ANALISIS PROBIT UNTUK PEMBANDINGAN TINGKAT TOKSISITAS EKSTRAK KASAR AKAR TUBA DAN BUAH PINANG HERA AMRANSYAH DIAN ARI ANGGASTA

Ukuran: px
Mulai penontonan dengan halaman:

Download "ANALISIS PROBIT UNTUK PEMBANDINGAN TINGKAT TOKSISITAS EKSTRAK KASAR AKAR TUBA DAN BUAH PINANG HERA AMRANSYAH DIAN ARI ANGGASTA"

Transkripsi

1 ANALISIS PROBIT UNTUK PEMBANDINGAN TINGKAT TOKSISITAS EKSTRAK KASAR AKAR TUBA DAN BUAH PINANG HERA AMRANSYAH DIAN ARI ANGGASTA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011

2 RINGKASAN HERA AMRANSYAH DIAN ARI ANGGASTA. Analisis Probit untuk Pembandingan Tingkat Toksisitas Ekstrak Kasar Akar Tuba dan Buah Pinang. Dibimbing oleh AUNUDDIN dan INDAHWATI. Serangan hama keong emas menjadi masalah yang sangat penting dalam setiap pertanian padi sawah. Umumnya petani mengendalikan hama ini secara mekanis dengan mengambil keong emas yang ada. Selain itu, petani juga menggunakan pestisida sintetis untuk membunuh keong emas. Namun, kedua cara ini tidak cukup efektif. Salah satu cara untuk mengatasi hal ini adalah dengan menggunakan pestisida nabati ekstrak akar tuba dan buah pinang. Telah diketahui bahwa kedua pestisida ini dapat menyebabkan kematian keong emas. Namun dosis efektif dan toksisitas relatif keduanya belum diketahui, padahal hal ini perlu diketahui terutama dalam mengatasi masalah kritis. Penentuan dosis efektif ini dapat dilakukan melalui penentuan konsentrasi kematian (KK) misalnya KK 50 dan KK 90. Dalam penelitian ini digunakan analisis probit untuk memodelkan hubungan antara respon kematian keong emas (data biner) dengan konsentrasi kedua pestisida nabati. Hasil analisis menunjukkan bahwa ekstrak kasar buah pinang lebih efektif daripada ekstrak akar tuba karena tingkat toksisitasnya lebih tinggi (KK 50 = g/l dan KK 90 = g/l) dibandingkan akar tuba (KK 50 = g/l dan KK 90 = g/l). Didukung oleh segi kepraktisan memperoleh dan cara pembuatan, ekstrak kasar buah pinang lebih disarankan untuk digunakan sebagai pestisida nabati dalam pemberantasan hama keong emas. Kata kunci : probit, konsentrasi kematian, rasio konsentrasi kematian

3 ABSTRACT HERA AMRANSYAH DIAN ARI ANGGASTA. Probit Analysis for Benchmarking Toxicity Level of Tuba Root and Areca-nut Fruit Coarse Extract. Supervised by AUNUDDIN and INDAHWATI. Golden snail pests become a very important issue in any lowland rice farming. Generally farmers control this pests mechanically by taking existing golden snail. In addition, farmers also use synthetic pesticides to kill golden snail. However, both ways are not effective enough. One way to overcome this problem is to use a plant pesticide tuba root and areca-nut fruit coarse extract. It is known that both of these pesticides can cause death of golden snail. But the effective dose and relative toxicity of the two plant pesticides is not yet known, but it is important to know especially in dealing with critical issues. Determination of effective dose can be done through the determination of the lethal concentration (LC), for example, LC 50 and LC 90. This research use probit analysis to modeling a connection between golden snail death response (binary data) and both of plant pesticides concentration. Analysis result show that areca-nut coarse extract are more effective than tuba root extract since toxicity level of areca-nut (LC 50 = g/l and LC 90 = g/l) higher than tuba root (LC 50 = g/l and LC 90 = g/l). Supported by the terms of practically to obtain and how to manufacture, areca-nut coarse extract is recommended for use in eradication of golden snail pests. Key Words : probit, lethal concentration, lethal concentration ratio.

4 ANALISIS PROBIT UNTUK PEMBANDINGAN TINGKAT TOKSISITAS EKSTRAK KASAR AKAR TUBA DAN BUAH PINANG HERA AMRANSYAH DIAN ARI ANGGASTA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011

5 Judul : Analisis Probit untuk Pembandingan Tingkat Toksisitas Ekstrak Kasar Akar Tuba dan Buah Pinang Nama : Hera Amransyah Dian Ari Anggasta NRP : G Menyetujui: Pembimbing I, Pembimbing II, Prof. Dr. Ir. Aunuddin, M.Sc NIP Ir. Indahwati, M.Si NIP Mengetahui, Ketua Departemen Statistika, Dr. Ir. Hari Wijayanto, M.Si NIP Tanggal Lulus:

6 RIWAYAT HIDUP Penulis dilahirkan di Lampung pada tanggal 3 Oktober 1988 sebagai anak pertama dari pasangan Bapak Muhammad Imron dan Ibu Herlina Ermariawati. Penulis mengawali pendidikan dasar pada tahun 1994 di SD Negeri 01 Tanjung Jaya dan pindah ke SD Negeri 04 Tanjung Jaya pada tahun 1995 kemudian lulus pada tahun Penulis melanjutkan sekolah ke SMP Negeri 01 Bangun Rejo hingga tahun Selanjutnya, penulis menamatkan pendidikan menengah atas di SMA Negeri 01 Kalirejo pada tahun 2006 dan pada tahun yang sama penulis diterima di Institut Pertanian Bogor melalui jalur USMI dengan mayor Statistika dan minor Agronomi dan Hortikultura. Selama menjadi mahasiswa, penulis aktif di Unit Kegiatan Mahasiswa Panahan IPB sebagai Kepala Divisi Hubungan Masyarakat pada tahun Penulis juga aktif di berbagai kegiatan kampus IPB antara lain: Staf Divisi Lapang Kejuaraan Panahan Nasional 2007, Staf Divisi Logstran Statistika Ria 2008, Kepala Divisi Dana Usaha Lomba Jajak Pendapat Statistika dalam Pesta Sains 2008 dan Staf Divisi Medis Welcome Ceremony Statistics.

7 KATA PENGANTAR Penulis bersyukur kepada Alloh Subhanahu wa Ta ala karena atas segala rahmat, hidayah, kemudahan, dan karunia-nya-lah skripsi yang berjudul Analisis Probit untuk Pembandingan Tingkat Toksisitas Ekstrak Kasar Akar Tuba dan Buah Pinang ini dapat diselesaikan dengan baik. Pada kesempatan ini, penulis mengucapkan terima kasih kepada: 1. Bapak Prof. Dr. Ir. Aunuddin, M.Sc sebagai ketua komisi pembimbing skripsi atas kesabarannya dalam membimbing dan memberi ide, saran serta kritik selama penulisan karya ilmiah ini. 2. Ibu Ir. Indahwati, M.Si selaku anggota komisi pembimbing skripsi yang telah membimbing serta memberikan masukan bagi penulis. 3. Bapak Djoko Prijono yang telah menjadi teman berdiskusi dan bertanya selama pembuatan karya ilmiah ini. 4. Mamah, Papah dan adik-adik tersayang atas segala dukungan dan semangat yang tak hentihentinya selama ini. 5. Seluruh dosen dan staf Departemen Statistika yang telah memberikan banyak nasehat kepada penulis. 6. Semua pihak yang tidak dapat disebutkan satu persatu atas saran, masukan, dan kritiknya kepada penulis. Penulis sangat berharap karya ilmiah ini dapat bermanfaat bagi penulis, mahasiswa, akademisi, dan masyarakat Indonesia. Bogor, Januari 2011 Hera Amransyah Dian Ari Anggasta

8 DAFTAR ISI Halaman DAFTAR TABEL... viii DAFTAR GAMBAR... viii PENDAHULUAN Latar Belakang... 1 Tujuan... 1 TINJAUAN PUSTAKA Peubah Respon Biner dan Model Linear Terampat... 1 Model Probit... 2 Pendugaan Parameter... 2 Uji Taraf Nyata Parameter... 2 Uji Kebaikan Suai... 2 Dosis Efektif (DE) dan Konsentrasi Kematian (KK)... 3 Toksisitas Relatif dan Rasio Konsentrasi Kematian... 3 Metodologi Data... 3 Metode... 3 HASIL DAN PEMBAHASAN Persamaan Probit pada Akar Tuba... 4 KK 50 dan KK 90 pada Akar Tuba... 5 Persamaan Probit pada Buah Pinang... 5 KK 50 dan KK 90 pada Buah Pinang... 6 Pembandingan Toksisitas Pestisida Akar Tuba dan Buah Pinang... 6 SIMPULAN... 7 DAFTAR PUSTAKA... 7

9 DAFTAR TABEL Halaman 1 Hasil pengamatan dan transformasi probit pada akar tuba Pendugaan parameter pada akar tuba Uji kebaikan suai pada akar tuba Dosis efektif pada akar tuba Hasil pengamatan dan transformasi probit pada buah pinang Pendugaan parameter pada buah pinang Uji kebaikan suai pada buah pinang Dosis efektif pada buah pinang Rasio konsentrasi kematian buah pinang terhadap akar tuba... 7 DAFTAR GAMBAR Halaman 1 Ilustrasi rasio konsentrasi kematian Grafik hubungan konsentrasi dengan dugaan proporsi kematian pada ekstrak akar tuba beserta selang kepercayaan 95%-nya Grafik hubungan konsentrasi dengan dugaan proporsi kematian pada ekstrak buah pinang beserta selang kepercayaan 95%-nya... 6

10 1 PENDAHULUAN Latar Belakang Serangan hama khususnya keong emas menjadi masalah yang sangat penting dalam pertanian padi sawah. Serangan keong emas yang tidak terkendali dapat menyebabkan hilangnya investasi yang telah tertanam. Pada bulan Juli 2010, serangan hama ini telah menyebabkan rusaknya ratusan hektare tanaman padi di Cirebon (Hidayah 2010). Umumnya petani mengendalikan hama ini secara mekanis dengan mengambil satu persatu keong emas yang ada. Selain itu, petani juga menggunakan pestisida sintetis untuk membunuh keong emas. Namun kedua cara ini tidak cukup efektif, terlebih lagi banyaknya dampak negatif yang disebabkan oleh pestisida sintetis. Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan pestisida nabati. Beberapa pestisida nabati yang dapat digunakan adalah pestisida yang dibuat dari akar tuba dan buah pinang. Kedua pestisida ini dapat menyebabkan kematian terhadap keong emas (Wibowo et al. 2008). Namun dosis efektif dan toksisitas relatif dari keduanya belum diketahui, padahal pengetahuan terhadap hal ini sangat bermanfaat terutama untuk mengatasi masalah kritis seperti di atas. Penentuan dosis efektif ini dapat dilakukan melalui penentuan konsentrasi kematian (KK) misalnya KK 50 dan KK 90 (konsentrasi pestisida yang dapat memberikan respon kematian sebesar 50% dan 90% dari populasi). Respon keong emas yang diamati berupa respon biner (mati atau hidup). Model yang sering digunakan untuk menganalisis data respon biner adalah model logit atau model probit. Dalam pelaksanaannya, seringkali dipilih salah satu dari kedua model ini tanpa mempertimbangkan model lain yang mungkin lebih sesuai. Hal ini dikarenakan hasil yang tidak berbeda diperoleh dari keduanya kecuali pada penentuan KK yang ekstrim (sangat kecil atau sangat besar) (Robertson et al. 2007). Oleh karenanya dalam penelitian ini hanya digunakan model probit untuk menentukan KK 50 dan KK 90 serta toksisitas relatif dari keduanya. Tujuan 1. Menentukan dosis efektif pestisida nabati ekstrak akar tuba dan buah pinang melalui penentuan KK 50 dan KK Membandingkan tingkat toksisitas kedua pestisida nabati melalui rasio konsentrasi kematian. TINJAUAN PUSTAKA Peubah Respon Biner dan Model Linear Terampat Banyak peubah respon (Y) yang hanya memiliki dua kategori (berskala biner). Hasil pengamatan dari masing-masing unit percobaan diklasifikasikan ke dalam sukses (Y=1) atau gagal (Y=0). Peubah respon ini mengikuti sebaran bernoulli dengan fungsi massa peluang: untuk y i = 0 dan 1 dan π i adalah peluang kejadian ke-i bernilai Y=1. Sebaran bernoulli ini termasuk ke dalam keluarga sebaran eksponensial (Agresti 1990). Secara umum, peubah respon pada model regresi adalah: dengan ε i merupakan komponen acak (galat). Dalam model regresi biner, dengan, sehingga modelnya menjadi (Hosmer dan Lemeshow 2000). Asumsi yang mendasari model-model regresi biner adalah bahwa antar pengamatan y i saling bebas satu dengan lainnya (Liang dan McCullagh 1993). Komponen acak ε i hanya menghasilkan dua nilai, yaitu: jika y i = 1 dengan peluang π i dan jika y i = 0 dengan peluang, sehingga ε i menyebar dengan nilai tengah dan ragam sebagai berikut (Hosmer dan Lemeshow 2000): Dari persamaan di atas terlihat bahwa galat dari model menyebar dengan ragam yang tidak homogen. Model linear terampat atau Generalized Linear Model (GLM) merupakan pengembangan dari model linear klasik. Model linear terampat merupakan model statistik yang terdiri atas tiga komponen (McCullagh dan Nelder 1989):.

11 2 1. Fungsi sebaran peluang f(y) yang termasuk dalam keluarga eksponensial untuk suatu peubah acak Y yang tergantung pada parameter nilai tengah µ atau parameter lainnya. 2. Prediktor linear η yang mencakup p peubah penjelas x 1, x 2,, x p dengan bentuk:. 3. Fungsi hubung (link function) yang menggambarkan hubungan antara prediktor linear η dengan nilai tengah µ. Hubungan ini dapat dituliskan dengan η = g(µ). Salah satu fungsi hubung yang sering digunakan untuk menganalisis data biner adalah fungsi hubung probit yang menggunakan model probit. Model Probit Dalam model probit, peubah respon yang digunakan dapat berupa data proporsi maupun data biner. Sedangkan konsentrasi stimulus (pestisida) umumnya dinyatakan dalam bentuk logaritmanya (Agresti 1990). Prosedur ini dapat digunakan untuk menduga stimulus yang dibutuhkan untuk mempengaruhi proporsi respon tertentu. Jika fungsi hubung yang digunakan adalah fungsi hubung probit, fungsi sebaran yang digunakan adalah sebaran normal baku, yaitu (McCullagh dan Nelder, 1989): bebas, fungsi kemungkinannya adalah (Hosmer dan Lemeshow 2000): Parameter β i diduga dengan memaksimumkan persamaan di atas. Untuk memudahkan perhitungan, dilakukan pendekatan logaritma, sehingga disebut sebagai fungsi log kemungkinan (log likelihood function). Fungsi ini adalah sebagai berikut (Hosmer dan Lemeshow 2000). Nilai dugaan β dapat diperoleh dengan membuat turunan pertama dari terhadap β dan menyamakannya dengan nol. Secara teknis dugaan β diperoleh dengan proses iterasi menggunakan kuadrat terkecil terboboti (weighted least square) (McCullagh dan Nelder 1989). Uji Taraf Nyata Parameter Parameter β i diuji dengan menggunakan uji W (Wald) (Hosmer dan Lemeshow 2000). Hipotesis statistik yang digunakan: H 0 : β i = 0 H 1 : β i 0 dengan i = 0, 1, p. Statistik ujinya: sehingga dengan Sedangkan s adalah peubah acak yang menyebar normal baku dan i = 1, 2,, m. kemudian digantikan dengan lambang Y yang berarti transformasi probit dari proporsi kematian. Pendugaan Parameter Karena asumsi kehomogenan ragam galat tidak dipenuhi, maka pendugaan β i dilakukan dengan metode kemungkinan maksimum (maximum likelihood). Jika diasumsikan antar amatan yang satu dengan yang lainnya saling dengan merupakan penduga β i dan merupakan penduga galat baku dari. Statistik W mengikuti sebaran normal baku. Uji Kebaikan Suai Uji kebaikan model dilakukan dengan melihat statistik uji kebaikan suai (goodness of fit). Metode yang digunakan untuk uji kebaikan suai ini adalah uji kebaikan suai Pearson. Hipotesis yang diuji adalah: H 0 : model sesuai H 1 : model tidak sesuai Statistik uji untuk analisis probit didefinisikan sebagai (Finney 1971): χ 2 = dengan r adalah banyaknya objek yang mati, n adalah banyaknya objek yang diuji, dan π adalah proporsi kematian objek. Kriteria keputusannya adalah H 0 ditolak jika χ 2 hitung >

12 3 χ 2 α,db dengan db = m-p, m menyatakan banyaknya grup dalam peubah penjelas dan p menyatakan banyaknya parameter. Jika hasilnya adalah tolak H 0, maka dalam penentuan selang kepercayaan konsentrasi kematian perlu ditambahkan faktor heterogenitas (h), dengan h = χ2 / (m-2). Dosis Efektif (DE) dan Konsentrasi Kematian (KK) Besaran yang umum digunakan untuk menyatakan keefektifan suatu zat kimia dalam menimbulkan respon biologis disebut dosis efektif (DE). DE k adalah dosis yang menghasilkan k% respon dari populasi. Sebagai contoh, dosis yang menghasilkan 50% respon dari populasi organisme disebut DE 50 (Hewlett dan Plackett 1979). Respon hewan uji terhadap pestisida yang umum diamati adalah kematian. Dalam hal ini, keefektifan pestisida dalam membunuh (toksisitas) biasa dinyatakan dalam besaran yang spesifik. Besaran tersebut adalah dosis kematian (DK). DK umumnya dinyatakan dalam satuan mg pestisida per berat badan hewan uji (mg/kg atau mg/g) atau mg pestisida per hewan uji (misal mg/belalang). Dalam beberapa pengujian, jumlah pestisida yang dikenakan pada hewan uji tidak diketahui dengan pasti, sehingga pestisida yang digunakan hanya dinyatakan dalam satuan konsentrasi (misal g/l). Dalam hal ini, besaran yang lebih tepat adalah konsentrasi kematian (KK). KK k dapat dihitung setelah diperoleh persamaan probit (, dengan y adalah transformasi probit dari proporsi kematian dan x adalah logaritma berbasis 10 dari konsentrasi). Kita gunakan nilai probit untuk proporsi kematian tertentu (k) sebagai nilai y dalam persamaan probit untuk mendapatkan x. KK k adalah antilog dari x. Toksisitas Relatif dan Rasio Konsentrasi Kematian Toksisitas relatif antara dua pestisida adalah keefektifan membunuh relatif antara dua pestisida. Toksisitas relatif sering digunakan untuk membandingkan dua atau lebih pestisida yang diuji, sehingga dapat diketahui intensitas (konsentrasi) yang dibutuhkan dari satu pestisida untuk menghasilkan tingkat respon yang sama dengan pestisida yang lain. Salah satu cara untuk mengetahui toksisitas relatif adalah dengan menggunakan rasio konsentrasi kematian. Rasio konsentrasi kematian ini lebih umum digunakan dari pada statistik alternatifnya yaitu potensi relatif. Hal ini dikarenakan rasio konsentrasi kematian tidak memerlukan asumsi kesejajaran seperti pada potensi relatif (Robertson et al. 2007). Ada dua cara untuk mendapatkan rasio konsentrasi kematian, yaitu: 1. Menghitung antilog dari jarak horizontal antar dua kurva log konsentrasi-probit. P r o b i t P k A a1 b1 Log Konsentrasi Gambar 1 Ilustrasi rasio konsentrasi kematian. Ket: P k = nilai probit yang berpadanan dengan respon k% Rasio konsentrasi kematian pestisida B terhadap pestisida A untuk KK k = antilog (a1-b1). 2. Menghitung secara langsung rasio dari dua nilai KK k yang diperoleh. Rasio konsentrasi kematian pestisida B terhadap pestisida A untuk KK k =. METODOLOGI Data Data yang digunakan adalah data hasil penelitian Wibowo et al. (2008) pada Jurnal Hama dan Penyakit Tumbuhan Tropika Vol. 10 No. 1. Data ini berupa data kematian keong emas akibat pengaruh pestisida nabati ekstrak akar tuba dan buah pinang. Pada jurnal ini terdapat beberapa kali pengamatan. Tetapi dalam penelitian ini hanya digunakan pengamatan ke - 24 jam. Hal ini dikarenakan pada pengamatan berikutnya, respon yang didapatkan sudah 100% pada beberapa tingkat konsentrasi. Metode Metode yang digunakan dalam penelitian adalah analisis probit. Analisis probit ini digunakan untuk menentukan KK 50 dan KK 90 dari pestisida nabati yang digunakan beserta toksisitas relatif di antara kedua pestisida yang digunakan. Langkah-langkah yang dilakukan dalam penelitian ini: B

13 4 1. Menentukan persamaan probit 2. Menentukan KK 50 dan KK 90 dari pestisida nabati yang digunakan 3. Menentukan toksisitas relatif dari pestisida nabati yang digunakan melalui rasio konsentrasi kematian 4. Interpretasi hasil. HASIL DAN PEMBAHASAN Persamaan Probit pada Akar Tuba Data proporsi hasil pengamatan beserta transformasi probitnya bagi akar tuba dapat dilihat pada Tabel 1. Data yang ditransformasi hanya berjumlah 5. Hal ini dikarenakan tidak adanya respon yang terjadi pada kontrol (nol). Jika terdapat respon pada kontrol, hasil yang didapatkan hanya digunakan sebagai faktor koreksi bagi perlakuan yang diujicobakan. Tabel 1 Konsentrasi (g/l) Hasil pengamatan dan transformasi probit pada akar tuba n r π Probit (y) Ket: n : banyaknya keong emas yang diuji r : banyaknya keong emas yang mati π : proporsi kematian keong emas Tabel 2 Pendugaan parameter pada akar tuba Probit Parameter β 1 β 0 Dugaan Galat baku Z nilai-p Selang kepercayaan 95% Batas bawah Batas atas Setelah beberapa proses iterasi, diperoleh hasil seperti yang tercantum pada Tabel 2. Berdasarkan tabel ini, diperoleh persamaan probit, dengan x adalah logaritma berbasis 10 dari konsentrasi dan y adalah nilai probit. Angka adalah dugaan bagi parameter β 1. Angka ini menunjukkan bahwa setiap penambahan 0.1 satuan log konsentrasi akan meningkatkan nilai probit rata-rata sebesar Sebagai contoh ketika nilai x sebesar 0.1, nilai probit yang diperoleh adalah , sedangkan ketika nilai x sebesar 0.2, nilai probit yang diperoleh adalah , sehingga terlihat bahwa peningkatan nilai x sebesar 0.1 dapat meningkatkan nilai probit sebesar Sedangkan adalah dugaan bagi parameter β 0. Angka ini menunjukkan bahwa pada saat log konsentrasi bernilai 0.000, maka nilai probit secara rata-rata sebesar Selain itu juga diketahui bahwa nilai-p untuk parameter β 1 sebesar Nilai ini lebih kecil dari nilai alpha yang digunakan yaitu Sehingga dapat dikatakan bahwa log konsentrasi berpengaruh nyata terhadap nilai probit pada alpha Berdasarkan persamaan probit yang diperoleh, dapat diperoleh nilai dugaan dari proporsi kematian ( ). Nilai dugaan ini dapat dilihat pada Tabel 1. Sedangkan plot antara konsentrasi dengan proporsi kematian beserta selang kepercayaan 95%-nya dapat dilihat pada Gambar 2. Dari Tabel 1 dan Gambar 2, terlihat bahwa proporsi kematian aktual dan dugaannya tidak berbeda jauh. Hal ini mengindikasikan bahwa model yang terbentuk telah sesuai dengan data yang ada. Hasil ini diperkuat dengan hasil uji kebaikan suai pada Tabel 3. Pada Tabel 3, didapatkan nilai-p sebesar Nilai ini lebih besar dari nilai alpha (0.05), sehingga dapat dikatakan bahwa model telah sesuai pada alpha Tabel 3 Uji kebaikan suai pada akar tuba Probit uji kebaikan suai Pearson Khi kuadrat Derajat bebas 3 Nilai p Tabel 4 Dosis efektif pada akar tuba SK 95% Dosis Konsentrasi efektif (g/l) KK 50 akar tuba KK 90 akar tuba Batas bawah (g/l) Batas atas (g/l)

14 5 Gambar 2 Grafik hubungan konsentrasi dengan dugaan proporsi kematian pada ekstrak akar tuba beserta selang kepercayaan 95%-nya. KK 50 dan KK 90 pada Akar Tuba Setelah diketahui bahwa model yang diperoleh telah sesuai dengan data yang ada, dapat ditentukan KK 50 dan KK 90 dari ekstrak akar tuba. Berdasarkan Tabel 4, nilai KK 50 sebesar g/l dengan batas bawah g/l dan batas atas sebesar g/l. Sedangkan KK 90 sebesar g/l dengan batas bawah g/l dan batas atas sebesar g/l. Hal ini berarti untuk membunuh setengah (50%) dari populasi keong emas, petani membutuhkan ekstrak akar tuba sebesar g/l. Sedangkan untuk membunuh sebagian besar (90%) populasi keong emas, petani membutuhkan ekstrak akar tuba sebesar g/l. Persamaan Probit pada Buah Pinang Data hasil pengamatan pada pestisida buah pinang berserta transformasi probitnya dapat dilihat pada Tabel 5. Hanya 3 data yang ditransformasi ke probit. Hal ini dikarenakan selain terdapat kontrol yang digunakan, juga terdapat data proporsi kematian sebesar 1. Sedangkan tidak terdapat nilai probit untuk proporsi kematian sebesar 1, karena pada kenyataannya di alam tidak mungkin terjadi kematian populasi hama hingga 100%. Berdasarkan Tabel 6, diperoleh persamaan probit, dengan x adalah logaritma berbasis 10 dari konsentrasi dan y adalah nilai probit. Penduga parameter β 1 sebesar berarti bahwa setiap penambahan 0.1 satuan log konsentrasi akan meningkatkan nilai probit rata-rata sebesar Sedangkan dugaan bagi parameter β 0 sebesar berarti bahwa pada saat log konsentrasi bernilai 0.000, maka nilai probit secara rata-rata sebesar Selain itu juga diketahui bahwa log konsentrasi berpengaruh terhadap nilai probit pada alpha (0.050). Hal ini dikarenakan nilai-p bagi parameter β 1 sebesar Tabel 5 Hasil pengamatan dan transformasi probit pada buah pinang Konsentrasi (g/l) n r π probit (y) Ket: n : banyaknya keong emas yang diuji r : banyaknya keong emas yang mati π : proporsi kematian keong emas Berdasarkan persamaan probit yang diperoleh, didapatkan nilai-nilai dugaan bagi proporsi kematian ( ) seperti yang tercantum pada Tabel 5. Sedangkan hubungan antara

15 6 Gambar 2 Grafik hubungan konsentrasi dengan dugaan proporsi kematian pada ekstrak buah pinang beserta selang kepercayaan 95%-nya. konsentrasi dengan proporsi kematian beserta selang kepercayaan 95%-nya dapat dilihat pada Gambar 3. Berdasarkan Tabel 5 dan Gambar 3, terlihat bahwa perbedaan antara nilai aktual dan dugaan dari proporsi kematian pada buah pinang tidak berbeda jauh. Sehingga dapat dikatakan bahwa model yang diperoleh telah sesuai dengan data yang ada. Hal ini diperkuat dengan hasil uji kebaikan suai pada Tabel 7 yang menghasilkan nilai-p sebesar Tabel 6 Pendugaan parameter pada buah pinang Probit Parameter β 1 β 0 Dugaan Galat baku Z Nilai p Selang kepercayaan 95% Batas bawah Batas atas Tabel 7 Uji kebaikan suai pada buah pinang Probit uji kebaikan suai Pearson Khi kuadrat Derajat bebas 2 Nilai p KK 50 dan KK 90 pada Buah Pinang Dari Tabel 8 terlihat nilai KK 50 sebesar g/l dengan batas bawah g/l dan batas atas sebesar g/l. Sedangkan KK 90 sebesar g/l dengan batas bawah g/l dan batas atas sebesar g/l. Hal ini berarti untuk membunuh setengah (50%) dari populasi keong emas, petani membutuhkan ekstrak buah pinang sebesar g/l. Sedangkan untuk membunuh sebagian besar (90%) dari populasi keong emas, petani membutuhkan ekstrak buah pinang sebesar g/l. Tabel 8 Dosis efektif pada buah pinang SK 95% Dosis Konsentrasi efektif (g/l) KK 50 buah pinang KK 90 buah pinang Batas bawah (g/l) Batas atas (g/l) Pembandingan antara Pestisida Akar Tuba dan Buah Pinang Tingkat toksisitas akar tuba dan buah pinang dapat dibandingkan melalui Gambar 2 dan 3. Terlihat bahwa ekstrak buah pinang memiliki nilai dugaan bagi KK 50 dan KK 90 yang lebih kecil dari pada akar tuba. Namun dugaan kedua nilai ini pada buah pinang memiliki ketidakpastian yang lebih besar karena memiliki selang kepercayaan yang lebih besar dibandingkan akar tuba. Diketahui bahwa selang kepercayaan 95% KK 50 bagi akar tuba dan buah pinang berturut-

16 7 turut adalah dan Kedua selang ini tidak saling tumpang tindih. Hal ini mengindikasikan bahwa pada KK 50, kedua pestisida memiliki toksisitas yang berbeda. Sedangkan selang kepercayaan 95% KK 90 bagi akar tuba dan buah pinang berturutturut adalah dan Kedua selang ini saling tumpang tindih, sehingga mengindikasikan bahwa kedua pestisida pada KK 90 tidak berbeda nyata. Selain membandingkan kedua pestisida melalui selang kepercayaan, keduanya juga dapat dibandingkan melalui besaran rasio konsentrasi kematian. Dari Tabel 9, nilai rasio konsentrasi kematian buah pinang terhadap akar tuba untuk KK 50 dan KK 90 berturut-turut sebesar dan Hal ini menunjukkan bahwa buah pinang memiliki tingkat toksisitas sebesar dan kali lipat pada KK 50 dan KK 90 dibandingkan dengan akar tuba. Dengan kata lain ekstrak buah pinang memiliki tingkat toksisitas yang relatif lebih tinggi dibandingkan dengan ekstrak akar tuba. Jadi untuk menghasilkan tingkat respon yang sama, akan lebih efektif jika menggunakan pestisida yang berasal dari ekstrak buah pinang. Tabel 9 Rasio konsentrasi kematian buah pinang terhadap akar tuba SK 95% ratio batas batas bawah atas (g/l) (g/l) KK KK Jika dilihat dari segi praktis, untuk memperoleh ekstrak buah pinang relatif lebih mudah dibandingkan ekstrak akar tuba. Hal ini dikarenakan buah pinang dapat diperoleh dengan mudah di pasaran sedangkan tanaman tuba lebih sulit diperoleh di pasaran. Selain itu dilihat dari cara pembuatan, untuk memperoleh ekstrak dari kedua pestisida tersebut relatif mudah. Hal ini dikarenakan yang digunakan adalah ekstrak kasar dari kedua pestisida. Ekstrak kasar dari buah pinang diperoleh dengan cara menumbuk buah pinang, sedangkan ekstrak kasar akar tuba diperoleh dengan cara menghaluskannya menggunakan alat blender (penghalus). Oleh karena itu, dilihat dari segi toksisitasnya dan segi praktis dari kedua pestisida yang digunakan, akan lebih efektif jika menggunakan pestisida ekstrak buah pinang untuk memberantas hama keong emas. SIMPULAN Ekstrak kasar buah pinang lebih efektif daripada akar tuba karena tingkat toksisitasnya lebih tinggi (KK 50 = g/l dan KK 90 = g/l) dibandingkan akar tuba (KK 50 = g/l dan KK 90 = g/l). Didukung oleh segi kepraktisan memperoleh dan cara pembuatan, ekstrak kasar buah pinang lebih disarankan untuk digunakan sebagai pestisida nabati dalam pemberantasan hama keong emas. DAFTAR PUSTAKA Agresti A Categorical Data Analysis. New York: John Wiley & Sons. Finney DJ Probit Analysis. New York: Cambridge University Press. Hewlett PS, Plackett RL The Interpretation of Quantal Responses in Biology. London: Edward ArnoKK. Hidayah N Keong Emas Serang Ratusan Hektare Tanaman Padi di Cirebon. read/2010/07/29/158793/123/101/keong- Emas-Serang-Ratusan-Hektare-Tanaman- Padi-di-Cirebon. [30 Juli 2010]. Hosmer DW, Lemeshow S Applied Logistic Regression. Ed ke-2. New York: John Wiley & Sons, Inc. Liang K, McCullagh P Case studies in binary dispersion. Biometrics 49: McCullagh P, Nelder JA Generalized Linear Model. Ed ke-2. London: Chapman and Hall. Robertson JL, Russell RM, Preisler HK, Savin NE Bioassays with Arthropods. Ed ke-2. London: CRC Press. Wibowo L, Indriyati, Solikhin Uji aplikasi ekstrak kasar buah pinang, akar tuba, patah tulang, dan daun nimba terhadap keong emas (Pomacea sp.) di rumah kaca. Hama dan Penyakit Tumbuhan Tropika 8:17-2.

ANALISIS PROBIT UNTUK MENENTUKAN PESTISIDA NABATI YANG EFEKTIF BAGI Crocidolamia pavonana ARISTIN NANDA KUMALASARI

ANALISIS PROBIT UNTUK MENENTUKAN PESTISIDA NABATI YANG EFEKTIF BAGI Crocidolamia pavonana ARISTIN NANDA KUMALASARI ANALISIS PROBIT UNTUK MENENTUKAN PESTISIDA NABATI YANG EFEKTIF BAGI Crocidolamia pavonana ARISTIN NANDA KUMALASARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN

Lebih terperinci

Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar

Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1

Lebih terperinci

Masalah Overdispersi dalam Model Regresi Logistik Multinomial

Masalah Overdispersi dalam Model Regresi Logistik Multinomial Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan

Lebih terperinci

PEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)

PEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing

Lebih terperinci

PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA

PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR

Lebih terperinci

PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI

PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA

Lebih terperinci

BINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA

BINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA BINARY LOGISTIC REGRESSION (BLR) TERHADAP STATUS BEKERJA DI KOTA SURABAYA Moh. Yamin Darsyah 1 Arianto Wijaya 2 1,2 Program Studi S1 Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL

Lebih terperinci

di masa yang akan datang dilihat dari aspek demografi dan kepuasannya. PENDAHULUAN

di masa yang akan datang dilihat dari aspek demografi dan kepuasannya. PENDAHULUAN 1 PENDAHULUAN Latar Belakang Saat ini ada dua teknologi yang diusung oleh perusahaan-perusahaan telekomunikasi Indonesia yaitu teknologi Global System for Mobile communication (GSM) dan teknologi Code

Lebih terperinci

MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK

MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK Analisis regresi logistik biner dengan metode penalized maximum likelihood digunakan

Lebih terperinci

Sem 5-4. Garis Besar Rencana Pembelajaran (GBRP)

Sem 5-4. Garis Besar Rencana Pembelajaran (GBRP) Sem -. Garis Besar Rencana Pembelajaran (GBRP) Nama Matakuliah : Analisis Data Kategorik Kode MK/SKS : 309H203/3SKS Semester : Awal/ (Tahun III) Mata Kuliah Prasyarat : Metode Statistika, Komputasi Statistika

Lebih terperinci

MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS

MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS

Lebih terperinci

IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK

IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas

Lebih terperinci

(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER

(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER (R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER Drs. Soekardi Hadi P. Prodi Matematika Fakultas Sains dan Teknologi Universitas Islam As-Syafi iyah Email : s.hadip@yahoo.co.id Abstrak

Lebih terperinci

PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA

PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Lebih terperinci

KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL

KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG

Lebih terperinci

Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017

Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic

Lebih terperinci

MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)

MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

Kata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue

Kata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK

Lebih terperinci

METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE

METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN

Lebih terperinci

METODOLOGI HASIL DAN PEMBAHASAN

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

Lebih terperinci

PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)

PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id

Lebih terperinci

Jurnal Gradien Vol 8 No 2 Juli 2012: Yuli Andriani, Uxti Mezulianti, dan Herlina Hanum

Jurnal Gradien Vol 8 No 2 Juli 2012: Yuli Andriani, Uxti Mezulianti, dan Herlina Hanum Jurnal Gradien Vol 8 No 2 Juli 2012:809-814 Model Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Model Regresi Logistik Ordinal (Studi Kasus: Bank Rakyat Indonesia Tbk Unit Pasar Bintuhan) Yuli

Lebih terperinci

PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti *

PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti * PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN Mike Susmikanti * ABSTRAK PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Pemodelan dalam penelitian berbagai bidang khususnya bidang industri, merupakan kebutuhan

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 17 BAB III METODE PENELITIAN 3.1.Waktu dan Tempat Penelitian ini dilaksanakan pada bulan februari 2009-Juni 2009 di beberapa wilayah terutama Jakarta, Depok dan Bogor untuk pengambilan sampel responden

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan kemajuan ilmu pengetahuan dan teknologi mendorong masyarakat untuk semakin memperlihatkan derajat kesehatan demi peningkatan kualitas hidup yang lebih

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING

ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS RLOTG DENGAN METODE FISHER SCORING Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika

Lebih terperinci

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

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

Lebih terperinci

MODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI TENGAH

MODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI TENGAH JIMT Vol. 13 No. 1 Juni 2016 (Hal. 24 37) Jurnal Ilmiah Matematika dan Terapan ISSN : 2450 766X MODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI

Lebih terperinci

MISKLASIFIKASI MAHASISWA BARU F SAINTEK UIN SUNAN KALIJAGA JALUR TES TULIS DENGAN ANALISIS REGRESI LOGISTIK

MISKLASIFIKASI MAHASISWA BARU F SAINTEK UIN SUNAN KALIJAGA JALUR TES TULIS DENGAN ANALISIS REGRESI LOGISTIK MISKLASIFIKASI MAHASISWA BARU F SAINTEK UIN SUNAN KALIJAGA JALUR TES TULIS DENGAN ANALISIS REGRESI LOGISTIK Mohammad Farhan Qudratullah Program Studi Matematika Fakultas Sains dan Teknologi Universitas

Lebih terperinci

PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL

PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL 1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut

Lebih terperinci

ANALISIS PEUBAH RESPONS KATEGORIK DENGAN MODEL REGRESI ORDINAL

ANALISIS PEUBAH RESPONS KATEGORIK DENGAN MODEL REGRESI ORDINAL ANALISIS PEUBAH RESPONS KATEGORIK DENGAN MODEL REGRESI ORDINAL SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk memenuhi sebagian persyaratan guna

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF

PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan

Lebih terperinci

PENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005

PENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005 1 PENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005 2 SURAT PERNYATAAN Dengan ini saya menyatakan bahwa tesis yang berjudul

Lebih terperinci

ANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI

ANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI ANALISIS REGRESI TERPOTONG DENGAN BEBERAPA NILAI AMATAN NOL NURHAFNI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan

Lebih terperinci

E-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN:

E-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN: E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 107-115 ISSN: 2303-1751 PERBANDINGAN REGRESI BINOMIAL NEGATIF DAN REGRESI GENERALISASI POISSON DALAM MENGATASI OVERDISPERSI Studi Kasus: Jumlah Tenaga Kerja

Lebih terperinci

PENDUGAAN PARAMETER REGRESI LOGISTIK BINER DENGAN SPREADSHEET SOLVER (ADD-IN MICROSOFT EXCEL)

PENDUGAAN PARAMETER REGRESI LOGISTIK BINER DENGAN SPREADSHEET SOLVER (ADD-IN MICROSOFT EXCEL) PENDUGAAN PARAMETER REGRESI LOGISTIK BINER Shaifudin Zuhdi, Dewi Retno Sari Saputro Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret ABSTRAK. Model regresi logistik

Lebih terperinci

BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio

BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio 21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi

Lebih terperinci

Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)

Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani

Lebih terperinci

ANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI

ANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI ANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI

Lebih terperinci

Pemodelan Data Cacahan (Count Data) dalam GLM. Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018

Pemodelan Data Cacahan (Count Data) dalam GLM. Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018 Pemodelan Data Cacahan (Count Data) dalam GLM Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018 Pendahuluan Pada model linear klasik, seperti regresi linear,

Lebih terperinci

E-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:

E-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN: E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus

Lebih terperinci

Sarimah. ABSTRACT

Sarimah. ABSTRACT PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas

Lebih terperinci

Regresi Logistik Binomial, Model untuk Toksisitas Logam Berat Timbal Pb terhadap Larva Udang Vannamae

Regresi Logistik Binomial, Model untuk Toksisitas Logam Berat Timbal Pb terhadap Larva Udang Vannamae Regresi Logistik Binomial, Model untuk Toksisitas Logam Berat Timbal Pb terhadap Larva Udang Vannamae Dwi Haryo Ismunarti Jurusan Ilmu Kelautan Fakultas Perikanan dan Ilmu Kelautan UNDIP email : dwiharyois@gmail.com

Lebih terperinci

BAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur

BAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA

RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah Analisis Data Kategori Kode/sks : MAS 4232/3 Semester : IV Status (Wajib/Pilihan) : Wajib (W) Prasyarat : MAS

Lebih terperinci

Model Regresi Binary Logit (Aplikasi Model dengan Program SPSS)

Model Regresi Binary Logit (Aplikasi Model dengan Program SPSS) Model Regresi Binary Logit (Aplikasi Model dengan Program SPSS) Author: Junaidi Junaidi 1. Pengantar Salah satu persyaratan dalam mengestimasi persamaan regresi dengan metode OLS (Ordinary Least Square)

Lebih terperinci

PENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA

PENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA Saintia Matematika Vol. 1, No. 1 (2013), pp. 51 61. PENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA (Studi kasus di desa Dolok Mariah Kabupaten Simalungun) Oktani Haloho, Pasukat

Lebih terperinci

ANALISIS MODEL PELUANG BERTAHAN HIDUP DAN APLIKASINYA SUNARTI FAJARIYAH

ANALISIS MODEL PELUANG BERTAHAN HIDUP DAN APLIKASINYA SUNARTI FAJARIYAH ANALISIS MODEL PELUANG BERTAHAN HIDUP DAN APLIKASINYA SUNARTI FAJARIYAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan

Lebih terperinci

SKRIPSI OLEH: KARTIKA SRY NINGSIH AGROEKOTEKNOLOGI-ILMU TANAH

SKRIPSI OLEH: KARTIKA SRY NINGSIH AGROEKOTEKNOLOGI-ILMU TANAH PEMBERIAN ZAT PENGATUR TUMBUH UNTUK MENGATASI KERACUNAN Al PADA TANAH ULTISOL DAN MENINGKATKAN PERTUMBUHAN SERTA SERAPAN HARA TANAMAN KEDELAI DI RUMAH KACA SKRIPSI OLEH: KARTIKA SRY NINGSIH 110301056 AGROEKOTEKNOLOGI-ILMU

Lebih terperinci

MODEL REGRESI PROBIT BIVARIAT

MODEL REGRESI PROBIT BIVARIAT MODEL REGRESI PROBIT BIVARIAT NURFIDAH DWITIYANTI Program Studi Teknik Informatika Fakultas Teknik, Matematika dan Ilmu Pengetahuan Alam Universitas Indraprasta PGRI Jl. Nangka No. 58 C, Tanjung Barat,

Lebih terperinci

Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru

Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru IIN SUNDARI Program Studi Matematika, Fakultas Matematika

Lebih terperinci

ANALISIS TRANSFORMASI BOX COX UNTUK MENGATASI HETEROSKEDASTISITAS DALAM MODEL REGRESI LINIER SEDERHANA SKRIPSI DESRI KRISTINA S

ANALISIS TRANSFORMASI BOX COX UNTUK MENGATASI HETEROSKEDASTISITAS DALAM MODEL REGRESI LINIER SEDERHANA SKRIPSI DESRI KRISTINA S ANALISIS TRANSFORMASI BOX COX UNTUK MENGATASI HETEROSKEDASTISITAS DALAM MODEL REGRESI LINIER SEDERHANA SKRIPSI DESRI KRISTINA S 070803055 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

PENERAPAN REGRESI LOGISTIK BINER MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA TAHUN 2008/2009 (Studi Kasus : Fakultas MIPA IPB) ISNA HUSNIYATI

PENERAPAN REGRESI LOGISTIK BINER MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA TAHUN 2008/2009 (Studi Kasus : Fakultas MIPA IPB) ISNA HUSNIYATI PENERAPAN REGRESI LOGISTIK BINER MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA TAHUN 28/29 (Studi Kasus : Fakultas MIPA IPB) ISNA HUSNIYATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

pendekatan dalam penelitian ini dinilai cukup beralasan.

pendekatan dalam penelitian ini dinilai cukup beralasan. Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah

Lebih terperinci

PEMBANDIIQGAN BEBERAPA MODEL NONLINEAR DALAM HUBUNGAN PARASITOID - IHANG

PEMBANDIIQGAN BEBERAPA MODEL NONLINEAR DALAM HUBUNGAN PARASITOID - IHANG PEMBANDIIQGAN BEBERAPA MODEL NONLINEAR DALAM HUBUNGAN PARASITOID - IHANG Oleh B. BUNAWAN SUNARLIM 89088 PROGRAM PASCA SARJANA INSTITUT PERTAflIAW BOGOR 1991: RINGKASAN B. BUNAWAN SUNARLIM. Pembandingan

Lebih terperinci

Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG

Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG Julio Adisantoso, G16109011/STK 11 Mei 2010 Ringkasan Regresi logistik merupakan suatu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan

Lebih terperinci

STK511 Analisis Statistika. Pertemuan 12 Nonparametrik-Kategorik-Logistik

STK511 Analisis Statistika. Pertemuan 12 Nonparametrik-Kategorik-Logistik STK511 Analisis Statistika Pertemuan 12 Nonparametrik-Kategorik-Logistik 12. Pengantar Skala Pengukuran Data/Variabel Peubah Kategorik Categorical Numerik Numeric Nominal Ordinal Interval Ratio Hanya nama/lambang

Lebih terperinci

pendekatan regresi logistik biner Oleh :Wida Suliasih ( )

pendekatan regresi logistik biner Oleh :Wida Suliasih ( ) Analisis kepuasan karyawan pt. x dengan pendekatan regresi logistik biner Oleh :Wida Suliasih (1308 030 059) Pembimbing : Wibawati, S.Si, M.Si 1 2 Latar belakang permasalahan Tujuan manfaat Batasan penelitian

Lebih terperinci

GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI

GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI Agus Supriatna 1), Riaman 2), Sudradjat 3), Tari Septiyani 4) Departemen Matematika, FMIPA Unpad Jalan Raya Bandung-Sumedang

Lebih terperinci

KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI REGRESI LOGISTIK MULTINOMIAL

KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI REGRESI LOGISTIK MULTINOMIAL KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL SKRIPSI Oleh : Ahmad Reza Aditya 24010210130055 JURUSAN STASTISTIKA

Lebih terperinci

PERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS

PERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS PERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN

Lebih terperinci

KETEPATAN KLASIFIKASI KEIKUTSERTAAN KELUARGA BERENCANA MENGGUNAKAN REGRESI LOGISTIK BINER DAN REGRESI PROBIT BINER

KETEPATAN KLASIFIKASI KEIKUTSERTAAN KELUARGA BERENCANA MENGGUNAKAN REGRESI LOGISTIK BINER DAN REGRESI PROBIT BINER KETEPATAN KLASIFIKASI KEIKUTSERTAAN KELUARGA BERENCANA MENGGUNAKAN REGRESI LOGISTIK BINER DAN REGRESI PROBIT BINER (Study Kasus di Kabupaten Semarang Tahun 2014) SKRIPSI Disusun Oleh : FAJAR HERU SETIAWAN

Lebih terperinci

Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri

Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan

Lebih terperinci

PEMERIKSAAN ASUMSI ANALISIS RAGAM DEWI NURHASANAH

PEMERIKSAAN ASUMSI ANALISIS RAGAM DEWI NURHASANAH PEMERIKSAAN ASUMSI ANALISIS RAGAM DEWI NURHASANAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRAK DEWI NURHASANAH. Pemeriksaan asumsi analisis

Lebih terperinci

ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER

ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER Kimmy Octavian Yongharto Binus University, DKI Jakarta, Jakarta, Indonesia Abstrak Salah satu

Lebih terperinci

Percobaan Satu Faktor: Rancangan Acak Lengkap (RAL) Oleh: Arum Handini Primandari, M.Sc.

Percobaan Satu Faktor: Rancangan Acak Lengkap (RAL) Oleh: Arum Handini Primandari, M.Sc. Percobaan Satu Faktor: Rancangan Acak Lengkap (RAL) Oleh: Arum Handini Primandari, M.Sc. Rancangan Acak Lengkap (RAL) RAL merupakan rancangan paling sederhana di antara rancangan-rancangan percobaan baku.

Lebih terperinci

PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN

PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit

Lebih terperinci

Saintia Matematika ISSN: Vol. 02, No. 04 (2014), pp

Saintia Matematika ISSN: Vol. 02, No. 04 (2014), pp Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 04 (2014), pp. 313 321. SUATU KAJIAN TENTANG PELAYANAN KESEHATAN DI PUSKESMAS PEMBANTU JATI UTOMO BINJAI Nida Elhaq, Pasukat Sembiring, Djakaria Sebayang

Lebih terperinci

MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON

MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON Ade Susanti, Dewi Retno Sari Saputro, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak

Lebih terperinci

Pemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan

Pemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan D181 Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan Rizfanni Cahya Putri dan Vita Ratnasari Jurusan Statistika, Fakultas

Lebih terperinci

PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA

PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika

Lebih terperinci

FAKTOR-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) 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 terperinci

PENERAPAN 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 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 terperinci

PENDUGAAN PARAMETER REGRESI LOGISTIK DENGAN JARINGAN SYARAF TIRUAN. Anik Djuraidah Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember

PENDUGAAN PARAMETER REGRESI LOGISTIK DENGAN JARINGAN SYARAF TIRUAN. Anik Djuraidah Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Pendugaan Parameter Regresi Logistik... (Anik Djuraidah) PENDUGAAN PARAMETER REGRESI LOGISTIK DENGAN JARINGAN SYARAF TIRUAN Anik Djuraidah Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Abstract

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, akan diuraikan beberapa teori penunjang antara lain: Kredit Macet, Regresi Logistik, Model Terbaik

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Teori Umum 2.1.1 Regresi Logistik Analisis Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel-variabel

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI ZERO ADJUSTED INVERSE GAUSSIAN (ZAIG) UNTUK MENENTUKAN BESAR KLAIM

ESTIMASI PARAMETER MODEL REGRESI ZERO ADJUSTED INVERSE GAUSSIAN (ZAIG) UNTUK MENENTUKAN BESAR KLAIM Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 323-328 ESTIMASI PARAMETER MODEL REGRESI ZERO ADJUSTED INVERSE GAUSSIAN (ZAIG) UNTUK MENENTUKAN BESAR KLAIM Nurul Huda,

Lebih terperinci

PERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc.

PERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc. PERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc. PENGUJIAN HIPOTESIS Langkah-langkah pengujian hipotesis: 1) Merumuskan hipotesis 2) Memilih taraf nyata α 3) Menentukan

Lebih terperinci

REGRESI LOGISTIK UNTUK IDENTIFIKASI FAKTOR- FAKTOR MINAT MELANJUTKAN STUDI KE TINGKAT ALIYAH DI PESANTREN UMMUL QURO AL ISLAMI SALMAN AL FARISI

REGRESI LOGISTIK UNTUK IDENTIFIKASI FAKTOR- FAKTOR MINAT MELANJUTKAN STUDI KE TINGKAT ALIYAH DI PESANTREN UMMUL QURO AL ISLAMI SALMAN AL FARISI REGRESI LOGISTIK UNTUK IDENTIFIKASI FAKTOR- FAKTOR MINAT MELANJUTKAN STUDI KE TINGKAT ALIYAH DI PESANTREN UMMUL QURO AL ISLAMI SALMAN AL FARISI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN

MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE

Lebih terperinci

Analisis Data Kategorikal

Analisis Data Kategorikal Analisis Data Kategorikal Topik: Data & skala pengukuran Uji hipotesis untuk data kontinu Uji hipotesis untuk data kategorikal Desain penelitian kesehatan Ukuran asosiasi Regresi Logistik Target: Mahasiswa

Lebih terperinci

PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti

PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah

Lebih terperinci

APLIKASI REGRESI LOGISTIK DALAM ANALISIS FAKTOR RISIKO ANEMIA GIZI PADA MAHASISWA BARU IPB

APLIKASI REGRESI LOGISTIK DALAM ANALISIS FAKTOR RISIKO ANEMIA GIZI PADA MAHASISWA BARU IPB APLIKASI REGRESI LOGISTIK DALAM ANALISIS FAKTOR RISIKO ANEMIA GIZI PADA MAHASISWA BARU IPB (Logistic Regression Application on Analysis of Risk Factors of Nutritional Anemia Among New Students of IPB)

Lebih terperinci

PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models)

PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models) , Oktober 2009 p : 1-7 ISSN : 0853-8115 Vol 14 No.2 PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK Bertho Tantular 1, Aunuddin 2, Hari Wijayanto 2 1 Jurusan Statistika FMIPA Universitas Padjadjaran

Lebih terperinci

(Studi Kasus Siswa SMP Kelas VIII di SMPN 1 Tajinan Malang) *Wuri Graita Gayuh Palupi *Abadyo

(Studi Kasus Siswa SMP Kelas VIII di SMPN 1 Tajinan Malang) *Wuri Graita Gayuh Palupi *Abadyo PERBANDINGAN REGRESI MODEL LOGISTIK BINER DENGAN REGRESI MODEL PROBIT TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI SIKAP SISWA SMP PADA MATA PELAJARAN MATEMATIKA (Studi Kasus Siswa SMP Kelas VIII di SMPN 1

Lebih terperinci

ANALISIS TINGKAT KEMAJUAN DESA DI KABUPATEN BOGOR DENGAN METODE CHAID DAN REGRESI LOGISTIK ORDINAL DENI SUHANDANI

ANALISIS TINGKAT KEMAJUAN DESA DI KABUPATEN BOGOR DENGAN METODE CHAID DAN REGRESI LOGISTIK ORDINAL DENI SUHANDANI ANALISIS TINGKAT KEMAJUAN DESA DI KABUPATEN BOGOR DENGAN METODE CHAID DAN REGRESI LOGISTIK ORDINAL DENI SUHANDANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN

Lebih terperinci

PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA

PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA

Lebih terperinci

Tingkat Efisiensi Metode Regresi Robust dalam Menaksir Koefisien Garis Regresi Jika Ragam Galat Tidak Homogen

Tingkat 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 terperinci

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika

Lebih terperinci

PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA)

PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA) Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 116 124 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2

Lebih terperinci

(R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT

(R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT REGRESI 2 (R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT Dani Robini, Budi Nurani R., Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl.

Lebih terperinci

PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH

PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011

Lebih terperinci

RMSE = dimana : y = nilai observasi ke-i V PEMBAHASAN. = Jenis kelamin responden (GENDER) X. = Pendidikan responden (EDU) X

RMSE = dimana : y = nilai observasi ke-i V PEMBAHASAN. = Jenis kelamin responden (GENDER) X. = Pendidikan responden (EDU) X pembilang persamaan (3) adalah rataan jumlah kuadrat galat, N jumlah pengamatan dan M jumlah himpunan bagian. Penyebutnya merupakan fungsi nilai kompleks, dengan C(M) adalah nilai kompleksitas model yang

Lebih terperinci

PENGUJIAN ASUMSI-ASUMSI ANALISIS VARIANSI DENGAN METODE DIAGNOSTIK SISAAN DALAM RANCANGAN ACAK KELOMPOK LENGKAP MODEL TETAP SKRIPSI

PENGUJIAN ASUMSI-ASUMSI ANALISIS VARIANSI DENGAN METODE DIAGNOSTIK SISAAN DALAM RANCANGAN ACAK KELOMPOK LENGKAP MODEL TETAP SKRIPSI PENGUJIAN ASUMSI-ASUMSI ANALISIS VARIANSI DENGAN METODE DIAGNOSTIK SISAAN DALAM RANCANGAN ACAK KELOMPOK LENGKAP MODEL TETAP SKRIPSI SAHDANI FONNA NASUTION 090823047 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA

Lebih terperinci

TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen

TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen 4 TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen (1989). Namun demikian sebagian besar penerapannya menggunakan

Lebih terperinci

JMP : Volume 6 Nomor 1, Juni 2014, hal REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP

JMP : Volume 6 Nomor 1, Juni 2014, hal REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP JMP : Volume 6 Nomor 1, Juni 014, hal. 45-5 REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP Saniyah dan Budi Pratikno Program Studi Matematika Fakultas Sains dan Teknik Universitas

Lebih terperinci

REGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI

REGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI REGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRAK

Lebih terperinci

IDENTIFIKASI 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 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 terperinci