HASIL DAN PEMBAHASAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "HASIL DAN PEMBAHASAN"

Transkripsi

1 HASIL DAN PEMBAHASAN Eksplorasi Data Diagram kotak garis (boxplot) merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran, dan kemiringan pola sebaran. Gambaran dari peubah X 1 -X 7 disajikan pada Gambar Data X1 X2 X3 X4 X5 X6 X7 Peubah Gambar 2 Diagram kotak garis peubah X 1, X 2, X 3, X 4, X 5, X 6, X 7 Keterangan: X1: Kepemimpinan kepala sekolah X4: Mutu masukan X7: Mutu lulusan X2: Kemampuan mengajar guru X5: Motivasi belajar X3: Sosial ekonomi orang tua X6: Fasilitas belajar Berdasarkan Gambar 2, kemiringan pola sebaran data peubah X 1 mendekati simetri atau mediannya hampir sama dengan rata-rata. Objek ke-12 merupakan pencilan atas pada peubah X 1, berarti nilai objek tersebut selisihnya cukup besar terhadap nilai objek yang lain. Peubah X 2, X 4, dan X 5 kemiringan pola sebaran datanya negatif. Hal ini menunjukkan rata-rata ketiga peubah tersebut di bawah mediannya. Objek ke-17 menjadi pencilan bawah pada peubah X 5, sedangkan objek ke-2 dan ke-3 menjadi pencilan atas. Pada peubah X 4 objek ke-17 merupakan pencilan bawah. Pada Gambar 2 juga terlihat bahwa peubah X 3, X 6,

2 20 dan X 7 kemiringan pola sebaran datanya positif, hal ini mengindikasikan bahwa data peubah-peubah tersebut banyak berada di bawah rata-ratanya. Objek ke-2 dan ke-3 menjadi pencilan atas peubah X 7, berarti kedua objek ini selisih nilainya cukup besar jika dibandingkan dengan rata-rata maupun nilai objek di bawahnya. Berdasarkan data asal, nilai objek ke-2 dan ke-3 masing-masing dan sedangkan rata-rata peubah X 7 adalah Dari Gambar 2, juga diperoleh gambaran bahwa X 6 mempunyai ragam yang lebih besar, sedangkan ragam X 5 lebih kecil daripada peubah lain. Hubungan antar peubah dapat dilihat pada Tabel 1. Signifikansi korelasi pada tabel tersebut berdasarkan nilai-p semuanya kurang dari 1% (Lampiran 4). Korelasi terbesar terjadi antara peubah X 3 dan X 6 sebesar Sedangkan peubah X 7 (mutu lulusan) korelasi terbesarnya dengan peubah X 4, hal ini menunjukkan bahwa rata-rata mutu lulusan yang dicapai sekolah berkorelasi terbesar dengan mutu masukan. Tabel 1 Matriks korelasi antar peubah berdasarkan data asal Peubah X 1 X 2 X 3 X 4 X 5 X 6 X ** X ** 0.91** X ** 0.79** 0.84** X ** 0.81** 0.77** 0.69** X ** 0.90** 0.98** 0.83** 0.75** X ** 0.83** 0.93** 0.94** 0.72** 0.93** ** nilai-p < 0.01 Gambaran Umum Mutu Sekolah Gambaran mutu sekolah dalam bidang akademik umumnya dilihat dari tinggi rendahnya mutu lulusan. Sedangkan indikator mutu lulusan sering digunakan pencapaian rata-rata NEM lulusan dari sekolah. Peringkat berdasarkan rata-rata NEM dari 22 SMUN di Kota Malang dan Kabupaten Malang, disusun dalam Tabel 2. SMUN 3 Kota Malang merupakan sekolah dengan mutu lulusan yang tertinggi atau sekolah dengan mutu terbaik, sedangkan SMUN 2 Kota Malang terbaik kedua. Selain itu, selisih rata-rata NEM kedua SMUN tersebut cukup jauh apabila dibandingkan dengan sekolah lain di Kota Malang maupun Kabupaten Malang. Di sisi lain, SMUN Turen Kabupaten Malang merupakan sekolah dengan mutu lulusan yang paling rendah atau mutu sekolah yang

3 21 terendah. Hal ini ditunjukkan dengan nilai rata-rata NEM yang diperoleh paling kecil dibandingkan sekolah yang lain. Tabel 2 Peringkat sekolah berdasarkan rata-rata NEM (mutu lulusan) Peringkat Sekolah Rata-rata NEM 1 SMUN 3 Kota Malang SMUN 2 Kota Malang SMUN 2 Batu Kabupaten Malang SMUN 1 Batu Kabupaten Malang SMUN 4 Kota Malang SMUN 1 Kota Malang SMUN Lawang Kabupaten Malang SMUN Ngantang Kabupaten Malang SMUN 6 Kota Malang SMUN 5 Kota Malang SMUN Tumpang Kabupaten Malang SMUN 9 Kota Malang SMUN Bantur Kabupaten Malang SMUN 7 Kota Malang SMUN Sumber Pucung Kabupaten Malang SMUN 8 Kota Malang SMUN Pagak Kabupaten Malang SMUN 10 Kota Malang SMUN Kepanjen Kabupaten Malang SMUN Dampit Kabupaten Malang SMUN Gondang Legi Kabupaten Malang SMUN Turen Kabupaten Malang Berdasarkan wilayah, terdapat 10 SMUN di Kota Malang dan 12 SMUN di Kabupaten Malang. Perbandingan dari kedua wilayah diperoleh rata-rata NEM SMUN Kota Malang lebih tinggi daripada Kabupaten Malang (Tabel 3), hal ini dimungkinkan karena sekolah-sekolah unggulan (favorit) cenderung banyak terdapat di kota, sedangkan untuk wilayah kabupaten umumnya hanya sekolah yang berada di kota kabupatennya. Keunggulan rata-rata peubah lain juga cenderung dimiliki oleh wilayah Kota Malang. Tabel 3 Rata-rata nilai untuk setiap peubah berdasarkan wilayah sekolah Wilayah X 1 X 2 X 3 Peubah X 4 X 5 X 6 X 7 Kota Malang Kabupaten Malang Terdapat 8 sekolah yang mempunyai mutu lulusan lebih dari rata-rata, masing-masing 4 sekolah dari Kota Malang (SMUN 1, SMUN 2, SMUN 3, dan SMUN 4) dan 4 sekolah dari Kabupaten Malang (SMUN 1 Batu, SMUN 2 Batu,

4 22 SMUN Ngantang, dan SMUN Lawang). Sedangkan 14 sekolah berada di bawah rata-rata. Hal ini menunjukkan adanya perbedaan rata-rata mutu lulusan yang cukup besar antara sekolah yang mempunyai prestasi tinggi dengan yang rendah. Tabel 4 Rata-rata nilai peubah dari masing-masing sekolah Wilayah Sekolah X 1 X 2 X 3 Peubah X 4 X 5 X 6 X 7 Kota Malang Kabupaten Malang Rata-rata Ragam Keterangan: X1 Kepemimpinan kepala sekolah X4 Mutu masukan X7 Mutu lulusan X2 Kemampuan mengajar guru X5 Motivasi siswa X3 Status sosial ekonomi orang tua X6 Fasilitas belajar siswa SMUN Kota Malang: SMUN Kabupaten Malang: 1 SMUN 1 6 SMUN 6 11 SMUN 1 Batu 17 SMUN Turen 2 SMUN 2 7 SMUN 7 12 SMUN 2 Batu 18 SMUN Dampit 3 SMUN 3 8 SMUN 8 13 SMUN Ngantang 19 SMUN Kepanjen 4 SMUN 4 9 SMUN 9 14 SMUN Lawang 20 SMUN Sumber Pucung 5 SMUN 5 10 SMUN SMUN Tumpang 21 SMUN Pagak 16 SMUN Gondang Legi 22 SMUN Bantur Analisis Biplot Tahapan yang dilakukan dalam analisis biplot adalah: transformasi data, analisis data untuk memperoleh konfigurasi objek dalam biplot, serta menelusuri kesuaian biplot, konfigurasi objek, dan peringkat korelasi peubah berdasarkan peubah X 7. Tahapan ini dimungkinkan berulang apabila belum diperoleh kesuaian antara konfigurasi dari data asal dengan konfigurasi dalam biplot. Pengulangan

5 23 dilakukan dengan terlebih dahulu menggandakan simpangan baku peubah X 7 sehingga menjadi lebih besar. Hal ini berdasarkan pada Analisis Komponen Utama, bahwa peubah dengan ragam terbesar akan mendominasi komponen utama pertama. Konfigurasi objek data yang dibakukan Pada tahapan awal ini, data ditransformasi sehingga setiap peubah mempunyai rata-rata 0 dan ragam 1. Hal ini dilakukan karena data yang diperoleh satuan pengukurannya berbeda dan ragamnya mempunyai perbedaan yang cukup besar antara peubah yang satu dengan yang lain (Tabel 4). Untuk memperoleh gambaran posisi dari masing-masing objek dan vektor peubah dilakukan plot data menggunakan analisis biplot. Beberapa nilai α dicobakan adalah: 0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, dan 1. Sedangkan untuk menelusuri kesuaian pendekatan matriks data, matriks peubah, dan matriks objek dalam biplot digunakan ukuran kesuaian biplot (Gabriel, 2002). Sesuai dengan tujuan dari penelitian ini, untuk mendapatkan konfigurasi objek berdasarkan peubah X 7 dalam biplot, maka setiap objek ditentukan proyeksi skalarnya terhadap vektor peubah X 7. Selanjutnya ditelusuri kesuaian konfigurasi objek tersebut didasarkan pada peringkat dan koefisien korelasi Pearson (r). Untuk peringkat korelasi peubah terhadap peubah X 7, ditentukan nilai cosinus sudut antara masing-masing vektor peubah terhadap vektor peubah X 7 pada biplot. Hasil yang diperoleh dirangkum dalam Tabel 5. Tabel 5 Kesuaian biplot, konfigurasi objek dan peringkat korelasi peubah dari data yang dibakukan Kesuaian Nilai α Data (%) GF Peubah (%) Objek (%) r Peringkat Objek (%) Peringkat Korelasi Peubah (%) Dari Tabel 5, dapat dilihat bahwa dari semua nilai α yang dicobakan, pendekatan matriks data semuanya memiliki GF (Goodness of Fit) yang sama yaitu 90.29%. Pemilihan nilai α = 0 (Gambar 3) merupakan pendekatan terbaik

6 24 untuk matriks peubah, yaitu sebesar 99.53%, dan pendekatan terbaik untuk matriks objek sebesar 99.53% dengan menggunakan nilai α = 1 (Gambar 5). Pemilihan nilai α = 0.5 diperoleh pendekatan terbaik untuk matriks data, peubah, dan objek dalam satu plot dengan GF masing-masing 90.29% untuk matriks data dan 95.60% untuk matriks peubah maupun matriks objek (Gambar 4). Berdasarkan konfigurasi data asal peubah X 7 dengan proyeksinya terhadap vektor peubah X 7 dalam biplot, diperoleh r sebesar 0.96 untuk seluruh nilai α yang dicobakan. Demikian pula peringkatnya juga belum sesuai dengan peringkat sebenarnya (Lampiran 6). Beberapa SMUN mempunyai perbedaan peringkat jika dibandingkan dengan peringkat sebenarnya, yaitu: SMUN 5 Kota Malang, SMUN 6 Kota Malang, SMUN 9 Kota Malang, SMUN Ngantang Kabupaten Malang, dan SMUN Bantur Kabupaten Malang. Sedangkan peringkat korelasi peubah terhadap peubah X 7 juga belum sesuai. GH Biplot HGF = 90.29%L Dimension 2H 7. 22%L X 5 X 2 X 3 X 4 X7 X 6 X Dimension 1 H83.07 %L Gambar 3 Biplot gambaran posisi objek dan peubah menggunakan α = 0. X X X X X7 X X Dimension 1 H83.07 %L Gambar 4 Biplot gambaran posisi objek dan peubah menggunakan α = 0.5. Dimension2H7.22%L Symmetric BiplotHGF = 90.29%L

7 25 JK Biplot HGF = 90.29%L X 5 Dimension2 H7. 22% L X 2 X 3 X X7 X Gambar 5 Biplot gambaran posisi objek dan peubah menggunakan α = 1. Konfigurasi objek menggunakan α = 0 X Dimension 1 H83.07 %L Pada tahapan awal belum diperoleh konfigurasi objek yang diinginkan, maka dilakukan tahapan penelusuran lebih lanjut. Karena besarnya r untuk semua nilai α yang dicobakan pada tahapan awal adalah sama, maka untuk analisis berikutnya: - menggunakan nilai α = 0. Pemilihan ini berdasarkan pada uraian sebelumnya bahwa untuk nilai α = 0, diperoleh korelasi antar peubah, selain itu kuadrat jarak Euclid antar objek pada biplot sebanding dengan kuadrat jarak Mahalanobis antar objek dari data asal, - penggandaan simpangan baku peubah X 7. Koefisien pengganda yang dicobakan: {1.1, 1.2, } sampai diperoleh kesuaian yang diharapkan. Hasil yang diperoleh dirangkum dalam Tabel 6 dan Tabel 7. Tabel 6 Kesuaian biplot, konfigurasi objek dan peringkat korelasi peubah berdasarkan beberapa koefisien pengganda simpangan baku X 7 dan α = 0 Kesuaian Koefisien Pengganda Simpangan Baku Data (%) GF Peubah (%) Objek (%) r Peringkat Objek (%) Peringkat Korelasi Peubah (%)

8 26 Berdasarkan hasil yang diberikan pada Tabel 6, kesuaian konfigurasi proyeksi objek terhadap vektor peubah X 7 berdasarkan peringkat diperoleh pada penggandaan simpangan baku peubah X 7 sebesar 1.4, 1.5, 1.6, dan 1.7. Tetapi peringkat korelasi peubah terhadap peubah X 7, simpangan baku 1.4 dan 1.5 lebih baik daripada 1.6 dan 1.7. Di sisi lain nilai r untuk penggandaan simpangan baku 1.5 cenderung lebih besar daripada penggandaan 1.4. Tabel 7 Kesuaian biplot, konfigurasi objek dan peringkat korelasi peubah berdasarkan beberapa koefisien pengganda simpangan baku X 7 dan α = 0 Kesuaian Koefisien Pengganda Simpangan Baku Data (%) GF Peubah (%) Objek (%) r Peringkat Objek (%) Peringkat Korelasi Peubah (%) Dari Tabel 7, penggandaan simpangan baku 2.5 diperoleh r sebesar 1, tetapi kesuaian konfigurasi objek berdasarkan peringkat dan korelasi peubah terhadap peubah X 7 tidak sesuai (Gambar 6). GH Biplot HGF = 93.07%L 1 Dimension2 H4.59%L X 5 X 2 X3 X 6 3X 1 X 4 X Dimension 1 H88.48 %L Gambar 6 Biplot gambaran posisi objek dan peubah menggunakan α = 0 serta simpangan baku X 7 = 2.5. Dari Gambar 6 dan Gambar 7, diperoleh gambaran korelasi antar peubah pada penggandaan simpangan baku 1.5 lebih baik daripada penggandaan 2.5. Sehingga penggandaan simpangan baku 1.5 memberikan gambaran pemetaan mutu sekolah yang sesuai dengan nilai Ujian Nasional yang lebih baik daripada

9 27 pengganda 2.5. Gambaran posisi objek dan peubah pada biplot berdasarkan simpangan baku X dapat dilihat pada Gambar 7. GH Biplot HGF = 90.85%L Dimension2 H6.24%L X 5 X 2 X 3 X 6 X 4 X 7 X Dimension 1 H84.61 %L Gambar 7 Biplot gambaran posisi objek dan peubah menggunakan α = 0 serta simpangan baku peubah X 7 = 1.5. Keterangan: X1: Kepemimpinan kepala sekolah X4: Mutu masukan X7: Mutu lulusan X2: Kemampuan mengajar guru X5: Motivasi siswa X3: Status sosial ekonomi orang tua X6: Fasilitas belajar siswa SMUN Kota Malang: SMUN Kabupaten Malang: 1 SMUN 1 6 SMUN 6 11 SMUN 1 Batu 16 SMUN Gondang Legi 21 SMUN Pagak 2 SMUN 2 7 SMUN 7 12 SMUN 2 Batu 17 SMUN Turen 22 SMUN Bantur 3 SMUN 3 8 SMUN 8 13 SMUN Ngantang 18 SMUN Dampit 4 SMUN 4 9 SMUN 9 14 SMUN Lawang 19 SMUN Kepanjen 5 SMUN 5 10 SMUN SMUN Tumpang 20 SMUN Sumber Pucung Korelasi antar peubah Berdasarkan Gambar 7, apabila ditinjau berdasarkan vektor peubah X 7, semua peubah berkorelasi positif sangat nyata dengan peubah tersebut. Hal ini menunjukkan bahwa mutu lulusan yang dicapai suatu sekolah berkorelasi dengan kepemimpinan kepala sekolah yang berhasil dan efektif, kemampuan mengajar guru yang efektif dalam menjalankan tugasnya, tingkat pendidikan dan ekonomi orang tua, tinggi rendahnya mutu masukan, motivasi siswa, dan kelengkapan fasilitas belajar yang dimiliki siswa. Namun jika diamati lebih lanjut, peubah X 7 mempunyai korelasi yang lebih besar dengan peubah X 4 dan X 6. Artinya mutu masukan dan fasilitas belajar yang dimiliki siswa adalah peubah-peubah yang

10 28 berkorelasi lebih besar terhadap mutu lulusan yang dihasilkan. Sementara itu, peubah X 3 dan X 6 mempunyai korelasi besar positif yang ditunjukkan oleh besar sudut yang dibentuk antara kedua vektor peubah tersebut relatif kecil. Hal ini memberikan gambaran bahwa kelengkapan fasilitas belajar yang dimiliki siswa berkorelasi besar dengan tingkat pendidikan dan ekonomi orang tua siswa. Pemetaan Mutu Sekolah Gambaran umum mutu sekolah untuk wilayah Kota dan Kabupaten Malang berdasarkan mutu lulusan (Tabel 4), terdapat 8 sekolah yang mempunyai mutu lulusan di atas rata-rata, masing-masing wilayah menempatkan 4 sekolah. Namun mutu sekolah Kota Malang cenderung lebih baik daripada Kabupaten Malang apabila dilihat dari rata-rata NEM maupun peringkat sekolah (Tabel 2). Dalam biplot, kedekatan objek dengan peubah ditunjukkan oleh letak objek tersebut terhadap vektor peubah. Apabila objek terletak sepihak dengan arah vektor, maka objek tersebut mempunyai nilai di atas rata-rata. Sebaliknya jika letaknya berlawanan berarti nilainya di bawah rata-rata. Sedangkan kedekatan objek yang satu dengan yang lain menunjukkan kemiripan antar objek. Gambar 7 memberikan gambaran dari posisi objek dan vektor peubah dalam biplot. Berdasarkan kedekatan antar objek dan kedekatan objek dengan peubah, objek-objek tersebut dapat dikelompokkan menjadi 7 kelompok, yaitu: kelompok 1: 3 kelompok 2: 2, 4, dan 12 kelompok 3: 11 kelompok 4: 1, 5, 6, 13, 14, dan 15 kelompok 5: 20 kelompok 6: 7, 10, 19, 21, dan 22 kelompok 7: 8, 9, 16, 17, dan 18 Kelompok 1, SMUN 3 Kota Malang (3). Sekolah ini dicirikan sebagai sekolah yang unggul dalam mutu masukan dan mutu lulusannya serta didukung oleh kelengkapan fasilitas belajar yang dimiliki siswa. Posisi objek 3 pada Gambar 6 menunjukkan bahwa SMUN 3 Kota Malang sebagai sekolah dengan mutu yang terbaik. Sekolah ini mendapatkan mutu masukan yang tertinggi daripada sekolah yang lain. Hal ini menunjukkan bahwa SMUN 3 Kota Malang mempunyai image

11 29 sebagai sekolah unggulan untuk wilayah Kota Malang dan Kabupaten Malang. Image sebagai sekolah unggulan umumnya sudah muncul dalam masyarakat, sehingga hanya siswa yang mempunyai rata-rata NEM tinggi diterima di sekolah tersebut. Berdasarkan data asal, hampir seluruh peubah yang lain juga lebih tinggi daripada sekolah lain. Kelompok 2, terdiri dari: SMUN 2 Kota Malang (2), SMUN 4 Kota Malang (4), dan SMUN 2 Batu Kabupaten Malang (12). Berdasarkan posisi objek 2, 4, dan 12 pada biplot, maka sekolah-sekolah ini dicirikan sebagai sekolah yang mempunyai kepala sekolah yang berhasil dan efektif. SMUN 2 Kota Malang dan SMUN 12 Kabupaten Malang digambarkan mempunyai prestasi yang hampir sama, sedangkan SMUN 4 Kota Malang cenderung tertinggal dari kedua sekolah tersebut. Kinerja guru dan motivasi siswa dari ketiga sekolah ini masih perlu mendapatkan perhatian dalam upaya meningkatkan mutu sekolahnya. Kelompok 3, SMUN 1 Batu Kabupaten Malang (11). Posisi objek 11 pada biplot cukup dekat dengan vektor peubah X 2. Berarti karakteristik dari SMUN 1 Batu adalah sekolah yang memiliki guru yang efektif dalam menjalankan tugastugasnya. Apabila ditinjau posisi SMUN 1 Batu dan SMUN 2 Batu Kabupaten Malang terhadap peubah X 7, kedua sekolah ini cukup berdekatan, berdasarkan data asal selisih rata-rata mutu lulusannya cukup kecil. Hal ini menunjukkan bahwa untuk wilayah Kabupaten Malang SMUN 1 Batu dan SMUN 2 Batu mutu sekolahnya hampir sama. Kelompok 4, terdiri dari SMUN 1 Kota Malang (1), SMUN 5 Kota Malang (5), SMUN 6 Kota Malang (6), SMUN Ngantang Kabupaten Malang (13), SMUN Lawang Kabupaten Malang (14), SMUN Tumpang Kabupaten Malang, dan SMUN Tumpang Kabupaten Malang (15). Kelompok sekolah ini dicirikan sebagai sekolah yang mempunyai siswa dengan motivasi belajarnya cukup baik. Jika dilihat posisi objek dalam kelompok ini terhadap vektor peubah X 1, kinerja kepala sekolah perlu ditingkatkan dalam upaya peningkatan mutu sekolah.

12 30 SMUN 1 Kota Malang Letak objek 1 dalam biplot cenderung agak jauh dengan objek lain dalam kelompok ini. Berarti siswa-siswa SMUN 1 Kota Malang mempunyai motivasi belajar yang paling tinggi dalam kelompok ini. Berdasarkan posisinya terhadap peubah X 7, sekolah ini cukup dekat dengan SMUN 4 Kota Malang. Jika ditinjau dari data asal, rata-rata mutu lulusannya hanya sedikit di bawah SMUN 4. Berarti kedua sekolah ini cenderung mutu lulusannya hampir sama. SMUN 5, SMUN 6 Kota Malang, dan SMUN Tumpang Kabupaten Malang. Kedekatan posisi objek 5, 6, dan 15, menunjukkan ketiga sekolah ini mempunyai banyak kemiripan. Jika dilihat dari data asal, nilai rata-rata peubah motivasi siswa selisihnya relatif kecil. Sedangkan prestasi pada mutu lulusannya ketiganya masih sedikit di bawah rata-rata. Perbedaan pada peubah yang masih di bawah rata-rata dari sekolah-sekolah tersebut: SMUN 5 Kota Malang tingkat pendidikan dan ekonomi orang tua siswa, SMUN 6 Kota Malang kepemimpinan kepala sekolah, dan SMUN Tumpang pada kelengkapan fasilitas belajar yang dimiliki siswa. Kelompok 5, SMUN Sumber Pucung Kabupaten Malang (20). Posisi sekolah ini pada biplot pada kuadran yang berlawanan arah dengan vektor peubah X 1, X 4, X 6, dan X 7, sehingga di satu sisi mempunyai motivasi siswa yang cukup baik namun rata-rata mutu masukan, mutu lulusan, fasilitas belajar yang dimiliki siswa, dan kepemimpinan kepala sekolah masih di bawah rata-rata. Kelompok 6, terdiri dari: SMUN 7 Kota Malang (7), SMUN 10 Kota Malang (10), SMUN Kepanjen Kabupaten Malang (19), SMUN Pagak Kabupaten Malang (21), dan SMUN Bantur Kabupaten Malang (22). Dalam biplot, posisi sekolah-sekolah ini digambarkan berlawanan arah dengan vektor peubah X 1, X 4, X 6, dan X 7. Berarti sekolah-sekolah ini dicirikan memiliki kepala sekolah yang kurang berhasil, mutu masukan, mutu lulusan, serta fasilitas belajar yang dimiliki siswa yang juga masih kurang. Kelompok 7, terdiri dari: SMUN 8 Kota Malang (8), SMUN 9 Kota Malang (9), SMUN Gondang Legi Kabupaten Malang (16), SMUN Turen Kabupaten Malang (17), dan SMUN Dampit Kabupaten Malang (18). Posisi sekolah-sekolah ini pada

13 31 biplot digambarkan terletak berlawanan arah dengan vektor peubah X 2, X 3, dan X 5. Hal ini menunjukkan bahwa sekolah-sekolah dalam kelompok ini karakteristiknya: kinerja guru yang kurang efektif dalam menjalankan tugasnya, tingkat pendidikan dan ekonomi orang tua siswa di bawah rata-rata, dan motivasi belajar siswanya masih rendah.

ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA

ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan

Lebih terperinci

TINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis

TINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN HASIL DAN PEMBAHASAN Implementasi Biplot Kanonik dan Analisis Procrustes dengan Mathematica Biplot biasa dengan sistem perintah telah terintegrasi ke dalam beberapa program paket statistika seperti SAS,

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN HASIL DAN PEMBAHASAN Hasil Eksplorasi Data Diagram kotak garis merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran, dan kemiringan pola sebaran. Gambaran

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN 6 HASIL DAN PEMBAHASAN Eksplorasi Data Gambaran dari peubah mata kuliah, IPK dan nilai Ujian Nasional yang ditata sesuai dengan mediannya disajikan sebagai boxplot dan diberikan pada Gambar. 9 3 Data 6

Lebih terperinci

PENDAHULUAN LANDASAN ANALISIS

PENDAHULUAN LANDASAN ANALISIS 10 PENDAHULUAN Latar Belakang Biplot merupakan metode eksplorasi analisis data peubah ganda yang dapat memberikan gambaran secara grafik tentang kedekatan antar objek, keragaman peubah, korelasi antar

Lebih terperinci

TINJAUAN PUSTAKA. dianalisis dan hasilnya ditransformasi menjadi matriks berukuran??

TINJAUAN PUSTAKA. dianalisis dan hasilnya ditransformasi menjadi matriks berukuran?? TINJAUAN PUSTAKA Data Disagregat dan Agregat Berdasarkan cara pengumpulannya, data dapat dibedakan atas data internal dan data eksternal. Data internal berasal dari lingkungan sendiri sedangkan data eksternal

Lebih terperinci

ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA

ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan

Lebih terperinci

TINJAUAN PUSTAKA Analisis Biplot Biasa

TINJAUAN PUSTAKA Analisis Biplot Biasa TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi

Lebih terperinci

BIPLOT DATA DISAGREGAT DAN AGREGAT DALAM PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB DEDE SAHRUL BAHRI

BIPLOT DATA DISAGREGAT DAN AGREGAT DALAM PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB DEDE SAHRUL BAHRI BIPLOT DATA DISAGREGAT DAN AGREGAT DALAM PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB DEDE SAHRUL BAHRI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN MENGENAI TESIS DAN SUMBER

Lebih terperinci

TINJAUAN PUSTAKA Analisis Gerombol

TINJAUAN PUSTAKA Analisis Gerombol 3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya

Lebih terperinci

BIPLOT DENGAN DEKOMPOSISI NILAI SINGULAR BIASA DAN KEKAR UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB WARSITO

BIPLOT DENGAN DEKOMPOSISI NILAI SINGULAR BIASA DAN KEKAR UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB WARSITO BIPLOT DENGAN DEKOMPOSISI NILAI SINGULAR BIASA DAN KEKAR UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB WARSITO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI

Lebih terperinci

Company LOGO ANALISIS BIPLOT

Company LOGO ANALISIS BIPLOT Company LOGO ANALISIS BIPLOT Pendahuluan Company name Data : ringkasan berupa nilai beberapa peubah pada beberapa objek Objek n Nilai Peubah X X.. Xp Company name Penyajian Data dalam bentuk matriks =

Lebih terperinci

Tabel 1 Sudut terjadinya jarak terdekat dan terjauh pada berbagai kombinasi pemilihan arah acuan 0 o dan arah rotasi HASIL DAN PEMBAHASAN

Tabel 1 Sudut terjadinya jarak terdekat dan terjauh pada berbagai kombinasi pemilihan arah acuan 0 o dan arah rotasi HASIL DAN PEMBAHASAN sudut pada langkah sehingga diperoleh (α i, x i ).. Mentransformasi x i ke jarak sebenarnya melalui informasi jarak pada peta.. Melakukan analisis korelasi linier sirkular antara x dan α untuk masingmasing

Lebih terperinci

x j dan HASIL DAN PEMBAHASAN

x j dan HASIL DAN PEMBAHASAN Kategori sedang (S) ika nilai rata-rata peubah ke- pada gerombol berada diantara nilai ( x - s ) dan ( x + s ). Kategori rendah (R) ika nilai rata-rata peubah ke- pada gerombol berada dibawah nilai ( x

Lebih terperinci

KONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB DEVITA HANDAYANI

KONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB DEVITA HANDAYANI KONFIGURASI PROGRAM STUDI DI IPB BERDASARKAN PRESTASI MAHASISWA TPB IPB DEVITA HANDAYANI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 ABSTRAK

Lebih terperinci

HASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:

HASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut: . Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses

Lebih terperinci

Peubah yang diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas.

Peubah yang diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas. 5 diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas. Metode Analisis Tahapan-tahapan dilakukan dalam penelitian ini

Lebih terperinci

BAHAN DAN METODE HASIL DAN PEMBAHASAN

BAHAN DAN METODE HASIL DAN PEMBAHASAN BAHAN DAN METODE Bahan Data yang digunakan dalam penelitian ini adalah data sekunder makroekonomi 13 negara yaitu 1 negara ASEAN ditambah 3 negara seperti yang tercantum pada Tabel 1. Tabel 1. Daftar Objek

Lebih terperinci

UKURAN KESESUAIAN DALAM ANALISIS BIPLOT BIASA DAN ANALISIS BIPLOT IMBUHAN MARIYAM

UKURAN KESESUAIAN DALAM ANALISIS BIPLOT BIASA DAN ANALISIS BIPLOT IMBUHAN MARIYAM UKURAN KESESUAIAN DALAM ANALISIS BIPLOT BIASA DAN ANALISIS BIPLOT IMBUHAN MARIYAM DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 2 ABSTRAK MARIYAM.

Lebih terperinci

STK511 Analisis Statistika. Pertemuan 13 Peubah Ganda

STK511 Analisis Statistika. Pertemuan 13 Peubah Ganda STK511 Analisis Statistika Pertemuan 13 Peubah Ganda 13. Peubah Ganda: Pengantar Pengamatan Peubah Ganda Menggambarkan suatu objek tidak cukup menggunakan satu peubah saja Kasus pengamatan peubah ganda

Lebih terperinci

PERBANDINGAN ANALISIS BIPLOT KLASIK DAN ROBUST BIPLOT PADA PEMETAAN PERGURUAN TINGGI SWASTA DI JAWA TIMUR

PERBANDINGAN ANALISIS BIPLOT KLASIK DAN ROBUST BIPLOT PADA PEMETAAN PERGURUAN TINGGI SWASTA DI JAWA TIMUR Jur. Ris. & Apl. Mat. I (207), no., xx-xx Jurnal Riset dan Aplikasi Matematika e-issn: 258-054 URL: journal.unesa.ac.id/index.php/jram PERBANDINGAN ANALISIS BIPLOT KLASIK DAN ROBUST BIPLOT PADA PEMETAAN

Lebih terperinci

SATUAN ACARA TUTORIAL (SAT) Mata Kuliah : Statistika Dasar/PAMA 3226 SKS : 3 SKS Tutorial : ke-1 Nama Tutor : Adi Nur Cahyono, S.Pd., M.Pd.

SATUAN ACARA TUTORIAL (SAT) Mata Kuliah : Statistika Dasar/PAMA 3226 SKS : 3 SKS Tutorial : ke-1 Nama Tutor : Adi Nur Cahyono, S.Pd., M.Pd. Tutorial : ke-1 Nama Tutor : a. Menjelaskan pengertian statistik; b. Menjelaskan pengertian statistika; c. Menjelaskan pengertian data statistik; d. Menjelaskan contoh macam-macam data; e. Menjelaskan

Lebih terperinci

INFORMASI YANG BISA DIAMBIL DARI BIPLOT

INFORMASI YANG BISA DIAMBIL DARI BIPLOT ANALISIS BIPLOT PENGANTAR Biplot diperkenalkan pertama kali oleh Gabriel (1971) sehingga sering disebut sebagai Gabriel s biplot. Metode ini tergolong dalam analisis eksplorasi peubah ganda yang ditujukan

Lebih terperinci

Didin Astriani P, Oki Dwipurwani, Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya)

Didin Astriani P, Oki Dwipurwani, Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya) (M.2) ANALISIS BIPLOT UNTUK MENGETAHUI KARAKTERISTIK PUTUS SEKOLAH PENDIDIKAN DASAR PADA MASYARAKAT MISKIN ANTAR WILAYAH KECAMATAN DI KABUPATEN OGAN ILIR Didin Astriani P, Oki Dwipurwani, Dian Cahyawati

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Statistika Multivariat Analisis statistika multivariat adalah teknik-teknik analisis statistik yang memperlakukan sekelompok variabel terikat yang saling berkorelasi sebagai

Lebih terperinci

PENGUKURAN KONTRIBUSI ITS DALAM MEMBENTUK MUTU SARJANA BARU ITS MENURUT PERSEPSI WISUDAWAN TAHUN 2004

PENGUKURAN KONTRIBUSI ITS DALAM MEMBENTUK MUTU SARJANA BARU ITS MENURUT PERSEPSI WISUDAWAN TAHUN 2004 B-17-1 PENGUKURAN KONTRIBUSI ITS DALAM MEMBENTUK MUTU SARJANA BARU ITS MENURUT PERSEPSI WISUDAWAN TAHUN 2004 Arie Kismanto dan Muhammad Sjahid Akbar Jurusan Statistik ITS ABSTRAK Sarjana baru dapat dipakai

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Deskripsi Data 4.1.1 Layanan Bimbingan Kelompok Data variabel Layanan Bimbingan Kelompok menunjukkan bahwa skor tertinggi adalah 120 dan skor terendah adalah

Lebih terperinci

BUPATI MALANG BUPATI MALANG,

BUPATI MALANG BUPATI MALANG, BUPATI MALANG PERATURAN BUPATI MALANG NOMOR 4 TAHUN 2009 TENTANG UNIT PELAKSANA TEKNIS DINAS (UPTD) PENDAPATAN PADA DINAS PENDAPATAN, PENGELOLAAN KEUANGAN DAN ASSET KABUPATEN MALANG BUPATI MALANG, Menimbang

Lebih terperinci

BAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah

BAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang

Lebih terperinci

BUPATI MALANG BUPATI MALANG,

BUPATI MALANG BUPATI MALANG, BUPATI MALANG PERATURAN BUPATI MALANG NOMOR 1 TAHUN 2009 TENTANG UNIT PELAKSANA TEKNIS DINAS (UPTD) SEKOLAH MENENGAH PADA DINAS PENDIDIKAN KABUPATEN MALANG BUPATI MALANG, Menimbang Mengingat : a. bahwa

Lebih terperinci

Format 1. ANALISIS STANDAR KOMPETENSI LULUSAN (SKL) Tahun Pelajaran 2012/2013 Tim Matematika SMA Negeri 6 Malang

Format 1. ANALISIS STANDAR KOMPETENSI LULUSAN (SKL) Tahun Pelajaran 2012/2013 Tim Matematika SMA Negeri 6 Malang Format 1. ANALISIS STANDAR KOMPETENSI LULUSAN (SKL) 01 Mata elajaran Matematika IPA Tahun Pelajaran 01/013 Pengembang Tim Matematika SMA Negeri 6 Malang KISI-KISI SKL 01 INDIKATOR KISI-KISI SKL SK KD 1.

Lebih terperinci

STATISTIKA 2 11/20/2015. B. Menghitung Ukuran Data dari Data Berkelompok. Peta Konsep. B. Menghitung Ukuran Data dari Data Berkelompok

STATISTIKA 2 11/20/2015. B. Menghitung Ukuran Data dari Data Berkelompok. Peta Konsep. B. Menghitung Ukuran Data dari Data Berkelompok /0/0 Peta Konsep Jurnal Datar Hadir Materi B Materi Umum STATISTIKA Kelas XI, Semester Pemusatan Statistika Letak Data Tunggal Penyebaran SoalLatihan B. Menghitung Data dari Data Berkelompok Pemusatan

Lebih terperinci

PEMETAAN PROVINSI DI INDONESIA BERDASARKAN PRODUK DOMESTIK REGIONAL BRUTO MENGGUNAKAN ANALISIS BIPLOT MEGA ERAWATI

PEMETAAN PROVINSI DI INDONESIA BERDASARKAN PRODUK DOMESTIK REGIONAL BRUTO MENGGUNAKAN ANALISIS BIPLOT MEGA ERAWATI PEMETAAN PROVINSI DI INDONESIA BERDASARKAN PRODUK DOMESTIK REGIONAL BRUTO MENGGUNAKAN ANALISIS BIPLOT MEGA ERAWATI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN HASIL DAN PEMBAHASAN Karakteristik Siswa Gambar 1 memperlihatkan Karakteristik siswa SMA Negeri Ulu Siau berdasarkan jurusan. Berdasarkan Gambar 1 umumya siswa lebih memilih jurusan IPA daripada jurusan

Lebih terperinci

TINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan

TINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan 4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam

Lebih terperinci

Universitas Negeri Malang

Universitas Negeri Malang 1 Penerapan Metode Regresi New Stepwise untuk Mengetahui Faktor- Faktor yang Mempengaruhi Kekuatan Metallic Box (Studi Kasus di PT. PINDAD (Persero) Turen) Universitas Negeri Malang E-mail: Nisahidayatul@gmail.com

Lebih terperinci

, dengan. Karakteristik dari vektor peubah acak X dan Y sebagai berikut:

, dengan. Karakteristik dari vektor peubah acak X dan Y sebagai berikut: 3 TINJAUAN PUSTAKA Analisis Korelasi Kanonik Analisis korelasi kanonik (AKK) yang diperkenalkan oleh Hotelling pada tahun 1936, bertujuan untuk mengidentifikasi dan menghitung hubungan linier antara dua

Lebih terperinci

BAB IV HASIL PENELITIAN. Data yang dikumpulkan dalam penelitian ini terdiri dari tiga variabel yaitu

BAB IV HASIL PENELITIAN. Data yang dikumpulkan dalam penelitian ini terdiri dari tiga variabel yaitu BAB IV HASIL PENELITIAN A. Deskripsi Data Data yang dikumpulkan dalam penelitian ini terdiri dari tiga variabel yaitu data tentang kepemimpinan kepala sekolah (X 1 ), sikap guru terhadap pekerjaan (X 2

Lebih terperinci

(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN

(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN 4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan

Lebih terperinci

BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA. Analisis komponen utama adalah metode statistika multivariat yang

BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA. Analisis komponen utama adalah metode statistika multivariat yang BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA Analisis komponen utama adalah metode statistika multivariat yang bertujuan untuk mereduksi dimensi data dengan membentuk kombinasi linear

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data yang dikumpulkan melalui instrumen angket adalah data untuk

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data yang dikumpulkan melalui instrumen angket adalah data untuk 49 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Deskripsi Data Data yang dikumpulkan melalui instrumen angket adalah data untuk variabel X (Persepsi Siswa tentang Keterampilan Mengajar Guru PLP) yang terdiri

Lebih terperinci

3.1 Kerangka Pemikiran

3.1 Kerangka Pemikiran III. METODOLOGI 3.1 Kerangka Pemikiran Kecap banyak digunakan oleh masyarakat Indonesia saat memasak karena kecap termasuk bumbu pelengkap (condiment) yang memberikan rasa, warna, dan aroma yang khas serta

Lebih terperinci

PROSIDING ISSN: M-22 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT TAHUN DI PROVINSI JAWA TENGAH

PROSIDING ISSN: M-22 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT TAHUN DI PROVINSI JAWA TENGAH M-22 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT TAHUN 2010-2015 DI PROVINSI JAWA TENGAH Rukini Badan Pusat Statistik Kabupaten Grobogan email:rukini@bps.go.id Abstrak Pembangunan

Lebih terperinci

MATERI DAN METODE. Tabel 2. Jumlah Kuda yang Diamati Berdasarkan Lokasi dan Jenis Kelamin

MATERI DAN METODE. Tabel 2. Jumlah Kuda yang Diamati Berdasarkan Lokasi dan Jenis Kelamin MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilakukan di Laboratorium Pemuliaan dan Genetika Ternak, Departemen Ilmu Produksi dan Teknologi Peternakan, Fakultas Peternakan, Institut Pertanian Bogor.

Lebih terperinci

MODEL MODEL LEBIH RUMIT

MODEL MODEL LEBIH RUMIT 08/0/06 MODEL MODEL LEBIH RUMIT Di susun oleh Nurul Hani Ulvatunnisa Kanthi Wulandari Sri Siska Wirdaniyati Kamal Adyasa Unib Sedya Pramuji 08/0/06 Model Polinom Berbagai Ordo Model Yang Melibatkan Transformasi

Lebih terperinci

baku, rentang kelas, distribusi frekuensi dan grafik histogram.

baku, rentang kelas, distribusi frekuensi dan grafik histogram. 155 BAB IV HASIL PENELITIAN Hasil penelitian yang akan diuraikan pada bab IV ini terdiri dari empat bagian yaitu: deskripsi data, pengujian persyaratan analisis data, pengujian hipotesis dan pembahasan

Lebih terperinci

Analisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali

Analisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali Jurnal Matematika Vol. 6 No. 1, Juni 2016. ISSN: 1693-1394 Analisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali I Gusti Ayu Made Srinadi Jurusan Matematika, Fakultas

Lebih terperinci

BIPLOT BIASA DAN KANONIK UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB KUSNANDAR

BIPLOT BIASA DAN KANONIK UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB KUSNANDAR BIPLOT BIASA DAN KANONIK UNTUK PEMETAAN PROVINSI BERDASARKAN PRESTASI MAHASISWA IPB KUSNANDAR SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan

Lebih terperinci

BUPATI MALANG PROVINSI JAWA TIMUR PERATURAN BUPATI MALANG NOMOR 1 TAHUN 2018 TENTANG KOORDINATOR WILAYAH DINAS PENDIDIKAN KABUPATEN MALANG

BUPATI MALANG PROVINSI JAWA TIMUR PERATURAN BUPATI MALANG NOMOR 1 TAHUN 2018 TENTANG KOORDINATOR WILAYAH DINAS PENDIDIKAN KABUPATEN MALANG BUPATI MALANG PROVINSI JAWA TIMUR PERATURAN BUPATI MALANG NOMOR 1 TAHUN 2018 TENTANG KOORDINATOR WILAYAH DINAS PENDIDIKAN KABUPATEN MALANG BUPATI MALANG, Menimbang : bahwa dengan memperhatikan luas wilayah

Lebih terperinci

PERILAKU AKTIVITAS BIAYA

PERILAKU AKTIVITAS BIAYA PERILAKU AKTIVITAS BIAYA 1 A. Konsep Perilaku Akuntan manajemen harus mampu untuk mengevaluasi setiap jenis biaya untuk bisa menentukan fungsi biaya (cost function) yang menjelaskan perilaku biaya. Perilaku

Lebih terperinci

BAB 4 HASIL PENELITIAN Deskripsi Data Terdistribusi Kualitas Sistem Informasi Business

BAB 4 HASIL PENELITIAN Deskripsi Data Terdistribusi Kualitas Sistem Informasi Business BAB 4 HASIL PENELITIAN 4.1 Deskripsi Data Hasil Penelitian 4.1.1 Deskripsi Data Terdistribusi Kualitas Sistem Informasi Business Trip Berdasarkan instrumen penelitian yang menggunakan skala 1 (satu) sampai

Lebih terperinci

BAB 4 HASIL PENELITIAN

BAB 4 HASIL PENELITIAN BAB 4 HASIL PENELITIAN 4.1 Karakteristik Responden Sebelum hasil penelitian disajikan, terlebih dahulu dengan sederhana dijelaskan karakteristik responden. Karakteristik responden meliputi jenis kelamin,

Lebih terperinci

ANALISIS BIPLOT DAN PROCRUSTES TERHADAP ANGGARAN PENDAPATAN DAN BELANJA DAERAH PROVINSI JAWA BARAT VICHA ANGELA ARISANDHI

ANALISIS BIPLOT DAN PROCRUSTES TERHADAP ANGGARAN PENDAPATAN DAN BELANJA DAERAH PROVINSI JAWA BARAT VICHA ANGELA ARISANDHI ANALISIS BIPLOT DAN PROCRUSTES TERHADAP ANGGARAN PENDAPATAN DAN BELANJA DAERAH PROVINSI JAWA BARAT VICHA ANGELA ARISANDHI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN

Lebih terperinci

PENERAPAN AKUNTANSI PERTANGGUNGJAWABAN BIAYA PRODUKSI SEBAGAI ALAT PENILAIAN PRESTASI MANAJER PRODUKSI PADA PDAM KABUPATEN MALANG

PENERAPAN AKUNTANSI PERTANGGUNGJAWABAN BIAYA PRODUKSI SEBAGAI ALAT PENILAIAN PRESTASI MANAJER PRODUKSI PADA PDAM KABUPATEN MALANG PENERAPAN AKUNTANSI PERTANGGUNGJAWABAN BIAYA PRODUKSI SEBAGAI ALAT PENILAIAN PRESTASI MANAJER PRODUKSI PADA PDAM KABUPATEN MALANG Zuraidah Abstrak. Laporan pertanggungjawaban akan membantu pimpinan dalam

Lebih terperinci

ANALISIS BIPLOT DAN PROCRUSTES TERHADAP PERUBAHAN KURIKULUM TPB IPB ANGKATAN 2010/2011 DAN 2011/2012 ABRAHAM MADISON MANURUNG

ANALISIS BIPLOT DAN PROCRUSTES TERHADAP PERUBAHAN KURIKULUM TPB IPB ANGKATAN 2010/2011 DAN 2011/2012 ABRAHAM MADISON MANURUNG ANALISIS BIPLOT DAN PROCRUSTES TERHADAP PERUBAHAN KURIKULUM TPB IPB ANGKATAN 2010/2011 DAN 2011/2012 ABRAHAM MADISON MANURUNG DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

HASIL DAN PEMBAHASAN Deskripsi Data

HASIL DAN PEMBAHASAN Deskripsi Data HASIL DAN PEMBAHASAN Deskripsi Data Jawa Timur merupakan salah satu provinsi di Indonesia yang mempunyai 38 kabupaten/kota, terdiri atas 29 kabupaten dan 9 kota. Secara umum wilayah Provinsi Jawa Timur

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. meliputi (a) hasil pengujian analisis deskriptif data penelitian untuk memperoleh

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. meliputi (a) hasil pengujian analisis deskriptif data penelitian untuk memperoleh BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini akan disajikan berturut-turut (1) hasil penelitian yang meliputi (a) hasil pengujian analisis deskriptif data penelitian untuk memperoleh gambaran tentang

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Konseptual Dalam memahami pelajaran di sekolah siswa mungkin saja mengalami kesulitan dalam memahaminya. Hal ini dapat dikarenakan metode pembelajaran

Lebih terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN BAB I PENDAHULUAN Dalam kehidupan sehari-hari seringkali dijumpai sesuatu hal yang banyak melibatkan sejumlah variabel yang antar variabel saling berpengaruh, hal semacam ini akan lebih mudah diinterpretasikan

Lebih terperinci

Peragaan Grafik PTS di Kopertis Wilayah IV Melalui Metode Biplot

Peragaan Grafik PTS di Kopertis Wilayah IV Melalui Metode Biplot Statistika, Vol. 8 No. 2, 97 102 Nopember 2008 Peragaan Grafik PTS di Kopertis Wilayah IV Melalui Metode Biplot Program Studi Statistika, Universitas Islam Bandung Jl. Purnawarman No. 63 Bandung 40116

Lebih terperinci

METODOLOGI HASIL DAN PEMBAHASAN

METODOLOGI HASIL DAN PEMBAHASAN 3 berada pada jarak sejauh tiga atau empat kali simpangan baku dari nilai tengahnya (Aunuddin 1989). Pendekatan pencilan dapat dilakukan dengan melihat plot peluang normal. Apabila terdapat loncatan vertikal

Lebih terperinci

OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011

OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011 ANALISIS KORELASI OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011 ANALISIS KORELASI II. ANALISIS KORELASI 1. Koefisien Korelasi Pearson Koefisien Korelasi Moment Product Korelasi

Lebih terperinci

DATA DAN METODE Data Data Simulasi Data Sekunder

DATA DAN METODE Data Data Simulasi Data Sekunder 11 DATA DAN METODE Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data sekunder Data simulasi berupa data bangkitan yang berguna untuk mengukur kinerja metode BICOV dan

Lebih terperinci

PEMETAAN DAN PERANGKINGAN SPONSOR BEASISWA UTUSAN DAERAH IPB BERDASARKAN KEBERHASILAN STUDI LULUSAN ANA MUTHIATUS SA ADAH

PEMETAAN DAN PERANGKINGAN SPONSOR BEASISWA UTUSAN DAERAH IPB BERDASARKAN KEBERHASILAN STUDI LULUSAN ANA MUTHIATUS SA ADAH PEMETAAN DAN PERANGKINGAN SPONSOR BEASISWA UTUSAN DAERAH IPB BERDASARKAN KEBERHASILAN STUDI LULUSAN ANA MUTHIATUS SA ADAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN

Lebih terperinci

UJIAN NASIONAL TAHUN PELAJARAN 2007/2008

UJIAN NASIONAL TAHUN PELAJARAN 2007/2008 UJIAN NASIONAL TAHUN PELAJARAN 007/008 PANDUAN MATERI MATEMATIKA Kelompok Teknologi, Kesehatan, dan Pertanian PUSAT PENILAIAN PENDIDIKAN BALITBANG DEPDIKNAS Hak Cipta pada Pusat Penilaian Pendidikan BALITBANG

Lebih terperinci

PEMETAAN MINAT CALON MAHASISWA BARU UNIVERSITAS JEMBER TAHUN 2013 MENGGUNAKAN ANALISIS BIPLOT ROBUST SINGULAR VALUE DECOMPOSITION (RSVD)

PEMETAAN MINAT CALON MAHASISWA BARU UNIVERSITAS JEMBER TAHUN 2013 MENGGUNAKAN ANALISIS BIPLOT ROBUST SINGULAR VALUE DECOMPOSITION (RSVD) PEMETAAN MINAT CALON MAHASISWA BARU UNIVERSITAS JEMBER TAHUN 2013 MENGGUNAKAN ANALISIS BIPLOT ROBUST SINGULAR VALUE DECOMPOSITION (RSVD) SKRIPSI Oleh Ummy Badiroh NIM 101810101006 JURUSAN MATEMATIKA FAKULTAS

Lebih terperinci

ANALISIS TERHADAP INDIKATOR INDIKATOR YANG MENCIRIKAN STANDAR NASIONAL PENDIDIKAN SEKOLAH MENENGAH PERTAMA DI INDONESIA WENNY INDRIYARTI PUTRI

ANALISIS TERHADAP INDIKATOR INDIKATOR YANG MENCIRIKAN STANDAR NASIONAL PENDIDIKAN SEKOLAH MENENGAH PERTAMA DI INDONESIA WENNY INDRIYARTI PUTRI ANALISIS TERHADAP INDIKATOR INDIKATOR YANG MENCIRIKAN STANDAR NASIONAL PENDIDIKAN SEKOLAH MENENGAH PERTAMA DI INDONESIA WENNY INDRIYARTI PUTRI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

BAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST. Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis

BAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST. Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis BAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis komponen utama robust sebagai konsep pendukung serta metode Minimum

Lebih terperinci

ANALISIS POTENSI EKONOMI SUBSEKTOR PERTANIAN UNGGULAN PADA TINGKAT KECAMATAN DI KABUPATEN MALANG

ANALISIS POTENSI EKONOMI SUBSEKTOR PERTANIAN UNGGULAN PADA TINGKAT KECAMATAN DI KABUPATEN MALANG ANALISIS POTENSI EKONOMI SUBSEKTOR PERTANIAN UNGGULAN PADA TINGKAT KECAMATAN DI KABUPATEN MALANG SKRIPSI Untuk Memenuhi Salah Satu Persyaratan Mencapai Derajad Sarjana Ekonomi Oleh: YENI NUR HIDAYATI 08630074

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 9 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Perubahan nilai suatu variabel dapat disebabkan karena adanya perubahan pada variabel - variabel lain yang mempengaruhinya. Misalnya pada kinerja

Lebih terperinci

BAB 2 LANDASAN TEORI. regresi adalah sebuah teknik statistik untuk membuat model dan menyelediki

BAB 2 LANDASAN TEORI. regresi adalah sebuah teknik statistik untuk membuat model dan menyelediki BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan, dan hal tersebut biasanya diselidiki sifat hubungannya.

Lebih terperinci

RANCANGAN AKTIVITAS TUTORIAL (RAT)

RANCANGAN AKTIVITAS TUTORIAL (RAT) RANCANGAN AKTIVITAS TUTORIAL (RAT) Nama Mata Kuliah/ sks/ Kode : Statistika Dasar/ 3/ PAMA 3226 Nama Tutor/ NPP : Adi Nur Cahyono, S.Pd., M.Pd./088201206 Deskripsi Singkat Mata Kuliah : Mata kuliah ini

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator

Lebih terperinci

UKURAN PENYEBARAN DATA

UKURAN PENYEBARAN DATA UKURAN PENYEBARAN DATA HERDIAN S.Pd., M.Pd. SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STMIK) PRINGSEWU UKURAN PENYEBARAN DATA Selain ukuran pemusatan data dan ukuran letak data, ada juga yang

Lebih terperinci

KAJIAN TERHADAP TINGKAT PEMERATAAN PENDIDIKAN MENGGUNAKAN ANALISIS BIPLOT KLASIK DAN BIPLOT KEKAR

KAJIAN TERHADAP TINGKAT PEMERATAAN PENDIDIKAN MENGGUNAKAN ANALISIS BIPLOT KLASIK DAN BIPLOT KEKAR E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 37-42 ISSN: 2303-1751 KAJIAN TERHADAP TINGKAT PEMERATAAN PENDIDIKAN MENGGUNAKAN ANALISIS BIPLOT KLASIK DAN BIPLOT KEKAR Ni Luh Ardila Kusumayanti 1, I Komang

Lebih terperinci

PENERAPAN BIPLOT PADA PEMETAAN SUMBER DAYA KESEHATAN ANTARPROVINSI DI INDONESIA SUWAIBATUL ASLAMIYAH

PENERAPAN BIPLOT PADA PEMETAAN SUMBER DAYA KESEHATAN ANTARPROVINSI DI INDONESIA SUWAIBATUL ASLAMIYAH PENERAPAN BIPLOT PADA PEMETAAN SUMBER DAYA KESEHATAN ANTARPROVINSI DI INDONESIA SUWAIBATUL ASLAMIYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

Lebih terperinci

DATA DAN METODE. Data

DATA DAN METODE. Data DATA DAN METODE Data Data yang digunakan dalam penelitian ini adalah data sekunder hasil percobaan padi varietas IR 64 yang dilaksanakan tahun 2002 pada dua musim (kemarau dan hujan). Lokasi penelitian

Lebih terperinci

BAB 2 LANDASAN TEORI. digunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton. Dia

BAB 2 LANDASAN TEORI. digunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton. Dia 10 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Dalam ilmu statistika teknik yang umum digunakan untuk menganalisa hubungan antara dua variabel atau lebih adalah analisa regresi linier. Regresi pertama

Lebih terperinci

OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010

OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 ANALISIS KORELASI OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 ANALISIS KORELASI II. ANALISIS KORELASI 1. Koefisien Korelasi Pearson Koefisien Korelasi Moment Product Korelasi

Lebih terperinci

Waktu pengajaran Pagi (1) Siang (2) Sore (3) Malam (4)

Waktu pengajaran Pagi (1) Siang (2) Sore (3) Malam (4) Contoh Anava: Terdapat 4 waktu (pagi, siang, sore dan malam) untuk menyampaikan pelajaran berhitung kepada anak-anak. Ingin diteliti apakah ada perbedaan efek perlakuan (waktu pengajaran) terhadap hasil

Lebih terperinci

BAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan

BAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan 6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga

Lebih terperinci

BAB 2. Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton,

BAB 2. Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton, 10 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton, analisis regresi berkenaan dengan studi ketergantungan dari suatu varibel

Lebih terperinci

Metode Statistika STK211/ 3(2-3)

Metode Statistika STK211/ 3(2-3) Metode Statistika STK211/ 3(2-3) Pertemuan III Statistika Deskripsi dan Eksplorasi (2) Septian Rahardiantoro - STK IPB 1 Misalkan diketahui data sebagai berikut Data 1 No Jenis Kelamin Tinggi Berat Agama

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun

BAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN HASIL DAN PEMBAHASAN Karakteristik tanaman padi yang akan dikaji dalam penelitian ini meliputi komponen hasil (jumlah malai per m 2, persen gabah isi, dan produktivitas) dan serapan hara (serapan total

Lebih terperinci

Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot

Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Bab ini akan membahas tentang hasil penelitian yang telah dilaksanakan,

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Bab ini akan membahas tentang hasil penelitian yang telah dilaksanakan, BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskripsi Data Bab ini akan membahas tentang hasil penelitian yang telah dilaksanakan, yaitu berupa hasil perhitungan statistik yang datanya diperoleh dari responden.

Lebih terperinci

TINJAUAN PUSTAKA. Model Regresi Linier Ganda

TINJAUAN PUSTAKA. Model Regresi Linier Ganda TINJAUAN PUSTAKA Model Regresi Linier Ganda Hubungan antara y dan X dalam model regresi linier umum adalah y = X ß + e () dengan y merupakan vektor pengamatan pada peubah respon (peubah tak bebas) berukuran

Lebih terperinci

UKURAN PENYEBARAN DATA

UKURAN PENYEBARAN DATA UKURAN PENYEBARAN DATA STKIP SILIWANGI BANDUNG Sumber : 1.Sudjana. Budino dan Koster 3. Berbagai sumber LUVY S. ZANTHY 1 Ukuran Penyebaran Data (Ukuran Dispersi) Ukuran penyebaran data atau ukuran dispersi

Lebih terperinci

BAB 4 HASIL PENELITIAN. Sebelum hasil penelitian disajikan, maka terlebih dahulu akan dijelaskan mengenai

BAB 4 HASIL PENELITIAN. Sebelum hasil penelitian disajikan, maka terlebih dahulu akan dijelaskan mengenai BAB 4 HASIL PENELITIAN 4.1 Karateristik Responden Sebelum hasil penelitian disajikan, maka terlebih dahulu akan dijelaskan mengenai karateristik responden yang meliputi jenis kelamin, usia, pendidikan

Lebih terperinci

ANALISIS STATISTIKA UNTUK SOSIAL EKONOMI PERTANIAN

ANALISIS STATISTIKA UNTUK SOSIAL EKONOMI PERTANIAN ANALISIS STATISTIKA UNTUK SOSIAL EKONOMI PERTANIAN (DRAFT PERTAMA) OLEH DIDI RUKMANA PROGRAM STUDI AGRIBISNIS DEPARTEMEN SOSIAL EKONOMI PERTANIAN FAKULTAS PERTANIAN UNIVERSITAS HASANUDDIN 2017 i KATA PENGANTAR

Lebih terperinci

ANALISIS BIPLOT ROW METRIC PRESERVING UNTUK MENGETAHUI KARAKTERISTIK PROVIDER TELEPON SELULER PADA MAHASISWA S1 FSM UNIVERSITAS DIPONEGORO

ANALISIS BIPLOT ROW METRIC PRESERVING UNTUK MENGETAHUI KARAKTERISTIK PROVIDER TELEPON SELULER PADA MAHASISWA S1 FSM UNIVERSITAS DIPONEGORO ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 331-340 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS BIPLOT ROW METRIC PRESERVING UNTUK MENGETAHUI KARAKTERISTIK

Lebih terperinci

BAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat

BAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat BAB II LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian

Lebih terperinci

Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan

Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail: Desi_its@yahoo.com Mustika Hadijati Fakultas MIPA, Universitas Mataram e-mail:

Lebih terperinci

VI. ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI USAHA PEMBESARAN LELE DUMBO DI CV JUMBO BINTANG LESTARI

VI. ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI USAHA PEMBESARAN LELE DUMBO DI CV JUMBO BINTANG LESTARI VI. ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI USAHA PEMBESARAN LELE DUMBO DI CV JUMBO BINTANG LESTARI 6.1. Analisis Fungsi Produksi Model fungsi produksi yang digunakan adalah fungsi Cobb Douglas. Faktor-faktor

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN

BAB IV PEMBAHASAN HASIL PENELITIAN BAB IV PEMBAHASAN HASIL PENELITIAN A. Deskripsi Data Hasil Penelitian Deskripsi penelitian bertujuan untuk menyajikan dan menganalisis data tentang konsep diri, minat dan motivasi belajar matematika peserta

Lebih terperinci

Penyajian Grafis Data Peubah Ganda

Penyajian Grafis Data Peubah Ganda ANALISIS PEUBAH GANDA Penyajian Grafis Data Peubah Ganda HAZMIRA YOZZA JUR.MATEMATIKA FMIPA UNAND BEBERAPA ALAT PENYAJIAN DATA PEU BAH GANDA Diagram pencar Matriks plot profil Diagram bintang glyphs diagram

Lebih terperinci

22. MATEMATIKA SMA/MA (PROGRAM IPA)

22. MATEMATIKA SMA/MA (PROGRAM IPA) 22. MATEMATIKA SMA/MA (PROGRAM IPA) NO. 1. Memahami pernyataan dalam matematika dan ingkarannya, menentukan nilai kebenaran pernyataan majemuk serta menggunakan prinsip logika matematika dalam pemecahan

Lebih terperinci