PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA"

Transkripsi

1 E-ISSN Jurnal Statsta Industr dan Komutas Volum, No., Januar 07, PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA Erln Kon Ngago Daga, Krs Suryowat, Jurusan Statsta, Faultas Sans Traan, IST AKPRIND Yogyaarta Emal: 3 Abstract. Th lngth of study s th rod n followng th comlton of th study load n th ducaton rocss n a artcular study rogram. In som occaton, w oftn mt som studnts who do not graduat n tm. Ths study ams ar: frst, to dtrmn varabls that sgnfcantly nflunc th studnt s lnght of study, scond, to dtrmn th stmaton of ordnal logstc rgrsson modl and ordnal robt rgrsson, thrd, to dtrmn th bst rgrsson modl stmaton, and th forth s to stmat th robablty of th lngth of study of th studnts of FTI IST AKPRIND. Ths rsarch us clustr samlng whch s catgorzd n robablty samlng wth th total numbr of saml s 80. Th saml usd s th data of S graduat lvl studnts of FTI IST AKPRIND from 0 to 06. Th mthods usd n ths study ar ordnal logstc rgrsson and ordnal robt rgrsson usng R 3.3. softwar. Basd on th rsult of ordnal logstc rgrsson and ordnal robt analyss, smultanously and artally, thr ar two varabls that sgnfcantly nflunc th studnt s lnght of study of FTI IST AKPRIND. Th two varabls ar th maors varabl (tchncal nformatcs) and GPA varabl (,76-3,00). Th stmaton modl of ordnal logstc rgrsson modl and ordnal robt rgrsson can b sn from th quaton 4.8 to Th slcton of th bst modl s us th valu of th largst of R Mcfaddn, and th smallst of AIC and BIC. Thus, th bst rgrsson modl s ordnal logstc rgrsson modl. Th rsults of robablty calculaton for th 9 to 0 smstr of study duraton, usng ordnal logstc rgrsson modl, show that th studnts of nformatcal tchnology who hav,76-3,00; 3,5-4,00; 3,0-3,50 graduaton GPA, hav a bttr chanc to comlt thr study from 9 to 0 smstrs than studnts from chmcal ngnrng, ndustral, machn, and lctro maor. Kywords: Lngth of study, ordnal logstc rgrss, ordnal robt rgrsson, R McFaddn, AIC, BIC Abstra. Masa stud mruaan anga watu nylsaan bban stud dalam mngut ross nddan ada suatu rogram stud trtntu. Srng duma lulusan sorang mahasswa tda ssua dngan batas watu yang tlah dtntuan. Pnltan n brtuuan untu mngtahu varabl-varabl yang brngaruh trhada lama masa stud mahasswa, untu mngtahu stmas modl rgrs logst ordnal dan rgrs robt ordnal, untu mngtahu modl rgrs yang alng ba dan stmas nla robabltas lama masa stud mahasswa FTI IST AKPRIND. Pnaran saml mnggunaan mtod robablty samlng yatu clustr samlng shngga drolh saml sbanya 80. Saml yang dgunaan adalah data lulusan mahasswa nang stud S dar Faultas Tnolog Industr d IST AKPRIND Yogyaarta tahun Mtod analss data adalah rgrs logst ordnal dan rgrs robt ordnal mnggunaan softwar R Brdasaran hasl analss rgrs logst ordnal dan robt ordnal, scara srnta dan arsal trdaat varabl yang brngaruh trhada lama masa stud mahasswa FTI IST AKPRIND, yatu varabl urusan (tn nformata) dan varabl IPK lulusan (,76 3,00). Modl stmas rgrs logst ordnal dan robt ordnal daat dlhat ada rsamaan 4.8 s/d Pmlhan modl trba mnggunaan nla R McFaddn trbsar, AIC dan BIC trcl. Shngga, drolh modl rgrs trba adalah modl rgrs logst ordnal. Hasl rhtungan stmas robabltas lama masa stud 9 0 smstr mnggunaan modl rgrs logst ordnal drolh mahasswa urusan tn nformata dngan IPK lulusan,76 3,00; 3,0 3,50 dan 3,5 4,00 mml luang lbh bsar untu mnylsaan studnya slama 9 0 smstr dbandngan mahasswa urusan tn ma, ndustr, msn dan ltro. Kata unc: masa stud, rgrs logst ordnal, rgrs robt ordnal, R McFaddn, AIC, BIC. Pndahuluan Untu mmrolh nang nddan yang lbh tngg, dbutuhan ross nddan yang mml batas watu ssua dngan nang stud yang tlah dtntuan olh lmbaga 04

2 Pnraan Mtod Rgrs Logst Ordnal dan Rgrs Probt Ordnal.. 05 nddan trsbut. Ada sbagan mahasswa yang lulus tat watu, mlbh batas, bahan gagal mncaa studnya. Tabl. Prmbangan Lama Masa Stud Dan IPK Lulusan Mahasswa S FTI IST AKPRIND Tahun 0 06 Lama Masa Stud Jumlah Jumlah IPK Lulusan (Smstr) Mahasswa Mahasswa s/d s/d 3.00 s/d s/d s/d s/d Tabl d atas, mnunuan bahwa sbagan bsar lulusan mahasswa FTI IST AKPRIND mml masa stud alng lama adalah 9 0 smstr sbanya 447 orang. Bahan ada mahasswa yang mnylsaan masa studnya 5 smstr Sdangan lulusan mahasswa dngan masa stud 8 smstr sbanya 40 orang dar 94 nahasswa. Lulusan mahasswa IST AKPRIND uga mml nla IPK Lulusan yang rndah yatu,75 sbanya 7 orang dar 94 mahasswa (BP3SI IST AKPRIND). Hal n rlu ada rhatan dan rbaan yang lbh agar mahasswa daat lulus tat watu dngan IPK yang lbh tngg. Olh arna tu, rlu dtahu varabl-varabl yang mml ngaruh trhada lama stud mahasswa. Salah satu mtod untu mngtahu hubungan/ngaruh antara satu varabl dngan varabl yang lan adalah analss rgrs. Pnltan sblumnya yang dlauan olh Fattah, Ratna, dan Ratnasar (03) dtahu bahwa varabl yang brngaruh adalah TOEFL, ns lamn, nla IPK S, ssuaan bdang stud dan asal faultas. Sdangan ada nltan n dgunaan bbraa varabl brbda yatu asal solah, urusan, asal darah []. Tuuan nltan n adalah untu mngtahu aratrst tntang lama masa stud lulusan mahasswa FTI IST AKPRIND Yogyaarta tahun 0 06, untu mngtahu varabl-varabl yang brngaruh sgnfan trhada lama masa stud mahasswa, untu mngtahu stmas modl rgrs logst ordnal dan rgrs robt ordnal, tga untu mngtahu modl rgrs yang alng ba dan untu stmas nla robabltas lama masa stud mahasswa FTI IST AKPRIND. Pnltan n dlauan dngan haraan agar IST AKPRIND daat mnntuan stratg atau aturan baan yang ba untu mnngatan mutu nddan d IST AKPRIND.. Mtod Langah-langah mtod analss data ada nltan n sbaga brut: ) Analss dsrtf yatu statst dsrtf untu mndsrsan lulusan mahasswa IST AKPRIND tntang lama masa stud dan varabl-varabl yang mmngaruhnya dan tabl ontngns arah untu mngtahu hubungan antara lama stud dngan varabl yang mmngaruhnya. ) U multolnrtas untu mngtahu ada atau tdanya hubungan lnar antar varabl ndndn dalam modl rgrs. 3) Analss rgrs logst ordnal dan analss rgrs robt ordnal yatu mnntuan stmas aramtr dan mmbuat modl rgrs logst ordnal. Slanutnya, mlauan nguan aramtr untu mngtahu varabl rdtor yang brngaruh sgnfan trhada varabl rson (u arsal yatu u Wald dngan nla valu), u srnta yatu u G atau Llhood Rato Tst. Kmudan, dlauan u layaan modl untu mngtahu aaah modl ssua atau tda mnggunaan u goodnss of ft tst.

3 06 Erln Kon Ngago Daga, Krs Suryowat 4) Pmlhan modl trba dar smua hasl stmas modl rgrs logst ordnal dan rgrs robt ordnal dngan mmlh modl rgrs yang mml nla R McFaddn yang trbsar, srta nla AIC, BIC yang trcl. 5) Mnghtung stmas robabltas lama masa stud mahasswa dngan modl rgrs trba. Kmudan, ntrrtas modl rgrs logst ordnal mnggunaan nla odds rato dan ntrrtas modl rgrs robt ordnal mnggunaan f margnal. 6) Mmbuat smulan. Rgrs logst ordnal mruaan salah satu mtod statst yang mnggambaran hubungan antara suatu varabl rson (Y) dngan lbh dar satu varabl rdtor () dngan varabl rson lbh dar dua atgor dan sala nguuran brsfat tngatan. Modl logst untu data rson ordnal dgunaan cumulatv logt modls. Dngan luang umulatf P Y r ddfnsan sbaga brut: [], x 0r x P Y r x () x 0r x Estmas aramtr rgrs dlauan dngan cara mnguraannya mnggunaan transformas P Y r. logt dar P Y r Logt PY r ln P Y r () Prsamaan (3) ddaatan dngan mnsubsttusan rsamaan () dan (): 0 Logt PY r r x (3) Dngan nla r =,,, R- dan nla untu =,,., ada sta modl rgrs logst ordnal adalah sama. Ja trdaat lma atgor ada varabl rson maa nla luang umulatf ada ta atgor rson sbaga brut n: x P Y x P Y r 3 x P Y r 4 x P Y r r 4 x 0 0 x 0 03 x 03 x x x 0 x (4) x x x 0 x 0 0 x x 03 x x 5 x P Y r 04 x x x x x x x x 0 x x x x x x x 04 5 (8) x 04 (5) (6) (7)

4 Pnraan Mtod Rgrs Logst Ordnal dan Rgrs Probt Ordnal.. 07 Mtod yang dgunaan dalam ndugaan aramtr modl rgrs logst ordnal adalah Maxmum Llhood Estmaton (MLE) dan mlalu ndatan tratf mnggunaan mtod Nwton-Rahson. Prsamaan bntu tras Nwton-Rahson mngut drt Taylor [3] sbaga brut: xn xn n xn xn n f xn f xn xn xn f ' xn f xn f xn ross! n! tras aan brhnt ta ross tras Nwton-Rahson aan brhnt a trnuh onds onvrgn t t, dngan adalah blangan yang sangat cl. Pnguan Paramtr Modl ) U srnta, dlauan untu mngtahu aaah varabl rdtor brngaruh scara sluruhan trhada varabl rson. Hotss : H 0 : β = β =...= β = 0 H : mnmal ada satu β 0, =,,., Statst u yang dgunaan yatu u G atau Llhood Rato Tst [4]: L ˆ G ln L ˆ (9) Krtra nguannya adalah tola H 0 a G (, v) > dngan v adalah banya varabl rdtor atau mnunuan draat bbas atau tola H 0 a nla -valu < α. Statst u G mngut dstrbus Ch-squar. ) U Parsal, dgunaan untu mngtahu aaah masng-masng varabl rdtor ada modl brngaruh trhada varabl rson (untu mngu aaah sbuah varabl aan dmasuan dalam modl atau tda). Hotss : H 0 : β = 0 (tda trdaat ngaruh antara varabl rdtor - trhada varabl rson) H : β 0 (trdaat ngaruh antara varabl rdtor - trhada varabl rson) Statst u yang dgunaan yatu u Wald [5]: ˆ W ˆ S Krtra nguannya adalah tola H 0 adalah atau tola H 0, a nla -valu < α. (0) W > χ (α,v) dngan v mnunuan draat bbas U Kssuaan Modl, dgunaan untu mngvaluas coco tdanya modl dngan data, nla obsrvas yang drolh sama atau mndat dngan yang dharaan dalam modl. Pnguan n brtuuan untu mngtahu aaah rsamaan modl yang tlah dbntu tlah ssua. Hotss : H 0: modl ssua (tda ada rbdaan antara hasl obsrvas dngan hasl rds) H : modl tda ssua (ada rbdaan antara hasl obsrvas dngan hasl rds) Statst u yang dgunaan yatu: mtod Dvanc [] n ˆ ˆ D y ln y ln () y y rtra nguannya adalah tola H 0 a nla D htung > n atau a nla -valu < α.

5 08 Erln Kon Ngago Daga, Krs Suryowat Rgrs Probt Ordnal adalah suatu modl rgrs yang daat dgunaan untu mnlasan hubungan antara varabl rson yang brua mruaan varabl ontnu yang datgoran scara ordnal dan varabl bbasnya bsa mruaan varabl ontnu atau varabl dsrt brsala nomnal atau ordnal. Estmas aramtr mnggunaan mtod Maxmum Llhood Estmaton (MLE) dan mnggunaan mtod Nwton-Rahson. Pmodlan rgrs robt ordnal dawal dngan mmrhatan modl sbaga brut: * T Y Dngan: Y * mruaan varabl rson ontnu β mruaan vtor aramtr ofsn dngan T mruaan vtor varabl bbas dngan = [ ] T adalah rror yang dasumsan brdstrbus N 0, Pada rgrs robt ordnal dlauan ngatgoran trhada Y * scara ordnal, yatu * * untu Y datgoran dngan Y =, untu Y datgoran dngan Y = * *,, untu Y datgoran dngan Y = -,, untu Y datgoran dngan Y =, shngga drolh modl [6] sbaga brut: P Y T x (3) T T PY x x T P Y x T x 0 (3) (4) (5) T P Y x (6) Dngan: mruaan fungs dstrbus umulatf normal. Y = untu atgor trndah dan Y = untu atgor trtngg. Prosdur nguan aramtr dan nguan ssuaan modl ada rgrs robt ordnal sama srt ada rgrs logst ordnal. Untu mngntrrtasan modl rgrs robt ordnal dgunaan f margnal (margnal ffcts), yatu mnyataan bsarnya ngaruh ta varabl rdtor yang sgnfan trhada robabltas ta atgor ada varabl rson [6]. Prosdur nguan aramtr dan nguan ssuaan modl ada rgrs robt ordnal sama srt ada rgrs logst ordnal. Pmlhan modl trba yang dgunaan adalah mnggunaan Psudo R-Squard dngan ndatan nla R McFaddn trbsar [7], dan AIC, BIC trcl [8]. ) R McFaddn mruaan ndator modl trba yang dgunaan untu mngtahu nla llhood-rato yang ddasaran ada nla llhood modl nuh yang mngandung smua aramtr (L ) dngan modl yang hanya mmuat ntrs (L 0): ln L R MCF (7) ln L0 ) Aa s Informaton (AIC) adalah uuran ualtas rlatf modl statst untu satu st data. log llhood K AIC (8) ) Baysan Informaton Crtron (BIC) drnalan olh Schwarz (978), dan ddfnsan sbaga: log llhood K ln N BIC (9)

6 Pnraan Mtod Rgrs Logst Ordnal dan Rgrs Probt Ordnal Analss Hasl dan Pmbahasan a. Analss Statst Dsrtf dan Crosstabulaton Antara Lama Stud dngan Varabl Yang Mmngaruhnya Hasl statst dsrtf dan crosstabulaton, dsmulan bahwa mayortas lulusan mahasswa nang stud S FTI IST AKPRIND tahun 0 06, brns lamn la-la, asal solah SMA, urusan tn msn, IPK lulusan antara 3,0 3,50 dan asal darah dar luar Yogyaarta dngan lama masa stud antara 9 0 smstr. Hasl u ndndns dtahu bahwa varabl varabl rdtor yang mml hubungan dngan lama masa stud mahaswa adalah ns lamn, urusan, dan IPK lulusan. b. U Multolnrtas Ja asums multolnartas tda trnuh, maa stmas ofsn rgrs logst mnad bas dan smulan statst mnad tda vald. Brut hasl u multolnartas mnggunaan SPSS 3, sbaga brut: Tabl 3. Hasl U Multolnartas Varabl Nla VIF (Varanc Inflaton Factor) Jns lamn ( ),084 Asal solah ( ),088 Jurusan ( 3),09 IPK lulusan ( 4),095 Asal darah ( 5),086 Hotss: H 0 : tda trad multolnrtas Vs H : trad multolnrtas Dar Tabl 3. d atas, mnunuan bahwa nla VIF dar,, 3, 4 dan 5 urang 0. Artnya gagal tola H 0 atau tda trad multolnrtas. c. Analss Rgrs Logst Ordnal dan Rgrs Probt Ordnal Mnggunaan R.3.3. ) Hasl Analss Rgrs Logst Ordnal dan Rgrs Probt Ordnal Trba Analss n dlauan untu mndaatan bntu stmas modl dar varabl rson dngan smua varabl rdtor dan varabl rson dngan varabl rdtor yang sgnfan. Slanutnya, dlauan mlhan modl trba dar analss rgrs logst ordnal dan rgrs robt ordnal mnggunaan nla R McFaddn yang trbsar, dan nla AIC (Aa s Informaton Crtron), BIC (Baysan Informaton Crtron) yang trcl. Shngga drolh modl yang trba dar rgrs logst ordnal dan rgrs robt ordnal yatu modl stmas -4 (stmas aramtr antara lama masa stud dngan urusan dan IPK lulusan). Tabl 4. Estmas Paramtr Modl Rgrs Logst Ordnal Antara Lama Masa Stud Dngan Jurusan Dan IPK Lulusan SE Varabl T Lama Stud (Y) Jurusan ( 3) IPK Lulusan ( 4) P Valu Ex =< 8 Smstr () -3,87 0,568 7,0-09 0, Smstr () 0,753 0,568 0,663,0448 Smstr (3),4784 0,530 3,8-06,9 3 4 Smstr (4) 4,409 0,5669,80-3 6,8594 Tn Industr () 0,44 0,644 0,896,530 Tn Msn (3) 0,763 0,596 0,50,40 Tn Eltro (4),049 0,633 0,0763 3,090 Tn Informata (5),3 0,5374 0,030 3,397,76 3,00 () -4,08 0,4339,3-0 0,08 3,0 3,50 (3) -0,0576 0,396 0,8570 0,9440 3,5 4,00 (4) -0,35 0,43 0,60 0,797

7 0 Erln Kon Ngago Daga, Krs Suryowat Tabl 5. Estmas Paramtr Modl Rgrs Probt Ordnal Antara Lama Masa Stud Dngan Asal Solah, Jurusan, Dan IPK Lulusan Varabl T SE Lama Stud (Y) W P Valu =< 8 Smstr () -,8760 0, ,974 4, Smstr () 0,343 0,87,353 0,496 Smstr (3),3439 0,898,5049 3, Smstr (4),60 0, ,9466,5-3 Varabl T SE Asal Solah ( ) Jurusan ( 3) IPK Lulusan ( 4) W P Valu SMK () -0,68 0,479 3,333 0,0766 Tn Industr () 0,0797 0,3455 0,053 0,875 Tn Msn (3) 0,58 0,860 3,387 0,068 Tn Eltro (4) 0,700 0,3379 4,98 0,0383 Tn Informata (5) 0,706 0,95,4377 0,048,76 3,00 () -,670 0,83 98,603 3,05-3 3,0 3,50 (3) 0,0049 0,688 0,0008 0,9768 3,5 4,00 (4) -0,840 0,64,9 0,453 ) Modl Rgrs Logst Ordnal Dan Rgrs Probt Ordnal Trba Dar Tabl 4. maa stmas modl dan stmas luang rgrs logst ordnal lama masa stud mahasswa IST AKPRIND daat dbntu sbaga brut: P( Y ) logt Y log (4.8) P( Y ) 3,87 0,44 3 0,763 33,049 34, ,08 4 0,0576 4(3) 0, 35 4(4) Pluang rson lama masa stud 8 smstr x P( Y ) 3,87 0,44 3 3,87 0,44 0,35 3 0,35 P( Y ) logt Y log P( Y ) 0,753 0,44 3 0, , , 3 4,08 4 0,0576 4(3) 0, 35 4(4) Pluang rson lama masa stud 9 0 smstr x log t( Y ) log t( Y ) 0,753 0,4430,35 0,753 0,4430, ,87 0,4430,35 3,87 0,443 0,35 (4.9)

8 Pnraan Mtod Rgrs Logst Ordnal dan Rgrs Probt Ordnal.. logt P( Y 3) P( Y 3),4784 0,44 3 0, , , 3 4,08 4 0,0576 4(3) 0, 35 4(4 Y 3 log 35 ) (4.30) Pluang rson lama masa stud smstr x log t( Y 3 ) log t( Y ) 3,784 0,4430,35,784 0,4430,35 0,753 0,4430,35 0,753 0,443 0,35 P( Y 4) logt Y 4 log P( Y 4) 4,409 0,44 3 0, , , 3 4,08 4 0,0576 4(3) 0, 35 4(4) Pluang rson lama masa stud 3 4 smstr x log t( Y 4 ) log t( Y 3 ) 4 4,409 0,4430,35 4,409 0,4430,35 35,4784 0,4430,35,4784 0,443 0,35 (4.3) Pluang rson lama masa stud 5 smstr x log t( Y 4 ) 5 4,409 0,4430,35 4,409 0,443 0,35 4,409 0,443 0, 35 (4.3) Dar Tabl 5. maa stmas modl rgrs robt ordnal dan modl stmas luang lama masa stud mahasswa IST AKPRIND daat dbntu sbaga brut: P ˆ Y, 7545 C (4.5) P ˆ Y 0,434 C, 7545 C (4.53) P ˆ Y 3,4483 C 0, 434 C (4.54) P ˆ Y 4,60 C, 3439 C (4.55) P ˆ Y 5, 353 C (4.56) Dngan C mruaan fungs robt dngan rsamaan sbaga brut: C 0,49 3 0, , ,767 35, 95 4

9 Erln Kon Ngago Daga, Krs Suryowat 0, , ) Pmlhan Modl Rgrs Logst Ordnal Dan Rgrs Probt Ordnal Trba Tabl 6. Prbandngan Krtra Pmlhan Modl Trba Nla Rgrs Logst Ordnal Rgrs Probt Ordnal R McFaddn 0, ,90345 AIC 633, ,304 BIC 673,40 676,84 Tabl 6. d atas drolh modl rgrs trba, yatu rgrs logst ordnal. 4) Estmas Probabltas Lama Masa Stud Mahasswa IST AKPRIND Mnggunaan Modl Trba Yatu Modl Rgrs Logst Ordnal. Tabl 7. Hasl Prhtungan Nla Probabltas Lama Masa Stud 9 0 Smstr (Y = ) Mnggunaan Modl Trba 3 (Jurusan) 4 (IPK Lulusan),76 3,00 () 3,0 3,50 (3) 3,5 4,00 (4) Tn Industr () 0,0405 0,6509 0,6093 Tn Msn (3) 0,0798 0, ,70644 Tn Eltro (4) 0, , ,748 Tn Informata (5) 0,095 0, ,75036 Dar Tabl 7. daat dsmulan bahwa: a) Mahasswa urusan tn ndustr, msn, ltro dan nformata yang mml IPK lulusan 3,0 3,50 dan 3,5 4,00 brluang lbh bsar untu lulus 4,5 tahun atau 5 tahun (lama masa stud 9 0 smstr) dbandngan yang mml IPK lulusan,76 3,00. b) Mahasswa urusan tn nformata yang mml IPK lulusan,76 3,00 mauun 3,0 3,50 dan 3,5 4,00 brluang lbh bsar untu lulus 4,5 tahun atau 5 tahun (9 0 smstr) dbandngan mahasswa urusan tn ma, ndustr, msn, dan ltro. 5) Intrrtas Modl Rgrs Logst Ordnal Trba Mnggunaan Odds Rato Tabl 8. Hasl Estmas Odds Rato Varabl T Ex Jurusan ( 3) IPK Lulusan ( 4) Tn Industr () 0,44,530 Tn Msn (3) 0,763,40 Tn Eltro (4),049 3,090 Tn Informata (5),3 3,397,76 3,00 () -4,08 0,08 3,0 3,50 (3) -0,0576 0,9440 3,5 4,00 (4) -0,35 0,797 Dar Tabl 8. daat dtahu bahwa:. Intrrtas odds rato untu varabl urusan ( 3) yatu 3(), 3(3), 3(4), 3(5) trhada 3(). a) Kcndrungan mahasswa urusan tn ndustr untu lulus 7,5 tahun (lama masa stud 5 smstr) sbsar,530 al dbandngan mahasswa urusan tn ma. Atau mahasswa urusan tn ndustr mml luang untu lulus dalam watu 5 smstr sbsar,530 al dbandng lulusan mahasswa tn ma. b) Mahasswa urusan tn msn mml luang untu lulus dalam watu 5 smstr sbsar,40 al dbandng lulusan mahasswa tn ma. c) Mahasswa urusan tn ltro mml luang untu lulus dalam watu 5 smstr sbsar 3,090 al dbandng lulusan mahasswa tn ma. d) Mahasswa urusan tn nformata mml luang untu lulus dalam watu 5 smstr sbsar 3,397 al dbandng lulusan mahasswa tn ma.

10 Pnraan Mtod Rgrs Logst Ordnal dan Rgrs Probt Ordnal.. 3 Shngga daat dsmulan bahwa lulusan mahasswa urusan tn nformata mml luang lbh bsar atau lbh cat lulus dbandng lulusan mahasswa tn ma, ndustr, msn, dan ltro.. Intrrtas odds rato untu varabl IPK lulusan ( 4) yatu 4(), 4(3), 4(4) trhada 4(). a) Mahasswa yang mml IPK lulusan,76 3,00 mml luang untu lulus dalam watu 5 smstr sbsar 0,08 al dbandng lulusan mahasswa yang mml IPK lulusan,75. b) Mahasswa yang mml IPK lulusan 3,0 3,50 mml luang untu lulus dalam watu 5 smstr sbsar 0,9440 al dbandng lulusan mahasswa yang mml IPK lulusan,75. c) Mahasswa yang mml IPK lulusan 3,5 4,00 mml luang untu lulus dalam watu 5 smstr sbsar 0,797 al dbandng lulusan mahasswa yang mml IPK lulusan,75. Shngga daat dsmulan bahwa lulusan mahasswa yang mml IPK lulusan 3,0 3,50 dan 3,5 4,00 mml luang lbh bsar untu lulus atau lbh cat lulus dbandng lulusan mahasswa yang mml IPK lulusan,75 dan,76 3, Ksmulan Brdasaran hasl analss dan mbahasan, maa drolh smulan sbaga brut: Sbagan bsar lama masa stud yang dtmuh olh lulusan mahasswa nang stud S FTI IST AKPRIND tahun 0 06 adalah 9 0 smstr, brns lamn la la, asal solah SMA, urusan tn msn, IPK lulusan antara 3,0 3,50 dan asal darah dar luar Yogyaarta. Sdangan u ndndns dtahu ada tga varabl rdtor yang mml hubungan dngan lama masa stud yatu ns lamn, urusan, dan IPK lulusan. Pnguan scara srnta dan arsal ada analss rgrs logst ordnal dan rgrs robt ordnal, dtahu bahwa varabl yang mmunya ngaruh sgnfan trhada lama masa stud mahasswa IST AKPRIND adalah varabl urusan ( 3) dngan t urusan tn nformata ( 3(5)) dan IPK lulusan ( 4) dngan t IPK,76 3,00 ( 4()). Estmas modl rgrs logst ordnal dan rgrs robt ordnal untu mngstmas robabltas lama masa stud mahasswa FTI IST AKPRIND Yogyaarta daat dlhat ada rsamaan. s/d 4. dan rsamaan 6. s/d 6.5. Modl rgrs yang alng ba adalah modl stmas rgrs logst ordnal yang 4. Pnraan rhtungan stmas robabltas lama masa stud 9 0 smstr mnggunaan modl rgrs yang alng ba yatu modl rgrs logst ordnal drolh: (a) Mahasswa urusan tn ndustr, msn, ltro dan nformata yang mml IPK lulusan,76 3,00 brluang untu lulus 4,5 tahun atau 5 tahun brturut turut sbsar 0.005, , , 0.095; (b) Mahasswa urusan tn ndustr, msn, ltro dan nformata yang mml IPK lulusan 3,0 3,50 brluang untu lulus 4,5 tahun atau 5 tahun brturut turut sbsar , , , ; (c) Mahasswa urusan tn ndustr, msn, ltro dan nformata yang mml IPK lulusan 3,5 4,00 brluang untu lulus 4,5 tahun atau 5 tahun brturut turut sbsar , , 0.748, ; (d) Mahasswa urusan tn nformata yang mml IPK lulusan,76 3,00; 3,0 3,50 dan 3, mml luang lbh bsar atau lbh cat untu mnylsaan masa studnya slama 9 0 smstr dbandngan mahasswa urusan tn ma, ndustr, msn dan ltro. Ucaan Trmaash Dalam nyusunan tulsan n, banya ha yang tlah mmbran duungan ada nuls. Olh arna tu, ada smatan n nuls ngn mnyamaan trma ash ada sluruh dosn dan mnan Jurusan Statsta Insttut Sans & Tnolog AKPRIND Yogyaarta.

11 4 Erln Kon Ngago Daga, Krs Suryowat Daftar Pustaa []Fattah, I.A.A., Ratna, M., dan Ratnasar, V. 03. Analss Fator-fator yang Mmngaruh Masa Stud Lulusan Mahaswa Program Magstr Insttut Tnolog Suluh Nombr (ITS) Surabaya Mnggunaan Rgrs Logst Ordnal Dan Rgrs Probt Ordnal, htt://dglb.ts.ac.d/ublc/its-ar par.df, dass tanggal 9 Novmbr 06 WIB. []Imaslhah, S., Ratna, M., dan Ratnasar, V. 03. Analss Rgrs Logst Ordnal trhada Fator-fator yang Mmngaruh Prdat Klulusan Mahasswa S d ITS Surabaya, Jurnal Sans Dan Sn POMITS, No., Vol., Hal.D77 D8. [3]Sulstyanngtyas, R. 06. Estmator Lu dalam Rgrs Logst untu Mngatas Masalah Multolnartas. Srs. Jurusan Matmata FMIPA UGM, Yogyaarta. [4]Agrst, A., 00. Catgorcal Data Analyss Scond Edton. Nw Yor: John Wly & Sons. [5]Hosmr, D.W., & Lmshow, S. Ald Logstc Rgrsson Nw Yor: John Wly & Sons, Inc.; 000. [6]Prmatasar, D., L., dan Ratnasar, V. 06. Pmodlan Ktahanan Pangan D Indonsa Dngan Pndatan Rgrs Probt Ordnal. Jurnal Sans Dan Sn ITS, No., Vol. 5, Hal. D5 - D56. [7]Fumoto, K., (003), Alcaton of Multnomal and Ordnal Rgrsson To Data of Th Jaans Fmal Labor Mart, Journal of Th Jaans Statstc Unvrsty Of Pttsburgh, Faculty of Arts and Scnc. [8]Aff, N., A. 05. Prncal Comonnt Logstc Rgrsson (PLCR) Untu Multolnartas Dalam Rgrs Logst Bnr. Srs. Jurusan Matmata FMIPA UGM, Yogyaarta.

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

BAB VI METODE BELAJAR WIDROW-HOFF

BAB VI METODE BELAJAR WIDROW-HOFF BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta

Lebih terperinci

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN 085-789 Prbadga Hasl Klasfas Mgguaa Rgrs logst da Aalss Dsrma Kuadrat Pada Kasus Pglasfasa Jurusa D SMA Ngr 8 Samarda Tahu Aara 04/05 Comarso of Classfcato

Lebih terperinci

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit. Prbadga Modl Logt da Probt Utu Mgaalss Fator-Fator yag Mmgaruh Draat Ortas Pasar Usaha Kcl Mgah (Stud Kasus d Stra Idustr Produ Kult d Kabuat Sdoaro Ryo Fbrawa, Luca Ardat da Wbawat Jurusa Statsta, Faultas

Lebih terperinci

Pemodelan dan Pemetaan Rata-rata Usia Kawin Pertama Wanita di Provinsi Jawa Timur dengan Pendekatan Regresi Logistik Ordinal

Pemodelan dan Pemetaan Rata-rata Usia Kawin Pertama Wanita di Provinsi Jawa Timur dengan Pendekatan Regresi Logistik Ordinal Pmodlan dan Pmtaan Rata-rata Usia Kawin Prtama Wanita di Provinsi Jawa Timur dngan Pndatan Rgrsi Logisti Ordinal Ang Kusumaningtyas P. Ananto, Dr. Vita Ratnasari, S.Si, M.Si Jurusan Statistia, Faultas

Lebih terperinci

APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE)

APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE) APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE) Abdul Gaus Program Studi Tknik Siil Fakultas Tknik Univrsitas Khairun Trnat Tl/Fax (091) 38049 Irnawaty

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhus, Dva Wdyananto,dan Brnadta Dsnova Kr Cntr of Ald Mathmatcs (CAM), Program tud Matmatka

Lebih terperinci

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2 Komonn Utama...Nun Nurhasanah KOMPONEN UAMA UNUK PENGENDALIAN KUALIAS SECARA SAISIK Nun Nurhasanah, Dah Saftr Alumn Program Stu Statsta FMIPA UNDIP Staf Pngaar Program Stu Statsta FMIPA UNDIP Abstract

Lebih terperinci

PENERAPAN REGRESI LOGISTIK ORDINAL UNTUK MENGANALISIS TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS KABUPATEN BULELENG

PENERAPAN REGRESI LOGISTIK ORDINAL UNTUK MENGANALISIS TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS KABUPATEN BULELENG E-Jurnal Matmatia Vol. 4 (), Mi,. 4-8 ISSN: -7 PENERAPAN REGRESI LOGISTIK ORDINAL UNTUK MENGANALISIS TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS KABUPATEN BULELENG Dwa Ayu Mad Dwi Yanti Purnami, I

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. Algorta AdaBoost Dala Pnglasfasan Zulhanf Staf Pngajar Jurusan Statsta FMIPA, Unpad Bandung Eal : dzulhanf@yahoo.co ABSTRAK Mtod AdaBoost rupaan salah satu algorta suprvsd pada data nng yang dtrapaan scara

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL Jural Matmata Mur da Traa Vol5 No Dsmbr : 4-5 ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIA Ry Aula Hj Noor Fajrah Nur Salam Proram Stud Matmata Faultas MIPA Ulam Bajarbaru Kalsl ABSTRAK Estmas tt dar

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

REGRESI LOGISTIK BINER

REGRESI LOGISTIK BINER REGRESI LOGISTIK BINER Mtod rgrs mruaka aalss data yag mdskrska hubuga kausaltas atara varabl rso da rdktor (Hosmr da Lmshow, ). Prbdaa mdasar atara rgrs lr da rgrs logstk adalah ty dar varabl rso. Rgrs

Lebih terperinci

Imam Ahmad Al Fattah 1), Madu Ratna 2), dan Vita Ratnasari 3) 1),2),3)

Imam Ahmad Al Fattah 1), Madu Ratna 2), dan Vita Ratnasari 3) 1),2),3) Analss Fatorfator yang Memengaruh Masa Stud Lulusan Mahaswa Program Magster Insttut enolog Seuluh Noember (IS) Surabaya Menggunaan Regres Logst Ordnal Dan Regres Probt Ordnal Imam Ahmad Al Fattah ), Madu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di: JURNAL GAUSSIAN, Volum, Nomor, ahu 0, Halama 55-64 Ol d: htt://joural-s.ud.ac.d/d.h/gaussa PEMODELAN REGRESI ZERO-INFLAED NEGAIVE BINOMIAL ZINB UNUK DAA RESPON DISKRI DENGAN EXCESS ZEROS Bau Arawa, Suart,

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

Partial Least Squares (PLS) Generalized Linear dalam Regresi Logistik

Partial Least Squares (PLS) Generalized Linear dalam Regresi Logistik Partial Last Squars (PLS) Gnralizd Linar dalam Rgrsi Logistik Rtno Subkti Jurusan Pndidikan Matmatika FMIPA UNY Abstrak Kasus multikoliniritas sringkali diumai dalam rgrsi yang mngakibatkan salah intrrtasi

Lebih terperinci

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

Kata kunci : Probabilitas pemilihan bus, Logit binner, Stated Preference

Kata kunci : Probabilitas pemilihan bus, Logit binner, Stated Preference PROBABILITAS PENGGUNAAN BUS ANGKUTAN ALTERNATIF PADA RUTE JAYAPURA BANDAR UDARA SENTANI AMIRUDDIN Mahasiswa Magistr Bidang Kahlian Manajmn Dan Rkayasa Transortasi Fakultas Tknik Siil dan Prncanaan Institut

Lebih terperinci

Analisis Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

Lebih terperinci

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus Jural EKSPONENSIAL Volum 3, Nomor, M 22 ISSN 285-7829 Itrprtas Paramtr dalam Modl Rgrs Logst utu Varabl Bbas Dotomus Paramtr Itrprtato Logstc Rgrsso Modls for Dcotomus Idpdt Varabl Darah A. Noh Program

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

Lebih terperinci

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut

Lebih terperinci

Palupi, et al, Pengaruh Teknik Talking Stick terhadap Pengetahuan dan Sikap...

Palupi, et al, Pengaruh Teknik Talking Stick terhadap Pengetahuan dan Sikap... Palu, t al, Pngaruh Tknk Talkng Stck trhada Pngtahuan dan Ska... Pngaruh Tknk Talkng Stck trhada Pngtahuan dan Ska dalam Pncgahan HIV/AIDS Pada Rmaja d SMP Ngr 1 Pugr Kabuatn Jmbr (Th ffct of Talkng Stck

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

π(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112

π(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

e + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e

e + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner Pgklasfkasa Pyakt Jatug D RSUD Abdul Wahab Sjahra Samarda Dga Mgguaka Rgrs Logstk Br Classfcato of Hart Dsas RSUD Abdul Wahab Sjahra Samarda Usg Bary Logstk Rgrsso Adras Sutato 1, Darah A. Noh, Syarudd

Lebih terperinci

PEMODELAN MATEMATIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANTAR PANAS

PEMODELAN MATEMATIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANTAR PANAS PEMODELAN MAEMAIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANAR PANAS Mathmatcal Modlng of Hat and Mass ransfr on Fryng by Usng Sand as A Mdum for ransfrng Hat Sswantoro

Lebih terperinci

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM

Lebih terperinci

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE MODE INFEENSI BEBASIS FUZZY NEUA NETWOK MENGGUNAKAN METODE PEMBEAJAAN DETA UE Sr Kusumadw Sr Hartat tantyo Wardoyo Agus Harjoo Jurusan Tn Informata Unvrstas Islam Indonsa Yogyaarta, cc@ft.u.ac.d Faultas

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN II. PERANAN TATITIK DALAM ANALII PERCOBAAN Hal-hal yang prl dplajar. 1. baran Normal dan sbaran t- stdnt. Mmbandngan da harga rata-rata sampl. a. Prbandngan da harga rata-rata sampl tda brpasangan npard

Lebih terperinci

Pemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression

Pemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression JURNAL SAINS DAN SENI IS Vol., No., (Sept. 0) ISSN: 30-98X D-3 Pemodelan Fator-Fator Yang Mempengaruh ngat Buta Huruf Kabupaten/ota d Jawa mur dengan Geographcally Weghted Ordnal Logstc Regresson Nur Lalyah

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. DESKRIPSI DATA Data pnlitian diprolh dari siswa klas XII Jurusan Tknik Elktronika Industri SMK Ma arif 1 kbumn. Data variabl pngalaman praktik industri, kmandirian

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di: ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor 3, ahun 05, Halaman 639-650 Onlne d: http://ejournal-s.undp.ac.d/ndex.php/gaussan PEMODELAN FAKOR-FAKOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA KABUPAEN/

Lebih terperinci

KOMPUTASI DAN DINAMIKA FLUIDA

KOMPUTASI DAN DINAMIKA FLUIDA KOMPUTASI DAN DINAMIKA FLUIDA TUGAS Olh RIRIN SISPIYATI NIM : 006003 Program Studi Matmatia INSTITUT TEKNOLOGI BANDUNG 009 Ercis 40 Ta as initial spctrum a bloc function nonzro for ½. Animat th initial

Lebih terperinci

METODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Yuli Syafti Purnama 1 ABSTRACT

METODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Yuli Syafti Purnama 1 ABSTRACT METODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Yuli Syafti Purnama Mahasiswa Program Studi S Matmatika Fakultas Matmatika dan Ilmu Pngtahuan Alam Univrsitas Riau Kampus

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11]

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11] BAB II TINJAUAN PUSTAKA II.1 Umum Tngkat playanan suatu jarngan jalan tntukan olh waktu prjalanan, baya prjalanan (tarf an bahan bakar), knyamanan, an kamanan pnumpang. Jka trja pnurunan tngkat playanan

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

Pendekatan Hurdle Poisson Pada Excess Zero Data SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d

Lebih terperinci

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST) UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah

Lebih terperinci

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI )

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI ) A VI MODL LKRON AS GAS RMI MARI 6.1. ltron bbas dalam satu dimnsi. 6.1.1.tingat nrgi 6.1..distribusi rmi-dirac 6.1..nrgi rmi 6.. ltron bbas dalam tiga dimnsi. 6..1.nrgi rmi untu tiga dimnsi. 6...cpatan

Lebih terperinci

FAKTOR PENGARUH GADGET TERHADAP KECERDASAN MOTORIK SISWA SD MELALUI REGRESI LOGISTIK ORDINAL

FAKTOR PENGARUH GADGET TERHADAP KECERDASAN MOTORIK SISWA SD MELALUI REGRESI LOGISTIK ORDINAL FAKTOR PENGARUH GADGET TERHADAP KECERDASAN MOTORIK SISWA SD MELALUI REGRESI LOGISTIK ORDINAL Fanny Ayu Octaviana ), Tutut Januar Prtiwi ), Giyanti Linda Purnama 3), Alfisyahrina Hapsry 4), Andriana Yoshinta

Lebih terperinci

Analisis Dinamis Portal Bertingkat Banyak Multi Bentang Dengan Variasi Tingkat (Storey) Pada Tiap Bentang

Analisis Dinamis Portal Bertingkat Banyak Multi Bentang Dengan Variasi Tingkat (Storey) Pada Tiap Bentang Analisis Dinamis Portal Brtingkat Banyak Multi Bntang Dngan Variasi Tingkat (Story) Pada Tiap Bntang Hiryco Manalip Rky Stnly Windah Jams Albrt Kaunang Univrsitas Sam Ratulangi Fakultas Tknik Jurusan Sipil

Lebih terperinci

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract JRNAL MATEMATIKA DAN KOMPTER Vol. 5. No., 4-4, Aprl, ISSN : 4-858 METODE ELEMEN INGGA NTK MASALA SARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF Sutrma Jurusan matmatka FMIPA NS Abstract Th purpos of ths

Lebih terperinci

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB)

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB) OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Stud Kasus Produk Flash Dsk dngan Kapastas Pnympanan 4 GB dan 8 GB) Skrps OLEH: DIAN SETYA ARINI I0307038 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS

Lebih terperinci

Metode Elemen Hingga dan Elemen Batas untuk Antena Celah pada Pemandu Gelombang

Metode Elemen Hingga dan Elemen Batas untuk Antena Celah pada Pemandu Gelombang JTETI, Vol. 4, o., M 5 Mto Elmn ngga an Elmn Batas untu ntna Clah paa Pmanu Glombang Iswan bstract In th hghr frqunc rang, th wall-thcnss causs mor ffcts to th charactrstc of slott wavgu antnna. Ths papr

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324 JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

Pemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network

Pemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: 230-928X D-36 Pmodlan Faktor-faktor yang Mmpngaruhi Prstasi Mahasiswa Pasca Sarjana ITS dngan Rgrsi Logistik dan Nural Ntwork Wijdani Anindya Hadi

Lebih terperinci

METODE EKSTRAKSI FITUR PADA PENGKLASIFIKASIAN DATA MICROARRAY BERBASIS INFORMASI PASANGAN GEN. Nopember, Surabaya, Indonesia.

METODE EKSTRAKSI FITUR PADA PENGKLASIFIKASIAN DATA MICROARRAY BERBASIS INFORMASI PASANGAN GEN. Nopember, Surabaya, Indonesia. METODE EKSTRAKSI FITUR PADA PENGKLASIFIKASIAN DATA MICROARRAY BERBASIS INFORMASI PASANGAN GEN Rully Solaiman,, Sha Agustianty, Yudhi Purwananto, dan I K Eddy Purnama Jurusan Tknik Informatika, Fakultas

Lebih terperinci

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan Aplikasi Intgral Intgral dapat diaplikasikan k dalam banyak hal. Dari yang sdrhana, hingga aplikasi prhitungan yang sangat komplks. Brikut mrupakan aplikasi-aplikasi intgral yang tlah diklompokkan dalam

Lebih terperinci

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

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk

Lebih terperinci

MODEL STATISTIKA UNTUK FERTILITAS PERKAWINAN DENGAN PENDEKATAN EKSPONENSIAL. Abstrak

MODEL STATISTIKA UNTUK FERTILITAS PERKAWINAN DENGAN PENDEKATAN EKSPONENSIAL. Abstrak MODEL STATISTIKA UTUK FERTILITAS PERKAWIA DEGA PEDEKATA EKSPOESIAL Endang Sri Krsnaati Jurusan Matmatika FMIPA Univrsitas Sriiaa ndangsrikrsnaati@ahoo.co.id Abstrak Frtilitas rkainan dingaruhi olh faktor

Lebih terperinci

ESTIMASI MODEL KEBUTUHAN TRANSPORTASI MENGGUNAKAN DATA ARUS LALU LINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN

ESTIMASI MODEL KEBUTUHAN TRANSPORTASI MENGGUNAKAN DATA ARUS LALU LINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN ESTIMASI MODEL KEBTHAN TRANSPORTASI MENGGNAKAN DATA ARS LAL LINTAS PADA KONDISI PEMILIHAN RTE KESEIMBANGAN Rusmad Suyut Staf Pngaar Jurusan Tknk S nvrstas Muhammadyah Jakarta Jn. Cmaka Puth Tngah 27, Jakarta

Lebih terperinci

FAKTOR YANG BERPENGARUH TERHADAP KONDISI GRADE KANKER PAYUDARA DI RUMAH SAKIT ONKOLOGI SURABAYA MENGGUNAKAN REGRESI LOGISTIK ORDINAL

FAKTOR YANG BERPENGARUH TERHADAP KONDISI GRADE KANKER PAYUDARA DI RUMAH SAKIT ONKOLOGI SURABAYA MENGGUNAKAN REGRESI LOGISTIK ORDINAL TUGAS AKHIR SS 4556 FAKTOR YANG BERPENGARUH TERHADAP KONDISI GRADE KANKER PAYUDARA DI RUMAH SAKIT ONKOLOGI SURABAYA MENGGUNAKAN REGRESI LOGISTIK ORDINAL ELIYA AINUL FARRI NRP 34 030 040 Pmbimbing Ir. Sri

Lebih terperinci

Faktor- Faktor yang Mempengaruhi Siswa Usia Wajib Belajar Putus Sekolah (Studi Kasus di Surabaya Utara)

Faktor- Faktor yang Mempengaruhi Siswa Usia Wajib Belajar Putus Sekolah (Studi Kasus di Surabaya Utara) Smar Nasoal Statstka IX Susat Luwh, Mutah Salamah da Wbawat Isttut Tkolog Suluh Nombr, 7 Novmbr 9 Faktor- Faktor ag Mmgaruh Sswa Usa Wab Blaar Putus Skolah Stud Kasus d Surabaa Utara Susat Luwh, Mutah

Lebih terperinci

ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011).

ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). Try Azsah Nurman Dosen Pada Jurusan Matemata, Faultas Sans

Lebih terperinci

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

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volum 4, Nomor 4, Tahu 015, Halama 97-936 Ol d: http://joural-s1.udp.ac.d/dx.php/gaussa ANALISIS KEPUTUSAN KONSUMEN MEMILIH BAHAN BAKAR MINYAK (BBM MENGGUNAKAN MODEL REGRESI

Lebih terperinci

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL J-Statistika Vol 4 No PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL Prmadina Kanah Ariska -mail : blaar_statistika@yahoo.com ABSTRAK Rgrsi logistik

Lebih terperinci

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA LAPORAN PENELITIAN MANDIRI PENELITI RESA SEPTIANI PONTOH NIP : 132 317 117 JURUSAN STATISTIKA

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-140

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-140 JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) 337-350 (301-98X Prt) D-140 Faktor-Faktor yag Mmgaruh Pyakt Malara ada Ibu Haml d Provs Nusa Tggara Barat, Nusa Tggara Tmur, Maluku, Maluku Utara, Paua,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

Model Statistika untuk Fertilitas Perkawinan dengan Pendekatan Eksponenesial

Model Statistika untuk Fertilitas Perkawinan dengan Pendekatan Eksponenesial PROSIDIG ISB : 978 979 6353 6 3 Modl Statistika untuk Frtilitas Prkainan dngan Pndkatan Eksonnsial S 3 Endang Sri Krsnaati Jurusan Matmatika FMIPA Univrsitas Sriiaa ndangsrikrsnaati@ahoo.co.id Abstrak

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah JEKT JURNAL EKONOMI 9 [] : 80 KUANTITATIF - 84 TERAPAN Vol. 9 No. FEBRUARI 06 ISSN : 30-8968 Modl Rrs Lost pada Klulusa Uja Srtfas Padaa Bara da Jasa Pmrtah Ru *) ABSTRAK Modl rrs mrupaa alat utu maalss

Lebih terperinci

Pemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression

Pemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prnt) D-333 Pemetaan Anga Gz Buru pada Balta d Jawa Tmur dengan Geographcally Weghted Regresson Adtya Kurnawat, Mutah Salamah C., dan Shof Andar

Lebih terperinci

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi BAB IV AKSIRA MAKSIMUM LIKELIHOOD FUGSI IESIAS POISSO OHOMOGE 4 Pndahuluan Brku n, akan dbahas nang dua pndkaan unuk mndapakan aksran fungs nnsas pross Posson nonhomogn, yau scara ors dan sud kasus Pada

Lebih terperinci

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak Pmodla Rgrs Zro Ilatd Posso... Ala star PEMODEAN REGRESI ZERO INFAED POISSON APIKASI PADA DAA PEKERJA SEKS KOMERSIA DI KINIK REPRODUKSI PUA JAYA SURABAYA Ala star Purhad Madu Rata Jurusa Spl Uvrstas Ad

Lebih terperinci

Neutrino Majorana dan Osilasinya

Neutrino Majorana dan Osilasinya Nrno Majorana dan Oslasnya Dosn Pmbmbng ; Ags Prwano D.S Olh ; Mahndra Sara H 8 4 Jrsan Fsa Falas Mamaa dan Ilm Pngahan Alam Ins Tnolog Slh Nombr Srabaya Fsa-FMIPA ITS Srabaya aar Blaang 9 : Nrno rama

Lebih terperinci

Rahmadeni 1, Zulya Desmita 2 ABSTRAK. Kata Kunci: Overdispersi, Regresi Binomial Negatif, Regresi Generalized Poisson, Regresi Poisson.

Rahmadeni 1, Zulya Desmita 2 ABSTRAK. Kata Kunci: Overdispersi, Regresi Binomial Negatif, Regresi Generalized Poisson, Regresi Poisson. Jurnal Sans Matematka dan Statstka, Vol. No. Jul 16 ISSN 46-454 Perbandngan Model Regres Generalzed Posson Dan Bnomal Negatf Untuk Mengatas Overdspers Pada Regres Posson (Stud Kasus: Penderta Flarass d

Lebih terperinci

Analisis Sensitivitas

Analisis Sensitivitas Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,

Lebih terperinci

Pertemuan XIV, XV VII. Garis Pengaruh

Pertemuan XIV, XV VII. Garis Pengaruh ahan jar Statika ulyati, ST., T rtmuan X, X. Garis ngaruh. ndahuluan danya muatan hidup yang brgrak dari satu ujung k ujung lain pada suatu konstruksi disbut bban brgrak. isalkan ada sbuah kndaraan mlalui

Lebih terperinci

PROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX

PROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX Prosiding SPMIPA. pp. 3-39, 006 ISBN : 979.704.47.0 PROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX Eka Ariani, Agus Rusgiyono Jurusan Matmatika FMIPA Univrsitas Dipongoro Jl.

Lebih terperinci

Pemodelan Angka Buta Huruf di Kabupaten/Kota se-jawa Timur dengan Metode Geographically Weighted t Regression

Pemodelan Angka Buta Huruf di Kabupaten/Kota se-jawa Timur dengan Metode Geographically Weighted t Regression JURNAL EKNIK IS Vol. 6, No., (7) ISSN: 337-3539 (3-97 Prnt) D- Pemodelan Anga Buta Huruf d Kabupaten/Kota se-jawa mur dengan Metode Geographcally Weghted t Regresson Nndya Kemala Astut, Purhad, dan Shof

Lebih terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan

Lebih terperinci