Analisis Regresi Multivariat Terhadap Penilaian Listening, Structure, dan Reading Pada Nilai Tes EFL Mahasiswa ITS

Ukuran: px
Mulai penontonan dengan halaman:

Download "Analisis Regresi Multivariat Terhadap Penilaian Listening, Structure, dan Reading Pada Nilai Tes EFL Mahasiswa ITS"

Transkripsi

1 JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04) (30-98X Print) D-70 Analisis Regresi Multivariat erhadap Penilaian Listening, Structure, dan Reading Pada Nilai es EFL Mahasiswa IS Heni Kartiasari (), Ismaini Zain (), Kartia Nuswantara (3) ()() Jurusan Statistia, FMIPA, Institut enologi Sepuluh Nopember (IS) (3) UP Bahasa dan Budaya, Institut enologi Sepuluh Nopember (IS) Jl. Arief Rahman Haim, Surabaya 60 Indonesia ismaini_z@statistia.its.ac.id Abstra IS adalah perguruan tinggi yang mengadopsi model tes OEFL. Sebagai upaya menguur eterampilan berbahasa Inggis mahasiswa, IS mengembangan tes dengan nama est of English as a Foreign Language yang disingat EFL dan menadi salah satu persyaratan bagi peserta yudisium atau tugas ahir. Berdasaran data inventori di UP Bahasa dan Budaya, untu mencapai nilai es EFL, mahasiswa menempuh beberapa ali tes. Dari eadian ini, disimpulan bahwa mahasiswa mengalami esulitan untu mencapai nilai minimal dengan satu ali tes, sehingga tida arang teradi penundaan yudisium. Di dalam es EFL terdapat tiga omponen penilaian yaitu Listening Comprehension, Structure and Written Expression, dan Reading Comprehension dan digunaan sebagai variabel respon. Pada penelitian ini ingin dietahui atifitas mahasiswa yang terait dengan bahasa inggris yang berhubungan dengan pencapaian nilai es EFL.Hasil penelitian menunuan ada dua fator yang memilii hubungan uat pencapaian nilai es EFL yaitu Fator Penilaian es EFL dan Riwayat Mengiuti es EFL dan ternyata Atifitas Belaar Bahasa Inggris memilii hubungan yang lemah pada pencapaian nilai es EFL mahasiswa. Kata Kunci Persyaratan, Regresi Multivariat, es EFL I. PENDAHULUAN Saat ini beberapa perguruan tinggi di Indonesia menyadari pentingnya membeali lulusannya dengan eterampilan berbahasa Inggris sebagai upaya memberian nilai tambah epada lulusannya sehingga lebih mampu bersaing di dunia era. Adapun, eterampilan berbahasa Inggris tersebut diuur dengan berbagai tes emahiran berbahasa (proficiency test), salah satunya adalah est of English as a Foreign Language (OEFL). Uian OEFL ini diselenggaraan oleh ES (Educational esting Service) di Ameria Seriat untu semua peserta tes di seluruh dunia. Pada enyataan di lapangan, tes ini banya diadopsi oleh negara-negara di luar Ameria termasu diantaranya Indonesia. IS sebagai salah satu perguruan tinggi di Indonesia yang memilii perhatian tinggi terhadap pentingnya pembealan epada lulusannya adalah perguruan tinggi yang mengadopsi model tes ini. Sebagai upaya menguur eterampilan berbahasa Inggis mahasiswa, IS mengembangan tes bernama est of English as a Foreign Languange yang disingat EFL. Untu memotivasi mahasiswa IS menadian nilai es EFL sebagai salah satu persyaratan bagi peserta yudisium atau tugas ahir []. Berdasaran data inventori di UP Bahasa dan Budaya, untu mencapai nilai minimal seperti yang disyaratan, mahasiswa menempuh beberapa ali tes. Mahasiswa yang mampu mencapai nilai minimal dengan seali tes, umlahnya tida banya. Dari eadian ini, peneliti beresimpulan bahwa mahasiswa mengalami esulitan untu mencapai nilai minimal dengan satu ali tes, sehingga tida arang teradi penundaan yudisium. Kemampuan bahasa Inggris sebenarnya dapat ditingatan dengan proses belaar bahasa Inggris yang dilauan selama peruliahan hingga menelang elulusan. Proses belaar bahasa Inggris tida hanya diperoleh dengan mengiuti egiatan belaar secara formal dan non-formal, namun dapat uga diperoleh dari atifitas sehari-hari yang beraitan dengan bahasa Inggris. Di dalam OEFL maupun es EFL terdapat tiga omponen penilaian pada metode PB yaitu Listening Comprehension, Grammar Structure and Written Expression, dan Reading Comprehension. Ketiga omponen penilaian tersebut saling beraitan satu sama lain. Penelitian oleh Aziz (0) [] dilauan dengan menguur emampuan bahasa Inggris mahasiswa berdasaran nilai OEFL dan Oxford Placement est pada emampuan Reading. Marli (009) [3] uga melauan penelitian tentang pemodelan nilai PA dan EFL mahasiswa pascasarana FMIPA IS. Pada penelitian ini ingin dietahui apaah ada hubungan dari atifitas mahasiswa terait bahasa Inggris yang terhadap emampuan mahasiswa mencapai nilai es EFL. Selain itu, ingin dietahui pula penilaian emampuan mana yang masih urang bai pada mahasiswa. Berdasaran hal ini, variabel respon yang aan digunaan adalah tiga penilaian emampuan es EFL yaitu Listening, Structure, dan Reading. Peneliti menduga bahwa etiga penilaian ini saling berorelasi satu sama lain. Oleh arena itu, metode analisis yang digunaan dalam penelitian ini adalah analisis regresi multivariat. II. INJAUAN PUSAKA A. Analisis Regresi Multivariat Dalam metode statistia untu asus yang menggunaan dua atau lebih variabel respon digunaan model regresi multivariat [4]. Misal variabel respon sebanya yaitu,,..., dan variabel preditor sebanya p yaitu X, X,..., X p, model linear regresi multivariat adalah: X 0 px p

2 D-7 X 0 p X p dengan merupaan variabel respon e-, X p merupaan variabel preditor e-p, p, p,, p merupaan parameter regresi yang nilainya belum dietahui dan adalah error. Model regresi multivariat yang terdiri atas model linear dapat ditulisan dalam bentu matris seperti persamaan (). nx Xnx p B px εnx () Dengan E i 0 Cov i, i dimana i, =,,...,. B. Penguian Korelasi Antar Variabel Respon Penguian orelasi antar variabel respon dilauan untu mengetahui apaah variabel,,..., saling berorelasi. Untu mengui orelasi antar variabel respon dapat dilauan ui Bartlett Sphericity sebagai beriut [5] : Hipotesis H 0 : R I (Antar variabel respon tida berorelasi atau bersifat independent) H : R I (Antar variabel respon berorelasi atau bersifat dependent) Statisti Ui : 5 n ln R () 6 Dimana adalah banyanya variabel respon dan ln R adalah nilai-nilai determinan matris orelasi dari masingmasing variabel respon. ola H 0 ia : yang artinya antar variabel respon berorelasi atau bersifat dependent. C. Penasiran Parameter Model Regresi Multivariat Bentu persamaan model regresi linier multivariat, nx Xnx pb px ε nx dengan dan adalah suatu matris beruuran n x, X adalah matris beruuran nx(p+) yang mempunyai X X full ran, serta B adalah suatu matris parameter beruuran (p+)x, estimasi uadrat terecil untu Bˆ adalah sebagai beriut [6]. Bˆ X X X (3) X X X y, y,, y X X X y, X X X y,, X X X y β ˆ, βˆ,, βˆ Penasir tida bias untu dalam model regresi linier multivariat adalah sebagai beriut [6] ˆ ˆ E B X S e (4) n p n p D. Penguian Signifiansi Parameter Model Regresi Multivariat Penguian signifiansi parameter ini dilauan untu mengui apaah secara eseluruhan parameter (tida termasu onstanta) telah signifian. Hipotesis yang digunaan adalah sebagai beriut [6]. H 0 : H : Paling sediit ada satu 0 Dengan p p β 0 B B p Statisti ui S pool v S l l l v l l ln M v l ln Sl vl ln S l l p 3p c l vl 6( p )( ) vl l v l n l 0 0 p E E H 0 p Bˆ pool X ny y Dimana y adalah vetor rata-rata dari matris. ola H 0 apabila,, p, n p. Nilai,, p, n p adalah tabel ritis untu Wil s lambda. E. Koefisien Determinasi Koefisien determinasi digunaan untu menguur hubungan antara variabel respon dan variabel preditor atau uuran variasi data yang dapat dielasan oleh model. Rumus yang digunaan sebagai beriut [6] : Nilai menyataan persentase dari variabel respon yang dapat dielasan oleh variabel preditor. F. Penguian Asumsi Residual Identi Asumsi yang harus dipenuhi dalam melauan pemodelan regresi multivariat adalah residual memilii matris varian-ovarian yang homogen. Untu mengui asumsi identi dalam regresi multivariat ini dapat dipergunaan statisti ui Box s M [6]. Hipotesis : H 0 : H : Minimal ada satu l untu l Statisti Ui : Dimana: u c ln M Keterangan : z = banya variabel residual. = banyanya elompo. n l = banya pengamatan pada elompo e-l. S l = matri varian ovarians dari elompo e-l. Daerah Penolaan : Gagal tola H 0 ia u atau dapat ; z z disimpulan matris varian ovarian residual bersifat homogen. (5) (6) (7)

3 JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04) (30-98X Print) D-7 G. Penguian Asumsi Residual Independen uuan dilauan penguian residual independen adalah untu mengetahui apaah orelasi antar residual bernilai 0 atau tida. Untu mengui orelasi antar residual dapat dilauan ui Bartlett Sphericity sebagai beriut [5] Hipotesis H 0 : R I (Antar variabel respon tida berorelasi atau bersifat independent) H : R I (Antar variabel respon berorelasi atau bersifat dependent) Statisti Ui : 5 n ln R (8) 6 Dimana adalah banyanya variabel respon dan ln R adalah nilai-nilai determinan matris orelasi dari masingmasing variabel respon. ola H 0 ia : yang artinya antar variabel respon berorelasi atau bersifat dependent. H. Penguian Asumsi Residual Berdistribusi Normal Multivariat Asumsi yang uga diperluan dalam regresi multivariat adalah vetor residual mengiuti distribusi normal multivariat. Salah satu cara dengan meng ara uadrat pada setiap pengamatan. Penguian distribusi normal multivariat dengan menggunaan plot [4]. Statisti ui : d εˆ ε S εˆ ε dengan : ˆ = vetor residual e-; =,,..., n. = rata-rata residual setiap olom matris residual S = invers matri varian-ovarian. Gagal tola H 0 ia hasil - plot nilai dari d minimal atau lebih dari 50% yang memilii nilai d ( ;0,5) dimana ( ;0,5) dengan adalah banyanya variabel respon. I. Analisi Fator Analisis fator [4] pada penelitian ini digunaan untu meredusi variabel dengan cara menyataan variabel asal sebagai ombinasi linear seumlah fator sedemiian hingga, seumlah fator tersebut mampu menelasan sebesar mungin eragaman data yang dielasan oleh variabel asal. Ada asumsi yang harus dipenuhi, yaitu ui ecuupan data yang dilauan dengan ui Kaiser Meyer Olin (KMO) dan orelasi antar variabel secara multivariat yang dilauan dengan ui Bartlett. Hipotesis dari KMO H 0 : Korelasi parsial dari data cuup untu difatoran. H : Korelasi parsial dari data tida cuup untu difatoran. KMO p p ri i ola H 0 apabila nilai KMO < 0,5 Hipotesis Ui Bartlett H 0 : R I H : R I p p ri i p p ai i (9) (0) ola H 0 ia variabel saling berorelasi. 5 n ln R 6 yang artinya antar : J. est of English as a Foreign Language (OEFL) OEFL sendiri sudah beberapa ali mengalami penyempurnaan oleh ES [7]. Bentu-bentu OEFL yang sudah diperenalan yaitu : a. Paper Based OEFL (PB), tes ini menggunaan lembar awaban ertas dan diawab memaai pensil. PB terdiri dari Listening, Structure, dan Reading dengan nilai minimum 30 dan nilai masimum 677. b. Computer Based OEFL (CB), tes ini menggunaan omputer dengan perangat luna resmi dari ES. CB terdiri dari Listening, Structure, Reading, dan Writing dengan nilai minimum nol dan nilai masimum 30. c. Internet Based OEFL (ib), tes ini dilauan pada omputer namun dengan sistem online dengan soal-soal tes yang langsung disediaan oleh ES. IB terdiri dari Listening, Structure, Reading, Writing, dan Speaing dengan nilai masimum 0. es EFL adalah salah satu bentu tes profisiensi bahasa Inggis yang diembangan IS. es EFL IS merupaan tes yang formatnya diturunan dari model tes terstandar, OEFL, menggunaan Paper Based est (PB). Seperti yang telah dielasan sebelumnya, PB terdiri dari tiga omponen penilaian yaitu Listening, Structure, dan Reading. Nilai es EFL inilah yang digunaan secara internal sebagai syarat elulusan mahasiswa. K. Atifitas ang Dapat Meningatan Kemampuan OEFL Salah satu cara agar belaar bahas inggris secara rutin adalah dengan melauan atifitas yang beraitan dengan bahasa inggris. Beriut ini adalah contoh atifitas-atifitas bahasa inggris.. Atifitas Listening Kemampuan Listening dapat dilatih dengan melauan egiatan-egiatan mendengaran dengan bahasa inggris. Misalnya, dengan menonton film bahasa Inggris dan uga dengan mendengar lagu atau siaran radio bahasa. Selain tiga egiatan tersebut, dapat uga dengan melihat tayangan televisi yang berbahasa inggris seperti Discovery Channel dan National Geographic. Berlatih soal Listening OEFL dan melihat berita berbahasa inggris uga dapat membantu membiasaan diri dengan pelafalan ata atau alimat bahasa inggris inggris [8]. Atifitas Belaar Structure Meningatan emampuan Structure dapat dilatih dengan cara sering berlatih soal-soal OEFL. Setelah menawab soal OEFL pastian dicocoan dengan unci awabannya lalu ulas embali materi tersebut. Membaca dan membuat catatan tentang Grammar Structure uga dapat membantu meningatan emampuan Structure, dapat uga dengan membuat tulisan-tulisan seperti cerita sehari-hari di buu atau pada blog. Dari membuat tulisan-tulisan bahasa inggris ini merupaan prati langsung emampuan Structure [9]. 3. Atifitas Reading Rain membaca adalah atifitas penting yang dapat meningatan emampuan Reading. Atifitas membaca

4 D-73 seperti membaca oran atau maalah bahasa inggris dan membaca artiel di internet yang berbahasa inggris dapat menambah osa ata baru dan membiasaan diri dengan alimat-alimat bahasa inggris [0]. Membaca urnal internasional atau buu uliah yang berbahasa inggris dapat membuat seseorang terbiasa dengan bacaan yang formal atau ilmiah. Dari membaca novel atau omi berbahasa inggris uga dapat melatih emampuan menawab soal OEFL sesi Reading Comprehension III. MEODOLOGI PENELIIAN A. Sumber Data Penelitian ini menggunan data primer dengan melauan survey terhadap mahasiswa IS angatan 00 dari lima faultas yaitu FMIPA, FI, FSP, FK, dan FIf, digunaan uga data seunder berupa data umlah mahasiswa IS S angatan 00 yang belum lulus es EFL dan sudah pernah tes minimal ali. B. Metode Rancangan Sampling eni sampling yang digunaan adalah sampling aca sederhana dengan menentuan umlah sampel responden berdasaran probabilitas pada populasi. Rumus yang digunaan adalah sebagai beriut. Np B n D (9) N D p Z Jumlah populasi mahasiswa sebanya 753 dengan nilai p dan sebesar 0,6 dan 0,4, nilai B sebesar 0,098 diperoleh umlah sampel yang diambil adalah 86 mahasiswa. C. Variabel Penelitian Dalam penelitian ini digunaan variabel demografi mahasiswa dan variabel penunang yaitu berupa riwayat pembelaaran bahasa inggris mahasiswa. Variabel respon yang digunaan dalam penelitian adalah nilai es EFL yang meliputi tiga omponen yaitu Listening ( ), Structure ( ), dan Reading ( 3 ). Adapun variabel preditor yang digunaan adalah IPK (X ), IPS Semester 6 (X ), IPS Semester 7 (X 3 ), Nilai Bahasa Inggris (X 4 ), Lama belaar (X 5 ), Nilai es EFL mahasiswa baru (X 6 ), Nilai es EFL awal (X 7 ), Nilai es EFL terahir (X 8 ), freuensi es EFL (X 9 ), Sor atifitas Listening (X 0 ), Sor atifitas Structure (X ), dan Sor atifitas Reading (X ). D. Metode Analisis Data Metode analisis yang digunaan dalam penelitian sebagai beriut.. Melauan ui validitas dan realibilitas terhadap hasil uesioner.. Mengidentifiasi arateristi mahasiswa dan nilai es EFL mahasiswa dengan statistia desriptif. 3. Memodelan variabel-variabel yang berpengaruh terhadap nilai Listening, Structure, dan Reading mahasiswa menggunaan regresi multivariat, dengan analisis sebagai beriut : a. Melauan ui orelasi antar variabel respon dengan menggunaan ui barlett. Jia terbuti ada orelasi maa analisis dapat dilanutan dengan metode multivariat b. Melauan penguian estimasi parameter model regresi multivariat c. Melauan penguian signifiasi parameter secara serenta dan parsial pada model regresi multivariat d. Melauan penguian asumsi residual identi, independen, dan berdistribusi multivariat normal e. Menentuan model regresi multivariat antara variabel respon dengan variabel preditor yang telah signifian f. Menginterpretasian model regresi multivariat IV. HASIL DAN PEMBAHASAN A. Karateristi Responden Berdasaran data sampel yang diperoleh, mahasiswa yang belum lulus es EFL 53% mahasiswa lai-lai, dan 47% mahasiswa perempuan. Sebesar 56% responden berasal dari luar Surabaya namun masih lingup Jawa imur, 4% berasal dari Surabaya, dan 0% dari luar Jawa imur. Dari persentase asal daerah dapat dielasan 74% memilih ost atau ontra dan 6% tinggal di rumah sendiri atau rumah saudara. Dari latar belaang seolah menunuan mahasiswa dengan alur masu SNMPN/PMDK Reguler sebanya 39%, mahasiswa dengan alur masu SBMPN/Uian ulis sebesar 35%, dan 6% dari alur masu Kemitraan/Mandiri. Mahasiswa yang berasal dari SMA sebesar 86%, MA sebesar 8%, dan SMK sebesar 6%. Sebesar 79% mahasiswa berasal dari seolah Negeri dan sisanya % berasal dari seolah Swasta. Berdasaran variabel penunang menunuan 49% mahasiswa menggunaan buu uliah berbahasa inggris dan 5% menyataan tida menggunaan buu uliah berbahasa inggris. Sebesar 90% mahasiswa menyataan pernah mendapat tugas yang berbahasa inggris, 64% darinya menyataan enis tugas berupa mereview urnal bahasa inggris, 5% persentasi dalam bahasa inggris, 3% membuat maalah bahasa inggris, dan 8% adalah tugas lainnya. Sebanya 66% mahasiswa menyataan tida pernah mengiuti ursus bahasa inggris. Dari mahasiswa yang mengiuti ursus bahasa inggris sebesar 7% mengiuti program persiapan es EFL dan 8% mengiuti ursus di luar IS. Mahasiswa yang tida mengiuti ursus memilii alasan yaitu sebesar 35% tida berminat, 44% tida ada watu luang, dan % tida ada biaya untu ursus. Berdasaran survey, sebesar 54% mahasiswa menganggap Listening yang paling sulit, emudian disusul dengan Structure sebesar 9%, dan Reading sebesar 7%. Pada abel disaian statistia desriptif omponen penilaian es EFL yaitu Listening, Structure, dan Reading. abel. Desriptif Komponen Nilai es EFL Variabel Rata-rata Masimum Minimum Varians Listening 4, ,80 Structure 4, ,55 Reading 46, ,497 abel menunuan rata-rata nilai Listening mahasiswa adalah yang paling rendah dan Reading yang paling tinggi. Hal ini berarti mahasiswa lebih bai etia mengeraan soal-soal Reading. Varians tertinggi ada pada variabel Reading dan variansi terendah pada variabel Structure. Dari nilai varians berarti nilai Reading lebih beragam dibandingan nilai Structure yang mana uga berarti emampuan mahasiswa pada structure cenderung lebih homogen. Pada abel disaian statistia desriptif sor atifitas Listening, Structure, dan Reading. abel Desriptif Sor Atifitas Listening, Structure, dan Reading Atifitas Rata-rata Masimum Minimum Varians Listening 48, ,7 Structure 46, ,466 Reading 44, ,077

5 JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04) (30-98X Print) D-74 abel 3 menunuan isaran sor atifitas Listening, Structure, dan Reading. Rata-rata sor atifitas Reading mahasiswa adalah yang paling rendah ia dibandingan dengan rata-rata sor atifitas Listening dan Structure. Ratarata nilai Listening ustru yang paling tinggi daripada nilai Structure dan Reading. Hal ini mengindiasian bahwa mahasiswa cenderung lebih banya memilii atifitas yang beraitan dengan Listening. Variansi tertinggi ada pada sor atiftas Structure dengan 6,466 dan variansi terendah pada sor atifitas Reading yaitu sebesar 45,077. Dari nilai variansi dapat diataan bahwa atifitas Structure mahasiswa lebih beragam ia dibandingan dengan atiftas Reading. B. Pemodelan Komponen Nilai es EFL dengan Fator- Fator ang mempengaruhinya Asumsi adanya orelasi antar variabel respon harus terpenuhi sebelum melauan regresi multivariat. Hasil penguian dapat dilihat pada abel 3. abel 3. Ui KMO dan Bartlett KMO 0,53 Bartlett s est of Sphericity Chi-Suare 6,864 df 3 p-value 0,076 abel 3 menunuan nilai 0,;3 (6,5) maa dapat diambil eputusan tola H 0 yang artinya antar variabel respon terdapat orelasi yang signifian. Korelasi multivariat yang signifian antara dengan 3 dan dengan 3, sedangan pada variabel respon dengan tida terdapat orelasi yang signifian, sehingga dilauan analisis fator. Dari hasil analisis fator dihasilan fator yaitu Fator ( F ) dibentu oleh variabel respon dan 3 dengan ontribusi terbesar adalah, Fator ( F ) dibentu oleh variabel respon. Kemudian dilauan analisis regresi multivariat antara variabel respon ( F dan F ) dan variabel preditor dan didapatan banya variabel preditor yang tida signifian, dan diduga terdapat orelasi antar variabel preditor, maa diputusan melauan redusi variabel dengan analisis fator. Sebelum melauan analisis fator ada asumsi yang harus dipenuhi yaitu syarat ecuupan data dan ada orelasi antar variabel. Hasil penguian tersai pada abel 4. abel 4. Ui Bartlett KMO 0,537 Bartlett s est of Sphericity Chi-Suare 85,993 df 66 p-value 0,000 Dari abel 4 menunuan nilai KMO sudah lebih besar dari 0,5 dan hasil Ui Bartlett didapatan nilai p-value sebesar 0,000 yang artinya terdapat orelasi yang signifian antar variabel preditor sehingga data sudah laya untu difatoran. Dari hasil analisis fator menghasilan 5 fator baru antara lain, fator dibentu dari variabel X (IPK), X (IPS Semester 6), dan X 3 (IPS Semester 7) sehingga fator diberi nama Kemampuan Aademi. Fator dibentu dari variabel X 0 (Sor Atifitas Listening), X (Sor Atifitas Structure), dan X (Sor Atifitas Reading) sehingga fator diberi nama Atifitas Belaar Bahasa Inggris. Pada fator 3 dibentu dari variabel X 7 (Nilai es EFL Awal) dan X 8 (Nilai es EFL erahir) sehingga fator 3 diberi nama Penilaian es EFL. Fator 4 dibentu dari variabel X 4 (Nilai mata uliah Bahasa Inggris) dan X 5 (Lama belaar) sehingga fator 4 diberi nama Kegiatan Aademi. Fator 5 dibentu oleh variabel X 6 (Nilai es EFL mahasiswa baru) dan X 9 (Freuensi es EFL) sehingga fator 5 diberi nama Riwayat Mengiuti es EFL. Dilauan regresi multivariat dengan 5 fator yang sudah terbentu. Regresi multivariat dilauan dengan menggunaan factor scores, abel 5 menunuan hasil estimasi parameter regresi multivariat dengan 5 fator. Variabel Dependent F F abel 5. Estimasi Parameter Parameter B Std. Error t p-value Intercept -7, ,08 0,000,000 F 0,035 0,08 0,43 0,673 F 0,3 0,08,66 0,0 F 3 0,638 0,08 7,806 0,000 F 4 0,08 0,08,35 0,89 F 5 0,70 0,08,080 0,04 Intercept -4, ,090 0,000,000 F 0,04 0,09 0,50 0,88 F -0,048 0,09-0,530 0,597 F 3 0,56 0,09 6,78 0,000 F 4-0, 0,09 -,34 0,83 F 5 0,079 0,09 0,865 0,390 Dari abel 5 diperoleh model regresi multivariat F = -7, ,035 F + 0,37 F + 0,638 F 3 + 0,08 F 4 + 0,7 F 5 F = -4, ,04 F - 0,048 F + 0,56 F 3-0, F 4 + 0,079 F 5 Dari abel 5 uga dapat dietahui fator-fator yang signifian terhadap model. Pada variabel respon F dietahui fator yang signifian adalah F 3 atau Fator 3 yaitu Penilaian es EFL dan F 5 atau fator 5 yaitu Riwayat Mengiuti es EFL. Pada variabel respon F terdapat fator yang signifian adalah F 3 atau Fator 3 yaitu Penilaian es EFL. Dari fator yang signifian dapat diataan bahwa untu meningatan nilai F atau nilai emampuan Listening dan Reading es EFL bisa dengan cara mengiuti es EFL secara berala, sedangan untu meningatan emampuan Structure tida cuup hanya dengan mengiuti es EFL secara berala tetapi uga dengan proses belaar yang bai dan panang untu mencapai nilai Structure yang lebih bai, hal ini dapat dilihat dari oefisien pada Fator 3 (F 3 ) pada model regresi multivariat F yang lebih ecil dari oefisien Fator 3 (F 3 ) pada model regresi F. Dari hasil regresi multivariat uga dapat diataan bahwa Kemampuan Aademi, Atifitas Belaar Bahasa Inggris, Kegiatan Aademi memilii hubungan yang lemah terhadap nilai F atau nilai Listening dan Reading es EFL yang berarti Kemampuan Aademi, Atifitas Belaar Bahasa Inggris, Kegiatan Aademi memilii hubungan yang lemah terhadap nilai Listening dan Reading mahasiswa, sedangan Kemampuan Aademi, Atifitas Belaar Bahasa Inggris, Kegiatan Aademi, dan Riwayat Mengiuti es EFL memilii hubungan yang lemah terhadap nilai F atau nilai Structure mahasiswa. Penguian beriutnya dilauan dengan mengui secara multivaritat. H 0 : 5 5= 0 H : Paling sediit ada satu 0 p Penguian dilauan dengan membandingan nilai dengan distribusi wil s lambda,, p, n p.

6 D-75 45,39 9, ,955 56,9 5,78.0 5, ,000 Didapatan nilai adalah 0,884, emudian dibandingan dengan nilai tabel ritis Wil s Lambda 0,05,,5,80 yaitu 0,79, arena nilai 0,05,,5,, maa 80 tola H 0, sehingga dihasilan paling sediit ada satu parameter yang signifian terhadap model atau terhadap nilai F dan F. Beriutnya dilauan penguian secara parsial multivariat. Hasil statisti ui disaian pada abel 6. abel 6. Ui Signifiansi Parameter Parameter Wil s Lambda P-value 0 0 0,000, , 0,8 8 8,43 0, ,05 0, ,0 0,337 Dari abel 6 didapatan informasi bahwa dengan menggunaan ui Wil s Lambda ternyata fator 3 yaitu Penilaian es EFL dan fator 5 yaitu Riwayat Mengiuti es EFL signifian secara parsial multivariat terhadap variabel respon. Besarnya hubungan antara variabel respon dan variabel preditor, diperoleh nilai = - 0,884 = 0,776. Hal ini dapat diataan variabel preditor dapat menelasan 77,% variasi pada model. Asumsi lain yang harus dipenuhi dalam pemodelan regresi multivariat adalah residual identi, residual independen, dan residual berdistribusi multivariat. Penguian asumsi residual identi dalam regresi multivariat ini digunaan statisti ui Box s M [4]. Nilai statisti ui Box s- M adalah 0,9 < tabel yaitu 0,; = 8,55 dan p-value > α (0,) yaitu sebesar 0,647, sehingga matris varian ovarian residual homogen atau identi. Asumsi residual independen diui menggunaan Ui Bartlett. Pada Ui Bartlett dihasilan p-value sebesar 0,000 lebih ecil dari alpha 0, sehingga dapat diataan residual dari regresi multivariat nilai F dan F tida independen. Selanutnya dilauan pemerisaan residual berdistribusi normal. Hasil - plot nilai d menunuan lebih dari 50% yang memilii nilai d (3;0,5) sebesar 59,3%. sehingga gagal tola H 0, berarti residual berdistribusi normal multivariat. 5 0,884 menadi mahasiswa dan menambahan atifitas mahasiswa dalam upaya meningatan emampuan Listening, Grammar, dan Reading. Bagi mahasiswa sebainya mempersiapan diri lebih awal untu es EFL, untu meningatan emampuan Listening dan Reading dapat mengiuti es EFL secara berala atau berlatih soal tes yang serupa, dapat uga dengan seing mendengaran dan atau membaca hal-hal yang berbahasa Inggris. Untu meningatan emampuan Structure, selain dengan mengiuti es EFL secara berala dapat uga melalui proses belaar misalnya mengiuti ursus Bahasa Inggris atau program persiapan es EFL. DAFAR PUSAKA [] Peraturan Aademi. (009). Peraturan Aademi Institut enologi Sepuluh Nopember. Surabaya: IS Press [] Aziz, A. (0). Metode CHAID Untu Melihat Fator- Fator ang Mempengaruhi Penguasaan Bahasa Inggris Mahasiswa Semester Ahir SIE Swadaya [3] Marli. (009). Pemilihan Model Pada Regresi Multivariat Dengan Menggunaan AIC dan AICc Studi Kasus : Pemodelan Sor PA dan OEFL di FMIPA Program Magister Pascasarana IS Surabaya. Surabaya: esis Institut enologi Sepuluh Nopember. [4] Johnson, R. A., & Wichern, D. W. (007). Applied Multivariate Statistical Analysis sixth edition. New Jersey: Prentice Hall. [5] Morrison, D. F. (005). Multivariate Statistical Methods, fourth edition. he Wharton School University of Pennsylvania. [6] Rencher, A. C. (00). Methods of Multivariate Analysis second edition. New or: John Wiley and Sons. [7] Educational esting Service. (04). OEFL diambil dari ES: dipeti Maret WIB. [8] EF. (04). English Study-Listening diambil dari dipeti Juni WIB. [9] EF. (04). ips Lancar Menulis Dalam Bahasa Inggris diambil dari englishstudy/ bahasa-inggris/tips-lancar-menulis-dalam-bahasa-inggris.aspx dipeti Juni WIB [0] SOON. (04). How to Improve our English diambil dari dipeti Juni WIB. V. KESIMPULAN DAN SARAN Untu meningatan nilai F atau nilai emampuan Listening dan Reading es EFL bisa dengan cara mengiuti es EFL secara berala ataupun berlatih mengeraan tes yang serupa terutama pada sesi emampuan Listening dan Reading, sedangan untu meningatan emampuan Structure tida cuup hanya dengan mengiuti es EFL secara berala tetapi uga dengan proses belaar yang bai dan panang untu mencapai nilai Structure yang lebih bai, misalnya dengan mengiuti ursus Bahasa Inggris atau program persiapan es EFL yang diadaan UP Bahasa dan Budaya IS. Untu penelitian selanutnya dianuran mengai riwayat pembelaaran bahasa Inggris sebelum

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN 36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye

Lebih terperinci

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.

Lebih terperinci

PEMODELAN FAKTOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA TIMUR MENGGUNAKAN REGRESI POISSON BIVARIAT

PEMODELAN FAKTOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA TIMUR MENGGUNAKAN REGRESI POISSON BIVARIAT PEMODELAN FAKOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA IMUR MENGGUNAKAN REGRESI POISSON BIVARIA Novi ri Ratnasari, Purhadi Jurusan Statistia, Faultas MIPA, Institut enologi Sepuluh Nopember

Lebih terperinci

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat

Lebih terperinci

ANALISIS VARIANSI (ANOVA)

ANALISIS VARIANSI (ANOVA) ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t

Lebih terperinci

BAB 3 PRINSIP SANGKAR BURUNG MERPATI

BAB 3 PRINSIP SANGKAR BURUNG MERPATI BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana

Lebih terperinci

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang

Lebih terperinci

BAB IV APLIKASI PADA MATRIKS STOKASTIK

BAB IV APLIKASI PADA MATRIKS STOKASTIK BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii

Lebih terperinci

Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur

Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,

Lebih terperinci

UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure

UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure 8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher

Lebih terperinci

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan

Lebih terperinci

PEMODELAN IPM PROVINSI JAWA TIMUR, JAWA TENGAH, JAWA BARAT DAN SUMATERA UTARA DENGAN METODE REGRESI LOGISTIK ORDINAL

PEMODELAN IPM PROVINSI JAWA TIMUR, JAWA TENGAH, JAWA BARAT DAN SUMATERA UTARA DENGAN METODE REGRESI LOGISTIK ORDINAL PEMODELAN IPM PROVINSI AWA IMUR, AWA ENGAH, AWA BARA DAN SUMAERA UARA DENGAN MEODE REGRESI LOGISIK ORDINAL Citra Fatimah Nur dan Purhadi Mahasiswa urusan Statistia, Institut enologi Sepuluh Nopember Kampus

Lebih terperinci

Pendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur

Pendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur JURNAL SAINS DAN SENI POMITS Vol., No., (0) -50 (0-9X Print) D- Pendeatan Regresi Nonparametri Spline Untu Pemodelan Laju Pertumbuhan Eonomi (LPE) di Jawa Timur Elfrida Kurnia Litawati dan I Nyoman Budiantara

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,

Lebih terperinci

KORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak

KORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.

Lebih terperinci

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode 3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.

Lebih terperinci

TUGAS I RANCANGAN PERCOBAAN BAB I

TUGAS I RANCANGAN PERCOBAAN BAB I TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data

Lebih terperinci

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan

Lebih terperinci

BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING

BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan

Lebih terperinci

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan

Lebih terperinci

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia

Lebih terperinci

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau

Lebih terperinci

III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT

III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series) III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut

Lebih terperinci

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

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 5, Halaman 87-93 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PENERAPAN FORMULA BENEISH M-SCORE DAN ANALISIS DISKRIMINAN LINIER UNTUK

Lebih terperinci

OPTIMASI FORMULA ADHESIVE PADA POLYVINYL CHLORIDE FILM PRODUKSI DI PT KARYATERANG SEDATI DENGAN METODE RESPON SURFACE

OPTIMASI FORMULA ADHESIVE PADA POLYVINYL CHLORIDE FILM PRODUKSI DI PT KARYATERANG SEDATI DENGAN METODE RESPON SURFACE OPTIMASI FORMULA ADHESIVE PADA POLYVINYL CHLORIDE FILM PRODUKSI DI PT KARYATERANG SEDATI DENGAN METODE RESPON SURFACE Shabira Mayestia Alfath, Muhammad Sahid Abar, Adatul Muarromah 3 Mahasiswa S Statistia

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI YANG TIDAK LINIER DENGAN ANALISIS REGRESI FOURIER

BAB III MENYELESAIKAN MASALAH REGRESI YANG TIDAK LINIER DENGAN ANALISIS REGRESI FOURIER BAB III MENYELESAIKAN MASALAH REGRESI YANG TIAK LINIER ENGAN ANALISIS REGRESI FOURIER 3.1 Pengantar Model ARIMA digunaan untu analisis data deret watu pada ategori data berala tunggal, atau sering diategorian

Lebih terperinci

JMP : Volume 6 Nomor 1, Juni 2014, hal REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP

JMP : Volume 6 Nomor 1, Juni 2014, hal REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP JMP : Volume 6 Nomor 1, Juni 014, hal. 45-5 REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP Saniyah dan Budi Pratikno Program Studi Matematika Fakultas Sains dan Teknik Universitas

Lebih terperinci

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH) Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/

Lebih terperinci

Model Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan

Model Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan Model Geographically Weighted Negative Binomial Regression (GWNBR) untu Data Kejahatan (Studi Kasus 38 Kabupaten/Kota di Jawa Timur) Herlin Venny Johannes 1,a), Septiadi Padmadisastra,b), Bertho Tantular

Lebih terperinci

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership

Lebih terperinci

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam

Lebih terperinci

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan

Lebih terperinci

Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman

Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,

Lebih terperinci

Uji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group

Uji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:

Lebih terperinci

PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya

Lebih terperinci

Aplikasi diagonalisasi matriks pada rantai Markov

Aplikasi diagonalisasi matriks pada rantai Markov J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan

Lebih terperinci

PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)

PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung) ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL

Lebih terperinci

KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE

KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108

Lebih terperinci

PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB

PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat

Lebih terperinci

MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM

MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract

Lebih terperinci

BAB III METODE SCHNABEL

BAB III METODE SCHNABEL BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan

Lebih terperinci

II. DASAR TEORI I. PENDAHULUAN

II. DASAR TEORI I. PENDAHULUAN IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam

Lebih terperinci

Analisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus

Analisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus Jurnal Teni Industri, Vol.1, No., Juni 013, pp.96-101 ISSN 30-495X Analisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus Apriyani 1, Shanti Kirana Anggaraeni,

Lebih terperinci

Studi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya

Studi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id

Lebih terperinci

PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER

PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya

Lebih terperinci

STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT

STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

BAB III MODEL KANAL WIRELESS

BAB III MODEL KANAL WIRELESS BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem

Lebih terperinci

Pengenalan Pola. Klasifikasi Linear Discriminant Analysis

Pengenalan Pola. Klasifikasi Linear Discriminant Analysis Pengenalan Pola Klasifiasi Linear Discriminant Analysis PTIIK - 2014 Course Contents 1 Analisis Disriminan 2 Linear Classification 3 Linear Discriminant Analysis (LDA 4 Studi Kasus dan Latihan Analisis

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belaang Industri sepeda motor nasional merupaan industri yang masih terus mengalami pertumbuhan. Berdasaran data dari AISI (Asosiasi Industri Sepedamotor Indonesia) tingat produsi

Lebih terperinci

HUBUNGAN PENERAPAN KAWASAN TANPA ROKOK (KTR) DENGAN PERILAKU MEROKOK MAHASISWA KESEHATAN MASYARAKAT DI KOTA SEMARANG

HUBUNGAN PENERAPAN KAWASAN TANPA ROKOK (KTR) DENGAN PERILAKU MEROKOK MAHASISWA KESEHATAN MASYARAKAT DI KOTA SEMARANG Volume, Nomor, Juli 6 (ISSN: 56-6) HUBUNGAN PENERAPAN KAWASAN TANPA ROKOK (KTR) DENGAN PERILAKU MEROKOK MAHASISWA KESEHATAN MASYARAKAT DI KOTA SEMARANG Firnanda Zia Azmi *) Tinu Istiarti **) Kusyogo Cahyo

Lebih terperinci

ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT

ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry

Lebih terperinci

BAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.

BAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT. BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas

Lebih terperinci

PENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA

PENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA PENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA Adam Husaien Faultas Eonomi Manajemen Unversitas 17 agustus 1945,Samarinda Indonesia

Lebih terperinci

ESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)

ESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR) SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi

Lebih terperinci

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA 1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii

Lebih terperinci

ANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution

ANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution Jurnal Bareeng Vol. 8 No. Hal. 5 0 (04) ANALISIS PRBANDINGAN OMULAN TRHADAP BBRAPA JNIS DISTRIBUSI HUSUS Analysis of Comulans Comparative on some Types of Special Distribution ABRAHAM ZACARIA WATTIMNA,

Lebih terperinci

Penggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler

Penggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,

Lebih terperinci

4 Departemen Statistika FMIPA IPB

4 Departemen Statistika FMIPA IPB Suplemen Responsi Petemuan ANALISIS DATA KATEGORIK (STK351) 4 Depatemen Statistia FMIPA IPB Poo Bahasan Sub Poo Bahasan Refeensi Watu Ui Hipotesis Tiga Contoh atau Lebih Ui Fiedman (analisis agam dua-aah

Lebih terperinci

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu

Lebih terperinci

Analisis Varians = Analysis of Variance = ANOVA

Analisis Varians = Analysis of Variance = ANOVA Analisis Varians Analysis of Variance ANOVA. Pendahuluan. Distribusi F χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A. Fisher.

Lebih terperinci

KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009

KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009 KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 009 Furqan Qadarisman, dan Dwiatmono Agus W. Jurusan Statistia Institut Tenologi Sepuluh Nopember (ITS) Surabaya

Lebih terperinci

BAB 2 TEORI PENUNJANG

BAB 2 TEORI PENUNJANG BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan

Lebih terperinci

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas

Lebih terperinci

PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA

PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA Farida Huriawati 1), Purwandari 1,2), Intan Permatasari 1,3) 1,2,3 Program Studi Pendidian

Lebih terperinci

Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter

Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B

Lebih terperinci

PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN

PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi

Lebih terperinci

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3

Lebih terperinci

Sistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation

Sistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN

BAB 4 HASIL DAN PEMBAHASAN BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15

Lebih terperinci

Analisis Varians = Analysis of Variance = ANOVA

Analisis Varians = Analysis of Variance = ANOVA . Pendahuluan. Distribusi F Analisis Varians Analysis of Variance ANOVA χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A.

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.

Lebih terperinci

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK

Lebih terperinci

Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming

Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul

Lebih terperinci

Kata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan

Kata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro

Lebih terperinci

KINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB 2012

KINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB 2012 KINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB Konsep Kinetia/ Laju Reasi Laju reasi menyataan laju perubahan onsentrasi zat-zat omponen reasi setiap satuan watu: V [ M ] t Laju pengurangan onsentrasi

Lebih terperinci

Estimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga

Estimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,

Lebih terperinci

ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR

ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR Rosy Riskiyanti 1308.100.508 Dosen Pembimbing Ir. Sri Pingit Wulandari, M.Si Latar Belakang

Lebih terperinci

PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:

PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh: 1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN

Lebih terperinci

MENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL

MENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL MENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL Sarta Meliana 1, Mashadi 2, Sri Gemawati 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER(RPS) PROGRAM STUDI STATISTIKA

RENCANA PEMBELAJARAN SEMESTER(RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH RENCANA PEMBELAJARAN SEMESTER(RPS) PROGRAM STUDI STATISTIKA Nama Mata Kuliah : Statistia Pengendalian Mutu Lanjutan Kode/ss : MAS 4136/3 Semester : V Status (Wajib/Pilihan) : Pilihan (P)

Lebih terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH

BAB 3 LANGKAH PEMECAHAN MASALAH BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti

Lebih terperinci

3. Sebaran Peluang Diskrit

3. Sebaran Peluang Diskrit 3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.

Lebih terperinci

Variasi Spline Kubik untuk Animasi Model Wajah 3D

Variasi Spline Kubik untuk Animasi Model Wajah 3D Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,

Lebih terperinci

RINGKASAN SKRIPSI MODUL PERKALIAN

RINGKASAN SKRIPSI MODUL PERKALIAN RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN

Lebih terperinci

MODEL OPTIMASI PEMETAAN MATA KULIAH BERPRASYARAT UNTUK RENCANA STUDI MAHASISWA (STUDI KASUS PROGRAM STUDI MATEMATIKA FMIPA UT)

MODEL OPTIMASI PEMETAAN MATA KULIAH BERPRASYARAT UNTUK RENCANA STUDI MAHASISWA (STUDI KASUS PROGRAM STUDI MATEMATIKA FMIPA UT) MODEL OPTIMASI PEMETAAN MATA KULIAH BERPRASYARAT UNTUK RENCANA STUDI MAHASISWA (STUDI KASUS PROGRAM STUDI MATEMATIKA FMIPA UT) Asmara Iriani Tarigan (asmara@ut.ac.id) Sitta Alief Farihati Jurusan Matematia

Lebih terperinci

BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman

BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.

Lebih terperinci

BAB II PENGENALAN WAJAH

BAB II PENGENALAN WAJAH BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan

Lebih terperinci

Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan

Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Sri Arttini Dwi Prasetyowati 1), Adhi Susanto ), homas Sriwidodo ), Jazi Eo Istiyanto 3)

Lebih terperinci

Analisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network

Analisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,

Lebih terperinci

PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT

PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium

Lebih terperinci