MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT 1. Setiawan 2
|
|
- Susanti Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT Setawan Jurusan Statstka FMIPA Insttut Teknolog Sepuluh Nopember, Surabaya, Indonesa setawan@statstka.ts.ac.d ABSTRAK Secara umum, metode pendugaan parameter model regres lnear, yang melput lnear klask, lnear dalam parameter, serta lnear ntrnsk adalah kuadrat terkecl dengan asums bahwa sebaran peubah respon normal. Sedangkan bla sebaran peubah respon tdak normal msal : bnomal, posson, bnam negatf dan lan-lan, maka dgunakan metode kemungknan maksmum. Model lnear terampat merampatkan (generalzaton berbaga bentuk sebaran dar galat (peubah respon. Dengan demkan, model regres lnear merupakan salah satu kasus dar model lnear terampat. Jens sebaran peubah respon berakbat pada pemlhan fungs penghubung. Kata kunc : model lnear terampat, regres lnear, fungs penghubung. PENDAHULUAN Secara umum yang dmaksud dengan pemodelan (membangun model adalah membuat suatu model yang dapat menggambarkan fenomena (real world. Apabla model dnyatakan dalam persamaan matemats yang menunjukkan hubungan antar peubah, maka dnamakan model matemats. Secara umum apabla y, y, y n merupakan realsas dar peubah acak Y maka y dapat durakan menjad komponen sstematk (terkendal dan komponen acak (tak terkendal. y komponen sstematk + komponen acak atau : y ( dengan : y dan merupakan komponen acak, sedangkan p x j j j Xβ adalah komponen sstematk Dsampakan pada Semnar Nasonal Statstka IX Jurusan Statstka FMIPA-ITS, 07 Nopember 009 Staf Pengajar pada Jurusan Statstka FMIPA-ITS Surabaya
2 MODEL REGRESI LINEAR Regres merupakan suatu model yang menunjukkan hubungan matemats antara satu peubah respon (Y dengan satu atau lebh peubah predktor (X, dan dsebut model regres lnear bla modelnya berupa persamaan gars lurus. Dalam notas matemats, model regres lnear adalah : y x x... xp,,..., n 0 ( Metode pendugaan yang palng populer adalah kuadrat terkecl yang mengasumskan bahwa y ~ N(, ~ N(0, selan tu peubah predktor X, X,, X p, berskala kontnu. Pengertan lnear ada dua macam, yatu : a Lnear dalam parameter, yang dapat ddekat dengan teknk-teknk regres berganda, termasuk model-model polnomal. b Tak lnear dalam parameter atau dsebut juga lnear ntrnsk, yatu bla dengan cara transformas dapat membuat menjad lnear, termasuk dsn adalah model log dan eksponensal. -model Sedangkan model yang tdak dapat dlnearkan melalu transformas dkatakan tdak lnear ntrnsk atau dsebut model non-lnear. Lnear Y X 0 Kuadratk : Y Kubk Y Tabel. Beberapa Model Regres Lnear Intrnsk Polnomal Eksponensal Logartma 0 X X 3 0 X X 3X ( e E Y 0X X E Y 0 E Y ( 0 ln X ( ln ( Y X E 0 E ( Y X E( Y ln X 0 ln 0 Selan model tersebut, terdapat pula model-model regres dengan sebaran peubah respon tdak normal, msalnya bnomal, posson dan lan-lan. Suatu model regres dengan sebaran peubah respon bnomal dsebut regres logstk, sedangkan bla sebaran peubah respon posson, maka dsebut regres posson.
3 MODEL LINEAR TERAMPAT Model Lnear Terampat (Generalzed Lnear Model merupakan pengembangan dar model lnear klask. Secara umum, model lnear terampat merupakan model statstka yang terdr atas tga komponen, yatu :. Fungs sebaran peluang komponen acak Y, f(y, yang termasuk dalam keluarga eksponensal.. Komponen sstematk yang dnyatakan dalam bentuk kombnas lnear 0 x x... xp yang dsebut predktor lnear yang ddefnskan sebaga berkut : p x j j j x x 0... x p 3. Fungs penghubung (lnk functon, g(., yang menggambarkan hubungan antara predktor lnear dengan. Hubungan n dapat dtuls sebaga berkut : g ( Komponen Acak Dalam model lnear terampat komponen acak Y mempunya sebaran keluarga eksponensal, msalnya : normal, bnomal, multnomal, Posson, bnomal negatf, geometrk, gamma dan lan-lan, dengan bentuk sebaga berkut : y b( f Y ( y, exp c( y, (3 a( dengan a(., b(., c(. merupakan fungs khusus, adalah parameter dspers. adalah parameter kanonk, serta Jka dalam model hanya terdapat satu peubah respon Y, maka dsebut peubah tunggal (unvarate, sedangkan bla lebh dar satu dsebut multrespon atau peubah ganda (multvarate. Komponen Sstematk Kovarate X,...,, X Xpdapat berupa pengukuran kontnu, kualtatf, atau gabungan keduanya. Suatu model dengan hanya kovarat kontnu serngkal dsebut model regres, sedangkan bla kovarat kualtatf dsebut model sdk ragam (ANOVA. 3
4 Bla kovarat merupakan campuran antara kontnu dan kualtatf, maka bsa ddekat dengan model regres dengan peubah dumm atau dengan pendekatan analss peragam. Dengan demkan kombnas antara komponen acak dengan komponen sstematk terdapat beberapa kemungknan model Tabel. Macam-macam model lnear Jens Peubah Respon Y a. Peubah Tunggal Jens Kovarat Nama Model. Kontnu Kontnu Regres Klask. Kontnu Kualtatf Analss Ragam (ANOVA 3. Kontnu Campuran - Regres dengan peubah dummy - Analss Peragam (ANCOVA 4. Dskret Kontnu/ Dskret - Regres logstk, bla sebaran Y bnomal - Regres Posson, bla sebaran Y Posson - Regres Bnom Negatf, bla sebaran Y bnomal negatf - Dan lan-lan tergantung sebaran dar Y b. Peubah Ganda. Kontnu Kontnu - Regres Peubah Ganda - Seemngly Unrelated Unregresson. Kontnu Dskret Analss Ragam Peubah ganda (MANOVA 3. Kontnu Campuran - Regres Peubah Ganda - Analss Peragam Peubah Ganda 4. Dskret Kontnu/ Dskret - Regres Logstk Multvarat - Regres Posson Multvarat Fungs Penghubung Fungs penghubung dapat dcar berdasarkan bentuk fungs sebaran peubah respon, dengan cara dbawa menjad bentuk keluarga eksponensal sesua dengan persamaan 3. Dengan demkan, jens fungs penghubung tergantung dar sebaran peubah respon. Fungs penghubung kanonk lebh sederhana dar non-kanonk. Beberapa fungs penghubung kanonk yang serng dgunakan dantaranya adalah : Identtas : g ( 4
5 Logt : g ( log( /( Probt : g ( (, dengan adalah sebaran kumulatf normal baku Log : g ( log( Complementary log-log : g ( log( log( REGRESI LINEAR, LOGISTIK, SERTA POISSON DALAM KONTEKS MODEL LINEAR TERAMPAT. Regres Lnear Pada model lnear klask y ~ N(,, maka fungs peluang adalah sebaga berkut : p y dengan Xβ x j j ( y f Y ( y, exp (4 ( y / y exp log( j (5 serta dengan parameter kanonk dan parameter dsperse. Dengan demkan regres lnear klask dapat dpandang sebaga model lnear terampat dengan fungs penghubung p x j j j Xβ atau dsebut fungs penghubung denttas. Regres Polnomal ( lnear dalam parameter Model umum ( derajat dua dengan dua peubah bebas Z dan Z : y 0 z z 3z 4z 5z z (6 Model n dapat dbawa menjad model lnear klask dengan cara transformas sebaga berkut : X Z, X Z, X3 Z, X4 Z, X5 ZZ sehngga model menjad : y x x... 5x5,,..., n 0 (7 Jka sebaran Y normal, maka model n merupakan salah satu kasus khusus dalam model lnear terampat dengan fungs penghubung denttas. Model-model Lnear Intrnsk a.model Cobb-Douglas Y Z Z... 0 p 0 Z p logy log logz... logz log p p 5
6 dengantransformas: Y logy 0 log 0 X logz... X p logz p serta log, maka model dapat dbawa ke model lnear menjad sebaga berkut : y x x... pxp,,..., n 0 (8 Sehngga jka Y atau log Y mempunya sebaran normal, maka model Cobb-Duglas dapat dpandang sebaga model lnear terampat dengan fungs penghubung denttas. b.model Eksponensal y exp( 0 x x... pxp,,..., n log y 0 x x... pxp,,..., n dengan transformas berkut : (9 (0 Y logy maka model dapat dbawa ke model lnear menjad sebaga y x x... pxp,,..., n 0 ( Jka sebaran dar Y atau log Y sebaga model lnear terampat dengan fungs penghubung log. normal, maka model eksponensal dapat dpandang Dengan kata lan, regres lnear yang melput : lnear klask, lnear dalam parameter (polnomal, lnear ntrnsk merupakan salah satu bentuk khusus dalam model lnear terampat dengan fungs penghubung denttas..regres Logstk Jka peubah respon Y mempunya sebaran bnomal, maka fungs peluang adalah sebaga berkut : P n r n r ( r,, x [ P( x ] P x r n r [ ( ] 0,,,..., ( exp log n r r logp( x ( n r log( P( x Fungs peluang tersebut merupakan keluarga eksponensal dengan : a ( b( c( y, logp ( x n n log r log( log( P( x P( x e n log e (3 6
7 Dengan demkan regres logstk dapat dpandang sebaga salah satu bentuk khusus dar model lnear terampat dengan fungs penghubung g ( log( /( 3.Regres Posson Suatu model regres dengan peubah respon mempunya sebaran Posson, maka fungs peluang adalah sebaga berkut : P( y, t e exp ( x, t [ t ( x, y! ( x, ] y y logt ( x, log( y! Fungs peluang n merupakan keluarga eksponensal dengan : a ( log t[ ( x, ] b( t[ ( x, ] e c( y, log( y! Dengan demkan regres Posson dapat dpandang sebaga salah satu bentuk khusus dar model lnear terampat dengan fungs penghubung BEBERAPA CONTOH KASUS Kasus : Model Lnear Klask Y 0 X. g ( log( Terdapat pasangan data X dan Y dar hasl pengamatan. Dengan mengasumskan sebaran y normal, dlakukan pendugan model (parameter regres dengan dua metode, yatu metode kuadrat terkecl serta model lnear terampat ( prosedur GENMOD. Hasl pendugaan dengan metode kuadrat terkecl adalah sebaga berkut : Program data log nput x y cards proc reg data=log model y=x run X 7
8 Hasl Keluaran komputer Dependent Varable: y Analyss of Varance Sum of Mean Source DF Squares Square F Value Pr > F Model <.000 Error Corrected Total Root MSE R-Square Dependent Mean Adj R-Sq Coeff Var Parameter Estmates Parameter Standard Varable DF Estmate Error t Value Pr > ltl Intercept X <.000 Hasl pendugaan dengan prosedur GENMOD Program data log nput x y cards data proc genmod model y=x/dst=normal lnk=dentty run Hasl keluaran komputer Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Analyss Of Parameter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate Error Lmts Square Pr>ChSq Intercept <.000 x <.000 Scale Kasus : Model lnear Intrnsk a. Model Cobb-Douglas Y 0 X e Data pengamatan untuk pasangan dan tekanan (atm dan volume (lter. Dengan asums sebaran log Y (logtek normal, dlakukan pendugaan model dengan dua metode, yatu metode kuadrat terkecl serta model lnear terampat (prosedur GENMOD. 8
9 Hasl pendugaan dengan metode kuadrat terkecl adalah sebaga berkut : Program data cd nput volume tekanan logvol=log(volume logtek=log(tekanan cards proc reg data=cd model logtek=logvol run Hasl keluaran computer Dependent Varable: logtek Analyss of Varance Sum of Mean Source DF Squares Square F Value Pr > F Model ` <.000 Error E-7 Corrected Total Root MSE R-Square.0000 Dependent Mean Adj R-Sq.0000 Coeff Var Parameter Estmated Parameter Standard Varable DF Estmate Error t Value Pr > ltl Intercept <.000 Logvol <.000 Hasl pendugaan dengan prosedur GENMOD Program data cd nput volume tekanan logvol=log(volume logtek=log(tekanan cards data prog genmod model logtek=logvol/dst=normal lnk=dentty run 9
10 Hasl keluaran komputer Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Analyss Of Parameter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate Error Lmts Square Pr>ChSq Intercept E7 <.000 logvol <.000 Scale b. Model Eksponensal Lhat kembal data pada kasus. Dengan asums sebaran logy normal, dlakukan pendugaan model dengan dua metode, yatu metode kuadrat terkecl serta model lnear terampat ( prosedur GENMOD Hasl pendugaan dengan metode kuadrat terkecl adalah sebaga berkut : Program data log nput x y logy=log(y cards data proc reg data=log model logy=x run Hasl keluaran komputer Dependent Varable: logy Analyss of Varance Sum of Mean Source DF Squares Square F Value Pr > F Model <.000 Error Corrected Total Root MSE R-Square Dependent Mean.9383 Adj R-Sq Coeff Var.573 Parameter Estmates Parameter Standard Varable DF Estmate Error t Value Pr > ltl Intercept <.000 x <.000 0
11 Hasl pendugaan dengan prosedur GENMOD Program data log nput x y cards data proc genmod model y=x/dst=normal lnk=log run Hasl keluaran komputer Dependent Varable: logy Analyss of Varance Sum of Mean Source DF Squares Square F Value Pr > F Model <.000 Error Corrected Total Root MSE R-Square Dependent Mean.9383 Adj R-Sq Coeff Var.573 Parameter Estmates Parameter Standard Varable DF Estmate Error t Value Pr > ltl Intercept <.000 x <.000 Kasus 3 : Regres Posson Data hasl peneltan Hdayat (00tentang faktor-faktor yang mempengaruh penyakt demam Typhod d Jawa Tmur. Faktor-faktor tersebut adalah : kepadatan peduduk (X, persentase cakupan penduduk pemaka ar bersh (X, persentase cakupan penduduk pemaka jamban keluarga (X 3, persentase perumahan yang memenuh syarat (X 4, persentase cakupan tempat pembuangan sampah sementara yang memenuh syarat (X 5, persentase tempat pengolahan makanan yang memenuh syarat (X 6, serta persentase cakupan penduduk pemaka sarana pembuangan ar lmbah (X 7. Sedangkan peubah responnya adalah jumlah penderta penyakt demam Typhod pada usa tahun sampa 4 tahun d Jawa Tmur (y. Dengan mengasumskan sebaran y Posson, pada makalah n akan dlakukan pendugaan model dengan model lnear terampat ( prosedur GENMOD. Sedangkan pada peneltan Hdayat metode pendugaan yang dgunakan adalah analss regres Posson yang terseda pada perangkat lunak S-PLUS.
12 Program data posson nput no y x x x3 x4 x5 x6 x7 cards data proc genmod model y=x x x3 x4 x5 x6 x7/dst=posson lnk=log run Hasl keluaran komputer Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Analyss Of Parameter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate Error Lmts Square Pr>ChSq Intercept <.000 x <.000 x <.000 x x <.000 x <.000 x <.000 x <.000 Analyss Of Parameter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate Error Lmts Square Pr>ChSq Scale Kasus 4 : Regres Logstk Kasus dar Lzards (Mc Cullagh dan Nelder, 989 yatu data tentang perlaku dua jens Lzard ( graham dan opalnus yang damat d berbaga lokas pada waktu sang har. Peubah respon yang damat adalah jumlah graham (Gh dan opalnus (Op, sedangkan peubah bebasnya adalah : ( shade dengan dua kategor ( sun dan shade, ( Heght (ketnggan dengan dua kategor ( <5ft dan 5ft, (3 Dam (dameter dengan dua kategor (., serta (4 Tme (waktu dengan tga kategor (early, md-day, dan late.
13 Dengan mengasumskan sebaran y bnomal, dlakukan pendugaan model metode model lnear terampat ( prosedur GENMOD. Program data lzards nput No Tme Shade Dam Heght Gh Op Total cards dst proc genmod class Tme Shade Dam Heght Model Gh/Total = Heght Dam Shade Tme / dst=bnom lnk=logt Run Hasl keluaran komputer Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Analyss Of Parameter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate Error Lmts Square Pr>ChSq Intercept <.000 Heght <.000 Heght Dam Dam Shade Shade Tme Tme Tme Scale KESIMPULAN Model Lnear terampat merupakan pengembangan dar model lnear klask yang merampatkan model lnear klask. Dengan demkan model regres lnear merupakan salah satu kasus khusus dalam model lnear terampat. 3
14 DAFTAR PUSTAKA Hdayat, N. 00. Analsa Regres Posson terhadap Faktor-faktor yang Mempengaruh Penyakt Demam Typhod d Propns Jawa Tmur, TA D3-Statstka FMIPA ITS. McCullag, P. dan J.A. Nelder Generalzed Lnear Models. Chapman & Hall. London. Myers, R. H Classcal and Modern Regresson wth Applcaton. PWS-KENT Publshng Company, Boston. 4
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciTUGAS #1 STK731 MODEL LINIER TERAMPAT
TUGAS #1 STK731 MODEL LINIER TERAMPAT Tugas n mengolah data Beetle Mortalty sepert yang tercantum pada contoh 7.3.1 pada buku Dobson (2001) sebaga berkut: Dose, x Number of Number (log10cs2mgl 1 ) beetles,
Lebih terperinciANALISIS PEUBAH RESPON BINER
Analss Peubah Respon Bner... (Ksmantn) ANALISIS PEUBAH RESPON BINER Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Pada regres lner klask, peubah respon dasumskan merupakan
Lebih terperinciBAB 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 terperinciPERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta
PERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1 Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Dalam menganalss hubungan antara beberapa peubah, terdapat
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciESTIMASI 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciε 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 terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciRahmadeni 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 terperinciBAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan
BAB III MODEL LINEAR TERGENERALISASI 3.1 Moel Lnear Perkembangan pemoelan stokastk, terutama moel lner, apat katakan mula paa aba ke 19 yang asar oleh teor matematka yang elaskan antaranya oleh Gauss,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciBINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 2009 BINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB 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 terperinciPEMODELAN REGRESI POISSON MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN Yayuk Listiani NRP Dr. Purhadi, M. Sc.
PEMODELAN REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN 007 Yayuk Lstan NRP 06 00 068 DOSEN PEMBIMBING Dr. Purhad, M. Sc. JURUSAN STATISTIKA FAKULTAS MATEMATIKA
Lebih terperinciSTATISTICAL 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 terperinciNirwan Ilyas, Anisa, Andi Kresna Jaya ABSTRAK
PERBANDINGAN MODEL REGRESI LOGISTIK DAN ZERO-INFLATED POISSON (ZIP) UNTUK MENGANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS KELANGSUNGAN HIDUP PENDERITA PENYAKIT DEMAM BERDARAH (DBD) RS WAHIDIN SUDIROHUSODO
Lebih terperinciAnalisis 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 terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciRANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Design) Dr.Ir. I Made Sumertajaya, M.Si Departemen Statistika-FMIPA IPB 2007
RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Desgn) Dr.Ir. I Made Sumertajaya, M.S Departemen Statstka-FMIPA IPB 007 Revew Rancangan Acak Kelompok Kta ngn membandngkan t perlakuan Pengelompokan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB 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 terperinciIndependent Var. Dependent Var. Test. Nominal Interval Independent t-test, ANOVA. Nominal Nominal Cross Tabs, Chi Square, dan Koefisien Kontingensi
Independent Var. Dependent Var. Test Nomnal Interval Independent t-test, ANOVA Nomnal Nomnal Cross Tabs, Ch Square, dan Koefsen Kontngens Nomnal Ordnal Mann Whtney, Kolmogorov- Smrnow, Kruskall Walls Ordnal
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 8 ANOVA (2)
STK5 Analss Statstka Pertemuan 8 ANOVA () 8. ANOVA () Dagnoss Model Hpotess Klasfkas satu arah : Y atau Y j j j j Klasfkas dua arah : Yj j j??? Pengaruh perlakuan: H 0 : = 0 H : palng sedkt ada satu dmana
Lebih terperinciAnalisis Regresi Linear Sederhana
Analss Regres Lnear Sederhana Al Muhson Pendahuluan Menggunakan metode statstk berdasarkan data yang lalu untuk mempredks konds yang akan datang Menggunakan pengalaman, pernyataan ahl dan surve untuk mempredks
Lebih terperinciBAB 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 terperinciPemeriksaan Ketepatan Fungsi Hubung dalam Analisis Data Biner
Statstka, Vol. 9 No., 55 64 Me 009 Pemerksaan Ketepatan Fungs Hubung dalam Analss Data Bner Nusar Hajarsman Program Stud Statstka Fakultas MIPA Unsba Mahasswa Sekolah Pascasarjana Insttut Pertanan Bogor
Lebih terperinciBAB 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 terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciBAB 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 terperinciOVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL
OVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL Heru Wbowo, Suyono, Wdyant Rahayu Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas Neger Jakarta
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciAnalisis Regresi: Regresi Linear Berganda
Analisis Regresi: Regresi Linear Berganda Pengantar Pada sesi sebelumnya kita hanya menggunakan satu buah X, dengan model Y = b 0 + b 1 X 0 1 Dalam banyak hal, yang mempengaruhi X bisa lebih dari satu.
Lebih terperinciANALISIS PENGARUH IKLIM TERHADAP DEMAM BERDARAH (DBD) DI KABUPATEN SLEMAN MENGGUNAKAN REGRESI POISSON DAN REGRESI BINOMIAL NEGATIF
Template Artkel Prosdng Sendka 017 ANALISIS PENGARUH IKLIM TERHADAP DEMAM BERDARAH (DBD) DI KABUPATEN SLEMAN MENGGUNAKAN REGRESI POISSON DAN REGRESI BINOMIAL NEGATIF Ummu Ftryan 1), Jaka Nugraha ) 1 Departemen
Lebih terperinciPemodelan Regresi Zero-Inflated Poisson (ZIP) tentang Faktor-Faktor yang Mempengaruhi Penyakit Tuberkulosis (TBC) di Kabupaten Sorong Selatan
Semnar Hasl Tugas Akhr Pemodelan Regres Zero-Inflated Posson (ZIP) tentang Faktor-Faktor yang Mempengaruh Penyakt Tuberkuloss (TBC) d Kabupaten Sorong Selatan Oleh : Nur Setyanngrum 1307100078 Pembmbng
Lebih terperinciBAB 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 terperinciMatematika dan Statistika
ISSN 4-6669 Volume, Jun MAJALAH ILMIAH Matematka dan Statstka DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Maalah Ilmah Matematka dan Statstka Volume, Jun MODEL UNTUK DATA BERDISTRIBUSI
Lebih terperinciPowerPoint Slides by Yana Rohmana Education University of Indonesian
SIFAT-SIFAT ANALISIS REGRESI PowerPont Sldes by Yana Rohmana Educaton Unversty of Indonesan 2007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciPERHITUNGAN HARGA PREMI MODEL DUA TAHUNAN DENGAN FAKTOR UNDERWRITING MENGGUNAKAN GENERALIZED LINEAR MODELS
PROSIDING ISSN: 50-656 M- PERHITUNGAN HARGA PREMI MODEL DUA TAHUNAN DENGAN FAKTOR UNDERWRITING MENGGUNAKAN GENERALIZED LINEAR MODELS St Alfatur Rohmanah ), Danardono ) ) Unverstas Islam Darul Ulum Lamongan,
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciPendekatan Fungsi Quasi-Likelihood dan Implementasinya dalam Sistem SAS
Statstka, Vol. 0 No., 5 6 Me 00 Pendekatan Fungs Quas-Lkelhood dan Implementasnya dalam Sstem SAS NUSAR HAJARISMAN Jurusan Stattka, Unverstas Islam Bandung Jalan Purnawarman 69 Bandung 406. E-mal: nrsman@yahoo.co.uk
Lebih terperinciTIN309 - Desain Eksperimen Materi #13 Genap 2016/2017 TIN309 DESAIN EKSPERIMEN
Mater #13 Genap 016/017 6 6 3 - T a u f q u r R a c h m a n 6 6 3 - T a u f q u r R a c h m a n Mater #13 TIN309 DESAIN EKSPERIMEN Prnsp Dasar ANCOVA merupakan teknk analss yang berguna untuk menngkatkan
Lebih terperinciV ANALISIS VARIABEL MODERASI DAN MEDIASI
Solmun Program Stud Statstka FMIPA UB 31 V ANALISIS VARIABEL MODERASI DAN MEDIASI A. Pengertan Varabel Moderas Varabel Moderas adalah varabel yang bersfat memperkuat atau memperlemah pengaruh varabel penjelas
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciANALISIS REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION REGRESI POISSON PADA KASUS DEMAM BERDARAH DENGUE
Statstka, Vol., No., November ANALISIS REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION REGRESI POISSON PADA KASUS DEMAM BERDARA DENGUE Tan Wahyu Utam Program Stud Statstka, Fakultas Matematka dan
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciRESAMPLING UNTUK MEMPERBESAR KOEFISIEN DETERMINASI DALAM MODEL REGRESI LINEAR.
Resamplng untuk Memperbesar Koefsen Determnas RESAMPLING UNUK MEMPERBESAR KOEFISIEN DEERMINASI DALAM MODEL REGRESI LINEAR. Ad Setawan Program Stud Matematka Fakultas Sans dan Matematka, Unverstas Krsten
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 4, Tahun 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 4, Tahun 2013, Halaman 361-368 Onlne d: http://ejournal-s1.undp.ac.d/ndex.php/gaussan APLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciPemodelan Pengaruh Iklim Terhadap Angka Kejadian Demam Berdarah Dengue di Surabaya
JURNAL SAINS DAN SENI IS Vol., (Sept, 0 ISSN: 30-98X D-9 Pemodelan Pengaruh Iklm erhadap Angka Kejadan Demam Berdarah Dengue d Surabaya Dan Rahayu K., Wwek Setya Wnahju, Adatul Mukarromah Jurusan Statstka,
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciAnalisis Regresi 2. Mendeteksi pencilan dan penanganannya
Analss Regres Pokok Bahasan : Mendeteks penclan dan penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasswa dapat mendeteks adanya penclan pada regres lner berganda Penclan Penclan adalah pengamatan yang
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciANALISIS 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 terperinciPEMODELAN GENERALIZED REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2007
PEMODELAN GENERALIZED REGRESI POISSON PADA FAKOR-FAKOR YANG MEMPENGARUHI ANGKA KEMAIAN BAYI DI PROVINSI JAWA IMUR AHUN 007 Yayuk Lstan 1 dan Purhad 1 Mahasswa S1 Statstka IS, Dosen statstka IS 1 yayuk.yangce@gmal.com,
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB 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 terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciDISTRIBUSI FREKUENSI
BAB DISTRIBUSI FREKUENSI Kompetens Mampu membuat penyajan data dalam dstrbus frekuens Indkator 1. Menjelaskan dstrbus frekuens. Membuat dstrbus frekuens 3. Menjelaskan macam-macam dstrbus frekuens 4. Membuat
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciBINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 BINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro Jurusan Matematka
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciUji Park Dan Uji Breusch Pagan Godfrey Dalam Pendeteksian Heteroskedastisitas Pada Analisis Regresi
Al-Jabar: Jurnal Penddkan Matematka Vol. 8, No., 07, Hal 63-7 Uj Park Dan Uj Breusch Pagan Godfrey Dalam Pendeteksan Heteroskedaststas Pada Analss Regres Sska Andran UIN Raden Intan Lampung: sskaandran@radenntan.ac.d
Lebih terperinciPENERAPAN MODEL LOGIT DALAM PEMETAAN POTENSI PENGEMBANGAN BANK SYARIAH 1)
, Oktober 2006, p: 2-27 Vol. No. 2 ISSN : 0853-85 PENERAPAN MODEL LOGIT DALAM PEMETAAN POTENSI PENGEMBANGAN BANK SYARIAH ) Har Wayanto Departemen Statstka Insttut Pertanan Bogor, Bogor Abstrak Penerapan
Lebih terperinciBAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi
BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data
Lebih terperinci2. ANALISIS DATA LONGITUDINAL
. ANALISIS DATA LONGITUDINAL Data longtudnal merupakan salah satu bentuk data berkorelas. Pada data longtudnal, peubah respon dukur pada beberapa ttk waktu untuk setap subyek. Dalam stud longtudnal dmungknkan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Analisis regresi adalah suatu metode statistika yang umum digunakan untuk
BAB II TINJAUAN PUSTAKA 2. Analss Regres Analss regres adalah suatu metode statstka yang umum dgunakan untuk melhat pengaruh antara varabel ndependen dengan varabel dependen. Hal n dapat dlakukan melalu
Lebih terperinciBAB 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 terperinciPEMODELAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA KASUS TETANUS NEONATORUMDI PROVINSIJAWA TIMUR
ISBN : 978.602.36.002.0 PEMODELAN REGRESI ZERO INFLAED NEGAIVE BINOMIAL (ZINB) PADA KASUS EANUS NEONAORUMDI PROVINSIJAWA IMUR Cndy Cahyanng Asut, Isman Zan 2 Mahasswa Jurusan Statstka Insttut eknolog Sepuluh
Lebih terperinciCorresponding 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 terperinciUniversitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan VARIABEL RANDOM. Statistika dan Probabilitas
Unverstas Gadjah Mada Fakultas Teknk Jurusan Teknk Sl dan Lngkungan VARIABEL RANDOM Statstka dan Probabltas 2 Pengertan Random varable (varabel acak) Jens suatu fungs yang ddefnskan ada samle sace Dscrete
Lebih terperinci