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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN Model Log Ler utu Empat Dmes Log Ler Model for Four Dmetos M. Ars Budyoo 1, Sr ayugs, a Puramasar 3 1 Maasswa Program Stud Statsta Faultas MPA Uverstas Mulawarma,3 Dose Program Stud Statsta Faultas MPA Uverstas Mulawarma E-mal: budyoo49@gmal.com 1, swayugs@gmal.com, a.puramasar@gmal.com 3 Abstract Oe of categorcal data aalyss s log lear models. Log lear models are used to loo for patters of relatosps betwee a group of categoral varables cludes te assocato of two varables, tree varables, or more. Log lear models tat clude four assocatos of categorcal varables called log lear model of te four-dmesoal. Log lear models was te most approprate to terpret te patter of relatosp. Te purpose of ts study s to elaborate te log lear model of four dmesos, determe te mmum suffcet statstcs for eac model four-dmesoal lear log, specfy te expected frequecy estmate for te log lear model of four dmesos, ad specfy te most sutable four dmesos log lear model for durato of teret access by studets MAN Uggul Teggarog. Based o te researc s results, t s obtaed tat te log lear models for te four dmesos are 3 models. Eac model as a dfferet mmum suffcet statstcs. SPSS s used to estmate te value of te expected frequecy. Te results of model s applcato o teret access MAN Uggul Teggarog sowed tat, te most sutable log lear model four dmesos s Log eywords: Categorcal data aalyss, log lear models, four dmeto log lear models. Pedaulua Dalam peelta baya dtemua stuas dmaa data yag dumpula dapat dategora mead satu atau leb ategor. Sepert es elam (la-la da perempua, tgat pedda (SD,SMP, da SMA da mas baya lag laya. Data yag terdr dar beberapa ategor dsebut data ategor. Cara yag dguaa utu meyaa data ategor agar sstemat perlu dsusu dalam suatu tabel lasfas slag yag dsebut tabel otges. Utu megaalsa data ategor dapat dguaa model log ler. Dalam aalss aa dcar pola ubuga atar seelompo varabel ategor yag mecaup asosas dua varabel, tga varabel, atau leb. Pola ubuga dsaa dalam betu model log ler. Model log ler yag palg tepat aa dguaa utu megterpretasa pola ubugaya (Agrest, 007. Adapu aplas dar aalss log ler dapat dumpa d berbaga stud asus. Sepert saat yag peelt laua yatu megea ases teret pada pelaar MAN Uggul Teggarog. Saat teret suda mead ebutua poo bag setap orag terutama pelaar da maasswa. ampr setap ar pelaar megases teret d berbaga warug teret (waret, smartpoe ataupu melalu modem. Ole area tu freues seberapa lama pelaar megguaa fasltas teret dpegaru beberapa fator (varabel. Dalam srps varabel yag dmasud yatu urusa elas, prestas aadem, bayaya uag sau perbula da watu yag dperlua utu ases teret setap arya. Selautya masgmasg varabel tersebut dbag mead beberapa ategor. eempat varabel tersebut yag mempegaru baya da sedtya umla pelaar MAN Uggul Teggarog d setap sel dalam tabel otges. Ole area model log ler dua da tga dmes tela baya dturua da daplasa, maa dar tu peuls g meabara model log ler dega empat dmes secara umum dega udul Model log ler utu empat dmes. Varabel ategor Varabel ategor adala sala satu sala peguura yag meml seperagat ategor. Sepert, plosopy polt yag serg duur dega lberal, moderate, atau coservatve (Agrest, 00. Tabel otges (Cotgecy Tabel yag meml bars utu varabel da olom utu varabel dega sebaga asl ombas probabltasya dsebut tabel otges (cotgecy table atau tabel lasfas slag (cross-classfcato table. Tabel yag meglasfasa slag atara dua varabel dsebut tabel otges dua ara (two way cotgecy table. Tabel yag Program Stud Statsta FMPA Uverstas Mulawarma 101

2 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN meglasfasa slag tga varabel dsebut tabel otges tga ara (tree way cotgecy table, da begtu seterusya. (Agrest, 00 depedece of Categorcal Varables Secara statst, depedes adala evale dega propert utu semua probabltas gabuga sama dega produ probabltas maralya, utu =1,,,, =1,,,. (1 (Agrest, 00. Reso Relatf Reso relatf ddefsa sebaga raso 1 (5 al tersebut dapat berupa blaga real oegatf. (Agrest, 00. Odds Raso Utu probabltas eberasla, odds raso ddefsa sebaga (6 1 Meurut Agrest (007, Odds raso merupaa blaga o-egatf, dega eta suses leb memuga darpada gagal. (Agrest, 007. Model Log Ler Dua Dmes a Model depedes Varabel bars dtuua dega da varabel olom dega. Syarat depedes meml rumus perala (multplatf yatu. ad, model depedes meml rumus Log. (7 Utu efe pada bars da olom berturutturut adala da. model dsebut model depedes log ler (log ler model of depedece (Agrest, 007. Parameter mempresetasa efe dar peglasfasa pada bars. Sema besar la, sema besar uga setap freues arapa pada bars, begtu uga utu. (Agrest, 007. b Model Legap (Saturated Model Varabel yag secara statsta depede basaya meml model log ler yag leb omples, yatu Log (8 Parameter adala stla asosas yag mereflesa devas dar depedes. Parameter mempresetasa teras atara da, dmaa efe dar satu varabel pada umla sel yag darapa bergatug pada tgat varabel la. (Agrest, 007 Model Log Ler Tga Dmes a Model depedes Sebua lasfas slag tga ara pada varabel respo,, mempuya beberapa potes depedes. Dega dasumsa bawa sebua dstrbus multomal mempuya probabltas sel, da 1. Model uga megaplasa samplg Posso dega mea. Utu freues arapa, depedes yag salg bebas (mutual depedece mempuya rumus log ler sebaga berut: Log utu semua,, da. (9 (Agrest, 007. b Model Legap Model legap utu log ler tga dmes adala Log. (10 dmaa log log 1 1 log 1 1 log 1 1 log log log , log log log , 10 Program Stud Statsta FMPA Uverstas Mulawarma

3 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN log log log log 1 1 log log 1 1 +, Dega syarat : log log log 1, log Aalss Model Log Ler a Model Log Ler Dua Dmes U Goodess of ft Statst C-square tela baya deal da dperguaa utu tabel otges dua dmes. Nla statst dtug berdasara rumus sebaga berut: O E (11, E dega: O = Observas pada varabel e- da E = Freues arapa dalam sel- Statst dega dstrbus C-square mempuya db = (-1(-1 dmaa meyataa bayaya bars da meyataa olom dar suatu tabel. Tabel otges x dperole statst C-square dega deraat bebas (db = (-1(-1 = 1. Tabel 1 Tabel Freues Meurut da Varabel 1 Varabel umla 1 O 11 O 1 B 1 O 1 O B umla 1 Berdasara Tabel 1, la E dapat dtug dega memaa rumus: B E = (1 Sela megguaa statst u C-square, pertuga u goodess of ft pada tabel otges dua dmes dapat megguaa lelood raso yag dyataa sebaga lelood rato C-square (G sebaga berut: O G O Log (13 E Statst G uga mempuya deraat bebas (db = (-1(-1. U depedes Dalam tabel otges dua ara dega probabltas gabuga utu dua varabel respo, potess ol utu depedes statst adala 0 : edua varabel depede utu semua da. ( Utu megu 0, ddetfas sebaga freues arapa. Utu megestmas freues arapa, subttus propors sampel utu probabltas maral yag tda detau, maa ˆ p p (14 Tada ˆ dsebut estmas freues arapa (estmated expectato frequeces (Agrest, U omogetas U omogetas dguaa utu megetau apaa dua varabel bersfat omoge atau tda. Dega potess 0 : edua varabel bersfat omoge. potess ol ( 0 aa dtola apabla tug da deraat bebas (db adala (b-1(-1 dega Ob Eb tug. E b b Model Log Ler Tga Dmes Meetua Statst Cuup Mmal da Fugs Lelood Dasumsa sebua sampel utu lasfas slag dar varabel-varabel, da. Dasumsa varabel, da adala varabel radom Posso dega la freues arapa. Fugs epadata probabltas Posso bersama dar adala e dega (! : freues arapa (15 : freues pegamata pada bers e-, olom e- da layer e-. Program Stud Statsta FMPA Uverstas Mulawarma 103

4 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN : asl al seluru freues sel dalam tabel. Model log ler utu tabel tga dmes secara umum dapat dsaa dalam parsamaa berut Log exp emuda dbetu log lelood dar model d atas segga dperole L exp (16 dega adala parameter dalam model (Ba da Egelardt, 199. Dfferesal teradap masg-masg parameterya dperole L( exp( area log exp( Segga L( L( a 0 maa, 0 ˆ (17 berart freues arapa total sama dega freues pegamata total segga aslya dapat dlat pada Tabel 3 (Ba da Egelardt, Estmas Freues arapa Msala dbera sebua smbol model (, dega da adala varabel bebas da merupaa varabel terat. Probabltas sel e- dega detau probabltas sel e-, dotasa dega utu da adala: (18 area pegambla sampel yag berdstrbus Posso, maa rumus yag berata dega freues arapa F dega F yatu: ˆ ˆ F ˆ Meurut persamaa (0 da ˆ maa dperole: ˆ (19 ad, la estmas freues arapaya meyesuaa dega masg-masg model. Tabel 3 Tabel Statst Cuup Mmal Model Statst Cuup Mmal (,, (, (, (, (, (, (, (,, ( U Goodess of ft Utu tabel otges tga dmes, u lelood raso adala G log (0 ˆ da u C-Square adala ˆ (1 ˆ potess yag du adala : 0 : Model log ler yag dguaa sesua. Apabla tug (db maa potess ol ( 0 dtola, da deraat bebas (db utu masg-masg model log ler tga dmes dapat dlat pada Tabel 4 (Agug, 00. Parts C-Square Dbera dua model parameter m 1 da m dega m asus usus dar m 1. area m leb sederaa dar m 1 maa model m dataa bersusu dega m 1, v 1 da v deraat bebas sesaat da v 1 leb ecl dar v maa. ( Ole sebab tu, dperole medeat dstrbus C-square dega deraat bebas v - v 1 (Agrest, Program Stud Statsta FMPA Uverstas Mulawarma

5 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN Tabel 4 Deraat Bebas Model Log Lear Pada Tabel otges Berdmes Tga No. Model Deraat Bebas 1 (,, + (, ( 1( 1 3 (, ( 1( 1 4 (, ( 1( 1 5 (, ( 1( 1 6 (, ( 1( 1 7 (, ( 1( 1 8 (,, ( 1( 1( 1 9 ( 0 Varabel Peelta Varabel yag dguaa pada peelta terdapat 4 varabel, yatu urusa elas (varable yag dbag mead ategor, yatu PA da PS, Prestast Aadem (varabel yag dbag mead 3 ategor yatu tgg (pergat 1 10, sedag (pergat 11 0 da reda (pergat leb dar 0, uag sau perar (varabel yag dbag mead 3 ategor yatu tgg (leb dar Rp , sedag (Rp Rp da reda (urag dar Rp , da ases teret perar (varabel yag dbag mead 4 ategor yatu sagat lama (leb dar am, lama (1 am, cuup lama(0,5 1 am da sebetar (urag dar 0,5 am.. asl da Pembaasa Model Log Ler Empat Dmes a Model depedes a meyataa varabel bars, meyataa varabel olom, meyataa varabel layer pertama da merupaa varabel layer edua. Dega merupaa umla bars, merupaa umla olom, merupaa umla layer pertama da merupaa umla layer edua. a detau P (,,, = bebas segga : yag salg (3 Peluag pegamata dapat dtasr dar freues pegamata maa dperole Persamaa :,,, da,, (4 dega, segga freues la arapaya dbera dalam Persamaa : (5 a persamaa (5 dyataa dalam betu sala logartma, maa ddapata : log log log log (6 log log, a semua varabel depede, maa log dar freues arapa utu sel (,,, segga persamaa (7 euvale dega log dmaa :, (8 log log log log log dega syarat : b Model Legap Model yag memuat teras eempat varabelya merupaa model legap, yatu : dega log, (9,,,, Sebagamaa dyataa pada persamaa (8 da la parameter laya adala: Program Stud Statsta FMPA Uverstas Mulawarma 105

6 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN log log log log log log log log log log log log log log log log log log 1 log 1 1 log log 1 1 log log log log 1 1 log 1 log 1 1 log log 1 log 1 1 log 1 1 log log log 1 log 1 1 log 1 1 log log log 1 1 log 1 1 log log dega syarat : 1 1 λ log log 1 log 1 1 log log 1 log 1 1 log 1 1 log 1 1 log 1 1 log log log 1 λ Program Stud Statsta FMPA Uverstas Mulawarma

7 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN Aalss Model Log Ler Empat Dmes a Meetua Statst Cuup Mmal a sebua sampel utu lasfas slag dar varabel-varabel,, da, dasumsa bawa varabel,, da adala varabel radom Posso dega la freues arapa, maa fugs epadata probabltas Posso bersama dar adala e! (30 dega : freues arapa : freues pegamata pada bars e-, olom e-, layer pertama e- serta, layer edua e-. : asl al seluru freues sel dalam tabel. Dalam betu logartma, persamaa (40 dapat dtuls L( Log Model log ler utu tabel empat dmes secara umum dapat dsaa dalam parsamaa berut Log exp( emuda dbetu log lelood dar model d atas segga dperole L exp( (31 dega adala parameter dalam model. Dfferesal teradap masg-masg parameterya segga dperole L( exp( area log exp( Segga L( L( a 0 maa, 0 Dega dema aa dperole fugs lelood sebaga berut: = = = = = = = = = = = = = = = (3 Dalam persamaa (3 da seterusya merupaa oefse dar masg masg parameter maa da seterusya adala statst cuup mmal. Tabel 5 meuua coto model beserta statst cuup mmalya. Program Stud Statsta FMPA Uverstas Mulawarma 107

8 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN b Estmas Freues arapa Msala sebua model log ler empat dmes (,,, dega,, da adala varabel bebas da berdasara persamaa (3 segga estmas freues arapa utu model (,,, adala: (33 c U Goodess of ft Berdasara pada u goodess of ft pada tabel otges tga dmes, maa dapat drumusa rumus goodess of ft utu tabel empat dmes sebaga berut: G log (34 da u C-square adala (35 potess yag du adala : 0 : Model log ler yag dguaa sesua 1 : Model log ler yag dguaa tda sesua Apabla tug tabel maa potess ol ( 0 dtola, da deraat bebas (db utu masgmasg model log ler empat dmes dapat dlat pada Tabel 6 d bawa. Tabel 6 Deraat Bebas Model Log Lear Empat Dmes d Pemla Model Pemla model terba dlaua secara bertaap. Dmula dega pemla model yag dlaua dega meml la G yag relatf ecl (leb ecl dar datara ombas model yag sesua dega dmesya. a dega rtera tersebut dperole beberapa model maa dlaua pemla model terba dega parts C-square. Segga darapa model terba yag dperole merupaa model yag sederaa. Aplas Data yag dguaa pada coto merupaa data lamaya ases teret sswassw elas da 3 MAN Uggul Teggarog meurut urusa elas, prestas aadem, da uag sau perar. Data tersebut aa daplasa dalam aalss model log ler empat dmes. a U Valdtas Dlaua u valdtas utu masg masg butr pertayaa dega potess : 0 : Butr pertayaa tda vald 1 : Butr pertayaa vald Dega taraf sgfas = 5% da daera rt meola 0 apabla p-value <. Megguaa software SPSS vers 0, dperole p-value sepert pada Tabel 7. eputusa yag dapat dambl berdasara asl aalss adala meola 0 utu esemua butr pertayaa area meml la p-value <. Dega dema dapat dsmpula bawa semua butr pertayaa tersebut vald, emuda butr pertayaa yag vald berlaut dega pegua relabltas. Tabel 7 asl U Valdtas Megguaa Software SPSS V.0 Butr pertayaa urusa elas (butr 1 eb yag duug (butr Lamaya ases teret perar (butr 3 Uag sau perar (butr 4 Prestas aadem (butr 5 Pearso Correlato Sg. (- taled N 0,75 0, ,59 0, ,511 0, ,473 0, ,433 0, b U Relabltas Tabel 8 asl U Relabltas Megguaa Software SPSS V.0 Relablty Statstcs Crobac's Alpa N of tems 0,10 5 Dlaua u relabltas utu masg masg butr pertayaa dega potess : 0 : Butr pertayaa tda relabel 1 : Butr pertayaa relabel Dega taraf sgfas = 5% da daera rt meola 0 apabla R tug > R tabel. R tabel. Megguaa software SPSS vers 0, dperole R tug sepert pada tabel 4.4 dega taraf sgfas = 5% berdasara tabel R dperole la R tabel = 0,195 utu db = 98. eputusa yag dapat dambl berdasara asl aalss adala meola 0 area meml la R tug = 0,10 > R tabel = 0,195. Dega dema dapat dsmpula bawa semua butr pertayaa relabel. c Meetua Statst Cuup Mmal Statst cuup mmal dar model-model logler merupaa oefse dar masgmasg parameterya. oefse parameter dperole dar pegumpula atau peumlaa batas maral 108 Program Stud Statsta FMPA Uverstas Mulawarma

9 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN d Fugs Lelood Setela dperole statst cuup mmal masg-masg model, selautya dlaua estmas fugs lelood. e Estmas Freues arapa Setela dtetua statst cuup mmal da fugs lelood utu semua modelya, barula dapat dtetua estmas freues arapa. f U Goodess of ft Dar model-model tersebut, emuda dlaua u ecocoa model (goodess of ft dega data yag dguaa. U ecocoa model bertuua mecar model maa saa yag coco dega data yag dguaa. potess yag dguaa adala : 0 : Model yag dguaa sesua 1 : Model yag dguaa tda sesua dega taraf sgfas (α = 0,05 da statst u G log serta daera rts meola 0 bla G tabel. Dega megguaa software SPSS vers 0 ddapata la G utu masg-masg model sepert pada Tabel 9. C-square Table ddapat dar tabel C-square dega deraat bebas (db da probabltas (α = 0.05 tertetu. Berdasara Tabel 1 d atas, maa terlat bawa dar semua model yag ada terdapat tgabelas(13 model meml la lelood rato (G yag leb ecl dar la C-square table. Segga etgabelas model tersebut yag coco adala model o. 1,, 3, 4, 5, 6, 7,8, 9, 10, 1, 14, 15. ecl dar C-square table dega deraat bebas 4 da α = 0.05 (9,488. Pertuga parts c-square utu modelmodel yag laya megguaa cara yag sama sepert dua pada coto. Dar model-model yag coco dega data tersebut, dpl model terba yag meml sels G palg ecl. Segga model terba utu data adala (,. Tabel 10 Sels Lelood Rato da Deraat Bebas Utu Masg-Masg Model. No Model db Sels db G Sels G 1 ( (,,, (,, (,, (,, (, (,, (,,, (,,, (,, (,,,,, (,,,, (, g Parts C-square Dar etgabelas model tersebut emuda dlaua pemla model terba utu data. Pemla model megguaa statst u parts C-square. Berut dtampla la-la lelood rato (G, deraat bebas (db da selsya utu masg-masg model. 1. Model (,,, coco dega data area G [(,,, (] = 7,769 da leb ecl dar C-square table dega deraat bebas 1 da α = 0.05 (1,06.. Model (,, coco dega data area G [(,, (,,, = 3,075 da leb esmpula Berdasara asl peelta yag tela dlaua dapat dsmpula bawa terdapat 3 varas model log ler yag memuga utu d u pada empat dmes. Masg-masg model meml statst cuup mmal yag berbeda-beda. Estmas freues arapa utu masg-masg modelya uga berbeda-beda dega deraat bebas yag berbeda pula. Namu dar e-3 model tersebut dapat dlaua u ecocoa model dega megguaa u csquare da lelood. U parts c-square dlaua utu mecar model terba. Dalam coto asus lamaya ases teret sswa MAN Uggul Teggarog terlat bawa, model log ler empat dmes yag coco adala Program Stud Statsta FMPA Uverstas Mulawarma 109

10 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN Log Daftar Pustaa Agrest, Ala. 00. Categorcal Data Aalyss Secod Edto. New or : o ley & Sos A troducto To Categorcal Data Aalyss Secod Edto. New or : o ley & Sos. Agug, Gust Ngura. 00. STATSTA: Aalss ubuga ausal Berdasara Data ategor. aarta: Raawal Press. Ba, L. & Egelardt, E troducto to Probablty ad Matematcal Statstcs. Calfora: Duxbury Press. Tabel 5 Tabel Statst Cuup Mmal No Model Statst Cuup Mmal 1 ( { } (,,, { + }, { + }, { + },{ + } 3 (,, { + },{ + },{ + } 4 (,, { + },{ + },{ + } 5 (, { + },{ + } 6 (,, { + },{ + },{ ++ } 7 (,, { + },{ + },{ ++ } 8 (,,, { + },{ ++ },{ ++ },{ ++ } 9 (,,, { + },{ ++ },{ ++ },{ ++ } 10 (,, { + },{ ++ },{ ++ } 11 (,, { + },{ ++ },{ ++ } 1 (, { + },{ ++ } 13 (, { + },{ +++ } 14 (,,,,, { ++ },{ ++ },{ ++ },{ ++ },{ ++},{ ++ } 15 (,,,, { ++ },{ ++ },{ ++ },{ ++ },{ ++} 16 (,,, { ++ },{ ++ },{ ++ },{ ++ } 17 (,, { ++ },{ ++ },{ ++ } 18 (,, { ++ },{ ++ },{ ++ } 19 (,,, { ++ },{ ++ },{ ++ },{ +++ } 0 (, { ++ },{ ++ } 1 (,, { ++ },{ ++ },{ +++ } (,, { ++ },{ +++ },{ +++ } 3 (,,, { +++ },{ +++ },{ +++ },{ +++ } 110 Program Stud Statsta FMPA Uverstas Mulawarma

11 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN Tabel 6 Deraat Bebas Model Log Lear Empat Dmes No Model Deraat Bebas (db 1 ( 0 (,,, 3 (,, 4 (,, 5 (, 6 (,, 7 (,, 8 (,,, 9 (,,, 10 (,, 11 (,, 1 (, 13 (, 14 (,,,,, 15 (,,,, 16 (,,, 17 (,, 18 (,, 19 (,,, 0 (, 1 (,, (,, 3 (,,, Program Stud Statsta FMPA Uverstas Mulawarma 111

12 ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN Tabel 9. Nla-Nla G Beserta C-square Table utu U ecocoa Model No Model db G Csquare P- value Table 1 ( ,000 (,,, 1 7,769 0,803 1,06 3 (,, 18 13,869 0,738 8,869 4 (,, 16 10,844 0,819 6,96 5 (, 7 3,117 0,679 40,113 6 (,, 30 33,079 0,319 43,773 7 (,,,977 0,403 33,94 8 (,,, 34 43,896 0,119 48,60 9 (,,, 36 4,036 0,6 50, (,, 39 44,538 0,50 54,57 11 (,, 40 59,909 0,0 55,758 1 (, 45 61,518 0,051 61, (, 51 77,775 0,009 68, (,,,,, 40 51,697 0,10 55, (,,,, 43 53,700 0,17 59, (,,, 49 70,683 0,03 66, (,, 56 87,990 0,004 74, (,, 51 7,891 0,04 68, (,,, 55 86,940 0,004 73,311 0 (, 55 80,885 0,013 73,311 1 (,, 57 89,148 0,004 75,64 (,, 61 97,14 0,00 80,3 3 (,,, ,34 0,001 8,59 11 Program Stud Statsta FMPA Uverstas Mulawarma

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

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

Lebih terperinci

BAB I PANDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

III. METODOLOGI PENELITIAN

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

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA MEA QUARE ERROR TERKEIL DARI KOMBIAI PEAKIR RAIO-PRODUK UTUK RATA-RATA POPULAI PADA AMPLIG AAK BERTRATA R Kurat *, gt ugarto, Ruam Efed Maasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

H dinotasikan dengan B H

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

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

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

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

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

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

BAB III METODE PENELITIAN

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

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

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

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

STATISTIKA ELEMENTER

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

Lebih terperinci

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

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

Lebih terperinci

E ax by c ae X be Y c. 6.1 Pengertian Umum

E ax by c ae X be Y c. 6.1 Pengertian Umum 6.1 Pegerta Umum Baya permasalaha yag dataya dyataa oleh lebh dar sebuah varabel. Hubuga atara dua atau lebh varabel dapat dyataa secara matemata sehgga merupaa suatu model yag dapat dguaa utu berbaga

Lebih terperinci

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

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

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB II KAJIAN PUSTAKA

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

Lebih terperinci

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

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

Lebih terperinci

Lam piran 1 K uesioner

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

Lebih terperinci

REGRESI LINEAR SEDERHANA

REGRESI LINEAR SEDERHANA REGRESI LINEAR SEDERHANA MODUL Dra. Sr Pagest, S.U. PENDAHULUAN A alss regres merupaka aalss statstk yag mempelajar ubuga atara dua varabel atau leb. Dalam aalss regres lear dasumska berlakuya betuk ubuga

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

8.4 GENERATING FUNCTIONS

8.4 GENERATING FUNCTIONS 8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

UKURAN DASAR DATA STATISTIK

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

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

Lebih terperinci

PENDETEKSIAN OUTLIER DENGAN METODE REGRESI RIDGE

PENDETEKSIAN OUTLIER DENGAN METODE REGRESI RIDGE PENDETEKSIAN OUTLIER DENGAN METODE REGRESI RIDGE Sr Har Jurusa Matemata, Faultas Sas da Teolog Uverstas Islam Neger Maulaa Mal Ibram Malag e-mal: srar@aoo.co.d Abstra Dalam aalss regres ler bergada adaa

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

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

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

Lebih terperinci

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP Rosa Sey Yudasar Jurusa Matemata, Faultas Matemata da Ilmu Pegetahua Alam,Uverstas Neger Surabaya rosaseywah@yahoo.com Drs. Hery Tr Sutato, M.S

Lebih terperinci

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

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

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI

Lebih terperinci

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

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

Lebih terperinci

9. SOAL-SOAL STATISTIKA

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

Lebih terperinci

9. SOAL-SOAL STATISTIKA

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

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

PENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID)

PENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID) PEELUSURA KARAKTERISTIK PERILAKU KOSUME DEGA METODE AUTOMATIC ITERACTIO DETECTIO AID Agus Rusgyoo Staf Pegajar Prod Statsta Jurusa Matemata FMIPA UDIP Abstract AID methods used to see relato betwee respos

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian BAB IV HASIL PENELITIAN Hasl peelta berdasarka data yag dperole dar kegata peelta yag tela dlaksaaka ole peelt d MTs Salafya II Radublatug Blora pada kelas VIII A tau ajara 1 11. Data asl peelta tersebut

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Taksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni

Taksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni Tasra Dstrbus Aggregate Loss Asuras Mobl Megguaa Fast Fourer Trasorm FFT dalam Meetua Prem Mur Tohap Maurug *, Mas Maaohas, Program tud Matemata, Faultas Matemata da Ilmu Pegetahua Alam, Uverstas am Ratulag

Lebih terperinci

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

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

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

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

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b ISSN: 088-687X 5 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA Mara Suc Ara a, Sr Haryatm b a rogram Stud edda Matemata FKI USD Kamus 3 aga, Yogyaarta 558, marasuc@usdacd b Jurusa

Lebih terperinci

DISTRIBUSI RAYLEIGH UNTUK KLAIM AGREGASI. Getut Pramesti Staf Pengajar FKIP Universitas Sebelas Maret, Jl. Ir. Sutami 36A Surakarta,

DISTRIBUSI RAYLEIGH UNTUK KLAIM AGREGASI. Getut Pramesti Staf Pengajar FKIP Universitas Sebelas Maret, Jl. Ir. Sutami 36A Surakarta, Dstrbus Raylegh Getut ramest DITRIBUI RAYLEIGH UTUK KLAIM AGREGAI Getut ramest taf egajar FKI Uverstas ebelas Maret, Jl. Ir. utam 36A uraarta, getut@gmal.com Abstract A Aggregato of clams are clams the

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

Oleh : H. BERNIK MASKUN

Oleh : H. BERNIK MASKUN Uverstas Padjadjara, 3 November 00 (D.5) ANALISIS VARIANS UNTUK MENGUJI KEKUATAN LEKAT SEMEN ADHESIF PADA PERMUKAAN LOGAM KARENA EMPAT MACAM PERLAKUAN (Stud Esperme pada Bdag Ortodot Kedotera Gg) Oleh

Lebih terperinci

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak Jural Sas Matemata da Statsta, Vol. 3, No., Jul 07 ISSN 693-390 prt/issn 407-0939 ole Te Megatas Data Hlag pada Kasus Racaga Blo Legapaca Rado Yedra, Muslm, Jurusa Matemata, Faultas Sas da Teolog, UIN

Lebih terperinci

Prosiding Statistika ISSN:

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

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

BAB III TEORI PERRON-FROBENIUS

BAB III TEORI PERRON-FROBENIUS BB III : EORI PERRON-FROBENIUS 34 BB III EORI PERRON-FROBENIUS Pada Bab III aa dbahas megea eor Perro-Frobeus, yatu teor hasl otrbus dar seorag matematawa asal Germa, Osar Perro da Ferdad Georg Frobeus

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

PENAKSIR RASIO PROPORSI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

PENAKSIR RASIO PROPORSI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA EAKIR RAIO ROORI AG EFIIE UTUK RATA-RATA OULAI ADA AMLIG ACAK BERTRATA Devr Maulaa *, Arsma Ada, Haosa rat Maasswa rogram Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu egetaua Alam Uveras Rau

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag

Lebih terperinci

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

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

Lebih terperinci

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

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

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci