BAB II LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II LANDASAN TEORI"

Transkripsi

1 BAB II LANDASAN TEORI Bbrapa tor yag dprlua utu mduug pmbahasa dataraya adalah rgrs lar brgada, mtod uadrat trcl (MKT), pguja asums aalss rgrs, outlr, rgrs robust, ofs dtrmas, bradow pot. A. Rgrs Lar Brgada Aalss rgrs scara osptual mrupaa mtod sdrhaa utu mmrsa hubuga atara varabl (Chattrj & Had, 986). Hubuga atara varabl yag dmasuda trsbut dgambara dalam btu prsamaa atau modl yag mghubuga atara varabl dpd () da satu atau lbh varabl dpd (). Varabl dpd dotasa dga da hmpua dar varabl dpd dotasa dga, dmaa mrupaa jumlah varabl dpd. Modl rgrs lar yag trdr dar satu varabl dpd da satu varabl dpd dsbut dga rgrs lar sdrhaa, sdaga modl rgrs lar yag trdr dar bbrapa varabl dpd da satu varabl dpd mrupaa modl rgrs lar brgada. Modl rgrs lar brgada (Faraway, ): (.) dga mrupaa la varabl dpd dalam obsrvas -, mrupaa varabl dpd pada obsrvas - da paramtr -, da mrupaa paramtr rgrs yag tda dtahu 5

2 laya da aa dcar la stmasya, mrupaa galat yag brdstrbus ormal dga ma-ya ol da varasya atau. Sla mgguaa otas pada prsamaa (.), pgguaa matrs trhadap rgrs lar mmpuya baya utuga yatu myaja btu rgas utu maga modl rgrs yag mmuat baya varabl. Prsamaa (.) mrupaa pjabara dar hmpua prsamaa brut (Faraway, ): (.) Dalam btu matrs prsamaa (.) mjad Prsamaa (.3) dapat dtuls scara sdrhaa sbaga brut Ktraga: (.3) (.4) mrupaa vtor obsrvas varabl dpd yag bruura mrupaa varabl dpd yag bruura ( + ) mrupaa vtor ofs varabl dpd yag bruura dar paramtr yag tda dtahu mrupaa vtor galat yag bruura 6

3 B. Mtod Kuadrat Trcl (MKT) Mtod uadrat trcl mrupaa suatu mtod yag dguaa utu mgstmas Paramtr dga cara mmmuma jumlah uadrat galat. tda dtahu da prlu dcar la stmasya (Motgomry, Pc, & Vg, 6). Dar prsamaa (.) dapat dtuls (Ey & Schustr, 998): j Q( ) y (.5) Pada otas matrs jumlah uadrat galat dapat dtuls sbaga brut (.6) Brdasara prsamaa (.3) dprolh Olh ara tu, prala matrs galat mjad (Hocg, 3): (.7) (.8) Utu mcar la-la yatu dga mmmuma jumlah uadrat galat, muda dcar turua dar scara parsal trhadap da dsama dga ol, shgga dprolh prsamaa ormal 7

4 8,,, y Q y Q y Q (.9), y Q Stlah dsusu mbal da mggat smua paramtr dga stmatorya, maa sstm prsamaa (.9) dapat dtuls sbaga (.) Prsamaa (.) dsbut dga prsamaa ormal. Ja dtuls dalam btu matrs maa btuya mjad = 3

5 atau scara lgap ja dtuls dalam btu matrs mjad (.) Pada prsamaa (.) dua ruasya dala vrs dar matrs, shgga dprolh: Shgga dprolh stmator utu MKT adalah (.) C. Pguja Asums Aalss Rgrs Pguja asums aalss rgrs mrupaa pguja asums-asums statst yag harus dpuh pada aalss rgrs lar brgada yag brbass mtod uadrat trcl. Uj asums yag dlaua pada modl rgrs adalah. Uj Asums Normaltas Aalss rgrs lar mgasumsa bahwa rsdual brdstrbus ormal. Pada rgrs lar las dasumsa bahwa stap ddstrbusa scara radom dga (Gujarat, 4). Salah satu cara utu mguj asums ormala adalah dga uj Kolmogorov-Smrov. Uj ddasara pada la D dga ttua 9

6 dga mrupaa fugs dstrbus omulatf dar dstrbus torts dbawah. mrupaa dstrbus frus omulatf dar obsrvas sbaya. mrupaa rsdu yag brdstrbus ormal. Slajutya la D dbadga dga la D rts dga sgfas pada tabl Kolmogorov-Smrov. Apabla la, maa asums ormaltas dpuh.. Uj Asums Homosdaststas Salah satu asums ptg dalam aalss rgrs adalah varas rsdu ( ) pada stap varabl adalah homosdaststas (Gujarat, 4). Tujua dar pguja adalah utu mgtahu apaah varas pada tap rsdu osta. Ja varas pada tap rsdu brbda dsbut htrosdaststas. Asums dapat dtuls sbaga brut Salah satu cara utu mguj samaa varas yatu dga mlhat pola sbara rsdu trhadap la stmas y. Ja sbara rsdu brsfat aca (tda mmbtu pola trttu), maa dataa bahwa varas ssaa homog (Drapr & Smth, 98). Pjlasa trsbut dapat trlhat pada gambar. brut:

7 (a.) Homosdaststas (b.) Htrodaststas Gambar. scattr-plot Uj Homosdaststas da Htrodaststas Sumbr: (Gujarat, 4) Dar gambar.(a.) trlhat bahwa pola sbara data mybar scara mrata da tda mmbtu suatu pola trttu shgga data brsfat

8 homosdaststas. Sdaga pada gambar. (b.) trlhat bahwa pola sbara data mmbtu pola trttu shgga data brsfat htrodaststas. Salah satu cara utu mdts htrosdastas adalah dga pguja orlas ra sparma yag ddfsa sbaga brut (Gujarat, 4): dga mrupaa slsh atara masg-masg ra varabl dpd dga varabl dpd da mrupaa bayaya data yag d ra. Tahapa-tahapa dalam mdts htrosdastas adalah sbaga brut (Gujarat, 4): a. Mlaua aals rgrs dga mgguaa mtod uadrat trcl (MKT) utu mghtug mlalu la. b. Mgabsoluta la, muda mragg la absolut da ssua dga uruta yag mgat atau muru da mghtug ofs ra orlas sparma yag tlah dbra sblumya. c. Mgasumsa bahwa ofs ra orlas populas adalah ol da > 8, sgfa dar dapat duj dga pguja sbaga brut:. H : H :

9 . Plh. Darah rts: H dtola ja v. Statst uj dga drajat bbasaya adalah, dga mrupaa la ofs orlas sparma da mrupaa bayaya sampl. Uj sgfas t d atas brfugs apabla plt g mcar maa hubuga varabl dpd trhadap varabl dpd. v. Krtra putusa Ja H maa asums htrosdaststas dpuh. 3. Uj Asums No Autoorlas Salah satu asums dar rgrs lar adalah bahwa tda adaya autoorlas atara sragaa pgamata yag duruta murut watu. Pdtsa autoorlas dapat ddts scara grafs yatu dga mlhat scattr-plot rsdu trhadap uruta watu. Ja sbara rsdu trhadap uruta watu tda mmbtu pola trttu atau brsfat aca maa dapat dsmpula tda ada autoorlas atar rsdu. Utu mdts autoorlas dapat mgguaa mtod graf, ara mtod palg sdrhaa salgus mrupaa lagah awal utu mdts adaya autoorlas. Ssua dga dfsya, mtod mmbadga atara rsdu dga varabl. Sla tu, dga mmbadga atara rsdu -t dga rsdu -(t-). Suatu graf 3

10 mgdasa adaya autoorlas dapat dlhat dar polaya. Suatu graf dataa mgadug autoorlas ta trdapat pola atara rsdu dga watu atau atara rsdu -t sampa -(t-). (a) Autoorlas Postf (b) Autoorlas Ngatf Gambar. Graf Autoorlas Postf da Autoorlas Ngatf Pada gambar. dapat dlhat bahwa graf mmbtu pola slus shgga ddasa trdapat autoorlas. Hal juga dduug dga graf atara rsdu -t dga rsdu -(t-) yag mujua adaya hubuga lar. Srta pada gambar. d atas trdapatya autoorlas postf da gat, dmaa autoorlas postf trlhat pada gambar. (a), sdaga autoorlas gatf trlhat pada gambar. (b) (Gujarat, 4). Pguja autoorlas scara mprs dlaua dga mgguaa uj Durb-Watso (Gujarat, 4). Adapu lagah-lagahya adalah 4

11 a. Mlaua prhtuga MKT utu mmprolh la, b. Mcar bsarya la c. Utu uura sampl da, dga p mrupaa bayaya paramtr shgga dprolh la rts da, d. Utu statst d dar Durb-Watso dapat dlhat pada tabl d lampra 9. Pgambla putusa ada tdaya autoorlas adalah (Gujarat, 4): a. Bla la DW trlta atara batas atas atau uppr boud da, maa ofs aoutoorlas sama dga ol, brart tda ada autoorlas. b. Bla la DW lbh rdah darpada batas bawah atau lowr boud, maa ofs aoutoorlas lbh bsar darpada ol, brart ada autoorlas postf. c. Bla la DW lbh bsar darpada, maa ofs autoorlas lbh cl darpada ol, brart ada autoorlas gatf. d. Bla la DW trlta atara batas atas da batas bawah da ja la DW trlta atara da, maa haslya tda dapat dsmpula. 4. Uj Asums No Multolartas Kolartas trjad ara trdapat orlas yag cuup tgg d atara varabl dpd. VIF (Varac Iflato Factor) mrupaa 5

12 salah satu cara utu mguur bsarya olartas da ddfsa sbaga brut (Motgomry, Pc, & Vg, 6): dga mrupaa ofs dtrmas yag dhasla dar rgrs varabl dpd. Nla VIF mjad sma bsar ja trdapat orlas yag sma bsar datara varabl dpd. Ja la VIF lbh dar, maa multolartas mmbra pgaruh yag srus pada stmas mtod uadrat trcl (Har, Blac, Bab, & Adrso, ). D. Outlr Murut (Shs, 4) outlr mrupaa suatu obsrvas pada sumpula data yag tda osst trhadap umpula data sluruha. Murut (Klbum, Kuppr, Nzam, & Kth, 8), dfs dar outlr adalah ssuatu yag laga atau obsrvas yag tda basa yag mucul pada salah satu tt strm dar sbaga bsar data. Dma pula murut (Hampl, Rochtto, Roussuw, & Stahl, 986), dfs outlr adalah data yag tda mgut pola umum dalam modl rgrs yag dhasla, atau tda mgut pola data scara sluruha. Muculya outlr pada data dsbaba olh bbrapa muga, yatu trdapatya salaha prosdur dalam mmasua data; salaha dalam pguura atau aalss; da daraa adaya adaa yag bar-bar husus, sprt padaga rspod trhadap ssuatu yag mympag daraa adaya suatu alasa yag tda dtahu olh plt sdr. 6

13 Outlr sagat brpgaruh dalam pross aalss data, yatu salah satuya trhadap la ma da stadar dvas. Olh ara tu, bradaa outlr dalam suatu data harus datas. Dalam ataya dga aalss rgrs, outlr dapat mybaba hal-hal brut (Somart, 7):. Rsdu yag bsar dar modl yag trbtu atau. Varas pada data mjad lbh bsar 3. Itrval data mml rtag yag lbar Polaa bgtu saja trhadap suatu outlr pada data bualah prosdur yag bjasaa, ara adaalaya data outlr tmbul dar ombas adaa yag tda basa yag mug saja sagat ptg da prlu dsld lbh lajut. Data outlr dapat mrupaa suatu pgamata yag brpgaruh, artya pgamata yag dapat mmpgaruh hasl stmas ofs rgrs. Olh ara tu tdaa mmbuag pgamata brpgaruh aa mgubah scara brart prsamaa rgrs srta smpulaya (Drapr & Smth, 98). Pada aalss rgrs, trdapat 3 tp outlr yag mmpgaruh hasl stmas uadrat trcl yatu sbaga brut (Somart, 7): a. Vrtcal outlr Mrupaa suatu tt yag mjad outlr ara mml oordat y yag strm. Vrtcal outlr dapat djlasa brdasara pada gambar. brut 7

14 Gambar.3 Vrtcal Outlr Sumbr: (Vrard, 8) b. Good lvrag pot Mrupaa suatu tt yag mjad outlr pada varabl dpd ttap trlta dat dga gars lar, yag brart bahwa obsrvas apabla mjauh ttap coco dga gars lar. Good lvrag tda brpgaruh trhadap stmas uadrat trcl, ttap brpgaruh trhadap frs statst ara dapat mgata stmas stadar rror. Good lvrag pot dapat djlasa brdasara pada gambar.3 brut c. Bad lvrag pot Gambar.4 Good Lvrag Pot Sumbr: (Vrard, 8) Mrupaa suatu tt yag mjad outlr pada varabl dpd ttap trlta jauh dga gars lar. Bad lavrag brpgaruh sgfa trhadap stmas uadrat trcl. Bad lvrag pot dapat djlasa brdasara pada gambar.4 brut 8

15 Gambar.5 Bad Lvrag Pot Sumbr: (Vrard, 8) Mtod yag dguaa utu mgdtfas adaya outlr yag brpgaruh dalam ofs rgrs adalah sbaga brut:. Dagram Pcar (Scattr Plot) Kutuga dar mtod adalah mudah utu dpaham ara mampla data scara grafs da tapa mlbata prhtuga yag rumt. Sdaga lmaha pada mtod adalah putusa yag mmprlhata data yag mrupaa outlr atau bua haya trgatug pada bjaa plt, ara haya mgadala vsualsas mlalu gambar. Utu mlhat apaah trdapat outlr pada data obsrvas dapat dlaua dga mmplota atara la rsdu ( ) dga la prds sprt pada gambar.6 brut 9

16 Gambar.6 Cotoh scattr-plot atara rsdu dga la prds Dar cotoh d atas trlhat bahwa obsrvas -4, -5, -6 da -7 mrupaa data obsrvas yag mgdasa adaya outlr, ara mpat tt trsbut brada jauh sumpula data yag laya. Sla mgguaa mtod grafs scattr-plot d atas, ja modl rgrs tlah ddapata muda mmplota atara rsdu dga la prds. Ja trdapat satu atau bbrapa data yag trlta jauh dar pola umpula data sluruha, maa hal mgdasa adaya outlr pada data. Klmaha dar mtod adalah putusa suatu data mrupaa outlr sagat brgatug pada bjaa plt, ara haya mgadala vsualsas grafs. Utu mmmuma salaha ts, maa pdtsa adaya outlr pada data prlu dlaua mlalu prhtuga statsts yag aa djlasa pada baga slajutya.

17 . Boplot Mtod mrupaa yag palg umum ya dga mmprguaa la uartl dar jagaua. Kuartl,, da 3 aa mmbag sbuah uruta data mjad mpat baga. Jagaua (IQR, trquartl Rag) ddfsa sbaga slsh uartl trhadap uartl 3, atau. Data-data outlr dapat dttua yatu la dga uartl yag urag dar trhadap uartl da la dga uartl yag lbh dar trhadap uartl 3. Gambar.7 Sma Idtfas Outlr Mgguaa IQR atau boplot 3. Rsdu Jacf (R-Studt) Mtod yag dguaa utu mgdtfas adaya outlr yag brpgaruh dalam ofs rgrs adalah rsdu Jacf. Rsdu Jacf mrupaa rsdu yag dguaa utu mdts bradaa outlr. Dfs Jacf (atau dsbut juga dga trally studtzd atau crossvaldatd)

18 rsdual atau basa juga dsbut sbaga R-studt, yag dlambaga dga adalah (Faraway, ): (.3) dga brdstrbus ja modl asums trpuh da. mrupaa matrs tapa bars - da mrupaa matrs bars -. mrupaa lm dagoal - dar matrs hat dga da mrupaa rsdu -. Prsamaa (.3) d atas uval dga: (.4) bahwa mrupaa fugs mooto dar, mrupaa stadardzd rsdual. Dga mrupaa stmas dar brdasara pada (-) obsrvas yag trssa stlah obsrvas - dhapus. Murut (Chattrj & Had, 986) adalah, (.5) Smtara mmpuya drajat bbasaya. Sdaga mmpuya drajat bbasaya ara obsrvas - dhapus. Nla rsdu Jacf yag ddtfas sbaga outlr adalah data dga la Jaccf atau la -ya mlbh la rt, dga p mrupaa paramtr da bayaya obsrvas.

19 E. Rgrs Robust Rgrs robust dprala olh Adrws (97) mrupaa mtod rgrs yag srg dguaa ta trdapat bbrapa outlr yag brpgaruh pada modl da tapa mghapus data yag trdtfas adaya outlr trsbut. Mtod mrupaa alat ptg utu mgaalss data yag dpgaruh olh outlr shgga dhasla modl yag robust atau rsstac trhadap outlr. Suatu stmator yag robust adalah rlatf tda brpgaruh olh adaya prubaha bsar pada baga cl data atau prubaha cl pada baga bsar data (Wdodo, Gurto, & Haryatm, 3). Murut (Ch, ) mtod-mtod stmas dalam rgrs robust dataraya adalah:. Estmas-M (Mamum llhood typ) yag dprala olh Hubr (973) mrupaa mtod yag sdrhaa ba dalam prhtuga maupu scara torts.. Estmas-LMS (Last Mda Squars) mrupaa mtod yag dprala olh Hampl (975). Mtod mml la bradow pot hgga 5%, amu mml fss yag sagat rdah. Bradow pot mrupaa uura umum dar data outlr yag dapat dtaga sblum obsrvas mmpgaruh modl prds (Roussuw, 984). 3. Estmas-LTS (Last Trmmd Squars) mrupaa mtod yag mml la bradow pot tgg yag dprala olh Roussuw (984). 3

20 4. Estmas-S (Scal) juga mrupaa mtod dga mml la bradow pot tgg yag dprala olh Roussuw da oha (984). Ms mml la bradow pot yag sama dga stmas-lts, amu stmas-s mml fss yag lbh tgg dbadg stmas-lts. 5. Estmas-MM (Mthod of Momt) mrupaa mtod yag dprala olh oha (987). Mtod mrupaa mtod yag mggabuga stmas-s (stmas yag mml la bradow pot tgg) da stmas-m. F. Kofs Dtrmas Kofs dtrmas atau basa dsbut dga mrupaa salah satu uura yag sdrhaa da srg dguaa utu mguj ualtas suatu prsamaa gars rgrs (Gujarat, 4). Nla ofs dtrmas mmbra gambara ttag ssuaa varabl dpd dalam mmprds varabl dpd. Sma bsar la, maa sma bsar varas varabl dpd () yag djlasa olh varas varabl-varabl dpd (). Sbalya, sma cl la, maa sma cl varas varabl dpd yag dapat djlasa olh varas varabl dpd. Sfat dar ofs dtrmas adalah (Gujarat, 4): a. mrupaa bsara yag o-gatf b. Batasya adalah Apabla la ofs dtrmas sma bsar atau mdat, mujua adaya hubuga yag smpura. Sdaga apabla la ofs 4

21 dtrmasya sbsar mujua bahwa tda trdapat hubuga atara varabl dpd dga varabl dpd. G. Bradow pot Bradow pot mrupaa fras trcl dar data yag trotamas outlr yag dapat mybaba stmator tda brfugs (Motgomry, Pc, & Vg, 6). Bradow pot adalah jumlah obsrvas mmal yag dapat mggata sjumlah obsrvas awal yag brabat pada la stmator yag dhasla sagat brbda dar stmator sbarya. Dga ata la, bradow pot sbaga suatu uura robusta dar suatu stmator. Bradow pot mrupaa uura umum propors dar outlr yag dapat dtaga sblum obsrvas trsbut mmpgaruh modl prds. Sma bsar la prstas dar bradow pot pada suatu stmator, maa stmator trsbut sma robust (Sahar, ). Rgrs robust yag mmpuya bradow pot adalah rgrs robust dga mtod stmas-s, LTS, LMS, da MM. Estmas-S dapat dguaa utu mgatas masalah outlr dga propors hgga 5% srta dguaa ta varabl dpd da varabl dpd trdapat outlr. H. Rsdu Robust da Jara Robust (Robust Dstac) Rsdu robust da jara robust mml baya utuga. Prtama, robust rsdual (RD) mujua adaya outlr pada rgrs lbh ba dbadga dga mtod uadrat trcl. Jara Mahalaobs ddfsa sbaga (SAS Isttut, 4): 5

22 dmaa da. ds bua mrupaa varabl osta. Hubuga atara jara Mahalaobs da matrs hat adalah Jara robust ddfsa sbaga dmaa da mrupaa vtor rata-rata robust da matrs ovaras robust. Jara Mahalaobs da jara robust dguaa utu mdagosa tt lvrag. Aa ttap jara robust lbh dapat dprcaya utu mdagosa tt lvrag darpada jara Mahalaobs atau matrs hat. Lvrag adalah obsrvas dga la strm pada varabl dpd atau uura jauhya varabl dpd mympag dar rata-rataya. Tt lvrag ddfsa sbaga dga la cutoff. Pada rgrs lar, outlr mrupaa obsrvas dga la rsdu yag bsar, artya pada obsrvas trsbut la varabl dpd tda ssua dga la yag dbra olh varabl dpd. Tt outlr dapat ddts dga mgguaa la rsduya, da ddfsa sbaga 6

23 dmaa y ), =,..., brdasara pada ( stmas rgrs robust dguaa utu mdts vrtcal outlr. 7

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

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

Lebih terperinci

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

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

Lebih terperinci

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN 085-789 Prbadga Hasl Klasfas Mgguaa Rgrs logst da Aalss Dsrma Kuadrat Pada Kasus Pglasfasa Jurusa D SMA Ngr 8 Samarda Tahu Aara 04/05 Comarso of Classfcato

Lebih terperinci

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

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

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

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

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

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,

Lebih terperinci

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

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

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

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

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

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

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

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL

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

Lebih terperinci

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

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

Lebih terperinci

BAB IV METODOLOGI PENELITIAN

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE TIGA.

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

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

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

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

REGRESI LOGISTIK BINER

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

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

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

Lebih terperinci

3.1 Hubungan Dasar Probabilitas Probabilitas adalah harga perbandingan jumlah kejadian (A) yang mungkin dapat

3.1 Hubungan Dasar Probabilitas Probabilitas adalah harga perbandingan jumlah kejadian (A) yang mungkin dapat . Hubuga Dasar rbabltas rbabltas adalah harga prbadga jumlah kjada A yag mugk dapat trjad trhadap jumlah ksluruha kjada yag mugk trjad dalam sbuah prstwa. Cth:. luag utuk mdapatka agka gap dar lmpara sbuah

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

ESTIMASI REGRESI MODEL LOGIT DENGAN METODE MAKSIMUM LIKELIHOOD SKRIPSI. Oleh: DINUL WAFA NIM

ESTIMASI REGRESI MODEL LOGIT DENGAN METODE MAKSIMUM LIKELIHOOD SKRIPSI. Oleh: DINUL WAFA NIM STIMASI RGRSI MODL LOGIT DNGAN MTOD MAKSIMUM LIKLIHOOD SKRIPSI Olh: DINUL WAFA NIM. 5548 JURUSAN MATMATIKA FAKULTAS SAINS DAN TKNOLOGI UNIVRSITAS ISLAM NGRI MAULANA MALIK IBRAHIM MALANG 9 STIMASI RGRSI

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Ir. Tito Adi Dewanto

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

Lebih terperinci

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

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

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA Dlta-P: Jural Matmatka da Pddka Matmatka ISSN 89-855X Vol., No., Oktobr 3 ALJABAR LINTASAN LAVITT SDRHANA Ida Kura Walyat Program Stud Pddka Matmatka FKIP Urstas Kharu, Trat mal: adhku@gmal.com ABSTRAK

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

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

Lebih terperinci

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.

Lebih terperinci

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

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

Lebih terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

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

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

SKRIPSI. oleh: FARIDA KARUNIAWATI NIM

SKRIPSI. oleh: FARIDA KARUNIAWATI NIM ANALISIS REGRESI DUMMY VARIABLE MODEL LOGIT (Kasus pada Estmas Huja d Karagploso, Malag) SKRIPSI olh: FARIDA KARUNIAWATI NIM. 0650028 JURUSAN MATEMATIKA FAKULTAS SAIN DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

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

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

Lebih terperinci

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT Catata Kuliah EL Aalisis Numrik BAB HAMPIRAN TAYLOR DAN ANALISIS GALAT. Pgatar Mtod Numrik Ktika kita mylsaika prsamaa-prsamaa matmatika di maa torma-tormaya masih dapat ditrapka, solusi aalitik atau solusi

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

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

Lebih terperinci

ESTIMASI TITIK BAYESIAN OBYEKTIF

ESTIMASI TITIK BAYESIAN OBYEKTIF ESTIMASI TITIK BAYESIAN OBYEKTIF Adi Stiawa (adi_stia_3@yahoo.com) Program Studi Matmatika, Fakultas Sais da Matmatika Uivrsitas Krist Satya Wacaa Jl Dipogoro 52-6 Salatiga 57, Idosia Abstrak Estimasi

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

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

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

Lebih terperinci

BAB 2 TEORI DASAR (2-3) (2-4) E = Medan Listrik H = Medan Magnet

BAB 2 TEORI DASAR (2-3) (2-4) E = Medan Listrik H = Medan Magnet BAB TORI DASAR. PRINSIP DASAR GPR Radar mrupaa ala ag dguaa uu md ara aau arah uau bda aomal dga glombag rado baga umbr rada. Salah au pgmbaga apla glombag rado adalah Groud Prag Radar GPR ag dguaa uu

Lebih terperinci

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

Lebih terperinci

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DAN METODE BAYES DALAM PENDUGAAN PARAMETER DISTRIBUSI EKSPONENSIAL

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DAN METODE BAYES DALAM PENDUGAAN PARAMETER DISTRIBUSI EKSPONENSIAL Bult Ilmah Mat. Stat. a Trapaya (Bmastr) Volum, No. (3), hal. 5 56. PRBANDINGAN MTOD MAXIMUM LIKLIHOOD STIMATION (ML) DAN MTOD BAYS DALAM PNDUGAAN PARAMTR DISTRIBUSI KSPONNSIAL Dw Nurlala, Daa Kusaar,

Lebih terperinci

Transformasi Z Materi :

Transformasi Z Materi : 4 Trasformasi Z Matri : Dfiisi Trasformasi Darah Kovrgsi (Rgio of Covrgc) Diagram Pol Zro Sifat Trasformasi Trasformasi dalam Btu Poliomial Rasioal Fugsi Sistm atau Fugsi Trasfr H() dari Sistm Liir Tida

Lebih terperinci

PERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG

PERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG PERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG Sudaro Jurusa Matatka FMIPA UNDIP Jl Prof H Sodarto SH Tbalag Sarag 575 Abstract Coutg probablty a two-tald hypothss dtr lvl of th

Lebih terperinci

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014) Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number

Lebih terperinci

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

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

Lebih terperinci

Distribusi Poisson Tergeneralisasi Tak Terbatas dan Beberapa Sifat-Sifatnya ( Suatu pengembangan teori statistika matematika)

Distribusi Poisson Tergeneralisasi Tak Terbatas dan Beberapa Sifat-Sifatnya ( Suatu pengembangan teori statistika matematika) Dstrbs osso Trgralsas Ta Trbatas da Bbrapa SfatSfatya Sat pgmbaga tor statsta matmata tjah Solah Tgg Agama Islam Ngr STAIN rworto Jl A Ya No 4A rworto Abstra Dstrbs osso dmbaga mjad Dstrbs osso Trgralsas

Lebih terperinci

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah 3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa

Lebih terperinci

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM

Lebih terperinci

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN II. PERANAN TATITIK DALAM ANALII PERCOBAAN Hal-hal yang prl dplajar. 1. baran Normal dan sbaran t- stdnt. Mmbandngan da harga rata-rata sampl. a. Prbandngan da harga rata-rata sampl tda brpasangan npard

Lebih terperinci

Aplikasi Metode Matrix Cascade Pada Perhitungan Koefisien Pantul Gelombang Suara Bawah Air Untuk Dasar Laut Miring

Aplikasi Metode Matrix Cascade Pada Perhitungan Koefisien Pantul Gelombang Suara Bawah Air Untuk Dasar Laut Miring Apliasi tod atri Cascad Pada Prhituga Kofisi Patul Glombag Suara Bawah Air Utu Dasar aut irig Day Friyadi da Irsa Somatri Brodjogoro Program Studi Ti Klauta, Istitut Tologi Badug (Email : dayf899@gmail.com)

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

Distribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data

Distribution of the Difference of Two Independent Poisson Random Variables and Its Application to the Literate Population Data Esata: Jural Imu-Ilmu MIA p. ISSN: 4-47. ISSN: 5-64 Distributio of th Diffrc of Two Idpdt oisso Radom Variabls ad Its Applicatio to th Litrat opulatio Data Atia Ahdia rogram Studi Statistia Uivrsitas Islam

Lebih terperinci