BAB II LANDASAN TEORI. 2.1 Uji Hipotesis
|
|
- Siska Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI Pada bab ini akan dibahas tentang pengujian hipotesis, metode klasifikasi berstruktur pohon, metode-metode statistika yang menjadi dasar pada metode QUEST, dan algoritme QUEST..1 Uji Hipotesis Ilmu statistika adalah ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan data, penyajian, analisis dan penafsiran data. secara umum, ilmu statistika dapat dikelompokkan menjadi dua kelompok, yaitu statistika deskriptif dan statistik inferensia. Statistika deskriptif merupakan metode-metode yang berkaitan dengan pengumpulan dan penyajian data sehingga memberikan informasi yang berguna, sedangkan statistika inferensia merupakan semua metode yang berhubungan dengan analisis sebagian data sehingga sampai pada penarikan kesimpulan mengenai keseluruhan data. Statistika inferensia dapat dilakukan dengan beberapa metode. Salah satunya adalah dengan pengujian hipotesis. Pengujian hipotesis adalah metode perumusan sejumlah kaidah yang akan menghasilkan suatu kesimpulan untuk menerima atau menolak suatu pernyataan tertentu. Langkah-langkah pengujian hipotesis dapat dibuat seperti berikut 1. Rumuskan hipotesis Hipotesis adalah pernyataan awal yang akan diuji dalam suatu pengujian hipotesis. Hipotesis awal (H 0 ) adalah hipotesis yang dirumuskan dengan harapan akan ditolak. Hipotesis alternatif (H 1 ) adalah hipotesis yang dirumuskan dengan harapan akan diterima.. Tetapkan taraf nyata pengujian ( ) merupakan galat pengujian dengan kesalahan jenis I, yaitu kesalahan karena menolak hipotesis awal yang benar. 4
2 3. Pilih statistik yang sesuai Statistik uji adalah nilai yang diambil dari data dan digunakan sebagai dasar menerima atau menolak hipotesis awal. 4. Tentukan titik kritis Titik kritis adalah suatu nilai yang menjadi batas untuk menerima atau menolak hipotesis awal. 5. Tentukan nilai statistik uji Nilai statistik uji diambil berdasarkan data. 6. Kesimpulan Jika statistik uji berada pada daerah kritis maka hipotesis awal ditolak. Jika statistik uji berada pada daerah penerimaan maka hipotesis awal diterima. Penarikan kesimpulan juga dapat dilakukan dengan membandingkan nilai dengan nilai p, yaitu jika p < maka hipotesis awal ditolak dan jika p > maka hipotesis awal diterima.. Metode Klasifikasi Berstruktur Pohon Dalam statistika, terdapat berbagai metode yang dapat digunakan dalam menarik kesimpulan mengenai hubungan antara suatu variabel respon dengan beberapa variabel bebas. Jika variabel respon berupa data kuantitatif maka analisis mengenai hubungan variabel bebas dan respon biasanya dilakukan melalui analisis regresi biasa. Namun, bila variabel respon merupakan data kualitatif maka analisis mengenai hubungan variabel bebas dan respon salah satunya dapat dilakukan melalui teknik klasifikasi. Metode klasifikasi berstruktur pohon merupakan metode statistika yang digunakan untuk memperkirakan keanggotaan amatan atau objek dalam kelaskelas variabel respon kategorik, yang keanggotaannya diduga berdasarkan pengukuran terhadap satu variabel bebas atau lebih. Metode ini menghasilkan sebuah pohon klasifikasi (classification tree) yang dibentuk melalui penyekatan dan secara berulang (rekursif) terhadap suatu himpunan data, dimana pengelompokan dan nilai-nilai variabel bebas setiap amatan pada data sampel 5
3 sudah diketahui. Setiap himpunan data dinyatakan sebagai simpul dalam pohon yang terbentuk. Contoh Pohon klasifikasi QUEST terdapat pada Gambar 1. 1: X < a : Y b P Q R Gambar.1. Ilustrasi pohon klasifikasi menggunakan QUEST Gambar 1 menunjukkan ilustrasi pohon klasifikasi dengan QUEST. Misalnya, pada node 1 variabel X < a, maka respon termasuk kelas P (atau jika X a), dan jika pada node variabel Y b maka respon termasuk kelas Q; jika Y > b, maka respon termasuk kelas R. Proses penyekatan terhadap simpul dilakukan secara berulang sampai ditemukan salah satu dari tiga hal berikut a. respon di semua simpul sudah homogen nilainya, b. tidak ada lagi variabel bebas yang bisa digunakan, c. jumlah objek di dalam simpul sudah terlalu sedikit untuk menghasilkan pemisahan yang tepat. Dalam pembentukan pohon klasifikasi, proses penyekatan terhadap suatu simpul dapat bersifat biner atau non biner. Pada penyekatan biner, setiap simpul hanya boleh disekat menjadi dua simpul baru, sedangkan pada penyekatan non biner setiap simpul dapat menghasilkan lebih dari dua simpul baru. Pohon yang dibentuk dari proses penyekatan tersebut dapat berukuran sangat besar. Bila pohon berukuran besar, biasanya penduga respon cenderung lebih tepat, tapi sulit diinterpretasikan. Bila pohon kecil, pohon mudah diinterpretasi namun penduga respon cenderung tidak tepat. Pohon terbaik yaitu pohon yang memiliki keseimbangan antara ukuran pohon dan ketepatan penduga respon (Faridhan, 003). 6
4 .3 Metode QUEST QUEST merupakan salah satu metode yang digunakan untuk membentuk pohon klasifikasi. QUEST merupakan algoritme pemisah yang menghasilkan pohon biner yang digunakan untuk klasifikasi. Algoritme pembentukan pohon klasifikasi ini merupakan modifikasi dari analisis diskriminan kuadratik. Pada algoritme ini, proses penyekatan dapat dilakukan pada variabel tunggal (univariat). Pemilihan variabel penyekat pada QUEST menerapkan uji kebebasan chi-kuadrat untuk variabel kategorik dan uji F untuk variabel numerik. Suatu variabel dipilih sebagai variabel penyekat jika menghasilkan kelompok dengan tingkat kehomogenan variabel respon yang paling besar. Penentuan variabel penyekat pada pohon klasifikasi ini dilakukan dengan menerapkan analisis diskriminan kuadratik. Pemilihan variabel dan penentuan variabel penyekat dilakukan secara terpisah. Komponen dasar QUEST adalah beberapa variabel bebas yang merupakan variabel kategorik atau numerik dan variabel respon yang merupakan variabel kategorik (Hothorn, 006)..3.1 Uji chi-kuadrat untuk kebebasan Apabila antara dua variabel tidak ada hubungan, maka dapat dikatakan bahwa keduanya saling bebas. Meskipun nilai salah satu variabel untuk suatu objek diketahui, ini tidak akan membantu dalam menentukan nilai variabel yang lain untuk objek yang sama (Lestari, 005). Uji Chi-kuadrat untuk memeriksa kebebasan digunakan untuk memutuskan apakah dua variabel kategorik dalam suatu kelompok saling bebas. Uji ini memiliki asumsi-asumsi, a. Data terdiri dari sebuah sampel acak sederhana berukuran n dari suatu populasi yang diminati. b. Hasil pengamatan dalam sampel dapat diklasifikasi secara silang (crossclasified) menurut variabel-variabel yang diamati. Pengklasifikasian silang dari data dengan variabel kategorik biasanya disajikan dalam tabel kontingensi dua arah atau lebih. Bila terdapat dua variabel kategorik, data disajikan dalam tabel kontingensi dua arah seperti pada Tabel.1. 7
5 Tabel.1 Tabel Kontingensi Dua Arah Kategori variabel Kategori variabel kedua pertama 1 c Jumlah 1 n 11 n 1 n 1c n 1. n 1 n n c n. r n r1 n r n rc n r. Jumlah n.1 n. n.c n Tabel disusun dari r baris dan c kolom dengan r dan c masing-masing adalah banyaknya kategori dari variabel kategorik pertama dan kedua. Isi sel pada baris-i (i = 1,,, r) dan kolom ke-j (j = 1,,, c) adalah banyaknya pengamatan yang berasal dari kategori-i variabel pertama dan kategori-j variabel kedua, bisa dinotasikan dengan n ij. Isi sel ini disebut juga frekuensi sel teramati yang biasa ditulis dengan notasi O ij, sehingga O ij = n ij. Jumlah frekuensi teramati pada kategori ke-i variabel pertama, ditulis dengan notasi n i., sedangkan jumlah frekuensi teramati pada kategori ke-j variabel kedua, ditulis dengan notasi n.j (Praptono, 1986). Hipotesis awal (H 0 ) yang digunakan dalam uji ini adalah kedua variabel saling bebas. Hipotesis alternatif (H 1 ) pada uji ini adalah kedua variabel tidak saling bebas. Uji chi-kuadrat ini dilakukan dengan membandingkan frekuensi teramati dengan frekuensi yang diharapkan jika (H 0 ) benar. Dalam menentukan frekuensi yang diharapkan pada suatu sel digunakan hukum peluang mengenai kebebasan dua kejadian seperti dinyatakan dalam Teorema.1. Teorema. 1. (Walpole, 199) Bila dua kejadian A dan B bebas, maka P(A B) = P(A)P(B). Jika A i adalah kejadian objek berasal dari kategori ke-i variabel pertama dan B j adalah kejadian objek berasal dari kategori ke-j variabel kedua, maka peluang kejadian A i dan B j terjadi bersama adalah 8
6 P(A i B j ) = ( E ij n ), dengan E ij adalah frekuensi yang diharapkan dan n adalah banyaknya data. Jika A i dan B j saling bebas, maka P(A i B j ) = P(A i )P(B j ) = ( n i. n ) (n.j n ) (1) Dengan demikian, ( n i. n ) (n.j n ) = E ij n, sehingga E ij = n ( n i. n ) (n.j n ) = (n i.n.j n ) () Dari ferkuensi sel yang teramati (O ij ) dan frekuensi sel yang diharapkan (E ij ) tersebut dapat dihitung suatu statistik uji chi-kuadrat (χ ) yang mencerminkan perbedaan antara keduanya, yang dirumuskan dengan χ = [ (O ij E ij ) r c i=1 j=1 ] (3) E ij Dalam pengambilan keputusan, H 0 ditolak pada taraf nyata jika nilai statistik uji χ hasil perhitungan lebih besar dari pada nilai χ α,r 1,c 1, r adalah banyaknya baris dan c adalah banyaknya kolom..3. Uji ANAVA F Uji ANAVA F biasa digunakan untuk membandingkan rata-rata dari dua atau lebih kelompok sampel yang saling bebas. Ukuran sampel masing-masing kelompok sampel tidak harus sama, tetapi perbedaan yang besar dalam ukuran sampel dapat mempengaruhi hasil uji perbandingan rata-rata. Misalkan χ ki merupakan pengamatan ke-i dari kelompok ke-k, maka dapat disajikan struktur data seperti pada Tabel.. Tabel.. Tabel Struktur Data ANAVA F Kelompok 1 K x 11 x 1 x K1 x 1 x x K 9
7 x 1n1 x n x KnK Jumlah X 1. X. X K. X.. Rata-rata x 1. x. x K. x. Bila μ k adalah rata-rata dari kelompok ke-k (k = 1,,, K) maka hipotesis yang digunakan dalam uji ini H 0 μ 1 = μ = = μ K H 1 ada μ k μ k, k k (k, k = 1,,, K) Statistik uji yang digunakan adalah statistik uji F yang diperoleh pada Tabel.3. Tabel.3 Tabel ANAVA F Sumber Variansi Jumlah Derajat Nilai tengah kolom Sisaan JKK JKS Bebas k 1 n k Total JKT n 1 Kuadrat Tengah s 1 = JKK k 1 s = JKS n k F hitung F = s 1 s dengan K K JKK = ( X k. X.. ) n k N K k=1 JKS = ( x ki X.. ) ( X k. X.. ) N n k N k=1 k=1 i = 1,,, n k, k = 1,,, K. N : jumlah seluruh data K : jumlah kelompok n k : ukuran contoh kelompok ke-k K k=1 10
8 X k. : jumlah pengamatan kelompok ke-k X.. : jumlah pengamatan seluruh data x ki : pengamatan ke-i dari kelompok ke-k Dalam pengambilan keputusan, H 0 ditolak pada taraf signifikan jika nilai statistik uji F hasil perhitungan lebih besar daripada nilai F α,k 1,N K..3.3 Uji Levene F Uji Levene F digunakan untuk menguji kesamaan variansi variabel dari dua kelompok atau lebih. Hipotesis yang digunakan dalam uji ini adalah H 0 σ 1 = σ = = σ k H 1 ada σ k σ k, k k (k, k = 1,,, K), Untuk mendapatkan statistik uji ini, data ditransformasikan dahulu menjadi simpangan baku terhadap nilai tengah data, yaitu y ki = x ki x k, dengan : i = 1,,, n. k = 1,,, K y ki hasil transformasi data pengamatan ke-i dari kelompok ke-k x k : nilai tengah sampel kelompok ke-k x ki : pengamatan ke-i dari kelompok ke-k. Lakukan statistik uji ANAVA F pada data yang telah ditransformasi untuk mendapatkan nilai statistik uji Levene F. Dalam pengambilan keputusan, H 0 ditolak pada taraf nyata α jika nilai statistik uji Levene F hasil perhitungan lebih besar dari pada nilai F α,k 1,N K..3.4 Analisis diskriminan kuadratik Analisis diskriminan bertujuan untuk membentuk fungsi diskriminan yang mampu membedakan kelompok. Analisis ini dilakukan berdasarkan suatu perhitungan statistik terhadap objek-objek yang telah diketahui dengan jelas dan tepat pengelompokannya. 11
9 Fungsi diskriminan dapat disebut dengan fungsi pembeda. Fungsi diskriminan yang dibangun dengan asumsi bahwa kelompok-kelompok memiliki matriks variansi yang sama dinamakan fungsi diskriminan linier, sedangkan fungsi yang dibangun tanpa asumsi tersebut dinamakan fungsi diskriminan kuadratik. Misalkan x = (x 1, x,, x p ), maka dapat disajikan struktur data seperti pada Tabel.4. Tabel.4. Tabel Struktur Data Analisis Diskriminan Kuadratik Variabel Kelompok 1 K X 1 x 11 x 1 x 1K X 1 x 1 x x 1K X 1 x p1 x p x pk Misalkan f k (x) adalah fungsi kepekatan peluang bersama dari sampel acak yang berasal dari kelompok ke-k (k = 1,,, K). Jika sampel acak pada kelompok tersebut menyebar menurut sebaran multivariat, maka f k (x) = dengan 1 (π) p/ Σ k 1/ exp * 1 (x μ k) t Σ k 1 (x μ k )+ (.6.1) μ k adalah vektor nilai tengah kelompok ke-k Σ k adalah matriks variansi kelompok ke-k p adalah banyaknya variabel, Nilai diskriminan kuadratik untuk sebuah pengamatan dengan nilai x = (x 1, x,, x p ) terhadap kelompok ke-k adalah d k Q (x ) = 1 ln Σ k 1 (x μ k) t Σ k 1 (x μ k ) + lnp k. (.6.) dengan p k adalah peluang awal dari kelompok ke-k (k = 1,,, K). 1
10 Apabila individu yang berasal dari kelompok k dinyatakan sebagai kelompok a, maka peluangnya dinotasikan menjadi P(a k). Kelompokkan x ke-k jika nilai kuadratik d Q k (x ) = max*d Q 1 (x ), d Q (x ),, d Q k (x )+ (.6.3). Dalam prakteknya, μ k dan Σ k tidak diketahui, tetapi data sampel yang telah dikelompokkan secara benar tersedia untuk mengetahui taksiran μ k dan Σ k. Kuantitas sampel yang relevan untuk kelompok ke-k adalah x k : vektor nilai tengah sampel dari kelompok ke-k S k : matriks variansi sampel dari kelompok ke-k n k : ukuran sampel dari kelompok ke-k. Taksiran dari nilai diskriminan kuadratik : d Q k (x ) = 1 ln S k 1 (x x k) t S 1 k (x x k) + lnp k (.6.4). Kelompokkan x ke-k jika nilai kuadratik d Q k (x ) = max *d Q 1 (x ), d Q (x ),, d Q k (x )+ (.6.5)..4 Algoritme QUEST Loh and Shih (1997) menjelaskan algoritme pembentukan pohon pada QUEST dipisah menjadi tiga bagian, yaitu algoritme pemilihan variabel penyekat, algoritme penentuan variabel penyekat dan algoritme transformasi variabel kategorik menjadi variabel numerik..4.1 Algoritme pemilihan variabel penyekat Dalam tulisan ini akan dibahas algoritme pemilihan variabel penyekat berupa satu variabel. Dalam menentukan variabel penyekat pada suatu simpul setiap variabel memiliki kesempatan untuk terpilih sebagai variabel penyekat, meskipun variabel tersebut telah terpilih sebagai variabel penyekat untuk simpul sebelumnya. Berikut ini adalah langkah-langkah pemilihan variabel penyekat : 1. Untuk setiap variabel X : 13
11 a. Jika X merupakan variabel kategorik, lakukan uji X untuk kebebasan antara variabel X dan variabel respon Y dan hitung nilai p dari pengujian tersebut. b. Jika X merupakan variabel numerik, lakukan uji ANAVA F dan hitung nilai p dari pengujian tersebut.. Pilih variabel dengan nilai p terkecil. 3. Bandingkan nilai p terkecil dengan taraf α/m1, dengan memilih taraf nyata α = 0,05 dan M1 adalah banyaknya variabel bebas. a. Jika nilai p kurang dari α/m1, maka variabel yang bersesuaian sebagai variabel penyekat. Teruskan ke langkah (5). b. Jika nilai p lebih dari α/m1, teruskan ke langkah (4). 4. Untuk setiap variabel X yang numerik, maka hitung nilai p dari uji Levene untuk menguji kehomogenan variansi. a. Pilih variabel dengan nilai p terkecil. c. Bandingkan nilai p terkecil dari uji Levene dengan taraf α. d. Jika nilai p kurang dari α, maka pilih variabel yang bersesuaian sebagai variabel penyekat. Teruskan ke langkah (5). e. Jika nilai p lebih dari α, maka variabel tersebut tidak dipilih menjadi variabel penyekat. 5. Misalkan X adalah variabel penyekat yang diperoleh dari langkah (3) atau (4). a. Jika X merupakan variabel numerik, maka teruskan ke langkah (6). b. Jika X merupakan variabel kategorik, X ditransformasikan ke dalam variabel dummy, lalu proyeksikan ke dalam koordinat diskriminan terbesarnya 6. Lakukan analisis diskriminan kuadratik untuk menentukan variabel penyekat..4. Algoritme penentuan variabel penyekat Misalkan variabel respon memiliki dua kategori. Misalkan pula bahwa X merupakan variabel yang terpilih untuk menyekat simpul t. 14
12 1. Didefinisikan x 0 dan s 0 adalah rata-rata dan variansi X dari pengamatan respon 0, sedangkan x 1 dan s 1 adalah rata-rata dan variansi X dari pengamatan dengan respon 1. Misalkan P(k t) = N k,t /N k merupakan peluang dari masing-masing kategori variabel respon, dengan N k,t adalah jumlah data pada simpul t untuk respon k dan N k adalah jumlah data pada simpul awal untuk respon k.. Tentukan penyelesaian persamaan P(0 t)s 1 0 φ ( x x 0 ) = P(1 t)s 1 s 1 φ ( x x 1 ). 0 s 1 Penyelesaian tersebut dapat ditentukan dengan menentukan akar persamaan kuadrat ax + bx + c = 0, dengan a = s 0 s 1 b = (x 0s 1 x 1s 0 ) c = (x 1s 0 ) (x 0s 1 ) + s 0 s 1 ln { P(0 t)s 1 P(1 t)s 0 } 3. Simpul disekat pada variabel x = d, di mana d didefinisikan sebagai berikut : a. Jika x 0 < x 1, maka d = x 0 b. Jika a = 0, maka x 0 + x 1 (x 0 x 1) d = { 1 s 0 ln { P(0 t) P(1 t) }, x 0 x 1} c. Jika a 0, maka: x 0, x 0 = x 1 i. Jika b 4ac < 0, maka d = 1 (x 0 + x 1) ii. Jika b 4ac 0, maka : a. d adalah akar dari b± b 4ac a yang lebih mendekati nilai x 0, dengan syarat menghasilkan dua simpul tak kosong. b. Untuk d yang lain, d = 1 (x 0 + x 1). 15
13 .4.3 Algoritme transformasi variabel kategorik menjadi variabel numerik Misalkan X adalah variabel kategorik, dengan kategori b 1, b,, b L. Transformasi X menjadi variabel numerik ξ untuk setiap kelas X dilakukan dengan langkah-langkah sebagai berikut : 1. Transformasikan masing-masing nilai x ke vektor dummy L dimensi v = (v 1, v,, v L ), Dengan v 1 = { 1 x = b 1 0 x b 1, l = 1,,, L. Mencari nilai tengah untuk X v = dengan v L l=1 f lv l L l=1 N k,t N t v (k) = n lv l : rata-rata untuk semua pengamatan pada simpul t v (k) : rata-rata untuk semua pengamatan pada simpul t untuk kelompok ke-k f l : jumlah pengamatan pada simpul t untuk v l n l : jumlah pengamatan pada simpul t kelompok ke-k untuk v l N t : jumlah pengamatan pada simpul t N k,t : jumlah pengamatan pada simpul t untuk kelompok ke-k. 3. Tentukan matriks L L berikut v = L l=1 f lv l N t v (k) = L l=1 n lv l N k,t K B = N k,t (v (k) v )(v (k) v ) k=1 L T = f l (v l v )(v l v ) l=1 4. Lakukan SVD dari T = QDQ, dengan Q adalah matriks orthogonal L L, D = diag(d 1,, d L ) dengan d 1 d d L Tentukan D 1 = diag(d 1,, d L ), 16
14 dengan d i = { d i 1/ jika d i > 0 0 lainnya. 6. Lakukan SVD dari D 1 Q BQD 1, tentukan vektor eigen a yang merupakan vektor eigen yang sama dengan nilai eigen terbesar. 7. Tentukan koordinat diskriminan terbesar dari v, yaitu ξ = a D 1 Q v 17
BAB II TINJAUAN PUSTAKA. konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma
BAB II TINJAUAN PUSTAKA Bab ini akan membahas pengertian metode klasifikasi berstruktur pohon, konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma CHAID, keakuratan dan kesalahan dalam
Lebih terperinciANALISA FAKTOR PENYEBAB KREDIT MACET DENGAN METODE QUEST
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 76 85 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISA FAKTOR PENYEBAB KREDIT MACET DENGAN METODE QUEST OLIVIA PRIMA DINI, HAZMIRA YOZZA, DODI DEVIANTO
Lebih terperinciPEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA QUEST SKRIPSI SARJANA MATEMATIKA. Oleh: YONA MALANI
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA QUEST SKRIPSI SARJANA MATEMATIKA Oleh: YONA MALANI 07 134 032 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ANDALAS PADANG
Lebih terperinciBAB III METODE POHON KLASIFIKASI QUEST
BAB III METODE POHON KLASIFIKASI QUEST 3.1 Metode Berstruktur Pohon Istilah pohon dalam matematika dikenal dalam teori graf. Pertama kali konsep pohon digunakan oleh Gustav Kirchhoff (184-1887) dalam bidang
Lebih terperinciAmalia Maharani, Dewi Retno Sari Saputro, dan Bowo Winarno Program Studi Matematika FMIPA UNS
PENERAPAN POHON KLASIFIKASI BINER DENGAN ALGORITME QUICK, UNBIASED, EFFICIENT STATISTICAL TREE (QUEST ) PADA DATA MAHASISWA TRANSFER UNIVERSITAS SEBELAS MARET Amalia Maharani, Dewi Retno Sari Saputro,
Lebih terperinciBAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA
S T A T I S T I K A OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 009 V. PENGUJIAN HIPOTESIS Hhipotesis adalah jawaban sementara terhadap suatu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Klasifikasi Klasifikasi merupakan proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk
Lebih terperinciBab 2 LANDASAN TEORI
17 Bab 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciPENERAPAN METODE QUICK, UNBIASED, EFFICIENT STATISTICAL TREES
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 3, No. 1, Januari 2018, pp. 1-10 PENERAPAN METODE QUICK, UNBIASED, EFFICIENT STATISTICAL TREES (QUEST) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG
Lebih terperinciANALISIS RAGAM KLASIFIKASI 2 ARAH. b. Mengetahui perbedaan keragaman disebabkan perbedaan antarkolom. Kolom 1 2. j. c. Nilai rata I... R..
ANALISIS RAGAM KLASIFIKASI 2 ARAH 1) Analisis Ragam Klasifikasi Dua Arah Analisis ragam klasifikasi dua arah adalah analisis ragam klasifikasi pengamatan yang berdasarkan dua kriteria Dalam analisis ini
Lebih terperinciOLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011
ANALISIS KORELASI OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011 ANALISIS KORELASI II. ANALISIS KORELASI 1. Koefisien Korelasi Pearson Koefisien Korelasi Moment Product Korelasi
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciOLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010
ANALISIS KORELASI OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 ANALISIS KORELASI II. ANALISIS KORELASI 1. Koefisien Korelasi Pearson Koefisien Korelasi Moment Product Korelasi
Lebih terperinciI. TINJAUAN PUSTAKA. distribusi normal multivariat, yaitu suatu kombinasi linier dari elemen-elemennya adalah
I. TINJAUAN PUSTAKA 1.1 Distribusi Normal Multivariat Akan dibahas dua definisi dari multivariat normal. Definisi yang pertama didefinisikan melalui fungsi kepekatan peluangnya, dan definisi yang kedua
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciBAB 2 TINJAUAN TEORI
BAB 2 TINJAUAN TEORI 2.1 Rancangan Percobaan Percobaan didefinisikan sebagai suatu uji coba (trial) atau pengamatan khusus yang dibuat untuk menegaskan atau membuktikan keadaan dari sesuatu yang meragukan,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Penelitian Jenis penelitian yang akan dilakukan dalam penelitian ini merupakan penelitian komparatif dengan pendekatan kuantitatif. Penelitian ini ingin mengetahui perbedaan
Lebih terperinciMETODE QUEST DAN CHAID PADA KLASIFIKASI KARAKTERISTIK NASABAH KREDIT
E-Jurnal Matematika Vol. 4 (4), November 2015, pp. 163-168 ISSN: 2303-1751 METODE QUEST DAN CHAID PADA KLASIFIKASI KARAKTERISTIK NASABAH KREDIT Nur Faiza 1, I Wayan Sumarjaya 2, I Gusti Ayu Made Srinadi
Lebih terperinciOleh TRI SEPTIYANI M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PASIEN PENDERITA STROKE DI RSUD DR. MOEWARDI MENGGUNAKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA QUEST (QUICK, UNBIASED EFFICIENT STATISTICAL TREE) Oleh TRI SEPTIYANI
Lebih terperincialjabar geo g metr me i
Pertemuan 12 & 13 ANALIS KOMPONEN UTAMA & FUNGSI DISCRIMINAN Obyektif : Reduksi variabel Interpretasi Aplikasi AKU dalam Anls Regresi Discrimination Fisher and Classification Classification with two Multivariate
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciBAB III REGRESI TERSENSOR (TOBIT) Model regresi yang didasarkan pada variabel terikat tersensor disebut
BAB III REGRESI TERSENSOR (TOBIT) 3.1 Model Regresi Tersensor (Tobit) Model regresi yang didasarkan pada variabel terikat tersensor disebut model regresi tersensor (tobit). Untuk variabel terikat yang
Lebih terperinciANALISIS VARIANSI. Utriweni Mukhaiyar. 2 November 2011
1 ANALISIS VARIANSI Utriweni Mukhaiyar MA 2181 Analisis Data 2 November 2011 Analisis Variansi 2 1. Tujuan Analisis Variansi 2. Asumsi-asumsi dalam Analisis Variansi 3. Hipotesis yang diuji dalam analisis
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciPerancangan Percobaan
Perancangan Percobaan Rancangan lingkungan: Rancangan Acak Lengkap (RAL), (RAK) dan Rancangan Bujur Sangkar Latin (RBSL), Lattice. Ade Setiawan 009 RAL Ade Setiawan 009 Latar Belakang RAK 3 Perlakuan Sama
Lebih terperinciSTATISTIKA II (BAGIAN
STATISTIKA II (BAGIAN - ) Oleh : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 008 Wijaya : Statistika II (Bagian-) 0 VI. PENGUJIAN HIPOTESIS Hipotesis
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis korelasi adalah metode statistika yang digunakan untuk menentukan
7 BAB 2 LANDASAN TEORI 2.1 Defenisi Analisis Regresi dan Korelasi 1. Analisis korelasi adalah metode statistika yang digunakan untuk menentukan kuatnya atau derajat hubungan linier antara dua variabel
Lebih terperinciBAB II TINJAUAN PUSTAKA. Pengertian lanjut usia menurut undang-undang no.13/1998 tentang
7 BAB TNAUAN PUSTAA 2.1. Pengertian Lanjut Usia Pengertian lanjut usia menurut undang-undang no.13/1998 tentang kesejahteraan lanjut usia yang berbunyi Lanjut Usia adalah seseorang yang mencapai usia 60
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Rancangan Percobaan Rancangan percobaan merupakan suatu uji dalam atau deretan uji baik menggunakan statistika deskripsi maupun statistika inferensia, yang bertujuan untuk mengubah
Lebih terperinciPerbedaan Analisis Univariat dan Multivariat
Perbedaan Analisis Univariat dan Multivariat Jika kita menganalisis data yang mempunyai lebih dari satu variabel, belum tentu analisis data tersebut dikategorikan analisis multivariat, bisa saja analisis
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih terperinciBAB 2 LANDASAN TEORI
14 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Kata regresi (regression) diperkenalkan pertama kali oleh Francis Dalton pada tahun 1886. Menurut Dalton, analisis regresi berkenaan dengan studi
Lebih terperinciII. TINJAUAN PUSTAKA. dengan kendala menjadi model penuh tanpa kendala,
4 II. TINJAUAN PUSTAKA Dalam penelitian ini akan didiskusikan tentang transformasi model tak penuh dengan kendala menjadi model penuh tanpa kendala, pendugaan parameter, pengujian hipotesis dan selang
Lebih terperinciTINJAUAN PUSTAKA. i dari yang terkecil ke yang terbesar. Tebaran titik-titik yang membentuk garis lurus menunjukkan kesesuaian pola
TINJAUAN PUSTAKA Analisis Diskriminan Analisis diskriminan (Discriminant Analysis) adalah salah satu metode analisis multivariat yan bertujuan untuk memisahkan beberapa kelompok data yan sudah terkelompokkan
Lebih terperinci10 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK35) 0 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Tabel Kontingensi Struktur peluang tabel kontingensi Perbandingan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 21 Analisis Regresi Perubahan nilai suatu variabel tidak selalu terjadi dengan sendirinya, namun perubahan nilai variabel itu dapat disebabkan oleh berubahnya variabel lain yang berhubungan
Lebih terperinciTINJAUAN PUSTAKA Perilaku Pemilih Partai Politik
3 TINJAUAN PUSTAKA Perilaku Pemilih Agustino (2009) menyebutkan terdapat tiga pendekatan teori yang sering digunakan oleh banyak ahli politik untuk memahami perilaku pemilih diantaranya pendekatan sosiologis,
Lebih terperinciBAB I PENDAHULUAN. Universitas Pendidikan Indonesia repository.upi.edu
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kehadiran bank syariah di Indonesia didorong oleh keinginan masyarakat Indonesia (terutama masyarakat Islam) yang berpandangan bahwa bunga merupakan hal yang
Lebih terperinciUJI HOMOGENITAS. Pada dasarnya uji homogenitas dimaksudkan untuk memperlihatkan bahwa dua atau lebih
UJI HOMOGENITAS Pada dasarnya uji homogenitas dimaksudkan untuk memperlihatkan bahwa dua atau lebih kelompok data sampel berasal dari populasi yang memiliki variansi yang sama. Uji homogenitas terbagi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB I PENDAHULUAN. atau benda ke dalam golongan atau pola-pola tertentu berdasarkan kesamaan ciri.
BAB I PENDAHULUAN 1.1 Latar Belakang Klasifikasi merupakan pengelompokan secara sistematis pada suatu objek atau benda ke dalam golongan atau pola-pola tertentu berdasarkan kesamaan ciri. Masalah klasifikasi
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan
BAB 2 LANDASAN TEORI 2.1 Defenisi Analisis Regresi dan Korelasi 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan kuatnya atau derajat hubungan linier antara dua variabel atau
Lebih terperinciBAB III METODOLOGI 3.1 Waktu dan tempat penelitian 3.2 Alat dan bahan 3.3 Metode pengambilan data
BAB III METODOLOGI 3.1 Waktu dan tempat penelitian Penelitian ini dilaksanakan pada bulan Juni-Juli 2011 di Hutan Pendidikan Gunung Walat (HPGW), Kabupaten Sukabumi Provinsi Jawa Barat. 3.2 Alat dan bahan
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciBEBERAPA DISTRIBUSI PELUANG KONTINU. Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F
BEBERAPA DISTRIBUSI PELUANG KONTINU Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F Distribusi Normal Distribusi yang terpenting dalam bidang statistika, penemu : DeMoivre (733) dan Gauss Bergantung
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Populasi dan Sampel Populasi adalah kelompok besar individu yang mempunyai karakteristik umum yang sama atau kumpulan dari individu dengan kualitas serta ciri-ciri yang telah ditetapkan.
Lebih terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
Lebih terperinciAljabar Linear Elementer
BAB I RUANG VEKTOR Pada kuliah Aljabar Matriks kita telah mendiskusikan struktur ruang R 2 dan R 3 beserta semua konsep yang terkait. Pada bab ini kita akan membicarakan struktur yang merupakan bentuk
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciStatistik Dasar. 1. Pendahuluan Persamaan Statistika Dalam Penelitian. 2. Penyusunan Data Dan Penyajian Data
Statistik Dasar 1. Pendahuluan Persamaan Statistika Dalam Penelitian 2. Penyusunan Data Dan Penyajian Data 3. Ukuran Tendensi Sentral, Ukuran Penyimpangan 4. Momen Kemiringan 5. Distribusi Normal t Dan
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam bab ini akan dibahas beberapa konsep dasar, definisi-definisi serta teorema
II. TINJAUAN PUSTAKA Dalam bab ini akan dibahas beberapa konsep dasar, definisi-definisi serta teorema yang berkaitan dalam hal pendugaan parameter pada model linier campuran ini, yaitu sebagai berikut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Kemiskinan merupakan masalah yang sulit untuk diatasi. Salah satu sasaran pembangunan nasional adalah penurunan tingkat kemiskinan. Menurut Badan Pusat Statistik,
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinciMETODE KLASIFIKASI BERSTRUKTUR POHON DENGAN ALGORITMA QUEST Wahidah Alwi Nur Azni Tahir
METODE KLASIFIKASI BERSTRUKTUR POHON DENGAN ALGORITMA QUEST Wahidah Alwi Nur Azni Tahir Mahasiswa Prodi Matematika, FST- UINAM Prodi Matematika, FST- UINAM Info: Jurnal MSA Vol. No. Edisi: Januari Juni
Lebih terperinciMODEL-MODEL LEBIH RUMIT
MAKALAH MODEL-MODEL LEBIH RUMIT DISUSUN OLEH : SRI SISKA WIRDANIYATI 65 JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 04 BAB I PENDAHULUAN. Latar Belakang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciREVIEW: DISTRIBUSI PELUANG KHUSUS & UJI HIPOTESIS. Utriweni Mukhaiyar MA2281 Statistika Nonparametrik Kamis, 21 Januari 2016
REVIEW: DISTRIBUSI PELUANG KHUSUS & UJI HIPOTESIS Utriweni Mukhaiyar MA81 Statistika Nonparametrik Kamis, 1 Januari 016 PEUBAH ACAK Peubah acak, yaitu pemetaan X: S R Ruang Sampel, S X x Himpunan Bil.Riil,
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Metode statistik non parametrik atau sering juga disebut metode bebas sebaran
BAB 2 TINJAUAN TEORITIS 2.1 Statistik non Parametrik Metode statistik non parametrik atau sering juga disebut metode bebas sebaran (distribution free) adalah test yang modelnya tidak menetapkan syarat-syarat
Lebih terperinci5 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK351) 5 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Uji Khi-Kuadrat Uji Kebebasan Uji Kehomogenen Uji Kebaikan
Lebih terperinciMata Kuliah: Statistik Inferensial
UJI CHI-KUADRAT Prof. Dr. H. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id 1 Uji chi-kuadrat Uji Chi-Kuadrat untuk Keselarasan Uji Chi-Kuadrat untuk uji Kenormalan Uji Chi-Kuadrat untuk uji Independensi
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data
5 II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data panel ini, penulis menggunakan definisi, teorema dan konsep dasar yang berkaitan dengan pendugaan parameter,
Lebih terperinciUJI HIPOTESIS SATU-SAMPEL
UJI HIPOTESIS SATU-SAMPEL Pengantar 1. Tulisan ini terkait dengan artikel berjudul KETIKA ILMU HUKUM SEIRING STATISTIKA pada laman www.edscyclopedia.com. Pada website tersebut, mengenai uji hipotesis secara
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Karakteristik Siswa Gambar 1 memperlihatkan Karakteristik siswa SMA Negeri Ulu Siau berdasarkan jurusan. Berdasarkan Gambar 1 umumya siswa lebih memilih jurusan IPA daripada jurusan
Lebih terperinciPERTEMUAN 2 STATISTIKA DASAR MAT 130
PERTEMUAN 2 STATISTIKA DASAR MAT 130 Data 1. Besaran Statistika berbicara tentang data dalam bentuk besaran (dimensi) Besaran adalah sesuatu yang dapat dipaparkan secara jelas dan pada prinsipnya dapat
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Tes Statistik Non Parametrik adalah test yang modelnya tidak menetapkan syaratsyaratnya
BAB 2 TINJAUAN TEORITIS 21 Statistik Non Parametrik Tes Statistik Non Parametrik adalah test yang modelnya tidak menetapkan syaratsyaratnya mengenai parameter-parameter populasi yang merupakan induk sampel
Lebih terperinciTINJAUAN PUSTAKA. Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai
II. TINJAUAN PUSTAKA 2.1. Model Linear Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai berikut : Y i = β 0 + X i1 β 1 + X i2 β 2 + + X ip β p +ε i ; i = 1,2,, n bila dirinci
Lebih terperinciTINJAUAN PUSTAKA Analisis Gerombol
3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya
Lebih terperinciAnalisis Variansi (ANOVA) Utriweni Mukhaiyar MA 2081 Statistika Dasar 13 November 2012
1 Analisis Variansi (ANOVA) Utriweni Mukhaiyar MA 2081 Statistika Dasar 13 November 2012 2 Analisis Variansi 1. Tujuan Analisis Variansi 2. Asumsi-asumsi s s dalam a Analisis s Variansi a 3. Hipotesis
Lebih terperinciBAB III METODE CHAID EXHAUSTIVE
BAB III METODE CHAID EXHAUSTIVE 31 CHAID Exhaustive Metode CHAID Exhaustive dikemukakan oleh D Biggs et al (1991) yang merupakan evaluasi dari metode sebelumnya yaitu CHAID (Kass, 1980) untuk penyesuaian
Lebih terperinciBAB 2 TINJAUAN TEORITIS. penjelasan tentang pola hubungan (model) antara dua variabel atau lebih.. Dalam
BAB 2 TINJAUAN TEORITIS 21 Pengertian Regresi Linier Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih
Lebih terperinciSkala pengukuran dan Ukuran Pemusatan. Ukuran Pemusatan
Skala Pengukuran Nominal (dapat dikelompokkan, tidak punya urutan) Ordinal (dapat dikelompokkan, dapat diurutkan, jarak antar nilai tidak tetap sehingga tidak dapat dijumlahkan) Interval (dapat dikelompokkan,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciBAB III HASIL ANALISIS
51 BAB III HASIL ANALISIS 3.1 Pengumpulan Data Pada tahap ini, penulis secara langsung mengambil data dari PT. Coca-Cola Bottling Indonesia Medan pada periode Januari 00 sampai dengan Desember 006. Disamping
Lebih terperinciBAB III METODE PENELITIAN. September). Data yang dikumpulkan berupa data jasa pelayanan pelabuhan, yaitu
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini berasal dari data sekunder dengan jenis data bulanan mulai tahun 2004 sampai dengan tahun 2011 (bulan September).
Lebih terperinciPERENCANAAN (planning) suatu percobaan untuk memperoleh INFORMASI YANG RELEVAN dengan TUJUAN dari penelitian
1 2 PERENCANAAN (planning) suatu percobaan untuk memperoleh INFORMASI YANG RELEVAN dengan TUJUAN dari penelitian MENGAPA PERLU DIRANCANG? Untuk mendapatkan penduga yang tidak berbias Untuk meningkatkan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. sebagai kelas kontrol. Penelitian ini bertujuan untuk mengetahui perbedaan
80 BAB IV HASIL DAN PEMBAHASAN A. Deskripsi dan Analisis Data Penelitian yang telah penulis lakukan di SMPN 1 Batang Anai terdiri dari tiga kelas sampel, yaitu dua kelas sebagai kelas eksperimen dan satu
Lebih terperinciBAB IV MODEL HIDDEN MARKOV
BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen
Lebih terperinciBAB 2 LANDASAN TEORI. Bentuk umum persamaan regresi linier berganda adalah
BAB LANDASAN TEORI Regresi Linier Berganda Bentuk umum persamaan regresi linier berganda adalah Y = b 0 + b X + b X + b 3 X 3 + + b k X k + e () dengan: Y = variabel respon b 0 = konstanta regresi b i
Lebih terperinciBAB II TINJAUAN PUSTAKA. digunakan untuk menganalisis data dengan lebih dari satu peubah bebas
BAB II TINJAUAN PUSTAKA 2.1. Analisis Peubah Ganda Analisis peubah ganda merupakan salah satu jenis analisis statistika yang digunakan untuk menganalisis data dengan lebih dari satu peubah bebas (independen
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor (variabel independent) dengan variabel outcome (variabel dependen) untuk
Lebih terperinciBAB VI UJI PRASYARAT ANALISIS
BAB VI UJI PRASYARAT ANALISIS A. Uji Normalitas 1. Dengan Kertas Peluang Normal Buatlah daftar distribusi frekuensi kumulatif kurang dari berdasarkan sample yang ada dan gambarkan ogivenya. Pindahkan ogive
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1 Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemenelemen yang disusun secara teratur menurut baris dan kolom berbentuk
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Prosedur Pengumulan Data 3.. Sumber Data Data yang digunakan dalam enelitian ini meruakan data sekunder yang diambil dari Deartemen Keuangan, BAPEPAM, dan IAPI. Data-data
Lebih terperinciBAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA. Analisis komponen utama adalah metode statistika multivariat yang
BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA Analisis komponen utama adalah metode statistika multivariat yang bertujuan untuk mereduksi dimensi data dengan membentuk kombinasi linear
Lebih terperinciOLEH : WIJAYA. FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2009
PERANCANGAN PERCOBAAN OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2009 I. ANALISIS REGRESI 1. 2. Regresi Linear : Regresi Linear Sederhana
Lebih terperinciBAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI. Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan
BAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan dengan baik pada aplikasi pengenalan suara, pengolahan citra (Willsky, 2002 dan Choi
Lebih terperinciSTATISTIKA. Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll.
STATISTIKA Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll. Statistika deskriptif: pencatatan dan peringkasan hasil
Lebih terperinciTINJAUAN PUSTAKA Analisis Biplot Biasa
TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi
Lebih terperinci22. MATEMATIKA SMA/MA (PROGRAM IPA)
22. MATEMATIKA SMA/MA (PROGRAM IPA) NO. 1. Memahami pernyataan dalam matematika dan ingkarannya, menentukan nilai kebenaran pernyataan majemuk serta menggunakan prinsip logika matematika dalam pemecahan
Lebih terperinciPerancangan Percobaan
Perancangan Percobaan Ade Setiawan 009 Review RAL: Satuan percobaan homogen Keragaman Respons disebabkan pengaruh perlakuan RAK: Satuan percobaan heterogen Keragaman Respons disebabkan pengaruh Perlakuan
Lebih terperinciTINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan
4 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Matriks 2.1.1 Matriks Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan dalam susunan itu disebut anggota dalam matriks tersebut. Suatu
Lebih terperinci11/8/2010 ANALISIS VARIANSI ILUSTRASI
11/8/010 ANALISIS VARIANSI 1 Utriweni Mukhaiar MA 181 Analisis Data 8 November 010 ANALISIS VARIANSI 1. Tujuan Analisis Variansi. Asumsi-asumsi dalam Analisis Variansi 3. Hipotesis ang diuji dalam analisis
Lebih terperinciPERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc.
PERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc. PENGUJIAN HIPOTESIS Langkah-langkah pengujian hipotesis: 1) Merumuskan hipotesis 2) Memilih taraf nyata α 3) Menentukan
Lebih terperinciMETODE SCHEFFE DALAM UJI KOMPARASI GANDA ANALISIS VARIANS DUA FAKTOR DENGAN INTERAKSI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3(2015), hal 371 378. METODE SCHEFFE DALAM UJI KOMPARASI GANDA ANALISIS VARIANS DUA FAKTOR DENGAN INTERAKSI Yuvita Erpina Rosa, Neva
Lebih terperinciIII OBJEK DAN METODE PENELITIAN. Objek penelitian ini menggunakan catatan reproduksi sapi FH impor
III OBJEK DAN METODE PENELITIAN 2.1. Objek dan Peralatan Penelitian 2.1.1. Objek Penelitian Objek penelitian ini menggunakan catatan reproduksi sapi FH impor periode pertama tahun 2009. Sapi yang diamati
Lebih terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
Lebih terperinci