ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR

Ukuran: px
Mulai penontonan dengan halaman:

Download "ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR"

Transkripsi

1 ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR Devma Chrst Mukt Ratau (), Dr. Dra. Isma Za, M. S. () Jurusa Statstka, Fakultas Matematka da Ilmu Pegetahua Alam, Isttut Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm, Surabaya 60 E-mal: (), () Abstrak Partspas agkata kera merupaka keterlbata seseorag dalam bdag ekoom, dbedaka mead bekera da tdak bekera. Persetase perempua yag bekera sebaga besar adalah berstatus mekah (str), utuk selautya dsebut perempua kaw. Faktor-faktor yag dduga berpegaruh adalah faktor teral da faktor eksteral (kehadra aak da suam), sehgga peelta bertuua utuk megetahu karakterstk perempua kaw dalam kegata ekoom d Jawa Tmur da uga utuk megetahu model double hurdle pada partspas perempua kaw dalam kegata ekoom d Jawa Tmur. Sumber data yag dguaka adalah data Suseas 0, terdapat sembla varabel depede yag dguaka, yatu umur, peddka akhr, umlah aggota rumah tagga, umlah aak bekera, umlah aak balta, umlah aak sekolah, umur suam, peddka akhr suam, da status kera suam. Pada pemodela ddapatka lma varabel yag berpegaruh terhadap keputusa partspas perempua kaw dalam ekoom, yatu umur, peddka akhr, umlah aak balta, peddka akhr suam da status kera suam, sedagka varabel yag berpegaruh pada persamaa kosums yag dguaka utuk mempredks pedapata perempua kaw yag berpartspas dalam ekoom adalah umur, peddka akhr, umlah aggota rumah tagga, umlah aak bekera, umlah aak balta, umur suam, peddka akhr suam, da status kera suam. Kata Kuc Double Hurdle, Partspas Ekoom Perempua Kaw, Pedapata P I. PENDAHULUAN ARTISIPASI Agkata Kera merupaka keterlbata seseorag dalam bdag ekoom, dbedaka mead bekera da tdak bekera (dkeal dega megaggur). Secara dvdu, partspas perempua dalam agkata kera dapat dlhat dar plha bekera atau tdak bekera dalam kegata ekoom []. Salah satu peyebab pegkata partspas perempua dalam agkata kera adalah megkatya partspas peddka perempua []. Pada tahu 006 sampa dega tahu 008, agka partspas sekolah (APS) utuk perempua berumur 7-8 tahu selalu megalam pegkata yatu sebesar kurag lebh 0,3 perse setap tahuya. Sela tu, kemska uga merupaka salah satu faktor peyebab masukya perempua dalam partspas d bdag ekoom [3]. Persetase perempua yag bekera sebaga besar berstatus mekah (str), utuk selautya dsebut perempua kaw [4]. Perempua kaw dalam mecar pekeraa mempuya beberapa pertmbaga, meggat peraya sebaga str da sebaga bu rumah tagga. Pera gada perempua kaw secara lagsug maupu tdak lagsug telah mempegaruh keputusa bekera atau tdak bekera [5]. Sehgga peddka da lokas tempat tggal dapat mempegaruh partspas perempua kaw d bdag ekoom. Sebelumya, peelta tetag faktor-faktor yag mempegaruh buruh wata bekera pada sektor pertaa da dustr d Sumatera Barat megguaka metode regres logstk ber [6]. Pegguaa regres logstk ber aka meyembuyka formas varabel depede karea varabel depede haya berla da 0. Peelta la tetag faktor-faktor yag mempegaruh pedapata perempua kaw yag berpartspas dalam kegata ekoom khususya d Jawa Tmur dega megguaka metode regres tobt [7]. Pada peelta kegata ekoom agkata kera perempua dbag mead perempua bekera da perempua tdak bekera. Perempua yag bekera dkodg, sedagka yag tdak bekera dkodg 0. Sela tu perempua yag bekera aka mempuya pedapata tertetu sedagka perempua yag tdak bekera tdak mempuya pedapata atau dega kata la pedapataya berla ol. Model double hurdle lebh relabel dbadgka dega model tobt [8]. Oleh karea tu peelta megguaka aalss regres double hurdle utuk megetahu seauh maa karakterstk demograf, peddka da lokas tempat tggal mempegaruh partspas perempua kaw dalam kegata ekoom d Jawa Tmur. II. TINJAUAN PUSTAKA A. Cross Tabulato Cross tabulato yatu suatu metode statstk yag meggambarka dua atau lebh varabel secara smulta da haslya dtamplka dalam betuk tabel yag mereflekska dstrbus bersama dua atau lebh varabel dega umlah kategor yag terbatas [9]. Berkut statstk u yag dguaka. χ ht = e, e () dmaa e =. x... Tolak H 0 apabla χ ht > χ (α,(r )(c )). B. U Korelas Korelas adalah metode statstk yag dguaka utuk mecar hubuga atara dua varabel atau lebh.. Korelas Pearso Korelas pearso dguaka utuk meghtug korelas atar varabel kotyu atau dskrt. Berkut adalah hpotess pegua korelas Pearso [0] H 0 : ρ (tdak ada korelas atar varabel) H : ρ 0 (ada korelas atar varabel)

2 (x x ) (y y ) r s = = s x s y Tolak H 0 ka P value < α atau ka r s > r α,df.. Korelas Rak Spearma Hpotess pegua korelas rak spearma. H 0 : ρ (tdak ada korelas atar varabel) H : ρ 0 (ada korelas atar varabel) Koefse korelas Spearma ( r s ) []. 6 d rs = Rrak = ( ) d : selsh dar pasaga rak ke : bayakya pasaga rak Tolak H 0 ka P value < α atau ka r s > r α,df. C. Regres Logstk Ber Regres logstk ber merupaka suatu metode aalss data yag dguaka utuk mecar hubuga atara varabel respo yag bersfat dkotomus dega varabel predktor yag bersfat polkotomus []. Model regres logstk adalah sebaga berkut. π(x) = e 0+ x + + p x p (4) + e 0+ x + + p x p Persamaa model trasformas logt yag merupaka fugs ler dar parameter-parameterya sebaga berkut. g(x) = l π(x) (5) π(x) = 0 + x + + p x p Estmas parameter dalam regres logstk dlakuka dega metode Maxmum Lkelhood. Persamaa lkelhoodya adalah sebaga berkut. (6) L() = [π(x ) y ( π(x )) y ] = π(x ) y π(x ) π(x ) = = Berkut adalah pegua sgfkas regres logstk ber.. U Parsal Hpotess pegua parsal adalah sebaga berkut. H 0 : H : 0 ; =,,..., p Statstk u: ˆ W = (7) ˆ SE( ) Tolak H 0 ka W > χ ( k, α ) dega k bayakya parameter dalam model.. U Seretak Hpotess yag dguaka dberka sebaga berkut. H 0 : = =... = p H : Palg tdak terdapat satu 0 ; =,,..., p Statstk u: dmaa: = G l y ˆ π y = 0 = = ( ) 0 ( ) ( y ) ˆ π = 0 y = + 0 = ( k, α Tolak H 0 ka G > χ ) dega k deraat bebas adalah bayakya parameter dalam model. D. Regres Tobt Regres tobt merupaka suatu metode aalss data yag dguaka utuk mecar hubuga atara varabel respo yag berupa data tersesor dega varabel predktor. Formulas model tobt secara umum adalah sebaga berkut [3]. () (3) (8) (9) y = y, y > 0 0, y 0 dmaa =,,..., da y * adalah varabel respo dega persamaa sebaga berkut. y (0) = x + u dmaa, y = vektor dar varabel depede x = vektor dar varabel depede = koefse vektor yag berukura kx yag tdak dketahu, k adalah bayakya parameter u = resdual model yag megkut dstrbus ormal tersesor (0,σ ). Estmas parameter model Tobt megguaka Maxmum Lkelhood Estmator (MLE). Fugs lkelhood utuk model adalah sebaga berkut. L() = σ ϕ y x σ y >0 Φ x σ y =0 () Pegua parameter dlakuka utuk megetahu apakah varabel depede yag dmasukka dalam model regres tobt mempuya pegaruh terhadap varabel depede [4].. U Parsal Hpotess utuk u parsal yatu u Wald adalah sebaga berkut. H 0 : H : 0 ; =,,..., p Statstk u: ˆ W = () ˆ SE( ) H 0 dtolak ka W > χ ( k, α ) dega k bayakya parameter dalam model.. U Seretak Hpotess u seretak adalah sebaga berkut. H 0 : = =... = p H : Palg tdak terdapat satu 0 ; =,,..., p Statstk u yag dguaka adalah sebaga berkut. λ = l( L( ˆ)) ω l( L( Ωˆ )) dmaa: L(ωˆ) adalah fugs lkelhood d bawah H 0 L(Ωˆ ) adalah fugs lkelhood d bawah H L(ω) = L( 0, σ ) = σ ϕ (y 0 ) Φ 0 σ σ y >0 y =0 L(Ω) = L 0,,,, p, σ = σ ϕ (y x ) Φ x σ σ y >0 y =0 Tolak H 0 ka λ > χ ( k, α ). (3) E. Regres Double Hurdle Model double hurdle terdr dar persamaa partspas da persamaa kosums sebaga berkut [5]. a. Persamaa Partspas w = z t α + u ; u ~N(0,) d =, ka w > 0 0, laya (4) Pada kasus d = utuk observas perempua kaw yag bekera da d =0 utuk observas yag tdak bekera. b. Persamaa Kosums y = x t + v ; v ~N(0, σ ) y = y ka y > 0 0, laya Keteraga: z = varabel yag mempegaruh persamaa partspas. (5)

3 3 x = varabel yag mempegaruh persamaa kosums. d = varabel late yag medeskrpska keputusa kekutsertaa megguaka pada persamaa partspas. y = observas pegguaa suatu barag yag sedag damat. * y = tgkat kosums setap dvdu/rumah tagga ke-. U sgfkas parameter regres double hurdle adalah u parsal. Hpotess u parsal adalah sebaga berkut. H 0 : α H : α 0 Dmaa =,, 3,..., p. Statstk u yag dguaka adalah sebaga berkut. t = α (6) SE(α ) dega SE(α ) = stadar eror koefse estmas α. Tolak H 0 ka t > t tabel. F. Statstka Deskrptf Statstka deskrptf merupaka baga statstka yag membahas tetag metode-metode utuk meyaka data sehgga meark da formatf [6]. Perlu dmegert bahwa statstka deskrptf memberka formas haya megea data yag dpuya da sama sekal tdak meark feresa atau kesmpula. G. Partspas Perempua dalam Kegata Ekoom Partspas ddefeska sebaga keterlbata metal da emos seseorag kepada pecapaa tuua da kut bertaggug awab d dalamya. Secara dvdu perempua dkataka berpartspas dalam ekoom apabla perempua tersebut bekera, da dkataka tdak berpartspas dalam kegata ekoom apabla perempua tersebut tdak bekera. H. Pegerta Pedapata Pedapata adalah hasl berupa uag atau mater laya yag dapat dcapa dar pada pegguaa faktor-faktor produks [7]. Meurut defs BPS pedapata merupaka balas asa yag dterma oleh faktor-faktor produks dalam agka waktu tertetu. Balas asa tersebut dapat berupa sewa, upah atau ga, buga uag ataupu laba. I. Faktor-faktor yag Mempegaruh Partspas dalam Kegata Ekoom Faktor-faktor yag mempegaruh perempua bekera adalah faktor teral dar dalam drya sedr yatu bag perempua yag berpeddka, da faktor eksteral yatu dukuga suam, kehadra aak da masalah pekeraaya, serta faktor relasoal yatu kebutuha fasal, kebutuha sosal-relasoal da kebutuha aktualsas dr [8]. III. METODE PENELITIAN Data yag dguaka pada peelta adalah data hasl Surve Sosal Ekoom Nasoal (Suseas) d Jawa Tmur pada tahu 0. Ut aalss pada peelta adalah rumah tagga perempua kaw, bak yag bekera maupu yag tdak bekera. Tabel Varabel Peelta Varabel Kategor Nama Varabel Pedapata - Y Umur respode - X Peddka terakhr respode (0) SD () SMP () SMA X Tabel Varabel Peelta (Lauta) Varabel Kategor Nama Varabel Jumlah ART - X 3 Jumlah aak yag bekera - X 4 Jumlah aak balta - X 5 Jumlah aak sekolah - X 6 Umur suam - X 7 Peddka terakhr suam (0) SD () SMP Status kera suam () SMA (0) Tdak bekera () Bekera Lagkah aalss secara terperc adalah sebaga berkut.. Melakuka aalss deskrptf pada data karakterstk partspas perempua kaw dalam kegata ekoom.. Melakuka aalss regres double hurdle pada data partspas perempua kaw dalam kegata ekoom. Aalss double hurdle dlakuka dega megguaka software R. Aalss double hurdle secara terperc adalah sebaga berkut. a. Melakuka aalss hubuga atar varabel dalam peelta. b. Memodelka varabel depede dega varabel depede. c. Megu sgfkas parameter. d. Medapatka model partspas da kosums. IV. PEMBAHASAN A. Karakterstk Partspas Perempua Kaw Dalam Kegata Ekoom Gambar (kr) meuukka bahwa persetase perempua kaw yag berpartspas dalam ekoom (bekera) lebh besar dar pada yag tdak berpartspas dalam ekoom (tdak bekera. Gambar (kaa) meuukka persetase suam yag bekera adalah 95 perse da yag tdak bekera adalah 5 perse Gambar Persetase Partspas Perempua Kaw dalam Kegata Ekoom (Kr), Persetase Status Kera Suam (Kaa) 59, 56, Kera Tdak Kera 6,4 5,0 4,4 Gambar Perbadga Persetase Peddka Akhr Istr da Suam Gambar meuukka perbadga peddka akhr str (perempua kaw) dega suam. Berdasarka Gambar terdapat lebh dar 50 perse str da suam berpeddka akhr redah, tetap persetase str yag berpeddka redah lebh besar darpada suam. Sebalkya pada peddka akhr meegah ke atas, persetase suam lebh besar dar pada str. Tabel meuukka la mmum pedapata adalah 0.000, sedagka la maksmum pedapata adalah Jumlah aggota rumah tagga mmum yag dmlk oleh perempua kaw adalah da umlah maksmum adalah 6. Jumlah aak balta, umlah aak bekera da umlah aak sekolah mempuya la mmmum 0. Utuk la mmum da maksmum umur 95 <=SD SMP >=SMA X 8 X 9 5 Kera Tdak Kera 8,8 Istr Suam

4 4 perempua kaw (str) berturut-turut adalah 5 da 83, sedagka la mmum da maksmum umur suam berturut-turut adalah 9 da 98. Nla yag palg bayak mucul dar pedapata adalah Umur perempua kaw memlk modus sebesar 46. Nla yag palg bayak mucul pada umur suam adalah atara retag 4-43, da la yag palg bayak mucul pada umlah aggota rumah tagga adalah 3. Tabel Mmum, Maksmum da Modus Varabel Peelta Varabel Mmum Maksmum Modus Pedapata Umur Istr (Perempua Kaw) Umur Suam Jumlah ART 6 3 Jumlah balta Jumlah aak bekera Jumlah aak sekolah Tabel 3 Persetase Rumah Tagga Berdasarka Jumlah Aak Balta, Aak Bekera da Aak Sekolah Jumlah aak Jumlah aak balta Jumlah aak bekera Jumlah aak sekolah 0 78,7 80,6 44,8 9,80 5,95 35,47,46,94 6,66 3 0,0 0,45 3,5 4-0,0 0,40 5-0,0 0, ,0 Total Tabel 3 meuukka bahwa rumah tagga perempua kaw yag tdak memlk aak balta adalah sebesar 78,7 perse, rumah tagga perempua kaw yag tdak memlk aak bekera adalah sebesar 80,6 perse da yag tdak memlk aak sekolah sebesar 44,8 perse. Tabel 4 Persetase Rumah Tagga Berdasarka Jumlah ART Jumlah ART Persetase RT Jumlah ART Persetase RT 4,6 0 0,6 3 9,68 0,04 4 9,8 0,0 5 6,37 3 0,00 6 6,47 4 0,0 7,6 5 0,00 8 0,89 6 0,0 9 0, Total 00 Tabel 4 meuukka bahwa sebaga besar rumah tagga perempua kaw, yatu 9,68 perse, mempuya umlah aggota rumah tagga sebayak 3. Gambar 3 meuukka lebh dar 50 perse perempua kaw yag bekera maupu yag tdak bekera berpeddka akhr redah, sedagka seperempat perempua kaw yag bekera maupu tdak bekera berpeddka akhr meegah atas, serta terdapat sepertuuh perempua kaw yag bekera berpeddka akhr meegah pertama da terdapat seperlma perempua kaw yag tdak bekera berpeddka akhr meegah pertama Bekera Tdak Bekera <=SD SMP >=SMA Gambar 3 Persetase Peddka Akhr Berdasarka Partspas Ekoom Perempua Kaw Berdasarka Gambar 4 bahwa pada perempua kaw yag bekera maupu yag tdak bekera mempuya suam sebaga besar berpeddka akhr redah. Kurag dar seperlma perempua kaw yag bekera maupu yag tdak bekera mempuya suam dega peddka akhr meegah pertama Bekera Tdak Bekera Gambar 4 Persetase Peddka Akhr Suam Berdasarka Partspas Ekoom Perempua Kaw Berdasarka Gambar 5 dketahu bahwa lebh dar sebaga str yag bekera maupu yag tdak bekera memlk suam yag bekera. 9,86 99,8 Istr Kera 8,4 0,8 Suam Kera Istr Tdak Kera <=SD SMP >=SMA Suam Tdak Kera Gambar 5 Persetase Status Kera Suam Berdasarka Partspas Ekoom Perempua Kaw B. Pemodela pada Partspas Perempua Kaw dalam Kegata Ekoom Setelah melakuka aalss statstka deskrptf selautya dlakuka aalss hubuga atara varabelvarabel yag ada dalam peelta da dlautka dega aalss regres double hurdle. Tabel 5 Cross Tabulato atara Partspas Ekoom Perempua Kaw dega Peddka Akhr Peddka Akhr Partspas Ekoom Perempua Kaw Bekera Tdak Bekera <=SD 6 55 SMP 4 0 >=SMA 4 5 Total Pada Tabel 5 ddapatka χ htug = 60,8 da la χ 0,; yatu 4,605, maka tolak H 0 dega kata la ada hubuga atara partspas ekoom perempua kaw dega peddka terakhrya. Tabel 6 Cross Tabulato atara Partspas Ekoom Perempua Kaw dega Peddka Akhr Suam Peddka Akhr Partspas Ekoom Perempua Kaw Suam Bekera Tdak Bekera <=SD 59 5 SMP 4 7 >=SMA 7 3 Total Dar Tabel 6 ddapatka χ htug adalah 4,05 da χ 0,0; sebesar 4,605 maka ddapatka keputusa tolak H 0 dega kata la terdapat hubuga atara partspas perempua kaw dalam kegata ekoom dega peddka terakhr suam. Tabel 7 Cross Tabulato atara Partspas Ekoom Perempua Kaw dega Status Kera Suam Status Kera Suam Partspas Ekoom Perempua Kaw Bekera Tdak Bekera Bekera 9,86 99,8 Tdak Bekera 8,4 0,8 Total Dar Tabel 7 ddapatka la χ htug adalah 7,7735 da la χ 0,0; adalah,706, maka ddapatka keputusa tolak H 0 dega kata la ada hubuga atara status kera suam dega partspas perempua kaw dalam ekoom. Gambar 6 terlhat bahwa Pada retag umur perempua kaw atara 35 sampa 55 tahu dapat dketahu bahwa pedapata perempua kaw lebh besar dar pada retag

5 5 umur perempua kaw yag la. Hal serupa uga terad pada hubuga atara pedapata perempua kaw dega umur suam. Pedapata Umur Umur suam Gambar 6 Scatterplot Varabel Depede dega Varabel Idepede Tabel 8 Korelas atar Varabel Idepede (Kotyu da Dskrt) X X 3 X 4 X 5 X 6 X 7 X -0,05 0,309-0,44-0,65 0,907 (0,83) (0,00) (0,00) (0,00) (0,00) X 3-0,05 0,375 0,75 0,43-0,04 (0,83) (0,00) (0,00) (0,00) (0,03) X4 0,309 0,375-0,68-0,6 0,98 (0,00) (0,00) (0,00) (0,00) (0,00) X5-0,44 0,75-0,68-0,03-0,45 (0,00) (0,00) (0,00) (0,49) (0,00) X6-0,65 0,43-0,6-0,03-0,70 (0,00) (0,00) (0,00) (0,49) (0,00) X7 0,907-0,04 0,98-0,45 0,70 (0,00) (0,03) (0,00) (0,00) (0,00) *. Korelas sgfka pada α,0, la d dalam kurug adalah p-value Pedapata Tabel 9 Korelas atar Varabel Idepede (Kategork) X X 8 X 9 0,707 0,033 X (0,00) (0,004) 0,707 0,035 X 8 (0,00) (0,00) 0,033 0,035 X 9 (0,004) (0,00) *. Korelas sgfka pada α,0, la d dalam kurug adalah p-value Berdasarka output pada Tabel 4.7 da Tabel 4.8 dega megguaka α,0 ddapatka hasl bahwa varabel yag tdak memlk korelas (hubuga) adalah varabel X dega X 3 atau sebalkya, da uga varabel X 5 dega X 6 atau sebalkya, sedagka varabel yag la mempuya korelas (hubuga). Varabel-varabel yag memlk korelas (ρ 0) termasuk memlk korelas yag redah, tetap ada satu varabel yag memlk korelas yag tergolog tgg, yatu atara varabel X dega X 7, kods sepert dapat memugkka adaya multkolertas. Adaya multkolertas dapat meyebabka estmas mead tdak relabel. Tetap hasl u korelas yag ddapatka mash dapat dtoleras karea korelas yag tgg haya terdapat pada X da X 7, korelas atar varabel depede yag la tergolog korelas yag redah. Sela tu pada pedugaa parameter double hurdle dega megguaka program R mash bsa ddapatka matrk Hessa. Apabla terdapat kasus multkolertas maka program R tdak dapat meamplka hasl estmas double hurdle karea matrks Hessa aka mead sgular. Selautya dlakuka pemodela terhadap partspas perempua kaw dalam kegata ekoom dega megguaka aalss regres double hurdle. Tabel 0 meuukka hasl estmas parameter double hurdle partspas ekoom perempua kaw d Jawa Tmur. Pada persamaa partspas terdapat varabel yag tdak sgfka yatu umlah aggota rumah tagga, umlah aak bekera, umlah aak sekolah da umur suam, sedagka pada persamaa kosums varabel yag tdak sgfka adalah umlah aak sekolah Dar Tabel 0 kemuda dapat dbetuk persamaa partspas da kosums dar model double hurdle. Berkut adalah berturut-turut persamaa partspas da kosums yag dhaslka. eg(x) P(Y) = + e g(x) dmaa g(x), , X + 0, X () 0, X () + 0, X 3 0, X 4 0, X 5 + 0,003678X 6 0, X 7 0, X 8() 0,53574X 8() +,93746X 9(0) y, ,008864X + 0,56999X () + 0,44303X () + 0, X 3 0,048367X 4 0,47834X 5 0, X 6 0, X 7 + 0,484658X 8() + 0,734987X 8() + 0,47390X 9(0) Hasl predks pedapata dega megguaka persamaa kosums yag ddapat selautya dkalka seratus rbu karea varabel depede dalam estmas parameter dbag dega seratus rbu atau dalam ratus rbua. Hal dlakuka agar la rage matrks pada waktu estmas parameter tdak terlalu lebar. Tabel 0 Pedugaa Parameter Double Hurdle Partspas Ekoom Perempua Kaw Nla Estmas Parameter Varabel Persamaa Partspas Persamaa Kosums Itersep 0,647047* 0,97399* Umur (X ) 0, * 0, * Peddka akhr (X ()) 0, ,56999* Peddka akhr (X ()) -0, * 0,44303* Jumlah ART (X 3) 0, , * Jumlah aak bekera (X 4) -0, ,048367* Jumlah aak balta (X 5) -0, * -0,47834* Jumlah aak sekolah (X 6) 0, , Umur suam (X 7) -0, , * Peddka akhr suam (X 8()) -0, ,484658* Peddka akhr suam (X 8()) -0,53574* 0,734987* Status kera suam (X 9(0)),93746* 0,47390* Keteraga: * sgfka pada α,0 Tabel Perbadga Iterpretas Model Respode Umur Peddka Akhr Jumlah ART 3 Jumlah aak bekera Jumlah aak balta Jumlah aak sekolah Umur suam Peddka akhr suam Status kera suam 0 0 Peluag Bekera 0,56 0,58 0,487 0,447 0,883 0,866 Pedapata (rupah) Utuk mempermudah terpretas model maka dbuat tabel perbadga terpretas model sepert pada Tabel. Tabel meuukka bahwa dega umur yag sama, semak tgg peddka maka semak besar peluag perempua kaw utuk berpartspas dalam ekoom. Apabla status suam tdak bekera maka peluag perempua kaw utuk berpartspas dalam ekoom lebh tgg dar pada yag memlk suam bekera. Umur perempua kaw

6 6 yag lebh besar cederug mempuya peluag lebh besar utuk berpartspas dalam ekoom. semak bayak umlah aak balta, maka peluag perempua kaw utuk berpartspas dalam ekoom adalah lebh kecl. Apabla dlhat dar pedapataya, perempua kaw yag mempuya peddka tgg aka mempuya pedapata yag lebh tgg. Hal serupa uga aka terad ka umur perempua kaw da umur suam lebh besar maka perempua kaw cederug mempuya pedapata lebh besar. Perempua kaw yag mempuya umlah aggota rumah tagga bayak aka memlk peghasla lebh sedkt dar pada perempua kaw yag mempuya umlah aggota rumah tagga sedkt, da perempua kaw yag memlk suam tdak bekera mempuya peghasla lebh bayak dar pada yag memlk suam bekera. Tabel Ketepata Klasfkas Predks Keyataa Berpartspas Tdak Berpartspas Berpartspas Tdak Berpartspas Dar Tabel dapat dketahu la APER (Apparet Error Rates) adalah 39,78 perse, sehgga ddapatka ketepata klasfkas adalah 60, perse. Ketepata klasfkas pada model kosums dtuukka dega meghtug la rata-rata resdual yag dhaslka. Dar 800 perempua kaw, ddapatka rata-rata resdual sebesar rupah. V. KESIMPULAN Berdasarka hasl da pembahasa yag telah dbahas pada bab sebelumya, kesmpula yag ddapat dar peelta adalah sebaga berkut. Karakterstk partspas perempua kaw dalam kegata ekoom dapat daalss dar varabel-varabel dalam peelta. Sebesar 58 perse perempua kaw berpartspas dalam ekoom da ssaya tdak berpartspas dalam ekoom. Suam yag bekera lebh besar dar pada yag tdak bekera, yatu 95 perse. Berdasarka peddka akhr yag dmlk, lebh dar 50 perse perempua kaw da suam adalah berpeddka redah (kurag dar sama dega SD). Apabla dlhat berdasarka partspas ekoom perempua kaw, sebaga besar perempua kaw yag bekera maupu yag tdak bekera berpeddka akhr redah. Hal tu uga terad pada peddka akhr suam, apabla dlhat berdasarka pertspas ekoom perempua kaw, lebh dar 50 perse suam berpeddka akhr redah. Hampr seratus perse perempua kaw yag bekera maupu yag tdak bekera memlk suam yag bekera, karea hal sesua dega budaya Idoesa dmaa suam sebaga kepala rumah tagga bertugas mecar afkah. Hasl estmas parameter dega megguaka program R meuukka bahwa keputusa utuk berpartspas dalam ekoom dpegaruh oleh umur, peddka akhr, umlah aak balta da peddka akhr suam. Persamaa partspas adalah sebaga berkut. eg(x) P(Y) = + e g(x) dmaa g(x), , X + 0, X () 0, X () + 0, X 3 0, X 4 0, X 5 + 0,003678X 6 0, X 7 0, X 8() 0,53574X 8() +,93746X 9(0) y, ,008864X + 0,56999X () + 0,44303X () + 0, X 3 0,048367X 4 0,47834X 5 0, X 6 0, X 7 + 0,484658X 8() + 0,734987X 8() + 0,47390X 9(0) Pedapata perempua kaw yag berpartspas dalam kegata ekoom dapat dhtug dega persamaa d atas apabla varabel-varabel yag berpegaruh, yatu umur, peddka akhr, umlah ART, umlah aak bekera, umlah balta, umur suam, peddka akhr suam da status kera suam, dketahu. VII. SARAN Karea dketahu hubuga atara beberapa varabel depede da varabel depede yag kotyu adalah tdak ler, hal dapat berpegaruh pada model yag dhaslka, sehgga utuk peelta selautya dsaraka utuk ddekat dega metode regres oparametrk utuk pemodela. Sela tu uga pada peelta selautya varabel pedapata dapat dkategorka berdasarka level pedapata karea varabltas pedapata terlalu tgg. DAFTAR PUSTAKA [] Sayyda. Tess: Aalss Partspas Ekoom Perempuaa dega Metode Regres Logstk Ber Bvarat d Provs Jawa Tmur. Surabaya: ITS. (0). [] Za, I., Wdodo, D.A., da Wuladar, I.A. Pemodela Data Tersesor Partspas Ekoom Perempua pada Rumah Tagga Msk (RTM) da o RTM dega Metode Regres Tobt Multvarat. Lembaga Peelta Isttut Tekolog Sepuluh Nopember. Surabaya. (009). [3] Kodra, dkk. Pegkata Partspas Wata da Pegembaga Hubuga Idustral yag berwawasa Geder d Kawasa Tmur Idoesa (KTI). Jural Peelta VII/3. (00) [4] Sbura, M.L., da Za, I. Aalss Regres Logstk Multomal pada Faktor-faktor yag Berpegaruh terhadap Partspas Ekoom Perempua Berdasarka Lapaga Pekeraa Utama d Jawa Tmur. Lembaga Peelta Isttut Tekolog Sepuluh Nopember, Surabaya. (009). [5] Sukro, S. egatar Teor Mkro Ekoom. Jakarta: PT Raa Grafdo Persada. (000). [6] Muralt, Neg. Skrps. Faktor-faktor Yag Mempegaruh Buruh Wata Bekera Pada Sektor Pertaa da Idustr d Sumatera Barat. Uverstas Adalas: Sumatera Barat. (00). [7] R, M.P. Skrps: Aalss Regres Tobt pada Faktor-faktor yag Mempegaruh Partspas Perempua Kaw dalam Kegata Ekoom d Jawa Tmur. Surabaya: ITS. (00). [8] Cahyagsh, Aryat. Tess: Pedekata Tobt Model da Double Hurdle dalam Pemodela pegeluara Kosums Rokok d Kalmata Tmur. Surabaya: ITS. (0). [9] Pgt, S.W., Salamah, M., Suslagrum, D. Dktat Pegaara Aalss Data Kualtatf. Surabaya: Jurusa Statstka ITS: ITS Press. (009). [0] Rodgers, J. L. & Ncewader, W.A. Thrtee ways to look at the correlato coeffcet. The Amerca Statstca 4: (988). [] Sudaa. Tekk Aalss Korelas da Regres. Badug: Tarsto. (003). [] Hosmer, D. W. Da Lemeshow, S. Appled Logstc Regresso. New York: Joh Wley ad So. (000). [3] Far, R. C. A Note O The Computato Of The Tobt Estmator. Ecoometrca Joural. Vol. 45, No. 7: (977). [4] Tob, J. Estmato of Relatoshps for Lmted Depedet Varabel. Ecoometrca, Vol. 6, (958). [5] Joes, A. M da Ye, T. S. A Box-Cox Double Hurdle Model. The Machester School, 68(), (000). [6] Walpole, Roald. Pegatar Statstka. Jakarta: Grameda Pustaka Utama. (995). [7] Ward. Maaeme Perlaku Orgasas. Badug: Ctra Adtya Bakt. (99). [8] R, Jacta detal.asp?d=5. Dakses pada 3 Jauar 03.

Analisis Regresi Double Hurdle terhadap Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan Kawin dalam Kegiatan Ekonomi di Jawa Timur

Analisis Regresi Double Hurdle terhadap Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan Kawin dalam Kegiatan Ekonomi di Jawa Timur JURNAL SAINS DAN SENI POMITS Vol., No., (03) 337-350 (30-98X Prt) D-9 Aalss Regres Double Hurdle terhadap Faktor-Faktor yag Mempegaruh Partspas Perempua Kaw dalam Kegata Ekoom d Jawa Tmur Devma Chrst Mukt

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

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. 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

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

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 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

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

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

Lebih terperinci

BAB 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

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. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

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

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling.

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling. METODE PENELITIAN Desa, Tempat da Waktu Peelta Peelta megguaka desa cross sectoal study. Lokas peelta d Kota Bogor. Pemlha lokas peelta secara purposve dega pertmbaga merupaka salah satu kecamata dega

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

Analisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR)

Analisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI IS Vol. 5, No., (6) 337-35 (3-98X Prt) D-7 Aalss Pola ubuga PDRB dega Faktor Pecemara Lgkuga d Idoesa Megguaka Pedekata Geographcally Weghted Regresso (GWR) Rza Damayat da Mutah Salamah

Lebih terperinci

Pemodelan Jumlah Balita Gizi Buruk di Jawa Timur dengan Geographically Weighted Poisson Regression

Pemodelan Jumlah Balita Gizi Buruk di Jawa Timur dengan Geographically Weighted Poisson Regression JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 1) ISSN: 31-98X D-9 Pemodela Jumlah Balta Gz Buruk d Jawa Tmur dega Geographcally Weghted Posso Regresso Rahm Amela da Purhad Jurusa Statstka, Fakultas Matematka

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

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

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

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

*Corresponding Author:

*Corresponding Author: Prosdg Semar Sas da Tekolog FMIPA Umul Vol. No. Jul 0, Samarda, Idoesa ISSN : - 0 STRUCTURAL EQUATION MODELLING DENGAN PENDEKATAN PARTIAL LEAST SQUARE (Stud Kasus: Pegaruh Locus of Cotrol, Self Effcacy,

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa

Lebih terperinci

Statistika ITS Surabaya

Statistika ITS Surabaya UJIAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS GIZI BALITA MASYARAKAT NELAYAN KECAMATAN BULAK SURABAYA Oleh : Ctra Elok M 305 00 03 Dose Pembmbg

Lebih terperinci

Analisis Regresi Logistik Ordinal terhadap Faktor-faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya

Analisis Regresi Logistik Ordinal terhadap Faktor-faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (013) ISSN: 337-350 (301-98X Prt) D-177 Aalss Regres Logstk Ordal terhadap Faktor-faktor yag Mempegaruh Predkat Kelulusa Mahasswa S1 d ITS Surabaya Stt Imaslhkah,

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson.

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson. JURNAL SAINS DAN SENI IS Vol. 4, No., (5) 337-35 (3-98X Prt) D45 Pemodela Faktor-Faktor yag Mempegaruh Jumlah Kasus IV & AIDS d Provs Jawa mur ahu 3 Megguaka Bvarate Posso Regresso Lucy Da Pusptasar da

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

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

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

Pengujian Autokorelasi terhadap Sisaan Model Spatial Logistik

Pengujian Autokorelasi terhadap Sisaan Model Spatial Logistik Pegua Autokorelas terhadap saa Model patal Logstk Utam Dyah yaftr, Bagus artoo, alamatuttazl Abstrak Pemodela dega bass ruag (spatal perlu memerhatka pegaruh atar ruag tersebut. Pemodela klask yag megasumska

Lebih terperinci

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

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

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA

ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA Edhy Bastya, da I Nyoma Latra Jurusa Statstka, Fakultas Matematka da

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) 337-35 (31-98X Pr D-31 Aalss Survval Pada Pase Demam Berdarah Degue (DBD) d RSU Haj Surabaya Megguaka Model Regres Webull Alfa Slf Mufdah da Purhad Jurusa Statstka,

Lebih terperinci

MODUL ANALISIS REGRESI DAN KORELASI

MODUL ANALISIS REGRESI DAN KORELASI ANALISIS REGRESI DAN KORELASI MODUL 13 ANALISIS REGRESI DAN KORELASI Dalam kehdupa sehar-har, sergkal djumpa hubuga atara suatu varabel dega satu atau lebh varabel la. D dalam bdag pertaa sebaga cotoh,

Lebih terperinci

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression Prosdg Koferes Nasoal Matematka XVII - 4-4 Ju 4, IS, Surabaya Estmas da Pegua Hpotess pada Model Geographcally Weghted Multomal Logstc Regresso M. Fathurahma, Purhad, Sutko 3, Vta Ratasar 4 Mahasswa S3

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

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

Lebih terperinci

Pemodelan Jumlah Kematian Bayi di Provinsi Jawa Timur Tahun 2011 dengan Pendekatan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Bayi di Provinsi Jawa Timur Tahun 2011 dengan Pendekatan Regresi Binomial Negatif JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prt) D-8 Pemodela Jumlah Kemata Bay d Provs Jawa Tmur Tahu 011 dega Pedekata Regres Bomal Negatf Selfy Atka Sary da I Nyoma Latra Jurusa Statstka,

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

BAB 3 METODOLOGI PENELITIAN. Gambar 3.2. Ilustrasi Tabel Input-Output (3 Sektor) Alokasi Permintaan Output Antara Permintaan F 1

BAB 3 METODOLOGI PENELITIAN. Gambar 3.2. Ilustrasi Tabel Input-Output (3 Sektor) Alokasi Permintaan Output Antara Permintaan F 1 BAB 3 METODOLOGI PENELITIAN 3.. Tabel Iput-Output 3... Keragka Umum Tabel Iput-Output Sebaga lustras tabel I-O, msalka haya ada tga sektor dalam suatu perekooma yatu sektor produks, 2 da 3. Tabel trasaks

Lebih terperinci

Analisis Korelasi dan Regresi

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

Lebih terperinci

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah The 6 th Uversty Research Colloquum 7 Peerapa Model Regres Esemble No-Hybrd pada Data Kemska d Provs Jawa Tegah Corela Ardaa Savta, Sr Sulstjowat Hadaja, Bowo Waro 3,3 Program Stud Matematka FMIPA, Uverstas

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-311

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-311 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Prt) D-311 Klasfkas Damc Facal Dstress Perusahaa Maufaktur ag Terdaftar d Bursa Efek Idoesa Tahu 2012-2014 Megguaka Regres Logstk Ber

Lebih terperinci

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015 JURNAL SAINS DAN SENI IS Vol 6, No, (7) ISSN: 337-35 (3-98X Prt) D-44 Pemodela Regres Posso Iverse Gaussa Stud Kasus: Jumlah Kasus Baru HIV d Provs Jawa egah ahu 5 Adraa Y Herdrawat, I Nyoma Latra, da

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

Spatial Durbin Model untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Kematian Ibu di Jawa Timur

Spatial Durbin Model untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Kematian Ibu di Jawa Timur JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 1) ISSN: 31-98 D-16 Spatal Durb Model utuk Megdetfkas Faktor-Faktor yag Mempegaruh Kemata Ibu d Jawa Tmur La Dw Pertw, Mutah Salamah, da Sutko Jurusa Statstka,

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi Metode Statstka Pertemua XII Aalss Korelas da Regres Aalss Hubuga Jes/tpe hubuga Ukura Keterkata Skala pegukura varabel Pemodela Keterkata Relatoshp vs Causal Relatoshp Tdak semua hubuga (relatoshp) berupa

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2

ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2 Pemodela Aomal Luas Pae Pad da Curah Huja Terbobot (Weghted Rafall Idex) dega Pedekata Robust Bootstrap LTS (Stud Kasus: Pemodela Luas Pae d Kabupate Subag) Ika Dew Aryat da Sutko Mahasswa S Statstka ITS,

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013.

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013. BAB III METODOLOGI PENELITIAN 3.. Tempat da Waktu Peelta Peelta dlaksaaka d SMP Neger 3 Gorotalo kota Gorotalo Props Gorotalo tahu pelajara 0/03. D SMP Neger 3 Gorotalo memlk 6 romboga belajar yag terdr

Lebih terperinci

FAKTOR YANG BERPENGARUH TERHADAP PENYAKIT ISPA DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (STUDI KASUS KAWASAN LUMPUR LAPINDO KABUPATEN SIDOARJO)

FAKTOR YANG BERPENGARUH TERHADAP PENYAKIT ISPA DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (STUDI KASUS KAWASAN LUMPUR LAPINDO KABUPATEN SIDOARJO) FAKTOR YANG BERPENGARUH TERHADAP PENYAKIT ISPA DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (STUDI KASUS KAWASAN LUMPUR LAPINDO KABUPATEN SIDOARJO Fahrul Roz Perdaa, Mutah Salamah ( Statstka, FMIPA, Isttut

Lebih terperinci

Puasa Pasien Diabetes Mellitus Tipe 2 di Poli Diabetes RSUD Dr. Soetomo Surabaya Menggunakan Regresi Probit Biner

Puasa Pasien Diabetes Mellitus Tipe 2 di Poli Diabetes RSUD Dr. Soetomo Surabaya Menggunakan Regresi Probit Biner D-56 JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) Faktor yag Memegaruh Kadar Gula Darah Puasa Pase Dabetes Melltus Tpe d Pol Dabetes RSUD Dr. Soetomo Surabaya Megguaka Regres Probt

Lebih terperinci

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah Prosdg Statstka ISSN 40-45 Uj Modfkas Pergkat Bertada Wlcoxo Utuk Masalah Dua Sampel Berpasaga 1 Wl Soldayah St Suedar 3 Lsur Wachdah 1, Statstka, Fakultas MIPA, Uverstas Islam Badug, Jl. Tamasar No. 1

Lebih terperinci

JIIA, VOLUME 3 No. 2, APRIL 2015

JIIA, VOLUME 3 No. 2, APRIL 2015 DETERMINAN KEPUTUSAN PETANI TERHADAP KONVERSI LAHAN SAWAH MENJADI PERMUKIMAN (Determats of Farmers Decso for Rce-Feld Coverso to Housg) Umyat Kulsum, Bustaul Arf, Zaal Abd Jurusa Agrbss, Fakultas Pertaa,

Lebih terperinci

I. PENDAHULUAN. Kata Kunci kematian ibu hamil, Jawa Timur, regresi poisson, binomial negatif, dan GWPR

I. PENDAHULUAN. Kata Kunci kematian ibu hamil, Jawa Timur, regresi poisson, binomial negatif, dan GWPR Faktor yag Mempegaruh Jumlah Kemata Ibu Haml d Jawa mur Dega Megguaka Regres Bomal Negatf da Geographcally Weghted Posso Regresso(GWPR Rfk Arsta (, da Mutah Salamah ( Jurusa Statstka, Fakultas Matematka

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

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2011 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2011 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 0 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF Selfy Atka Sary, I Nyoma Latra Jurusa Statstka, Fakultas MIPA, Isttut Tekolog Sepuluh Nopember (ITS)

Lebih terperinci

Peramalan Kebutuhan Listrik Dengan Model Harvey

Peramalan Kebutuhan Listrik Dengan Model Harvey Peramala Kebutuha Lstrk Dega Model Harvey Oleh: Ley Setyag B. (30600006) Pembmbg: Prof. Drs. Nur Irawa, M.IKom, Ph.D Latar Belakag Jumlah Peduduk Megkat Produks megkat Supply < Demad Kebutuha Barag Megkat

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-277

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-277 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06 337-350 (30-98X Prt D-77 Pemodela da Pemetaa Kasus Demam Berdarah Degue d Provs Jawa Tmur Tahu 04 dega Geeralzed Posso Regresso, Regres Bomal Negatf da Flexbly

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

STATISTIKA DASAR. Oleh

STATISTIKA DASAR. Oleh STATISTIKA DASAR Oleh Suryo Gurto cara peyaja data - tabel - grak meghtug harga-harga petg : - ukura lokas - ukura sebara/peympaga apabla data mempuya observasya cukup bayak perlu dsusu secara sstematk

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci