MAKALAH TUGAS AKHIR POLA HUBUNGAN ANTARA FAKTOR SOSIAL EKONOMI DENGAN PENGGUNAAN INTERNET PADA RUMAH TANGGA DI JAWA TIMUR

Ukuran: px
Mulai penontonan dengan halaman:

Download "MAKALAH TUGAS AKHIR POLA HUBUNGAN ANTARA FAKTOR SOSIAL EKONOMI DENGAN PENGGUNAAN INTERNET PADA RUMAH TANGGA DI JAWA TIMUR"

Transkripsi

1 MAKALAH TUGAS AKHIR POLA HUBUNGAN ANTARA FAKTOR SOSIAL EKONOMI DENGAN PENGGUNAAN INTERNET PADA RUMAH TANGGA DI JAWA TIMUR Yusq Mahmud 1 da Isma Za 1 Mahasswa Jurusa Statstka FMIPA-ITS e-mal: yosukecudo@yahoo.com Dose Jurusa Statstka FMIPA-ITS e-mal: sma_z@statstka.ts.ac.d ABSTRAK Pegguaaa komuter telah berkembag beberaa tahu terakhr, umlah komuter yag beredar saat derkraka sudah meembus agka 1 mlar ut. Sedagka Jumlah eggua teret d seluruh dua ada tahu 8 sebesar 1,5 mlar orag. D Idoesa rumah tagga (RT yag memlk komuter haya sektar, uta RT (3,68 erse dar 58,8 uta RT keseluruha. Namu haya,6 uta RT (sektar 7 erse yag megguakaya utuk akses ke teret (BPS, 6. Bada Pusat Statstk sebaga eyeda data telah melakuka surve sosal da ekoom (Suseas yag d dalamya termasuk data egguaa teret ada rumah tagga. Namu aalss yag dguaka haya berua statstk deskrtf sehgga derluka aalss la yag lebh bak salah satuya yatu regres logstk. Model regres logstk ber adalah model yag meghubugka varabel acak reso Y yag berskala kategork ber dega varabel acak eelas X bak kategork atau kotu. Setelah dlakuka aalss regres logstk dketahu bahwa varabel yag beregaruh sgfka terhada egguaa teret ada suatu rumah tagga adalah eddka terakhr keala keluarga (x 3, status ekeraa keala keluarga (x 5, da baya teleo (x 11. Model regres logstk terbak yag deroleh adalah sebaga berkut. ex( 1,646,471x3(,39x5,197x11 ( x 1 ex( 1,646,471x3(,39x5,197x11 Kata kuc : teret, Suseas, regres logstk. 1. Pedahulua Peggua komuter da teret telah berkembag beberaa tahu terakhr, umlah komuter yag beredar saat derkraka sudah meembus agka 1 mlar ut. Sedagka umlah total eggua teret d seluruh dua ada tahu 8 sebesar 1,5 mlar orag (3,3 erse. Dar 1,5 mlar eggua teret saat, 41 erse berada d Asa, Eroa 5 erse dsusul Amerka Utara 16 erse da Afrka haya 5,6 erse (Aom_1, 9. D Idoesa rumah tagga (selautya aka dsebut RT yag memlk komuter haya sektar, uta RT (3,68 erse dar 58,8 uta RT keseluruha. Namu haya,6 uta RT (sektar 7 erse yag megguakaya utuk akses ke teret (BPS, 6. D Jawa Tmur RT yag melakuka akses teret melalu waret sebesar, erse, kator/sekolah sebesar,1 erse, da RT yag melakuka akses teret melalu komuter d rumah haya sebesar,8 erse dar seluruh RT d Jawa Tmur (Medyasar, 9. Peelta-eelta sebelumya tetag egguaa teret telah dlakuka oleh Rce da Katz (3, Noce da Mc Koew (5, Chaudhur dkk (5, Robertso dkk (7, Furuholt dkk (8, Wahyud (9, Atmaegara (9, Medyasar (9. Peelta Medyasar tetag egguaa komuter dega sambuga teret ada RT d Jawa Tmur meuukka bahwa varabel yag beregaruh adalah domsl, eddka terakhr keala keluarga, egeluara makaa, tagha rekeg lstrk, tagha rekeg teleo, da umlah aak sekolah. Namu ada eelta tersebut terdaat kelemaha karea umlah eggua komuter dega sambuga teret d Jawa Tmur sagat kecl yatu haya,8 erse 1 erse. Padahal suatu RT sebelum daat melakuka sambuga teret harus memuya komuter terlebh dahulu sehgga eelta tersebut kurag mewakl egguaa sambuga teret ada RT d Jawa Tmur. Jumlah eggua komuter ada RT d Jawa Tmur uga tdak terlalu besar sehgga membutuhka eelta lebh laut tetag egguaa komuter da teret, terutama egguaa teret ada RT yag sudah memuya komuter. 1

2 Berdasarka latar belakag d atas terdaat beberaa ermasalaha yag aka dka dalam eelta adalah sebaga berkut. 1. Bagamaa karakterstk RT yag memuya komuter d Jawa Tmur terkat dega egguaa teret?. Varabel-varabel aa saa yag memegaruh egguaa teret ada RT yag memuya komuter d Jawa Tmur? 3. Bagamaa emodela atara egguaa teret ada RT yag memuya komuter d Jawa Tmur dega varabel-varabel yag memegaruhya? Tuua dadakaya eelta adalah adalah sebaga berkut. 1. Medeskrska karakterstk RT yag memuya komuter d Jawa Tmur terkat dega egguaa teret.. Medaatka varabel-varabel aa saa yag memegaruh egguaa teret ada RT yag memuya komuter d Jawa Tmur. 3. Memodelka atara egguaa teret ada RT yag memuya komuter d Jawa Tmur dega varabel-varabel yag memegaruhya. Mafaat yag dharaka dar eelta adalah daat memberka formas megea eggua teret ada RT d Jawa Tmur yag atya daat dguaka sebaga dasar kebaka emertah/dekomfo utuk memeuh kebutuha aka akses teret. Adau batasa ermasalaha dalam eelta adalah sebaga berkut. 1. Pegguaa teret yag dtelt haya ada tgkat RT. RT sedr adalah seseorag atau sekelomok orag yag medam sebaga atau seluruh bagua fsk, atau sesus da basaya tggal bersama serta maka bersama dar satu daur. Yag dmaksud dega satu daur adalah egurusa kebutuha sehar-harya dkelola mead satu (Aom_, 1.. RT yag dtelt adalah RT yag memuya komuter yag berua deskto atau PC, lato, da otebook. Pegguaa teret yag dtelt haya egguaa teret melalu komuter d rumah sedagka egguaa teret melalu hadhoe, waret, kator, sekolah da temat d luar rumah tdak termasuk dalam eelta.. Taua Pustaka Model Regres Logstk Model Regres Logstk adalah model yag meghubugka varabel reso Y yag berskala kategork ber dega varabel redktor X bak kategork atau kotu. Varabel reso Y dklasfkaska mead dua yatu sukses atau gagal, atau daat uga dtuls dega dua la yatu Y = 1 (sukses da Y = (gagal. Betuk dar model Regres Logstk dega varabel deede adalah sebaga Persamaa.1 (Hosmer da Lemeshow, ex( 1x1 x... x ( x (.1 1 ex( x x... x 1 1 Dmaa : (x : eluag sukses atau P(Y=1 Dega megguaka trasformas logt dar (x maka model logstk dkotomos daat dtuls sebaga Persamaa.. ( x l = l (ex( 1x1... x 1 ( x g (x = 1x1... x (. Pedugaa Parameter Model Metode Maxmum Lkelhood (metode kemugka maksmum dguaka utuk meduga arameter-arameter dar model ersamaa regres logstk. Parameter model destmas dar vektor T T,,,...,. Nla vektor deroleh dega memaksmumka fugs L( melalu ( 1 edeferesala dega arameter-arameter yag aka dhtug.

3 Fugs L( adalah fugs log lkelhood sebaga berkut. L( y x l 1 ex x ( Fugs log lkelhood datas deroleh berdasarka ada ersamaa lkelhood sebaga berkut. 1 y1 y ( x ( x 1 ( x (1 ( x ex y l (.4 1 ( x dmaa = 1,,..., Persamaa log lkelhood ada ersamaa (.5 ddeferesalka terhada masg-masg eleme. Sehgga deroleh ersamaa lkelhood sebaga Persamaa y x 1 1 ( x x dega =, 1,,..., (.5 Sedagka estmas vara da kovara deroleh dar turua kedua dar fugs lkelhood, turua kedua adalah sebaga Persamaa.6. L x xu ( 1 (.6 u 1 U Sgfakas Parameter U sgfkas arameter model dlakuka utuk memerksa aakah varabel redktor memuya egaruh yag yata d dalam model. U arameter yag dguaka dalam eelta adalah statstk U-G da statstk U Wald. Pegua yag dlakuka adalah sebaga berkut ( Hosmer da Lemeshow, U Idvdu Hotess yag dguaka dalam egua adalah adalah sebaga berkut. H : =, = 1,,... H 1 : Statstk U : Statstk U Wald ˆ W ~ N(, 1 (.7 SEˆ( ˆ H dtolak ada tgkat sgfka sebesar bla W >,1 atau la -value <.. U Seretak Hotess yag dguaka dalam egua adalah sebaga berkut. H :... 1 H 1 : mmal ada satu Statstk U : Statstk u G atau Lkelhood Rato Test sebaga berkut. G l y 1 y (.8 H dtolak ada tgkat sgfka sebesar bla la G > atau la -value <. U Kesesuaa Model Regres Logstk Statstk u yag daat dguaka utuk megu kesesuaa model regres logstk adalah tes kebaka model Hosmer da Lemeshow. Hotess yag dguaka sebaga berkut adalah sebaga berkut. H : Model sesua (tdak ada erbedaa atara hasl observas dega kemugka hasl redks model, 3

4 H 1 : Model tdak sesua (ada erbedaa atara hasl observas dega kemugka hasl redks model Statstk U : g ( o C (.9 (1 1 H dtolak ada tgkat sgfka sebesar bla la C > atau la -value <. Raso Odds Raso odds meruaka ukura asosas/hubuga yag meyataka seberaa besar kecederuga varabel reso berla tertetu (msal Y=1 ka varabel reso berla x=1 dbadgka dega x=. Meurut Hosmer da Lemeshow (1989, raso odds dtuls sebaga berkut. e Iterrestas dar raso odds adalah utuk varabel redktor yag berskala omal X = 1, memlk kecederuga utuk Y = 1 sebesar kal dbadgka dega varabel X =. Sedagka ka varabel redktorya berskala kotu maka regres logstk dasumska ler. Jka koefse β 1 ostf, maka semak besar la varabel x, semak besar ula kecederuga utuk Y = 1 (Hosmer da Lemeshow, Faktor Iteraks Dalam suatu model regres logstk dmugkka terdaat faktor teraks, faktor teraks daat terad atar varabel redktor bak kategork mauu kotu. Msalka varabel berskala kategork dyataka dega F da varabel kotu dyataka dega X sehgga teraksya adalah F.X. Model logt utuk F=f da X=x adalah sebaga berkut (Hosmer da Lemeshow, g (f,x = 1 f x 3 fx (.1 Utuk medaatka odd rato utuk dua kategor F=f 1 da F=f ada X=x, model.15 dbag sesua kategorya sehgga meghaslka model sebaga berkut. g (f 1,x = x f x 1 f f x 3 f g (f,x = x Log odds meruaka beda atara dua eduga logt yag dhtug ada dua la (F=f 1 da F=f ada X=x dotaska sebaga berkut. la, b g (f1, x g (f,x l a, b 1( f1 f 3x( f1 f Sedagka eduga raso odds adalah sebaga berkut. a b ex[ ( f f x( f (.11 ], f Defs Komuter, Iteret da RT Komuter adalah alat yag daka utuk megolah data meurut rosedur yag telah drumuska (Aom_3, 1. Meurut BPS komuter ds adalah deksto atau ersoal comuter (PC, lato, da otebook. Deskto adalah komuter rbad yag dtuuka utuk egguaa secara umum deag motor yag basa dletakka d atas mea. Deskto memlk motor, CPU, da aa ketk tersah satu sama la da relatf berukura besar. Lato adalah deskto yag berukura relatf kecl da rga yag daat dbawa kemaa-maa (moble, beratya berksar dar 1-6 kg, tergatug ukura, baha, da sesfkas lato tersebut. Notebook adalah lato yag berukura lebh kecl lag amu memlk keceata rocessor da memor yag dmlk lebh lebh kecl dar lato. Iteret (tercoectedetworkg alah ragkaa komuter yag terhubug d dalam beberaa ragkaa yag berhubug secara global da megguaka TCP/IP sebaga rotokol ertukara aket (Aom_4, 1. RT basa adalah seseorag atau sekelomok orag yag medam sebaga atau seluruh bagua fsk, atau sesus da basaya tggal bersama serta maka bersama dar satu daur. Yag dmaksud dega satu daur adalah egurusa kebutuha sehar-harya dkelola mead satu. Aggota RT (ART adalah semua orag yag basaya bertemat tggal d suatu RT, bak yag sedag berada d rumah ada waktu ecacaha mauu yag semetara tdak berada d rumah Keala RT adalah seeorag dar aggota RT yag bertaggug awab atas kebutuha sehar-har ruamh tagga tersebut, atau orag yag karea suatu hal dagga atau dtuuk sebaga keala RT (Aom_, 1.,db 4

5 Pegguaa Iteret Pada RT d Jawa Tmur Suatu RT d Jawa Tmur dkategorka memuya komuter bla dalam RT tersebut mmal terdaat sebuah deksto/ ersoal comuter (PC atau lato atau otebook. Jka RT yag memuya komuter tersebut megguakaya utuk akses teret maka RT tersebut termasuk RT eggua teret. Data yag deroleh dar egguaa teret ada RT berua data kategork ber sehgga regres sederhaa tdak bsa dguaka karea aka terad bas ada eaksra arameter. Utuk megatas hal tersebut dguaka aalss regres logstk (Hosmer da Lemeshow, Metodolog Peelta Data yag dguaka dalam eelta berasal dar data sekuder. Data tersebut meruaka data hasl Survey Sosal Ekoom Nasoal (SUSENAS 6. Obek ada eelta adalah RT yag memuya komuter da megguakaya utuk akses teret. Jumlah rumah taggga d Jawa Tmur yag memuya komuter sebayak 1113 RT. Varabel-varabel eelta yag dguaka dalam eelta adalah sebaga berkut. a. Varabel reso (y: egguaa teret ada RT yag memuya komuter yag selautya aka dsebut egguaa teret ada RT, yag dbedaka mead dua kategork yatu RT yag megguaka teret (1 da tdak megguaka teret (. b. Varabel-varabel redktor. Varabel-varabel redktor yag dduga memegaruh egguaa teret ada suatu RT daat dlhat ada Tabel 3.1. Tabel 1 Varabel-varabel redktor Var Nama Varabel Kategor x 1 Domsl 1. Pedesaa (. Perkotaa (1 1. Buka mlk sedr (: kotrak, sewa, bebas sewa, das, x Keemlka rumah mlk orag tua/ aak/ saudara da laya.. Mlk sedr (1 1. SMP ke bawah (: tdak erah sekolah, SD, MI, SMP, x 3 Peddka terakhr keala MTs. RT (eddka terakhr. SMA (1: SMA, MA, da SMK. 3. Pergurua tgg (: D1, D, D3, D4/S1, S/S3. x 4 Jes laaga ekeraa keala RT (laaga ekeraa 1. Petaa (: ertaa, kehutaa, eteraka, da erkaa.. Idustr (1 : dustr, ertambaga, lstrk, ar, gas da kostruks. 3. Perdagaga (: erdagaga, akomodas, da rumah maka. 4. Jasa (3: asa, lembaga keuaga, real estate, ersewaa, trasortas, ergudaga, da trasortas. x 5 Status ekeraa keala RT (status ekeraa 1. Iformal (: usaha sedr, usaha d batu buruh teta/tdak teta atau dbayar/tdak dbayar, ekera bebas d ertaa/ o ertaa, da ekera tdak d bayar.. Formal (1 : karyawa, PNS, egawa swasta, da buruh. x 6 Jumlah aak mash sekolah Kotu x 7 Persetase aak yag bereddka d atas SMP Kotu x 8 Baya eddka Kotu x 9 Pegeluara makaa Kotu x 1 Baya lstrk Kotu x 11 Baya teleo Kotu 5

6 Lagkah-lagkah yag harus dlakuka agar aalss data mecaa tuua eelta adalah sebaga berkut. 1. Medeskrska karakterstk RT yag memuya komuter d Jawa Tmur terkat dega egguaa teret. 1 Meghtug frekues da ersetase dar RT yag megguaka teret berdasarka kota/kabuate yag ada d Jawa Tmur. Meghtug frekues varabel-varabel redktor kategork (x 1 -x 5 da statstka deskrtf dar varabel-varabel redktor kotu (x 6 -x 11 berdasarka karakterstk RT yag megguaka teret.. Medaatka varabel-varabel aa saa yag memegaruh egguaa teret ada RT yag memuya komuter d Jawa Tmur 1 Meetuka model regres logstk uvarabel atara varabel-varabel redktor (x 1 -x 11 dega egguaa teret ada RT d Jawa Tmur. Megu sgfkas arameter dar seta model regres logstk uvarabel utuk megetahu varabel redkor yag beregaruh sgfka terhada egguaa teret ada RT d Jawa Tmur. 3. Memodelka atara egguaa teret ada RT yag memuya komuter d Jawa Tmur dega varabel-varabel yag memegaruhya. 1 Melakuka edugaa arameter yatu dega membuat model regres logstk multvarabel atara varabel-varabel redktor (x 1 -x 11 dega egguaa teret ada RT d Jawa Tmur dega megguaka metode backward. Medaatka model regres logstk multvarabel terbak dega melakuka egua arameter. Ada dua taha dalam egua arameter yatu: Statstk u-g utuk megu arameter dar model secara seretak Statstk u Wald utuk megu arameter dar model secara dvdu 3 Megu kebaka model dar model regres logstk multvarabel terbak. 4 Meghtug keteata klasfkas berdasarka model regres logstk multvarabel terbak. 5 Megterretaska model regres logstk multvarabel. 4. Aalss Da Pembahasa Deskrs Varabel Peelta Dar hasl hasl e chart varabel reso dketahu bahwa umlah RT yag sudah megguaka teret sebesar 54 atau,8 erse dar 1113 RT yag memuya komuter. Sedagka RT yag belum megguaka teret sebayak 859 RT (77, erse. Kota/kabuate dega tgkat egguaa teretya alg redah adalah Probolggo, Pamekasa, da Tuba. Sedagka kota/kabuate dega tgkat egguaa teretya alg tgg adalah kota Malag sebesar 14,6 erse. Varabel redktor domsl meuukka bahwa RT yag memuya komuter sebaga besar berada d daerah erkotaa yatu sebesar 85, erse da haya sebaga kecl saa yag berada d daerah edesaa yatu sebesar 14,8 erse. Keemlka rumah uga meuukka hal yag sama, sebaga besar RT yag memuya komuter sudah memuya rumah sedr (81,7 erse da haya sedkt saa yag belum memuya rumah sedr (18,3 erse. Tgkat eddka terakhr keala RT memerlhatka roors yag cuku sembag. Keala RT yag bereddka SMP ke bawah sebesar,8 erse, setgkat SMA sebesar 38,7 erse da 4,4 erse utuk tgkat eddka ergurua tgg. Utuk es laaga ekeraa keala RT sebaga besar bekera ada bdag asa (41,4 erse da bdag dustr (35,8 erse. Sedagka utuk status ekeraa meuukka hal yag bermbag atara satus ekeraa formal (48,8 erse da formal (51, erse. Hasl dar aalss statstka deskrtf dar varabel redktor kotu sebagamaa Tabel. Tabel Statstka Deskrtf Varabel Kotu Varabel Mea Smaga baku Jumlah aak sekolah 1,4 1, Perse ak sklh SMP ke atas,38,44 Baya eddka/ bl (Ratusa rbu 3,4 18,71 Pegeluara makaa/ bl (Ratusa rbu 8,37 4,18 Baya lstrk/ bl (Ratusa rbu 1,89 1,6 Baya teleo/ bl (Ratusa rbu 1,86 1,67 6

7 Berdasarka Tabel dketahu bahwa rata-rata umlah aak yag mash sekolah ada RT yag memuya memuya komuter d Jawa Tmur adalah 1 aak amu rata-rata ersetase aak sekolah SMP ke atas haya,383 artya lebh bayak aak yag mash sekolah tersebut berada ada tgkat SD. Utuk varabel egeluara dketahu bahwa egeluara makaa meruaka egeluara terbesar yag dkeluarka oleh suatu RT. Berdasarka Tabel 4.1 dketahu uga bahwa baya eddka smaga baku terbesar yag berart egeluara eddka ada RT d Jawa Tmur beragam dar mula R sama R 5.,- sedagka smaga baku ersetase aak sekolah SMP ke atas alg kecl atau lebh seragam. Pegaruh Varabel-Varabel Predktor terhada Pegguaa Iteret ada RT Secara Idvdu Pada taha dlakuka egua ada varabel-varbel redktor dega varabel reso secara dvdu utuk megetahu varabel-varabel maa yag beregaruh terhada egguaa teret ada RT d Jawa Tmur. Hotess yag dguaka dalam egua secara dvdu adalah sebaga berkut. H : =, = 1,, H 1 : Statstk u yag dguaka adalah statstk u Wald, Hotess aka tolak H, ka la -value kurag dar la. (,1 yag berart bahwa arameter sgfka. Hasl egua secara dvdu adalah sebagamaa Tabel 3. Tabel 3 Hasl Pegua Idvdu Varabel Koef -value Domsl (x 1,56,* Keemlka rumah (x,53,774 Peddka terakhr (x 3 (1,1,1* Peddka terakhr (x 3 (,53,17* Laaga ekeraa (x 4 (1,6,983 Laaga ekeraa (x 4 (,69,811 Laaga ekeraa (x 4 (3,43,45 Status ekeraa (x 5 -,14,468 Jumlah aak mash sekolah (x 6,19,79 Perse aak sekolah SMP(x 7,78,79* Baya eddka (x 8,9,139 Pegeluara makaa (x 9,6,* Baya lstrk (x 1,57,* Baya teleo (x 11,197,* * sgfka ada α= 1% ** Sumber Data Suseas 6 dolah Berdasarka Tabel 3 varabel redktor yag beregaruh sgfka terhada egguaa teret ada RT d Jawa Tmur adalah domsl, eddka terakhr keala keluarga, ersetase aak sekolah SMP ke atas, egeluara makaa, baya lstrk, da baya teleo. Pegaruh Varabel-Varabel Predktor Secara Seretak terhada Pegguaa Iteret ada RT Setelah dlakuka egua varabel redktor secara dvdu dlakuka egua varabel redktor dega varabel reso secara seretak. Hotess yag dguaka adalah sebaga berkut. H : β 1 = β =...= β =, = 1,, H 1 : Palg sedkt terdaat satu β Berdasarka egua lkelhood rato test ddaatka la G = 43,99 > 1%, 14 =1,6 (Tolak H sehgga terdaat satu/lebh varabel redktor yag beregaruh sgfka terhada model. Kemuda metode backward dlautka hgga semua varabel dalam model sgfka. Hasl akhr yag deroleh setelah melakuka metode backward adalah sebagamaa Tabel 4. 7

8 Tabel 4 Hasl Akhr Pegua Seretak Varabel Koef -value Peddka terakhr (x 3 (1,86,689 Peddka terakhr (x 3 (,471,34* Status ekeraa (x 5 -,39,38* Baya teleo (x 11,197,* Costat -1,646,* * sgfka ada α= 1% ** Sumber Data Suseas 6 dolah Berdasarka la -value ada Tabel 4 varabel redktor yag beregaruh sgfka secara seretak terhada egguaa teret ada RT d Jawa Tmur adalah eddka terakhr keala keluarga, status ekeraa keala keluarga, da baya teleo. Pemodela dega Faktor Iteraks Bedasarka egua secara dvdu da seretak secara backward terdaat erbedaa yatu varabel status ekeraa keala keluarga (x 5 dmaa ada egua dvdu varabel tdak sgfka teta ada egua secara seretak varabel sgfka. Hal dmugkka karea adaya faktor teraks atara sesama varabel redktor yag sgfka dalam egua secara seretak sehgga derluka egua teraks atar varabel tersebut. Hotess yag dguaka adalah sebaga berkut. H : Tdak ada teraks atara kedua varabel redktor H 1 : Ada teraks yag sgfka atara kedua varabel redktor Statstk u yag dguaka adalah statstk u Wald, Hotess aka tolak H, ka la -value kurag dar la. (,1 yag berart bahwa Ada teraks yag sgfka atara kedua varabel redktor. Hasl egua teraks secara dvdu adalah sebagamaa Tabel 5. Tabel 5 Hasl Pegua Iteraks Secara Idvdu Varabel Koef -value x 3 (1x 5 -,161,353 x 3 (x 5,133,457 x 3 (1x 11,174,* x 3 (x 11,9,* x 5.x 11,98,1* * sgfka ada α= 1% ** Sumber Data Suseas 6 dolah Dar Tabel 5 daat dsmulka bahwa terdaat teraks yag sgfka atara eddka terakhr keala keluarga dega baya teleo da terdaat uga teraks atara status ekeraa keala keluarga deaga baya teleo. Setelah egua teraks atar varabel dlautka dega egua teraks ka dmasukka dalam model sehgga dketahu teraks yag sgfka terhada model. Hotess yag dguaka adalah sebaga berkut. H : β 1 = β =...= β =, = 1,, 3 H 1 : Palg sedkt terdaat satu β Adau statstk u yag dguaka adalah statstk u G, Hotess aka tolak H, ka la - value kurag dar la. (,1 yag berart bahwa arameter teraks sgfka dalam model. Berdasarka hasl egua teraks secara seretak daat dsmulka bahwa teryata tdak ada teraks yag sgfka terhada model. Pegua teraks dalam model tdak sgfka sehgga dlautka dega egua atar teraks secara seretak utuk megetahu teraks yag sgfka terhada model. Hasl egua secara seretak adalah sebagamaa Tabel 6. 8

9 Tabel 6 Hasl Pegua Seretak atar Iteraks Varabel Koef -value x 3 (1x 11,4,1* x 3 (x 11,63,* x 5.x 11 -,8,173 Costat -1,574,* Dar Tabel 6 dketahu bahwa teraks yag sgfka terhada model haya eddka terakhr keala keluarga dega baya teleo bak utuk tgkat SMA terhada SMP mauu tgkat ergurua tgg terhada SMP. Namu karea teraks yag sgfka haya eddka terakhr keala keluarga dega baya teleo, formas yag deroleh model teraks dar faktor yag memegaruh egguaa teret mead lebh sedkt dar model taa teraks. Sehgga daat dsmulka bahwa model yag terbak adalah model taa teraks. U Kesesuaa Model Pegua kesesuaa model dlakuka utuk megetahu aakah model yag deroleh sudah sesua utuk meramalka eluag egguaa teret ada RT d Jawa Tmur. Hotess yag dguaka adalah sebaga berkut. H : Model sesua (tdak ada erbedaa atara hasl observas dega kemugka hasl redks model H 1 : Model tdak sesua (ada erbedaa atara hasl observas dega kemugka hasl redks model g ( ok k k Statstk U : C = 6,919 k1 k k (1 k dega -value =,545 Dar hasl erhtuga datas dketahu bahwa -value =,545 > α= (,1 maka gagal tolak H sehgga model yag deroleh sesua artya tdak ada erbedaa atara hasl observas dega kemugka hasl redks model. Perhtuga Keteata Klasfkas Model Setelah model sesua daat dlakuka erhtuga keteata model utuk megetahu tgkat kebaka model dalam memredks sautu keadaa dega keadaa sesugguhya. Berkut tabel keteata klasfkas model. Tabel 7 Keteata Hasl Predks Model Predks Megguaka teret Keteata Observas Tdak (% Tdak ,3 Megguaka teret 5 4 1,6 Keteata hasl redks model 77, Berdasarka erhtuga keteata klasfkas egguaa teret d Jawa Tmur maka ersetase keteata klasfkas egguaa teret d Jawa Tmur adalah sebesar 77 erse. Agka sudah bak karea keteata klasfkas egguaa teret sudah lebh dar 5 erse, sehgga daat dsmulka bahwa model dagga bak. Iterretas model Varabel-varabel yag sgfka ada model regres logstk multvarabel terbak. Tabel 8 Varabel Predktor yag Sfka Varabel Koef SE e -value Peddka terakhr (x3(1,86,14 1,89,689 Peddka terakhr (x3(,471, 1,61,34* Status ekeraa (x5 -,39,158,7,38* Baya teleo (x11,197,4 1,198,* Costat -1,646,18,193,* Sehgga model regres logstk seretak terbak yag terbetuk dar faktor-faktor yag memegaruh egguaa teret ada RT d Jawa Tmur adalah sebaga berkut. 9

10 ex( 1,646,471x3(,39x5,197x11 ( x 1 ex( 1,646,471x3(,39x5,197x11 Model regres logstk seretak d atas daat dterretaska mead beberaa hal sebaga berkut. Suatu RT dega eddka terakhr keala keluarga setgkat ergurua tgg memlk eluag utuk megguaka teret 1,61 atau hamr dua kal RT dega eddka terakhr keala keluarga setgkat SMP ke bawah. Suatu RT dega status ekeraa keala keluarga formal memlk eluag utuk megguaka teret,7 kal RT dega status ekeraa keala keluarga formal. Peluag suatu RT utuk megguaka teret aka megkat,197 satua seta keaka baya teleo sebesar R. 1.,-. Hal dkareaka egguaa teret ds sebaga besar meruaka egguaa teret ada komuter d rumah yag megguaka kabel teleo. 5. Kesmula Da Sara Kesmula Kesmula yag ddaat utuk meawab ermasalaha, berdasarka aalss da embahasa dar eelta adalah sebaga berkut. 1. RT d Jawa Tmur yag sudah megguaka teret sebesar 54 atau,8 erse dar 1113 RT yag memuya komuter. RT yag memuya komuter sebaga besar berada d daerah erkotaa (85, erse da sudah memuya rumah sedr (81,7 erse. Sebaga besar keala RT tersebut bereddka ergurua tgg (4,4 erse, bekera ada bdag asa (41,4 erse da bekera ada es ekeraa formal (51, erse. RT yag memuya komuter rata-rata memlk satu aak mash sekolah dega tgkat eddka setgkat SD. Rata-rata egeluara terbesar RT tersebut adalah egeluara makaa sebesar R ,-.. Varabel redktor yag beregaruh sgfka terhada egguaa teret ada RT d Jawa Tmur adalah eddka terakhr keala keluarga (x 3, status ekeraa keala keluarga (x 5, da baya teleo (x Model terbak egguaa teret ada RT d Jawa Tmur yag deroleh adalah sebaga berkut. ex( 1,646,471x3(,39x5,197x11 ( x 1 ex( 1,646,471x,39x,197x Dega ersetase keteata klasfkas sebesar 77 erse yag berart model sudah bak. Dar emodela tersebut daat dketahu beberaa hal yatu suatu RT dega eddka terakhr keala keluarga setgkat ergurua tgg memlk eluag utuk megguaka teret 1,61 atau hamr dua kal RT dega eddka terakhr keala keluarga setgkat SMP ke bawah. Sedagka status ekeraa keala keluarga formal memlk eluag megguaka teret 1,44 kal dar status ekeraa formal. Da Peluag suatu RT utuk megguaka teret aka megkat,197 satua seta keaka baya teleo sebesar R. 1.,-. Sara Sara yag drekomedaska eelt utuk eelta berkutya adalah sebaga berkut. 1. Pada eelta ersetase RT yag megguaka teret haya,8 erse sehgga kurag bermbag dega rumah tagga yag tdak megguaka teret (77, erse sehgga derluka eelta dega metode yag la. Peelta selautya dharaka ersetase yag deroleh lebh bermbag atara RT yag megguaka da RT yag tdak megguaka teret.. Meambah varabel redktor yag la msalya baya egguaa teret, lama egguaa teret, serta alasa da tuua egguaa teret ada suatu RT. 3( DAFTAR PUSTAKA Agrest, A.. A Itroducto to Categorcal Data Aalyss, d edto. New Jersey: Joh Wley ad Sos, Ic. Aom_1. 9. Daftar Jumlah Peggua Iteret Dua , <URL:htt://Nusataraku.htm>. Aom_. 1. Kose/Defs, <URL:htt://Data Statstk Idoesa Kose_Defs.htm>. Aom_3. 1. Iteret, <URL:htt:// d.wkeda.org/wk/iteret.htm>. Aom_4. 1. Komuter, <URL:htt:// d.wkeda.org/wk/komuter.htm>

11 Atmaegara, I.C. 9. Aalsa Statstka Terhada Pola, Mafaat, da Tuua egguaa Komute da Iteret ada Mahasswa ITS Surabaya. Surabaya: FMIPA ITS. BPS. 6. Berta Resm Statstk : Profl Pemafaata Tekolog Iformas oleh masyarakat (SUSENAS 5. Jakarta: BPS. Chaudhur, A., Flamm, K.S., da Horrga, J., 5. A aalyss of the determats of teret access. Telecommucatos Polcy 9: Furuholt, B., Krstase, S., da Wahd, F., 8. Gamg or gag? Comarg the use of Iteret cafe s Idoesa ad Tazaa. The Iteratoal Iformato & Lbrary Revew 4 : Hosmer, D.W. da Lemeshow, S Aled Logstc Regresso. New York: Joh Wley ad Sos. Medyasar, W.S. 9. Aalsa Karakterstk Peggua Komuter dega Sambuga Iteret ada Rumah Tagga d Jawa Tmur. Surabaya: FMIPA ITS. Noce, A.A. da Mc Keow, L., 5. A ew bechmark for Iteret use: A logstc modelg of factors fluecg Iteret use Caada, 5. Govermet Iformato Quarterly 5: Rce, R.E. da Katz, J.E., 3. Comarg teret ad moble hoe usage: dgtal dvdes of usage, adoto, ad droouts. Telecommucatos Polcy 7: Rswada, D.F. 9. Daftar Jumlah Peggua Iteret Dua , <URL:htt:// Surabayawebs.com.htm>. Robertso, A., Sooramae, D., da Fldes, R., 7. A segmet-based aalyss of Iteret servce adoto amog UK households. Techology Socety 9: Uyato, S.S. 6. Pedoma Aalss Data dega SPSS. Yogyakarta: Graha Ilmu. Wahyud, V.E. 9. Aalsa Hubuga atara Keterseda Fasltas terhada Pecaaa, Peguasaa, da Pemafaata TIK. Surabaya: FMIPA ITS. 11

BAB III ESTIMASI MODEL PROBIT TERURUT

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Analisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM

Analisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM D- JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) Aalss Regres Logstk Ordal ada Prestas Belajar Lulusa Mahasswa d ITS Berbass SKEM Zakaryah da Isma Za Jurusa Statstka, FMIPA, Isttut Tekolog

Lebih terperinci

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

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

Lebih terperinci

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Proses inferensi pada model logit Agus Rusgiyono. Abstracts Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter

Lebih terperinci

X a, TINJAUAN PUSTAKA

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

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

II. TINJAUAN PUSTAKA. Kata Kunci Filaria, Ketepatan Klasifikasi, Penyakit Filariasis, Regresi logistik biner.

II. TINJAUAN PUSTAKA. Kata Kunci Filaria, Ketepatan Klasifikasi, Penyakit Filariasis, Regresi logistik biner. 1 PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PENDERITA PENYAKIT KAKI GAJAH (FILARIASIS DI PROVINSI NANGROE ACEH DARUSSALAM (NAD DENGAN REGRESI LOGISTIK BINER 1 Wdh Au Octava, Ir. Sr Pgt Wuladar, M.S 1 Mahasswa,

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

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

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

Lebih terperinci

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

ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR Devma Chrst Mukt Ratau (), Dr. Dra. Isma Za, M. S. () Jurusa Statstka,

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

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

Lebih terperinci

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 558, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

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

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

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

Lebih terperinci

Statistika ITS Surabaya

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

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

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

Lebih terperinci

Bab II Teori Pendukung

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

Lebih terperinci

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

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

Lebih terperinci

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 5528, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

Lebih terperinci

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

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

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

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

Lebih terperinci

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

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

Lebih terperinci

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Majalah Ekoom ISSN 4-950 : Vol. VII No. Des 03 PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R, C MALLOW, da S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Oleh : Wara Pramest, Martha Suhardyah Fakultas Matematka

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

III. METODOLOGI PENELITIAN

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

Lebih terperinci

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

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

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

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

Lebih terperinci

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

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

Lebih terperinci

Prosiding FMIPA Universitas Pattimura 2013 ISBN:

Prosiding FMIPA Universitas Pattimura 2013 ISBN: Prosdg FMIPA Uverstas Pattmura 03 ISBN: 978-60-975-0-5 PENDEKAAN MODEL GEOGRAPHICALLY WEIGHED REGRESSION UNUK MENGANALISIS JUMLAH PENDUDUK MISKIN: UPAYA PENURUNAN JUMLAH PENDUDUK MISKIN DI PROVINSI MALUKU

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

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

Lebih terperinci

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE. Prosdg Semar Nasoal Alkas Sas & Tekolog (SNAST) Yogakarta, 6 November 6 ISSN : 979 9X eissn : 54 58X ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE Noerat, Rka Herda,, Jurusa Statstka,

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

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

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

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

Lebih terperinci

2.2.3 Ukuran Dispersi

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

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

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

Lebih terperinci

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN PENAKIR RAIO REGREI LINEAR EDERHANA UNTUK RATA-RATA POPULAI MENGGUNAKANKARAKTER TAMBAHAN Astar Rahmadta *, Harso, Haosa rat Mahasswa Program tud Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

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

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB 5 HASIL DAN PEMBAHASAN

BAB 5 HASIL DAN PEMBAHASAN 3 BAB 5 HASIL DAN PEMBAHASAN Dalam baga hasl da embahasa aka dtamlka roses aalss da egolaha data, dalam betuk deskrtf, tabel-tabel yag dguaka, gambar-gambar beserta hasl da embahasaya. Dega memerhatka

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL

REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL Rzky Maulaa Nugraha Tekk Iformatka Isttut Tekolog Badug Blok Sumurwed I RT/RW 4/, Haurgeuls, Idramayu, 4564 e-mal: laa_cfre@yahoo.com ABSTRAK

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG MASALAH

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG MASALAH BAB ENDAHULUAN. LATAR BELAKANG MASALAH Dalam kehidua yata, sejumlah feomea daat diikirka sebagai ercobaa yag mecaku sederata egamata yag berturut-turut da buka satu kali egamata. Umumya, tia egamata dalam

Lebih terperinci

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

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

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

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

Lebih terperinci

3 Departemen Statistika FMIPA IPB

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

Lebih terperinci

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

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

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah

Lebih terperinci

Analisis Korelasi dan Regresi

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

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

III. KERANGKA PEMIKIRAN. Importir diasumsikan melakukan pilihan diantara berbagai alternatif yang

III. KERANGKA PEMIKIRAN. Importir diasumsikan melakukan pilihan diantara berbagai alternatif yang III. KERANGKA EMIKIRAN 3.1. Keragka Teorts 3.1.1. ermtaa Imortr dasumska melakuka lha datara berbaga alteratf yag terseda dalam ola erlaku tertetu yag memberka keuasa terbesar dar megkosums suatu komodt

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression

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

Lebih terperinci

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

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

Lebih terperinci

REGRESI LINIER SEDERHANA

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

II. TINJAUAN PUSTAKA 2.1. Penyakit Jantung Koroner

II. TINJAUAN PUSTAKA 2.1. Penyakit Jantung Koroner 3 II. TINJAUAN PUSTAKA.. Peyakt Jatug Koroer Meurut Soeharto (4, eyakt jatug koroer (PJK adalah suatu kelaa yag dsebabka oleh eyemta atau eghambata embuluh arter koroara yag megalrka darah ke otot jatug.

Lebih terperinci

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

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

Lebih terperinci

Peramalan Kebutuhan Listrik Dengan Model Harvey

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

Lebih terperinci

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

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

Lebih terperinci

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi

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

Lebih terperinci