PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
|
|
- Benny Budiaman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN : PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA Tmbang Srat Departemen Statstka FMIPA-IPB Emal: ABSTRAK Data respon berganda berulang merupakan suatu data dmana terdapat sejumlah c kategor hasl, yang mana masng-masng kategor hasl ddefnskan sebaga tem. Pengumpulan data sepert n membolehkan responden mengs atau mencentang semua plhan jawaban yang dsedakan. Sebaga contoh, pertanyaan tentang metode yang dgunakan dalam mencegah kehamlan. Msalnya terseda lma plhan jawaban, yang mana responden dapat mencentang semua atau sebagan jawaban yang dberkan, sepert: kondom, pl kontraseps, daphragm, jelly, dan perode aman. Berdasarkan plhan jawaban yang dberkan, maka dalam peubah respon berganda berulang n terdapat lma tem. Respon berganda berulang dcrkan oleh tem dan ttk waktu yang dperhatkan sebaga dua level pada model mult level. Peneltan n akan menggunakan model campuran lnear terampat dalam memodelkan data respon berganda berulang, yang mana dalam model tersebut mempertmbangkan adanya pengaruh tetap dan pengaruh acak. Namun, data yang dgunakan merupakan data bangktan pada pengaruh acak yang dbangktkan dar tga sebaran pada satu ttk waktu tertentu. Peneltan n bertujuan untuk membandngkan model data respon berganda berulang dar sebaran Normal Baku, Lognormal, dan Gamma. Hasl peneltan menunjukkan bahwa model data respon berganda berulang dar sebaran Lognormal selalu menghaslkan nla rata-rata AIC yang lebh kecl dbandngkan dar sebaran Gamma dan Normal Baku. Namun, pada sebaran Gamma yang ekornya tdak panjang, memberkan nla AIC yang lebh kecl dbandngkan dengan sebaran Lognormal. Data respon berganda berulang dar sebaran Normal Baku, selalu menghaslkan nla rata-rata AIC yang lebh besar dbandngkan dar sebaran Lognormal dan Gamma bak yang ekornya panjang maupun yang tdak panjang. Kata-kata kunc: AIC, tem, pengaruh tetap, pengaruh acak, respon berganda berulang. PENDAHULUAN Data respon berganda berulang merupakan suatu data dmana terdapat sejumlah c kategor hasl. Pengumpulan data sepert n membolehkan responden mengs atau mencentang semua plhan jawaban yang dsedakan pada daftar kategor hasl. Peubah kategor yang mengumpulkan jens data sepert n dsebut dengan peubah respon berganda berulang (repeated multple response varables) [1]. Sebaga contoh, pertanyaan tentang metode yang dgunakan dalam mencegah kehamlan. Msalnya terseda lma plhan jawaban, yang mana responden dapat mencentang semua atau sebagan jawaban yang dberkan, sepert: kondom, pl kontraseps, daphragm, jelly, dan perode aman. Berdasarkan plhan jawaban yang dberkan, maka dalam peubah respon berganda berulang n terdapat lma kategor hasl. Masng-masng kategor hasl ddefnskan sebaga tem [2]. Respon berganda berulang dcrkan oleh tem dan ttk waktu yang dperhatkan sebaga dua level pada model multlevel [1]. [3] menunjukkan bahwa menentukan model asosas yang bak untuk ttk waktu lebh pentng darpada menjelaskan asosas d seluruh tem. Model campuran lnear terampat (generalzed lnear mxed model) atau yang dsngkat dengan MCLT merupakan perluasan model campuran lnear, yang mana sebaran peluang bersyaratnya tdak dharuskan mengkut sebaran normal, akan tetap sebaran peluang tersebut termasuk dalam keluarga eksponensal, sepert Bnomal, Posson loglnear dan sebaganya [4]. MCLT dapat dterapkan pada peubah respon berganda berulang yang benla bner [3]. Dua elemen yang bsa dgunakan untuk mendefnskan MCLT yatu, (1) kebebasan bersyarat (dengan syarat pengaruh acak) dan (2) sebaran dar pengaruh acak [4]. Sebaran dar pengaruh acak dalam pemodelan MCLT basanya dasumskan menyebar Normal. Namun, dalam peneltan n, akan dlakukan perbandngan menggunakan sebaran lan, msalnya sebaran Gamma dan Lognormal. Peneltan n bertujuan untuk membandngkan model data respon berganda berulang dar sebaran Normal Baku, Lognormal, dan Gamma. Sebaga langkah awal, matrks rancangan dan pengaruh tetap nlanya dtentukan terlebh dahulu. Namun, karena banyaknya data pada matrks rancangan, maka matrks rancangan dbangktkan sekal saja 710
2 Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN : menggunakan sebaran Normal Baku. Sedangkan pada pengaruh acak, datanya dbangktkan dar sebaran Normal baku, Lognormal, dan Gamma. Ada satu pengaruh tetap dan dua pengaruh acak yang dgunakan dalam pemodelan n. Dplhnya sebaran Lognormal karena ngn dbangktkan data yang sebarannya memlk ekor yang panjang ke kr, sedangkan sebaran Gamma memlk ekor yang panjang ke kanan. Kemudan sebaran Normal Baku untuk sebaran yang smetrs. Selanjutnya data respon dbangktkan dar sebaran Bnomal, dengan jumlah percobaan satu dan peluang p dengan p dperoleh melalu fungs hubung yang natural agar dperoleh nla dantara 0 dan 1. Alat ukur yang dgunakan untuk membandngkan ketga model tersebut adalah Akake s nformaton crteron (AIC). Model dengan nla AIC terkecl, merupakan model yang terbak [4]. BAHAN DAN METODE Bahan Bahan dalam melakukan pembentukan model dlakukan dengan 5 langkah berkut: (1). Mengambl nla parameter 0 0,5 dan 1 1,5. Selanjutnya, membangktkan x (yang mana X ( 1 x )) dan Z ( z1 z 2) dar sebaran Normal Baku (dlakukan sekal saja) dengan n 100 dan n (2). Membangktkan 1 2 T α dar sebaran Normal Baku, Lognormal, dan Gamma. (3). Mendapatkan nla harapan Y dengan syarat EY α, selanjutnya membangktkan α atau data y menggunakan sebaran Bnomal dengan jumlah percobaan satu dan peluang sukses p dengan p exp E Y α 1 E Y α dan T T EY α x β z α (4) Berdasarkan data bangktan n dbuat pemodelan menggunakan MCLT, sepert pada persamaan (2). (5) Ketga model dbandngkan besaran nla AIC-nya. Model Campuran Lnear Terampat (MCLT) Ada tga komponen utama dalam MCLT [4]: 1. Komponen acak 2. Komponen sstematk 3. Fungs hubung Peubah respon berganda berulang y1, y2,, y n dengan syarat α merupakan komponen acak 711 yang salng bebas (bersyarat) sedemkan sehngga sebaran y dengan syarat α termasuk dalam keluarga eksponensal. Komponen T T sstematknya adalah x β z α, dan fungs hubungnya adalah EY g dengan serta fungs g memlk nvers (nvertble). Dengan demkan, maka dapat dtulskan persamaannya menjad T T g x β z α, 1,2,, n atau g μ Xβ Zα (1) Namun, tdak sepert pada model lnear terampat (MLT), peubah respon pada MCLT (secara marjnal) berkorelas, sehngga berdasarkan alasan n, maka MCLT serng dgunakan untuk memodelkan respon kategor atau dskrt yang salng berkorelas [4]. Jka data peubah respon berganda berulang n bner, maka sebaran peubah respon berganda berulang bner dengan syarat α adalah Bernoull p P y 1 α, dan bebas bersyarat, dengan fungs hubungnya p T T logt p log x β z α (2) 1 p dmana x dan z adalah vektor yang dketahu, β adalah vektor parameter yang tdak dketahu (pengaruh tetap), α adalah vektor pengaruh acak, X dan Z adalah matrks kovarat yang dketahu (matrks rancangan). Pendugaan Parameter Pendugaan parameter pada persamaan (2) dapat dperoleh menggunakan fungs kemungknan. Tdak sepert pada model campuran lnear, fungs kemungknan pada MCLT khususnya tdak memlk penyelesaan bentuk tertutup (closed-form), kecual pada kasus Normal. Pada kenyataannya, fungs kemungknan tersebut bsa melbatkan ntegral berdmens tngg yang tdak dapat dselesakan secara analtk. Namun, ketka fungs kemungknan eksak sult dperoleh, persoalan n dapat dselesakan menggunakan pendekatan Laplace (Laplace approxmaton) [4]. MCLT Pada Pendekatan Multlevel Subyek, Item, dan Waktu Msalkan y menyatakan respon berganda jt berulang pada subyek ke-, tem ke- j, dan ttk waktu ke- t. Selanjutnya, x jt menyatakan vektor dar matrks rancangan X pada subyek ke-,
3 Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN : tem ke- j, dan ttk waktu ke- t, dan z jt menyatakan vektor dar matrks rancangan Z pada subyek ke-, tem ke- j, dan ttk waktu ke- t. MCLT pada pendekatan multlevel menambahkan pengaruh acak, yatu memuat tambahan pengaruh efek spesfk subyek. Model n dsebut sebaga model spesfk subyek karena parameter ddefnskan pada level subyek. Msalkan α adalah vektor pengaruh acak pada subyek ke-, Z dan X adalah matrks rancangan dan β adalah vektor pengaruh tetap. Sebaran y jt dengan syarat α dasumskan dar keluarga eksponensal dengan fungs kepekatan f y α, β dan nla tengah bersyarat jt jt EYjt α. Respon dengan syarat α dasumskan bebas dalam subyek, yang dkenal dengan asums kebebasan lokal [1]. Juga dasumskan respon bebas pada subyek yang berbeda. Berdasarkan asums kebebasan lokal, fungs kepekatan peluang y dengan syarat α adalah sebaga berkut dengan f n, f, y α β y α β (3) 1 c T, jt, f y α β f y α β (4) j1 t1 Selanjutnya, dapat juga dtuls dmana f n ; f ; α Σ α Σ (5) 1 y y y dan α α α 1 n 1 n. Selanjutnya memaksmumkan fungs l β, Σ; y [3], dperoleh kemungknan lβ, Σ; y f y; β, Σ ; ; f y α β f α Σ dα (6) Fungs kemungknan n serng dsebut dengan kemungknan margnal (margnal lkelhood) setelah pengntegralan mengeluarkan pengaruh acak [6]. HASIL DAN DISKUSI Data bangktan dperoleh menggunakan software R vers Pada smulas pertama dlakukan pembangktan data pengaruh acak dar sebaran Normal Baku, Lognormal dengan parameter log 2 dan log 0,01, dan Gamma dengan parameter r 2 dan 5, sepert pada gambar 1, gambar 2, dan gambar 3. Gambar 1. Grafk Sebaran N(0,1) Gambar 2. Grafk Sebaran LOGN(2, 0,01) Gambar 3. Grafk Sebaran Gamma(2,5) Tabel 1. Nla AIC dar Smulas Pertama 1 274,8 61,9 256, ,3 24,1 272, ,2 20,9 247, ,5 20,9 270, ,1 17,7 236, ,6 17,7 263, ,8 17,7 242, ,4 33,5 272, ,2 20,9 232, ,1 24,1 271,0 Rata-rata 273,4 25,9 256,5 Hasl smulas untuk n 100 dengan 10 kal perulangan, pada tabel 1, menunjukkan bahwa model data respon berganda berulang dar sebaran Lognormal memberkan nla rata-rata AIC yang terkecl dengan nla rata-rata 25,9. Pada konds sebaran sepert n model data respon berganda berulang dar sebaran Lognormal merupakan model yang terbak. Selanjutnya, pada smulas kedua dlakukan pembangktan data pengaruh acak dar sebaran Lognormal dengan parameter log 2 dan log 0,05 dan Gamma dengan parameter 712
4 Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN : r 2 dan 2, sepert pada gambar 4 dan gambar 5. Gambar 7. Grafk Sebaran Gamma(2,1) Gambar 4. Grafk Sebaran LOGN(2, 0,05) Gambar 5. Grafk Sebaran Gamma (2,2) Tabel 2. Nla AIC dar Smulas Kedua 1 253,9 61,6 130, ,4 20,9 242, ,8 30,4 247, ,8 53,7 230, ,9 11,3 212, ,0 14,5 236, ,2 27,2 255, ,0 24,1 210, ,6 20,9 248, ,2 42,8 261,7 Rata-rata 257,0 30,7 227,7 Pada smulas kedua n dperoleh bahwa model data respon berganda berulang dar sebaran Lognormal mash memberkan nla rata-rata AIC yang terkecl dan menjad pembentuk model terbak dengan nla sebesar 30,7 sepert dsajkan pada tabel 2 d atas. Pada smulas ketga dlakukan pembangktan data pengaruh acak dar sebaran Lognormal dengan parameter log 2 dan log 0,1 dan Gamma dengan parameter r 2 dan 1, sepert pada gambar 6 dan gambar 7. Tabel 3. Nla AIC dar Smulas Ketga 1 257,1 36,6 244, ,2 30,3 79, ,3 17,7 106, ,7 24,0 228, ,5 20,9 235, ,7 20,9 94, ,7 20,9 124, ,4 20,9 165, ,6 20,9 199, ,3 20,9 97,7 Rata-rata 272,6 23,4 157,7 Smulas ketga menghaslkan model data respon berganda berulang dar sebaran Lognormal memberkan nla rata-rata AIC yang terkecl dan menjad pembentuk model terbak dengan nla 23,4 sepert dsajkan pada tabel 3. Pada smulas keempat dlakukan pembangktan data pengaruh acak dar sebaran Lognormal dengan parameter log 2 dan log 0,2 dan Gamma dengan parameter r 2 dan 0,5, sepert pada gambar 8 dan gambar 9. Gambar 8. Grafk Sebaran LOGN(2, 0,2) Gambar 9. Grafk Sebaran Gamma(2, 0,5) Gambar 6. Grafk Sebaran LOGN(2, 0,1) Hasl smulas keempat, tabel 4, menunjukkan model data respon berganda berulang dar sebaran Lognormal mash tetap memberkan nla rata-rata AIC yang terkecl 713
5 Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN : dan menjad pembentuk model terbak dengan nla 33,6. Tabel 4. Nla AIC dar Smulas Keempat 1 261,8 39,7 100, ,0 14,5 20, ,1 92,9 68, ,6 20,9 36, ,5 20,9 216, ,5 33,5 45, ,8 33,4 17, ,5 11,3 240, ,3 39,1 67, ,0 30,3 27,2 Rata-rata 267,6 33,6 84,2 Pada smulas kelma dlakukan pembangktan data pengaruh acak dar sebaran Lognormal dengan parameter log 2 dan log 0,5 dan Gamma dengan parameter r 2 dan 0,25, sepert pada gambar 10 dan gambar 11. Gambar 10. Grafk Sebaran LOGN(2, 0,5) 6 230,6 24,1 11, ,1 80,3 17, ,9 80,3 20, ,6 14,5 17, ,0 36,6 17,7 Rata-rata 263,1 40,5 24,0 Pada proses pembangktan data selanjutnya dlakukan penambahan sampel menjad n Pada smulas n parameter yang dgunakan besarannya sama sepert pada proses pembangktan data untuk n 100 untuk setap smulas. Pada smulas pertama untuk n 1000 dengan 10 kal perulangan, tabel 6, menunjukkan bahwa model data respon berganda berulang dar sebaran Lognormal memberkan nla rata-rata AIC yang terkecl dengan nla rata-rata 56,2. Sehngga model data respon berganda berulang dar sebaran Lognormal merupakan model yang terbak. Tabel 6. Nla AIC dar Smulas Pertama ,6 63, , ,8 63, , ,4 57, , ,6 45, , ,2 44, , ,9 57, , ,4 66, , ,9 50, , ,5 60, , ,9 53, ,9 Rata-rata 2.687,3 56, ,9 Gambar 11. Grafk Sebaran Gamma(2, 0,25) Namun, pada smulas kelma, model data respon berganda berulang dar sebaran Gamma memberkan nla rata-rata AIC terkecl dan menjad pembentuk model terbak dengan nla rata-rata AIC sebesar 24,0 sepert dsajkan pada tabel 5. Tabel 5. Nla AIC dar Smulas Kelma 1 276,4 14,5 30, ,5 27,2 17, ,0 45,9 81, ,3 54,0 14, ,6 27,2 11,2 714 Tabel 7. Nla AIC dar Smulas Kedua ,1 53, , ,3 44, , ,8 208, , ,0 208, , ,2 60, , ,9 138, , ,8 222, , ,3 76, , ,8 50, , ,4 50, ,9 Rata-rata 2.655,7 111, ,6 Kemudan pada smulas kedua dperoleh bahwa model data respon berganda berulang
6 Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN : dar sebaran Lognormal mash memberkan nla AIC yang terkecl nla rata-rata AIC sebesar 111,4 sepert dsajkan pada tabel 7 d atas. Akbatnya, sebaran Lognormal menjad pembentuk model terbak. Pada smulas ketga, sepert pada tabel 8, menunjukkan bahwa model data respon berganda berulang dar sebaran Lognormal memberkan nla rata-rata AIC yang terkecl dengan nla sebesar 51,0. Tabel 8. Nla AIC dar Smulas Ketga ,6 66, , ,1 47, , ,8 47, , ,0 53,9 602, ,9 31, , ,2 40, , ,3 57, , ,6 63, , ,9 60, , ,7 41, ,0 Rata-rata 2.595,4 51, ,6 Berkutnya, smulas keempat menunjukkan bahwa model data respon berganda berulang dar sebaran Lognormal memberkan nla AIC yang terkecl dan menjad pembentuk model terbak dengan nla rata-rata AIC sebesar 59,6. Tabel 9. Nla AIC dar Smulas Keempat ,3 73,3 41, ,2 133,8 639, ,0 63,6 748, ,4 66,8 237, ,4 18,1 666, ,5 24,7 315, ,7 122,4 318, ,8 47, , ,1 27, , ,7 18, ,9 Rata-rata 2.565,2 59, ,5 Akan tetap, pada smulas kelma, model data respon berganda berulang dar sebaran Gamma memberkan nla rata-rata AIC yang terkecl. Dengan demkan, sebaran Gamma menjad pembentuk model terbak dengan nla rata-rata AIC sebesar 44,0 sepert dsajkan pada tabel 10. Tabel 10. Nla AIC dar Smulas Kelma ,5 11,4 21, ,7 11,4 11, ,5 14,7 86, ,7 57,1 98, ,8 57,1 133, ,3 37,7 11, ,3 89,2 11, ,2 127,5 11, ,2 206,4 11, ,9 18,1 408,9 Rata-rata 2.699,4 68,1 44,0 KESIMPULAN Data respon berganda berulang dar sebaran Lognormal selalu menghaslkan AIC yang lebh kecl dbandngkan dar sebaran Normal Baku dan Gamma. Namun, pada sebaran Gamma yang ekornya tdak panjang, memberkan nla AIC yang lebh kecl dbandngkan dengan sebaran Lognormal. Data respon berganda berulang dar sebaran Normal, selalu menghaslkan nla rata-rata AIC yang lebh besar dbandngkan dar sebaran Lognormal dan Gamma bak yang ekornya panjang maupun yang tdak panjang. Haslnya juga sama ketka sampelnya dtngkatkan dar 100 menjad Peneltan n mash dbatas pada satu ttk waktu saja. Oleh karena tu, peneltan berkutnya dsarankan pada lebh dar satu ttk waktu. DAFTAR PUSTAKA [1] T. Suesse and I. Lu, Modellng Strateges for Repeated Multple Response Data, Centre for Statstcal & Survey Methodolog, Workng Paper Seres Researh Onlne, Unversty of Wollonggong, [2] A. Agrest and I. M. Lu, Modelng a categorcal varable allowng arbtrarly many category choces, Bometrcs, 55(3), pp , [3] T. Suesse and I. Lu, Modellng Strateges for Repeated Multple Response Data, Internatonal Statstcal Revew, John Wley & Son, USA, [4] Jang, J.,Lnear and Generalzed Lnear Mxed Models and Ther Applcatons. Sprnger Seres n Statstcs, New York, [5] Searle S.R., Casella G., and McCulloch C.E.,Varance Component. New York, John Wley and Sons [6] Agrest, A.,Categorcal Data Analyss, 2nd Ed. Wley Interscence, New York, 2002.
Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciANALISIS PEUBAH RESPON BINER
Analss Peubah Respon Bner... (Ksmantn) ANALISIS PEUBAH RESPON BINER Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Pada regres lner klask, peubah respon dasumskan merupakan
Lebih terperinciEVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS
EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS Resa Septan Pontoh Departemen Statstka Unverstas Padjadjaran resa.septan@unpad.ac.d ABSTRAK.
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciII. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai
II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinci2. ANALISIS DATA LONGITUDINAL
. ANALISIS DATA LONGITUDINAL Data longtudnal merupakan salah satu bentuk data berkorelas. Pada data longtudnal, peubah respon dukur pada beberapa ttk waktu untuk setap subyek. Dalam stud longtudnal dmungknkan
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciBINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 2009 BINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciOVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL
OVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL Heru Wbowo, Suyono, Wdyant Rahayu Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas Neger Jakarta
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciRESAMPLING UNTUK MEMPERBESAR KOEFISIEN DETERMINASI DALAM MODEL REGRESI LINEAR.
Resamplng untuk Memperbesar Koefsen Determnas RESAMPLING UNUK MEMPERBESAR KOEFISIEN DEERMINASI DALAM MODEL REGRESI LINEAR. Ad Setawan Program Stud Matematka Fakultas Sans dan Matematka, Unverstas Krsten
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciPERHITUNGAN HARGA PREMI MODEL DUA TAHUNAN DENGAN FAKTOR UNDERWRITING MENGGUNAKAN GENERALIZED LINEAR MODELS
PROSIDING ISSN: 50-656 M- PERHITUNGAN HARGA PREMI MODEL DUA TAHUNAN DENGAN FAKTOR UNDERWRITING MENGGUNAKAN GENERALIZED LINEAR MODELS St Alfatur Rohmanah ), Danardono ) ) Unverstas Islam Darul Ulum Lamongan,
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciberasal dari pembawa muatan hasil generasi termal, sehingga secara kuat
10 KARAKTRISTIK TRANSISTOR 10.1 Dasar Pengoperasan JT Pada bab sebelumnya telah dbahas dasar pengoperasan JT, utamannya untuk kasus saat sambungan kolektor-bass berpanjar mundur dan sambungan emtor-bass
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA
BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciMatematika dan Statistika
ISSN 4-6669 Volume, Jun MAJALAH ILMIAH Matematka dan Statstka DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Maalah Ilmah Matematka dan Statstka Volume, Jun MODEL UNTUK DATA BERDISTRIBUSI
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak
Bab 3 Teor Comonotonc Pada bab n konsep teor comonotonc akan dpaparkan dar awal dan berakhr pada konsep teor n untuk jumlah dar peubah - peubah acak 1. Setelah tu untuk membantu pemahaman akan dberkan
Lebih terperinciPemeriksaan Ketepatan Fungsi Hubung dalam Analisis Data Biner
Statstka, Vol. 9 No., 55 64 Me 009 Pemerksaan Ketepatan Fungs Hubung dalam Analss Data Bner Nusar Hajarsman Program Stud Statstka Fakultas MIPA Unsba Mahasswa Sekolah Pascasarjana Insttut Pertanan Bogor
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciTaksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil
Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciRahmadeni 1, Zulya Desmita 2 ABSTRAK. Kata Kunci: Overdispersi, Regresi Binomial Negatif, Regresi Generalized Poisson, Regresi Poisson.
Jurnal Sans Matematka dan Statstka, Vol. No. Jul 16 ISSN 46-454 Perbandngan Model Regres Generalzed Posson Dan Bnomal Negatf Untuk Mengatas Overdspers Pada Regres Posson (Stud Kasus: Penderta Flarass d
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciUKURAN GEJALA PUSAT &
UKURAN GEJALA PUSAT & UKURAN LETAK UKURAN GEJALA PUSAT & LETAK Untuk mendapatkan gambaran yang jelas mengena suatu populas atau sampel Ukuran yang merupakan wakl kumpulan data mengena populas atau sampel
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciAPLIKASI METODE SINGULAR VALUE DECOMPOSITION(SVD) PADA SISTEM PERSAMAAN LINIER KOMPLEKS
Vol No Jurnal Sans Teknolog Industr APLIKASI METODE SINGULAR VALUE DECOMPOSITION(SVD) PADA SISTEM PERSAMAAN LINIER KOMPLEKS Ftr Aryan Dew Yulant Jurusan Matematka Fakultas Sans Teknolog UIN SUSKA Rau Emal:
Lebih terperinciBINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 BINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro Jurusan Matematka
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciBAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan
Lebih terperinciBAB 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 Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciMENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak
JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciFUNGSI BIAYA UNTUK MENENTUKAN TINGKAT PEMESANAN OPTIMUM MULTI ITEM INDEPENDEN BERDISTRIBUSI KONTINU. H. Bernik Maskun
FUNGSI BIAYA UNTUK MENENTUKAN TINGKAT PEMESANAN OPTIMUM MULTI ITEM INDEPENDEN BERDISTRIBUSI KONTINU oleh H. Bernk Maskun Departemen Statstka, FMIPA Unverstas Padjadjaran bernkmaskun69@gmal.com Abstrak
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciINFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER
Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
Lebih terperinciBAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi
BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data
Lebih terperinciAPLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K
Jurnal Matematka Murn dan Terapan Vol. 3 No. Desember 009: 4-6 APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH Yun Yulda dan Muhammad Ahsar K Program Stud Matematka Unverstas
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciPERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta
PERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1 Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Dalam menganalss hubungan antara beberapa peubah, terdapat
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciDr. Nussar Hajarisma, M.Si Jurusan Statistika Terapan Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjajaran.
STUDI SIMULASI EVALUASI KETEPATAN KLASIFIKASI INDEKS MASSA TUBUH BERDASARKAN TABEL KLASIFIKASI INDEKS MASSA TUBUH WHO DENGAN PENDEKATAN REGRESI LOGISTIK ORDINAL DAN ANALISIS DISKRIMINAN (Stud Kasus Klasfkas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinci