Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN

Ukuran: px
Mulai penontonan dengan halaman:

Download "Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN"

Transkripsi

1 Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN Prbadga Hasl Klasfas Mgguaa Rgrs logst da Aalss Dsrma Kuadrat Pada Kasus Pglasfasa Jurusa D SMA Ngr 8 Samarda Tahu Aara 04/05 Comarso of Classfcato Rsults by Usg Logstc Rgrsso ad Quadratc Dscrmat Aalyss Classfyg Programs at SMA Ngr 8 Samarda Acadmc Yar 04/05 Crst Ul Artha, Yu Nova N, Ia Puramasar 3 Mahasswa Program Stud Statsta FMIPA Uvrstas Mulawarma,3 Dos Program Stud Statsta FMIPA Uvrstas Mulawarma Emal: crstsahaa@yahoo.co.d Abstract Logstc Rgrsso Aalyss ad Dscrmat Aalyss rrst th statstcal mthod for th classfcato of a umbr of obct. I th cas of classfcato scally f thr's oly two rsos catgors, logstc rgrsso s usd mor rcsly f th assumto of multvarat ormalty data caot b fullfld. Th assumto of ormalty multvarat dstrbuto ad qualty of varac covarac matrcs rrst th mortat mattr dscrmat aalyss for gttg of hgh accuracy of classfcato. Dscrmat aalyss mthod that s usd qualty of varac covarac matrcs s calld quadratc dscrmat aalyss. Th uros of ths study was to dtrm th classfcato rsults by usg Logstc Rgrsso ad Quadratc Dscrmat Aalyss ad comars th classfcato accuracy. Th data that s usd th study s th avrag raort of th frst ad scod smstr of th class X at SMA Ngr 8 Samarda acadmc yar 04/05. Data cossts of 90 studts wth two ddt varabls ad four ddt varabls. Basd o rsarch rsults, obtad rsults for th valu of class accuracy s Logstc Rgrsso 83.6% ad Quadratc Dscrmat Aalyss 84,%. Kywords:Quadratc dscrmat, classfcato, classfcato accuracy, logstc rgrsso. Pdahulua Masalah lasfas srg al dtmu d hdua shar-har,trat dga data sosal, data dustr maufatur, data masara mauu data aadm. Mdsrsa dammaara ua dar suatu glomoa trsbut mruaa hal yag mar da daat mmbra d-d trttu. Namu, a glomoa myagut gambla tda bar atau ada obsrvas-obsrvas trttu yag salah dalam ross glomoa, maa abatya aa cuu fatal. Olh araya, rlu dlaua rvw ada ross lasfas. Dalam lmu statsta dal bbraa mtod lasfas yag umumya dguaa, dataraya rgrs logst da aalss dsrma.pada rgrs logst aa drolh suatu modl logst yag dguaa utu mlasa hubuga atara varabl rdtor da rso (yag brsfat dotomus atau ada dua atgor/lomo, srta utu mglomoa oby dalam salah satu dar dua atgor rso. Rgrs logst mruaa salah satu alat aalss yag mruaa btu husus dar aalss rgrs, yatu varabl rsoya mruaa data sala omal atau ordal sdaga varabl rdtorya daat brbtu omal, ordal, atauu raso (Hosmr da Lmshow, 000. Kurt, Tur da Kurum (006 dalam ltaya myataa bahwa rgrs logst mruaa mtod lasfas yag cuu ba, stdaya ada saat ada varabl rdtor brsala uattatf mauu ualtatf atauu duaya.pada aalss dsrma, mml lbha yatu mmbra rhtuga yag lbh fs (Sharma, 996 sdaga lmaha dar aalss dsrma adalah asums harus truh, dmaa data harus mmuh dstrbus ormal multvarat da mghasla matrs ovaras yag sama utu sta oulas (Johso da Wchr, 00. Dalam hal lasfas hususya a haya ada dua atgor varabl rso, rgrs logst lbh tat drguaa bla asums dstrbus ormal multvarat dalam data tda truh (Har d, 00. Murut Rachmat da Sawtr (00, trdaat bbraa asus aalss dsrma yag dtahu, yatu aalss dsrma lr, aalss dsrma uadrat, aalss dsrma Fshr, da aalss dsrma oaramtr. Sta asus aalss dsrma mml gguaa yag brbda dalam mgaalss data. Aalss dsrma lr dguaa a data brdstrbus ormal multvarat da sta lomoya mml matrs varas ovaras yag sama. Aalss dsrma uadrat dguaa a data brdstrbus ormal multvarat tta matrs varas ovarasya tda sama dalam sta lomo. Aalss dsrma Fshr dguaa a data tda brdstrbus ormal multvarat tta matrs varas ovarasya sama dalam Program Stud Statsta FMIPA Uvrstas Mulawarma 79

2 Jural EKSPONENSIAL Volum 7, Nomor, Nombr ISSN sta lomo. Sdaga aalss dsrma oaramtr dguaa a data tda brdstrbus ormal multvarat da matrs varas ovarasya tda sama sta lomoya. Slama urusa sswa SMA Ngr 8 Samarda brdasara la aadm yag drolh ada smstr da smstr las X scara tutas atau sama dga Krtra Ktutasa Mmal (KKM utu smua mata laara yag mad cr has urusaya srta mat sswa trhada urusa yag ada. Ptaa urusa SMA mruaa suatu saraa utu mmbra smata ada sswa dalam mgmbaga omts sa, omts gtahua, da omts tramla sswa ssua dga mat, baat atau mamua aadm dalam slomo mata laara lmua. Mggat ssuaa glasfasa sswa ada urusa mruaa hal yag tg utu masa da sswa trsbut, maa hal rlu utu drhata. Olh ara tu rlu suatu mtod statst yag daat dguaa utu mguur sbraa bsar aurata urusa SMA Ngr 8 Samarda. Bbraa mtod statst yag daat dguaa utu mguur sbraa bsar aurata urusa SMA Ngr 8 Samarda yatu aalss rgrs logst da aalss dsrma uadrat. Dar bbraa lta sblumya tlah dlaua lta utu mmbadga mtod lasfas dataraya, Satrya (0 mmbadga Rgrs Logst da Aalss Jarga Syaraf Trua, Frmasyah (00 mmbadga Aalss Dsrma da Aalss Jarga Syaraf Trua. Brdasara latar blaag trsbut, maa uls trtar utu mmbadga mtod lasfas mgguaa rgrs logst da aalss dsrma uadrat. Rgrs Logst Rgrs logst mruaa salah satu mtod lasfas yag srg dguaa. Rgrs logst mruaa suatu t aalss data dalam statsta yag brtuua utu mgtahu hubuga atara bbraa varabl dmaa varabl rsoya adalah brsfat atgor, ba omal mauu ordal dga varabl rdtorya daat brsfat atgor atau otu. Rgrs logst br dguaa saat varabl rso mruaa varabl dotomus (atgor dga dua macam atgor, sdaga rgrs logst multomal dguaa saat varabl rso adalah varabl atgor dga lbh dar dua atgor. Pada rgrs logst a varabl rsoya trdr dar dua atgor msalya Y= myataa hasl yag drolh suss da Y=0 myataa hasl yag drolh gagal maa rgrs logst trsbut mgguaa rgrs logst br (Fractal, 003. Mtod rgrs logst mml t da rosdur yag tda auh brbda dga mtod rgrs lar. Ja rosdur lar dalam mgstmas la aramtr srg mgguaa mtod Ordary Last Squars (OLS, maa utu mgstmas la aramtr dalam rgrs logst adalah dga mgguaa mtod Maxmum Llhood Estmato (MLE.Utu mcar rsamaa logstya maa modl yag dguaa adalah: ( x 0 x 0 x ( Dar rsamaa ( drolh π(x sbaga brut: 0 + x (x= = 0 + x = + = x = 0 + x = = 0 + x + = Shgga ( x sbaga brut: ( x x 0 x ( ( x Jad, rsamaa logstya adalah: ( x g( x l ( x l 0 0 x + x 0 + x = ( U Sgfas Paramtr Pgua brarta aramtr atau sgfas aramtr dalam rgrs tg utu dlaua.hal daraa gua trsbut dguaa utu mtua aaah garuh varabl rdtor dalam modl sgfa trhada varabl rso.pgua daat dlaua scara smulta da arsal. 80 Program Stud Statsta FMIPA Uvrstas Mulawarma

3 Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN Pgua Scara Smulta Brtuua utu mgtahu garuh varabl rdtor scara smulta trhada varabl rso. Hotss yag dguaa adalah sbaga brut: H 0 :β = β = = β = 0 H :Palg sdt ada satu β tda sama dga ol, dga =,,, Statst u yag dguaa adalah u G (Llhood Rato Tst. H 0 dtola a la G (, db atau valu. Pgua Scara Parsal Hasl gua scara dvdual aa muua aaah suatu varabl rdtor laya utu masu dalam modl atau tda. Hotss yag dguaa adalah sbaga brut: H 0 : β = 0 H : β 0 Statst u yag dguaa adalah u Wald dga rumus sbaga brut: ˆ W SE( ˆ (4 H 0 dtola a la W z atau / valu U Kcocoa Modl Stlah asra modl dlaua, maa lagah brutya adalah mtua sbraa ba modl trsbut coco trhada data atau sbraa dat la-la dar modl dga la obsrvasya. Hotss yag dguaa adalah sbaga brut: H 0 : Tda ada rbdaa atara haslgamata dga la dugaa. H :Ada rbdaa atara hasl gamata dga la dugaa. Statst u yag dguaa adalah u U Hosmr da Lmshow dga rumus sbaga brut: Cˆ g ( O ' ' ( (5 dga: g = Jumlah gru (ombas dalam modl srta ' = Jumlah gamata ada gru - = Jumlah ombas varabl rdtor C C O y C =umlah la varabl rso ada C ombas varabl rdtor m ˆ ( x = rata-rata tasra robabltas ' dmaa m adalah bayaya sub dga C ombas varabl rdtor H 0 dtola a la Cˆ atau valu (, db Aalss Dsrma Aalss dsrma mruaa t multvarat yag brata dga msaha ob dalam lomo yag brbda da mgaloasa ob trsbut dalam suatu lomo yag tlah dttaa sblumya.tuua dar aalss dsrma adalah utu mgtahu sauh maa rbdaa dar bbraa oulas atau lomo (Johso da Wchr, 00. Asums Aalss Dsrma Asums ada aalss dsrma murut Surato (004 adalah varabl dd (bbas harus brdstrbus ormal ( multvarat ormalty da matrs ragam dar smua varabl dd (bbas adalah sama.. Dstrbus Normal Multvarat Srt ada baya mtod statst laya, aalss dsrmauga msyarata data brdstrbus ormal.ja data brdstrbus tda ormal, hasl aalss dhawatra mad bas. Murut Johso da Wchr (00, gua data brdstrbus multvarat ormal dga mmbuat Q-Q lot. Utu mgu multvarat ormal dga mgguaa hotss sbaga brut: H 0 : Data brdstrbus multormal H : Data tda brdstrbus multormal Pgua data brdstrbus multvarat ormal dga mmbuat Q-Q lot dar la sbaga brut: ' d ( x x S ( x x (6 dmaa: d x x S - d H 0 = aramahalaobs d-squar = sor la gamata = rata-rata la gamata = matrs vrs vara-ovara dtola a la (, db d (, db, da la yag dharaa urag dar atau sama dga 50% dar umlah data dga db =, dmaa adalah umlah varabl rdtor.. Ksamaa Matrs Varas Kovara Aalss dsrma lr mgasumsa bahwa matrs varas ovaras dar dua lomo adalah sama. Plaggara ada asums aa mmgaruh gua sgfas da hasl lasfas. Ja asums samaa matrs varas ovaras dtola, daat Program Stud Statsta FMIPA Uvrstas Mulawarma 8

4 Jural EKSPONENSIAL Volum 7, Nomor, Nombr ISSN dguaa fugs dsrma uadrat utu fugs lasfas (Sharma, 996. U yag dguaa utu mgtahu samaa matrs varas ovaras adalah u Box s M. Prosdur ada u Box M yatu mgguaa data sbara Ch-uadrat dga draat bbas ( (. Hotss matrs varas ovaras adalah sbaga brut : H 0 : Σ = Σ = = Σ H : sdtya ada sasag lomo matrs varas ovaras yag brbda atar lomo Statst u: C ( u M ( u ( ls ( ls (7 dga: 3 u ( ( 6( ( (8 Aalss Dsrma Kuadrat Aalss dsrma brtuua utu mmbtu fugs dsrma yag mamu mmbdaa lomo. Aalss dlaua brdasara suatu rhtuga statst trhada ob-ob yag tlah dtahu dga las glomoaya. Pada aalss dsrma, ada asums yag harus duh yatu data brdstrbus ormal da matrs vara ovara dar oulas adalah sama. Namu tradag dtmua matrs vara ovaras tda sama. Ja asums samaa matrs varas ovara dtola, daat dguaa fugs dsrma uadrat utu fugs lasfas (Sharma, 996. Sor dsrma uadrat ddfsa sbaga, Q( x l T l Σ ( xμ Σ ( xμ (9 dmaa, μ = rataa oulas -, =,,..,g = luag ror Σ = aag matrs varas ovaras lomo - Dalam raaya dguaa omo x saml yatu vtor rataa saml da S matrs ovaras saml,shgga daat dbtu fugs dsrma uadrat yag ddfsa: Q( x l T l S ( xx S ( xx (0 Dar fugs dsrma uadrat ada Prsamaa (0 daat dbtu atura glomoaya dga mgaloasa x dalam lomo a, Q ( x mas ( Q ( x, Q ( x,..., Q g ( x ( Dua data umum yag daat dguaa utu mgstmas robabltas aggota yatu: ( g yag maa dasumsa sama utu smua lomo, da utu sta lomo dga dstmas sbaga frus rlatf dar obsrvas ada sta lomo maa dguaa rumus sbaga brut: (3 Evaluas Fugs Klasfas Evaluas fugs lasfas ba aalss dsrma uadrat mauu rgrs logst daat dlaua dga mghtug luag salaha lasfas. Uura yag daat dguaa adalah Aart Error Rat (APER. Nla APER myataa fras atau roors saml yag salah dlasfasa olh fugs lasfas (Johso da Wchr, 00. Evaluas fugs lasfasdlaua dga cara mmbuat tabulas atara actual grou da rdctd grou yag drolh dar fugs lasfas dar aalss dsrma uadrat da rgrs logst. Slautya dhtug roors gamata yag salah dlasfasa. Dharaa roors gamata yag salah dlasfasa trsbut bsa scl mug.utu mghtug la APER daat dlaua mlalu tabl lasfas sbaga brut: Tabl. Tabl Klasfas Actual mmbrsh Prdctd mmbrsh ˆ ˆ (.4 Total Total C D E Ktraga : = umlah oby dar dlasfasa sbaga ˆ A B tat = umlah oby dar salah dlasfasa sbaga ˆ = umlah oby dar salah dlasfasa sbaga ˆ = umlah oby dar tat dlasfasa sbaga ˆ 8 Program Stud Statsta FMIPA Uvrstas Mulawarma

5 Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN APER (4 Mtodolog Plta Data yag dguaa dalam lta mruaa data rata-rata la laara IPA da IPS ada raor smstr da smstr sswa las X SMA Ngr 8 Samarda (sbaya 90 sswa. Hasl aalss rgrs logst dga batua softwar SPSS 6 da hasl aalss dsrma uadrat dga batua softwar Macro Mtab, SPSS 6 da SAS 9..3 Varabl dalam lta mlut: = IPA Y = Ardtas Solah = IPS X = rata-rata la laara IPA ada raor smstr las X X = rata-rata la laara IPA ada raor smstr las X = rata-rata la laara IPS ada raor X 3 smstr las X = rata-rata la laara IPS ada raor smstr las X Adau t aalss data dalam lta adalah :. Aalss statsta dsrtf.. Lagah-lagah yag dlaua dalam rgrs logst: a. Mmbtu modl awal rgrs logst. b. Mlaua gua aramtr rgrs logst. c. Mlaua gua ssua modl. d. Mlaua ross lasfas. 3. Lagah-lagah yag dlaua dalam aalss dsrma uadrat: a. Mlaua gua asums. b. Mtua fugs dsrma uadrat. c. Mlaua ross lasfas. 4. Evaluas fugs lasfas. Hasl da Pmbahasa Aalss Dsrtf Data yag dguaa yatu ada Lamra drolh dar SMA Ngr 8 Samarda yag mruaa data Nla Rata-rata raor Sswa SMA Ngr 8 Samarda las X Smstr da smstr tahu aara 04/05. Data ada lta sbaya 90 data, trdr dar 4 Varabl Plas yatu la rata-rata ta smstr da Varabl rso yatu urusa IPA da IPS. Purusa IPA sbaya 0 data da IPS sbaya 70 data. Nla-la trsbut dtuua ada Tabl. Brdasara Tabl, dtahu bahwa la rata-rata laara IPS ada raor smstr las X mml rata-rata trtgg ( yatu sbsar 8,86. Kmuda utu rata-rata la laara yag mml la mmum alg bsar adalah rata-rata la laara IPS ada raor smstr (X 3 yatu sbsar 76,75.Slautya utu rata-ratala laara yag mml la masmum trcl adalah rata-rata la laara IPA ada raor smstr (X yatu sbsar 85,5. Tabl. Aalss Statsta Dsrtf Dsrtf Ratarata Mmum Masmum X 78,33 7,75 85,5 X 79, X 3 8,7 76,75 87,75 8, Aalss Rgrs Logst Kotrus Modl Rgrs Logst Dga batua softwar SPSS drolh tasra modl rgrs logst sbaga brut: Tabl 3. Hasl Pasra Paramtr utu Varabl Prdtor Varabl Prdtor β S.E X 0,7 0,06 X -0,767 0,6 X 3 0,4 0,07-0,46 0,0 Kosta 40,409,96 Brdasara Tabl 3 maa drolh hasl asra modl rgrs logst sbaga brut: 40,4090,7X0,767 X 0,4 X30,46 ( X 40,4090,7X0,767 X 0,4 X30,46 U Sgfas Paramtr. U Smulta U smulta dlaua utu mgtahu sgfas aramtr dar β trhada varabl rso yatu scara brsama-sama (srta. Tabl 4. U Smulta G Df - Log-llhood 0,6 4 9,485 Brdasara Tabl 4 da Prsamaa 3 maa drolh la G adalah 0,6 dmaa la la G (0,6 >χ (0.05,4 (9,488 maa daat dsmula bahwa mmal ada satu varabl rdtor yag brgaruh trhada varabl rso.. U Parsal U arsal brfugs utu mgtahu aaah ada garuh dar varabl rdtor trhada varabl rso scara dvdu.u mgguaa statst u dar Wald shgga bsa uga dsbut sbaga u Wald. Program Stud Statsta FMIPA Uvrstas Mulawarma 83

6 Jural EKSPONENSIAL Volum 7, Nomor, Nombr ISSN Tabl 5. U Parsal Varabl X dga Varabl Y Varabl P- β Wald Prdtor Valu Kutusa X 0,7 6,489 0,0 H 0 dtola X -0,767,495 0,000 H 0 dtola X 3 0,4 4,389 0,036 H 0 dtola -0,46 5,89 0,06 H 0 dtola Kosta 40,409 9,788 0,00 Brdasara Tabl 5 muua bahwa smua varabl rdtor mml la robabltas ( -valu lbh cl dar α, maa varabl rdtor brgaruh trhada varabl rso. Shgga modl rgrs logst trba utu mmrds glasfasa urusa dga mgguaa aalss rgrs logst adalah 40,4090,7X0,767 X 0,4 X30,46 ( X 40,4090,7X0,767 X 0,4 X30,46 (5 U Kcocoa Modl U brfugs utu mla ssuaa modl rgrs logst dga mmbadga hasl gamata dga la dugaa.statst u yag dguaa utu mtua cocoa modl dsbut uga sbaga statst cocoa modl (Goodss of Ft. Tabl 6. U Kcocoa Modl Ch-squar Df -valu 4,9 8 0,077 Brdasara Tabl 6daat dtahu bahwa la ˆ C 4,9 5, 507 da la ( 0,05,8 -valu sbsar 0,077 >α (0,05 maa dutusa H 0 gagal dtola. Shgga daat dsmula bahwa tda ada rbdaa atara hasl gamata dga la dugaa atau modl rgrs logst trsbut laya utu dguaa. Pross Klasfas Stlah drolh modl rgrs logst ada Prsamaa (5 maa daat dlaua ross lasfas. Msala utu sswa rtama dga la yatux =77,5, X =8,5, X 3 =8,5, da =8. Slautya la trsbut dsubttusa dalam modl rgrs logst, aabla la rgrs logst lbh bsar dar la cut-off 0,5 atau ˆ( x 0, 5, maa sswa trsbut masu dalam lomo IPS sdaga aabla la rgrs logst lbh cl dar la cut-off 0,5 atau ˆ( x 0, 5, maa sswa trsbut masu dalam lomo IPA.Pada Tabl 7 dbra cotoh 0 sswa rtama yag dlasfasa utu masg-masg lomo. Tabl 7. Hasl Klasfas dga Rgrs Logst No Jurusa Hasl Nla ˆ ( x Awal Klasfas 0,04988 IPA IPA 0,05 IPA IPA 3 0,06 IPA IPA 4 0,00609 IPA IPA 5 0,0643 IPA IPA 6 0,0093 IPA IPA 7 0,08 IPA IPA 8 0,0554 IPA IPA 9 0,0883 IPA IPA 0 0,0068 IPA IPA Aalss Dsrma U Asums Sblum dlaua aalss dsrma data harus mmuh asums dstrbus ormal multvarat da homogtas matrs ovaras sbaga brut:. U Normal Multvarat U ormal multvarat dguaa utu mgtahu aaah data mat varabl rdtor brdstrbus ormal multvarat atau tda. Gambar.Plot u multormal data Hasl u ormal multvarat dga mgguaa softwar Mtab 6 drolh bahwa ada lbh dar 50%, yatu 59,4737% dga la 3, 36 yag brart bahwa ( 0,5, 4 data tlah mmuh asums ormala (multormal. Sla tu, daat ula dlhat brdasara Q-Q lot ada Gambar, trlhat bahwa lot cdrug mmbtu gars lurus, shgga daat dsmula bahwa data brdstrbus multormal.. U Ksamaa Matrs Varas Kovara U Ksamaa matrs varas ovaras atara lomo da lomo dlaua mgguaa SPSS yatu dga mgguaa statstc Box-M. Tabl 8. U Ksamaa Matrs Varas Kovara Box s M -valu 9,97 0, Program Stud Statsta FMIPA Uvrstas Mulawarma

7 Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN Brdasara Tabl 8 dtahu bahwa la C 9,97 8,3070atau la - ( 0,05,0 valu 0,035 α (0,05maa H 0 dtola. Shgga daat dsmula bahwa matrs varas ovaras atar lomo adalah brbda. Fugs Dsrma Kuadrat Nla luag awal dalam aalss dsrma uadrat aa dguaa dalam mbtua fugs dsrma uadrat utu mglasfasa sswa/ dalam lomo urusa yag sudah ada yatu IPA da IPS. Brdasara Prsamaa (3 maa drolh la luag awal (ror robablts masg-masg lomo sbsar 0,63 utu lomo IPA da 0,368 utu lomo IPS. Brdasara Prsamaa (0 maa fugs dsrma uadrat yag trbtu yatu, Q IPS (x = l0,368 l855, 5 (x x IPS T S IPS (x x IPS Q IPA (x = l0, 63 l347, 93 (x x IPA T S IPA (x x IPA Stlah trbtuya fugs dsrma uadrat, maa daat dhtug sor dsrma uadrat utu masg-masg sswa. Sor dsrma uadrat aa dguaa dalam mglasfasa sswa dalam lomo IPA atau IPS. Pross Klasfas Stlah drolh fugs dsrma maa daat dlaua ross lasfas dga fugs dsrma uadrat. Msala utu sswa rtama dga la X = 77,5, X = 8,5, X 3 = 8,5, da = 8. Slautya la trsbut dsubttusa dalam fugs dsrma uadrat, aabla la QIPA Q, maa sswa IPS trsbut masu dalam lomo IPA sdaga aabla la QIPA Q, maa sswa IPS trsbut masu dalam lomo IPS. Hasl lasfas trdaat ada Tabl 9. Tabl 9 Hasl Klasfas Dga Aalss Dsrma Kuadrat No Jurusa Hasl QIPA QIPS Awal Klasfas -4,98-8,6 IPA IPA -4,4-7,84 IPA IPA 3-4,9-8,7 IPA IPA 4-4,76-0, IPA IPA 5-4,6-8,3 IPA IPA 6-4,3-9,0 IPA IPA 7-4,46-6,6 IPA IPA 8-5,76-8,57 IPA IPA 9-3,99-8,05 IPA IPA 0-4, -9,09 IPA IPA Evaluas Fugs Klasfas Evaluas fugs lasfas ba aalss dsrma uadrat mauu rgrs logst daat dlaua dga mghtug luag salaha lasfas.uura yag daat dguaa adalah Aart Error Rat (APER brdasara Prsamaa (4.Dar masg -masg baga trsbut dhtug la APER-ya shgga drolh tata lasfasya.. Ktata Klasfas Rgrs Logst Pada Tabl 0 dbra umlah oby yag tat dlasfasa da yag salah utu masg-masg lomo. Tabl 0 Klasfas Aalss Rgrs Logst Jurusa yag drds olh modl Total IPA IPS IPA 07 3* 0 Jurusa IPS 9* 5 70 Total Stlah dtahu tata lasfas utu ta-ta lomo maa tata hasl lasfas scara totaldaat dtahu dga mghtug la APER. Brdasara Prsamaa (4 maa drolh la APER sbaga brut : 3 9 APER ,684 Brdasara la APER trsbut, daat dlasa bahwa dga fugs dsrma uadrat dhasla roors salah lasfas sbsar 6,84% shgga tata lasfas yag dhasla adalah 83,6%.. Ktata Klasfas Aalss Dsrma Kuadrat Pada Tabl dbra umlah oby yag tat dlasfasa da yag salah utu masg-masg lomo. Stlah dtahu tata lasfas utu ta-ta lomo maa tata hasl lasfas scara totaldaat dtahu dga mghtug la APER. Brdasara Prsamaa (4 maa drolh la APER sbaga brut : 8 30 APER 0, Brdasara la APER trsbut, daat dlasa bahwa dga fugs dsrma uadrat dhasla roors salah lasfas sbsar 5,79% shgga tata lasfas yag dhasla adalah 84,%. Program Stud Statsta FMIPA Uvrstas Mulawarma 85

8 Jural EKSPONENSIAL Volum 7, Nomor, Nombr ISSN Tabl Klasfas Aalss Dsrma Kuadrat Jurusa yag drds olh modl Total IPA IPS IPA 08 * 0 Jurusa IPS 8* 5 70 Total Prbadga Hasl Klasfas Brdasara aalss data yag tlah dlaua maa rbadga tata lasfas atara aalss rgrs logst da aalss dsrma uadrat dbra ada Tabl. Tabl. Ktata Klasfas Kdua Mtod Aalss Rgrs Logst Aalss Dsrma Kuadrat APER 6,84 % 5,79 % Ktata 83,6 % 84, % Brdasara la tata lasfas, ada aalss dsrma uadrat mmuya tata yag lbh tgg. Dga dma mtod aalss dsrma uadrat mruaa mtod trba dalam glasfasa urusa d SMA Ngr 8 Samarda. Ksmula Brdasara hasl lta yag drolh, maa uls daat mar smula sbaga brut :. Hasl glasfasa urusa SMA Ngr 8 Samarda tahu aara 04/05 dga mgguaa rgrs logst drolh hasl yatu, utu glasfasa IPA dar 0 sswa yag dlasfasa Jurusa IPA, 07 sswa tat dlasfasa urusa IPA da ssaya 3 sswa tda tat dlasfasa Jurusa IPA.Sdaga utu glasfasa IPS dar 70 sswa yag dlasfasa Jurusa IPS, 5 sswa tat dlasfasa urusa IPS da ssaya 9 sswa tda tat dlasfasa Jurusa IPS.. Hasl glasfasa urusa SMA Ngr 8 Samarda tahu aara 04/05 dga mgguaaaalss dsrma uadrat drolh hasl yatu, utu glasfasa IPA dar 0 sswa yag dlasfasa Jurusa IPA, 08 sswa tat dlasfasa urusa IPA da ssaya sswa tda tat dlasfasa Jurusa IPA.Sdaga utu glasfasa IPS dar 70 sswa yag dlasfasa Jurusa IPS, 5 sswa tat dlasfasa urusa IPS da ssaya 8 sswa tda tat dlasfasa Jurusa IPS. 3. Dga mgguaa rgrs logst da aalss dsrma uadrat drolh tata lasfas masg-masg t aalss sbsar 83,6% da 84,%. Brdasara tata lasfas dua t aalss, daat dsmula bahwa aalss dsrma uadrat lbh ba darada rgrs logst dalam mylsaa masalah glasfasa urusa d SMA Ngr 8 Samarda. Daftar Pustaa Frmasyah, Yudh. 00. Prbadga Aalss Dsrma Mahalaobs da Aalss Jarga Syaraf Trua Dalam Mylsaa Masalah Pglomoa. Srs tda dtrbta. Samarda: Jurusa Statsta Faultas MIPA Uvrstas Mulawarma. Fractal Comaratv Aalyss of Classfcato Tchqus, A Fractal Wht Par. Har, Jr. F. J., W. C Blac, B. J Barry, da R. E Adrso. 00. Multvarat Data Aalyss, 7 th d. Nw Yor: Parso. Hosmr D.W, da S. Lmshow.000.Ald Logstc Rgrsso. Nw Yor: Joh Wly & Sos, Ic. Johso, R. A., da D. W Wchr. 00. Ald Multvarat Statstcal Aalyss. Nw Jrsy: Prtc Hall. Kurt, I., M. Tur, da A. T Kurum Comarg Prformacs of Logstc Rgrsso Classfcato ad Rgrsso Tr, ad Nural Ntwor for Prdctg Coroary Artry Dsas, Exrt Systms wth Alcatos Vol 34, No.. Rachmat, D da K. Sawtr. 00. Praa Prosdur Lachbruch Pada Kasus Quadratc Dscrmat Aalyss, Badug. Satrya, Ad M. Ad. 0. Prbadga Hasl Klasfas Rgrs Logst dga Aalss Jarga Syaraf Trua Pada Kasus Pglasfasa Jurusa D SMA Ngr 5 Samarda Tahu Aara 00/0. Srs tda dtrbta. Samarda: Jurusa Statsta Faultas MIPA Uvrstas Mulawarma. Sharma, S Ald Multvarat Tchqus. Nw Yor:Joh Wly & Sos, Ic. Surato, J Aalss Multvarat Art da Itrrstas. Jaarta : PT. Ra Cta. 86 Program Stud Statsta FMIPA Uvrstas Mulawarma

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit. Prbadga Modl Logt da Probt Utu Mgaalss Fator-Fator yag Mmgaruh Draat Ortas Pasar Usaha Kcl Mgah (Stud Kasus d Stra Idustr Produ Kult d Kabuat Sdoaro Ryo Fbrawa, Luca Ardat da Wbawat Jurusa Statsta, Faultas

Lebih terperinci

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL Jural Matmata Mur da Traa Vol5 No Dsmbr : 4-5 ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIA Ry Aula Hj Noor Fajrah Nur Salam Proram Stud Matmata Faultas MIPA Ulam Bajarbaru Kalsl ABSTRAK Estmas tt dar

Lebih terperinci

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di: JURNAL GAUSSIAN, Volum, Nomor, ahu 0, Halama 55-64 Ol d: htt://joural-s.ud.ac.d/d.h/gaussa PEMODELAN REGRESI ZERO-INFLAED NEGAIVE BINOMIAL ZINB UNUK DAA RESPON DISKRI DENGAN EXCESS ZEROS Bau Arawa, Suart,

Lebih terperinci

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus Jural EKSPONENSIAL Volum 3, Nomor, M 22 ISSN 285-7829 Itrprtas Paramtr dalam Modl Rgrs Logst utu Varabl Bbas Dotomus Paramtr Itrprtato Logstc Rgrsso Modls for Dcotomus Idpdt Varabl Darah A. Noh Program

Lebih terperinci

REGRESI LOGISTIK BINER

REGRESI LOGISTIK BINER REGRESI LOGISTIK BINER Mtod rgrs mruaka aalss data yag mdskrska hubuga kausaltas atara varabl rso da rdktor (Hosmr da Lmshow, ). Prbdaa mdasar atara rgrs lr da rgrs logstk adalah ty dar varabl rso. Rgrs

Lebih terperinci

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner Pgklasfkasa Pyakt Jatug D RSUD Abdul Wahab Sjahra Samarda Dga Mgguaka Rgrs Logstk Br Classfcato of Hart Dsas RSUD Abdul Wahab Sjahra Samarda Usg Bary Logstk Rgrsso Adras Sutato 1, Darah A. Noh, Syarudd

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 2 LANDASAN TEORI

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

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bbrapa tor yag dprlua utu mduug pmbahasa dataraya adalah rgrs lar brgada, mtod uadrat trcl (MKT), pguja asums aalss rgrs, outlr, rgrs robust, ofs dtrmas, bradow pot. A. Rgrs Lar Brgada

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

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA E-ISSN 57-9378 Jurnal Statsta Industr dan Komutas Volum, No., Januar 07,. 04-4 PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Mota Dwya ), N Wahyu Utam, M. Pd. ) Program Stud Pdda Matmata Faultas

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

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

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 KEDINAMIKAN SISTEM PADA MASALAH PENJADWALAN FLOW SHOP MENGGUNAKAN ALJABAR MAX-PLUS

ANALISIS KEDINAMIKAN SISTEM PADA MASALAH PENJADWALAN FLOW SHOP MENGGUNAKAN ALJABAR MAX-PLUS Smar Nasoal atmata IV Isttut Tolog Spuluh Nopmbr, Surabaya, 3 Dsmbr 008 ANALISIS KEDINAIKAN SISTE PADA ASALAH PENADWALAN FLOW SHOP ENGGUNAKAN ALABAR AX-PLUS Nur Shofaah, Suboo, urusa atmata FIPA Isttut

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

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah JEKT JURNAL EKONOMI 9 [] : 80 KUANTITATIF - 84 TERAPAN Vol. 9 No. FEBRUARI 06 ISSN : 30-8968 Modl Rrs Lost pada Klulusa Uja Srtfas Padaa Bara da Jasa Pmrtah Ru *) ABSTRAK Modl rrs mrupaa alat utu maalss

Lebih terperinci

Faktor- Faktor yang Mempengaruhi Siswa Usia Wajib Belajar Putus Sekolah (Studi Kasus di Surabaya Utara)

Faktor- Faktor yang Mempengaruhi Siswa Usia Wajib Belajar Putus Sekolah (Studi Kasus di Surabaya Utara) Smar Nasoal Statstka IX Susat Luwh, Mutah Salamah da Wbawat Isttut Tkolog Suluh Nombr, 7 Novmbr 9 Faktor- Faktor ag Mmgaruh Sswa Usa Wab Blaar Putus Skolah Stud Kasus d Surabaa Utara Susat Luwh, Mutah

Lebih terperinci

BAB IV METODOLOGI PENELITIAN

BAB IV METODOLOGI PENELITIAN 56 BAB IV METODOLOGI PENELITIAN Brdasara la yag rah dlaua sblumya, ada bbraa alraf ssfas modl da modolog yag daa dguaa uu mggambara hubuga rja ssm uaga da rumbuha oom. Kg da Lv (99) mgaj hubuga aara rmbaga

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

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak Pmodla Rgrs Zro Ilatd Posso... Ala star PEMODEAN REGRESI ZERO INFAED POISSON APIKASI PADA DAA PEKERJA SEKS KOMERSIA DI KINIK REPRODUKSI PUA JAYA SURABAYA Ala star Purhad Madu Rata Jurusa Spl Uvrstas Ad

Lebih terperinci

PENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2.

PENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2. Pagaa Ovdss Ro Togl S. PENANGANAN OVERDISPERSI PADA MODE REGRESI POISSON MENGGUNAKAN MODE REGRESI BINOMIA NEGATIF Ro Togal Smamata Dw Isat Alum Pogam Stud Statsta Ud Sta Pgaa Pogam Stud Statsta Ud Abstact

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

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA PEDAHULUA Latar Blaa Prcobaa lua ada ruaa rcobaa ya sr duaa dala lta ulaa taaa da ltalta aroo laya utu a tras ot-lua (oty vrotal tracto). Salah satu cara utu a tras ot-lua adalah da laua rcobaa u daya

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-140

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-140 JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) 337-350 (301-98X Prt) D-140 Faktor-Faktor yag Mmgaruh Pyakt Malara ada Ibu Haml d Provs Nusa Tggara Barat, Nusa Tggara Tmur, Maluku, Maluku Utara, Paua,

Lebih terperinci

Konsistensi dan Asimtotik Normalitas Model Multivariate Adaptive Regression Spline (Mars) Respon Biner

Konsistensi dan Asimtotik Normalitas Model Multivariate Adaptive Regression Spline (Mars) Respon Biner Jural IMU DASAR, Vol No, Jul 9 : 33-33 Kossts da Asmtotk Normaltas Modl Multvarat Adatv Rgrsso Sl (Mars Rso r Cosstcy ad Asymtotc Normalty of Maxmum klhood Estmator MARS ary Rsos Modl ambag Wdaarko Otok

Lebih terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl

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

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

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

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volum 4, Nomor 4, Tahu 015, Halama 97-936 Ol d: http://joural-s1.udp.ac.d/dx.php/gaussa ANALISIS KEPUTUSAN KONSUMEN MEMILIH BAHAN BAKAR MINYAK (BBM MENGGUNAKAN MODEL REGRESI

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

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

PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH

PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Lebih terperinci

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL APIKASI SAISIKA DAAM BIDANG KESEHAAN DENGAN EGESI OGISIK ODINA oha Bdhaa* b_bdhaa@yahoo.co.d SIKES Kota Sabm Abstra Dalam mta varabl-varabl prdtor yag brpgarh trhadap varabl rspo dmaa varabl rspo brsala

Lebih terperinci

Kata kunci : Regresi logistik, Susenas, menikah muda

Kata kunci : Regresi logistik, Susenas, menikah muda ANALISIS REGRESI LOGISTIK BINER PADA FAKTOR-FAKTOR YANG MEMPENGARUHI WANITA MENIKAH MUDA DI PROVINSI JAWA TIMUR Stud Kasus d Kabuat Probolggo, Bodowoso, Stubodo da Sum Aula Imawat, Ar Ksmato Mahasswa S

Lebih terperinci

BAB VI METODE BELAJAR WIDROW-HOFF

BAB VI METODE BELAJAR WIDROW-HOFF BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan

Lebih terperinci

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

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

Lebih terperinci

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n.

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n. 0 DISTRIBUSI POISSO Distribusi Poisso ii diprolh dari distribusi biomial, apabila dalam distribusi biomial brlau syarat-syarat sbagai briut: a. baya pgulaga sprimya sagat bsar ( ). b. pluag trjadiya pristiwa

Lebih terperinci

Maximum Likelihood Estimation Model Linear dan Log-Linear dalam Regresi Poisson

Maximum Likelihood Estimation Model Linear dan Log-Linear dalam Regresi Poisson Prosdg Sar Nasoal Pla Pdda da Prapa MIPA Faulas MIPA Uvrsas Ngr Yogaara 6 M 9 Mau lhood Esao Modl ar da og-ar dala Rgrs Posso Yul Wbawa Jaa Nugraha Jurusa Sasa FMIPA-UII Kapus Trpadu UII Jl Kalurag KM

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

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 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

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

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 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

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 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 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

SISTEM PERSAMAAN LINEAR MIN-PLUS DAN PENERAPANNYA PADA MASALAH LINTASAN TERPENDEK

SISTEM PERSAMAAN LINEAR MIN-PLUS DAN PENERAPANNYA PADA MASALAH LINTASAN TERPENDEK POSIDING ISBN : 98 99 1 9 SISTEM PESAMAAN LINEA MIN-PLUS DAN PENEAPANNYA PADA MASALAH LINTASAN TEPENDEK M. Ady udhto 1 1 Program Stud Pdda Matmata FKIP Uvrstas Saata Dharma Kampus III USD Paga Maguwoharjo

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

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

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee

Lebih terperinci

ANALISA PROBABILITAS KELUARAN PADA SISTEM GSM DENGAN DAN TANPA FREKUENSI HOPPING RAHMA YENNI L2F

ANALISA PROBABILITAS KELUARAN PADA SISTEM GSM DENGAN DAN TANPA FREKUENSI HOPPING RAHMA YENNI L2F AALISA PROBABILITAS KELUARA PADA SISTEM GSM DEGA DA TAPA FREKUESI HOPPIG RAHMA YEI LF 30055 ABSTRAK Pada saat tututa masyaraat aa mudaha dalam bromuas sma mgat. Salah satu tolog yag dtrapa dalam sstm GSM

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

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

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

Analisis Faktor Risiko Penyebab Diabetes Mellitus di Kota Ambon Menggunakan Model Regresi Logistik

Analisis Faktor Risiko Penyebab Diabetes Mellitus di Kota Ambon Menggunakan Model Regresi Logistik Statsta, Vol. 5 No. 2, 65-7 November 25 Aalss Fator Rso Peyebab Dabetes Melltus d Kota Ambo Megguaa Model Regres Logst Ferry Kodo Lembag, Dorteus L. Rahabauw 2,2Jurusa Matemata Faultas MIPA Uverstas Pattmura

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB ADASA TEORI. Varabl Varabl adalah arar ag aa d obsrvas dar u amaa. Varabl dalam pla mrupaa suau arbu dar slompo obj ag dl da mml varas aara sau obj dga obj ag la dalam lompo rsbu, msala gg bada da

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

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

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

Lebih terperinci

BAB 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

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

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta

Lebih terperinci

Penerapan Pendekatan Gabungan Grey Relational Analysis (GRA) dan Principal Component Analysis (PCA) Pada Metode Taguchi Multirespon

Penerapan Pendekatan Gabungan Grey Relational Analysis (GRA) dan Principal Component Analysis (PCA) Pada Metode Taguchi Multirespon JURNL SINS DN SENI IS Vol., No., (Spt. ) ISSN: -98X D-4 Prapa Pdkata Gabuga Gry Rlatoal alyss (GR) da Prcpal Compot alyss (PC) Pada Mtod aguch Multrspo Nur prla Rahmada, Soy Suaryo da Muhammad Sahd kbar

Lebih terperinci

MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA.

MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA. MDIFIKASI METDE NEWTN DENGAN KEKNVERGENAN RDE TIGA Fby Satrya HP ), Agusi ), Musraii ) bysatrya@ymail.om ) Mahasiswa Program Studi S Matmatia ) Dos Matmatia, Jurusa Matmatia Faultas Matmatia da Ilmu Pgtahua

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Moita Dwiyai ), Ni Wahyu Utami ) Faultas Kgurua da Ilmu Pdidia Uivrsitas

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

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

Jurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN

Jurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN 085-789 Peeraa Geeralzed Posso Regresso I Utu Megatas Overdsers Pada Regres Posso (Stud Kasus: Pemodela Jumlah Kasus Kaer Servs d Provs Kalmata Tmur) Alcato

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1 JURNAL SAINS DAN SENI POMITS Vol., No., (3) 33-3 (3-8 Prt) D- Pmodla Partspas Wata dalam Kgata Ekoom Rumah Tagga Nlaya d Pssr Tmur Surabaya (Stud Kasus Kcamata Kcamata Bulak, Mulyorjo, da Kjra) Irma Harlagtyas,

Lebih terperinci

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

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

Lebih terperinci

BAB 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

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

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

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

TEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t}

TEORI ANTRIAN. Elemen Dasar Model Antrian. Distribusi Poisson dan eksponensial. =, t 0, dimana E { t} Elm Dasar Modl Atria. TEORI ANTRIAN Aktor utama customr da srvr. Elm dasar :. distribusi kdataga customr.. distribusi waktu playaa. 3. disai fasilitas playaa (sri, parall atau jariga). 4. disipli atria

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

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLGIT ERUPK TIDK TIDK TERPUJI TRSFORSI FOURIER DISKRIT D PLIKSIY PD KOPRESI CITR DIGITL Srps Daua utu muh Salah Satu Syarat mprolh Glar Saraa Sas Program Stud atmata Olh: yu Sr Wuladar I: 44 PROGR STUDI

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

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

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

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

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

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

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

Lebih terperinci

Pengkelasan dengan Skor Propensitas

Pengkelasan dengan Skor Propensitas Saska, Vol. 6 No. 2, 35 39 Nobr 26 Pgklasa dga Skor Prosas Marzuk da Fakhrurraz Jurusa Maaka FMIPA Usah Jl. Sch Abdul Rauf No. 3 Darussala Bada Ach 23 ABSTRAK Prbadga dua oulas dga laar blakag obk (kovara

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

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2 Komonn Utama...Nun Nurhasanah KOMPONEN UAMA UNUK PENGENDALIAN KUALIAS SECARA SAISIK Nun Nurhasanah, Dah Saftr Alumn Program Stu Statsta FMIPA UNDIP Staf Pngaar Program Stu Statsta FMIPA UNDIP Abstract

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

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

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN 085-789 Model Log Ler utu Empat Dmes Log Ler Model for Four Dmetos M. Ars Budyoo 1, Sr ayugs, a Puramasar 3 1 Maasswa Program Stud Statsta Faultas MPA

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

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

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

KARAKTERISTIK FUNGSI DISTRIBUSI FOUR-PARAMETER GENERALIZED-t

KARAKTERISTIK FUNGSI DISTRIBUSI FOUR-PARAMETER GENERALIZED-t Jural -DuMah Volum No Jauar 6 Hlm 8- KARAKTERISTIK FUNGSI DISTRIUSI FOUR-PARAMETER GENERALIZED- Rahma Cahad Warsoo Musoa Usma Da Kurasar Pddka Mamaka STKIP Muhammadah Prgswu Emal: rahma_cahad@ahoocom Mamaka

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

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

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

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

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

Ir. Tito Adi Dewanto

Ir. Tito Adi Dewanto Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci