ABSTRACT. Mathematics, IPB. For censored data, survival time using Exponential method is St ˆ( ) = e λ

Ukuran: px
Mulai penontonan dengan halaman:

Download "ABSTRACT. Mathematics, IPB. For censored data, survival time using Exponential method is St ˆ( ) = e λ"

Transkripsi

1 ANALII DATA URVIVAL WAKTU TUNGGU MENDAPATKAN PEKERJAAN PERTAMA DENGAN MENGGUNAKAN METODE EKPONENIAL DAN WEIBULL MARLINA RAHMAWATI G5433 DEPARTEMEN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM INTITUT PERTANIAN BOGOR BOGOR 8

2 ABTRACT MARLINA RAHMAWATI. Analyss survval daa wang me o ge a frs job by usng Eksponensal dan Webull meods. upervsed by HADI UMARNO and RETNO BUDIARTI. In daly lfe uman always nvolved w me, one example s perod me some alumny from graduaon unl ey are geng a job. Ts daa can be observed enrely or censored because ere are objecs a ddn ge a job unl e end of e observed so a s needed a suable meod. In s paper wo paramerc meods, ere are Exponenal and Webull meods were used o analyss e wang me o ge a frs job of alumny 998 unl 3 of Deparmen of Maemacs, IPB. For censored daa, survval me usng Exponenal meod s ( ) = e λ, λ γ and usng Webull meod s ( ) = e w λ s scale parameer, γ s sape parameer and s survval me. Based on ese analyss, Webull meod s more suable an Exponenal meod. Te resul of covarae analyss usng e Webull meod sowed a age and GPA ave sgnfcan effec on wang me o ge a frs job.

3 ABTRAK MARLINA RAHMAWATI. Analss daa survval waku unggu mendapakan pekerjaan perama dengan menggunakan meode Eksponensal dan Webull. Dbmbng ole HADI UMARNO dan RETNO BUDIARTI. Dalam kedupan sear-ar manusa selalu berubungan dengan waku, sala sau cono yau jangka waku alumn dar kelulusan ngga mendapakan pekerjaan. Daa n dak bsa dama secara uu aau ersensor karena ada objek yang dak mendapakan pekerjaan ngga akr pengamaan, sengga dperlukan meode yang sesua. Dalam karya lma n dgunakan dua meode paramerk yau meode Eksponensal dan Webull unuk menganalss waku unggu mendapakan pekerjaan perama dar alumn Deparemen Maemaka, FMIPA IPB aun masuk 998 s/d 3. Tngka survval meode Eksponensal dapa dcar dengan persamaan ( ) = e λ λ γ sedangkan meode Webull ( ) = e dengan λ adala parameer scale, γ adala parameer sape dan adala waku survval. Berdasarkan asl analss daa yang dgunakan, meode Webull leb sesua darpada meode Eksponensal. edangkan asl analss meode Webull, covarae yang berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama adala usa dan IPK.

4 ANALII DATA URVIVAL TIDAK MENDAPATKAN PEKERJAAN DENGAN MENGGUNAKAN METODE EKPONENIAL DAN WEIBULL krps ebaga sala sau syara unuk memperole gelar arjana ans pada Fakulas Maemaka dan Ilmu Pengeauan Alam Insu Peranan Bogor Ole : MARLINA RAHMAWATI G5433 DEPARTEMEN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM INTITUT PERTANIAN BOGOR BOGOR 8

5 Judul : Analss Daa urvval Waku Tunggu Mendapakan Pekerjaan Perama Menggunakan Meode Eksponensal dan Webull Nama : Marlna Ramawa NRP : G5433 Menyeuju : Pembmbng I, Pembmbng II, Dr. Ir. Had umarno, M. NIP Ir. Reno Budar, M. NIP Mengeau : Dekan Fakulas Maemaka dan Ilmu Pengeauan Alam Insu Peranan Bogor Dr. dr. Hasm, DEA NIP Tanggal Lulus :

6 PRAKATA Puj dan syukur penuls panjakan kepada Alla WT. Aas lmpaan nkma dan kas sayang-nya penuls dapa menyelesakan karya lma n. alawa sera salam semoga selalu ercura kepada Rasululla Muammad AW yang menjad panuan bag umanya ngga akr jaman. ebaga manusa basa, keerbaasan dan kekurangan menjad bagan dalam penulsan karya lma n. elama proses penulsan karya lma n, penuls banyak memerlukan banuan, bak banuan morl dan maerl. Ole karena u, pada kesempaan n penuls ngn mengucapkan banyak erma kas kepada:. Bapak Had umarno selaku Pembmbng I, yang ela banyak meluangkan waku, pkran, masukkan, dan araan selama proses pengerjaan karya lma n, Ibu Reno Budar selaku Pembmbng II aas bmbngan dan saran yang ela dberkan, juga kepada Bapak Kua aas kesedaan belau menjad penguj sera saran dan masukkan yang ela dberkan.. Mm dan Bapak sera Mm Ua, erma kas aas dukungan bak moral maupun maerl. Kakakku Dna dan Kedua adkku ercna, Nov dan Lel, erma kas aas segala dukungan kalan. 3. eluru dosen Deparemen Maemaka IPB, aas lmu yang ela dberkan selama masa kula. era kepada seluru saf Deparemen Maemaka, erma kas aas banuan yang ela dberkan. 4. Aam, Al dan Dw aas kesedaannya menjad pembaas pada saa semnar. 5. aaba-saaba erbakku Els, Nce, Ulfa,, r, Mayang dan Yuda aas persaabaan, cna, dukungan, semanga dan doa yang ela kalan berkan selama n. 6. Keluarga besar Maemaka 4: Els, r, ulfa (aas keseaan kalan menungguku selama sdang), Aam, Al, Abay,Vna, ep, Tw, Ifn, Ll, Mayang, Ma, Muf, Yuda, Ica, Azs, Prma, Ar, Mka, Ully, Abdlla, Jayoe, Yud, Rusl, Berr, Dw, Rama, Inda, Anon, Dmas, Walda, Mea, Ace, Hern, Ame, Gaa, Febran, Yusuf, Dem Nsa, dan Pura. Terma kas aas persabaaan, kebersamaan, dan keceraan yang ela ka lewa selama masa perkulaan. Kalan adala sebak-bak eman yang selalu menjadkan masa-masa kebersamaan ka penu warna. emoga kebersamaan n akan eap erjaga. 7. Ukuwa crew: Ulfa, Alen, Ulan, Res, Els, Mbak Dw, Ika dan Mla aas dukungan, semanga, doa, dan kebersamaan yang ela kalan berkan. 8. eluru Maasswa Maemaka, kakak kelas dan adk kelas yang ela membanu dan memberkan semanga sera doanya. 9. Unuk T Eus, Ia, Ec, A Luf, A Ade dan A Endang, erma kas aas dukungannya.. era kepada semua pak yang ela banyak membanu selama proses penyelesaan ugas akr n. Moon maaf karena keerbaasan penuls dak dapa meyebukan sau per sau. Penuls menyadar mas ada kekurangan dalam karya lma n. Ole karena u, krk dan saran dar berbaga pak akan sanga membanu menyempurnakan ulsan n. Akr kaa, penuls berarap semoga karya lma n dapa memberkan manfaa bag ka semua. Bogor, Januar 8 Marlna Ramawa

7 RIWAYAT HIDUP Penuls dlarkan d Bogor pada anggal 5 Okober 985 sebaga anak kedua dar empa bersaudara. Aya bernama Nanang apura, BA dan Ibu bernama Ll Pula. Penuls menyelesakan penddkan ekola Dasar pada aun 997 d D Neger Harjasar I, ekola Lanjuan Tngka Perama Neger 9 Bogor aun, ekola Menenga Umum Neger 3 Bogor aun 3, dan masuk Deparemen Maemaka Insu Peranan Bogor melalu jalur UMI pada aun 3. elama masa perkulaan, penuls perna menjad anggoa akf dalam mpunan profes Gugus Maasswa Maemaka IPB sebaga saf Deparemen Kepuran pada perode 4/5 dan sebaga saf Deparemen Wra Usaa perode 5/6.

8 DAFTAR II Halaman Dafar Grafk... Dafar Lampran... PENDAHULUAN... Laar Belakang... Permasalaan... Tujuan... DEFINII DAN NOTAI... DATA DAN METODE... 4 Daa urvval... 4 Fungs urvvor meode Eksponensal... 5 Fungs urvvor meode Webull... 5 Fungs Hazard meode Eksponensal... 6 Fungs Hazard meode Webull... 6 Pendugaan Parameer Meode Paramerk Tanpa Covarae... 7 Penduga dan andar Error bag Parameer λ meode Eksponensal... 7 Penduga dan andar Error bag Parameer λ dan γ meode Webull... 9 Meode Webull dengan Covarae... 9 Benuk Log-lnear dar meode Webull Proporonal Hazard... CONTOH KAU... IMPULAN DAN ARAN... DAFTAR PUTAKA... LAMPIRAN...

9 DAFTAR GRAFIK Halaman Grafk. Fungs urvvor meode Eksponensal unuk parameer λ = dan λ = Grafk. Fungs urvvor meode Webull unuk parameer λ = dan γ yau 3 dan Grafk 3. Fungs urvvor meode Webull unuk parameer λ =. dan γ yau 3 dan.5 6 Grafk 4. Fungs Hazard meode Eksponensal unuk parameer λ = dan λ = Grafk 5. Fungs Hazard meode Webull unuk parameer λ =. dan γ yau 3 dan Grafk 6. Fungs Hazard meode Webull unuk parameer λ = dan γ yau 3 dan Grafk 7. Fungs urvvor meode Eksponensal daa ersensor anpa covarae... Grafk 8. Fungs Hazard meode Eksponensal daa ersensor anpa covarae... Grafk 9. Fungs urvvor meode Webull daa ersensor anpa covarae... Grafk. Fungs Hazard meode Webull daa ersensor anpa covarae... Grafk. Fungs urvvor meode Webull daa ersensor covarae wana dan lak-lak. 3 Grafk. Fungs Hazard meode Webull daa ersensor covarae wana dan lak-lak... 4 Grafk 3. Fungs urvvor meode Webull daa ersensor covarae usa dan Grafk 4. Fungs Hazard meode Webull daa ersensor covarae usa dan Grafk 5. Fungs urvvor meode Webull daa ersensor covarae IPK.5 dan Grafk 6. Fungs Hazard meode Webull daa ersensor covarae IPK.5 dan Grafk 7. Fungs urvvor meode Webull daa ersensor mulple covarae usa dan 4 7 Grafk 8. Fungs Hazard meode Webull daa ersensor mulple covarae usa dan Grafk 9. Fungs urvvor meode Webull daa ersensor mulple covarae usa IPK.5 dan Grafk. Fungs Hazard meode Webull daa ersensor mulple covarae usa IPK.5 dan Grafk. Fungs urvvor meode Webull daa ersensor mulple covarae wana dan Lak-lak... 9 Grafk. Fungs Hazard meode Webull daa ersensor mulple covarae wana dan Lak-lak... 9 Grafk 3. Fungs urvvor meode Webull daa ersensor mulple covarae usa dan 5 Grafk 4. Fungs Hazard meode Webull daa ersensor mulple covarae usa dan.. 5 Grafk 5. Fungs urvvor meode Webull daa ersensor mulple covarae usa dan 6 Grafk 6. Fungs Hazard meode Webull daa ersensor mulple covarae usa dan.. 6 Grafk 7. Fungs urvvor meode Webull daa ersensor mulple covarae usa dan 3 7 Grafk 8. Fungs Hazard meode Webull daa ersensor mulple covarae usa dan 3.. 7

10 DAFTAR LAMPIRAN Halaman andar error persenl ( p)... Transformas fungs urvvor T dengan fungs urvvor meode Webull Proporonal Hazard... 3 Daa survval waku unggu mendapakan pekerjaan perama alumn Maemaka IPB... 4 Daa ersensor dengan mulple covarae anara usa dengan, dan 3 aun... 5 Analss urvval ofware A Daa ersensor anpa covarae... 8 Analss urvval ofware A Daa ersensor dengan covarae... 3 Analss urvval ofware A Daa ersensor dengan mulple covarae... 35

11 PENDAHULUAN Laar belakang Daa survval serng djumpa dalam pengamaan yang mengandung resko bawa subjek dak dapa dama sampa muncul kejadan yang dmaksud seper kemaan seela seseorang mengdap penyak, waku mendapa pekerjaan seela seseorang lama menganggur dll. Unuk mempelajar daa survval yang umumnya dak dapa dama secara uu (censored) dperlukan suau analss yang berbeda dbandngkan dengan analss daa dak ersensor. Daa ersensor merupakan daa yang dak lengkap sengga dperlukan meode yang cocok menganalssnya. Daa survval dmanfaakan dalam bdang kedokeran, ndusr, ekonom, sosal dan lanlan. Bdang kedokeran: lamanya seseorang mengdap penyak, bdang ndusr: lamanya suau mesn beraan sampa rusak, bdang ekonom: lamanya barang produks sampa erjual dan bdang sosal: berkaan dengan perjodoan seseorang. Permasalaan Beberapa analss daa yang serng dgunakan adala meode Lfe Table dan meode Kaplan Meer. Jka ada daa survval yang melbakan peuba penjelas aau covarae maka analss meode Lfe able dan Kaplan Meer menjad dak sesua karena erlalu banyak populas yang arus dbandngkan sengga dperlukan meode lan yang leb bak unuk mengama permasalaan ersebu. Tujuan Tujuan penulsan karya lma n adala. Mempelajar meode dan analss daa survval menggunakan meode paramerk yau meode Eksponensal dan Webull.. Memerksa pengaru jens kelamn, usa dan IPK eradap ngka survval waku unggu mendapakan pekerjaan perama bag alumn deparemen maemaka IPB menggunakan meode yang leb bak anara meode Eksponensal dan Webull. DEFINII DAN NOTAI Defns [ Ruang Cono ] Ruang cono adala mpunan semua asl yang mungkn dar suau percobaan acak dan dnoaskan Ω. (Grmme & rzaker, 99) Defns [ Kejadan ] Kejadan adala suau mpunan bagan dar ruang cono. (Grmme & rzaker, 99) Defns 3 [Medan -σ ] Medan -σ adala suau mpunan yang anggoanya erdr aas mpunan bagan dar Ω yang memenu konds berku:. F. Jka A, A,... F maka A = F c 3. Jka A F maka A F (Grmme & rzaker, 99) Defns 4 [ Peuba Acak ] Msalkan F adala medan-σ dar ruang cono. uau peuba acak X adala suau fungs X : Ω R dengan sfa { ω Ω: X ( ω) x} F unuk seap x R. (Grmme & rzaker, 99) Defns 5 [ Fungs ebaran ] Fungs sebaran dar suau peuba acak X adala suau fungs F : R [, ] yang dberkan ole F X ( x) = P( X x). (Grmme & rzaker, 99) Defns 6 [ Peuba Acak Konnu ] Peuba acak X dkaakan konnu jka fungs sebarannya dapa dnyaakan sebaga x F X ( x) = f ( u) du, x R dengan f : R [, ) adala fungs yang ernegralkan. Fungs f ( x) dkaakan fungs kepekaan peluang dar peuba acak. (Grmme & rzaker, 99)

12 Defns 7 [ Nla Tenga suau Peuba Acak ] Msalkan X adala peuba acak dengan sebaran konnu maka nla enga bag X adala µ = E( X) = xf( x) dx (Hogg & Crag, 995) µ Defns 8 [ Ragam suau Peuba Acak] Bla X adala peuba acak dengan sebaran konnu maka ragam bag X adala σ = E[( X µ ) ] = E( X µ X + ) = E( X ) µ E( X) + µ = E( X ) µ + µ = E( X ) µ (Hogg & Crag, 995) Defns 9 [ Daa urvval ] Daa survval adala daa yang ddapa pada jangka waku awal pengamaan sampa erjad suau perswa (resko). Daa survval dapa dama secara lengkap (daa dak ersensor) dan dak lengkap (daa ersensor). (Lee, 99) Defns [ Daa Tersensor ] Daa survval ndvdu dkaakan ersensor jka ndvdu ersebu dak bsa dama sampa akr karena adanya ndvdu yang lang aaupun dengan alasan lan sengga daa dak bsa dama aau sampa akr pengamaan ndvdu ersebu belum mengalam perswa (resko). (Colle, 994) Defns [ensor Tk] ensor k adala sala sau jens sensor eradap objek yang dama mula dar waku T sampa T dan selama u objek dapa dmonor secara konnu dan waku kejadan dapa dla dengan bak. ensor k (Pon censorng) erdr dar : a. ensor kanan : - sensor kanan jens I; ersensor karena dak mengalam kejadan sampa akr masa pengamaan - sensor kanan jens II; ersensor karena dak bsa mengku pengamaan sampa akr akba adanya kejadan lan d luar yang menjad peraan b. ensor kr : Tersensor karena objek suda mengalam kejadan sebelum awal pengamaan. ebua kasus enang daa ersensor kr msalnya keka objek amaan dalam sud AID suda erkena HIV- seroposve saa ddafar dan varabel waku menjad peraan adala nkubas dar AID c. ensor kr dan kanan : Tersensor karena mengalam sensor kr dan kanan. Msalnya pada kasus AID, seseorang suda erkena HIV- seroposve pada saa ddafar eap sampa akr pengamaan mas bebas AID. d. ensor kr dan kanan secara lengkap : Dalam beberapa aplkas, serng kal waku awal dan waku akr dar suau kejadan erjad sebelum waku pengamaan dmula aau seela waku pengamaan selesa yang dkenal sebaga sensor kr secara lengkap dan sensor kanan secara lengkap. (Lee, 99) Defns [ Meode Paramerk ] Meode paramerk adala meode analss yang memlk asums sebaran msalnya daa yang dama menyebar normal, bnom dan lan-lan. (Hogg & Crag, 995) Defns 3 [Fungs urvvor ] Fungs urvvor (()) adala fungs yang menyaakan peluang seseorang dapa beraan ngga aau leb dar waku. Rumus umum dar fungs urvvor ddefnskan sebaga berku () = PT ( ) = F () Dengan meode fungs sebaran F() ddefnskan sebaga berku F() = P( T ) = f( u) du Varabel acak T mempunya fungs kepekaan peluang f() adala d() f() = d

13 Teorema : Jka fungs urvvor () = PT ( ) maka dapa dunjukkan bawa fungs kepekaan d() peluang dar T adala f () = d Buk: f( u) du+ f ( u) du = f ( u) du + ( ) = ( ) = f( udu ) kedua ruas durunkan eradap d[ fudu] d[ ( )] = d d Terbuk. d() = d f () (Colle, 994). Defns 4 [ Fungs Hazard ] Fungs azard (()) adala fungs yang menyaakan peluang seseorang mengalam resko aau suau kejadan seper mennggal, kegagalan aau mendapakan pekerjaan pada waku dengan syara bawa seseorang u ela beraan (survve) ngga waku. Waku kelangsungan pengangguran seseorang pada saa T erleak anara dan + δ, jka seseorang u ela beraan dak mendapakan pekerjaan waku dengan nla T leb besar dar yang duls () = P ( T + δ T ) Lm dar fungs Hazard dbag dengan δ keka δ mendeka yau P ( T + δ T ) () = lm δ δ dar defns d aas ddapa ubungan anar fungs urvvor dan fungs Hazar P ( T< + δ) lm P ( T + δ T ) = lm δ δ PT ( ) F ( + δ) F ( ) = lm δ δ () f () = () d() karena f () =, maka d d() () = d () d() d () = () kedua ruas dnegralkan d() d () = () H () = ln( ()) ln( ( )) = H ( ) () = exp( H ()) (Cox dan Oakes, 984) Defns 5 [ Fungs Lkelood ] Fungs Lkelood dapa ddefnskan sebaga berku L( θ ) = f ( x : θ) f ( x : θ)... f ( x n : θ ) Fungs ln-lkelood ddferensaskan eradap θ yau ln L( θ ) n ln f ( x : θ ) Z = = = θ = θ dengan mencar solus dar persamaan d aas maka akan demukan penduga θ yang memaksmumkan fungs Lkelood. (Hogg & Crag, 995) Defns 6 [ Ragam bag Penduga Parameer] Ragam bag penduga parameer θ yang memaksmumkan fungs Lkelood ddefnskan sebaga berku d ln L ( θ ) var( θ ) E dθ dan sandar error θ merupakan akar dar ragam θ yau se..( θ ) = var( θ ) (Colle, 994) Defns 7 [ Uj Hpoess ] Uj poess adala suau pernyaaan aau dugaan yang dgunakan unuk menerma aau menolak suau poess dar asl amaan. Hpoesa mengena populas yang akan ka erma kebenarannya sampa ada buk menolaknya dnamakan poess nol ( H ). Apabla poess n dolak kebenarannya maka ada poess lan yang ka anggap

14 benar yau poess andngan ( H ). Dalam perumusan H dkenal macam poess yau: a. Hpoess eka ara. H : µ µ. H : µ µ H : µ > µ H : µ < µ b. Hpoess dw ara H : µ = µ H : µ µ (Hogg & Crag, 995) Defns 8 [ Persenl ] Persenl adala nla-nla yang membag segugus pengamaan menjad bagan yang sama. Nla-nla u dlambangkan dengan P, P... P 99 bersfa bawa % dar seluru daa erleak dbawa P, % erleak dbawa P dan 99% erleak dbawa P 99. (Walpole, 99) Defns 9 [ Uj Kebebasan C-quare ] Uj kebebasan c square adala suau pernyaaan aau dugaan yang dgunakan unuk menguj poess kebebasan anara dua peuba. Pernyaaan poess yang akan duj adala sebaga berku : H : Peuba yang sau dak mempengaru peuba yang lan aau dua peuba yang dama bersfa bebas. H : Peuba yang sau mempengaru peuba yang lan aau dua peuba yang dama bersfa dak bebas. Uj kebebasan ddasarkan pada besaran ( o e ) χ = e χ merupakan nla bag peuba acak, χ yang sebaran penarkan cononya sanga mengampr sebaran c-square. Lambang o menyaakan frekuens erama dan lambang e menyaakan frekuens arapan. Unuk araf nyaa sebesar α, nla krknya χ α dapa dperole dar abel nla krk sebaran c-square. Jka χ > χ α maka olak poes nol ( H ) dan jka selannya maka poess nol derma. ( Walpole, 99) DATA DAN METODE Daa urvval Dalam karya lma n menggunakan daa survval waku unggu mendapakan pekerjaan perama bag alumn deparemen Maemaka IPB. Daa survval n dapa dla pada lampran 3. Daa survval mengandung empa nformas yau:. Waku kejadan (falure me ) yau waku alumn mendapakan pekerjaan.. Banyaknya objek yang mengalam kejadan. 3. Banyaknya objek yang ersensor c j 4. Covarae aau varabel penjelas. Jka c j = maka dsebu daa survval dak ersensor kemudan sebalknya jka c j maka dsebu daa survval ersensor. Covarae yang dgunakan dalam karya lma n adala jens kelamn, usa dan IPK. Covarae usa dan IPK merupakan daa numerk sedangkan covarae jens kelamn merupakan daa bner. Unuk jens kelamn danda dengan angka unuk lak-lak dan unuk wana. Dalam karya lma n anya dbaas penyelesaan masala daa survval dengan melbakan parameer dengan menggunakan meode paramerk yau meode Eksponensal dan Webull. Langka-langka yg dgunakan dalam menganalss daa survval yau. Menganalss daa ersensor anpa covarae dengan menggunakan meode Eksponensal dan Webull.. Meode yang leb bak anara meode Eksponensal dan Webull dgunakan unuk menganalss daa ersensor dengan covarae. 3. Dalam menganalss daa ersensor dengan covarae dgunakan langka-langka sebaga berku : - Analss daa ersensor dengan sau covarae. - Analss daa ersensor dengan mulple covarae. Fungs urvvor Meode Eksponensal

15 Teorema : Jka fungs kepekaan peluang meode Eksponensal f () = λe λ maka dapa dunjukkan bawa fungs urvvor adala () = e λ Akan dbukkan: () = e λ Buk: () = F () karena F() = f( u) du maka : F() = λe λu du λ λu = e λ = e λu λ = e + e λ = e Jad: Terbuk. () = F () = + e λ = e λ () Grafk. Fungs urvvor meode Eksponensal HL keerangan : λ = λ =. Grafk dapa dla bawa dengan meode Eksponensal, jka semakn kecl nla parameer λ maka semakn besar nla fungs urvvor dan jka semakn beramba waku survval maka semakn menurun nla fungs urvvor. Grafk nla fungs urvvor akan mendeka nol jka waku survval semakn besar. In memperlakan bawa semua objek akan mendeka waku kejadan (falure me). Persenl p sebaran waku survval ( p ), p dengan fungs urvvor (( p)) = adala p exp( λ( ( p)) = p λ( ( p)) = ln ( p ) = ln () λ p Fungs urvvor Meode Webull Teorema 3: Jka fungs kepekaan peluang meode γ γ λ Webull adala f() = λγ e maka dapa dunjukkan bawa fungs urvvor adala γ λ () = e. Akan dbukkan: γ λ () = e Buk: () = F () = f ( u ) du γ = λγ u e λu γ du Dengan menggunakan negral subsus λuγ Msal : s = e γ λu ds = λγ u e γ du uγ λγuγ e λ du = ds = s λuγ = e γ λuγ λuγ λγ u e du = e λγ = e + e λγ = e + Jad () = F () γ λ = + e λγ = e (3) Terbuk.

16 Grafk. Fungs urvvor meode Webull HL keerangan : λ = dan γ = λ = dan γ = 3 Grafk 3. Fungs urvvor meode Webull HL keerangan : λ =. dan γ = λ =. dan γ = 3 Grafk 3 dengan nla parameer λ leb kecl dar Grafk dan nla parameer γ yang sama maka nla fungs urvvor Grafk 3 leb besar dar Grafk. Persenl p meode Webull ( p) dengan p fungs urvvor (( p)) = adala γ p exp( λ( p) ) = p ( ) γ λ( p) = ln γ ( p) = ln λ p ( p) = ln λ p / γ (4) Fungs Hazard Meode Eksponensal Fungs Hazard meode Eksponensal dapa drumuskan sebaga berku λ f () λe () = = () λ e = λ (5) Fungs kepekaan peluang peuba acak T meode Eksponensal mempunya nla raaraa yau µ = λ. Akbanya dapa duls bawa fungs Hazard () = µ dan sebaran waku survval mempunya nla raa-raa µ. Grafk 4. Fungs Hazard meode Eksponensal HL keerangan : λ = λ =. Fungs Hazard Meode Webull Fungs Hazard meode Webull dapa drumuskan sebaga berku γ λγ f () λγ e γ () = = λγ () λγ = (6) e Unuk < dan λ, γ >. Dalam kasus kusus yau γ =, fungs Hazard meode Webull mempunya nla konsan λ, n sama dengan fungs Hazard meode Eksponensal. Unuk nla γ lannya maka fungs Hazard akan menurun aau menngka monoon. Nla raa-raa varabel acak T meode Webull ( W ( λ, γ )) dapa dberkan sebaga berku / γ ET ( ) = λ Γ ( γ + ) (7) dmana Γ ( x) fungs Gamma yang ddefnskan sebaga berku x µ Γ ( x) = µ e dµ Γ ( n) = ( n )! dengan nla n adala neger posf.

17 Grafk 5. Fungs Hazard meode Webull HL keerangan : λ =. dan γ = λ =. dan γ = 3 Grafk 6. Fungs Hazard meode Webull HL keerangan : λ = dan γ = λ = dan γ = 3 Pendugaan Parameer Meode Paramerk Tanpa Covarae Pendugaan parameer meode paramerk unuk pengamaan daa survval menggunakan fungs Lkelood dmana dak ada pengamaan yang ersensor. Jka fungs kepekaan peluang dar peuba acak yang berubungan dengan waku survval adala f () maka fungs Lkelood n pengamaan,... n adala n = f ( ) (8) Basanya daa survval mempunya sau aau leb waku survval ersensor. Jka r adala banyaknya ndvdu yang mendapakan pekerjaan pada waku () < () <... < ( r ) dan n r adala banyaknya ndvdu pada * * * waku (), ()... ( n r) adala sensor kanan maka waku mendapakan pekerjaan r dapa dkonrbuskan dalam benuk: r f ( ( j) ) (9) j= Dalam al n ka dak bsa mengndakan nformas enang pengamaan survval n r ndvdu unuk waku survval yang ersensor yang ela dcaa yau waku * survval yang ersensor pada waku dan fungs urvvor ( * ). Pengamaan eradap daa yang ersensor dapa dbenuk dalam fungs Lkelood dengan n pengamaan yau r n r f( ) ( * ) () ( j) ( ) j= = dengan r adala daa yang mendapakan pekerjaan dan n r adala daa yang ersensor kanan I. Leb kompleks lag, jka dduga bawa daa n observas adala (, δ ) dengan =,.... Noas δ merupakan ndkaor varabel dengan menganggap bawa yau waku survval ersensor dan yau waku survval dak ersensor. Fungs Lkelood dapa ddefnskan sebaga berku δ δ { f ( )} { ( )} () Penduga dan andar Error bag Parameer λ Meode Eksponensal Daa survval memberkan keerangan bawa yang mendapakan pekerjaan r ndvdu dan n r ndvdu yang ersensor kanan. Fungs kepekaan peluang dan fungs urvvor meode Eksponensal : f () = λe λ dan () = e λ Persamaan d aas dsubsuskan ke persamaan () maka ddapa fungs Lkelood sebaga berku n λ ( ) ( δ ) λ ( δ L λ = λe e ) = n λ ( e δ ) λ ( e + λ δ = λ ) = n δ ( λ e δ λ )( e + λ δ = λ ) = n δ λ = λ e () = dan fungs ln-lkelood adala n n ln L( λ) = δ ln λ λ = = n Jka δ r = maka fungs ln-lkelood = menjad

18 n ln L( λ) = rln λ λ = Fungs ln-lkelood durunkan eradap λ adala d ln L( λ) r n = dλ λ = Jka persamaan d aas sama dengan maka ddapa penduga λ yang memaksmumkan fungs Lkelood yau r n λ = = n λ = r/ (3) = Penduga µ yang memaksmumakan fungs Lkelood adala n µ = λ = (4) r = Ragam bag λ dapa ddefnskan sebaga berku d ln L ( λ ) var( λ) = E dλ r = E λ r λ = = λ r sandar error λ dapa ddefnskan sebaga berku..( λ se λ ) = (5) r Meode Eksponensal penduga persenl p dberkan sebaga berku ( p) = ln λ p Teorema 4 [ Dere Taylor ] n+ Jka dberkan fungs f c [ a, b ], f konnu dan erurunkan sampa urunan ke n+. Msalkan x [ ab, ] unuk seap x [ ab, ] erdapa c = c( x) yang erleak anara x dan x ( k) f ( x ) f ( x) = ( x x ) k = k! " ( x x ) fx () = fx ( ) + f'( x )( x x ) + f( x )! n n+! n ( x x ) ( n+ ) ( x x ) f + f ( c) N+ n! n+! (Munr, 3) Defns [ fa Ragam ] Bla X suau peuba acak dan a konsana maka σ ax = a σ X ( Walpole, 99 ) Dengan menggunakan pendekaan dere Taylor dan sfa ragam maka ragam dar suau fungs g( λ ) dengan λ adala N g k ( λ ) var( g( λ)) = var ( λ λ ) k k = k! var[ g( λ) + g'( λ)( λ λ) + g"( λ ) λ λ +...]! + [ g'( λ )] var( λ λ ) + [ g'( λ )] λ λ var +...! dg( λ) var( g( λ)) var( λ) dλ var( ( p)) ln var( λ) λ p andar error ( p) dapa ddefnskan sebaga berku se..{( p)} = ln se..( ) λ λ p λ = ln λ p r = ln λ p r ( p) = (6) r Penduga dan andar Error bag Parameer λ dan γ Meode Webull Fungs kepekaan peluang dan fungs urvvor meode Webull ddefnskan sebaga berku

19 γ γ ( λ ) λγ f () = λγ e dan () = e Fungs Lkelood n waku survval adala n ( γ) ( γ γ λ ) L(, ) ( e δ ) λ ( e δ λγ = λγ ) = n ( γ ) ( γ δ ) λ = λγ e (7) = dmana δ yau jka waku survval ersensor dan jka waku survval dak ersensor. Fungs ln-lkelood dapa ddefnskan sebaga berku n n n ln L( λγ, ) = δln( λγ) + ( γ ) δln λ γ = = = n dengan δ r =, fungs ln-lkelood = menjad n ln L( λγ, ) = rln( λγ) + ( γ ) rln λ γ = Penduga λ yang mamaksmumkan fungs Lkelood yau r n γ λ = = n γ λ = r/ = (8) Penduga γ yang memaksmumkan fungs Lkelood yau r r n γ rln ln γ + γ = = (9) Ragam bag λ dapa ddefnskan sebaga berku d ln L ( λγ, ) var( λ) = E dλ r = E λ r λ = = λ r andar error λ meode Webull ddefnskan sebaga berku..( λ se λ ) = () r Ragam γ dberkan sebaga berku var( γ ) = E d ln( L( λγ, )) dγ r n γ = [ E{ λ ln ln }] γ = γ = n r + λγ ln ln γ = sandar error γ yau γ se..( γ ) = () n γ r + λγ ln ln = Meode Webull penduga persenl p dberkan sebaga berku / γ ( p) = ln λ p sandar error ( p) dapa dla pada lampran adala ( p) se..( p) = { γ var( λ) λγ + λ ( c p ln λ) var( γ) / + λγ ( c p ln λ)cov( λ, γ )} () Meode Webull dengan Covarae Meode Webull dengan covarae dsebu juga meode Webull Proporonal Hazard. Dalam meode Proporonal Hazard, Fungs Hazard ddefnskan sebaga berku ( βx+ βx βpxp) () = e o () (3) unuk =,... n dan x, x..., x p adala nla covarae p sera β adala nla penduga unuk covarae. Jka Penduga x p dalam persamaan d aas sama dengan maka fungs Hazard unuk ndvdu adala (). Jka ndvdu ersebu menyebar dengan meode Webull maka fungs azard ddefnskan sebaga berku () λγ γ = (4) Persamaan (4) dsubsuskan ke persamaan (3) adala ( x+ x pxp) β β β γ () = e λγ (5)

20 dalam noas marks, η / γ = β ' x dmana β adala koefsen vekor unuk covarae ( p) = ln ( β ' x) (9) λe p x,... x x p, η dsebu komponen lner dar model aau dsebu nla resko aau ndex Benuk Log-lnear dar meode Webull prognosc. Proporonal Hazard Ddefnskan () = exp( H ()) dan Unuk memudakan dalam menganalss daa survval dalam menafsrkan pendugaan H () = ( u) du maka parameer dengan menggunakan sofware A maka dbuukan represenas meode Webull Proporonal Hazard dalam benuk log-lnear. H () = ( u) du Tafsran log-lnear adala kumpulan dar ( β ' x peuba acak dengan waku unggu ) γ = e λγ u du mendapakan pekerjaan perama T ddefnskan sebaga berku γ ( ' x ) = λγ u e β γ log T = µ + α x + α x α pxp + σ ε dengan menggunakan defns fungs urvvor γ ( ' x ) = λ e β () = P( T ) fungs urvvor ddefnskan sebaga berku e ( β ' x ) γ = P(log T log ) λ () = e dan fungs kepekaan peluang ddefnskan = P( µ + α ' x + σε log ) sebaga berku log µ α ' x ( β ' x ) ( ' ) ( γ β x = P ε γ λe ) f σ () = () () = λγ e e Penduga fungs urvvor ddefnskan log µ α' x sebaga berku ε = Pe [ e σ ] ( β ' x ) ( e γ λ ) () = e ε (6) = Pe [ ξ ) ( η ) ( e γ λ ) = e ξ = e dan penduga fungs Hazard ddefnskan sebaga berku maka fungs urvvor dar T adala ( β ' x ) γ () = e λγ log µ α ' x (7) ( ) exp[ exp{ = }] (3) ( η ) γ σ = e λγ Dengan membandngkan fungs urvvor Fungs yang menyaakan nla fakor yang T dan persamaan (6) maka mempercepa objek mengalam waku kejadan ddefnskan sebaga berku µ λ = exp( ) (3) ( β x ) σ () γ e λγ ( β x ) ψ = () = = e (8) γ γ = σ (3) λγ α Generalsas persamaan (4), persenl j β j = (33) sebaran waku survval dalam meode Webull σ Proporonal Hazard beruba dar λ menjad ( ' x) λ e β adala

21 CONTOH KAU ( Pengaru jens kelamn, usa, IPK dan TOEFL dalam penenuan ngka survval dak mendapakan pekerjaan bag alumn deparemen Maemaka IPB) Dalam karya lma n dambl daa alumn deparemen Maemaka IPB enang jangka waku dar lulus sampa mendapakan pekerjaan. Daa n dambl dar para alumn angkaan 35 sampa angkaan 4 yang ela lulus. Daa n dapa dla pada lampran 3. Dalam cono kasus n akan dperksa ubungan anara covaraes dan waku survval dar para alumn. Dalam pengamaan peuba respon uama adala waku dar lulus sampa mendapakan pekerjaan. Pada daa lampran 3 erdapa 3 alumn Maemaka IPB yang berumur -4 aun. Beberapa dar mereka belum mendapakan pekerjaan, alumn n ermasuk jens sensor kanan. Unuk alumn dengan mendapakan pekerjaan pada saa pengamaan dengan waku survval erenu danda dengan angka sedangkan menjelaskan bawa alumn mengalam sensor kanan. Covarae yang mempengaru ngka survval alumn dalam mendapakan pekerjaan kemudan dcaa melpu jens kelamn, usa dan IPK. Dalam al n jens kelamn danda dengan angka unuk lak-lak dan angka unuk wana. ebenarnya mas banyak peuba lan yang dapa berpengaru eradap ngka survval eap dalam karya lma n anya mengambl 3 covarae. Danara 3 alumn ersebu ada 3% alumn lak-lak ssanya wana. Banyaknya alumn yang mendapakan pekerjaan pada ap waku dan banyaknya alumn yang beresko mendapakan pekerjaan pada ap waku ersebu kemudan dung. Unuk menenukan benuk meode yang sesua dgunakan dua meode yau meode Eksponensal dan meode Webull. Unuk daa ersensor anpa covarae dasumskan waku survval dak mendapakan pekerjaan dar alumn menyebar meode Eksponensal dengan fungs Hazard () = λ dan fungs urvvor () = e λ dan meode Webull dengan fungs Hazard () λγ γ = dan λγ fungs urvvor yau () = e. Dalam analss daa ersensor anpa covarae akan membandngkan anara meode Eksponensal dan meode Webull mana yang leb bak dan selanjunya meode ersebu akan dgunakan dalam menganalss daa ersensor dengan covarae dan mulple covarae. Analss daa 3 alumn Deparemen Maemaka IPB unuk daa ersensor anpa covarae, dengan covarae dan mulple covarae menggunakan A (asc Aplcaon ofware).. Daa ersensor anpa covarae Analss urvval meode Eksponensal Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr > Cq Inercep <. cale.... Webull ape.... Inercep = µ cale = σ.697 µ λ = e σ = e =.843 λ.843 se..( λ ) = = =.36 r 6 γ = = = σ se..( γ ) = Dar asl analss survval daa ersensor anpa covarae maka ddapa fungs urvvor meode Eksponensal yau.843 ( ) = e

22 Grafk 7. Fungs urvvor meode Grafk 8. Fungs Hazard meode sedangkan unuk fungs Hazard dasumskan konsan yau ( ) = λ =.843 Analss urvval anpa covarae meode Webull Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr > Cq Inercep <. cale Webull ape Inercep = µ cale = σ.768 µ λ = e σ = e.695 =.63 λ.63 se..( λ ) = = =.8 r 6 γ = = =.5886 σ.695 se..( γ ) =.347 Dar asl analss daa ersensor anpa covarae ddapa fungs urvvor meode Webull yau.63 (.5886 ) = e Grafk 9. Fungs urvvor meode edangkan unuk fungs Hazard yau.5886 ( ) = (.63)(.5886) Grafk. Fungs Hazard meode Unuk membukkan sape parameer ( γ ) meode Webull benar adanya akan dlakukan uj poess. Perakan poess nol bawa sape parameer meode Webull bernla lawan poess alernafnya bawa sape parameer meode Webull leb besar dar. H : γ = H : γ > Nla z bag x =.5886 adala.5886 z = = dengan demkan P = P( z >.5) value = Pz ( <.5)

23 =.994 =.6 Nla P value n ama kecl dbandngkan dengan araf uj nyaa α, msalkan α =.5 sengga H dolak. Hasl analss survval daa ersensor anpa covarae menunjukan bawa meode Webull leb bak dar meode Eksponensal. In dapa dla dar nla C-quare Pr meode Webull leb besar dar nla c-square Pr meode Eksponensal dan grafk fungs urvvor meode Webull bernla leb kecl dar meode Eksponensal. Unuk selanjunya anya akan menggunakan meode Webull unuk menganalss daa ersensor dengan covarae dan mulple covarae.. Daa Tersensor dengan covarae Analss urvval dengan covarae Jens Kelamn Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr > Cq Inercep <. JK JK cale Webull ape Inercep = µ cale = σ β = α / σ = koefsen dar masng-masng nla x dmana x = jens kelamn β = nla penduga unuk jens kelamn (.) β =.68 =.99 η =.99x.854 µ λ = e σ = e.68 =.59 λ.59 se..( λ ) = = =.99 r 6 γ = = =.68 σ.68 se..( γ ) =.46 Covarae jens kelamn γ ( ) = exp{ exp( η ) λ }.68 ( ) = exp{ exp().59 }.68 ( ) = exp{ exp(.99).59 } () = peluang survval waku unggu mendapakan pekerjaan perama bag alumn wana () = peluang survval waku unggu mendapakan pekerjaan perama bag alumn lak-lak Grafk.. Fungs urvvor meode Webull unuk wana dan lak-lak HL keerangan : = wana = lak-lak η () e γ = λγ.68 ( ) = e (.59)(.68) ( ) = e (.59)(.68) () =peluang mendapakan pekerjaan perama bag wana () =peluang mendapakan pekerjaan perama bag lak-lak

24 Grafk. Fungs Hazard meode Webull unuk Wana dan lak-lak HL keerangan : = wana = lak-lak Nla fakor yang mempercepa waku unggu mendapakan pekerjaan perama akba jens kelamn adala {( β x ) ( β x )} ψ = e {(.99*) (.99*)} = e =.8 Jad alumn wana waku unggu pekerjaan peramanya.5 kal leb lama dbandngkan dengan alumn lak-lak. Hasl analss survval menunjukkan bawa covarae jens kelamn sebenarnya dak berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama. Nla persenl p sebaran waku survval (p) jens kelamn wana adala (5) (5) (75) arnya bawa 5 % sebaran waku survval berada d bawa.94, 5% sebaran waku survval berada d bawa 5.7 dan 75% berada d bawa 7.8. Nla persenl p sebaran waku survval (p) jens kelamn lak-lak adala (5) (5) (75) arnya bawa 5% sebaran waku survval berada d bawa.6, 5% sebaran waku survval berada d bawa 4.49 dan 75 % sebaran waku survval berada d bawa 6.9. Analss urvval dengan covarae Usa Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr > Cq Inercep Usa cale Webull ape Inercep = µ γ = = =.89 σ.55..( ).678 cale = σ β = α / σ = koefsen dar masng-masng nla x dmana x = usa β = nla penduga unuk usa β.8 =.55 =.3947 η =.3947x ( 3.33) µ λ = e σ = e.55 = λ se..( λ ) = = = r 6 se γ = Covarae Usa γ ( ) = exp{ exp( η ) λ } ( ) exp{ exp(.3947*) } = ( ) exp{ exp(.3947 * 4) } 4 = () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa aun =peluang survval waku unggu 4 () mendapakan pekerjaan perama bag alumn usa 4 aun

25 Grafk 3. Fungs urvvor meode Webull unuk usa dan usa 4 HL keerangan : = usa = usa 4 η () e γ = λγ (.3947)().89 ( ) = e (9.735)(.89) (.3947)(4).89 ( ) = e (9.735)(.89) () =peluang mendapakan pekerjaan perama bag alumn usa aun () =peluang mendapakan pekerjaan 4 perama bag alumn usa 4 aun Grafk 4. Fungs Hazard meode Webull unuk usa dan usa 4 HL.8.6 keerangan : = usa = usa 4 Nla fakor yang mempercepa waku unggu mendapakan pekerjaan perama bag alumn usa dan 4 adala {( x ) ( x )} e β ψ = β {(.3947*) (.3947*4)} = e = 4.85 Jad alumn yang berusa aun waku unggu mendapakan pekerjaan perama 4.85 kal leb cepa dbandngkan dengan alumn yang berusa 4 aun. Hasl analss survval menunjukkan bawa covarae usa berpengaru nyaa eradap waku unggu mendapakan pekerjaan. Nla persenl p sebaran waku survval (p) usa adala (5) (5) (75) arnya bawa 5 % sebaran waku survval usa berada d bawa.7, 5% berada d bawa.78 dan 75% berada d bawa 4.8. Nla persenl p sebaran waku survval (p) usa 4 adala (5) (5) (75) arnya bawa 5 % sebaran waku survval usa 4 berada d bawa 4.9, 5% berada d bawa 6.66 dan 75% berada d bawa 9.7. Analss urvval dengan covarae IPK Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr > Cq Inercep <. Ipk cale Webull ape Inercep = µ cale = σ β = α / σ = koefsen dar masng-masng nla x dmana x = IPK β = nla penduga unuk IPK (.55) β =.559 =.5 η =.5x 3.46 µ λ = e σ = e.559 =.3 λ.3 se..( λ ) = = =.39 r 6

26 γ = = =.85 σ.559 se..( γ ) =.745 Covarae IPK γ ( ) = exp{ exp( η ) λ } ( ) exp{ exp(.5*.5).3.85 }.5 =.85 ( ) exp{ exp(.5*3).3 } 3 =.5 () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn yang mempunya IPK.5 3 () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn yang mempunya IPK 3 Grafk 5. Fungs urvvor meode Webull unuk IPK.5 dan IPK 3 HL keerangan : = IPK = IPk 3 η () e γ = λγ (.5)(.5).85.5 ( ) = e (.3)(.85) (.5)(3).85 ( ) (.3)(.85) 3 = e.5 () =peluang mendapakan pekerjaan perama bag alumn yang mempunya IPK.5 3 () =peluang mendapakan pekerjaan perama bag alumn yang mempunya IPK 3 Grafk 6. Fungs Hazard meode Webull unuk IPK.5 dan IPK 3 HL keerangan : = IPK = IPK 3 Nla fakor yang mempercepa waku unggu mendapakan pekerjaan perama bag alumn yang mempunya IPK.5 dan IPK 3 adala {( β.5 x ) ( β 3 x )} ψ = e {(.5*.5) (.5*3)} = e =.6 Jad alumn yang mempunya IPK.5 waku unggu mendapakan pekerjaan perama.6 kal leb lama dbandngkan dengan alumn yang mempunya IPK 3. Hasl analss survval menunjukkan bawa covarae IPK berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama. Nla persenl p sebaran waku survval (p) IPK.5 adala (5) (5) (75) arnya bawa 5 % sebaran waku survval IPK.5 berada d bawa 3.86, 5% berada d bawa 6.6 dan 75% berada d bawa 9.8. Nla persenl p sebaran waku survval (p) IPK 3 adala (5) (5) (75) arnya bawa 5 % sebaran waku survval IPK 3 berada d bawa.9, 5% berada d bawa 4.76 dan 75% berada d bawa 6.97.

27 3. Daa ersensor mulple covarae Analss urvval covarae jens kelamn, usa dan IPK Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr > Cq Inercep JK JK usa IPK cale Webull ape Inercep = µ cale = σ β = α / σ = koefsen dar masng-masng nla x dmana x = jens kelamn x = usa x 3 = IPK β adala nla penduga unuk jens kelamn β adala nla penduga unuk usa 3 β adala nla penduga unuk IPK β = (.787) /.544 =.395 β = (.556) /.544 =.869 β 3 = (.363) /.544 =.666 η =.395x.869x +.666x 3 µ.78 ( ) ( ( )) λ = e σ = e.544 = 4.5 λ 4.5 se..( λ ) = = =.86 r 6 γ = = =.8435 σ.544 se..( γ ) =.74 Covarae yang berpengaru nyaa Covarae usa γ ( ) = exp{ exp( η ) λ } ( ) = exp{ exp(.869 * +.666* 3) } 4 ( ) = exp{ exp(.869 * * 3) } () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa aun =peluang survval waku unggu 4 () mendapakan pekerjaan perama bag alumn usa 4 aun Grafk 7. Fungs urvvor meode Webull unuk usa dan 4 HL keerangan : = usa = usa 4 η () e γ = λγ (.869) + (.666)3 () = e.8435 (4.5)(.8435) (.869)4 + (.666)3 () = e (4.5)(.8435) () =peluang mendapakan pekerjaan perama bag alumn usa aun =peluang mendapakan pekerjaan 4 () perama bag alumn usa 4 aun

28 Grafk 8. Fungs Hazard meode Webull unuk usa dan 4 HL keerangan : = usa = usa 4 Nla fakor yang mempercepa waku unggu mendapakan pekerjaan perama bag alumn usa dan 4 adala {( β x ) ( β 4 x )} ψ = e {(.869*) (.869*4)} = e = 3.5 Jad alumn yang berusa aun waku unggu mendapakan pekerjaan perama 3.5 kal leb cepa dbandngkan dengan alumn yang yang berusa 4 aun. Hasl analss survval daa ersensor mulple covarae menunjukkan bawa usa berpengaru nyaa eradap dalam waku unggu mendapakan pekerjaan perama. Unuk perbandngan usa dengan usa, dan 3 dapa dla pada lampran 4. Covarae yang dak berpengaru nyaa Covarae IPK γ ( ) = exp{ exp( η ) λ }.5 ( ) = exp{ exp(.869* +.666*.5) } ( ) = exp{ exp(.869* +.666*3) }.5 () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn yang mempunya IPK.5 () =peluang survval waku unggu 3 mendapakan pekerjaan perama bag alumn yang mempunya IPK 3 Grafk 9. Fungs urvvor meode Webull unuk IPK.5 dan 3 HL keerangan : = IPK = IPK 3 η () e γ = λγ + (.869) + (.666).5.5 ( ) = e (4.5).8435 (.8435) + (.869) + (.666)3 ( ) = e (4.5) (.8435).5 () =peluang mendapakan pekerjaan perama bag alumn yang mempunya IPK.5 3 () =peluang mendapakan pekerjaan perama bag alumn yang mempunya IPK 3 Grafk. Fungs Hazard meode Webull unuk IPK.5 dan 3 HL keerangan : = IPK = IPK 3 Nla fakor yang mempercepa waku unggu mendapakan pekerjaan perama bag alumn yang mempunya IPK.5 dan IPK 3 adala

29 {( β 3.5 x ) ( β 33 x )} ψ = e {(.666*.5) (.666*3)} = e =.7 Jad alumn yang mempunya IPK.5 waku unggu mendapakan pekerjaan perama.4 kal leb lama dbandngkan dengan alumn yang mempunya IPK 3. Hasl analss survval daa ersensor mulple covarae menunjukkan bawa IPK dak berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama. Covarae jens kelamn γ ( ) = exp{ exp( η ) λ } ( ) = exp{ exp(.869 * +.666*3) } ( ) = exp{ exp( * +.666*3) } () = peluang survval waku unggu mendapakan pekerjaan perama bag alumn wana () = peluang survval waku unggu mendapakan pekerjaan perama bag alumn lak-lak Grafk. Fungs urvvor meode Webull unuk wana dan lak-lak HL keerangan : = wana = lak-lak η () e γ = λγ + (.869) + (.666)3 ( ) = e (4.5).8435 (.8435) (.869) + (.666)3 ( ) = e (4.5).8435 (.8435) () = peluang mendapakan pekerjaan perama bag alumn wana () = peluang mendapakan pekerjaan perama bag alumn lak-lak Grafk. Fungs Hazard meode Webull unuk wana dan lak-lak HL keerangan : = wana = lak-lak Nla fakor yang mempercepa waku unggu mendapakan pekerjaan perama akba jens kelamn adala {( β x ) ( β x )} ψ = e {(.395*) (.395*)} = e =.39 Jad alumn wana waku unggu mendapakan pekerjaan perama.4 kal leb cepa dbandngkan dengan alumn laklak. Hasl analss survval daa ersensor mulple covarae menunjukkan bawa jens kelamn dak berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama.

30 IMPULAN DAN ARAN IMPULAN Hasl analss survval daa ersensor anpa covarae menunjukkan bawa meode Webull leb bak dar meode Eksponensal dapa dla dar nla c-square Pr, sandar error parameer λ dan nla fungs urvvor sera fungs Hazard. Hasl analss survval daa ersensor sau covarae menunjukkan bawa IPK dan usa yang berpengaru nyaa dalam mendapakan pekerjaan. emakn ngg IPK, waku unggu mendapakan pekerjaan perama semakn pendek dan semakn muda usa alumn, waku unggu mendapakan pekerjaan perama semakn pendek. edangkan jens kelamn dak berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama. Hasl analss survval daa ersensor mulple covarae menunjukkan bawa covarae usa berpengaru nyaa dalam mendapakan pekerjaan. emakn muda usa alumn, waku unggu mendapakan pekerjaan perama semakn pendek. edangkan covarae IPK dak begu berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama karena adanya korelas negaf anara IPK dan usa. emakn ngg IPK, waku unggu mendapakan pekerjaan perama semakn pendek. Covarae jens kelamn dak berpengaru nyaa eradap waku unggu mendapakan pekerjaan perama. ARAN Berdasarkan asl penulsan karya lma secara keseluruan, maka penuls mengajukan saran unuk memasukkan jens pekerjaan dalam covarae sengga daa leb akura. DAFTAR PUTAKA Colle, 994. Modellng urvval Daa n rd Medcal Researc. 3 ed. London- Glasgow-Wenem-Newyork-Tokyo- Melbourne-Madras: Capman and Hall. Hogg, V. R and Crag, T. A Inroducon o Maemacal asc. 5 ed. New Jersey: Prence Hall, Englewood Clffs Publser. Lee, E. T. 99. ascal Meods for urvval Daa Analyss. econd ed. New York: A Wley Inerscence Publcaon. Nurmaulda. 7. Model dan Analss Daa urvval Menggunakan ebaran Loglogsk [skrps]. Bogor: Fakulas Maemaka dan Ilmu Pengeauan Alam, Insu Peranan Bogor. anella, E. 6. Penyelesaan Masala Daa urvval Dengan Menggunakan Meode Nonparamerk [skrps]. Bogor: Fakulas Maemaka dan Ilmu Pengeauan Alam, Insu Peranan Bogor. Walpole, Ronald E.99.Penganar aska. 3 rd ed.jakara : PT Grameda Pusaka Uama.

31 LAMPIRAN

32 Lampran. / γ ( p) = [ ln( )] λ p ln( ( p)) = ln{ λ ln( )} γ p = ln λ ln ln( ) γ p = {ln ln( ) ln λ} γ p = { c ln p λ} γ dmana: c p = ln ln( ) p ln( ( p)) ln( ( )) ln( ( )) ln( p p ( p) var{ln( ( p)} ( ) var( λ) + ( ) var( γ) + cov( λ, γ ) λ γ λ γ Turunkan ln( ( p)) eradap λ dan γ sebaga berku: ln( ( p)) = λ λγ ln ( p) c p ln λ = γ γ ( ln ) ( ln c ) p λ cp λ var{ln( ( p))} = var( λ) + var( γ) + cov( λ, γ ) 4 3 λ γ γ λγ var{ ( p)} ( p) var{ln ( p)} ( p ) var{ ( p)} = { γ var( λ) + λ ( c log ) var( ) ( c ln ) cov(, )} 4 p λ γ + λγ p λ λ γ λ γ ( p) se..{ ( p)} = { var( ) ( c log ) var( ) ( c log ) cov(, )} p p γ λ + λ λ γ + λγ λγ λ λ γ /

33 Lampran. fungs urvvor T : { log µ α ' x} e σ () = e fungs urvvor meode Webull Proporonal Hazard eβ ' xλγ () = e Perbandngan fungs urvvor T dengan fungs urvvor meode Webull Proporonal Hazard: { log µ α ' x } e σ eβ ' xλγ e = e { log µ α ' x } e σ eβ ' xλγ log( e ) = log( e ) { log µ α ' x } β ' x γ e σ = e λ { log µ α ' x } β ' x γ log( e σ ) = log( e λ ) log µ α ' x + + = β ' x logλ γ log σ σ σ Dar persamaan daas, ddapa: log γ log = σ γ = σ µ log λ = σ µ λ = e σ α ' x β ' x = σ α ' β ' = σ

34 Lampran 3. Nomor Jens Usa Waku aus IPK Kelamn urvval Keerangan : Jens kelamn : Lak-lak Perempuan aus : Alumn yang mendapakan pekerjaan Alumn yang ersensor kanan

35 Lampran 4 Daa ersensor mulple covarae Analss urvval covarae usa aun dan aun γ ( ) = exp{ exp( η ) λ } ( ) exp{ exp(.869*.666* 3) = + } ( ) exp{ exp(.869*.666* 3) = + } () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa aun () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa aun Grafk 3. Fungs urvvor meode Webull unuk usa dan HL keerangan : = usa = usa η () e γ = λγ (.869) + (.666) ( ) = e (4.5)(.8435).395 (.869) (.666) ( ) = e + + (4.5)(.8435) () =peluang mendapakan pekerjaan perama bag alumn usa aun () =peluang mendapakan pekerjaan perama bag alumn usa aun Grafk 4. Fungs Hazard meode Webull unuk usa dan HL keerangan : = usa = usa {( β x ) ( β x )} ψ = e {(.869*) (.869*)} = e =.33

36 Analss urvval covarae usa aun dan aun γ ( ) = exp{ exp( η ) λ } ( ) exp{ exp(.869*.666* 3) = + } ( ) exp{ exp(.869*.666* 3) = + } () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa aun () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa aun Grafk 5. Fungs urvvor meode Webull unuk usa dan HL keerangan : = usa = usa η () e γ = λγ (.869) + (.666) ( ) = e (4.5)(.8435).395 (.869) (.666) ( ) = e + + (4.5)(.8435) () =peluang mendapakan pekerjaan perama bag alumn usa aun () =peluang mendapakan pekerjaan perama bag alumn usa aun Grafk 6. Fungs Hazard meode Webull unuk usa dan HL keerangan : = usa = usa {( β x ) ( β x )} ψ = e {(.869*) (.869*)} = e =.77

37 Analss urvval covarae usa aun dan 3 aun γ ( ) = exp{ exp( η ) λ } ( ) exp{ exp(.869*.666* 3) = + } ( ) exp{ exp(.869* 3.666* 3) = + } () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa aun () =peluang survval waku unggu mendapakan pekerjaan perama bag alumn usa 3 aun 3 Grafk 7. Fungs urvvor meode Webull unuk usa dan 3 HL keerangan : = usa = usa 3 η () e γ = λγ (.869) + (.666) ( ) = e (4.5)(.8435).395 (.869)3 (.666) ( ) = e + + (4.5)(.8435) 3 () =peluang mendapakan pekerjaan perama bag alumn usa aun () =peluang mendapakan pekerjaan perama bag alumn usa 3 aun 3 Grafk 8. Fungs Hazard meode Webull unuk usa dan 3 HL {( β x ) ( β 3 x )} ψ = e {(.869*) (.869*3)} = e = keerangan : = usa = usa 3

38 Lampran 5 Daa ersensor anpa covarae Analss urvval meode Eksponensal proc forma; value aus ='suda bekerja' ='ersensor'; run; daa pengangguran; npu Nomor urvval daalnes; ; proc lfereg; model urvval*aus()/d=exponential; run; Te LIFEREG Procedure Model Informaon Daa e WORK.PENGANGGURAN Dependen Varable Log(urvval) Censorng Varable aus Censorng Value(s) Number of Observaons 3 Noncensored Values 6 Rg Censored Values 4 Lef Censored Values Inerval Censored Values Name of Dsrbuon Exponenal Log Lkelood Number of Observaons Read 3 Number of Observaons Used 3

39 Algorm converged. Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr >Cq Inercep <. cale.... Webull ape.... Analss urvval meode Webull proc forma; value aus ='suda bekerja' ='ersensor'; run; daa pengangguran; npu Nomor urvval aus daalnes; ; proc lfereg; model urvval*aus()/d=weibull; run; Te LIFEREG Procedure Model Informaon Daa e WORK.PENGANGGURAN Dependen Varable Log(urvval) Censorng Varable aus Censorng Value(s)

40 Number of Observaons 3 Noncensored Values 6 Rg Censored Values 4 Lef Censored Values Inerval Censored Values Name of Dsrbuon Webull Log Lkelood Number of Observaons Read 3 Number of Observaons Used 3 Algorm converged. Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr >Cq Inercep <. cale Webull ape Lampran 6 Daa ersensor dengan covarae Analss urvval covarae jens kelamn proc forma; value aus ='suda bekerja' ='ersensor'; value JK ='Lak-lak' ='perempuan'; run; daa pengangguran; npu Nomor urvval aus daalnes;

41 9 3 6 ; proc lfereg; class JK; model urvval*aus()=jk/d=weibull; run; Te LIFEREG Procedure Model Informaon Daa e WORK.PENGANGGURAN Dependen Varable Log(urvval) Censorng Varable aus Censorng Value(s) Number of Observaons 3 Noncensored Values 6 Rg Censored Values 4 Lef Censored Values Inerval Censored Values Name of Dsrbuon Webull Log Lkelood Number of Observaons Read 3 Number of Observaons Used 3 Class Level Informaon Name Levels Values JK Algorm converged. Type III Analyss of Effecs Wald Effec DF C-quare Pr > Cq JK Analyss of Parameer Esmaes andard 95% Confdence C- Parameer DF Esmae Error Lms quare Pr>Cq Inercep <. JK JK cale Webull ape Analss urvval covarae usa proc forma; value aus ='suda bekerja' ='ersensor'; run ; daa pengangguran; npu Nomor urvval aus daalnes;

BAB 8 PERSAMAAN DIFERENSIAL BIASA

BAB 8 PERSAMAAN DIFERENSIAL BIASA Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel

Lebih terperinci

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU Pada bab III, ka elah melakukan penguan erhadap meoda Runge-Kua orde 4 pada persamaan panas. Haslnya, solus analk persamaan panas

Lebih terperinci

Muthmainnah PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2007 M/1428 H

Muthmainnah PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2007 M/1428 H PERBANDINGAN MODEL COX PROPORTIONAL HAZARD DAN MODEL PARAMETRIK BERDASARKAN ANALISIS RESIDUAL (Sud Kasus pada Daa Kanker Paru-Paru yang Dperoleh dar Conoh Daa pada Sofware S-Plus 2000 dan Smulas unuk Dsrbus

Lebih terperinci

BAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1

BAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1 BAB I PENDAHULUAN 1.1 Defns Rangkaan Lsrk Rangkaan Lsrk adalah sambungan dar beberapa elemen lsrk ( ressor, kapasor, ndukor, sumber arus, sumber egangan) yang membenuk mnmal sau lnasan eruup yang dapa

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Creaed by Smpo PDF Creaor Pro (unregsered verson) hp://www.smpopdf.com Sask Bsns : BAB 8 VIII. ANALISIS DATA DERET BERKALA (TIME SERIES) 8.1 Pendahuluan Daa Berkala (Daa Dere waku) adalah daa yang dkumpulkan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 5 BAB II LANDASAN TEORI Pada bab n akan dbahas beberapa eor dasar yang kelak akan dgunakan dalam penurunan formula penenuan harga Asan Opon, bak secara analk pada Bab III maupun secara numerk pada Bab

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013 3. Lokas dan Waku Penelan 3.. Lokas Penelan BAB III METODOLOGI PENELITIAN Penelan n dlaksanakan d SMP Neger 7 Goronalo pada ahun ajaran 0/03 3.. Waku Penelan Penelan n d laksanakan pada semeser genap ahun

Lebih terperinci

BAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI

BAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI BAB ETROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUYI Model Markov Tersembuny (Hdden Markov Model, MMT) elah banyak daplkaskan dalam berbaga bdang seper pelafalan bahasa (speeh reognon) dan klasfkas (luserng).

Lebih terperinci

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban

Lebih terperinci

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan Opma Model Invenory Deermnk unuk Permnaan Menak dan Baya Pemeanan Konan Dana Purwaar, Rully Soelaman, Fr Qona Fakula Teknolog Informa, Inu Teknolog Sepulu Nopember, Surabaya E-mal : rully@-by.edu Abrak

Lebih terperinci

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan Opma Model Invenory Deermnk unuk Permnaan Menak dan Baya Pemeanan Konan Dana Purwaar, Rully Soelaman, Fr Qona Fakula Teknolog Informa, Inu Teknolog Sepulu Nopember, Surabaya E-mal : rully@-by.edu Abrak

Lebih terperinci

Di bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif

Di bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif Regres Dummy D bdang ekonom dak semua nformas dapa dukur secara kuanaf Peubah dummy dgunakan unuk memperoleh nformas yang bersfa kualaf Conoh pada daa cross secon: Gender: sebaga penenu jumlah pendapaan

Lebih terperinci

( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32)

( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32) 8 Raaan poserornya adalah E m x ò (, ) f ( x) m f x m f f m ddm (32) Dalam obseras basanya dgunakan banyak daa klam. Msalkan saja erdr dar grup daa klam dengan masng-masng grup ke unuk seap, 2,..., yang

Lebih terperinci

PENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1

PENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1 PENDUGAAN SAISIK AREA KECIL DENGAN MEODE EMPIRICAL CONSRAINED AYES Ksmann Jurusan Penddkan Maemaka FMIPA Unversas Neger Yogyakara Absrak Meode emprcal ayes (E merupakan meode yang lebh aplkaf pada pendugaan

Lebih terperinci

BAB III THREE STAGE LEAST SQUARE. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode

BAB III THREE STAGE LEAST SQUARE. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode BAB III THREE STAGE LEAST SQUARE Sebagamana elah dsnggung pada bab sebelumnya, salah sau meode penaksran parameer pada persamaan smulan yau meode Three Sage Leas Square (3SLS. Sebelum djelaskan lebh lanju

Lebih terperinci

BAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST

BAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST BAB ESPONS FUNGSI STEP PADA ANGKAIAN DAN C Oleh : Ir. A.achman Hasbuan dan Naemah Mubarakah, ST . Persamaan Dferensal Orde Sau Adapun benuk yang sederhana dar suau persamaan dferensal orde sau adalah:

Lebih terperinci

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP

Lebih terperinci

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap

Lebih terperinci

Analisis Jalur / Path Analysis

Analisis Jalur / Path Analysis Analss Jalur / Pah Analyss Analss jalur adalah salah sau benuk model SEM yang dak mengandung varable laen. Tenu saja model n lebh sederhana dbandngkan dengan model SEM lengka. Analss jalur sebenarnya meruakan

Lebih terperinci

KONSEP DASAR. Latar belakang Metode Numerik Ilustrasi masalah numerik Angka signifikan Akurasi dan Presisi Pendekatan dan Kesalahan

KONSEP DASAR. Latar belakang Metode Numerik Ilustrasi masalah numerik Angka signifikan Akurasi dan Presisi Pendekatan dan Kesalahan KONSEP DASAR Laar belakang Meode Numerk Ilusras masalah numerk Angka sgnfkan Akuras dan Press Pendekaan dan Kesalahan Laar Belakang Meode Numerk Tdak semua permasalahan maemas dapa dselesakan dengan mudah,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

ANaLISIS - TRANSIEN. A B A B A B A B V s V s V s V s. (a) (b) (c) (d) Gambar 1. Proses pemuatan kapasitor

ANaLISIS - TRANSIEN. A B A B A B A B V s V s V s V s. (a) (b) (c) (d) Gambar 1. Proses pemuatan kapasitor ANaISIS - TANSIEN. Kapasor dalam angkaan D Sebuah kapasor akan ermua bla erhubung ke sumber egangan dc seper yang dperlhakan pada Gambar. Pada Gambar (a), kapasor dak bermuaan yau pla A dan pla B mempunya

Lebih terperinci

( L ). Matriks varians kovarians dari

( L ). Matriks varians kovarians dari LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer

Lebih terperinci

PENAKSIRAN PELUANG KESEMBUHAN

PENAKSIRAN PELUANG KESEMBUHAN Prosdng SNaPP2011 Sans, Teknolog, dan Kesehaan ISSN:2089-3582 PENAKSIRAN PELUANG KESEMBUHAN DENGAN KEKAMBUHAN BERDISTRIBUSI EKSPONENSIAL 1 Abdul Kudus, 2 R. Dachlan Muchls, dan 3 Tk Respa 1,2 Jurusan Saska,

Lebih terperinci

PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR

PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR B-5-1 PERENCANAAN PERSEDIAAN DAN PENGENDALIAN BAHAN BAKU DI PABRIK PRODUK BETON PT WIJAYA KARYA BETON, BOGOR Wsnu Bud Sunaryo, Haryono ITS Surabaya ABSTRAK Dalam duna konsruks saa n pemakaan produk beon

Lebih terperinci

9. TEKNIK PENGINTEGRALAN

9. TEKNIK PENGINTEGRALAN 9. TEKNIK PENGINTEGRALAN 9. Inegral Parsal Formula Inegral Parsal : Cara : plh u yang urunannya lebh sederhana Conoh : Hung u dv uv v du e d msal u =, maka du=d dv e d v e d e sehngga e d e e d e e C INF8

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

SKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH

SKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH SKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH Dw Wra Prawaty 110502294 PROGRAM STUDI STRATA 1 MANAJEMEN DEPARTEMEN

Lebih terperinci

BAB III MINIMUM COVARIANCE DETERMINANT. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode

BAB III MINIMUM COVARIANCE DETERMINANT. Sebagaimana telah disinggung pada bab sebelumnya, salah satu metode BAB III MINIMUM COVARIANCE DETERMINANT Sebagamana elah dsnggung pada bab sebelumnya, salah sau meode robus unuk mendeeks penclan (ouler) dalam analss komponen uama robus yau meode Mnmum Covarance Deermnan

Lebih terperinci

! BUPATI PACriAN j PERATURAN BUPATI PACITAN NOMOR 18 TAHUN 2013

! BUPATI PACriAN j PERATURAN BUPATI PACITAN NOMOR 18 TAHUN 2013 ! BUPAT PACrAN j PERATURAN BUPAT PACTAN NOMOR 18 TAHUN 2013 TENTANG PEDOMAN PENYUSUNAN LAPORAN DEWAN PENGAWAS BADAN LAYANAN UMUM DAERAH PADA RUMAH SAKT UMUM DAERAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN

Lebih terperinci

Solusi Numerik Model Umum Epidemik Susceptible, Infected, Recovered (SIR) dengan Menggunakan Metode Modified Milne-Simpson

Solusi Numerik Model Umum Epidemik Susceptible, Infected, Recovered (SIR) dengan Menggunakan Metode Modified Milne-Simpson JURNAL SAINTIFIK VOL. NO. JULI 0 Slus Numerk Mdel Umum Epdemk Suscepble Ineced Recvered SIR denan Menunakan Mede Mded Mlne-Smpsn Wayudn Nur Nurul Muklsa Abdal Prram Sud Maemaka FMIPA Unversas Sulawes Bara

Lebih terperinci

Kresnanto NC. Model Sebaran Pergerakan

Kresnanto NC. Model Sebaran Pergerakan Kresnano C Moel Sebaran Pergerakan Kresnano C Tujuan Uama: Mengeahu pola pergerakan alam ssem ransporas serng jelaskan alam benuk arus pergerakan (kenaraan, penumpang, an barang) yang bergerak ar zona

Lebih terperinci

BAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun

BAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun 43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

APLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a

APLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a APLIKASI STRUKTUR GRUP ANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI Mujash a a Program Sud Maemaka Jurusan Tadrs Fakulas Tarbah IAIN Walsongo Jl. Prof. Dr. Hamka Kampus II Ngalan Semarang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

' PERATURAN BUPATI PACITAN I NOMOR 4 TAHUN 2012 PEMBERIAN BANTUAN PERALATAN DAN/ATAU MESIN BAGI INDUSTRI KECIL DAN MENENGAH KABUPATEN PACITAN

' PERATURAN BUPATI PACITAN I NOMOR 4 TAHUN 2012 PEMBERIAN BANTUAN PERALATAN DAN/ATAU MESIN BAGI INDUSTRI KECIL DAN MENENGAH KABUPATEN PACITAN j BUPAT PACTAN ' PERATURAN BUPAT PACTAN NOMOR 4 TAHUN 2012 TENTANG PEMBERAN BANTUAN PERALATAN DAN/ATAU MESN BAG NDUSTR KECL DAN MENENGAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN YANG MAHA ESA BUPAT PACTAN

Lebih terperinci

Hidden Markov Model. Oleh : Firdaniza, Nurul Gusriani dan Akmal

Hidden Markov Model. Oleh : Firdaniza, Nurul Gusriani dan Akmal Hdden Markov Model Oleh : Frdanza, urul Gusran dan Akmal Dosen Jurusan Maemaka FMIPA Unversas Padjadjaran Jl. Raya Bandung Sumedang Km 2, Janangor, Jawa Bara elp. / Fax : 022 7794696 Absrak Hdden Markov

Lebih terperinci

Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) (2)

Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) (2) JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Prn) D-17 Analss Kurva Survval Kaplan Meer pada Pasen HIV/AIDS dengan Anrerovral Therapy (ART) d RSUD Prof. Dr. Soekandar Kabupaen Mojokero

Lebih terperinci

PERBAIKAN ASUMSI KLASIK

PERBAIKAN ASUMSI KLASIK BAHAN AJAR EKONOMETRI AGUS TRI BASUKI UNIVERSITAS MUHAMMADIAH OGAAKARTA PERBAIKAN ASUMSI KLASIK 6.. Mulkolnearas Jka model ka mengandung mulkolneras yang serus yakn korelas yang ngg anar varabel ndependen,

Lebih terperinci

MEMAKSIMUMKAN NILAI HARAPAN KEKAYAAN INVESTOR DENGAN STRATEGI INVESTASI SAHAM DUA PERUSAHAAN YANG BERGABUNG NUR AZIEZAH

MEMAKSIMUMKAN NILAI HARAPAN KEKAYAAN INVESTOR DENGAN STRATEGI INVESTASI SAHAM DUA PERUSAHAAN YANG BERGABUNG NUR AZIEZAH MEMAKIMUMKAN NILAI HARAPAN KEKAYAAN INVETOR DENGAN TRATEGI INVETAI AHAM DUA PERUAHAAN YANG BERGABUNG NUR AZIEZAH DEPARTEMEN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM INTITUT PERTANIAN BOGOR

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*

PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor

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 III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

NILAI AKUMULASI DARI SUATU CASH FLOW DENGAN TINGKAT BUNGA BERUBAH BERDASARKAN FORMULA FISHER

NILAI AKUMULASI DARI SUATU CASH FLOW DENGAN TINGKAT BUNGA BERUBAH BERDASARKAN FORMULA FISHER ILAI AKUMULASI DARI SUATU CASH FLOW DEGA TIGKAT BUGA BERUBAH BERDASARKA FORMULA FISHER Devs Apranda, Johannes Kho, Sg Sugaro Mahasswa rogram S Maemaka Dosen Jurusan Maemaka Fakulas Maemaka dan Ilmu engeahuan

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

PROSES STOKASTIK KELAHIRAN-KEMATIAN DENGAN DUA JENIS KELAMIN SECARA KELOMPOK PADA PROSES YULE- FURRY. Samsuryadi

PROSES STOKASTIK KELAHIRAN-KEMATIAN DENGAN DUA JENIS KELAMIN SECARA KELOMPOK PADA PROSES YULE- FURRY. Samsuryadi JURNAL MATEMATIKA DAN KOMUTER Vol. 4. No. - Agusus ISSN : 4-858 ROSES STOKASTIK KELAHIRAN-KEMATIAN DENAN DUA JENIS KELAMIN SECARA KELOMOK ADA ROSES YULE- FURRY Samsuryad Jurusan Maemaka FMIA Unversas Srwaya

Lebih terperinci

PENGEMBANGAN MODEL MATEMATIS UNTUK OPTIMASI PERENCANAAN PRODUKSI MINUMAN MARIMAS

PENGEMBANGAN MODEL MATEMATIS UNTUK OPTIMASI PERENCANAAN PRODUKSI MINUMAN MARIMAS PENGEMBANGAN MODEL MATEMATIS UNTUK OPTIMASI PERENCANAAN PRODUKSI MINUMAN MARIMAS Mra Puspasar, Snggh Sapad, Dana Puspasar Absraks PT Ulam Tba Halm merupakan salah sau ndusr mnuman serbuk d Indonesa, dmana

Lebih terperinci

PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN

PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan

Lebih terperinci

BUPATI PACITAN. i PERATURAN BUPATI PACITAN ; NOMOR 5" TAHUN 2008 TENTANG

BUPATI PACITAN. i PERATURAN BUPATI PACITAN ; NOMOR 5 TAHUN 2008 TENTANG BUPAT PACTAN PERATURAN BUPAT PACTAN ; NOMOR 5" TAHUN 2008 TENTANG PETUNJUK PELAKSANAAN PERATURAN DAERA KABUPATEN PACTAN NOMOR 25 TAHUN 2007 TENTANG ORGAN DAN KEPEGAWAAN PERUSAHAAN DAERAH AR MNUM j KABUPATEN

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

Kajian Model Markov Waktu Diskrit Untuk Penyebaran Penyakit Menular Pada Model Epidemik SIR

Kajian Model Markov Waktu Diskrit Untuk Penyebaran Penyakit Menular Pada Model Epidemik SIR JURAL TEKK POT Vol, o, (0) -6 Kajan odel arkov Waku Dskr Unuk Penyebaran Penyak enular Pada odel Epdemk R Rafqaul Hasanah, Laksm Pra Wardhan, uhud Wahyud Jurusan aemaka, Fakulas PA, nsu Teknolog epuluh

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada

Lebih terperinci

Sudaryatno Sudirham. Analisis Rangkaian Listrik Di Kawasan Waktu

Sudaryatno Sudirham. Analisis Rangkaian Listrik Di Kawasan Waktu Sudaryano Sudrham nalss Rangkaan Lsrk D Kawasan Waku BB 12 nalss Transen d Kawasan Waku Rangkaan Orde Perama Yang dmaksud dengan analss ransen adalah analss rangkaan yang sedang dalam keadaan peralhan

Lebih terperinci

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE Fan Puspasar 201 16019 Program Sud Magser Maemaa Faulas Maemaa dan Ilmu Pengeahuan Alam Insu Tenolog Bandung

Lebih terperinci

Analisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard

Analisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Prn) D151 Analss Survval pada Pasen Pendera Sndrom Koroner Aku d RSUD Dr. Soeomo Surabaya Tahun 213 Menggunakan Regres Cox Proporonal Hazard

Lebih terperinci

PROPOSAL SKRIPSI JUDUL:

PROPOSAL SKRIPSI JUDUL: PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

BUPATI PACITAN. I PERATURAN BUPATI PACITAN \ NOMOR ;i6tahun 2010

BUPATI PACITAN. I PERATURAN BUPATI PACITAN \ NOMOR ;i6tahun 2010 3 1 BUPAT PACTAN PERATURAN BUPAT PACTAN \ NOMOR ;6TAHUN 2010 TENTANG PENYELENGGARAAN SSTEM PENGENDALAN NTERN PEMERNTA D LNGKUNGAN PEMERNTAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN YANG MAHA ESA BUPAT PACTAN,

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

BAB II TINJAUAN TEORITIS

BAB II TINJAUAN TEORITIS BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang

Lebih terperinci

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan : Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan

Lebih terperinci

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi, BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu

Lebih terperinci

PERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1

PERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1 PERSAMAAN GERAK Posisi iik maeri dapa dinyaakan dengan sebuah VEKTOR, baik pada suau bidang daar maupun dalam bidang ruang. Vekor yang dipergunakan unuk menenukan posisi disebu VEKTOR POSISI yang diulis

Lebih terperinci

PENERAPAN MODEL GSTAR(1,1) UNTUK DATA CURAH HUJAN

PENERAPAN MODEL GSTAR(1,1) UNTUK DATA CURAH HUJAN Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 6, o. 03 (017), hal 159 166. PEERAPA MODEL GSTAR(1,1) UTUK DATA CURAH HUJA Ism Adam, Dadan Kusnandar, Hendra Perdana ITISARI Model Generalzed Space Tme

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011. 44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon

Lebih 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

DINAMIKA INTERAKSI DARI SPEKULASI DAN DIVERSIFIKASI PADA SAHAM DARWISAH

DINAMIKA INTERAKSI DARI SPEKULASI DAN DIVERSIFIKASI PADA SAHAM DARWISAH DINAMIKA INTERAKSI DARI SPEKULASI DAN DIVERSIFIKASI PADA SAHAM DARWISAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 009 ABSTRACT DARWISAH. Dynamcs

Lebih terperinci

PENENTUAN EOQ TERHADAP PRODUK AVTUR DI LANUD HUSEIN SASTRANEGARA BANDUNG

PENENTUAN EOQ TERHADAP PRODUK AVTUR DI LANUD HUSEIN SASTRANEGARA BANDUNG INDEPT, Vol., No. 3, Okober 01 ISSN 087 945 PENENTUAN EOQ TERHADAP PRODUK AVTUR DI LANUD HUSEIN SASTRANEGARA BANDUNG Samsul Budaro, ST., MT Dosen Teap Teknk Indusr, Wakl Dekan III akulas Teknk, Unversas

Lebih terperinci

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya

Lebih terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K

U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K Isaro Elevas Jurusan Ten Spl dan Lngungan FT UGM U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K SABTU JULI OPE N BOOK WAKTU ME NIT PETUNJUK ) Saudara bole menggunaan ompuer unu mengerjaan

Lebih terperinci

MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT

MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 07, No. (018), hal 85 9. MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT Felca Kurna Kusuma Wra Pur, Dadan

Lebih terperinci

ANALISIS POTENSI PENGEMBANGAN OBYEK WISATA NGEMBAG PONOROGO SKRIPSI

ANALISIS POTENSI PENGEMBANGAN OBYEK WISATA NGEMBAG PONOROGO SKRIPSI ANALISIS POTENSI PENGEMBANGAN OBYEK WISATA NGEMBAG PONOROGO SKRIPSI dajukan untuk memenuh tugas dan melengkap sebagan syarat-syarat guna memperoleh Gelar Sarjana Program Strata Satu (S-1) Progam Stud Manajemen

Lebih terperinci

(Cormen 2002) III PEMBAHASAN. yt : pendapatan rumah tangga pada periode t, dengan yt 0.

(Cormen 2002) III PEMBAHASAN. yt : pendapatan rumah tangga pada periode t, dengan yt 0. 5 Vaabel s dsebu vaabel slak enambahan vaabel slak beujuan unuk mengubah peaksamaan yang mengandung anda menjad sebuah pesamaan eaksamaan () bena jka dan hanya jka pesamaan (2) dan peaksamaan (3) bena

Lebih terperinci

1. Mistar A. BESARAN DAN SATUAN

1. Mistar A. BESARAN DAN SATUAN A. BESARAN DAN SATUAN Teor Sngka : D dalam Fska gejala alam dama melalu pengukuran. Pengukuran adalah membandngkan suau besaran dengan besaran sejens yang dsepaka sebaga paokan (sandar). Besaran adalah

Lebih terperinci

Corresponding Author:

Corresponding Author: Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

PEMERINTAH KABUPATEN PACITAN PERATURAN DAERAH KABUPATEN PACITAN : NOMOR 18 TAHUN 2001

PEMERINTAH KABUPATEN PACITAN PERATURAN DAERAH KABUPATEN PACITAN : NOMOR 18 TAHUN 2001 I I PEMERINTAH KABUPATEN PACITAN PERATURAN DAERAH KABUPATEN PACITAN : NOMOR 18 TAHUN 2001 \ TENTANG PEMBERDAYAAN, PELESTARIAN DAN PENGEMBANGAN ADAT ISTIADAT DAN LEMBAGA ADAT DENGAN RAHMAT TAHUN YANG MAHA

Lebih terperinci

Line Transmisi. Oleh: Aris Heri Andriawan ( )

Line Transmisi. Oleh: Aris Heri Andriawan ( ) ANALISIS APLIKASI PENJADWALAN UNIT-UNIT PEMBANGKIT PADA SISTEM KELISTRIKAN JAWA-BALI DENGAN MENGGUNAKAN UNIT COMMITMENT, UNIT DECOMMITMENT DAN MODIFIED UNIT DECOMMITMENT Oleh: Ars Her Andrawan (07000)

Lebih terperinci

Peramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR)

Peramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR) JURNAL SAINS DAN SENI POMITS Vol. 3, No., (04) 337-350 (30-98X Prn) D-36 Peramalan Penjualan eda Moor Tap Jens d Wlayah Surabaya dan Blar dengan Model ARIMA Box-Jenkns dan Vecor Auoregressve (VAR) Ade

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor

Lebih terperinci

GERAK LURUS BESARAN-BESARAN FISIKA PADA GERAK KECEPATAN DAN KELAJUAN PERCEPATAN GLB DAN GLBB GERAK VERTIKAL

GERAK LURUS BESARAN-BESARAN FISIKA PADA GERAK KECEPATAN DAN KELAJUAN PERCEPATAN GLB DAN GLBB GERAK VERTIKAL Suau benda dikaakan bergerak manakalah kedudukan benda iu berubah erhadap benda lain yang dijadikan sebagai iik acuan. Benda dikaakan diam (idak bergerak) manakalah kedudukan benda iu idak berubah erhadap

Lebih terperinci

SOLUSI SISTEM PERSAMAAN DIFFERENSIAL NON LINEAR MENGGUNAKAN METODE EULER BERBANTUAN PROGRAM MATLAB SKRIPSI

SOLUSI SISTEM PERSAMAAN DIFFERENSIAL NON LINEAR MENGGUNAKAN METODE EULER BERBANTUAN PROGRAM MATLAB SKRIPSI SOLUSI SISTEM PERSAMAAN DIFFERENSIAL NON LINEAR MENGGUNAKAN METODE EULER BERBANTUAN PROGRAM MATLAB SKRIPSI oleh: RILA DWI RAHMAWATI NIM: 0350050 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

IV. HASIL DAN PEMBAHASAN

IV. HASIL DAN PEMBAHASAN IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung

Lebih terperinci

\ DANA ALOKASI DESA DENGAN RAHMAT TUHAN YANG MAHA ESA

\ DANA ALOKASI DESA DENGAN RAHMAT TUHAN YANG MAHA ESA y BUPAT PACTAN PERATURAN BUPAT PACTAN : NOMOR 55" TAHUN 20 ; TENTANG \ DANA ALOKAS DESA DENGAN RAHMAT TUHAN YANG MAHA ESA BUPAT PACTAN, Menmbang : a. bahwa dalam rangka penngkaan penyelenggaraan pemernahan,

Lebih terperinci

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu

Lebih terperinci

STATISTICAL STUDENT OF IST AKPRIND

STATISTICAL STUDENT OF IST AKPRIND E-mal : statstkasta@yahoo.com Blog : Analss Regres SederhanaMenggunakan MS Excel 2007 Lsens Dokumen: Copyrght 2010 sssta.wordpress.com Seluruh dokumen d sssta.wordpress.com dapat dgunakan dan dsebarkan

Lebih terperinci

Penerapan Statistika Nonparametrik dengan Metode Brown-Mood pada Regresi Linier Berganda

Penerapan Statistika Nonparametrik dengan Metode Brown-Mood pada Regresi Linier Berganda Jurnal EKSPONENSIAL Volume 7, Nomor, Me 6 ISSN 85-789 Penerapan Saska Nonparamerk dengan Meode Brown-Mood pada Regres Lner Berganda Applcaon of Nonparamerc Sascs, wh Brown-Mood Mehod on Mulple Lnear Regresson

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN EORI. njauan Pusaka.. Peramalan Peramalan (forecasng) merupakan ala banu yang penng dalam perencanaan yang efekf dan efsen khususnya dalam bdang ekonom. Dalam organsas modern mengeahu keadaan

Lebih terperinci