STK511 Analisis Statistika. Pertemuan 13 Peubah Ganda
|
|
- Utami Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 STK511 Analisis Statistika Pertemuan 13 Peubah Ganda
2 13. Peubah Ganda: Pengantar Pengamatan Peubah Ganda Menggambarkan suatu objek tidak cukup menggunakan satu peubah saja Kasus pengamatan peubah ganda dijumpai di seluruh bidang terapan Perlu analisis lebih canggih dibandingkan analisis pada peubah tunggal (univariate) perlu sumberdaya lebih, dalam analisis anang kurnia 2
3 13. Peubah Ganda: Pengantar Pengamatan Peubah Ganda Kaidah peluang yang berlaku sangat rumit penurunannya joint distribution, sehingga yang banyak berkembang hanya pada teknik eksplorasi Peubah yang sangat banyak menjadikan data berukuran lebih besar, sehingga muncul berbagai teknik pereduksian Peubah yang diamati tidak saling bebas (ada overlapping informasi antar peubah), sehingga diperlukan teknik-teknik penyusunan peubah baru seperti komponen utama dan peubah kanonik anang kurnia 3
4 13. Peubah Ganda: Pengantar Pengamatan Peubah Ganda Struktur Data x1 E( x 1 ) 1 x2 x = E(x) = = = x p E( x p ) p var( x1 ) cov( x1, x2) cov( x1, xp) cov( x2, x1 ) var( x2) cov( x2, xp) cov( xp, x1) cov( xp, x2) var( xp) p p p1 p2 pp anang kurnia (anangk@apps.ipb.ac.id) 4
5 Analisis Komponen Utama
6 13. Analisis Komponen Utama Analisis Komponen Utama Gugus peubah asal {X 1, X 2,, X p } Gugus KU {KU 1, KU 2,, KU p } Hanya dipilih k < p KU saja, namun mampu memuat sebagian besar informasi anang kurnia (anangk@apps.ipb.ac.id) 6
7 13. Analisis Komponen Utama Analisis Komponen Utama: Ilustrasi Untuk menceritakan bagaimana wajah pacar kita waktu SMA, tidak perlu disebutkan hidungnya mancung, kulitnya halus, rambutnya indah tergerai dan sebagainya. Tapi cukup katakan Pacar saya waktu SMA orangnya cantik. Kata cantik sudah mampu menggambarkan uraian sebelumnya. anang kurnia 7
8 13. Analisis Komponen Utama Analisis Komponen Utama Gugus peubah asal {X 1, X 2,, X p } Gugus Komponen Utama {KU 1, KU 2,, KU p } KU 1 = a 1 x = a 11 x a 1p x p Jika gugus peubah asal {X 1, X 2,, X p } memiliki matriks ragam peragam maka ragam dari komponen utama adalah 2 KU1 = a 1 a 1 = p p i1 j1 a i a 1 1 j ij Tugas kita adalah bagaimana mendapatkan vektor a 1 sehingga ragam di atas maksimum (vektor ini disebut vektor koefisien) anang kurnia (anangk@apps.ipb.ac.id) 8
9 13. Analisis Komponen Utama Analisis Komponen Utama Vektor a 1 merupakan vektor ciri matriks yang berpadanan dengan akar ciri paling besar. Kombinasi linear dari {X 1, X 2,, X p } berupa KU 1 = a 1 x = a 11 x a 1p x p dikenal sebagai KU pertama dan memiliki ragam sebesar 1 = akar ciri terbesar KU 2, KU 3,. Disusun sedemikian sehingga terbesar berurut dan saling bebas dengan KU lainnya. anang kurnia (anangk@apps.ipb.ac.id) 9
10 13. Analisis Komponen Utama Ilustrasi Ilustrasi berikut menggunakan catatan waktu pada olimpiade Los Angeles tahun 1984 untuk berbagai nomor lari putri di cabang atletik. Ada tujuh nomor yang dicatat, yaitu lari 100 meter, 200 meter, 400 meter, 800 meter, 1500 meter, 3000 meter, dan marathon. Tiga nomor pertama catatan waktu dalam satuan detik, sedangkan empat nomor yang lain dalam menit. Data yang tersedia ada 55 negara peserta. anang kurnia 10
11 13. Analisis Komponen Utama Ilustrasi: Matriks korelasi m100 m200 m400 m800 m1500 m3000 marathon m m m m m m marathon anang kurnia 11
12 13. Analisis Komponen Utama Ilustrasi: Akar ciri Eigenvalue Difference Proportion Cumulative anang kurnia (anangk@apps.ipb.ac.id) 12
13 13. Analisis Komponen Utama Ilustrasi: Berapa KU? Metode 1: Menggunakan 2 KU sudah mencapai proporsi keragaman 89.27% Metode 2: Hanya 2 KU yang memiliki akarciri lebih besar dari 0.7 Metode 3: Pada k = 2 terlihat gambar scree plot sangat curam di kiri tapi landai di kanan. Jadi 2 KU yang digunakan sudah mencukupi. anang kurnia (anangk@apps.ipb.ac.id) 13
14 13. Analisis Komponen Utama Ilustrasi: Vektor ciri Prin1 Prin2 Prin3 Prin4 Prin5 Prin6 Prin7 m m m m m m marathon anang kurnia 14
15 13. Analisis Komponen Utama Contoh Aplikasi KU: Regresi Komponen Utama Analisis Hub antar Peubah Pemeriksaan Multikolinearitas Analisis KU Regresi KU dengan Peubah Respon Y Transformasi Regresi KU ke Peubah Baku Z Transformasi Regresi Z ke Peubah Asal X anang kurnia (anangk@apps.ipb.ac.id) 15
16 Analisis Geromnbol (Cluster)
17 13. Cluster Analysis Pengantar Tujuan analisis gerombol : Menggabungkan beberapa objek ke dalam kelompokkelompok berdasarkan sifat kemiripan atau sifat ketidakmiripan antar objek Objek dalam kelompok lebih mirip dibandingkan dengan objek antar kelompok Ketakmiripan antar objek diukur dengan jarak tertentu : jarak Euclid, Mahalanobis dll anang kurnia (anangk@apps.ipb.ac.id) 17
18 13. Cluster Analysis Pengantar Tujuan dari penggerombolan Kemiripan atau ketakmiripan seperti apa yang diharapkan berhubungan dengan pemilihan peubah Mengkuantifikasi ukuran kemiripan antar objek anang kurnia 18
19 13. Cluster Analysis Metode Metode Grafik Plot Profil lot Andrew Plot Andrew termodifikasi Metode Penggerombolan Berhirarki Metode Penggerombolan tak Berhirarki anang kurnia 19
20 13. Cluster Analysis Plot Profil Plot profil dari setiap pengamatan Pembakuan data sangat membantu Kelemahan : tidak efektif untuk data yang terlalu banyak pengamatan. Ilustrasi : Diperoleh hasil ujian untuk 7 mata ajaran yaitu Matematika, Fisika, Biologi, Sejarah Nasional, Pendidikan kewiraan, dan Kesenian. Ada 6 mahasiswa yang terlibat. anang kurnia (anangk@apps.ipb.ac.id) 20
21 13. Cluster Analysis Plot Profil anang kurnia 21
22 13. Cluster Analysis Nilai Plot Profil Mat Fis Bio Sej Kew Sos Seni Mata Ajaran Andi Benny Budi Ika Maya Ana anang kurnia (anangk@apps.ipb.ac.id) 22
23 13. Cluster Analysis Konsep Jarak anang kurnia 23
24 13. Cluster Analysis Penggerombolan Berhirarki 1. Metode aglomeratif 2. Metode berhirarki divisif (pemisahan) Beberapa ukuran ketakmiripan antar gerombol : Pautan Tunggal Pautan Lengkap Pautan Centroid Pautan Median Pautan Rataan anang kurnia (anangk@apps.ipb.ac.id) 24
25 13. Cluster Analysis Penggerombolan Berhirarki Pautan Tunggal (Single Linkage = Nearest Neighbor) Jarak antar dua gerombol diukur dengan jarak terdekat antara sebuah objek dalam gerombol yang satu dengan sebuah objek dalam gerombol yang lain. h(br, Bs) = min { d(xi, xj); xi anggota Br, dan xj anggota Bs } anang kurnia (anangk@apps.ipb.ac.id) 25
26 13. Cluster Analysis Penggerombolan Berhirarki Pautan Lengkap (Complete Linkage = Farthest Neighbor) Jarak antar dua gerombol diukur dengan jarak terjauh antara sebuah objek dalam gerombol yang satu dengan sebuah objek dalam gerombol yang lain. h(br, Bs) = max { d(xi, xj); xi anggota Br, dan xj anggota Bs } anang kurnia (anangk@apps.ipb.ac.id) 26
27 13. Cluster Analysis Pautan Centroid (Centroid Linkage) Jarak antara dua buah gerombol diukur sebagai jarak Euclidean antara kedua rataan (centroid) gerombol. x x Penggerombolan Berhirarki Jika r dan s adalah vektor rataan (centroid) dari gerombol Br dan Bs, maka jarak kedua gerombol tersebut didefinisikan sebagai : Jarak yang baru didefinisikan sebagai : n r x n r r n n s s x s anang kurnia (anangk@apps.ipb.ac.id) 27
28 13. Cluster Analysis Penggerombolan Berhirarki Pautan Median (Median Linkage) Jarak antar gerombol didefinisikan sebagai jarak antar median, dan gerombol-gerombol dengan jarak terkecil akan digabungkan. Median untuk gerombol yang baru adalah Mbaru = m m r s 2 anang kurnia (anangk@apps.ipb.ac.id) 28
29 13. Cluster Analysis Penggerombolan Berhirarki Pautan Rataan (Average Linkage) Jarak antara dua buah gerombol, Br dan Bs didefinisikan sebagai rataan dari n r n s jarak yang dihitung antara x i anggota Br dan x j anggota Bs anang kurnia (anangk@apps.ipb.ac.id) 29
30 13. Cluster Analysis Penggerombolan Berhirarki: Ilustrasi Dari ilustrasi sebelumnya, digunakan konsep jarak Euclidian dan diperoleh matriks jarak sbb : anang kurnia (anangk@apps.ipb.ac.id) 30
31 13. Cluster Analysis Penggerombolan Berhirarki: Ilustrasi Dengan menggunakan konsep Single lingkage diperoleh hasil dalam bentuk dendogram sebagai berikut : anang kurnia (anangk@apps.ipb.ac.id) 31
32 13. Cluster Analysis Metode K rataan (k-means) Penggerombolan Tak Berhirarki Algoritmanya sbb : 1. Tentukan besarnya k, yaitu banyaknya gerombol, dan tentukan juga centroid di tiap gerombol. 2. Hitung jarak antara setiap objek dengan setiap centroid. 3. Hitung kembali rataan (centroid) untuk gerombol yang baru terbentuk. 4. Ulangi langkah 2 sampai tidak ada lagi pemindahan objek antar gerombol. anang kurnia (anangk@apps.ipb.ac.id) 32
33 13. Cluster Analysis Penggerombolan Tak Berhirarki: Ilustrasi Misalkan ada dua peubah X 1 dan X 2 yang tiap objeknya diberi nama A, B, C dan D. Datanya sebagai berikut: anang kurnia (anangk@apps.ipb.ac.id) 33
34 13. Cluster Analysis Penggerombolan Tak Berhirarki: Ilustrasi 1. Dikelompokkan ke dalam 2 kelompok. Centroid dipilih secara acak : c 1 = (2, 2) dan c 2 = (-1, -2). 2. Jarak yang digunakan jarak Euclidian. Memasukkan objek ke gerombol berpatokan pada jarak terdekat Diperoleh matriks jarak sbb : anang kurnia (anangk@apps.ipb.ac.id) 34
35 13. Cluster Analysis Penggerombolan Tak Berhirarki: Ilustrasi 3. Hitung centroid baru, rataan dari vektor masing-masing unsur. c 1 = (5, 3) c 2 = [(-1, 1) + (1, -2) + (-3, -2)]/3 = (-1, -1) Diperoleh matriks yang sbb : Diperoleh 2 gerombol : G 1 = {A} dan G 2 = {B, C, D}. anang kurnia (anangk@apps.ipb.ac.id) 35
36 Biplot
37 13. Biplot Pengantar Biplot diperkenalkan pertama kali oleh Gabriel (1971) sehingga sering disebut sebagai Gabriel s biplot. Metode ini tergolong dalam analisis eksplorasi peubah ganda yang ditujukan untuk menyajikan data peubah ganda dalam peta dua dimensi, sehingga perilaku data mudah dilihat dan diinterpretasikan. anang kurnia (anangk@apps.ipb.ac.id) 37
38 13. Biplot Definisi Biplot adalah teknik statistika deskriptif yang dapat disajikan secara visual guna menyajikan secara simultan n obyek pengamatan dan p peubah dalam ruang bidang datar, sehingga ciri-ciri peubah dan obyek pengamatan serta posisi relatif antar obyek pengamatan dengan peubah dapat dianalisis. (Jollife, 1986 & Rawlings 1988). anang kurnia (anangk@apps.ipb.ac.id) 38
39 13. Biplot Informasi yang Bisa Diambil 1. Hubungan antar peubah 2. Kemiripan relatif antar obyek pengamatan 3. Posisi relatif antar obyek pengamatan dengan peubah 4. Nilai peubah pada suatu objek anang kurnia 39
40 13. Biplot Konsep Dasar Biplot merupakan teknik statistika deskriptif dimensi ganda yang mendasarkan pada penguraian nilai singular (PNS) atau Singular Value Decomposition (SVD). Misalkan suatu matriks data X berukuran nxp yang berisi n pengamatan dan p peubah yang dikoreksi terhadap nilai rataratanya dan berpangkat r, dapat dituliskan menjadi X = U L A anang kurnia (anangk@apps.ipb.ac.id) 40
41 13. Biplot Konsep Dasar Keterangan : matriks U dan A masing-masing berukuran (nxr) dan (pxr) sehingga U U = A A = I r L adalah matrik diagonal berukuran (rxr) dengan unsur-unsur diagonalnya adalah akar kuadrat dari akar ciri X X atau XX sehingga r anang kurnia (anangk@apps.ipb.ac.id) 41
42 13. Biplot Konsep Dasar Kolom matris A adalah vektor ciri yang berpadanan dengan akar ciri dari matrik X X atau XX. Lajur-lajur matrik U dapat dihitung melalui : 1 a U i i i Dengan i adalah akar ciri ke-i dari matrik X X dan a i adalah lajur ke-i matrik A. anang kurnia (anangk@apps.ipb.ac.id) 42
43 nx r = n U r r L r r A p A = [a 1, a 2,,a r ] r L r r a a a 1,..., 1, 1 U Biplot Konsep Dasar: SVD anang kurnia (anangk@apps.ipb.ac.id) 43
44 13. Biplot Konsep Dasar: SVD X = U L L 1- A = G H Misalkan G = U L serta H = L 1- A Unsur ke-(i,j) matriks X dapat dituliskan sbb : X ij = g i h j dimana: i = 1,2,3,...,n j = 1,2,3,...,p dengan g i dan h j masing-masing merupakan baris-baris matriks G dan H Jika r(x)=2 maka g i dan h j digambarkan dalam ruang berdimensi 2 anang kurnia (anangk@apps.ipb.ac.id) 44
45 13. Biplot Konsep Dasar: SVD Jika = 1, maka G = UL dan H = A, sehingga diperoleh hubungan: X X = (GH )(GH ) = GH HG = GA AG = GG Jika = 0 maka G = U dan H = AL, sehingga diperoleh X X = (GH ) (GH ) = HG GH = HU UH = HH anang kurnia (anangk@apps.ipb.ac.id) 45
46 13. Biplot Informasi yang Bisa Diperoleh 1. Kedekatan antar obyek. Dua obyek dengan karakteristik sama akan digambarkan sebagai dua faktor yang posisi-nya berdekatan. 2. Keragaman peubah. Peubah dengan keragaman kecil digambarkan sebagai vektor yang pendek. Begitu pula sebaliknya. anang kurnia 46
47 13. Biplot Informasi yang Bisa Diperoleh 3. Hubungan antar peubah : Jika sudut dua peubah < 90 0 maka korelasi bersifat positif Jika sudut dua peubah > 90 0 maka korelasi bersifat negatif Semakin kecil sudutnya, maka semakin kuat korelasinya. 4. Nilai peubah pada suatu obyek. Karakteristik suatu obyek bisa disimpulkan dari posisi relatifnya yang paling dekat dengan suatu peubah. anang kurnia (anangk@apps.ipb.ac.id) 47
48 13. Biplot Ilustrasi Ilustrasi berikut memberikan penerapan BIPLOT untuk menilai posisi relatif sembilan negara ASEAN menurut indikator pembangunan berkelanjutan (sustatinable development indicators). Ada 9 variabel yang dimasukkan. anang kurnia (anangk@apps.ipb.ac.id) 48
49 13. Biplot Ilustrasi anang kurnia 49
50 13. Biplot Ilustrasi anang kurnia 50
51 13. Biplot Ilustrasi Lain Biplot Analysis anang kurnia 51
52 13. Diskriminan Prinsip Dasar Perusahaan penyedia jasa layanan kartu kredit harus mampu membuat fungsi diskriminan yang mampu memisahkan calon pemegang kartu yang potensial melakukan transaksi dan yang tidak (idle) berdasarkan data dalam formulir aplikasi. X mampu menjadi pembeda, tetapi Y tidak Y mampu menjadi pembeda, tetapi X tidak anang kurnia (anangk@apps.ipb.ac.id) 52
53 13. Diskriminan Prinsip Dasar X dan Y saja tidak mampu menjadi pembeda, tetapi kombinasi linearnya bisa Membutuhkan fungsi non-linear dari X dan Y untuk bisa membedakan anang kurnia (anangk@apps.ipb.ac.id) 53
54 Bersambung. anang kurnia 54
ANALISIS GEROMBOL CLUSTER ANALYSIS
ANALISIS GEROMBOL CLUSTER ANALYSIS Pendahuluan Tujuan dari analisis gerombol : Menggabungkan beberapa objek ke dalam kelompok-kelompok berdasarkan sifat kemiripan atau sifat ketidakmiripan antar objek
Lebih terperinciINFORMASI YANG BISA DIAMBIL DARI BIPLOT
ANALISIS BIPLOT PENGANTAR Biplot diperkenalkan pertama kali oleh Gabriel (1971) sehingga sering disebut sebagai Gabriel s biplot. Metode ini tergolong dalam analisis eksplorasi peubah ganda yang ditujukan
Lebih terperinciAnalisis Peubah Ganda
Analisis Peubah Ganda Analisis Komponen Utama Dr. Ir. I Made Sumertajaya, M.Si Pengamatan Peubah Ganda - memerlukan sumberdaya lebih, dalam analisis - informasi tumpang tindih pada beberapa peubah Apa
Lebih terperinciTINJAUAN PUSTAKA Analisis Gerombol
3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis
TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola
Lebih terperinciDidin Astriani P, Oki Dwipurwani, Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya)
(M.2) ANALISIS BIPLOT UNTUK MENGETAHUI KARAKTERISTIK PUTUS SEKOLAH PENDIDIKAN DASAR PADA MASYARAKAT MISKIN ANTAR WILAYAH KECAMATAN DI KABUPATEN OGAN ILIR Didin Astriani P, Oki Dwipurwani, Dian Cahyawati
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Konseptual Dalam memahami pelajaran di sekolah siswa mungkin saja mengalami kesulitan dalam memahaminya. Hal ini dapat dikarenakan metode pembelajaran
Lebih terperinciTINJAUAN PUSTAKA. dianalisis dan hasilnya ditransformasi menjadi matriks berukuran??
TINJAUAN PUSTAKA Data Disagregat dan Agregat Berdasarkan cara pengumpulannya, data dapat dibedakan atas data internal dan data eksternal. Data internal berasal dari lingkungan sendiri sedangkan data eksternal
Lebih terperinciCompany LOGO ANALISIS BIPLOT
Company LOGO ANALISIS BIPLOT Pendahuluan Company name Data : ringkasan berupa nilai beberapa peubah pada beberapa objek Objek n Nilai Peubah X X.. Xp Company name Penyajian Data dalam bentuk matriks =
Lebih terperinciPENGGAMBARAN KONDISI PSIKOGRAFIS ATAU PERILAKU MASYARAKAT KOTA BOGOR TERHADAP PERBANKAN SYARIAH DENGAN MENGGUNAKAN ANALISIS BIPLOT
PENGGAMBARAN KONDISI PSIKOGRAFIS ATAU PERILAKU MASYARAKAT KOTA BOGOR TERHADAP PERBANKAN SYARIAH DENGAN MENGGUNAKAN ANALISIS BIPLOT AMIRUDIN * ABSTRAK Pengetahuan kondisi Psikografis atau perilaku masyarakat
Lebih terperinciPERBANDINGAN ANALISIS BIPLOT KLASIK DAN ROBUST BIPLOT PADA PEMETAAN PERGURUAN TINGGI SWASTA DI JAWA TIMUR
Jur. Ris. & Apl. Mat. I (207), no., xx-xx Jurnal Riset dan Aplikasi Matematika e-issn: 258-054 URL: journal.unesa.ac.id/index.php/jram PERBANDINGAN ANALISIS BIPLOT KLASIK DAN ROBUST BIPLOT PADA PEMETAAN
Lebih terperinciTINJAUAN PUSTAKA Analisis Biplot Biasa
TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi
Lebih terperinciPENDAHULUAN LANDASAN ANALISIS
10 PENDAHULUAN Latar Belakang Biplot merupakan metode eksplorasi analisis data peubah ganda yang dapat memberikan gambaran secara grafik tentang kedekatan antar objek, keragaman peubah, korelasi antar
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Dalam kehidupan sehari-hari seringkali dijumpai sesuatu hal yang banyak melibatkan sejumlah variabel yang antar variabel saling berpengaruh, hal semacam ini akan lebih mudah diinterpretasikan
Lebih terperinciANALISIS PEUBAH GANDA ANALISIS GEROMBOL HAZMIRA YOZZA JURUSAN MATEMATIKA UNAND LOGO
ANALISIS PEUBAH GANDA ANALISIS GEROMBOL HAZMIRA YOZZA JURUSAN MATEMATIKA UNAND Kompetensi menghitung jarak antar individu Membentuk gerombol dengan menggunakan metode gerombol berhierarkhi Membentuk gerombol
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Implementasi Biplot Kanonik dan Analisis Procrustes dengan Mathematica Biplot biasa dengan sistem perintah telah terintegrasi ke dalam beberapa program paket statistika seperti SAS,
Lebih terperinciBAB I PENDAHULUAN. Analisis statistik multivariat adalah metode statistik di mana masalah yang
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Analisis statistik multivariat adalah metode statistik di mana masalah yang diteliti bersifat multidimensional dengan menggunakan tiga atau lebih variabel
Lebih terperinciCluster Analysis. Hery Tri Sutanto. Jurusan Matematika MIPA UNESA. Abstrak
S-17 Cluster Analysis Hery Tri Sutanto Jurusan Matematika MIPA UNESA Abstrak Dalam analisis cluster mempelajari hubungan interdependensi antara seluruh set variabel perlu diteliti. Tujuan utama analisis
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Statistika Multivariat Analisis statistika multivariat adalah teknik-teknik analisis statistik yang memperlakukan sekelompok variabel terikat yang saling berkorelasi sebagai
Lebih terperinciPENGUKURAN KONTRIBUSI ITS DALAM MEMBENTUK MUTU SARJANA BARU ITS MENURUT PERSEPSI WISUDAWAN TAHUN 2004
B-17-1 PENGUKURAN KONTRIBUSI ITS DALAM MEMBENTUK MUTU SARJANA BARU ITS MENURUT PERSEPSI WISUDAWAN TAHUN 2004 Arie Kismanto dan Muhammad Sjahid Akbar Jurusan Statistik ITS ABSTRAK Sarjana baru dapat dipakai
Lebih terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
Lebih terperinciBAB II KAJIAN TEORI. linier, varian dan simpangan baku, standarisasi data, koefisien korelasi, matriks
BAB II KAJIAN TEORI Pada bab II akan dibahas tentang materi-materi dasar yang digunakan untuk mendukung pembahasan pada bab selanjutnya, yaitu matriks, kombinasi linier, varian dan simpangan baku, standarisasi
Lebih terperinciANALISIS TERHADAP INDIKATOR INDIKATOR YANG MENCIRIKAN STANDAR NASIONAL PENDIDIKAN SEKOLAH MENENGAH PERTAMA DI INDONESIA WENNY INDRIYARTI PUTRI
ANALISIS TERHADAP INDIKATOR INDIKATOR YANG MENCIRIKAN STANDAR NASIONAL PENDIDIKAN SEKOLAH MENENGAH PERTAMA DI INDONESIA WENNY INDRIYARTI PUTRI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu analisis peubah ganda, analisis gerombol (cluster analysis),
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa konsep yang menjadi dasar dalam penelitian ini, yaitu analisis peubah ganda, analisis gerombol (cluster analysis), metode penggerombolan hirarki
Lebih terperinciANALISIS LAPANGAN PEKERJAAN UTAMA DI JAWA TENGAH BERDASARKAN GRAFIK BIPLOT SQRT (SQUARE ROOT BIPLOT)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 41-50 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS LAPANGAN PEKERJAAN UTAMA DI JAWA TENGAH BERDASARKAN GRAFIK
Lebih terperinciPENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 53-58 ISSN: 2303-1751 PENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA NOVA SARI BARUS 1, I PUTU EKA NILA KENCANA
Lebih terperinciFajar Ropi BINUS UNIVERSITTY, Jakarta, Indonesia, Abstrak. Seiring dengan berjalannya waktu persaingan dan kompetisi untuk meraih
Analisis Sikap DAN Faktor Pemilihan Perguruan Tinggi Swasta Jakarta Berbasis Komputer Menggunakan Model Fishbein dan Biplot (Studi kasus : SMA Kota Bogor) Fajar Ropi BINUS UNIVERSITTY, Jakarta, Indonesia,
Lebih terperinciTransformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan
Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail: Desi_its@yahoo.com Mustika Hadijati Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Kemiskinan merupakan masalah yang sulit untuk diatasi. Salah satu sasaran pembangunan nasional adalah penurunan tingkat kemiskinan. Menurut Badan Pusat Statistik,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciLABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA. Modul II CLUSTERING
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul II CLUSTERING TUJUA PRAKTIKUM 1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam
Lebih terperinciANALISIS PRINCIPAL COMPONENT BIPLOTS PADA BANK UMUM PERSERO YANG BEROPERASI DI JAWA TENGAH
ANALISIS PRINCIPAL COMPONENT BIPLOTS PADA BANK UMUM PERSERO YANG BEROPERASI DI JAWA TENGAH Ely Fitria Rifkhatussa diyah 1, Hasbi Yasin 2, Agus Rusgiyono 3 1 Mahasiswa Jurusan Statistika FSM UNDIP 2,3 Staff
Lebih terperinciBAB III PEMBAHASAN. Analisis cluster merupakan analisis yang bertujuan untuk. mengelompokkan objek-objek pengamatan berdasarkan karakteristik yang
BAB III PEMBAHASAN Analisis cluster merupakan analisis yang bertujuan untuk mengelompokkan objek-objek pengamatan berdasarkan karakteristik yang dimiliki. Asumsi-asumsi dalam analisis cluster yaitu sampel
Lebih terperinciAnalisis Biplot terhadap Pemetaan Kebutuhan Guru SMP di Kabupaten Kepulauan Sangihe Berdasarkan Rasio Guru per Mata Pelajaran
Analisis Biplot terhadap Pemetaan Kebutuhan Guru SMP di Kabupaten Kepulauan Sangihe Berdasarkan Rasio Guru per Mata Pelajaran Listiani Amare 1, Jantjce D Prang 2, Tohap Manurung 3 1 Program Studi Matematika,
Lebih terperinciCLUSTER ENSEMBLE DALAM PENGGEROMBOLAN VARIETAS PADI
1 CLUSTER ENSEMBLE DALAM PENGGEROMBOLAN VARIETAS PADI VIVI HERYANTI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 2 RINGKASAN VIVI HERYANTI. Cluster
Lebih terperinciPENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER ENSEMBLE
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 13 23 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER
Lebih terperinciCanonical Correlation. I Made Sumertajaya
Canonical Correlation I Made Sumertajaya Pendahuluan Hubungan antar variabel yang telah dikenal: Dua arah 1 var dependen vs 1 var independen korelasi sederhana (simple correlation): pearson, spearman,
Lebih terperinciPENERAPAN ANALISIS GEROMBOL DAN TEKNIK VALIDASI PADA PENGGEROMBOLAN KLON TEH LEMMA FIRARI BOER
PENERAPAN ANALISIS GEROMBOL DAN TEKNIK VALIDASI PADA PENGGEROMBOLAN KLON TEH LEMMA FIRARI BOER DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 0 RINGKASAN
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinci.: Analisis Gerombol - Bagian 2 :.
seri tulisan data mining.: Analisis Gerombol - Bagian 2 :. Penggerombolan Tak Berhirarki - Algoritma k-means Bagus Sartono bagusco@gmail.com June 4, 2016 Abstract Pada seri tulisan ini akan dipaparkan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 545-551 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS KECENDERUNGAN PEMILIHAN KOSMETIK WANITA DI KALANGAN
Lebih terperincikarakteristik Kualitas Pengajar Berdasarkan Faktor Mutu Pelayanan di Jurusan Matematika FMIPA UNSRAT Menggunakan Analisis Biplot
JURNAL MIPA UNSRAT ONLINE 2 (1) 29-33 dapat diakses melalui http://ejournal.unsrat.ac.id/index.php/jmuo karakteristik Kualitas Pengajar Berdasarkan Faktor Mutu Pelayanan di Jurusan Matematika FMIPA UNSRAT
Lebih terperinciBAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA. Analisis komponen utama adalah metode statistika multivariat yang
BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA Analisis komponen utama adalah metode statistika multivariat yang bertujuan untuk mereduksi dimensi data dengan membentuk kombinasi linear
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Eksplorasi Data Diagram kotak garis (boxplot) merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran, dan kemiringan pola sebaran.
Lebih terperincix j dan HASIL DAN PEMBAHASAN
Kategori sedang (S) ika nilai rata-rata peubah ke- pada gerombol berada diantara nilai ( x - s ) dan ( x + s ). Kategori rendah (R) ika nilai rata-rata peubah ke- pada gerombol berada dibawah nilai ( x
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Toserba xxx dengan meneliti posisi produk dan preferensi konsumen kacang garing Garuda. Terdapat berbagai macam merek
Lebih terperinciAnalisis Hibrid Korespondensi Untuk Pemetaan Persepsi. Hybrid Correspondence Analysis for Mapping Perception
Jurnal EKSPONENSIAL Volume, Nomor, Mei ISSN 85-89 Analisis Hibrid Korespondensi Untuk Pemetaan Persepsi Hybrid Correspondence Analysis for Mapping Perception Fitriani, Rito Goejantoro, dan Darnah Andi
Lebih terperinciANALISIS BIPLOT ROW METRIC PRESERVING UNTUK MENGETAHUI KARAKTERISTIK PROVIDER TELEPON SELULER PADA MAHASISWA S1 FSM UNIVERSITAS DIPONEGORO
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 331-340 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS BIPLOT ROW METRIC PRESERVING UNTUK MENGETAHUI KARAKTERISTIK
Lebih terperinciMANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO
MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen
Lebih terperinciANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA
ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciHASIL DAN PEMBAHASAN
14 IV. HASIL DAN PEMBAHASAN 4.1 Deskripsi Data Survei dilakukan terhadap 76 siswa, yang terdiri atas 46 siswa perempuan dan 30 siswa laki-laki. Pendidikan ayah dan ibu dari siswa-siswi tersebut sebagian
Lebih terperinciBAB II TINJAUAN PUSTAKA. konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma
BAB II TINJAUAN PUSTAKA Bab ini akan membahas pengertian metode klasifikasi berstruktur pohon, konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma CHAID, keakuratan dan kesalahan dalam
Lebih terperinciMK. PERENCANAAN LINGKUNGAN ANALISIS PEUBAH GANDA MULTIVARIATE ANALYSIS
MK. PERENCANAAN LINGKUNGAN ANALISIS PEUBAH GANDA MULTIVARIATE ANALYSIS Oleh: Prof.Dr.Ir.Soemarno,M.S Obyek Pengamatan Variabel X4 Variabel X1 Variabel X2 Variabel X3 Variabel Xn Multi-Variabel Metode analisis
Lebih terperinciDATA DAN METODE Sumber Data
14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan
Lebih terperinciAnalisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali
Jurnal Matematika Vol. 6 No. 1, Juni 2016. ISSN: 1693-1394 Analisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali I Gusti Ayu Made Srinadi Jurusan Matematika, Fakultas
Lebih terperinciMETODE PENSKALAAN DIMENS1 GANDA SUATU STUD1 KOMPUTASI STATISTIKA
METODE PENSKALAAN DIMENS1 GANDA SUATU STUD1 KOMPUTASI STATISTIKA OIeb BUD1 SUHARJO 87083 STK FAKULTAS PASCASARJANA IMSTITUT PERTANIAM DOQOR 19.1 KINGKASAN BUD1 SUHARJO. Metode Penskalaan Dimensi Ganda,
Lebih terperinciPertemuan 14 HIERARCHICAL CLUSTERING METHODS
Pertemuan 14 HIERARCHICAL CLUSTERING METHODS berdasar gambar berdasar warna A A A A Q Q Q Q K K K K J J J J 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7 7 8 8 8 8 9 9 9 9 10 10 10 10 A K Q J (a). Individual
Lebih terperinciIII. METODOLOGI A. Kerangka Pemikiran
III. METODOLOGI A. Kerangka Pemikiran Persaingan dunia usaha semakin ketat dewasa ini, hal itu disebabkan semakin banyaknya pelaku usaha baru yang bermunculan dengan berbagai macam inovasi. Hal itu tentunya
Lebih terperinciANALISIS BIPLOT PADA DATA KASUS PENYAKIT DI BEBERAPA DAERAH DI INDONESIA TAHUN Bambang Heriyanto* dan Revi Rosavika Kinansi**
ANALISIS BIPLOT PADA DATA KASUS PENYAKIT DI BEBERAPA DAERAH DI INDONESIA TAHUN 29 Bambang Heriyanto* dan Revi Rosavika Kinansi** Balai Besar Penelitian dan Pengembangan Vektor dan Reservoir Penyakit Salatiga
Lebih terperinciBAB II TINJAUAN PUSTAKA. digunakan untuk menganalisis data dengan lebih dari satu peubah bebas
BAB II TINJAUAN PUSTAKA 2.1. Analisis Peubah Ganda Analisis peubah ganda merupakan salah satu jenis analisis statistika yang digunakan untuk menganalisis data dengan lebih dari satu peubah bebas (independen
Lebih terperinciSTK511 Analisis Statistika. Pertemuan - 1
STK511 Analisis Statistika Pertemuan - 1 PERKULIAHAN 1. Dosen : Anang Kurnia (anangk@apps.ipb.ac.id) 2. Asisten : Septian Rahardiantoro 3. Waktu : Rabu > 08.00 09.40 Jumat > 08.00 10.00 4. Office Hours
Lebih terperinciII. TINJAUAN PUSTAKA 2.1 Analisis Korelasi Kanonik
3 II. TINJAUAN PUSTAKA 2.1 Analisis Korelasi Kanonik Menurut Gittins (1985) analisis korelasi kanonik adalah salah satu teknik analisis statistik yang digunakan untuk melihat hubungan antara segugus peubah
Lebih terperinci3 PEWILAYAHAN CURAH HUJAN
3 PEWILAYAHAN CURAH HUJAN Pendahuluan Daerah prakiraan musim (DPM) merupakan daerah dengan tipe hujan yang memiliki perbedaan yang jelas antara periode musim kemarau dan musim hujan berdasarkan pola hujan
Lebih terperinciTINJAUAN PUSTAKA. bebas digunakan jarak euclidean - sedangkan bila terdapat. korelasi antar peubah digunakan jarak mahalanobis - -
3 TINJAUAN PUSTAKA Gambaran Umum Analisis Gerombol Analisis gerombol merupakan salah satu metode analisis peubah ganda yang bertujuan untuk mengelompokkan objek kedalam kelompok kelompok tertentu yang
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari
BAB 2 LANDASAN TEORI 21 Analisis Komponen Utama 211 Pengantar Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari tulisan Karl Pearson pada tahun 1901 untuk peubah non-stokastik Analisis
Lebih terperinciBAB III PEMBAHASAN. survei yang dilakukan BPS pada 31 Oktober Langkah selanjutnya yang
BAB III PEMBAHASAN Data yang digunakan dalam skripsi ini merupakan data sekunder yang diperoleh dari buku saku Ikhtisar Data Pendidikan Tahun 2016/2017. Data tersebut dapat dilihat pada Lampiran 1. Data
Lebih terperinciANALISIS BIPLOT KOMPONEN UTAMA PADA BANK UMUM (COMMERCIAL BANK) YANG BEROPERASI DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 61-70 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS BIPLOT KOMPONEN UTAMA PADA BANK UMUM (COMMERCIAL BANK)
Lebih terperinciMinggu XI ANALISIS KOMPONEN UTAMA. Utami, H
Minggu XI ANALISIS KOMPONEN UTAMA Utami, H Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen Utama 4 Contoh Utami, H Minggu XIANALISIS KOMPONEN UTAMA 2 / 16 Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen
Lebih terperinciBAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
Lebih terperinciBIPLOT DENGAN DEKOMPOSISI NILAI SINGULAR BIASA DAN KEKAR UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB WARSITO
BIPLOT DENGAN DEKOMPOSISI NILAI SINGULAR BIASA DAN KEKAR UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB WARSITO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciPENANGANAN MULTIKOLINEARITAS (KEKOLINEARAN GANDA) DENGAN ANALISIS REGRESI KOMPONEN UTAMA. Tatik Widiharih Jurusan Matematika FMIPA UNDIP
PENANGANAN MULTIKOLINEARITAS (KEKOLINEARAN GANDA) DENGAN ANALISIS REGRESI KOMPONEN UTAMA Tatik Widiharih Jurusan Matematika FMIPA UNDIP Abstrak Multikolinearitas yang tinggi diantara peubah-peubah bebas,
Lebih terperinciTINJAUAN PUSTAKA. pendugaan modelnya. Salah satu metode statistika yang dapat mengatasinya adalah
TINJAUAN PUSTAKA Metode Kuadrat Terkecil Parsial Kolinearitas dalm analisis regesi akan menyebabkan ketidaktepatan dalarn pendugaan modelnya. Salah satu metode statistika yang dapat mengatasinya adalah
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciBIPLOT DATA DISAGREGAT DAN AGREGAT DALAM PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB DEDE SAHRUL BAHRI
BIPLOT DATA DISAGREGAT DAN AGREGAT DALAM PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB DEDE SAHRUL BAHRI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Clustering Analysis Clustering analysis merupakan metode pengelompokkan setiap objek ke dalam satu atau lebih dari satu kelompok,sehingga tiap objek yang berada dalam satu kelompok
Lebih terperinciPEMETAAN CABANG PERUSAHAAN ASURANSI X BERDASARKAN LAPORAN BEBAN KLAIM DAN PENERIMAAN PREMI MENGGUNAKAN BIPLOT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 323-334 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMETAAN CABANG PERUSAHAAN ASURANSI X BERDASARKAN LAPORAN BEBAN
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi merupakan suatu teknik statistika untuk menyelidiki dan
TINJAUAN PUSTAKA Analisis Regresi Linier Berganda Analisis regresi merupakan suatu teknik statistika untuk menyelidiki dan memodelkan hubungan diantara peubah-peubah, yaitu peubah tak bebas (respon) dan
Lebih terperinciANALISIS CLUSTER KABUPATEN/KOTA DI RIAU BERDASARKAN PENDAPATAN DOMESTIK REGIONAL BRUTO (PDRB) TAHUN 2010 TUGAS AKHIR
ANALISIS CLUSTER KABUPATEN/KOTA DI RIAU BERDASARKAN PENDAPATAN DOMESTIK REGIONAL BRUTO (PDRB) TAHUN 2010 TUGAS AKHIR Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan
Lebih terperinciBAB I PENDAHULUAN. Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis
Lebih terperinciMODEL-MODEL LEBIH RUMIT
MAKALAH MODEL-MODEL LEBIH RUMIT DISUSUN OLEH : SRI SISKA WIRDANIYATI 65 JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 04 BAB I PENDAHULUAN. Latar Belakang
Lebih terperinciPENGGEROMBOLAN DAN PEMETAAN KABUPATEN/KOTA DI PROVINSI JAWA BARAT BERDASARKAN NILAI UJIAN NASIONAL SMA DAN AKREDITASI SEKOLAH CHARLES E.
PENGGEROMBOLAN DAN PEMETAAN KABUPATEN/KOTA DI PROVINSI JAWA BARAT BERDASARKAN NILAI UJIAN NASIONAL SMA DAN AKREDITASI SEKOLAH CHARLES E. MONGI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS CLUSTER DENGAN PERANGKAT LUNAK MCLUST
LAPORAN PENELITIAN BIDANG ILMU KELOMPOK TINGKAT LANJUT KAJIAN METODE BERBASIS MODEL PADA ANALISIS CLUSTER DENGAN PERANGKAT LUNAK MCLUST Oleh: Drs. Timbul Pardede, M.Si Drs. Budi Prasetyo, M.Si FAKULTAS
Lebih terperinciBAB. IX ANALISIS REGRESI FAKTOR (REGRESSION FACTOR ANALYSIS)
BAB. IX ANALII REGREI FAKTOR (REGREION FACTOR ANALYI) 9. PENDAHULUAN Analisis regresi faktor pada dasarnya merupakan teknik analisis yang mengkombinasikan analisis faktor dengan analisis regresi linier
Lebih terperinciKeywords: Factorial Experiment, CRBD, AMMI, Analysis of Variance, PCA, Biplot
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 529-536 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS VARIAN PERCOBAAN FAKTORIAL DUA FAKTOR RAKL DENGAN METODE
Lebih terperinciInfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 3, No.2, September 2014
APLIKASI METODE-METODE AGGLOMERATIVE DALAM ANALISIS KLASTER PADA DATA TINGKAT POLUSI UDARA Oleh: Dewi Rachmatin Jurusan Pendidikan Matematika, UniversitasPendidikan Indonesia dewirachmatin@upi.edu ABSTRAK
Lebih terperinciBAB III K-MEDIANS CLUSTERING
BAB III 3.1 ANALISIS KLASTER Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Metode interdependensi berfungsi untuk memberikan makna terhadap seperangkat
Lebih terperinciMODEL MODEL LEBIH RUMIT
08/0/06 MODEL MODEL LEBIH RUMIT Di susun oleh Nurul Hani Ulvatunnisa Kanthi Wulandari Sri Siska Wirdaniyati Kamal Adyasa Unib Sedya Pramuji 08/0/06 Model Polinom Berbagai Ordo Model Yang Melibatkan Transformasi
Lebih terperinciPemetaan Status Gizi Balita Terhadap Kecamatan-Kecamatan Di Kabupaten Trenggalek Dengan Metode Analisis Korespondensi
Pemetaan Status Gizi Balita Terhadap Kecamatan-Kecamatan Di Kabupaten Trenggalek Dengan Metode Analisis Korespondensi Oleh : Teguh Purianto (0 09 06) Dosen Pembimbing : Wibawati, S.Si., M.Si. ABSTRAK Anak
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 2, 71-81, Agustus 2001, ISSN :
PENANGANAN MULTIKOLINEARITAS (KEKOLINEARAN GANDA) DENGAN ANALISIS REGRESI KOMPONEN UTAMA Tatik Widiharih Jurusan Matematika FMIPA UNDIP Abstrak Multikolinearitas yang tinggi diantara peubah-peubah bebas,
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Uji Hipotesis
BAB II LANDASAN TEORI Pada bab ini akan dibahas tentang pengujian hipotesis, metode klasifikasi berstruktur pohon, metode-metode statistika yang menjadi dasar pada metode QUEST, dan algoritme QUEST..1
Lebih terperinciAnalisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur
Analisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur Qonitatin Nafisah, Novita Eka Chandra Jurusan Matematika Fakultas MIPA Universitas Islam Darul Ulum Lamongan
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN METODE MINIMAX LINKAGE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02 (2016), hal 253-260 PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN
Lebih terperinciPENYEDERHANAAN PEMETAAN STRUKTUR KETERGANTUNGAN VARIABEL MENGGUNAKAN TEKNIK PRINSIPAL KOMPONEN
ABSTRAK PENYEDERHANAAN PEMETAAN STRUKTUR KETERGANTUNGAN VARIABEL MENGGUNAKAN TEKNIK PRINSIPAL KOMPONEN Mike Susmikanti *) PENYEDERHANAAN PEMETAAN STRUKTUR KETERGANTUNGAN VARIABEL MENGGUNAKAN TEKNIK PRINSIPAL
Lebih terperinciPENGGEROMBOLAN DAN POSISI RELATIF KECAMATAN DI KABUPATEN PURWAKARTA TERHADAP BEBERAPA INDIKATOR PENDIDIKAN DAN KESEHATAN
PENGGEROMBOLAN DAN POSISI RELATIF KECAMATAN DI KABUPATEN PURWAKARTA TERHADAP BEBERAPA INDIKATOR PENDIDIKAN DAN KESEHATAN ADITYA SUBUR PURWANA G14103037 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciKAJIAN TERHADAP TINGKAT PEMERATAAN PENDIDIKAN MENGGUNAKAN ANALISIS BIPLOT KLASIK DAN BIPLOT KEKAR
E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 37-42 ISSN: 2303-1751 KAJIAN TERHADAP TINGKAT PEMERATAAN PENDIDIKAN MENGGUNAKAN ANALISIS BIPLOT KLASIK DAN BIPLOT KEKAR Ni Luh Ardila Kusumayanti 1, I Komang
Lebih terperinci*Corresponding Author:
PERBANDINGAN KINERJA METODE COMPLETE LINKAGE DAN AVERAGE LINKAGE DALAM MENENTUKAN HASIL ANALISIS CLUSTER (Studi Kasus: Produksi Palawija Provinsi Kalimantan Timur 2014/2015) Silvia Ningsih 1, Sri Wahyuningsih
Lebih terperinci