Jurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN

Ukuran: px
Mulai penontonan dengan halaman:

Download "Jurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN"

Transkripsi

1 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN Peeraa Geeralzed Posso Regresso I Utu Megatas Overdsers Pada Regres Posso (Stud Kasus: Pemodela Jumlah Kasus Kaer Servs d Provs Kalmata Tmur) Alcato Geeralzed Posso Regresso I to Hadle Overdserso o Posso Regresso Models (Case Stud: Modelg Number of Cases of Cervcal Cacer East Kalmata Provce) Im Masfa N 1, Des Yuart, da Mem Nor Haat 3 1 Mahasswa Program Stud Statsta FMIPA Uverstas Mulawarma,3 Dose Program Stud Statsta FMIPA Uverstas Mulawarma Emal: mmasfa@gmal.com 1 Abstract Posso Regresso model s commol used to aalze cout data s assumed to have Posso dstrbuto where the mea ad varace values are equal or also called equdserso. I fact, ths assumto s ofte volated, because the value of varace s greater tha the mea value, ths codto s called overdserso. Posso regresso whch s aled to the data that cotas overdserso wll ml the value of stadard error becomes uderestmates, so the cocluso s ot vald. Oe of the models that ca be used for overdserso data s Geeralzed Posso Regresso I (GPR I). Ths research dscuss the hadlg of overdserso o Posso regresso usg GPR I, wth case stud modelg the umber of cervcal cacer cases East Kalmata 013. I ths research GPR I models meet the crtera for sutablt of regresso comared Posso regresso models because t has a smaller AIC value. Kewords: AIC, GPR I, Overdserso, Posso Regresso. Pedahulua Aalss regres ag umuma dguaa adalah aalss regres las, dmaa varabel resoa meruaa data otu ag megut dstrbus ormal. Namu dalam erembagaa, model regres las tda mamu megatas ermasalaha-ermasalaha dmaa varabel reso berua data dsrt da tda berdstrbus ormal. Data dsrt atu data ag laa oegatf da meataa baaa ejada dalam terval watu, ruag, atau volume tertetu. Keta varabel reso berua data dsrt, aalss regres ag basa dguaa adalah aalss regres Posso (Ber da MacDoald, 008). Regres Posso meruaa metode regres oler ag dguaa utu megaalss data ag varabel resoa berua data dsrt da berasal dar dstrbus Posso. Pada regres Posso terdaat asums ag harus deuh, atu la varas da rata-rata dar varabel reso tersebut sama. Ja la varas lebh besar dar rata-rataa atau dsebut dega overdsers, maa hal tu aa berdama ada la stadard error ag mejad uderestmate (McCullagh da Nelder, 1989). Terdaat beberaa metode ag daat dguaa utu megatas overdsers salah satua atu dega metode Geeralzed Posso Regreesso I (GPR I) ag meruaa erluasa dar regres Posso (Ismal da Jema, 007). Peelta tetag GPR I erah dlaua oleh Nohe (011), megea fator -fator ag memegaruh emata bu melahra (materal mortalt) d Kalmata Tmur tahu 009, amu dalam eelta tersebut tda megguaa la AIC sebaga eetua model terba. Berdasara uraa d atas maa euls tertar utu melaua eelta tetag cara megatas overdsers dega megguaa GPR I. Kasus ag dguaa dalam eelta adalah jumlah asus aer servs d Provs Kalmata Tmur tahu 013. Uj Kecocoa Dstrbus ( Kolmogorov- Smrov) Uj Kolmogorov-Smrov dguaa utu memutusa aaah samel berasal dar oulas dega dstrbus tertetu. Uj Kolmogorov- Smrov meruaa eguja statst oarametr (Djarwato, 003). Su D Y F0 ( Y ) S N ( Y ) (1) Dega daerah eolaa adalah tola H 0 ja D D tabel dmaa D tabel = D( ; ) Dstrbus Posso Dstrbus Posso termasu dstrbus teorts ag megguaa varabel radom dsrt. Dstrbus Posso dsebut juga dstrbus erstwa ag jarag terjad, dtemua oleh S.D. Posso ( ), seorag ahl matemata bagsa Peracs (Hasa, 003). Meurut Walole da Mers (1990), ercobaa ag meghasla la- la bag varabel radom Y ag berla umer, atu Program Stud Statsta FMIPA Uverstas Mulawarma 59

2 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN baaa suses selama terval watu tertetu atau dalam daerah tertetu, dsebut ercobaa Posso. Pajag terval watu tersebut daat beraa saja, semet, sehar, semggu atau setahu. Daerah ag dmasud daat berua seotog gars, suatu luas, suatu s, atauu baragal seotog beda. Varabel radom Y ag meataa baaa ejada dalam terval watu, ruag atau volume tertetu dataa berdstrbus Posso ja meml fugs robabltas sebaga berut (Walole da Mers,1990): e( ) f ( ; ), 0,1,,...; 0! dega E( Y ) Var( Y ) () Geeralzed Lear Models Aalss regres ag resoa termasu salah satu aggota eluarga esoesal dsebut Geeralsas Model ler atau lebh deal dega Geeralzed Lear Models (GLM). GLM memerluas model regres basa ag mecau varabel reso berdstrbus tda ormal da fugs model utu rata-rata. Ada tga omoe utama dalam aalss GLM, atu sebaga berut (Agrest, 1990): 1. Komoe Radom varabel reso Y dega observas bebas ( Y1, Y,..., Y ) dar sebuah dstrbus dalam eluarga esoesal. Betu fugs destas robabltas dar dstrbus eluarga esoesal adalah sebaga berut: b( ) f ( ;, ) e c( ; ) (3) a( ). Komoe sstemats Komoe sstemats dar GLM adalah hubuga dar sebuah vetor utu mejelasa varabel-varabel ag berhubuga dalam sebuah model ler. 0 Atau dalam matrs dtulsa dalam betu: η Xβ dmaa: (4) η 1 1, X, 1 1 β Fugs L Fugs l adalah fugs ag meghubuga esetas varabel reso dega omoe sstemats da dtulsa sebaga berut: g( ) (5) Regres Posso Regres Posso meruaa aalss regres ag basaa dguaa utu data dega reso berua varabel dsrt teta tda ber. Dalam hal reso data tersebut berdstrbus Posso dega arameter µ. Hal ag sagat etg utu dcatat bahwa arameter µ sagat bergatug ada beberaa ut tertetu atau erode dar watu, jara, luas area, volume, da sebagaa. Dstrbus emuda dguaa utu memodela suatu erstwa ag eberadaaa relatf jarag atau laga utu terjad ada satua ut tertetu. Regres Posso meml beberaa asums sebaga berut (Pateta, 005): 1. Varabel reso berua data dsrt.. Dstrbus bersarat dar varabel reso megut dstrbus Posso. 3. Nla rata-rata aa sama dega varasa, a E( Y) Var( Y). 4. Tda terjad masalah Overdsers. Model Regres Posso Pada model regres Posso, fugs eghubug ag dguaa adalah fugs eghubug log area fugs log mejam bahwa la varabel ag dharaa dar varabel resoa aa berla oegatf (Mers, 1996). l( ) (6), 1,,.., Persamaa d atas daat ula dtulsa sebaga: E( ) e (X ' β) (7) 60 Program Stud Statsta FMIPA Uverstas Mulawarma

3 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN Peasra Parameter Regres Posso Utu measr arameter β dguaa metode Mamum Lelhood Estmato (MLE). Prs dar metode adalah mecar tasra masmum lelhood dar arameter β, atu tasra dar arameter β ag memasmuma fugs lelhood. Berut adalah turua ertama dar fugs lelhood berdasara ersamaa : L β f,β e( )! [e( e( 0 1 ))]e(! 0 1 ) Utu memermudah erhtuga dalam memeroleh tasra masmum lelhood dar arameter β, dguaa betu logartma dar fugs lelhood ada ersamaa d atas sebaga berut: [ e( 0 )] 1 l L( β) (9) 1 ( 0 ) l( )! 1 Proses utu meemua solus dar turua fugs log lelhood tda daat dlaua secara lagsug area fugs log lelhood tda ler dalam arameter ag g dtasr sehgga membutuha metode umer Newto-Rahso utu meelesaaa (Mers, 1996). Uj Raso Lelhood Uj Raso lelhood atau dsebut juga uj devas adalah uj ag dguaa utu megetahu sgfas arameter ag dbetu secara meeluruh oleh eseluruha varabel redtor ag sgfa beregaruh terhada varabel reso. L( ˆ) G l (10) L( ˆ ) H 0 dtola ada taraf sgfas α ja ( ;( 1)) G, dega adalah baa egamata da adalah baa varabel redtor (Mers, 1996). Uj t Uj t meujua seberaa jauh egaruh satu varabel redtor secara dvdual dalam (8) meeraga varas varabel reso (Wdarjoo, 007). βˆ (11) t SE(βˆ ) Krtera eguja atu H 0 dtola ja t htug > t tabel dmaa t tabel = t (α/;--1) atau tola H 0 ja -value < α. Overdsers Meurut McCullagh da Nelder (1989), regres Posso dataa megadug overdsers aabla la varasa lebh besar dar la rata-rataa. Overdsers meml dama ag sama dega elaggara asums ja ada data dsrt terjad overdsers amu teta dguaa regres Posso, dugaa dar arameter oefse regresa teta osste amu tda efse. Hal berdama ada la stadar error ag mejad uder estmate, sehgga esmulaa mejad tda vald. Feomea overdsers daat dtulsa Var(Y) > E(Y). Hubuga arameter dsers ( ϕ) dega varas da rata-rata dalam regres Posso adalah: Var (Y) = ϕµ (1) Perhtuga la dsers dega megguaa Pearso Ch-Square adalah: df Pearso Ch Square df Dstrbus Geeralzed Posso Meurut Wag da Famoe dalam Ismal da Jema (007), fugs eadata eluag dstrbus GP adalah: 1 (1 ) ( ) a f 1 a! (14) (1 ) e a 1 a 0,1,... dega rata-rataa adalah E( ),varas Var( Y ) (1 a ) da a adalah arameter dsers. Geeralzed Posso Regresso I Geeralzed Posso Regresso I (GPR I) meruaa suatu model regres ag dguaa utu megaalss hubuga atara sebuah varabel reso ag berua data dsrt dega satu atau lebh varabel redtor. Model GPR I daat dguaa ba dalam eadaa uderdsers, equdsers, atauu overdsers. Model juga meml arameter dsers ag bergua utu meggambara varas dar data da dotasa dega a. Fugs lelhood Y (13) Program Stud Statsta FMIPA Uverstas Mulawarma 61

4 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN utu GPR I daat dtulsa sebaga berut (Ismal da Jema, 007): L( β, a) (1 a )! 1 1 e( 0 1 a e( e( 0 1 e 1 a e( 0 ) ) 1 )(1 a ) ) Utu melaua erhtuga, dguaa betu logartma dar ersamaa utu mecar tasra β da a atu: l L( β, a) l 1 e( a e( 0 1 ) (15) ) e( 0 )(1 a ) 1 (1 a ) 1 e! 1 a e( 0 ) 1 area fugs log lelhood ada ersamaa (16) tda ler terhada masg-masg arametera maa utu mecar la estmas dar 0,.., da a dguaa metode umer atu metode Newto Rahso dega megguaa la turua ertama da edua dar fugs log lelhood GPR I sebaga dasar estmas. Kaer Servs Kaer Servs ( Cervcal Cacer) adalah aer ag terjad ada serv uterus, atu baga orga rerodus wata ag meruaa tu masu e dalam rahm ag terleta atara rahm (uterus) dega lag seggama/vaga. Gejala alg umum dar aer servs adalah edaraha abormal dar vaga atau fle (berca) vaga. Pedaraha abormal terutama terjad setelah berhubuga sesual, amu daat mucul juga erdaraha d atara slus mestruas, meoraga, atau berca/erdaraha ostmeoause. Cr-cr ederta eat aer servs adalah (Masaroh, 013): 1. Pada saat mestruas, darah ag eluar dalam jumlah ag baa da berlebh.. Megalam sat saat buag ar ecl 3. Serg merasaa sat ada daerah ggul (16) 4. Saat berhubuga tm selalu merasaa sat, baha serg dut oleh adaa erdaraha. 5. Saat eremua megalam stadum lajut aa megalam rasa sat ada baga aha atau salah satu aha aa megalam bega, afsu maa mejad berurag, berat bada tda stabl, susah buag ar ecl,da megalam erdaraha sota. Fator-fator ag memegaruh aer servs dataraa (Rasjd, 010): 1. Partas Partas adalah baaa elahra hdu ag dua oleh seorag wata atau jumlah elahra ag meghasla ja ag mamu hdu dluar rahm (8 mggu). Pada wata ag serg melahra er vaga, dmaa melahra aa lebh dar tga al aa memertgg rso aer servs.. Kotrases Hormo da IUD 3. Kodom da dafragma daat membera erlduga. Kotrases hormo da IUD ag daa dalam jaga ajag atu lebh dar 4 tahu daat megata rso 1,5-,5 al. 4. Petugas Kesehata da Saraa Kesehata 5. Dega adaa duuga etugas esehata seert doter da bda serta adaa fasltas esehata dharaa daat meghambat ertumbuha aer servs dega membera eembuha atau euluha. 6. Sosal Eoom 7. Kaer mulut rahm salah satua dsebaba area etdatahua atau redaha egetahua tetag ecegaha terhada terjada aer servs. Hal tu dabata oleh fator sosal eoom ag redah. Fator la ag berhubuga dega aer mulut rahm adalah atvtas sesual ag terlalu muda (< 16 tahu), jumlah asaga sesual ag baa (> 4 orag), da adaa rwaat erah mederta adloma. Metodolog Peelta Adau varabel ag dguaa dalam eelta adalah: 1. Varabel reso ( Y) adalah data jumlah asus aer servs. Varabel redtor (X) adalah: X 1 = Persetase saraa esehata (Rumah Sat da Pusesmas) X = Persetase teaga meds X 3 = Persetase edudu eremua ag umur aw ertama 16 tahu X 4 = Persetase edudu ms X 5 = Persetase edudu eremua ag megguaa odom X 6 = Persetase rata-rata egeluara utu osums maaa erbula 6 Program Stud Statsta FMIPA Uverstas Mulawarma

5 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN X 7 = Persetase eremua dega jumlah aa ag dlahra > 4. Adau taha-taha dalam aalss sebaga berut: 1. Melaua aalss statsta desrtf.. Melaua eguja dstrbus Posso ada varabel reso dega megguaa uj Kolmogorov-Smrov. 3. Meetua model awal regres Posso. 4. Melaua estmas arameter regres Posso. Metode ag dguaa utu megestmas arameter model regres Posso adalah metode masmum lelhood. 5. Melaua eguja arameter regres osso secara smulta dega uj raso lelhood. 6. Melaua emlha varabel redtor ( X) ag beregaruh terhada varabel redtor (Y) utu meetua model terba regres Posso dega megguaa metode bacward. 7. Medetes adaa asus overdsers. 8. Meetua model awal GPR I. 9. Melaua estmas arameter GPR I. Metode ag dguaa utu megestmas arameter model GPR I adalah metode masmum lelhood. 10. Melaua eguja arameter GPR I secara smulta dega uj raso lelhood 11. Melaua emlha varabel redtor ( X) ag beregaruh terhada varabel redtor (Y) utu meetua model terba regres Posso dega megguaa metode bacward. Hasl da Pembahasa Desrs Varabel Reso Sebelum melaua aalss regres Posso, hal ag erlu dlaua terlebh dahulu alah aalss statsta desrtf ag bertujua meamla araterst dar data berdasara uura-uura la statst. Tabel 1 Aalss Statst Desrtf Aalss Statsta Desrtf Var N M Ma Rata-Rata Varas Y ,57 60,571 Peguja Dstrbus Posso Peguja dstrbus Posso ada varabel reso dlaua dega megguaa uj Kolmogorov-Smrov dega megguaa ersamaa (1) sebaga berut: Su D Y F0 ( Y ) S N ( Y ) 0,30398 Karea la D D (0,05;14 ) = 0,349 maa daat dsmula bahwa data jumlah asus aer servs berdstrbus Posso. Model Awal Regres Posso l( ˆ) 4, , X 1-0, X 0,079881X 3 0,188818X 4 0, 16197X 0,036401X 6 0, X 7 Peguja Parameter Regres Posso Peguja Parameter Secara Smulta (Uj Raso Lelhood) Dega megguaa ersamaa ( 10), la raso lelhood ag deroleh atu: ( ˆ) l L G 13,4504 ( ˆ ) L Karea la G 13,4504 tabel 1, 59 maa daat dsmula bahwa mmal terdaat satu varabel atu saraa esehata (rumah sat da usesmas), teaga meds, edudu eremua ag umur aw ertama 16 tahu, edudu ms, edudu eremua ag megguaa odom, rata-rata egeluara utu osums maaa erbula, da eremua dega jumlah aa ag dlahra > 4 beregaruh terhada jumlah asus aer servs. Peguja Parameter Secara Parsal (Uj t) Peguja arameter secara arsal bertujua utu melhat aaah ada tdaa egaruh sgfa varabel redtor terhada varabel reso. Adau hasl eguja terdaat ada Tabel. Tabel Hasl Peguja Secara Parsal Varabel Koefse P-value Kostata 4,644 0,08 X 1 4, ,1417 X 0, ,833 X 3-0, ,085 X 4 0, ,003 X 5-0, ,64 X 6-0, ,368 X 7-0, ,1793 Berdasara Tabel, daat dlhat bahwa varabel X 1, X, X 5, X 6, da X 7 tda beregaruh terhada Y area meml -value > α = 0,05. Oleh area tu harus deluara dega megguaa te emlha varabel. Dalam eelta megguaa metode bacward. Setelah deluara satu ersatu maa deroleh hasl ada Tabel 3. 5 Program Stud Statsta FMIPA Uverstas Mulawarma 63

6 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN Tabel 3 Hasl Setelah Varabel Deluara Varabel Koefse P-value X 1 0, ,0419 X 3 0, ,0118 X 4-0, ,001 Berdasara Tabel 3, daat dlhat bahwa varabel X 1, X 3 da X 4 berturut-turut meml - value sebesar 0,0419, 0,0118, da 0,001 < α = 0,05 sehgga daat dutusa utu meola H 0 da daat dsmula bahwa ersetase saraa esehata (Rumah Sat da Pusesmas), ersetase edudu eremua ag umur aw ertama 16 tahu da ersetase edudu ms beregaruh terhada jumlah asus aer servs. Model ag deroleh dar estmas arameter regres Posso adalah: l( ˆ), ,060947X 1 0, 08501X 3 0,07351X 4 Pada model terlhat la tasra arameter model utu saraa esehata (rumah sat da usesmas) da edudu eremua ag umur aw ertama 16 tahu berla ostf arta hubuga atar varabel tersebut dega log ratarata dar jumlah asus aer servs berbadg lurus. Utu seta eaa saraa esehata (rumah sat da usesmas) sebaa 1 erse, dega asums la varabel laa teta, maa rata-rata jumlah asus aer servs aa bertambah sebesar e( 0,060947) 1 orag. Utu seta eaa edudu eremua ag umur aw ertama 16 tahu sebaa 1 erse, dega asums la varabel laa teta, maa rata-rata jumlah asus aer servs aa bertambah sebesar e( 0,08501) 1 orag. Utu tasra arameter model ada varabel edudu ms berla egatf. Hal meujua bahwa hubuga atar varabel tersebut dega log rata-rata dar jumlah asus aer servs berbadg terbal. Utu seta eaa edudu ms sebaa 1 erse, dega asums la varabel laa teta, maa rata-rata jumlah asus aer servs aa meuru sebesar e( 0,07351) 1 orag. Nla AIC ag deroleh dar model terba regres Posso atu sebesar 91,609. Overdsers Setelah deroleh model regres Posso, taha selajuta adalah medetes aaah terjad overdsers ada model. Peguja overdsers dlaua dega mecar la. Ja la > 1, maa daat dduga terjad overdsers. Hasl aalss daat dlhat ada Tabel 4 Tabel 4 Nla Pearso Ch Square DF Pearso Ch Square Nla/DF 10 1,079,1073 Berdasara Tabel 4 ag deroleh dar ersamaa ( 13) maa hasl erhtuga sebaga berut: 1,079,1073 df 10 Karea, 1073 > 1 maa daat dsmula bahwa terjad overdsers ada model regres Posso. Model Awal GPR I Model awal GPR I adalah: l( ˆ) 4,644 0,05185X 1 0, 00070X 0,08084X 3 0,1831X 4 0, 1877X 0,0410X 6 0, 0651X 7 Peguja Parameter GPR I Peguja Parameter Secara Sereta (Uj Raso Lelhood) Berdasara hasl aalss deroleh: ( ˆ) l L G 76,5 ( ˆ ) L Dar hasl erhtuga, maa daat dutusa utu meola H 0 area G 76,5 tabel 1,59 sehgga daat dsmula bahwa mmal terdaat satu varabel atu saraa esehata (rumah sat da usesmas), teaga meds, edudu eremua ag umur aw ertama 16 tahu, edudu ms, edudu eremua ag megguaa odom, rata-rata egeluara utu osums maaa erbula, da eremua dega jumlah aa ag dlahra > 4 beregaruh terhada jumlah asus aer servs. Peguja Parameter Secara Parsal (uj t) Hasl eguja dbera ada Tabel 5. Tabel 5 Hasl Peguja Secara Parsal Varabel Koefse P-value Kostata 4,644 0,08 X 1 0, ,697 X -0, ,9699 X 3 0, ,0604 X 4-0,1831 0,0615 X 5-0,1877 0,998 X 6-0,0410 0,3437 X 7-0,0651 0,547 Berdasara Tabel 5, daat dlhat bahwa haa ostata ag beegaruh terhada Y area meml -value < α = 0,05. Oleh area tu varabel ag tda beregaruh terhada Y harus deluara dega megguaa metode bacward. Setelah deluara satu ersatu maa deroleh hasl sebaga berut: 5 64 Program Stud Statsta FMIPA Uverstas Mulawarma

7 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN Tabel 6 Hasl Setelah Varabel Deluara Varabel Koefse P-value X,43 0,089 3 X -3,93 0, Berdasara Tabel 6, daat dlhat bahwa varabel X 3 da X 4 berturut-turut meml -value sebesar 0,089 da 0,0015 < α = 0,05 sehgga daat dutusa utu meola H 0 da daat dsmula bahwa ersetase edudu eremua ag umur aw ertama 16 tahu da ersetase edudu ms beregaruh terhada jumlah asus aer servs. Model ag deroleh dar estmas arameter regres Posso adalah: l( ˆ),9585 0,09964X 3 0,83X 4 Pada model terlhat la tasra arameter model utu edudu eremua ag umur aw ertama 16 tahu berla ostf arta hubuga atar varabel tersebut dega log ratarata dar jumlah asus aer servs berbadg lurus. Utu seta eaa edudu eremua ag umur aw ertama 16 tahu sebaa 1 erse, dega asums la varabel laa teta, maa rata-rata jumlah asus aer servs aa bertambah sebesar e( 0,099647) 1 orag. Utu tasra arameter model ada varabel edudu ms berla egatf. Hal meujua bahwa hubuga atar varabel tersebut dega log ratarata dar jumlah asus aer servs berbadg terbal. Utu seta eaa edudu ms sebaa 1 erse, dega asums la varabel laa teta, maa rata-rata jumlah asus aer servs aa meuru sebesar e( 0,83) 1 orag. Nla AIC ag deroleh dar model terba regres Posso atu sebesar 89,5. aw ertama 16 tahu da edudu ms. Daftar Pustaa Agrest, A Categorcal Data Aalss. New Yor : Joh Wle ad Sos, Ic. Ber, R. da MacDoald, J Overdserso ad Posso Regresso. Phladelha: Srger. Djarwato, Drs Statst Noarametr. Yogaarta: BPFE. Ismal, N. da Jema, A.A Hadlg Overdserso wth Negatve Bomal ad Geeralzed Posso Regresso Model. Casualt Actuaral Socet Forum. Malasa. Masaroh, H Kuas Tutas Kaer Pada Peremua Da Peembuhaa. Klate: Trmeda Pustaa McCullagh, P. da Nelder, J. A Geeralzed Lear Models: d Edto. Lodo: Chama ad Hall. Mers, R.H Classcal ad Moder Regresso Wth Alcato Secod Edto. USA: PWS Ket Publshg Coma. Nohe, D.A Megatas Overdsers ada Model Regres Posso dega Geeralzed Posso Regresso I. Samarda: Uverstas Mulawarma. Pateta, M Fttg Posso Regresso Models Usg the Gemod Procedure. USA: SAS Isttute Ic. Rasjd, I Edemolog Kaer Pada Wata. Jaarta: Sagug Seto. Walole, R.E. da Mers, R.H Ilmu Peluag da Statsta utu Isur da Ilmuwa Terbta e-. Badug: ITB Wdarjoo, A Eoometra Teor da Alas Utu Eoom da Bss. Yogaarta: Eosa. Kesmula Berdasara hasl aalss da embahasa, maa deroleh esmula sebaga berut: 1. Model regres Posso ag deroleh adalah l( ˆ ), , X 1 0, X 3 0,07351X 4 dega la AIC = 91,609 da fator-fator ag memegaruh jumlah asus aer servs d Provs Kalmata Tmur dega regres Posso atu saraa esehata (rumah sat da usesmas), edudu eremua ag umur aw ertama 16 tahu da edudu ms.. Terjad overdsers ada model regres Posso area la, Model GPR I ag deroleh adalah l( ˆ ), , X 3 0, 83 X 4 dega la AIC = 89,5 da fator-fator ag memegaruh jumlah asus aer servs d Provs Kalmata Tmur dega GPR I atu edudu eremua ag umur Program Stud Statsta FMIPA Uverstas Mulawarma 65

8 Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN Program Stud Statsta FMIPA Uverstas Mulawarma

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

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

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

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

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

Regresi Logistik pada Data Rare Event

Regresi Logistik pada Data Rare Event Prosdg Statsta ISSN 46-6456 Regres Logst ada Data Rare Evet Rud Rum Ar Wstara, Sulad, 3 Abdul Kudus,,3 Statsta, Faultas MIPA, Uverstas Islam Badug, Jl. Ragga Malela No. Badug 46 e-mal: rud_ra@mal.com,

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-272

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-272 JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) D-7 Pemodela da Pemetaa Jumlah Kasus DBD d Kota Surabaya dega Geograhcally Weghted Negatve Bomal Regresso (Gwbr) da Flexbly Shaed Satal

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

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

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

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 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 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

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

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 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 REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159 JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Set. 1 ISSN: 31-X D-15 Pemodela Fator-Fator Yag Beregaruh Terhada Prevales Balta Kurag Gz D Provs Jawa Tmur Dega Pedeata Geograhcally Weghted Logstc Regresso (GWLR

Lebih terperinci

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR)

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI POMIS Vol., No., () 7-5 (-98X Prt) D-75 Pemodela Aga Prevales Kusta da Fator- Fator yag Memegaruh d Jaa mur dega Pedeata Geograhcally Weghted Regresso (GWR) Alefa Maulda Dzra, Sat

Lebih terperinci

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat D-390 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prt) Pemodela Aga Perah Beerja da Belum Perah Beerja d Jawa Tmur Megguaa Metode Regres Multvarat Arda Nur Lathfah, da Wahyu Wbowo Jurusa

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 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

Pemodelan Kondisi Jaringan Listrik PT. PLN (Persero) Area Surabaya Selatan dengan Analisis Regresi Logistik Ordinal

Pemodelan Kondisi Jaringan Listrik PT. PLN (Persero) Area Surabaya Selatan dengan Analisis Regresi Logistik Ordinal JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 7-0 (-98X Prt) D86 Pemodela Kods Jarga Lstr PT. PLN (Persero) Area Surabaya Selata dega Aalss Regres Logst Ordal Des Olva Sswadar da Haryoo Dearteme Statsta,

Lebih terperinci

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

DISTRIBUSI WEIBULL DAN PARETO UNTUK DATA TINGGI GELOMBANG TSUNAMI ACEH 2004

DISTRIBUSI WEIBULL DAN PARETO UNTUK DATA TINGGI GELOMBANG TSUNAMI ACEH 2004 Vol. 9. No. 2, 22 Jural Sas, Teolog da Idustr DISTRIBUSI WEIBULL DAN PARETO UNTUK DATA TINGGI GELOMBANG TSUNAMI ACEH 24 Ar Pa Desva, 2 Marta Erd,2 Jurusa Matemata Faultas Sas da Teolog UIN Susa Rau E-mal:

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

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-311

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-311 JURNAL SAINS DAN SENI POMIS Vol., No., (03) 337-350 (30-98X Prt) D-3 Pemodela Fator-Fator yag Memegaruh Jumlah Kemata Ibu d Jatm dega Pedeata GWPR (Geograhcally Weghted Posso Regresso) Dtau dar Seg Fasltas

Lebih terperinci

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE. Prosdg Semar Nasoal Alkas Sas & Tekolog (SNAST) Yogakarta, 6 November 6 ISSN : 979 9X eissn : 54 58X ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE Noerat, Rka Herda,, Jurusa Statstka,

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

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter

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

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print)

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) URNAL SAINS DAN SENI ITS Vol. 4, No., (05) 7-50 (0-98X Prt) D6 Aalss Regres Logst Ordal utu Megetahu Tgat Gaggua Tuagrahta d Kabuate Poorogo Berdasara Fator-Fator Iteral Peebab Tuagrahta Eva Arum Setar

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

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

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

PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHTED REGRESSION. Hasbi Yasin Staf Pengajar Program Studi Statistika FMIPA UNDIP.

PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHTED REGRESSION. Hasbi Yasin Staf Pengajar Program Studi Statistika FMIPA UNDIP. Pemlha Varabel (Hasb Yas) PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHED REGRESSION Hasb Yas Staf Pegajar Program Stud Statsta FMIPA UNDIP Abstract Regresso aalyss s a statstcal aalyss that ams to

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 III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

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

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

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

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

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

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

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 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

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

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN PENAKIR RAIO REGREI LINEAR EDERHANA UNTUK RATA-RATA POPULAI MENGGUNAKANKARAKTER TAMBAHAN Astar Rahmadta *, Harso, Haosa rat Mahasswa Program tud Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

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

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

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

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Proses inferensi pada model logit Agus Rusgiyono. Abstracts Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods

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

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

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah

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

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

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 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

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

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

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

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

LOCALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA RUANG n EUCLIDE

LOCALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA RUANG n EUCLIDE LOLLY SMLL RIMNN SUMS FUNGSI TRINTGRL HNSTOK-UNFOR P RUNG ULI Solh Program Stud Matemata Faultas Sas da Matemata UNIP Jl Prof Soedarto, SH Semarag 575, sol_erf@yahoocom BSTRK I ths aer we study Hestoc-uford

Lebih terperinci

Parameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized- Splines

Parameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized- Splines Statsta, Vol. 8 No., 3 36 Me 008 Parameter Quatle-le dalam Pedugaa Area Kecl Melalu Pedeata Pealzed- Sles Kusma Sad Teaga Pegaar d Dearteme Statsta IPB, Bogor Jl. Merat, Kamus IPB Darmaga, Bogor 6680,

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

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC

Lebih terperinci

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh

Lebih terperinci

Mengatasi Overdispersi pada Model Regresi Poisson dengan Generalized Poisson Regression I

Mengatasi Overdispersi pada Model Regresi Poisson dengan Generalized Poisson Regression I Jural Ekspoesal Volume 2, Nomor 2, Nopember 2011 ISSN 2085-7829 Megatas Overdspers pada Model Regres Posso dega Geeralzed Posso Regresso I Hadlg Overdsperso o Posso Regresso Models wth Geeralzed Posso

Lebih terperinci

Functionally Small Riemann Sums Fungsi Terintegral Henstock-Dunford pada [a,b]

Functionally Small Riemann Sums Fungsi Terintegral Henstock-Dunford pada [a,b] Jural Sas da Matemata Vol (3): 58-63 () Fuctoally Small Rema Sums Fugs Tertegral Hestoc-uford ada [a,b] Solh, Sumato, St Khabbah 3,,3 Program Stud Matemata, FSM UNIP Jl Prof Soedarto, SH Semarag, 575 E-mal:

Lebih terperinci

Estimasi dan Statistik Uji pada Model Probit Biner Bivariat. Estimation and Statistical Test in Bivariate Binary Probit Model

Estimasi dan Statistik Uji pada Model Probit Biner Bivariat. Estimation and Statistical Test in Bivariate Binary Probit Model Jural ILMU DASAR Vol. No.. 0 : 97-0 97 Estmas da Statstk Uj ada Model robt Ber Bvarat Estmato ad Statstcal est Bvarate Bar robt Model Vta Ratasar, urhad, Isma & Suhartoo Mahasswa S-3 Statstka FMIA IS,

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

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin 4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua

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

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

LANDASAN TEORI. x R, untuk suatu fungsi f : R [0, )

LANDASAN TEORI. x R, untuk suatu fungsi f : R [0, ) LANDASAN TEORI Dalam baga aa dbahas teor-teor yag berata dega embahasa selautya, yag dbera dalam betu defs-defs, beberaa lema da teoremateorema etg Ruag Cotoh, Keada, da Peluag Defs (Percobaa Aca) Percobaa

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

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prt) D-39 Pemodela Pedudu Ms d Jawa Tmur Megguaa Metode Geographcally Weghted Regresso (GWR) Yuata Damayat, Vta Ratasar Jurusa Statsta, Faultas

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

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

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

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

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

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

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Majalah Ekoom ISSN 4-950 : Vol. VII No. Des 03 PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R, C MALLOW, da S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Oleh : Wara Pramest, Martha Suhardyah Fakultas Matematka

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

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

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 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

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

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

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

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

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

NEGATIVE BINOMIAL REGRESSION FOR MODELLING OVERDISPERSED COUNT DATA ABSTRACT

NEGATIVE BINOMIAL REGRESSION FOR MODELLING OVERDISPERSED COUNT DATA ABSTRACT Semar Nasoal Statstka IX Isttut Tekolog Seuluh Noember, 7 November 9 NEGATIVE BINOMIAL REGRESSION FOR MODELLING OVERDISPERSED COUNT DATA Er Tr Astut, I Noma Budatara, So Suaro, M.Dokh 3 Mahasswa S-3 ada

Lebih terperinci