ANALISIS REGRESI RIDGE UNTUK MENGATASI MULTIKOLINIER PADA VARIABEL-VARIABEL YANG MEMPENGARUHI INDEK PRESTASI KUMULATIF MAHASISWA BERBASIS KOMPUTER
|
|
- Teguh Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS REGRESI RIDGE UNTUK MENGATASI MULTIKOLINIER PADA VARIABEL-VARIABEL YANG MEMPENGARUHI INDEK PRESTASI KUMULATIF MAHASISWA BERBASIS KOMPUTER Ferdy Adhiputra Universitas Bina Nusantara, Jakarta, DKI Jakarta, Indonesia, Djunaidy Santoso Universitas Bina Nusantara, Jakarta, DKI Jakarta, Indonesia, dan Margaretha Ohyver Universitas Bina Nusantara, Jakarta, DKI Jakarta, Indonesia, Abstrak Masalah yang dihadapi ketika membuat model regresi adalah adanya multikolinier dalam suatu data yang dapat menyebabkan persamaan regresi ganda menjadi tidak konsisten. Masalah ini terjadi ketika memodelkan pengaruh usia, nilai UN, uang saku, lama waktu belajar di dalam kelas, lama waktu untuk extrakurikuler, banyak textbook yang dimiliki, jumlah SKS yang telah dilalui, jumlah mata kuliah, rata-rata SKS, semester yang telah di lalui, kunjungan ke perpustakaan, lama perjalanan dari tempat tinggal ke kamus dan jarak dari tempat tinggal ke kamus terhadap nilai IPK mahasiswa School of Computer Science BINUS University. Untuk mengatasi masalah ini digunakan metode regresi ridge. Sedangkan tujuan dari penelitian ini adalah membentuk model regresi ganda dan model
2 regresi ridge pada data yang mengandung multikolinier serta mengetahui manakah dari kedua model persamaan tersebut yang paling baik untuk menyelesaikan masalah multikolinier. Berdasarkan penelitian diketahui bahwa model regresi ridge lebih baik dalam menyelesaikan masalah multikolinier jika dibandingkan dengan regresi ganda untuk data ini. Hal ini terlihat pada nilai VIF ridge yang kurang dari 10. Kata kunci : Multikolinier, Regresi ganda, Regresi ridge dan VIF 1. Latar Belakang Pendidikan merupakan hal yang sangat penting dalam kehidupan. Pendidikan merupakan dasar untuk melakukan banyak hal. Tanpa memiliki pendidikan yang baik, orang akan mengalami kesulitan dalam melakukan kegiatan mereka. Sekarang sudah banyak yang peduli dengan pendidikan diperoleh. Hal ini dapat dilihat dari semakin banyaknya orang yang mengambil pendidikan strata satu. Keberhasilan orang dalam pendidikannya biasa diukur dari nilai yang diperoleh atau bisa disebut dengan indek prestasi kumulatif (IPK). Ada batasan atau standard nilai yang ditentukan oleh masing masing universitas dalam mengukur kemampuan mahasiswa. Tidak sedikit mahasiswa yang memiliki IPK rendah. Tinggi rendahnya IPK yang mahasiswa dapatkan secara umum dapat dipengaruhi oleh beberapa faktor. Faktor-faktor tersebut antara lain faktor latar belakang mahasiswa, faktor ekonomi keluarga, faktor aktivitas akademik dan ekstrakulikuler, faktor fasilitas penunjang akademik, dan faktor lingkungan tempat tinggal. Faktor latar belakang mahasiswa meliputi usia dan nilai UN SLTA. Faktor akademis keluarga meliputi biaya hidup dan pendapatan orang tua/ wali perbulan. Faktor aktivitas akademik dan ekstrakulikuler meliputi alokasi waktu belajar, waktu aktifitas ekstrakurikuler, jumlah buku pegangan yang dimiliki, jumlah SKS yang telah
3 dilalui, jumlah mata kuliah yang telah ditempuh, rata-rata SKS persemester, dan jumlah semester aktif yang telah dilalui. Faktor penunjang akademik meliputi frekuensi kedatangan ke perpustakaan. Faktor lingkungan tempat tinggal meliputi jarak tempat tinggal ke kampus dan lama perjalanan dari lokasi tempat tinggal ke kampus. Analisis regresi adalah salah satu metode dalam statistika untuk mengetahui bentuk hubungan antara 2 variabel atau lebih. Analisis model regresi dinyatakan baik jika memenuhi asumsi-asumsi klasik antara lain yaitu tidak ada autokorelasi, tidak ada heteroskedastisitas, dan tidak ada multikolinier. Saat menentukan model regresi populasi ada kemungkinan beberapa atau semua variabel bebas (variabel X) membentuk hubungan antara satu sama lain, kejadian ini dapat sebut juga sebagai multikolinier (Ryan,1997). Ada beberapa metode untuk mengatasi multikolinier, diantaranya Principal Component Analysis (PCA), Partial Least Squares (PLS), dan regresi ridge. PCA pernah digunakan untuk memodelkan hubungan konsumsi terhadap pendapatan upah, pendapatan non upah dan non pertanian serta pendapatan pertanian (Soemartini, 2008). PLS pernah digunakan untuk memodelkan data gingerol (Ohyver, 2010). Regresi ridge pernah digunakan untuk memodelkan hubungan barang import terhadap bahan yang dipesan, persedian barang, dan barang yang dikonsumsi (Pradipta, 2009). Metode yang akan digunakan dalam penelitian ini adalah regresi ridge. Metode ini merupakan metode dengan penduga regresi yang bias. Walaupun memiliki penduga yang bias, penduga ini memiliki variansi minimum (Ryan,1977). Regresi ridge akan digunakan untuk memodelkan hubungan antara IPK mahasiswa dengan usia, nilai UN, uang saku, lama waktu belajar di dalam kelas, lama waktu untuk extrakurikuler, banyak textbook yang dimiliki, jumlah SKS yang telah dilalui, jumlah mata kuliah, rata-rata SKS, semester yang telah di lalui, kunjungan ke perpustakaan, lama perjalanan dari tempat tinggal ke kamus dan jarak dari tempat
4 tinggal ke kamus. Untuk selanjutnya data mengenai faktor-faktor tersebut akan dinamakan data IPK (Irnawati,2003). 2. Metodologi Ruang lingkup penelitian adalah membentuk model regresi ganda, membentuk model regresi ridge, dan membandingkan manakan dari kedua model terseut yang paling baik untuk mengatasi masalah multikolinier pada data IPK mahasiswa School of Computer Science BINUS University semester 3,5,7,dan 9. Tahapan penelitian yang dilakukan meliputi sebagai berikut: 1. Pengumpulan data 2. Pentransformasian variabel 3. Pemodelan dengan regresi linier ganda 4. Pengujian multikolinier 5. Pemodelan dengan regresi ridge 6. Membandingkan VIF dari hasil pemodelan regresi ridge 7. Kesimpulan 2.1. Pengumpulan Data Pada penelitian ini data dikumpulkan dari populasi mahasiswa BINUS University jurusan Teknik Informatika (TI), Teknik Informatika dan Matematika (TI-Math), serta Teknik Informatika dan Statistika (TI-Stat) dan pemilihan sampelnya menggunakan metode stratified. Alat pengumpulan data dalam penelitian ini menggunakan kuisioner yang diberikan kepada sampel. Pengambilan data dilakukan dengan langkah-langkah sebagai berikut.
5 1. Penentuan ukuran sampel dengan menggunakan rumus slovin = sebesar 4269 dan e sebesar 0,1. Diperoleh ukuran sampel sebesar 98., dengan N 2. Pembagian sampel berdasarkan 3 jurusan, dan diperoleh ukuran sampel jurusan TI sebesar 49, ukuran sampel TI-Math sebesar 29, dan ukuran sampel TI-Stat sebesar Regresi Ganda Variabel-variabel penelitian akan ditransformasi dengan menggunakan persamaan Hal ini dilakukan karena adanya perbedaan satuan antar variabel. Sebagai contoh variabel X 1 yang mempunyai satuan tahun dan variabel X 13 yang mempunyai satuan km. Selanjutnya variabel-variabel yang telah ditransformasi tersebut dimodelkan dengan menggunakan model regresi ganda. Dengan menggunakan aplikasi program yang dibuat, diperoleh koefisien regresi ganda untuk regresi Y terhadap ketiga belas variabel bebas. Koefisien-koefisien tersebut terdapat pada Tabel 1. Tabel 1. Koefisien Regresi Y terhadap 13 Variabel Bebas β β β β β β β β β β β β β β
6 Pada Tabel 1 diketahui bahwa ada 7 variabel bebas bernilai negatif dan ada 6 variabel bebas yang bernilai positif. Berdasarkan Tabel 1 dapat dibuat persamaan regresinya sebagai berikut Dari persamaan regresi ganda yang didapatkan diketahui bahwa nilai IPK (Y) mendapatkan pengaruh positif dari usia (X 1 ), nilai UN (X 2 ), lama waktu belajar di dalam kelas(x 4 ), jumlah SKS yang telah dilalui (X 7 ), kunjungan ke perpustakaan (X 11 ), jarak dari tempat tinggal ke kamus (X 13 ) dan nilai IPK mendapatkan pengaruh negatif dari uang saku (X 3 ), lama waktu ektrakurikuler selama seminggu (X 5 ), banyak textbook yang dimiliki (X 6 ), jumlah mata kuliah (X 8 ), rata-rata SKS (X 9 ), semester yang telah di lalui (X 10 ), lama perjalanan dari tempat tinggal ke kamus (X 12 ). Langkah pengidentifikasian multikolinier. Ada 2 hal yang akan dilakukan dalam pengidentifikasian ini dan hal-hal tersebut adalah sebagai berikut. Pertama, memeriksa apakah koefisiennya akan bernilai sama jika diregresikan terhadap beberapa variabel bebas. Ketika diregresikan terhadap 10 variabel bebas, diperoleh hasil seperti pada Tabel 2. Tabel 2. Koefisien Regresi terhadap 10 Variabel Bebas β β 6-0,2085 β β β β 8-0,054 β β 9-0,3134 β 4 0,2036 β 10-0,6943 β 5-0, 0162
7 Pada Tabel 2 diketahui bahwa ada 6 variabel bebas yang bernilai negatif dan 4 variabel bebas yang bernilai positif dan persamaan regresinya sebagai berikut: diregresikan kembali terhadap 7 variabel bebas. Hasil regresi di tampilkan pada Tabel 3 dan dari Tabel 3 diketahui bahwa ada 3 variabel bebas bernilai negatif dan 4 variabel bebas yang bernilai positif. Tabel 3. Koefisien Regresi terhadap 7 Variabel Bebas β β 4 0,1626 β β 5-0,0085 β β 6-0,214 β β 7 0,246 Dengan persamaan regresi sebagai berikut: ,246 Selain itu koefisien-koefisien yang ada pada Tabel 3 berbeda dengan yang ada pada Tabel 1 dan Tabel 2. Kedua, menghitung VIF dengan menggunakan persamaan. Hasil lengkapnya dapat dilihat pada Tabel 4. Dimana pada tabel tersebut diketahui ada nilai VIF yang lebih besar dari 10. Tabel 4. Nilai VIF
8 VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF Berdasarkan kedua uraian di atas, dapat disimpulkan bahwa terjadi multikolinier. Oleh karena itu, variabel-variabel penelitian akan dimodelkan dengan menggunakan regresi ridge Regresi Ridge Variabel respon Y diregresikan terhadap 13 variabel bebas dengan menggunakan persamaan regresi ridge, yaitu persamaan ; 0. Untuk menggunakan persamaan ini, digunakan konstanta bias c>0. Karena adanya konstanta bias ini, maka akan diperoleh koefisien-koefisien regresi ridge untuk setiap nilai c. Misalnya untuk c=0,1 dan c=0,2 diperoleh persamaan regresi sebagai berikut. Untuk c = 0, Untuk c = 0,2
9 Tabel 5. Nilai koefisien Variabel X pada regresi ridge c X X X X X X X X X X X X X c X X X X X X X X X X X X X
10 Karena adanya koefisien-koefisien ridge yang berbeda untuk setiap nilai, maka pertanyaan yang harus dijawab adalah Manakah koefisien regresi ridge yang akan digunakan?. Untuk membantu dalam menjawab pertanyaan ini, dapat digunakan nilai VIF dan ridge trace. Tabel 6. Nilai VIF pada regresi ridge c VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF c VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF
11 Nilai VIF untuk regresi ridge ini ada pada Tabel 6. Berdasarkan Tabel 6, maka dipilih koefisien regresi ridge pada Jika dilihat pada Gambar 1, maka terlihat bahwa pada nilai demikian, koefisiennya sudah stabil. Gambar 1 Ridge Trace Persamaan regresi ridge yang diperoleh adalah pada saat c = 0.34 sebagai berikut Dari persamaan regresi ridge yang didapatkan diketahui bahwa nilai IPK (Y) mendapatkan pengaruh positif dari usia (X 1 ), nilai UN (X 2 ), lama waktu belajar di dalam kelas(x 4 ), jumlah SKS yang telah dilalui (X 7 ), kunjungan ke perpustakaan (X 11 ), jarak dari tempat tinggal ke kamus (X 13 ) dan nilai IPK mendapatkan pengaruh negatif dari uang saku (X 3 ), lama waktu ektrakurikuler selama seminggu (X 5 ), banyak textbook
12 yang dimiliki (X 6 ), jumlah mata kuliah (X 8 ), rata-rata SKS (X 9 ), semester yang telah di lalui (X 10 ), lama perjalanan dari tempat tinggal ke kamus (X 12 ). Tabel 7. Nilai VIF pada regresi ganda dan regrsi ridge c Regresi ganda Regresi ridge VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF VIF Dengan membandingkan nilai VIF yang dihasilkan oleh persamaan regresi ganda danpersamaan regresi ridge seperti pada tabel 7 diketahui bahwa persamaan regresi ridge yang didapatkan lebih baik dari persamaan regresi ganda karena nilai VIF ridge yang kurang dari Simpulan Simpulan yang didapatkan dari hasil penelitian adalah sebagai berikut.
13 1. Terjadi masalah multikolinear pada variable-variabel yang mempengaruhi indeks prestasi kumulatif mahasiswa School of Computer Science BINUS University. 2. Model regresi ganda untuk pengaruh 13 variabel bebas terhadap indeks prestasi kumulatif mahasiswa School of Computer Science BINUS University adalah Model regresi ridge untuk pengaruh 13 variabel bebas terhadap indeks prestasi kumulatif mahasiswa School of Computer Science BINUS University terdapat pada nilai c = 0.34, yaitu Model regresi ridge lebih baik dalam memodelkan pengaruh 13 variabel bebas terhadap indeks prestasi kumulatif mahasiswa School of Computer Science BINUS University jika dibandingkan dengan regresi ganda. Hal ini terlihat pada nilai VIF ridge yang kurang dari 10.
14 Daftar Isi [1] [2] Myers, R. H. (1990), Classical and Modern Regression with Application, 2nd ed., New Yersey: Prentice-hall. [3] Neter, J., Wasserman, W., and kutner, M. H. (1990), Applied Linear Statistical Models, 3rd ed., Illinois: Irwin. [4] Ohyver, Margaretha. (2010). Penerapan Partial Least Squares pada Data Gingerol. Jurnal. Jakarta: Jurusan Matematika dan Statistika, Fakultas Sains dan Teknologi, Universitas Bina Nusantara. [5] Pradipta, Nanang. (2009). Metode Regresi Ridge untuk Mengatasi Model Regresi Linier Berganda yang Mengandung Multikolinieritas. Skripsi S1. Medan: Jurusan Matematika, FMIPA Universitas Sumatra Utara. [6] Pressman, R.S. (2005). Software Engineering : a Practitioner s Approach (sixth edition). New York : McGraw-Hill. [7] Rietveld, P., dan Sunaryanto, L. T.(1994), 87 Masalah Pokok dalam Regresi Berganda, edisi pertama. Yogyakarta:Andi Offset. [8] Ryan, T. P. (1997). Modern Regression Method, New York: Wiley. [9] Soemartini. (2008). Principal Component Analysis(PCA) sebagai Salah Satu Metode untuk Mengatasi Masalah Multikolinieritas. Skripsi S1. Medan: Jurusan Statistika, FMIPA Universitas Padjadjaran. [10] Sugiyono. (2004). Metode Penelitian Bisnis. Bandung: Alfabeta. [11] Walpole, Ronald E.(1995). Pengantar Statistika. Jakarta : Gramedia. (Times New Roman, Font 12)
BAB 1 PENDAHULUAN. Pendidikan merupakan dasar untuk melakukan banyak hal. Tanpa memiliki
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan hal yang sangat penting dalam kehidupan. Pendidikan merupakan dasar untuk melakukan banyak hal. Tanpa memiliki pendidikan yang baik, orang akan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. (TI-Math), serta Teknik Informatika dan Statistika (TI-Stat) dan pemilihan
BAB 3 METODOLOGI PENELITIAN 3.1 Pengumpulan Data Pada penelitian ini data dikumpulkan dari populasi mahasiswa BINUS University jurusan Teknik Informatika (TI), Teknik Informatika dan Matematika (TI-Math),
Lebih terperinciPEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R
PEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R Margaretha Ohyver Mathematics & Statistics Department, School of Computer Science, Binus University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Analisis regresi merupakan salah satu metode statistik yang sering
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu metode statistik yang sering digunakan dalam kehidupan sehari-hari. Tujuan analisis regresi yaitu mengetahui sejauh mana hubungan
Lebih terperinciPENDETEKSIAN OUTLIER PADA MODEL REGRESI GANDA: STUDI KASUS TINGKAT PENGHUNIAN KAMAR HOTEL DI KENDARI
PENDETEKSIAN OUTLIER PADA MODEL REGRESI GANDA: STUDI KASUS TINGKAT PENGHUNIAN KAMAR HOTEL DI KENDARI Margaretha Ohyver; Heruna Tanty Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciAPLIKASI PEMILIHAN MODEL TERBAIK MENGGUNAKAN BEST SUBSET REGRESSION DAN REGRESI RIDGE
APLIKASI PEMILIHAN MODEL TERBAIK MENGGUNAKAN BEST SUBSET REGRESSION DAN REGRESI RIDGE Serlyana, Margaretha Ohyver, Bayu Kanigoro Universitas Bina Nusantara, Jl. K.H Syahdan No. 9, Jakarta 11480, 021-5345830,
Lebih terperinciMETODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 169 174. METODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA Romika Indahwati,
Lebih terperinciKombinasi Regresi Tak Bias Ridge dengan Regresi Komponen Utama untuk Mengatasi Masalah Multikolinieritas
Statistika, Vol. 17 No. 1, 25 31 Mei 2017 Kombinasi Regresi Tak Bias Ridge dengan Regresi Komponen Utama untuk Mengatasi Masalah Multikolinieritas Fitriana Novitasari, Suliadi, Anneke Iswani A. Prodi Statistika,
Lebih terperinciBAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciPENERAPAN METODE TRANSFORMASI LOGARITMA NATURAL DAN PARTIAL LEAST SQUARES UNTUK MEMPEROLEH MODEL BEBAS MULTIKOLINIER DAN OUTLIER
PENERAPAN METODE TRANSFORMASI LOGARITMA NATURAL DAN PARTIAL LEAST SQUARES UNTUK MEMPEROLEH MODEL BEBAS MULTIKOLINIER DAN OUTLIER Margaretha Ohyver Mathematics & Statistics Department, School of Computer
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciLEAST SQUARE AND RIDGE REGRESSION ESTIMATION ABSTRAK ( ) = ( + ) Kata kunci: regresi linear ganda, multikolinearitas, regresi gulud.
1 LEAST SQUARE AND RIDGE REGRESSION ESTIMATION ABSTRAK Metode kuadrat terkecil atau Ordinary Least Square (OLS) merupakan suatu metode penaksiran koefisien regresi yang paling sederhana. Jika diantara
Lebih terperinciPENERAPAN ANALISIS REGRESI RIDGE PADA DATA PASIEN HIPERTENSI DI RUMAH SAKIT UMUM DAERAH SIDIKALANG TAHUN 2014
PENERAPAN ANALISIS REGRESI RIDGE PADA DATA PASIEN HIPERTENSI DI RUMAH SAKIT UMUM DAERAH SIDIKALANG TAHUN 204 Medis Pasaribu, Drs. Abdul Jalil A.A.,M.Kes 2, dr. RiaMasniari Lubis, M.Si 2. Mahasiswa FKM
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciMetode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas
Vol. 14, No. 1, 93-99, Juli 2017 Metode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas Nurhasanah Abstrak Regresi berganda dengan peubah bebas saling berkorelasi (multikolinearitas)
Lebih terperinciJl. Ir. M. Putuhena, Kampus Unpatti, Poka-Ambon ABSTRAK
Jurnal Barekeng Vol. 8 No. 1 Hal. 31 37 (2014) MODEL REGRESI RIDGE UNTUK MENGATASI MODEL REGRESI LINIER BERGANDA YANG MENGANDUNG MULTIKOLINIERITAS (Studi Kasus: Data Pertumbuhan Bayi di Kelurahan Namaelo
Lebih terperinciKAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN
KAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN Nurul Gusriani 1), Firdaniza 2), Novi Octavianti 3) 1,2,3) Departemen Matematika FMIPA Universitas Padjadjaran, Jalan Raya Bandung- Sumedang Km. 21
Lebih terperinciPerturbasi Nilai Eigen dalam Mengatasi Multikolinearitas
Vol. 10, No. 1, 6-13, Juli 2013 Perturbasi Nilai Eigen dalam Mengatasi Multikolinearitas Andi Yuni Deviyanti 1, Andi Kresna Jaya 1, Anisa 1 Abstrak Multikolinieritas adalah salah satu pelanggaran asumsi
Lebih terperinciIDENTIFIKASI MULTIKOLINEAR PADA MODEL REGRESI LOGISTIK ORDINAL UNTUK STATUS GIZI ANAK DI KELURAHAN KARANGKITRI, BEKASI TIMUR
IDENTIFIKASI MULTIKOLINEAR PADA MODEL REGRESI LOGISTIK ORDINAL UNTUK STATUS GIZI ANAK DI KELURAHAN KARANGKITRI, BEKASI TIMUR Margaretha Ohyver Mathematics & Statistics Department, School of Computer Science,
Lebih terperinciPENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA
PENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA Sri Siska Wirdaniyati 1), Edy Widodo ) 1) Mahasiswa Prodi
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and
Lebih terperinciAnalisis Regresi: Regresi Linear Berganda
Analisis Regresi: Regresi Linear Berganda Pengantar Pada sesi sebelumnya kita hanya menggunakan satu buah X, dengan model Y = b 0 + b 1 X 0 1 Dalam banyak hal, yang mempengaruhi X bisa lebih dari satu.
Lebih terperinciMEMBANDINGKAN DUA PERSAMAAN REGRESI LINEAR SEDERHANA. Oleh: Giyanto 1) ABSTRACT
Oseana, Volume XXVIII, Nomor 1, 2003 : 19-31 ISSN 0216-1877 MEMBANDINGKAN DUA PERSAMAAN REGRESI LINEAR SEDERHANA Oleh: Giyanto 1) ABSTRACT COMPARING TWOSIMPLE LINEAR REGRESSION EQUATIONS. Frequently we
Lebih terperinciPEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHINYA MENGGUNAKAN REGRESI RIDGE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN
Lebih terperinciModel Regresi Dummy dalam Memprediksi Performansi Akademik Mahasiswa Jurusan Matematika FMIPA UNP
Model Regresi Dummy dalam Memprediksi Performansi Akademik Mahasiswa Jurusan Matematika FMIPA UNP Nonong Amalita, Yenni Kurniawati Jurusan Matematika FMIPA UNP E-mail: nongamalita@yahoo.com Abstrak. Performansi
Lebih terperinciEstimasi Interval Kepercayaan Bootstrap pada Parameter Regresi Komponen Utama
Estimasi Interval Kepercayaan Bootstrap pada Parameter Regresi Komponen Utama Shinta Anisa Putri Y 1, Raupong 2, Sri Astuti Thamrin 3 1 Program Studi Statistika, Jurusan Matematika, Fakultas Matematika
Lebih terperinciProgram Studi Teknik Mesin S1
SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DAN PROBABILITAS KODE / SKS : IT042238 / 2 SKS Program Studi Teknik Mesin S1 Pokok Bahasan Pertemuan dan TIU 1 Pendahuluan memahami tentang konsep statistik
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Banyak metode yang dapat digunakan untuk menganalisis data atau informasi pada suatu pengamatan. Salah satu metode statistik yang paling bermanfaat dan paling sering
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu metode analisis dalam statistika yang sangat familiar bagi kalangan akademis dan pekerja. Analisis regresi dapat
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Penelitian Subjek dalam penelitian ini adalah para pengunjung di objek wisata air panas Semolon yang berada di Kabupaten Malinau, Kalimantan Utara. B. Jenis Data Dalam
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui bentuk hubungan digunakan analisis regresi. Untuk keeratan
BAB 2 LANDASAN TEORI 2.1 Regresi Persamaan matematik yang memungkinkan untuk melakukan peramalan nilai-nilai suatu variabel tak bebas dari nilai satu atau lebih variabel bebas disebut persamaan regresi
Lebih terperinciKematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas
Lebih terperinciSKRIPSI WANDA SURIANTO
ANALISIS PERBANDINGAN REGRESI KOMPONEN UTAMA DAN REGRESI RIDGE UNTUK MENGATASI MASALAH MULTIKOLINIERITAS PADA MODEL REGRESI LINIER BERGANDA SKRIPSI WANDA SURIANTO 120803034 DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciTingkat Efisiensi Metode Regresi Robust dalam Menaksir Koefisien Garis Regresi Jika Ragam Galat Tidak Homogen
Tingkat Efisiensi Metode Robust dalam Menaksir Garis Jika Ragam Galat Tidak Homogen Harmi Sugiarti dan Andi Megawarni e-mail: harmi@mailutacid dan mega@mailutacid Abstract This paper aims to compare the
Lebih terperinciPerbandingan Metode Robust Least Trimmed Square Dengan Metode Scale
Perbandingan Metode Robust Least Trimmed Square Dengan Metode Scale Dalam Mengestimasi Parameter Regresi Linear Berganda Untuk Data Yang Mengandung Pencilan Musafirah 1, Raupong 2, Nasrah Sirajang 3 ABSTRAK
Lebih terperinciPemanfaatan Software MINITAB Untuk Regresi PLS (Partial Least Square)
Abstrak Pemanfaatan Software MINITAB Untuk Regresi PLS (Partial Least Square) Retno Subekti 1 Dalam analisis regresi klasik terdapat asumsi tidak adanya multikolinieritas yaitu tidak adanya korelasi yang
Lebih terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinciAL-ADZKA, Jurnal Ilmiah Pendidikan Guru Madrasah Ibtidaiyah, Volume II, Nomor 02 Juli 2012
195 MODEL PERSAMAAN STRUKTURAL PENGARUH MOTIVASI, KAPABILITAS DAN LINGKUNGAN TERHADAP PRESTASI BELAJAR MAHASISWA TAHUN PERTAMA PROGRAM STUDI S1 MATEMATIKA FMIPA-IPB Oleh : Muhammad Amin Paris (Dosen Fak.
Lebih terperinciTUGAS AKHIR. Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3
TUGAS AKHIR Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3 Oleh: Alin Fitriani 1306 100 066 Pembimbing: Dr.Ir. Setiawan, M.S NIP 198701 1 001 JURUSAN STATISTIKA
Lebih terperinciPERBANDINGAN REGRESI RIDGE DAN PRINCIPAL COMPONENT ANALYSIS DALAM MENGATASI MASALAH MULTIKOLINEARITAS
PERBANDINGAN REGRESI RIDGE DAN PRINCIPAL COMPONENT ANALYSIS DALAM MENGATASI MASALAH MULTIKOLINEARITAS 1) Irwan dan Hasriani 1) Dosen Pada Jurusan Matematika Fakultas Sains dan Teknologi Universitas Islam
Lebih terperinci1. PENDAHULUAN PADA PRODUKSI JAGUNG DI JAWA TENGAH
MODEL REGRESI ROBUST ESTIMASI DENGAN PEMBOBOT FAIR PADA PRODUKSI JAGUNG DI JAWA TENGAH Oktaviana Wulandari, Yuliana Susanti, dan Sri Sulistijowati Handajani Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAB I PENDAHULUAN. Regresi linier adalah teknik pemodelan di mana nilai variabel dependen
BAB I PENDAHULUAN 1.1. LATAR BELAKANG Regresi linier adalah teknik pemodelan di mana nilai variabel dependen dimodelkan sebagai kombinasi linier pada sekumpulan variabel penjelas. Variabel dependen merupakan
Lebih terperinciPENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI
PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas
Lebih terperinciESTIMASI PARAMETER REGRESI LOGISTIK BINER DENGAN METODE PARTIAL LEAST SQUARES
ESTIMASI PARAMETER REGRESI LOGISTIK BINER DENGAN METODE PARTIAL LEAST SQUARES Selpadina Indriyani 1, Raupong 2, Anisa 3 1 Mahasiswa Program Studi Statistika FMIPA Universitas Hasanuddin 2,3 Dosen Program
Lebih terperinciBAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi
76 BAB IV PENUTUP A. Kesimpulan Model Seemingly Unrelated Regression (SUR) merupakan perluasan dari analisis regresi linear yang berupa sistem persamaan yang terdiri dari beberapa persamaam regresi yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Deret Fourier Dalam bab ini akan dibahas mengenai deret dari suatu fungsi periodik. Jenis fungsi ini sering muncul dalam berbagai persoalan fisika, seperti getaran mekanik, arus
Lebih terperinciPIKA SILVIANTI, M.SI
PIKA SILVIANTI, M.SI No. Materi Pokok (Materi Ajar) Alokasi Waktu (menit) 1 Pengenalan analisis regresi 2 x 50 2: Bab 1 2 Model regresi linier sederhana 2 x 50 Bahan / Sumber Belajar 2: Bab 2 3: Bab 1
Lebih terperinciBAB III METOTOLOGI PENELITIAN
BAB III METOTOLOGI PENELITIAN 3.1 Obyek Penelitian Analisis ekonomi digunakan atas dasar anggapan bahwa variabel dalam faktor faktor ekonomi dan pasar merupakan variabel yang berpengaruh secara sistematik
Lebih terperinciOleh: Ningrum Astriawati Prodi Teknika, Akademi Maritim Yogyakarta
PENERAPAN ANALISIS REGRESI LINIER BERGANDA UNTUK MENENTUKAN PENGARUH PELAYANAN PENDIDIKAN TERHADAP EFEKTIFITAS BELAJAR TARUNA DI AKADEMI MARITIM YOGYAKARTA Oleh: Ningrum Astriawati Prodi Teknika, Akademi
Lebih terperinciBAB I PENDAHULUAN. yang saling berhubungan atau berpengaruh satu sama lain. Ilmu statistika
BAB I PENDAHULUAN A. Latar Belakang Masalah Dalam kehidupan, seringkali peneliti dihadapkan dengan suatu kejadian yang saling berhubungan atau berpengaruh satu sama lain. Ilmu statistika mengenal metode
Lebih terperinci= parameter regresi = variabel gangguan Model persamaan regresi linier pada persamaan (2.2) dapat dinyatakan dalam bentuk matriks berikut:
BAB II LANDASAN TEORI 2. Analisis Regresi Linier Berganda Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk menganalisis hubungan antara dua variabel atau lebih. Menurut
Lebih terperinciPERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 1-5 ISSN: 2303-1751 PERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA NI WAYAN
Lebih terperinciMENGATASI MULTIKOLINEARITAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA)
MENGATASI MULTIKOLINEARITAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA) Laporan Praktikum ke-2 Disusun untuk Memenuhi Laporan Praktikum Analisis Regresi Lanjutan Oleh Nama : Faisyal Nim : 125090507111001
Lebih terperinciSKRIPSI. Untuk memenuhi Sebagian Persyaratan Memperoleh Gelar Sarjana Sains. Oleh SUCIANA BUDI ARYANI
PERBANDINGAN LATAR BELAKANG DAN PRESTASI AKADEMIK MAHASISWA YANG DITERIMA MELALUI JALUR PMDK, SNMPTN DAN SPMBM (Studi Kasus : Mahasiswa Jurusan Matematika Fakultas MIPA Universitas Andalas) SKRIPSI Untuk
Lebih terperinciJudul : PERPINDAHAN MAHASISWA
A. TUJUAN SOP ini bertujuan untuk memberikan penjelasan mengenai : 1. Prosedur proses perpindahan mahasiswa. 2. Pemilihan jurusan, perpindahan jurusan dan status mahasiswa. 3. Persyaratan yang diperlukan
Lebih terperinciAplikasi Analisa Multivariate dan Analisa Regresi Linier Berganda pada Proses Pengolahan Air Minum
J. Math. and Its Appl. ISSN: 1829-605X Vol. 1, No. 2, Nov. 2004, 41 48 Aplikasi Analisa Multivariate dan Analisa Regresi Linier Berganda pada Proses Pengolahan Air Minum Soehardjoepri Jurusan Matematika
Lebih terperinciOleh : Muhammad Amin Paris, S.Pd., M.Si (Dosen Fak. Tarbiyah IAIN Antasari Banjarmasin) Abstrak
MODEL PERSAMAAN STRUKTURAL PENGARUH MOTIVASI, KAPABILITAS DAN LINGKUNGAN TERHADAP PRESTASI BELAJAR MAHASISWA TAHUN PERTAMA PROGRAM STUDI S1 MATEMATIKA FMIPA-IPB Oleh : Muhammad Amin Paris, SPd, MSi (Dosen
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI A. Persamaan Regresi Linear Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Analisis regresi
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciPERBANDINGAN METODE REGRESI KOMPONEN UTAMA DAN REGRESI RIDGE DALAM MENGATASI MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE REGRESI KOMPONEN UTAMA DAN REGRESI RIDGE DALAM MENGATASI MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA Oleh La Ode Hajar Fotoro, Dr. Makkulau, S.Si., M.Si. 2, Rasas Raya,
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
Lebih terperinciPERBANDINGAN ORDINARY RIDGE REGRESSION DAN UNBIASED RIDGE REGRESSION DALAM MENGATASI MULTIKOLINEARITAS PADA DATA
PERBANDINGAN ORDINARY RIDGE REGRESSION DAN UNBIASED RIDGE REGRESSION DALAM MENGATASI MULTIKOLINEARITAS PADA DATA COMPARISON BETWEEN ORDINARY RIDGE REGRESSION AND UNBIASED RIDGE REGRESSION IN COPING WITH
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN DALAM PEREKONOMIAN RUMAH TANGGA DI KOTA SEMARANG MENGGUNAKAN REGRESI TOBIT
Analisis Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan dalam Perekonomian Rumah Tangga di Kota Semarang Menggunakan Regresi Tobit ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN
Lebih terperinciANALISIS INDEKS HARGA KONSUMEN TERHADAP INDEKS HARGA SANDANG DAN PANGAN DI KOTA AMBON
Jurnal Euclid, Vol.5, No.1, pp.100 ANALISIS INDEKS HARGA KONSUMEN TERHADAP INDEKS HARGA SANDANG DAN PANGAN DI KOTA AMBON Y.A. Lesnussa 1), H. W. M. Patty 2), A. N. Mahu 3), M. Y. Matdoan 4) 1) Jurusan
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciESTIMASI PARAMETER REGRESI RIDGE MENGGUNAKAN ITERASI HOERL, KENNARD, DAN BALDWIN (HKB) UNTUK PENANGANAN MULTIKOLINIERITAS
ESTIMASI PARAMETER REGRESI RIDGE MENGGUNAKAN ITERASI HOERL, KENNARD, DAN BALDWIN (HKB) UNTUK PENANGANAN MULTIKOLINIERITAS (Studi Kasus Pengaruh BI Rate, Jumlah Uang Beredar, dan Nilai Tukar Rupiah terhadap
Lebih terperinciANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN I SUKASARI PURWAKARTA)
Prosiding Seminar Matematika dan Pendidikan Matematika ISBN: 978-60-61-0-9 hal 693-703 November 016 ANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN
Lebih terperinciPENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS
e-jurnal Matematika Vol. 2, No. 1, Januari 2013, 54-59 PENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS NI KETUT TRI UTAMI 1, I KOMANG GDE SUKARSA 2, I PUTU EKA NILA
Lebih terperinciKAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 241-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN
Lebih terperinciAda 3 tiga variabel yang diteliti yaitu minat (X 1 ), dan motivasi. deskripsinya, ketiga variabel dapat dinyatakan secara kategorik.
digilib.uns.ac.id 41 A. Deskripsi Variabel Penelitian Ada 3 tiga variabel yang diteliti yaitu minat (X 1 ), dan motivasi menjadi bidan (X 2 ), serta prestasi belajar (Y). Ketiga variabel tersebut dinyatakan
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH SKRIPSI Disusun Oleh : NURMALITA SARI 240102120008 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciBAB V KESIMPULAN DAN SARAN
5 BAB V KESIMPULAN DAN SARAN 5. Kesimpulan Berdasarkan hasil analisis sebelumnya, dapat ditarik kesimpulan bahwa :. Model regresi yang mampu menjelaskan hubungan antara angka kematian bayi di Jawa Timur
Lebih terperinciPertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression
Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability
Lebih terperinciBab 1 PENDAHULUAN. USU memiliki visi menjadi University for Industry (UfI), dengan misi:
Bab 1 PENDAHULUAN 1.1. Latar Belakang Sejak awal pendiriannya, Universitas Sumatra Utara (USU) dipersiapkan menjadi pusat pendidikan tinggi di Kawasan Barat Indonesia. Sewaktu didirikan pada tahun 1952,
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah Analisis Lanjutan Kode/sks : MAS 4235/ 2-1 Semester : IV Status (Wajib/Pilihan) : Pilihan (P) Prasyarat : MAS
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Produksi dan Mutu Tembakau Temanggung dengan Kombinasi antara Generalized Least Square dan Regresi Ridge
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 12) ISSN: 2301-928X D-1 Pemodelan Faktor-Faktor yang Mempengaruhi Produksi dan Mutu Tembakau Temanggung dengan Kombinasi antara Generalized Least Square
Lebih terperinciPRA-PEMPROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DISKRIT
TUGAS AKHIR - ST 1325 PRA-PEMPROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DISKRIT ANGGREINI SUPRAPTI NRP 1305 100 005 Dosen Pembimbing Dr. Sutikno, S.Si, M.Si JURUSAN STATISTIKA
Lebih terperinciAnalisis Regresi 2. Multikolinier & penanganannya
Analisis Regresi 2 Pokok Bahasan : Multikolinier & penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasiswa dapat menjelaskan adanya multikolinieritas pada regresi linier berganda serta prosedur penanganannya
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu
III. METODE PENELITIAN A. Jenis dan Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu (time-series data) bulanan dari periode 2004:01 2011:12 yang diperoleh dari PT.
Lebih terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciPERTURBASI NILAI EIGEN DALAM MENGATASI MULTIKOLINIERITAS
PERTURBASI NILAI EIGEN DALAM MENGATASI MULTIKOLINIERITAS ANDI YUNI DEVIYANTI 1 ANDI KRESNA JAYA 2 DAN ANISA 3 Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hasanuddin
Lebih terperinciBAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinciFajar Ropi BINUS UNIVERSITTY, Jakarta, Indonesia, Abstrak. Seiring dengan berjalannya waktu persaingan dan kompetisi untuk meraih
Analisis Sikap DAN Faktor Pemilihan Perguruan Tinggi Swasta Jakarta Berbasis Komputer Menggunakan Model Fishbein dan Biplot (Studi kasus : SMA Kota Bogor) Fajar Ropi BINUS UNIVERSITTY, Jakarta, Indonesia,
Lebih terperinciIndah 1, Saleh 2, La Podje 3
Analisis Jumlah Kuadrat Ekstra pada Pemilihan Model Regresi Terbaik dengan Metode Seleksi Maju (Studi Kasus: Faktor-Faktor yang Mempengaruhi Prestasi Akademik Mahasiswa FMIPA Unhas Angkatan 01-013) Indah
Lebih terperinciREGRESI RIDGE-MM UNTUK MENGATASI MULTIKOLINIERITAS DAN PENCILAN : STUDI KASUS PADA DATA INDEKS PEMBANGUNAN MANUSIA
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 REGRESI RIDGE-MM UNTUK MENGATASI MULTIKOLINIERITAS DAN PENCILAN : STUDI KASUS PADA DATA INDEKS PEMBANGUNAN
Lebih terperinciUPAYA MEMBUAT KEBIJAKAN BIDANG AKADEMIK MELALUI ANALISIS HUBUNGAN PRESTASI DI TINGKAT SMU/SMK TERHADAP PRESTASI DI TINGKAT PERGURUAN TINGGI
UPAYA MEMBUAT KEBIJAKAN BIDANG AKADEMIK MELALUI ANALISIS HUBUNGAN PRESTASI DI TINGKAT SMU/SMK TERHADAP PRESTASI DI TINGKAT PERGURUAN TINGGI Mbayak Ginting 1), Eko Yuliawan 2) 1) Prodi Manajemen Informatika
Lebih terperinciPertemuan 10 STATISTIKA INDUSTRI 2. Multiple Linear Regression. Multiple Linear Regression. Multiple Linear Regression 19/04/2016
19/04/016 Pertemuan 10 STATISTIKA INDUSTRI TIN 4004 Outline: and Correlation Non Linear Regression Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability for Engineers, 5 th Ed. John
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Desain Penelitian Penelitian ini dilakukan di UBN. Penelitian ini merupakan jenis penelitian terapan, karena dilakukan untuk menerapkan ilmu pengetahuan, atau uji teori untuk
Lebih terperinciBAB III METODE PENELITIAN. Selatpanjang yang terletak di JL.Diponegoro, No. 85 A B Selatpanjang Kab.
BAB III METODE PENELITIAN 3.1 Lokasi dan Waktu penelitian Lokasi tempat penelitian ini dilakukan di CV. Istana Motor Selatpanjang yang terletak di JL.Diponegoro, No. 85 A B Selatpanjang Kab. Kepulauan
Lebih terperinciPEMBUATAN BAGAN KENDALI MULTIVARIAT T 2 -HOTELLING UNTUK PROSES PERKULIAHAN Studi Kasus : IPK dan Lama Studi Lulusan Matematika Universitas Andalas
Jurnal Matematika UNAND Vol. 1 No. 2 Hal. 85 92 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMBUATAN BAGAN KENDALI MULTIVARIAT T 2 -HOTELLING UNTUK PROSES PERKULIAHAN Studi Kasus : IPK dan Lama
Lebih terperinciRegresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno
Regresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno Zaenal Abidin (23515015) Program Studi Magister Informatika Sekolah Teknik Elektro dan Informatika
Lebih terperinciAnalisis Model Regresi Linear Berganda dengan Metode Response Surface
Jurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciPENERAPAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMENGARUHI JUMLAH SISWA SMA/SMK YANG TIDAK LULUS UN DI BALI
PENERAPAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMENGARUHI JUMLAH SISWA SMA/SMK YANG TIDAK LULUS UN DI BALI KOMANG AYU YULIANINGSIH 1, KOMANG GDE SUKARSA 2, LUH PUTU SUCIPTAWATI 3 1,2,3
Lebih terperinciPERBANDINGAN BAGAN KENDALI T 2 HOTELLING KLASIK DENGAN T 2 HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI NON-NORMAL MULTIVARIAT
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 17 4 ISSN : 303 910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN BAGAN KENDALI T HOTELLING KLASIK DENGAN T HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dijelaskan mengenai model regresi robust dengan
BAB III PEMBAHASAN Pada bab ini akan dijelaskan mengenai model regresi robust dengan metode estimasi-s. Kemudian akan ditunjukkan model regresi robust menggunakan metode estimasi-s untuk memprediksi Indeks
Lebih terperinci