruh ama sswa beaar d KLK da seberapa besar fator-fator 5

6 tersebut mempegaruh varabe respo daua aass regres ogst ber dega agah-agah sebaga berut: a. Meetua mode regres ogst bergada utu semua varabe predtor dega varabe respo. b. Meaua u sgfas parameter dar setap mode regres ogst bergada utu megetahu varabevarabe predtor ag berpegaruh secara sgfa terhadap varabe respo. c. Meetua mode regres ogst uvarat atara varabe respo dega masg-masg varabe predtor. d. Meaua pegua secara sereta da parsa terhadap mode ag dperoeh. e. Meaua u esesuaa mode (goodess of ft. f. Megterpretasa mode regres ogst bergada da odds rato ag dperoeh. g. Meghtug etepata asfas mode regres ogst bergada. 5. Karaterst Sswa KLK Sswa KLK d Surabaa Utara sebaa 57% beres eam a-a da 43% sswa beres eam perempua. Namu perbedaa umah tersebut tda terau sgfa. Usa sswa KLK d Surabaa Utara saat pertama a megut program ag dtampa pada Gambar meuua bahwa maortas usa sswa pertama a masu KLK d Surabaa Utara adaah usa 8 tahu atu sebaa 7%. Terbaa edua adaah sswa dega usa tahu atu sebaa %, da dsusu berturutturut oeh sswa dega usa 9 tahu, 7 tahu, tahu, tahu, da 3 tahu. Gambar Usa Sswa KLK D atara sswa ag megut program KLK tersebut, sebaa 43% perah mega bagu seoah sebeuma da ssaa sebaa 57% tda perah berseoah sebeum megut program KLK. Sswa ag perah seoah sebeuma megaam drop out dar seoah tersebut dega beberapa aasa, atara a area tda mempua baa utu membaar uag seoah da membe buu-buu peaara. Aasa aa adaah megut epdaha orag tuaa e Surabaa serta aasa abat deuara seoah area tda bsa megut peaara dega ba da aasa tda a eas d seoah asa. Dhat dar seg status epedudua bapa, dmaa maortas orag tua sswa KLK d Surabaa Utara merupaa pedudu pedatag dar uar Surabaa atu sebaa 8%. Daerah asa pedudu pedatag d waah Surabaa Utara tersebut maortas berasa dar Puau Madura. Daam beromuas sehar-har, merea ebaaa megguaa bahasa Madura. Sedaga ag beromuas megguaa bahasa Jawa haa sebaa 6.7%. Hampr separuh dar orag tua sswa ag meempat tempat tgga d Surabaa d rumah otra/sewa atu sebesar 53%. Dega tgga d rumah otra/sewa tersebut maa emuga sswa utu drop out aa besar area megut epdaha tempat tgga orag tuaa. Tgga aga putus seoah d awasa Surabaa Utara uga dsebaba oeh ods eoom masaraata ag mash redah. Ha tu tergambar dar es peeraa Bapa dar sswa KLK ag dapat dhat pada Gambar. Gambar Jes Peeraa Orag Tua Sswa KLK 6

7 Pada Gambar d atas terhat bahwa maortas Bapa dar sswa KLK d Surabaa Utara berprofes sebaga u/buruh da tuag beca atu sebesar 3% da 3%. Utu u/buruh ds adaah u bagua, u peabuha d Taug Pera, serta buruh pabr. Sedaga ag berprofes sebaga wraswasta sebesar 7% termasu d daama adaah peaht, usaha bege, tuag parr, serta usaha asa petpa motor d peabuha. Orag tua ag berprofes sebaga sopr sebesar 8%. Sopr ds adaah sopr bemo, sopr tas, da tuag oe. Sebesar 5% berprofes sebaga pedagag, atu pedagag a serta pedagag barag-barag beas. Orag tua ag tda beera atau ag sudah megga sebesar 8%. Dar 6 sswa KLK d Surabaa Utara, haa sebaa 63% ag bua beera sedaga 37% ag aa tda beera. Mash baaa bu ag tda beera tersebut uga merupaa saah satu fator ag meebaba status eoom euarga uga mash redah area ehdupa eoom haa dtopag oeh orag tua a-a saa. Kesuta eoom euarga uga sema dperparah area euarga tersebut meaggug hdup aggota euargaa dmaa maortas sswa KLK d Surabaa Utara mempua umah saudara -4 orag. Sedaga utu euarga dega umah saudara ag ebh dar 5 orag uga reatf baa. Seegapa dapat dhat d Gambar 3. Gambar 3 Jumah Saudara Sswa KLK Dega aggota euarga ag besar dmaa maortas ehdupa eoom euarga haa bergatug pada has peeraa bapa dega es peeraa sepert pada Gambar maa euarga tersebut aa rawa terhadap adaa asus aa putus seoah. Hampr separuh (47% dar sswa KLK d Surabaa Utara mem saudara ag putus seoah. Ha tu meggambara bahwa sswa KLK d Surabaa Utara berasa dar euarga ag mash redah esadara da mat terhadap dua pedda abat fator eoom ag mash sut. Program KLK dtuua saah satua utu aa ag putus seoah atau drop out dar seoah sebeuma. Utu KLK d Surabaa Utara sebaa 43% sswaa perah seoah sebeum megut program KLK. Karea maortas sswa KLK berasa dar euarga ag tda mampu secara eoom, maa mash terdapat beberapa sswa ag membatu orag tuaa beera agar dapat meambah peghasa bag euarga tersebut. Sebaa % sswa KLK d Surabaa Utara ag beera d uar egata seoaha. Merea beera sebaga buruh/ u bagua da peeraa serabuta a ag dapat meghasa uag. Sswa ag beera tersebut harus medapata perhata ebh dar pha seoah area merea berpeuag besar utu berhet seoah abat peeraaa tersebut. Dar has aass tabuas sag dmaa dhat dar perbedaa propors ag cuup besar daam membedaa aa ag uus KLK urag dar 6 bua da ebh dar 6 bua. Aa ag mempua saudara ag putus seoah, sebeum megut program KLK tda perah meempuh pedda forma sebeuma, eta megut program KLK seama d uar am seoah merea tda beaar atau beaar urag dar am setap hara, daam proses beaar d rumah merea beaar sedr tapa ada pedampg maa aa cederug uus dar program KLK ebh dar 6 bua dbadga dega aa ag tda mempua saudara ag putus seoah, sebeum masu KLK perah berseoah sebeuma, setap hara beaar d rumah seama ebh dar am da seama beaar d rumah merea d- 7

8 ( ep (.99 tema oeh euarga atau beaar dega temaa maa aa cederug uus KLK urag dar 6 bua. 6. Aass Regres Logt secara Sereta Utu memperoeh mode ag terba da varabe ag berpegaruh secara sgfa secara sereta maa daua emas bacward wad. Hpotess ag dguaa utu u sereta adaah : H : β = β =... = β = H : pag sedt ada satu β Has aass secara sereta dapat dhat pada Tabe 3. Tabe 3 Has Aass Secara Sereta Varabe B Sg. Ep (B X ( X X 3 ( X X 5 ( X 6 ( X 6 ( X 7 ( X 8 ( *.64 X 8 ( *.7 X 9 ( *.75 X ( *.5 Costat.99.* * sgfa utu α = % Berdasara Tabe maa terhat bahwa a sgfas varabe ag mempegaruh ama beaar sswa KLK utu trasfer e eas reguer ag urag dar α (α = % adaah varabe ama beaar, tema beaar, da beera tdaa sswa tersebut d uar seoah, maa H dtoa ag berart bahwa varabe-varabe tersebut berpegaruh secara sereta daam meetua ama sswa meem-puh masa stud d KLK. Berdasara has aass tersebut maa dapat dsusu mode regres ogsta sebaga berut : ep ( X -.746X 8 ( -.576X 8 8 ( -.576X ( -.744X 8 9 ( -.744X ( 9 (.5X.5X ( ( Utu megu esesuaa mode apaah mode sesua daam arta tda ada perbeda atara has observas dega emuga has preds mode daua dega megguaa hpotess sebaga berut : H : Mode sesua (tda ada perbedaa atara has observas dega emuga has preds mode H : Mode tda sesua (ada perbedaa atara has observas dega emuga has preds mode Statst u ag dguaa adaah : C ˆ o ' ' π π Berdasara Hosmer ad Lemeshow Test dperoeh a Ĉ. 88 da a =.7 sehgga gaga toa H ( 7 ;. atau mode sudah sesua arta tda ada perbedaa atara has observas dega emuga has preds mode. Besara pegaruh pada masg-masg varabe predtor ag sgfa dapat deasa sebaga berut. a. Lama Beaar (X 8 Sswa KLK d Surabaa Utara ag setap hara beaar urag dar am mem ecederuga utu uus KLK urag dar 6 bua.64 a ebh besar a dbadga dega sswa ag tda beaar d rumaha. Sedaga sswa ag beaar d rumaha ebh dar am tap hara mem ecederuga utu uus KLK urag dar 6 bua.7 a ebh besar dbadga dega sswa ag tda beaar. Ha berart sema beruraga testas beaar sswa d rumah maa ecederuga sswa utu uus KLK urag dar 6 bua aa sema ec. b. Perhata Orag Tua (X 9 Sswa KLK d Surabaa Utara ag dber perhata oeh orag tua daam proses beaar d rumah ba mem ecederuga utu uus KLK urag dar 6 bua.75 a ebh besar a dbadga dega sswa ag tda ada perhata dar euarga. Ha berart sswa ag daam proses beaar d rumah sema tda dber perhata maa ecederuga sswa utu 8

9 uus KLK urag dar 6 bua aa sema ec. c. Kegata d Luar Jam Seoah (X Sswa KLK d Surabaa Utara ag atvtas d uar am seoah adaah tda beera mem ecederuga.5 a ebh besar utu uus KLK urag dar 6 bua a dbadga dega sswa ag atvtas d uar am seoah beera. Regres ogst secara parsa bertuua utu mehat pegaruh masg-masg varabe depede secara dvdu terhadap varabe depede. Hpotess ag dguaa adaah : H : β = H : β, =,,..., Pada Tabe 4 terhat bahwa dega α = % maa secara parsa varabe ada tdaa saudara ag putus seoah, ama tgga d Surabaa, perah tdaa seoah sebeuma, ama beaar setap hara, da ada tdaa pedampg daam beaar berpegaruh terhadap ama stud sswa KLK d Surabaa Utara area a sgfaa urag dar α. Berdasara has aass d atas maa dapat deasa hubuga varabevarabe tersebut adaah sebaga berut :. Varabe Ada Tdaa Saudara ag Putus Seoah (X 3 Varabe haa berpegaruh terhadap ama stud sswa KLK d Surabaa Utara secara parsa saa. Berdasara has aass dperoeh a odd rato sebesar.8 arta sswa KLK ag tda mem saudara ag putus seoah cederug aa uus K- LK urag dar 6 bua.8 a ebh besar dbadga sswa ag mem saudara ag putus seoah.. Lama Tgga d Surabaa (X 6 Varabe secara parsa saa berpegaruh terhadap ama stud sswa KLK d Surabaa Utara. Sswa ag tgga d Surabaa seama 6- tahu mem ecederuga utu uus KLK urag dar 6 bua sebesar 3.75 a dbadga sswa ag tgga d Surabaa urag dar 5 tahu. Tabe 4 Has Regres Logst secara Parsa Varabe B Sg. Ep (B X ( Costat X Costat X 3 (.478.9*.8 Costat -.99.*.333 X Costat X 5 ( Costat X 6 (.3.48* 3.75 X 6 ( Costat *.444 X 7 (.658.3* 5.47 Costat -..9*.36 X 8 ( *.8 X 8 ( -.8.*.3 Costat.335.8* 3.8 X 9 ( *.6 Costat.99.* 3. X ( Costat * Sgfa dega α = % 3. Perah Tdaa Seoah Sebeuma (X 7 Varabe haa berpegaruh terhadap ama stud sswa KLK d Surabaa Utara secara parsa saa. Berdasara has aass dperoeh a odd rato sebesar.9 arta sswa KLK ag perah berseoah sebeuma cederug aa uus KLK urag dar 6 bua.9 a ebh besar dbadga sswa ag tda perah seoah sebeuma. 4. Lama Beaar (X 8 Sswa KLK d Surabaa Utara ag setap hara beaar urag dar am mem ecederuga utu uus KLK urag dar 6 bua.8 a ebh besar a dbadga dega sswa ag tda beaar 9

10 d rumaha. Sedaga sswa ag beaar d rumaha ebh dar am tap hara mem ecederuga utu uus KLK urag dar 6 bua.3 a ebh besar dbadga dega sswa ag tda beaar. 5. Perhata Orag Tua (X 9 Berdasara has aass dperoeh a odd rato sebesar.6 arta sswa KLK dmaa daam proses beaar d rumah a medapat perhata orag tua maa sswa tersebut berpotes.6 a aa uus K- LK urag dar 6 bua. Seteah dperoeh mode regres ogst sudah aa seteah daua pegua, emuda daua aass etepata asfas mode regres ogst tersebut. Ketepata preds mode ag dperoeh adaah sebesar 83.3% detahu dega cara: 8 6 % 83.3% Utu ebh easa dsaa daam Tabe 5 berut. Tabe 5 Ketepata Has Preds Mode Observas Preds > 6 bua 6 bua Persetase ebeara > 6 bua bua Persetase 83.3 Dar 6 sswa ag dpreds tda tepat sebaa orag, terbag atas sswa ag ama stud d KLK urag dar 6 bua amu has preds ebh dar 6 bua sebaa 4 orag. Sedaga sswa dega ama stud ebh dar 6 bua amu has preds urag dar 6 bua sebaa 6 orag. 6. Kesmpua Dar has aass data has surve terhadap sswa KLK d Surabaa Utara maa dperoeh has sebaga berut.. Karaterst sswa KLK d Surabaa Utara sebaga besar merupaa pedudu pedatag dar uar Surabaa. KLK ddomas oeh sswa eas ragap A atu setara eas da atu sebesar 7%. Maortas sswa KLK ag bsa trasfer e eas reguer daam uru watu urag dar 6 bua perah berseoah sebeuma, rata-rata ama beaar d rumah seama ebh dar am sehar, da medapata perhata orag tua daam proses beaar d rumah sedaga utu sswa ag uus KLK ebh dar 6 bua ebaaa merea d rumah tda beaar atau beaar urag am sehar. Varabe ama beaar, perhata orag tua, da beera tdaa sswa tersebut d uar seoah, berpegaruh secara sereta daam meetua ama sswa meempuh masa stud d KLK. 3. Secara parsa varabe ada tdaa saudara ag putus seoah, ama tgga d Surabaa, perah tdaa seoah sebeuma, ama beaar, perhata orag tua berpegaruh terhadap ama stud sswa KLK d Surabaa Utara. 7. Daftar Pustaa Agrest, A. 99. Categorca Data Aass. New Yor : Joh We ad Sos. Aom.9. 3/tetag--d-sd.htm. Dases pada tagga 3 September 9 puu 6.9 WIB. Hosmer, D. W. ad Lemeshow, S.. Apped Logstc Regresso Secod Edto. USA : Joh We ad Sos, Ic. Johso, R.A. da Wcher, D.W. 99. Apped Mutvarate Statstca Aass. New Jerse : Pretce Ha. Kompas (Jaarta Agustus. Sswa Ms d Surabaa Utara Rawa Putus Seoah. Mustam.. Psoog Pedda. Semarag : Pustaa Peaar. Prbad, Su Mutara-Mutara Pedda. Jaarta : Eragga. Wahd, M. Shodq Abd. 9. Dsertas : Maaeme Peeeggaraa Pedda Mode Keas Laaa Khusus (Stud Mutstus d SDN Kotamo Mear da SDN Tauga 5 Mear. Pasca Saraa Uverstas Neger Maag. Wahugsh, Amaa Sawtr. 4. Srps : Hubuga Atara Kecerdasa Emosoa dega Prestas Beaar pada Sswa Keas II SMU Lab Schoo Jaarta Tmur. Uverstas Persada Idoesa Jaarta. We, WS Psoog Pedda da Evauas Beaar. Jaarta : Grameda.

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

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

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

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

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 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

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 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

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

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

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

MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS. Anneke Iswani A **

MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS. Anneke Iswani A ** MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS Aeke Iswa A ** Abstrak Apaba berhadapa dega data has meghtug yag berupa frekues, kemuda dtetuka varabe bebas da tak bebas yag berupa propors, maka

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 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

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

DETEKSI OBYEK PEJALAN KAKGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE

DETEKSI OBYEK PEJALAN KAKGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE DEEKSI OBYEK PEJALAN KAKGGUNAKAN EODE PRINCIPAL COPONEN ANALYSIS DAN SUPPOR VECOR ACHINE Augrah Pratama Effed, Yudh Purwaato, S.Kom,.Kom, Ruy Soeama, S.Kom,.Kom 3. Fautas eoog Iformas, Isttut eoog Sepuuh

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

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 Faktor Risiko Penyebab Diabetes Mellitus di Kota Ambon Menggunakan Model Regresi Logistik

Analisis Faktor Risiko Penyebab Diabetes Mellitus di Kota Ambon Menggunakan Model Regresi Logistik Statsta, Vol. 5 No. 2, 65-7 November 25 Aalss Fator Rso Peyebab Dabetes Melltus d Kota Ambo Megguaa Model Regres Logst Ferry Kodo Lembag, Dorteus L. Rahabauw 2,2Jurusa Matemata Faultas MIPA Uverstas Pattmura

Lebih terperinci

Regresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang Mempengaruhi Perilaku Sexual Remaja

Regresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang Mempengaruhi Perilaku Sexual Remaja Jural EKSONENSIAL Volume, Nomor, Me 0 ISSN 085-789 Regres Logst Ordal utu Megaalss Fator-Fator yag Memegaruh erlau Seual Remaa Ordal Logstc Regresso for Aalyss Factors of Ifluece Behavor Adolecet Seual

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 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

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

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

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

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

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

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 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

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc

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

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

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

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

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: 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, blaga ataupu

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

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori Ruag Basa Sesh ( Δ ),< < da Bebeaa Pemasaaha Kaatesas Podu Teso ( Δ) ( Δ) Musm Aso Juusa Matemata, FMIPA, Uvestas Lamug J. Soemat Bodoegoo No. Bada Lamug 3545 E-ma: asomath@ahoo.com ABSTRACT I ths ae we

Lebih terperinci

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4 Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba

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

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 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

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

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

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII

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

BAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam

BAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam BAB LANDASAN TEORI Pegerta Regres da Korelas Pegerta Regres Istlah regres dpereala oleh seorag yag erama Fracs Gulto dalam maalah erjudul regresso towerd medacraty heredtary stature Meurut hasl peelta

Lebih terperinci

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN 085-789 Model Log Ler utu Empat Dmes Log Ler Model for Four Dmetos M. Ars Budyoo 1, Sr ayugs, a Puramasar 3 1 Maasswa Program Stud Statsta Faultas MPA

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

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug

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

Koefisien Korelasi Spearman

Koefisien Korelasi Spearman Koefe Koela Speama La hala dega oefe oela poduct-momet Peao, oela Speama dapat dguaa utu data beala mmal odal utu edua vaabel ag heda dpea oelaa. Lagah petama ag dlaua utu meghtug oefe oela Speama adalah

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE

STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 50 K MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE Kade Ad Dw Purwaa 2205 00 038 dose pembmbg :. Ir. Syarffudd M M.Eg. 2.

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

TINJAUAN PUSTAKA Konsep Dasar Pendugaan Area Kecil

TINJAUAN PUSTAKA Konsep Dasar Pendugaan Area Kecil 4 INJAUAN PUSAKA Kosep Dasar Pedugaa Area Kec Secara uu etode pedugaa area kec dbag ejad dua baga atu etode peduga agsug (drect estato da etode peduga tak agsug (drect estato. etode-etode pedugaa seaa

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

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

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

Gambar 3.1Single Channel Multiple Phase

Gambar 3.1Single Channel Multiple Phase BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag

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

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

IV METODE PENELITIAN 4.1 Lokasi dan Waktu 4.2 Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan Waktu 4.2 Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4. Loas da Watu Peelta dlasaaa d Strawberry Café yag berloas d Jala Gadara No.75 Jaarta Selata. Loas peelta dplh da dtetua dega segaja sesua dega pertmbaga dar peelt. Alasa utama memlh

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

Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal

Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal Jural Ilmu Matematia da Terapa Maret 16 Volume 1 Nomor 1 Hal. 61 68 ANALISIS FAKTOR-FAKTOR YANG MEMPERNGARUHI KANKER LEHER RAHIM DI KOTA AMBON DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (Studi asus: Pasie

Lebih terperinci

Regresi Logistik pada Data Rare Event

Regresi Logistik pada Data Rare Event Prosdg Statsta ISSN 46-6456 Regres Logst ada Data Rare Evet Rud Rum Ar Wstara, Sulad, 3 Abdul Kudus,,3 Statsta, Faultas MIPA, Uverstas Islam Badug, Jl. Ragga Malela No. Badug 46 e-mal: rud_ra@mal.com,

Lebih terperinci

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

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

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) URNAL SAINS DAN SENI ITS Vol. 4, No., (05) 7-50 (0-98X Prt) D6 Aalss Regres Logst Ordal utu Megetahu Tgat Gaggua Tuagrahta d Kabuate Poorogo Berdasara Fator-Fator Iteral Peebab Tuagrahta Eva Arum Setar

Lebih terperinci

UKURAN DASAR DATA STATISTIK

UKURAN DASAR DATA STATISTIK UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL

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

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

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 II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

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

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA 3. Pegkodea Matrks Ketetaggaa Matrks ketetaggaa A adaah matrks smetr, sehgga, dega memh semua eeme pada dagoa utama da eeme-eeme dbawah dagoa utama, maka aka

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA Prosdg SPMIP. pp. 4-46, 6 ISBN : 979.74.47. PERKEMBNGN ESTIMTOR DENSITS NON PRMETRIK DN PLIKSINY Hasb Yas, Supart Staf PS Statsta, urusa Matemata, FMIP, UNDIP l. Prof. Sudarto, Kampus UNDIP Tembalag, Semarag

Lebih terperinci

S-7 PEMBENTUKAN PORTOFOLIO OPTIMAL MENGGUNAKAN METODE MINIMAX

S-7 PEMBENTUKAN PORTOFOLIO OPTIMAL MENGGUNAKAN METODE MINIMAX POSIDING ISBN : 978-979-6353-8-7 S-7 PMBNTUKAN POTOFOLIO OPTIMAL MNGGUNAKAN MTOD MINIMAX L Fauzah eto Subet Jurusa Pedda Matemata FMIPA UNY ABSTAK Metode optmas portofoo Mmax bertujua memmuma rso masmum

Lebih terperinci

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah 3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa

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

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

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

Lam piran 1 K uesioner

Lam piran 1 K uesioner LAMPIAN Lam pra K uesoer KUESIONE PENDAHULUAN Saya adalah mahasswa Uverstas Krste Maraatha Badug sedag megadaa peelta dalam pembuata Tugas Ahr. Maa saya megharapa erasamaya utu megs uesoer, saya megharapa

Lebih terperinci

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2 ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP Supart Achmad Mustofa da Agus Rusgyoo 3 3 Staf Program Stud Statsta urusa Matemata FMIPA UNDIP Alum urusa Matemata FMIPA UNDIP l. Prof. H.

Lebih terperinci

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat D-390 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prt) Pemodela Aga Perah Beerja da Belum Perah Beerja d Jawa Tmur Megguaa Metode Regres Multvarat Arda Nur Lathfah, da Wahyu Wbowo Jurusa

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

LOGO. Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si

LOGO. Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si LOGO Prof. Dra. Susanti Linuwih, M.Stat, PhD Wibawati, S.Si, M.Si PENDAHULUAN 1 2 3 4 Latar Belakang Tujuan Manfaat Batasan Masalah Latar Belakang Kesempatan memperoleh pendidikan merupakan prioritas utama

Lebih terperinci

BAB 2 TINJAUAN PUSTKA. Jaringan transmisi dan jaringan distribusi pada sistem tenaga listrik berfungsi

BAB 2 TINJAUAN PUSTKA. Jaringan transmisi dan jaringan distribusi pada sistem tenaga listrik berfungsi BAB TINJAUAN USTKA.. Sstem Dstrbus Jarga trasms da arga dstrbus pada sstem teaga lstr berfugs sebaga saraa utu meyalura eerg lstr yag dhasla dar pusat pembagt e pusat-pusat beba. Sstem arga dstrbus dapat

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,

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

PENAKSIR RASIO REGRESI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN DUA KARAKTER TAMBAHAN

PENAKSIR RASIO REGRESI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN DUA KARAKTER TAMBAHAN PENAKIR RAIO REGREI ANG EFIIEN UNTUK RATA-RATA POPULAI PADA AMPLING AAK EDERHANA MENGGUNAKAN DUA KARAKTER TAMBAHAN R Wuladar *, Rustam Eed, Haposa rat Mahasswa Program tud Matemata Dose Jurusa Matemata

Lebih terperinci

PEMBELAJARAN JARINGAN SYARAF TIRUAN PROBABILISTIK BASIS RADIAL DENGAN MENGGUNAKAN ANALISIS SENSITIVITAS

PEMBELAJARAN JARINGAN SYARAF TIRUAN PROBABILISTIK BASIS RADIAL DENGAN MENGGUNAKAN ANALISIS SENSITIVITAS PEBELAJARAN JARINGAN SYARAF TIRUAN PROBABILISTIK BASIS RADIAL DENGAN ENGGUNAKAN ANALISIS SENSITIVITAS Hasaudd Program Stud Pedda atemata Uverstas Isam Neger Suta Syarf Kasm Rau, 893 hasaudd.ft@u-susa.ac.d

Lebih terperinci

BAB 2 DASAR TEORI. Suatu sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen

BAB 2 DASAR TEORI. Suatu sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen BAB DASA TEOI. Umum,,3,4 Suatu sstem teaga lstr Electrc ower System terdr dar tga ompoe utama, yatu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar yag membetu

Lebih terperinci

Analisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma

Analisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma JURNAL SAINS DAN SENI ITS Vol. 4, No., (15) 337-35 (31-98X Prt) D-54 Aalss Pegedala Kualtas Proses Pegatoga Seme d PT Seme Idoesa (Persero) Tb dega Pedeata Sx Sgma Ftrah Idra Cahya, Sr Mumpu Retagsh Jurusa

Lebih terperinci